CN109202885B - 一种物料搬运移动复合机器人 - Google Patents

Abstract

本发明公开了一种物料搬运移动复合机器人，包括以下模块：视觉抓取模块抓取目标物料的信息数据，对所述信息数据进行处理，与目标物料的关键特征信息对比，进行物料搬运移动过程中对目标物料的视觉抓取；麦克纳姆轮的运动控制模块进行复合机器人行走位姿控制；激光导航模块根据全局地图与局部地图来进行导航和最优路径规划，进行目标工位位置的粗定位；激光和声呐避障模块融合激光和声呐避障算法，进行行走避障。本发明具有目标物料抓取成功率高、定位准确、自主行走的有益效果。

Description

一种物料搬运移动复合机器人

技术领域

本发明涉及智能制造、自动化控制和智能机器人技术领域，尤其是涉及物料搬运移动复合机器人。

背景技术

目前物料搬运机器人一般依靠固定在物料周围的传统工业机器人进行码垛和拆垛，移动搬运机器人再来实现物料从起始点到目标点的搬运。其技术缺点是首先在目标端摆放的工业机器人进行拆垛，将物料搬运到AGV当中去。AGV将摆放好的物料运输到堆垛端，堆垛端的机器人再进行抓取，最后码垛摆放。这个过程至少需要3台机器人联合协作才能完成任务。其次不利于更多工位的需要，工位越多需要的机器人越多。最后是工序繁琐，机器人浪费严重。

发明内容

为解决上述技术问题，本发明采用的一个技术方案是：提供一种物料搬运移动复合机器人，包括以下模块：

视觉抓取模块，用于抓取目标物料的信息数据，对所述信息数据进行处理，将预先存储的目标物料的关键特征信息与所述信息数据进行对比，进行物料搬运移动过程中对目标物料的视觉抓取；

麦克纳姆轮的运动控制模块,用于进行复合机器人行走位姿控制；

激光导航模块，用于根据全局地图与局部地图来进行导航和最优路径规划，进行目标工位位置的粗定位；

激光和声呐避障模块，用于融合激光和声呐避障算法，根据激光和声呐避障算法进行物料搬运移动复合机器人行走中的避障；

所述物料搬运移动复合机器人根据所述视觉抓取模块对所述目标物料进行抓取，抓取目标物料后，所述麦克纳姆轮的运动控制模块根据所述激光导航模块对目标工位位置的粗定位，控制所述物料搬运移动复合机器人行进到所述目标工位处，在行进过程中通过激光和声呐避障模块进行避障。

一些实施例中，物料搬运移动复合机器人还具有二维码识别模块，用于根据所述目标处工位处的二维码识别，对所述目标处工位位置进行精确定位。

一些实施例中，所述物料搬运移动复合机器人的运动底盘采用的是麦克纳姆轮全方位轮系，所述麦克纳姆轮的运动控制模块对所述麦克纳姆轮全方位轮系进行运动控制。

一些实施例中，所述视觉抓取模块还利用七阶矩来识别所述目标物料的几何中心，使所述物料搬运移动复合机器人对所述目标物料进行精确抓取。

一些实施例中，所述视觉抓取模块利用七阶矩识别所述目标物料的几何中心的具体过程为：利用七阶矩提取所述目标物料的特征信息，公式如下：所述目标物料的(p+q)阶矩为：

用一阶矩M10和M01分别除以零阶矩M00得到的所述目标物料的质心坐标：

得到平移与缩放不变矩，这里定义：

其中，ν_pq是矩公式的中间变量，利用上式，得到所述七阶矩为：

所述七阶矩表示所述目标物料的大致位置信息。

一些实施例中，所述激光和声呐避障模块采用三层BP神经网络进行激光和声呐的数据融合，具体过程为：

根据激光与声呐避障的信息数据特点突破前四轴的逆解：所述神经网络拓扑结构分为三层，输入层有3个神经元，输出层有4个神经元，根据隐含层神经元选取准则，隐含层有4个神经元，设N个样本为 (P_j,α_j)，其中j＝1,2,…,N。P_j为网络输入向量，作为第j个位置样本，α_j作为第j个电机转角为网络输出向量；

由下式将机器人运动学的非线性映射转换为线性映射：

h_i＝f(w_iP_j+a_1i)

α_k＝f(w_kh_i+a_2k)

其中，w_i、a_1i为隐含层的节点i与输入层的权值和阈值；w_k、a_2k为输出层与隐含层间的权值和阈值；

大量样本输入到神经网络模型的输入端，可通过神经网络训练求解激光和声呐避障模块的数据信息；

将激光与声呐避障的信息数据代入到的神经网络模型，从而识别障碍物。

本发明的有益效果是：区别于现有技术的情况，本发明提供的能够实现如下有益效果：

(1)、采用机器视觉进行目标定位，避免了传统示教过程中由于机器人误差和底盘误差带来的抓取失败，提高了抓取成功率；

(2)、采用激光导航，能够保证复合机器人进行粗定位导航，保证了机器人能够不依靠人，进行自主行走；

(3)、采用二维码识别进行精确定位，能够保证复合机器人进行粗定位导航之后，依靠二维码进行二次导航校正调整机器人所在地图的位姿信息，保证了导航精度，保证机器人运动时的安全性，即不能发生碰撞；

(4)、激光导航模块采用全局路径和局部路径相结合，增加了复合机器人系统的灵活性。

附图说明

图1是本发明物料搬运移动复合机器人中激光与声呐避障模块采用三层BP神经网络进行数据融合的示意图；

图2是本发明物料搬运移动复合机器人一个实施例中软件平台的示意图；

图3是本发明物料搬运移动复合机器人一个具体实施例的结构示意图。

具体实施方式

本发明的目的是提供一种物料移动搬运复合机器人，能够利用最少的机器人和最少的工序将物料送入到指定的物料操作区。在物料抓取和物料码垛的过程中依靠机器视觉，实现自主的视觉抓取。复合机器人在自主定位移动到目标位置的过程中，实现实时的自主导航和避障。该复合机器人根据事先确定的任务自主进行全局路径规划，复合机器人在执行此路径的跟踪时，还要不断感知周围的局部环境信息。复合机器人不仅要完成避开附近的移动障碍物，而且要进行局部规划或局部路径修正。并且，在起始目标和终点目标进行视觉的实时定位和识别进行抓取。

本发明的物料搬运移动复合机器人包括以下模块：视觉抓取模块抓取目标物料的信息数据，对所述信息数据进行处理，将预先存储的目标物料的关键特征信息与所述信息数据进行对比，进行物料搬运移动过程中对目标物料的视觉抓取。麦克纳姆轮的运动控制模块进行复合机器人行走位姿控制。激光导航模块根据全局地图与局部地图来进行导航和最优路径规划，进行目标工位位置的粗定位。激光和声呐避障模块融合激光和声呐避障算法，根据激光和声呐避障算法进行物料搬运移动复合机器人行走中的避障。

本发明的物料搬运移动复合机器人的具体工作过程为：物料搬运移动复合机器人根据视觉抓取模块对目标物料进行抓取，抓取目标物料后，麦克纳姆轮的运动控制模块根据激光导航模块对目标工位位置的粗定位，控制物料搬运移动复合机器人行进到所述目标工位处，在行进过程中通过激光和声呐避障模块进行避障。

下面具体介绍每一模块的具体工作过程。

具体地，视觉抓取模块的具体工作过程为：摄像机通过拍摄目标物料的信息数据，对信息数据进行处理，采集到物料的关键特征信息，将特征信息与待抓取的物料特征信息进行对比，是否为同一目标物体，如果为同一目标物体则进行抓取。抓取的同时，利用七阶矩，来识别目标工件的几何中心，抓取过程中调节机器人位置，使得机器人能够精确环境抓取。七阶矩提取三维物体的特征信息公式如下：

其(p+q)阶矩为：

用一阶矩M10和M01分别除以零阶矩M00得到的是物体的质心坐标。

对于上述中心距，可得到平移与缩放不变矩，这里定义：

其中，ν_pq是矩公式的中间变量，利用上式，七阶矩为：

上述公式中的七个不变矩称为Hu不变矩的七阶不变矩，在目标平移、约束缩放、旋转下具有不变性的。该全局特征反应了目标物料图像的整体信息，其中还包括目标物体大致的位置信息。

麦克纳姆轮的运动控制模块的具体工作过程为：物料搬运移动复合机器人底盘运动的结构采用的是麦克纳姆轮全方位轮系。该麦克纳姆轮全方位轮系结构底盘平台能够适应各种复杂狭小地形，在拥挤小区域能够行走自如。麦克纳姆轮不仅搭载激光导航而且为工业机器人手臂提供移动操作平台。从而使得导航控制更为灵活，无运动控制死角和操作空间障碍。本发明将物料搬运移动复合机器人底盘模型推导分为根据Vx， Vy，V_Theta和W推算各轮轮速，及通过各轮速的码盘值反推位姿增量，从而确定当前码盘位姿。计算公式如下：

其中，Vx表示x轴方向速度，Vy表示y轴方向速度，Wz表示角速度。l横向轮距的一半(到质心的横向距离)，L竖向轮距的一半(到质心的竖向距离)。a车轮辊子的安装方向(a＝450)，所以cota＝1，根据轮速的转速换算出实际轮速。以上为计算码盘位姿公式，根据读取的码盘值，计算出位姿中各个成员的增量。每次对地图类中的各个数据进行更新。

激光导航模块的具体工作过程为：利用激光采集到的激光束信息进行地图创建后，就可以对复合机器人进行实时的定位。在复合机器人实现构建地图的过程中，激光束信息属于全局地图信息。在复合机器人行走的过程中采集到的激光束信息属于局部地图。导航技术将局部地图与全局地图匹配合进行数据信息融合并入全局地图中策略中，地图匹配与合并的核心是计算正确的地图转移量。这个地图转移量包含在X和Y方向的平移距离以及一个旋转角。地图转移量的计算需要找到地图之间的相似目标，进而验证地图根据该相似目标进行合并后的似然函数。本发明利用协方差矩阵来衡量地图转移量的计算需要找到地图之间的相似目标的程度，进而获得导航的预期值，协方差矩阵公式如下：

其中，S为投影函数所构建的协方差矩阵，H为f(·)的Hessian矩阵， K＝PHTS-1则为卡尔曼滤波增益矩阵，G为将激光雷达特征投影到视觉传感器坐标系下的投影矩阵对激光雷达坐标系的Hessian矩阵，I为单位矩阵。

激光和声呐避障模块的具体工作过程为：激光和声呐遇到障碍物都会进行反射，利用返回的数据信息可以精确的识别到障碍物。激光一般安排到车的前面，声呐安装在复合机器人车的周围。将激光与声呐避障相互融合，如图1所示，为本发明采用三层BP神经网络进行数据融合的示意图。

根据激光与声呐避障的信息数据特点，首先突破前四轴的逆解，如图1所示，神经网络拓扑结构共分为三层，输入层共有3个神经元，输出层有4个神经元，根据隐含层神经元选取准则，隐含层的神经元数量为输入层与输出层神经元的几何平均数，故设定为4。

设N个样本为(P_j,α_j)，其中j＝1,2,…,N。P_j为网络输入向量，作为第 j个位置样本，α_j作为第j个电机转角为网络输出向量。可经由下式将机器人运动学的非线性映射转换为线性映射。

h_i＝f(w_iP_j+a_1i)

α_k＝f(w_kh_i+a_2k)

其中：w_i、a_1i为隐含层的节点i与输入层的权值和阈值；wk、a_2k为输出层与隐含层间的权值和阈值。经由大量样本输入后，可通过神经网络训练求解目标导航数据信息。由于三层神经网络的神经元的数量较少，且本次选取的隐含层神经元数量较少，收敛速度较快，减小系统的运算开销。将激光与声呐避障的信息数据代入到神经网络模型求解完毕。

在激光与声呐避障相互融合下，可以进行障碍物的精确识别。激光扫描不到的盲区可以依靠声呐来补偿。声呐扫描的障碍物可以依靠激光来确认。其算法设计的最终目的即不能发生碰撞，也使得复合机器人可以绕开障碍物。

一些实施例中，物料搬运移动复合机器人还具有二维码识别模块，用于根据所述目标处工位处的二维码识别，对所述目标处工位位置进行精确定位。本发明中，将二维码设置于物料搬运移动复合机器人目标工位位置附近，为复合机器人进行导航定位时走到工作工位处进行二次定位。物料搬运移动复合机器人首次定位过程是利用示教器，操作服务机器人绕所在场景移动，使得激光扫描周围地图来构建基准地图，然后必须回到起始位置第一次定位完毕。物料搬运移动复合机器人麦克纳姆轮底盘下方的照相机，对二维码进行图像识别，获取二维码在相机中的位置信息，进行物料搬运移动复合机器人整体车的位置和姿态的调整，进行二次定位，保证机器人运动时的安全性，能够提高复合机器人的定位精度。

请参阅图2，为本发明物料搬运移动复合机器人一个实施例中软件平台的示意图。本实施例中，物料搬运移动复合机器人平台方案基于通用化平台和结构化模块的设计思想。该机器人控制平台分为两个部分：RBP 机器人平台和RSP通信平台。RBP(robot baseplatform)：机器人基础控制平台，既机器人最小平台，该平台辅助提供机器人运动、通信、编程、操作的基础功能、应用功能和统一的二次开发接口。其中主要包括：机器人运动学、机器人指令系统、手臂运动控制、底盘控制、激光系统、机器人执行和示教线程等部分。RSP(robot server platform)：机器人服务控制平台，该平台包含ECAT总线、Canopen总线，上电逻辑等部分。平台内部的功能控制系统采用E600板卡为控制器，同时配以电池电量监控模块、传感器采集模块、电机双轴驱动模块和信号转接模块等板卡完成整体机器人的运动控制和信息处理。

本发明的物料搬运移动复合机器人依靠硬件模块实现，请参阅图3，为本发明物料搬运移动复合机器人一个具体实施例的结构示意图。在本实施例中，物料搬运移动复合机器人包括工业机器人1、AGV机器人2、激光导航装置3、麦克纳姆轮4和控制开关5及声呐装置(图中未示出)。工业机器人1和AGV机器人2形成复合结构，减少了机器人的数目。激光导航装置3安排到车的前面，声呐装置安装在复合机器人车的周围。

麦克纳姆轮4不仅搭载激光导航模块3，而且还为工业机器人1的手臂提供移动操作平台。物料搬运移动复合机器人工作过程为：首先启动控制开关5进行启动，复合机器人依靠激光3进行导航定位。然后在激光导航装置3的控制下，复合机器人移动到操作台，工业机器人1进行视觉抓取定位，然后摆放到AGV2上。最后依靠激光3行走到目标点，工业机器人2将物料从AGV机器人上搬运到目标位置。这样就实现了复合机器人操作过程。

本发明通过麦克纳姆轮的运动控制,从而实现复合机器人行走位姿控制。激光导航，采用全局地图与局部地图结合实现导航和最优路径规划。激光和声呐避障功能，采用激光和声呐避障算法结合的方法，使得复合机器人拥有行走避障的能力。二维码识别功能，使得复合机器人进行精确定位，更新地图和位置信息，提高复合机器人行走精度。视觉抓取功能，将机器视觉技术应用到工业机器人当中去，实现了机器人视觉抓取，提高了抓取精度。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (5)

1.一种物料搬运移动复合机器人，其特征在于，包括以下模块：

视觉抓取模块，用于抓取目标物料的信息数据，对所述信息数据进行处理，将预先存储的目标物料的关键特征信息与所述信息数据进行对比，进行物料搬运移动过程中对目标物料的视觉抓取；

麦克纳姆轮的运动控制模块,用于进行复合机器人行走位姿控制；

激光导航模块，用于根据全局地图与局部地图来进行导航和最优路径规划，进行目标工位位置的粗定位；所述最优路径规划的具体过程为：根据事先确定的任务自主进行全局路径规划，在执行此路径的跟踪时不断感知周围的局部环境信息在避开附近的移动障碍物的同时进行局部规划或局部路径修正；

激光和声呐避障模块，用于融合激光和声呐避障算法，根据激光和声呐避障算法进行物料搬运移动复合机器人行走中的避障；

所述物料搬运移动复合机器人根据所述视觉抓取模块对所述目标物料进行抓取，抓取目标物料后，所述麦克纳姆轮的运动控制模块根据所述激光导航模块对目标工位位置的粗定位，控制所述物料搬运移动复合机器人行进到所述目标工位处，在行进过程中通过激光和声呐避障模块进行避障；

所述激光和声呐避障模块采用三层BP神经网络进行激光和声呐的数据融合，具体过程为：

根据激光与声呐避障的信息数据特点突破前四轴的逆解：所述神经网络拓扑结构分为三层，输入层有3个神经元，输出层有4个神经元，根据隐含层神经元选取准则，隐含层有4个神经元，设N个样本为(P_j,α_j)，其中j＝1,2,···,N；P_j为网络输入向量，作为第j个位置样本，α_j作为第j个电机转角为网络输出向量；

由下式将机器人运动学的非线性映射转换为线性映射：

h_i＝f(w_iP_j+a_1i)

α_k＝f(w_kh_i+a_2k)

其中，w_i、a_1i为隐含层的节点i与输入层的权值和阈值；w_k、a_2k为输出层与隐含层间的权值和阈值；

大量样本输入到神经网络模型的输入端，通过神经网络训练求解激光和声呐避障模块的数据信息；

将激光与声呐避障的信息数据代入到神经网络模型，从而识别障碍物。

2.根据权利要求1所述的物料搬运移动复合机器人，其特征在于，还具有二维码识别模块，用于根据所述目标工位处的二维码识别，对所述目标工位位置进行精确定位。

3.根据权利要求1所述的物料搬运移动复合机器人，其特征在于，所述物料搬运移动复合机器人的运动底盘采用的是麦克纳姆轮全方位轮系，所述麦克纳姆轮的运动控制模块对所述麦克纳姆轮全方位轮系进行运动控制。

4.根据权利要求1所述的物料搬运移动复合机器人，其特征在于，所述视觉抓取模块还利用七阶矩来识别所述目标物料的几何中心，使所述物料搬运移动复合机器人对所述目标物料进行精确抓取。

5.根据权利要求4所述的物料搬运移动复合机器人，其特征在于，所述视觉抓取模块利用七阶矩识别所述目标物料的几何中心的具体过程为：

利用七阶矩提取所述目标物料的特征信息，公式如下：

所述目标物料的(p+q)阶矩为：

用一阶矩M₁₀和M₀₁分别除以零阶矩M₀₀得到的所述目标物料的质心坐标：

为了得到平移与缩放不变矩，定义：

其中，ν_pq是矩公式的中间变量，利用上式，得到所述七阶矩为：

所述七阶矩表示所述目标物料的大致位置信息。

Images