APP下载

基于深度学习的智能物流分拣跟随机器人的设计与研究

2022-02-23胡荣章小宝谭菊华

中国储运 2022年2期
关键词:位姿误差深度

文/胡荣 章小宝 谭菊华

为了提高智能物流分拣跟随机器人的自动化控制水平,提出基于深度学习的智能物流分拣跟随机器人设计方法。机器人的设计核心在于深度学习控制算法设计,建立智能物流分拣跟随机器人的空间位置和几何位姿参数分析模型,采用位置误差补偿方法实现机器的末端位姿参数跟随识别,在轨迹误差约束下,通过深度学习算法,实现对智能物流分拣跟随机器人的末端执行器构造,通过超微参数估计和鲁棒性参数识别的方法,结合激光跟踪仪器测量装置,实现智能物流分拣跟随机器人的输出终端控制设计。

0.引言:

随着物流智能化分拣技术的发展,采用智能物流分拣跟随机器人实现物流分拣,提高物流智能信息化管理能力。在智能物流分拣跟随机器人中,需要根据位置参数分析和结构刚度特征分析的方法,建立智能物流分拣跟随机器人的输出轴连刚度分析模型,通过绳索弹性误差分析和结合参数误差重组,建立智能物流分拣跟随机器人的环境参数识别模型,提高智能物流分拣跟随机器人的几何误差控制能力和输出稳定性。研究智能物流分拣跟随机器人的优化设计方法,提高参数识别的精度和鲁棒性[1]。当前,对智能物流分拣跟随机器人设计方法主要有基于位姿选择的机器人几何控制方法、基于轴连刚度特征分析的智能物流分拣跟随机器人误差控制方法等[2],文献[3]中提出基于悬链线特性特征分析智能物流分拣跟随机器人设计方法,结合悬链线特性参数分析和几何参数误差分析,实现机器人的优化控制设计,但该方法进行物流分拣跟随机器人控制的自适应性不好。针对上述问题,本文提出基于深度学习的智能物流分拣跟随机器人设计方法。

1.智能物流分拣跟随机器人运动学模型

1.1 智能物流分拣跟随机器人运动学参数。为了实现基于深度学习的智能物流分拣跟随机器人,构建智能物流分拣跟随机器人路径跟踪误差自动规划和自动化控制模型,基于外部参数融合补偿的方法,构造基于深度学习的智能物流分拣跟随机器人的参数标定模型。末端执行器上点Ai,得到无模型的误差补偿特征量,采用模糊误差插值技术,得到机器的姿态矢量,在无模型的误差补偿过程中,引入融合可观测性指标进行智能物流分拣跟随机器人的自适应参数规划,在3维工作空间中实现精度补偿和误差标定,在3维工作空间中的标定误差满足:

当([pHj,pLj])⊆([pHi,pLi])时,在引出点Bi,通过世界坐标系Ow实现智能物流分拣跟随机器人运动平衡控制。将各类误差源抽象为单一误差分布,得到智能物流分拣跟随机器人的绳索长度的变化特征分量,通过利用正向运动学方程f求得物流分拣跟随机器人的位姿参数[4],利用雅可比矩阵实现位姿参数融合,得到末端执行器到达实际位置的动态平衡参数方向,通过实际位置误差的补偿控制,采用多种群协同进化,得到关节空间的位姿补偿参量,描述如下:

其中,p(φ)为智能物流分拣跟随机器人的位姿参数的候选姿态参数分布集,采用逆运动学补偿的方法,得到多种群协同进化下的深度学习样本项,结合激光雷达、双目视觉识别技术,实现智能物流分拣跟随机器人的视觉参数识别。采用并联大负载多模式识别方法,构建了智能物流分拣跟随机器人运动学模型。

1.2 机器人3维工作空间参数标定。采用分布式协同控制方法,结合位姿选择的机器人几何控制方法,构建智能物流分拣跟随机器人的视觉识别模型,采用改进外部参数表达方法,建立智能物流分拣跟随机器人的参数标定模型,使用位移传感器进行目标参数识别,结合力传感器、姿态传感器实现对机器人的实际力学参数测量和标定,根据对机器人的动态参数标定结果,在的神经网络结构中,通过激光雷达、红外相机等实现智能物流分拣跟随机器人作业过程的三维工作空间标定,机器人3维工作空间参数的特征重构特征量描述如下:

其中ELBF,为智能物流分拣跟随机器人的双模传动特征分量,ELGF是最大负载。建立智能物流分拣跟随机器人的空间位置和几何位姿参数分析模型,采用位置误差补偿方法实现机器的末端位姿参数跟随识别。

2.智能物流分拣跟随机器人深度学习控制。

采用位置误差补偿方法实现机器的末端位姿参数跟随识别,在轨迹误差约束下,通过深度学习算法,实现对智能物流分拣跟随机器人的末端执行器构造,结合超微参数识别,在变高度调整范围内,建立智能物流分拣跟随机器人的组合导航控制模型,采用深度学习算法,结合激光跟踪仪器测量装置,实现智能物流分拣跟随机器人的输出终端控制设计,采用适应度评价,进行代表性个体的选择,并通过上位机将外界信息传输至上层控制器处,得到控制律为:

基于Stewart异型结构的建立智能物流分拣跟随机器人的环境感知模型,采用激光雷达进行环境参数识别,通过UDP通讯方式,构建智能物流分拣跟随机器人的数据传输参数模型,在平台坐标系XPYPZP中,得到机器人的主控参数模块,通过WiFi连接到物联网中,实现对智能物流分拣跟随机器人的网络连接控制。建立Stewart型的参数识别模型,通过分析机器人的平台坐标系到指定平台的位姿分量,结合动平台空间稳态参数识别,得到机器人的位置变化和分布结构。综上分析,采用实值编码,通过反向运动学方程,采用深度学习算法,遍历各子种群的结构矩阵,构造解特征参数估计和鲁棒性参数识别的方法,结合激光跟踪仪器测量装置,实现智能物流分拣跟随机器人的输出终端控制设计。

3.实验测试。

通过仿真实验验证本文方法在实现智能物流分拣跟随机器人优化控制的性能,测试的智能物流分拣跟随机器人为Turtle-Bot2型机器人,采用姿态传感器进行智能物流分拣跟随机器人的空间位置参数采集,建立智能物流分拣跟随机器人的空间位置和几何位姿参数分析模型,空间三维分布参数见表1。

表1 机器人的作业空间三维分布参数

根据表1的参数采集结果,采用深度学习算法,实现智能物流分拣跟随机器人的输出终端控制,结合误差调节,得到智能物流分拣跟随机器人误差参数校正模型,输出见表2。

表2 误差校正输出

根据表2的误差校正结果得知,采用本文方法能有效实现智能物流分拣跟随机器人的作业参数误差补偿控制,提高了智能物流分拣跟随机器人的自适应参数调节和位姿参数补偿能力。

4.结语

根据位置参数分析和结构刚度特征分析的方法,建立智能物流分拣跟随机器人的输出轴连刚度分析模型,提高智能物流分拣跟随机器人的几何误差控制能力和输出稳定性。本文提出基于深度学习的智能物流分拣跟随机器人设计方法。机器人的设计核心在于深度学习控制算法设计,建立智能物流分拣跟随机器人的空间位置和几何位姿参数分析模型,采用位置误差补偿方法实现机器的末端位姿参数跟随识别,结合激光雷达、双目视觉识别技术,实现智能物流分拣跟随机器人的视觉参数识别。采用并联大负载多模式识别方法,构建了智能物流分拣跟随机器人运动学模型,通过深度学习算法,实现对智能物流分拣跟随机器人的末端执行器构造,通过超微参数估计和鲁棒性参数识别的方法,结合激光跟踪仪器测量装置,实现智能物流分拣跟随机器人的输出终端控制设计。分析得知,本文方法进行机器人设计,机器人智能控制能力较好,参数自标定能力较强,提高了机器人的智能物流分拣能力,收敛性较好。

猜你喜欢

位姿误差深度
四增四减 深度推进
深度理解一元一次方程
Beidou, le système de navigation par satellite compatible et interopérable
基于位置依赖的密集融合的6D位姿估计方法
船舶清理机器人定位基准位姿测量技术研究
简约教学 深度学习
优化ORB 特征的视觉SLAM
隧道横向贯通误差估算与应用
隧道横向贯通误差估算与应用
基于单目视觉的工件位姿六自由度测量方法研究