智能垃圾分类拾捡机器人抓取目标定位方法

李绘英

(九江职业大学 智能制造学院,江西 九江 332000)

智能垃圾分类机器人承担垃圾搬运、拾捡、打包环节等工作,其中,拾捡作业就是按照抓取要求拣选混放的多种垃圾,严格来说,机器人必须具有决策任务、移动抓取、物品交互等行为能力。目前,分类型机器人的设计主要借助综合感知、决策执行等多项技术手段,实现垃圾清理、巡逻、环境监测等功能。这就意味着为使机器人在分拣垃圾的过程中拥有自主判断及运动规划的能力,就必须联合网络主机对机械部件的行为能力进行全方位的控制[1]。为更好适应各行各业对分类机器人的需求量不断增大的发展情况,需要将先进的人工智能技术与智能化机械设计思想结合起来,一方面对抓取行为过程中的目标对象进行精准识别,另一方面灵巧抓取行为路径内的拾捡物体。

机器人行为过程中的抓取误差主要表现在横向坐标轴、纵向坐标轴、空间向坐标轴三个方向上。在消除坐标误差方面,王煜升等人在期望位置模型的支持下,通过针对性估计的方式,识别抓取目标所处位置,并根据目标节点的轮廓还原结果,建立位置模型库,再将待检测目标分别与模型库内的节点参量进行匹配,以确定当前行为模式下,机器人是否能够准确抓取到预设拾捡目标[2]。张震等人建立了一种新的特征描述子定义条件,规定所提取到的目标对象就是机器人抓取行为的中心节点,利用二维Gauss函数,求解机器人抓取行为的偏导执行结果,再在局部二值模式下,定义目标拾捡对象所处的具体位置[3]。

深度学习是在学习过程中获得大量的数据样本,以便于主机元件可对整个学习流程进行规划与完善。相较于其他类型的学习算法,深度学习模型的最终目标就是使机器能够具有与人类似的分析与学习能力,并以此为基础获得更加真实的数据分析结果[4]。在计算机网络环境中,深度学习算法的应用有助于获得更加真实的数据样本提取与识别结果。随着机器人行为模式的不断复杂化,双目视觉传感器、Shi-Tomasi和改进LBP的定位方法并不能保证抓取目标节点与定位节点的高度重合关系,故而也就不能将两类节点之间的坐标误差控制在较低的数值范围之内。为解决上述问题,以深度学习模型为基础,设计一种新型的智能垃圾分类拾捡机器人抓取目标定位方法,并通过对比实验的方式,突出该算法的实际应用价值。

1 基于深度学习的抓取目标检测

深度学习模型是依照神经网络规则制定的卷积运算类模型结构,由多个神经元节点共同组成,在输入数据置信等级完全相同的情况下,深度学习模型可以同时训练大量的信息参量,且只要输入数据的编码形式相同,那么与之相关的输出数据编码形式也就完全相同。定位智能垃圾分类拾捡机器人抓取目标时,深度学习模型结构中主要包含输入层、学习层、输出层三类节点对象[5]。其中,输入层节点负责录入机器人抓取目标位置信息,在数据样本学习的过程中,该类型节点不具备改变信息参量编码形式的能力。学习层节点负责对已录入的机器人抓取目标位置信息进行决策与加工处理,并可以按照深度学习条件,将这些数据信息参量整合成多个输出单元。输出层节点负责向外反馈完成处理的机器人抓取目标位置信息,为保证机器人抓取目标定位结果的准确性,主机元件要求同一类信息参量在完成学习处理时与反馈输出后的编码形式应保持一致[6]。完整的深度学习模型结构如图1所示。

图1 深度学习模型结构

目标函数是基于深度学习模型所定义的特殊线性计算函数。依照该函数表达式,主机元件对智能垃圾分类拾捡机器人抓取目标位置信息的处理具有明显的规律性特征,即在抓取目标位置信息取值趋近于负无穷时,深度学习目标函数的求解结果也趋近于负无穷;在抓取目标位置信息取值趋近于正无穷时,深度学习目标函数的求解结果也趋近于正无穷;在抓取目标位置信息取值为零时,深度学习目标函数的求解结果也等于零[7]。深度学习模型对于拾捡机器人抓取目标位置信息的决策曲线如图2所示。

图2 深度学习模型对于数据信息参量的决策曲线

(1)

对于智能垃圾分类拾捡机器人抓取目标的检测由数据集合定义、抓取目标检测值求解两部分组成。数据集合就是包含所有智能垃圾分类拾捡机器人抓取目标位置信息的数据样本空间,对于主机元件而言,其在定位机器人抓取目标时,取样的每一个数据信息参量都必须属于依照深度学习模型所定义的数据集合[8-9]。抓取目标检测值求解就是在数据集合中选择多个目标信息对象,再联合目标函数表达式,计算检测值指标的实际数值范围。

(1)数据集合如式(2)所示。

(2)

(2)抓取目标检测值求解如式(3)所示。

(3)

式(3)中,a1、a2、…、an表示数据集合中n个不相等的数据参量,表示目标信息检测系数。

(3)抓取目标检测表达式如式(4)所示。

(4)

2 智能垃圾分类拾捡机器人抓取目标定位方法设计

尺度空间可以用来描述智能垃圾分类拾捡机器人抓取行为平面的排列关系。按照深度学习算法定位机器人抓取目标时,不可能只选择一个行为平面作为目标数据定义区域,且多个行为平面同时存在的情况下,目标数据的排列形式也很难保持完全一致的状态。但若按照深度学习算法定义统一的尺度空间模型,则可以为关联行为平面提供唯一的定义架构,从而在保障行为平面完整性的同时,使目标数据在同一平面内保持统一的排列形式[10-11]。在尺度空间模型中,上级行为平面可向下级行为平面提供映射投影,且在投影区域内,上、下及平面内的目标数据统一性分布关系能够得到较好保障。基于深度学习的机器人抓取目标尺度空间模型结构如图3所示。

图3 基于深度学习的机器人抓取目标尺度空间模型

(5)

主机元件对机器人抓取对象的标定从横轴、纵轴、空间轴三个方向同时进行。横轴方向上的抓取对象标定决定了智能垃圾分类拾捡机器人在水平方向上的行为能力,在机器人行为幅度保持不变的情况下,横轴方向上标定值指标的取值越大,就表示待抓取目标在水平方向上的定位距离越远[12]。纵轴方向上的抓取对象标定决定了智能垃圾分类拾捡机器人在竖直方向上的行为能力,纵轴方向上标定值指标的取值越大,就表示待抓取目标在竖直方向上的定位距离越远。空间轴方向上的抓取对象标定决定了智能垃圾分类拾捡机器人在三维尺度空间内的行为能力,空间轴方向上标定值指标的取值越大,就表示待抓取目标在三维尺度空间内的定位距离越远[13]。

在式(5)的基础上,可将横轴、纵轴、空间轴三个方向上的标定向量分别如式(6)所示。

(6)

式(6)中,KX表示水平方向上的机器人抓取行为幅值,ΔLX表示水平方向上的机器人抓取目标定义距离,KY表示竖直方向上的机器人抓取行为幅值,ΔLY表示竖直方向上的机器人抓取目标定义距离,KZ表示三维尺度空间内的机器人抓取行为幅值,ΔLZ表示三维尺度空间内的机器人抓取目标定义距离。

利用式(6),推导机器人抓取对象标定表达式如式(7)所示。

(7)

式(7)中,μ表示基于深度学习的机器人抓取对象辨别参数,m表示非零条件下的目标点计数值,bm表示基于参数m的目标节点阈值向量,b0表示零值条件下目标节点阈值向量的初始取值。

对于智能垃圾分类拾捡机器人抓取目标物体而言,仅仅掌握目标对象标定表达式还不够,还要对定位条件进行估计,才能确保定位结果的准确性。结合目标定位过程的特点,主机元件依照深度学习算法选择目标节点时,只有保证尺度空间模型的完整性,才能获得较为理想的定位结果[14-15]。

对于抓取目标定位条件的估算参考如下表达如式(8)所示。

(8)

利用式(8),推导智能垃圾分类拾捡机器人抓取目标定位表达式如式(9)所示。

(9)

式(9)中,t表示基于深度学习的抓取目标定位参数,e1、e2、…、en表示不同的抓取目标节点定义向量。为避免错误抓取拾捡目标情况的出现,主机元件在定位智能垃圾分类拾捡机器人抓取目标时,应排除同一行为轨迹内完全重合的目标节点。

3 实验分析

为突出说明基于深度学习的智能垃圾分类拾捡机器人抓取目标定位方法、双目视觉方法、文献[3]Shi-Tomasi和改进LBP算法的实用差异性,设计如下对比实验。

3.1 实验准备

本次实验选择T7S Plus型智能垃圾分类拾捡机器人作为实验对象,在其行为半径内放置一条输送带,并在输送带上放置不同类型的垃圾,作为机器人抓取目标,详情如图4所示。

图4 智能垃圾分类拾捡机器人抓取目标

机器人每拾捡一个目标垃圾,并将其投放至正确的分类箱之中为一个抓取行为周期,本次实验共设置6个抓取行为周期。测试用的输送带垃圾来源于某家庭生活垃圾。该家庭中放置了不同类型的可回收物、有害垃圾、湿垃圾和干垃圾等垃圾桶,其中包含塑料瓶、纸张、金属罐、电池、食物残渣等不同类型垃圾的物品。

3.2 实验原理和结果分析

不能准确定位抓取目标所处位置,是导致智能垃圾分类机器人错误抓取拾捡目标的主要原因。本次实验首先记录定位节点坐标的具体数值,所得结果记录为标准值;然后分别从横轴、纵轴两个方向上定义抓取目标节点的实际坐标(本次实验过程中,智能垃圾分类机器人对于拾捡目标的抓取行为只存在于平面范围内,所以只需参考横轴、纵轴两个方向上的实验结果);最后根据标准值与实验值之间的坐标差,总结实验规律。

图5反映了定位节点坐标标准值在横轴、纵轴两个方向上的数值变化情况。

分别应用基于深度学习的智能垃圾分类拾捡机器人抓取目标定位方法(实验组)、双目视觉方法(对照A组)、Shi-Tomasi和改进LBP算法(对照B组)进行实验,并记录不同方法作用下,抓取目标节点实际坐标在横轴、纵轴方向上的数值变化情况。抓取目标节点实际坐标的横轴坐标数值如图6所示。

(实验组)

分析图6可知,实验组抓取目标节点横轴坐标的数值变化情况与标准值相同,且二者最大值的差值水平仅为0.01m。对照A组、对照B组抓取目标节点横轴坐标的数值变化情况与标准值具有较大差异性,其最大差值分别为0.25m、0.55m,远大于实验组差值水平。

抓取目标节点实际坐标的纵坐标数值如图7所示。

(实验组)

分析图7可知,实验组抓取目标节点纵轴坐标的数值变化情况与标准值相同,且二者最大值的差值水平仅为0.02m。对照A组、对照B组抓取目标节点纵轴坐标的数值变化情况与标准值也具有较大差异性,其最大差值分别为0.23m、0.11m,也远大于实验组差值水平。综合上述实验结果可知,应用基于深度学习的智能垃圾分类拾捡机器人抓取目标定位方法,可以有效解决抓取目标节点与定位节点间坐标差较大的问题,不会因为无法准确定位抓取目标所处位置,而造成智能垃圾分类机器人错误抓取拾捡目标的情况,与实际应用需求相符合。

结语

所提方法在深度学习模型的基础上,对抓取目标进行检测后,在目标尺度空间内,标定机器人抓取对象所处位置,从而根据目标定位估算条件,实现对机器人抓取目标的准确定位。对比实验结果表明,深度学习定位方法的应用可以有效控制抓取目标节点与定位节点之间的坐标差水平,在准确定位抓取目标所处位置方面,具有较强的实用可行性。