论文部分内容阅读
在安全生产事故处置的应用场景中,由于延时造成的执行机构过操作、欠操作、视觉盲区误操作等情况;而且目标物体的形状不同,与执行机构末端的相对位置并不固定;这些都对执行机构的精确定位产生很大影响,定位误差的快速补偿比较困难,系统成本较高。针对以上问题,研究基于简易深度成像设备的目标物体识别与位置确定、深度信息提取、执行机构末端运动状态跟踪、目标与末端的定位误差修正。创建视觉-基座-关节-末端-目标物体之间的坐标系关系,驱动非标准化五转动副刚性开链连杆执行机构(non-standardized five-revolute open-chain linkage rigid actuator, NSA)到达目标位置。主要研究方法有:(1)通过建立NSA的运动学和动力学模型,生成各关节及末端的空间运动范围;基于“向量积”方法,确定逆运动学解的取值区间及其表达式;提出一种带有尺度变换的学习向量量化神经网络(learning vector quantization neural network, LVQNN)和运动学性能评价规则,对NSA的空间轨迹进行评估;依据评估结果和NSA各关节的驱动力,得到执行机构的最优空间轨迹规划。(2)NSA的雅可比矩阵和连杆坐标系往往难以确定,导致任务空间的定位性难以分析。提出并证明了综合型定位方法的充分必要条件;基于反向传播的多层感知人工神经网络(multilayer perceptron neural network, MLP)对逆运动学模型进行简化;通过可定位性函数判断执行机构定位到目标点的性能。(3)建立世界坐标系、基座坐标系、关节坐标系、末端坐标系和视觉坐标系,计算坐标系之间的变换关系矩阵;视觉-末端坐标系变换的理论模型是一个多元多项式优化方程,采用凸线性矩阵不等式LMI对多项式进行全局优化。将Kinect测量的2D信息映射到执行机构基座空间坐标系内,实时获取NSA末端的位置。(4)在执行机构自主定位过程中,目标物体的识别和末端定位等任务的在线分析,采用一种简易深度成像设备(Kinect)的视觉伺服系统。提出两种目标识别算法,基于误差反向传播(back propagation,BP)神经网络的分类思想和基于加速鲁棒特征(speed up robust features,SURF)的图像匹配;结合深度数据计算目标物体的形心(target center, TC)。(5)在定位过程中,提出基于三帧差法的Kalman滤波进行末端动态捕捉,并估计其动态位置;根据深度视频流,提出批处理点云模型计算末端空间坐标,并计算其中心点坐标(end-effector center,EEC); EEC逐步逼近TC,若位置误差在允许范围内,表明定位成功;采用径向基函数(radial basis function, RBF)和形态学处理对目标点云进行拟合,验证了定位算法的有效性。通过仿真和实验,可以得到如下结果:(1)带有尺度变换的改进型LVQNN对各关节和末端的空间轨迹进行评估,可以指导NSA的实际操作,为NSA的轨迹规划和精确控制提供参考依据;通过计算各关节的驱动力和连杆转动惯量,表明此执行机构能够满足动力学要求。(2)基于MLP神经网络来简化逆运动学模型,在满足精度要求的前提下,提高了 NSA逆运动学求解效率,可以对可定位性函数进行定量分析,对执行机构的可定位性进行最优配置;对可定位性充要条件进行证明,计算NSA末端任务空间的运动范围;空间中一点p=(41.4,89.0,104.5)/cm,可定位性最小值为reachability(DH)=0.96,最优运动学函数值configuration(DH)=4.039e14。(3)通过计算分别得到“eye-in-hand”和“eye-to-hand”方式下的坐标系变换矩阵,即基座-末端-视觉-目标之间的位姿关系;通过Kinect标定(相机-图像坐标系变换),得到Kinect的内部参数和外部参数;通过2D到3D映射模型计算目标区域的空间坐标。(4)待识别的目标物体有圆柱形、方形和球形,BP网络分类值.0.1、0.2和1分别表示圆柱形、方形和球形目标,BP分类与实际分类基本上一一对应,目标物体的识别率为0.99;同时,得到圆柱形的TC坐标。基于SURF的类内识别(同一物体的不同图像是相近的)在两个场景下进行,待识别的目标称为测试样本,已注册的目标称为注册样本。测试样本与注册样本之间的相似度用匹配率来描述,衡量目标的识别效果。对测试样本添加旋转和缩放变换,分别得到它们的匹配率、计算时间和匹配对数。(5)基于Kinect信息的自主定位算法,可以在短时间内修正末端位置误差,末端中心点的位置逐步收敛到目标形心,表明自主定位成功。因此,提出的方法能够完成自主定位监控、误差测量与补偿,提高了大运算处理能力,改善了系统效率。通过以上研究方法和实验结果得出如下结论:NSA能够满足运动学和动力学要求,具有实用价值;目标物体的识别率为0.99表明提取的特征是全面的、关键的,识别算法是合理的;基于简易深度成像设备的自主定位算法,能够完成目标物体的识别及空间位置的确定,能够检测并跟踪运动中的NSA,并完成其状态估计,实时获得EEC;根据EEC收敛到TC的状态和误差来修正NSA运动,在一定误差范围内EEC与TC是重合的,表明定位成功;同时,系统坐标系之间的变换使末端-视觉坐标系关系协调一致,得到2D到3D的目标点云映射,完成了定位过程的目标点云拟合,验证了算法的有效性。