基于DBN模型的自主移动工业机器人定位抓取系统设计

杨 波，李明东

（1.四川文理学院，达州 635000；2.西华师范大学 计算机学院，南充 637002）

0 引言

自主移动工业机器人即：用于工业领域中自动执行作业任务的机器装置，其能够接受控制指挥，同时也可依据设定好程序自动完成任务，协助或者替代人员完成工业生产任务[1]；该类机器人具有良好的环境适应能力，并且灵活性能较高。工业机器人通常都是多关节或者多自由度结构，主要由三个主要部分和六个子系统组成[2]，分别时机械部分、传感部分和控制部分以及机械结构、驱动、感知、控制、人机交互、环境交互六个子系统；该类机器人的易用性和智能化水平更佳，并且生产效率以及安全性更好[3]。机器人在工业生产作业过程中，需精准完成工件定位和抓取，但是当下诸多生产线均为流水式作业，且工件类型较多，导致工业机器人对于工件的定位和抓取精度造成一定影响[4]。为实现自主移动工业机器人定位抓取，文献[5]和文献[6]分别对此展开研究后，设计基于3D-NDT和基于嵌入式的相关工业机器人定位系统。上述系统均可实现工业机器人的定位抓取，但是在运行过程中，无法预测抓取目标的状态参数。

因此，本文设计基于DBN模型的自主移动工业机器人定位抓取系统，该系统利用DBN模型良好的学习能力，将其与卡尔曼滤波相结合，提升工业机器人定位抓取精度。

1 自主移动工业机器人定位抓取系统设计

1.1 机器人定位抓取系统架构

本文在自主移动工业机器人定位抓取系统设计过程中，充分衡量工业生产作业的特点以及环境的多变和复杂情况，采用层次化完成系统设计，构建该机器人的定位抓取系统，系统共包含5个层次，分别是硬件层、驱动层、数据层以及控制层，系统整体架构如图1所示。

图1 自主移动工业机器人定位抓取系统架构

硬件层：该层主要包含机器人的自身机械结构、外围模块以及控制模块，其中主要有Exynos4412嵌入式处理器、外设摄像头、激光雷达、电机以及导航控制器等，其主要作用是机器人行驶时环境信息获取[7]、实现自主移动等。

驱动层：该层的主要作用是对硬件层内的各模块实行驱动，例如电机驱动器、雷达驱动、外设驱动PL端驱动等。该层的驱动核心控制器采用Stm32f103c8t6嵌入式芯片作为主控芯片，对所有驱动器进行统一控制。

数据层：该层主要在机器人操作系统中运行，主要作用是实现系统的运算处理，同时获取机器人传感器采集的数据信号，对采集的数据信号实行转换和分析后[8]，为驱动层提供控制依据。

控制层：该层作为系统运行的顶层，主要依据服务器端上位机和网络连接，实现和机器人之间的交互通信，并且该层也下达机器人定位抓取任务，同时，依据传感器采集的数据信号，完成导航地生成，保证机器人在移动过程中，精准完成障碍物躲避[9]；同时基于DBN模型实现机器人精准定位，控制机器人完成抓取；除此之外，该层能够对机器人的一定和任务执行，进行全面监控。

控制层下达机器人定位抓取任务后，机器人在驱动层的驱动下进行自主移动；并且则依据基础层的硬件设备采集作业环境的数据信息，数据层对采集的数据信息实行分析后[10]，将分析结果传送至控制层，生成导航地图，并依据地图控制机器人移动路径，完成机器人定位抓取。

1.2 硬件设计

1.2.1 实现机器人自主移动的驱动控制器结构

驱动层是保证机器人自主移动的基础，其主要是通过驱动器完成，由于驱动器的类别较多，因此，为保证更加的驱动效果，文中采用Stm32f103c8t6嵌入式芯片作为主控芯片，完成驱动层所有驱动器的控制，其结构如图2所示。

图2 驱动控制器结构

Stm32f103c8t6嵌入式芯片年内集成了CAN控制器、数据读取端口和数字转换器，以此保证系统和机器人之间的通信效果[11]；控制信号经由光耦放大模块输出后对H桥电路进行控制。

1.2.2 实现机器人控制的硬件层控制模块结构设计

硬件层的机器人车载平台上，包含多个部分组成，其在自主移动时，依据多个外部设备完成数据采集，包含激光雷达、超声波传感器、光电导航传感器、摄像头以及电机等；机器人的自主移动需通过控制器完成，实现机器人的自主导航，硬件层控制器结构如图3所示。

图3 硬件层控制器结构

硬件层控制器是在机器人接收控制层的定位抓取任务后，控制机器人的自主行驶，该控制器的核心为Exynos4412嵌入式处理器，该处理器内设有两种存储器以及核心控制板，以此保证更佳的控制效果。

1.3 机器人移动导航地图生成流程

机器人在导航过程中[12]，控制层需依据各类传感器采集的数据结果生成导航地图，为机器人的自主移动提供保障，本文采用基于同时定位与建图方法完成导航地图的生成，其流程如图4所示。

图4 导航地图生成流程

基于同时定位与建图方法在进行导航地图生成过程中，能够对机器人摄像头获取的视频图像特征进行提取，并且实现在线跟踪[13]；在生成时以摄像头的初始位姿为依据，生成局部地图；并且通过回环检测完成校正，对地图中相摄像头的位姿实行更新，保证地图拼接的精准性，完成全局导航地图生成。

1.4 自主移动工业机器人定位抓取实现

控制层对机器人进行定位抓取控制时，由于流水线上的目标一直属于运动状态中，并且机器人对目标进行抓取时，也存在一定的时间间隔[14]，因此，需先预测目标的位姿状态，保证机器人提前移动，并与目标同达到预测位置后，才可控制机器人进行抓取。文中采用DNB模型和卡尔曼滤波相结合的方法完成该位置的预测。该方法依据前者较好的学习和训练性能，完成DNB模型训练后，形成调节因子，对卡尔曼滤算法的噪声协方差矩阵实行调整，以此保证精准的定位效果。

1.4.1 基于DNB模型的机器人定位

卡尔曼滤波算法可在滤波过程中，将机器人的状态封装在状态空间内，经过循环迭代得出机器人实时移动状态的估计量；该算法在进行处理时，对获取的估计量实行处理后，结合得出接近于实际状态的信息结果。

如果算法对抓取目标状态信息rk的计算公式为：

式(1)中：Zk表示抓取目标状态观测向量；Hk表示抓取目标观测矩阵；表示先验估计状态。

卡尔曼滤波算法是一种线性滤波器，其可依据上一时刻抓取目标的状态估计值和当下的状态的观测结果，计算当下状态的估计值，无需依据历史观测结果。但是，机器人搭载的传感器在进行相关状态信息采集时，受到环境的而影响后，观测噪声较大，会导致状态估计结果存在一定误差。因此，对卡尔曼滤波算法的滤波增益实行调整，该调整通过对协方差进行调整实现，以此可提升卡尔曼滤波算法的自适应能力，保证其对目标状态估计的精度。协方差矩阵调整公式如式(2)所示：

式(2)中：Qk和Rk均表示协方差矩阵，且为调节后，前者对应系统噪声，后者对应观测噪声；SQk和SRk均表示调节因子。

上述调节因子的形成是通过DBN模型对Qk和Rk进行迭代学习后，完成模型自身训练得出，以此可提升卡尔曼滤波算法计算精度。

采用调整后卡尔曼滤波算法对抓取目标运动状态实行估计，其分为两个步骤，其详细步骤如下所述：

1）抓取目标状态方程

计算rk协方差矩阵的理论值，其计算公式如式(3)所示：

式(3)中：Pk，k-1表示协方差矩阵，对先验给估计误差；其中Φk，k-1表示转移矩阵；Γk，k-1表示干扰输入矩阵；Qk，k-1表示噪声协方差矩阵；T表示增益系数。

2）抓取目标的当下状态更新

计算rk方差的实际结果，其计算公式如式(4)所示：

式(4)中：M表示时间窗的大小；分别描述j时刻的噪声和噪声增益量。依据实际计算结果，完成抓取目标的状态信息更新。

1.4.2 目标抓取模型

完成抓取目标当下时刻状态预测后，进行目标抓取。正常情况下，抓取目标在流水线上均是匀速运动[15]，因此，目标的运动状态参数，可采用任一时刻下，目标的位置和速度描述；因此，上述小节更新得出的抓取目标状态xk，可理解成其在x和y两个方向的位置和速度为(xsk，ysk，xvk，yvk)，其计算公式如式(5)所示：

式(5)中：dt表示tk-1和tk两个时刻之间的间隔。

基于上述公式，抓取目标的运动模型公式如式(6)所示：

式(6)中：w表示流水线匀速运动速度参数。

由于通过机器人摄像头获取的图像只能观测目标位置，因此抓取，目标的观测模型zk的计算公式如式(7)所示：

依据式(7)即可获取z1=(x1，y1)观测量，结合其和式(4)的结果，获取抓取目各个时刻的位置和速度，即得出抓取目标的运动状态参数；以此为依据，完成机器人的移动轨迹和一定速度规划，同时控制层生成控制指令，控制机器人完成抓取。

2 测试分析

为测试本文系统对于自主移动工业机器人定位抓取的应用效果，以某毛绒、布偶玩具生产流水线上玩具目标抓取为测试对象，进行本文系统的相关测试。抓取采用的机器人为8自由度履带式自主移动抓取机器人；该机器人支持5G通信系统，为一体化移动底盘，末端设有柔性夹爪，转向结构为四轮差速转向，设有伺服刹车和防撞栏，其为独立驱动，最大行程为40km，轴距和轮距分别为50cm和60cm，装载3D视觉系统的采集摄像头，3D激光雷达系统、差分北斗定位系统。

在该企业生产管理后台和测试使用的机器人上，部署本文系统以及其相关硬件设备，进行系统测试。

导航地图的生成效果，直接影响机器人移动效果，为测试本文系统的机器人移动导航地图的生成效果，将机器人置于生产车间的机器人存放区，控制机器人移动，采集生产环境信息，生成导航地图，结果如图5所示。

图5 导航地图生成结果

依据图5测试结果可知：本文系统能够完成生产环境导航系地图生成，且生成的地图效果良好，能够准确呈现环境存在的障碍物位置，地图与成产车间的实际空间布置情况吻合。是由于本文系统为保证机器人的导航和移动效果，采用同时定位与建图方法完成导航地图生成，能够获取更为精准的地图结果。

为衡量本文系统生成的导航地图的精度，在生成的地图的横向和纵向两个方向上，随机选取10个故障点，以横向为参考，获取该故障点的测量值，并将该计算结果与实际结果实行对比，结果如图6所示。

图6 地图点标记效果

依据图6测试结果可知：通过本文系统生成导航地图后，导航内随机选择的10处故障点测量结果，与实际生产车间空间中的故障点的测量结果吻合程度较高，表示本文系统生成的导航地图精准性较高，能够从横、纵两个方向上，精准生成符合实际空间环境的导航地图，并且清晰呈现环境内的障碍物位置，为机器人自主移动提供可靠保障，使机器人避开障碍物，不会发生碰撞。

为测试本文系统对于抓取目标的速度和位置的预测性能，获取本文系统在抓取目标大小变化的情况下，其位置和速度的预测误差结果，如图7所示。两者允许存在的误差分别为±2cm和±0.2m/s。

图7 抓取目标状态预测结果

依据图7测试结果可知：抓取目标高度的逐渐增加，本文系统对于该目标位置的预测误差最高值为-1.4cm；速度的预测误差最高值0.14m/s，最小值为0.065m/s。上述误差结果均满足设定应用标准。并且噪声的增加，并没有导致预测误差结果增加。因此，本文方法可有效完成抓取目标状态参数预测。

为测试本文系统对于机器人的控制效果，在生产车间内，随机定位10个作业位置点，控制机器人移动至定位点位置，获取机器人的末端位置结果，控制标准为保障机器人的末端位置均位于选择的位置点处，如表1所示。

表1 机器人的位置控制效果

依据表1测试结果可知：在本文系统的控制下，机器人可精准移动至设定的作业位置，并且，机器人末端位置坐标结果与设定点的位置坐标结果几乎一致，差距极小。是由于本文系统在进行机器人控制时，采用嵌入式控制芯片进行控制，同时机器人平台也搭载导航控制器，采用双重控制器实现机器人的移动控制；并且导航地图生成效果精准，为机器人的移动控制提供精准保障。

为衡量本文系统的应用的应用性，依据导航地图设定两种目标抓取路径轨迹，控制机器人按照路径轨迹自主移动，使其达到抓取位置，获取其自主移动路径轨迹结果，如图8和图9所示。

图8 环形轨迹移动结果

图9 折线轨迹移动结果

依据图8、图9测试结果可知：本文系统控制后，机器人能够按照设定的移动路径轨迹达到抓取作业位置点，且移动轨迹与设定轨迹之间吻合。因此，本文系统的应用性良好，能够保证机器人更好的定位抓取效果。

3 结语

目前诸多工业在生产时，为了提高生产作业效率、降低人员成本，同时实现复杂环境下的作业安全，自主移动机器人则大量应用。在机器人作业时，为保证其对于目标的抓取精度，本文设计基于DBN模型的自主移动工业机器人定位抓取系统，并对该系统的应用效果展开相关测试。测试结果显示：本文所设计的定位抓取系统应用效果良好，能够精准生成导航地图，可靠判断环境中的障碍物，并且可在较小的误差下，预测抓取目标的状态参数；控制性能良好，能够依据设定路径轨迹，达到作业位置点。