基于卷积神经网络算法的机器人系统控制

第２９卷㊀第４期

长㊀春㊀大㊀学㊀学㊀报

Ｖｏｌ.２９㊀Ｎｏ.４

㊀２０１９年４月ＪＯＵＲＮＡＬＯＦＣＨＡＮＧＣＨＵＮＵＮＩＶＥＲＳＩＴＹＡｐｒ.２０１９㊀

收稿日期:２０１８－０１－２０

基金项目:安徽省科技厅项目(１７０３０９０１０３３)

作者简介:张松林(１９８１－)ꎬ男ꎬ安徽皖寿人ꎬ工程师ꎬ硕士ꎬ主要从事电子信息工程方面研究ꎮ基于卷积神经网络算法的机器人系统控制

张松林

(安徽信息工程学院信息系ꎬ安徽芜湖２４１０００)

摘㊀要:随着计算机技术的不断成熟和数据分析技术的不断完善ꎬ近年来突出机器深度学习功能的智能算法取得重大突破ꎮ其中以卷积神经网络为代表的技术ꎬ可根据不同的控制要求进行相应数据训练ꎬ从而提高系统的控制效果ꎬ在机器人控制㊁目标识别等领域得到广泛应用ꎮ随着机器人应用环境的复杂化ꎬ设计基于卷积神经网络机器人控制算法在非结构化环境中实现精准化物体抓取ꎬ建立一个完整的机器人自动抓取规划系统ꎮ

关键词:机械臂ꎻ深度强化学习ꎻ策略搜索ꎻ卷积神经网络

中图分类号:ＴＰ１８３㊀㊀文献标志码:Ａ㊀㊀文章编号:１００９－３９０７(２０１９)０４－００１４－０４

㊀㊀自２０世纪中期开始ꎬ机器人系统逐步得到发展ꎮ从简单的机械结构到具有感知识别功能的智能机器人系统ꎬ已经在多个领域广泛应用ꎮ其中ꎬ物体抓取操作是机器人的重要功能ꎮ随着硬件技术的不断成熟ꎬ机器人系统通过传感器实现环境感知ꎬ并通过智能算法的设计来实现物体的任意抓取ꎮ由于机器人系统应用领域的复杂化ꎬ对机器人的控制算法提出了更高的要求ꎮ目前ꎬ工业机器人的抓取算法设计需要依赖预先建立好的物体抓取模型并整理为数据库ꎬ但对于在非结构化的环境中进行抓取的机器人来说ꎬ建立准确的数学模型难以实现ꎮ因此ꎬ要建立起能够对环境实时预测并快速整定的抓取规划算法ꎮ为优化这一问题ꎬ引入基于卷积神经网络的机器人规划算法ꎮ机器人通过传感器获取的环境信息ꎬ建立对应的抓取位姿映射关系ꎬ即通过环境模型库来存储机器人抓取经验ꎬ相比与传统的抓取控制算法而言ꎬ基于卷积神经网络的算法可以实现对未知物体的抓取经验迁移ꎮ

１㊀机器人抓取模型设计

机器人物体抓取可以视为机械臂对物体表面上一组接触点的施加力ꎬ以防止物体在外界扰动下发生运动ꎮ为提高机器人对物体抓取的控制性能ꎬ首先ꎬ需要建立机器人物体抓取的接触力数学模型[１]ꎮ

图１㊀物体与末端执行器接触模型的坐标系关系１.１㊀机器人与物体之间的接触力

当需要通过机器人的机械臂进行物体抓取时ꎬ机

械臂的末端抓手会通过若干个接触点与物体进行关

联ꎮ一般情况下ꎬ在接触点上定义坐标系ꎬ并沿３个不

同维度设立坐标轴ｎｌ㊁ｐｌ㊁ｑｌꎬ其中ꎬ接触点上切平面

的单位法向量定义为ｎｌꎬ而ｐｌ㊁ｑｌ为符合右手定则的

在切平面相互垂直的两个单位向量ꎬ在接触点建立坐

标系如图１所示ꎮ机器人的物体抓取定义为爪手与物

体之间的运动ꎬ而接触面的形状以及爪手与物体之间

的摩擦系数共同决定了该运动的性质ꎮ在物体的接触

点上会提供一个单方向的约束[２]ꎬ以此防止物体向接触向量的方向偏移ꎮ机械臂爪手对物体施加的力和力

矩可以表示为力旋量ｗｉɪＲ６ꎬ如式(１)所示:ｗｉ＝ｆｉτｉéëêêùûúú＝ｎｉ(ｃｉ－ｐ)ˑｎｉéëêêùûúúꎬ(１)

式中ꎬｆｉɪＲ３为机械臂在点ｃｉ点上的接触力(Ｎ)ꎻτｉɪＲ３为机械臂在点ｃｉ点上的接触力矩(Ｎ/ｍ)ꎮ由于接触力和接触力矩所处的维度不同ꎬ特引入参数ρ进行调整ꎬ因此得式(２):

ｗｉ＝ｆｉτｉ/ρéëêêùû

úúꎮ(２)通过引入参数ρ可使ｗｉ的所有成分都采取力单位ꎮ确定参数ρ的方法有两种ꎬ一种为质心与物体间任意一点最远的距离ꎬ使在所抓取的物体上施加最大力矩ꎻ另一种是将参数ρ定义为回转半径ꎬ但该方法计算较为复杂㊁用途不多ꎮ接触模型由两个接触面的几何形态和材料的特性决定ꎬ并能通过接触施加在物体上的力映射成为相对于物体的力旋量ꎮ一般情况下ꎬ定义了８种接触模型ꎬ其中最为常用的接触模型为有摩擦的点接触模型和无摩擦的点接触模型ꎮ点接触模型为刚性接触模型ꎬ即假定机械臂爪手与所抓物体都为刚体ꎬ且物体间的碰撞具有即时性和不连续性的特点ꎬ通过系统在平衡碰撞后动量变化可以推到出运动方程ꎮ在无摩擦的点接触模型中ꎬ接触力是沿着法向量方向作用在物体表面ꎬ而假定爪手与物体表面不变形ꎮ这两种模型主要应用于接触面小且接触面光滑的场景ꎮ

１.２㊀建立抓取物体的卷积网络模型

建立了机器人与物体之间的接触力模型ｇ＝{ｘꎬｙꎬｄꎬθ}后ꎬ又设计了抓取物体的卷积网络模型ꎮ为提高机器人抓取物体的准确性ꎬ将传感器获得的深度图像作为卷积网络的输入ꎮ以全卷积的形式设计网络输出层ꎬ可以减少网络的训练参数ꎮ为提高网络底层数据的利用ꎬ本设计利用残差单元作为网络的基础ꎬ而对于网络的输出ꎬ进行了归一化的处理ꎮ卷积网络模型中需要处理的参数包括抓取概率㊁抓取角度㊁抓取宽度和抓取位置ꎬ其中ꎬ抓取概率需要先将传感器传出的图片进行二进制标记ꎬ再对相应区域内的值进行设置ꎮ机械手的抓取角度范围为在[－９０ꎬ９０]之间ꎬ且设置ｓｉｎ２θꎬｃｏｓ２θ来确定抓取角度ꎮ为了保证卷积输出层的值不超过１ꎬ在求取抓取宽度时ꎬ要求深度相机二指夹持器间的最大宽度为５０像素ꎮ

１.３㊀基于主成分分析法的末端姿态调整

为保证抓取物体的稳定性ꎬ机器手末端不应始终垂直于物体所处于的平面ꎮ这样有利于在抓取位置较高且圆形的物体时ꎬ在很多角度下都不能准确抓起物体ꎬ此时需要对物体末端的位置和姿态进行调整ꎬ再进行抓取ꎮ本设计基于主成分分析法进行末端姿态调整ꎮ首先ꎬ求取接触点处的法向量ꎬ将其作为末端姿态调整的一部分ꎬ具有计算精度高㊁计算速度快和计算时间复杂度低的特点ꎮ该方法的应用原理就是通过遍历ꎬ计算出距离目标点ｋ个欧式距离最小的点ꎬ通过最小二乘法拟合出局部领域平面ꎬ再通过计算领域内的协方差得到去面特性ꎮ在确定一个表面的法线时ꎬ需要估计表面上的一个相切面的法线ꎬ就可以将末端姿态调整问题转化为一个基于最小二乘法的平面拟合估计问题ꎮ由于法线正负向问题无法确定ꎬ因此ꎬ通过主成分分析法计算出的表面法向量具有二义向ꎬ在特殊情况下无法实现对抓取点法向量一致性统一ꎮ本文定义一个法线方向ꎬ并将空间中的点ｖｐ作为法线的朝向ꎬ并满足:ｎｉ (ｖｐ－ｐｉ)>０ꎮ

２㊀基于卷积神经网络的机械爪控制策略研究

为保证机械爪物体抓取的实时性ꎬ需要在每个控制时刻将末端执行器与目标位置的图像作为卷积层的输入ꎮ由于卷积神经网络具有强大的图像处理功能ꎬ在策略搜索算法的监督下ꎬ通过训练过程调整网络权重与偏置ꎬ可获得执行器与目标之间的相对位置ꎮ由于机械臂的各关节信息无法通过图像实时获取ꎬ在搭建卷积神经网络策略时ꎬ将关节角和角速度作为神经网络连接层进行输入ꎮ基于卷积神经网络的机械爪控制结构如图２所示ꎮ

２.１㊀卷积神经网络结构设计

在构建卷积神经网络视觉层时ꎬ为保证对图像中特征的及时重组ꎬ对输入图像进行处理后ꎬ在视觉层的最后加入一层全连接层ꎬ同时还可降低图像特征的维度ꎬ并对图像特征的数值进行缩放ꎬ使其与机械臂关节

５１第４期张松林:基于卷积神经网络算法的机器人系统控制