基于Delta机器人的食品生产线动态目标抓取方法

毕宪东 王 振 李朝龙

(1. 安阳中等职业技术学校，河南 安阳 455000；2. 河南科技大学，河南 洛阳 471000；3. 华北理工大学，河北 唐山 063210)

近年来，随着“工业4.0”浪潮席卷全球，各国都在关注制造业的转型和精细化，提高制造业的自动化水平是大势所趋[1]。机器人是自动化时代的象征，是智能时代的基石[2]。以工业机器人技术为代表的智能化生产线越来越受到人们的重视，Delta机器人凭借诸多优点在食品、医药等轻工生产中应用广泛。目前，国内外对Delta机器人相关技术的研究较多，但对Delta机器人抓取方法的研究较少。苏婷婷等[3]提出了一种基于法拉利方法的动态物体抓取方法。结果表明，相比于传统方法，该抓取位置的计算更加准确、快速，满足实时性要求，不需要设置初始值，使用方便。郝大孝等[4]提出了一种新的动态抓取方法用于Delta机器人抓取控制。结果表明，该方法的抓取成功率小于2%，误抓率为0，满足抓取的实时性要求。陈志伟等[5]提出了一种基于机械视觉的平面抓取方法用于Delta机器人控制。结果表明，机器视觉与并联机器人相结合能够准确地识别、抓取和放置工件。胡斐等[6]提出了一种基于改进粒子群优化算法的Delta机器人抓取控制方法。以路径最短和稳定性最优为优化目标，通过粒子群优化轨迹。结果表明，相比于优化前，该控制方法抓取效率得到大幅提高，对机构末端的影响降到最低。但上述方法都存在抓取动态目标时稳定性不足、泛化能力弱等问题，需要进一步提高适应性。

因此,研究提出一种新的动态目标抓取方法用于食品生产线Delta机器人的抓取控制。通过传送带的偏移量和编码器的反馈值计算目标的动态位置，优化目标的抓取顺序。采用门型轨迹与改进的梯形加减速算法相结合用于Delta机器人的动态目标抓取。并通过试验进行了验证。旨在为中国食品生产线的智能化发展提供一定参考。

1 系统概述

Delta机器人抓取系统结构如图1所示，由3个主要部分组成：控制系统、视觉系统和执行机构[7]。视觉系统直接安装在传送带上方的进料口。相机采集信息被发送到控制系统，控制系统结合抓取路径和方式确定抓取位置[8]。执行机构为机器人本体，根据控制指令对目标进行抓取。

图1 系统结构

图2为食品生产线中的Delta机器人结构，由四部分组成：动、静平台和主、从动臂[9]。静平台上配备减速器，采用法兰将减速器与伺服电机连接，通过球形铰链将动平台与从动臂连接，每个支链包括主、从动臂。

1. 静平台 2. 主动臂 3. 从动臂 4. 动平台

2 动态抓取方法

文中通过传送带的偏移量和编码器的反馈值来计算目标的动态位置，优化目标的抓取顺序，结合门型轨迹和改进的梯形加减速算法进行动态目标抓取。

2.1 传送带标定

图3 传送带示意图

点P1和P2分别为机器人抓取区域的上、下限点，其坐标为RP1(x1,y1,z1)和RP2(x2,y2,z2)。机器人移动到P1点和P2点的编码器值分别为c1、c2。点P3为靠近机器人边缘点(传送带)，其坐标为RP3(x3,y3,z3)，O′为相对坐标原点。比例因子可以采用实际距离除以脉冲数进行计算，如式(1)所示[10]。

(1)

由于P3O′垂直于P1P2(见图3)，根据向量几何关系可以得到式(2)[11]。

(2)

根据式(2)即可求出O′的坐标，传送带基座坐标系如式(3)所示[12]。

(3)

(4)

(5)

式中：

△L——传送距离[△L=(cn-c0)dc]，mm。

2.2 目标动态位置

不考虑波动情况，当相机识别并定位目标时，将目标坐标记为(x0,y0)，将此时间记为t0，编码器的脉冲值c0。因此，根据编码器反馈值，目标在任意时间t1的坐标(xt1,yt1)如式(6)所示[14]。

(6)

但是皮带沿直线移动，在y方向上会有一定的偏移。y方向偏移标记为yr，目标动态如式(7)所示。

(7)

2.3 Delta机器人动态抓取位置

将点A作为机器人的初始位置，点B作为目标食物的坐标，在点B抓取目标食品[15]。根据机器人的运行时间和传送带的运行时间，机器人在点C抓取。机器人的实际抓取路径为AC。点C的坐标如式(8)所示[16]。

(8)

由于机器人初始位置A的坐标(xrob,yrob)已知，机器人的末端位移s如式(9)所示[17]。

(9)

文中采用门型轨迹进行轨迹规划，在一定程度上降低了位移弯曲点的振动和行程[18]。如图4所示机器人根据P1—P2—P3—P4—P5—P6轨迹进行抓取。

图4 抓取运行路径

Delta机器人采用门型轨迹进行规划，考虑到机器人高速运行时加速度很大且振动剧烈，文中采用改进的梯形加减速算法控制机器人，加速度如式(10)所示[19]。

(10)

在实际抓取过程中，通常P1—P2和P5—P6段的路径较短，P3—P4段的路径较长。因此，可以引入调整参数来提高P1—P2和P5—P6段机器人的平滑度和P3—P4段的初始速度。改进后的加速度如式(11)所示[20]。

(11)

对式(11)进行积分可以得到如式(12)所示的速度v(初始和终止速度均为0)[21]。

(12)

对式(12)进行积分可以得到如式(13)所示的位移s(初始位移为0)[22]。

(13)

将t=T代入式(13)中，可以得到时间T，如式(14)所示。

(14)

结合式(8)、式(9)和式(14)，可以得到机器人实际抓取点坐标。

2.4 动态抓取顺序优化算法

在机器人动态抓取过程中，视觉系统依次识别目标物体，然后机器人按照识别目标的顺序对目标进行排序[23]。视觉识别的顺序是随机的，这会增加抓取路径，降低抓取效率。文中以超出工作范围的时间和最短抓取路径为约束，提出一种顺序优化方法。

食品盘长约600 mm，最多可容纳24个月饼，托盘中的目标对象在相机视野中不完整。因此，需要多次采集，而多次采集会出现重复现象。因此，首先要消除图像的重复。文中采用相机距离间隔拍摄采集图像，通过实际测试，选择相机视野长度的1/2作为相机拍摄的距离间隔。由于距离间隔小于视野的长度，相邻图形存在重复目标。由于传送带沿水平方向直线移动，相邻图像后一幅的重叠目标坐标如式(15)所示。

(15)

式中：

c1、c2——图像1和图像2的编码器值。

上述分析的是一种理想的情况，在实践中会出现误差。因此，有必要引入误差值εx和εy。误差小于εx和εy，确定为重复目标进行消除。

假设传送带沿x轴方向移动，机器人抓取区域上限在x方向的坐标为xup和下限坐标为xdown，传送带的运行速度为v，目标物离开工作区的时间T可用式(16)计算。

(16)

式中：

xd——抓取目标首次进入抓取空间的x方向坐标。

按T时间排序的目标采集顺序记为Srank，并对其进行优化，为了提高机器人的抓取率，可以考虑最短分拣路径的抓取模式。

假设有两个目标物体A和B，坐标分别为(xa,ya)和(xb,yb)，机器人起始位置的坐标O为(x0,y0)，对应两个放置点F1和F2的坐标(x1,y1)和(x2,y2)。机器人抓取路径为O→A→F1→B→F2，位移如式(17)所示。

(17)

式中：

t1——机器人将第一个目标物体从起始点放置到目标位置所需的时间，s。

总路径SAB是上述四段的总和。同理可以得到先抓B后抓A的距离SBA。t1可由式(18)求得。

(18)

根据上述思路，找到最优抓取顺序。

3 结果与分析

3.1 试验参数

为了验证所提控制方法的有效性，对优化前后的控制方法进行对比分析。为了确保准确性，对优化前后两种抓取方法进行多次试验取平均值。Delta机器人采用PMAC系列运动控制器、交流伺服驱动器A-SV15、伺服电机60ST-M0190、减速机PLX60-5和相机acA1600-20gc-Baslerace。电脑为联想PC，操作系统为windows 10 64位旗舰，Intel i5 2450m CPU，2.5 GHz主频，8 GB内存，人机界面由VS2018开发。

3.2 顺序优化分析

为了验证顺序优化方法的性能，与未优化效果进行对比分析。通过机器人视觉识别图像中的目标，去除图像中目标物体的重复后，重新排列机器人的目标抓取顺序。图5为Delta机器人抓取顺序优化前后对比图。

从图5(a)中可以看出，未优化的抓取顺序为识别序列随机排序，非常混乱，第一个抓取目标位于最后，此外，抓取目标14和15位于图像两端，大大增加了机器人的抓取路径。同时，如果传送带速度过快，目标物体可能会跑出工作区域。从图5(b)可以看出，Delta机器人的优化抓取顺序为最优顺序，抓取路径明显短于优化前。通过缩短机器人的路径，来提高抓取效率。

图5 优化前后的抓取顺序

3.3 性能分析

对文中方法在抓取稳定性和效率方面的性能进行试验验证，为了尽可能接近实际工况，将相机的拍摄频率设置为100帧，传送带速度分别设置为20，30，40 mm/s。末端的最大速度和加速度分别为v=4 m/s、amax=300 m/s2。通过优化目标物体的抓取顺序，提高机器人抓取效率。月饼托盘长600 mm，Delta机器人抓取最大长度600 mm，目标总数为240个，机器人进行动态抓取试验。

3.3.1 抓取成功率 通过实际抓取试验，对优化前后抓取成功率进行了对比分析。共有240个月饼，确保每次测试中，传送带上的食品数量、分布密度和抓取速度相同。对优化前后两种抓取方法进行多次试验以获得平均值，结果如表1所示。

表1 抓取方法优化前后准确率对比

从表1可以看出，整个系统的目标识别率相对稳定。在相同的食品运输速度下，如果未优化机器人抓取顺序，随着带速增加不断降低。输送速度为20 mm/s时抓取成功率为96.67%，输送速度为30 mm/s时抓取成功率为91.17%，输送速度为40 mm/s时抓取成功率为83.75%，优化后分别提高到100.00%，100.00%，95.83%。优化后，当输送带速度为20，30 mm/s时，不存在漏抓现象，但当传送带速度增加到40 mm/s时，存在漏抓现象，主要原因是机器人的抓取频率跟不上传送带的运输能力。

3.3.2 分拣效率 当传送带速度相同且食品分布密度相同时，记录抓取240个月饼的总时间，并重复30次取平均值。根据试验数据，计算优化前后的平均抓取率，结果见表2。

从表2可以看出，在相同的带速下，对目标物体的优化后Delta机器人的抓取效率得到了显著提高。主要原因是由于排序的随机性，抓取目标分布混乱，等待时间较长，随机排序会增加机器人的路径。

表2 抓取方法优化前后效率对比

4 结论

针对食品生产线中Delta机器人的抓取控制问题，提出了一种新的动态目标抓取方法。通过传送带的偏移量和编码器的反馈值计算目标的动态位置。为了优化目标的抓取顺序，采用门型轨迹与改进的梯形加减速算法相结合实现动态目标抓取。结果表明，当传送带速度为20，30 mm/s时，无漏抓现象，效率分别达到0.860，1.130个/s。与优化前的方法相比，优化后的方法可以有效提高Delta机器人抓取效率和准确率。但试验中采用位置预测方法计算实际抓取位置，在实际应用中存在打滑等情况导致抓取误差，有必要结合新的方法分析传送带偏差情况，改进序列优化算法，进一步提高Delta机器人的智能化水平。