CN111633657B - 一种基于装配状态认知的机器人柔性装配方法及系统 - Google Patents
一种基于装配状态认知的机器人柔性装配方法及系统 Download PDFInfo
- Publication number
- CN111633657B CN111633657B CN202010535627.2A CN202010535627A CN111633657B CN 111633657 B CN111633657 B CN 111633657B CN 202010535627 A CN202010535627 A CN 202010535627A CN 111633657 B CN111633657 B CN 111633657B
- Authority
- CN
- China
- Prior art keywords
- assembly
- robot
- state
- action
- knowledge base
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1669—Programme controls characterised by programming, planning systems for manipulators characterised by special application, e.g. multi-arm co-operation, assembly, grasping
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1628—Programme controls characterised by the control loop
- B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Manipulator (AREA)
Abstract
本公开提出了一种基于装配状态认知的机器人柔性装配方法及系统,包括:传感系统模块,实时在线检测机器人装配接触过程中的环境信息;感知系统模块,接收机器人装配作业的环境信息并根据机器人的当前运动状态信息感知出机器人的作业状态信息;认知系统模块,基于机器人的作业状态信息,对当前的装配状态通过认知模型进行识别,认知新的装配状态并实时更新认知模型中的装配知识库,其中,该装配知识库中装配状态与机械臂动作呈对应映射关系;机器人模块,执行操作根据识别的状态映射的机械臂动作,完成装配。本公开技术方案能对机器人装配接触过程中的未知状态实时在线检测,认知新的装配状态,并实时更新装配知识库,指导机器人完成装配作业。
Description
技术领域
本公开属于装配技术领域,尤其涉及一种基于装配状态认知的机器人柔性装配方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
目前工业机器人已经广泛用于装配行业中,大都采用传统复杂编程、示教等方法来实现装配。对于一些轴孔等固定的装配任务,可以通过指定操作精确的数学模型来实现。但是由于实际机器人装配环境中在零件定位、机器人运动及传感信息等各方面存在诸多不确定性,例如插入期间的干扰、位置不确定性、关节齿轮的间隙、整体机构的老化和噪声等。在常规位置控制机器人装配对象间的微小偏差可能使装配对象间不能装配,也可能破坏装配对象或周边设备,甚至导致装配完全失败。
发明人在研究中发现,针对这些不确定性,通过对装配环境的感知认知来实现装配是一种重要的方法。视觉和力觉信息作为机器人获得环境信息最重要的来源,在机器人作业过程中被广泛应用。基于视觉传感将机器视觉技术获取工件尺寸、轴孔位置等信息并将其导入机器人,使机器人在开始运动前就能智能识别出目标工件的位置及姿态,工件放置于装配台任意位置系统都可完成装配任务。但这种方法需要提前对相机、机器人进行标定,并且工件位置解算易受光照等环境因素影响。当装配工件之间发生接触时,用力传感器在主动柔顺装配过程中对轴孔接触力信息进行检测、采集并分析,与机器人控制系统形成反馈控制系统,通过力位混合控制和阻抗控制来实现装配,防止被卡住或打破,并补偿组件失调。这种方法依赖于对装配阶段的划分,并对装配姿态调整阶段进行精确的受力分析。还有基于接触状态建模的方法,比如双单元法和螺旋理论,以分解装配过程,对不同的装配阶段,采用模糊分类器和神经网络、隐马尔科夫模型、随机梯度下降法、引力搜索算法、高斯混合模型的期望最大化等方法进行识别。但是装配过程的复杂多变性导致接触状态种类多样。
以上这些方法以离线学习为主,构建的接触状态认知模型无法识别随机出现的装配状态,并对新的装配过程无法存储。
发明内容
为克服上述现有技术的不足,本公开提供了一种基于装配状态认知的机器人柔性装配方法,指导机器人完成装配作业。
为实现上述目的,本公开的一个或多个实施例提供了如下技术方案:
一方面,公开了一种基于装配状态认知的机器人柔性装配方法,包括:
实时在线检测机器人装配接触过程中的当前的装配状态;
对当前的装配状态通过认知模型进行识别,认知新的装配状态并实时更新认知模型中的装配知识库,其中,该装配知识库中装配状态与机械臂动作呈对应映射关系;
执行操作根据识别的状态映射的机械臂动作,完成装配。
另一方面,公开了一种基于装配状态认知的机器人柔性装配系统,包括:
传感系统模块,实时在线检测机器人装配接触过程中的环境信息;
感知系统模块,接收机器人装配作业的环境信息并根据机器人的当前运动状态信息感知出机器人的作业状态信息;
认知系统模块,基于机器人的作业状态信息,对当前的装配状态通过认知模型进行识别,认知新的装配状态并实时更新认知模型中的装配知识库,其中,该装配知识库中装配状态与机械臂动作呈对应映射关系;
机器人模块,执行操作根据识别的状态映射的机械臂动作,完成装配。
以上一个或多个技术方案存在以下有益效果:
本公开技术方案能对机器人装配接触过程中的未知状态实时在线检测,认知新的装配状态,并实时更新装配知识库,指导机器人完成装配作业。
本公开技术方案通过装配状态认知算法找到“机器人装配状态-机器人动作”的映射关系,并认知新的装配状态,自主更新机器人装配知识库,输出机器人行为动作指令,实现对未知状态的识别及动作执行操作。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1为本公开实施例机器人柔性装配系统;
图2为本公开实施例机器人的工作模式流程图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
实施例一
本实施例公开了一种基于装配状态认知的机器人柔性装配系统,机器人柔性装配系统如图1所示,主要包括5个部分,传感系统模块、感知系统模块、认知系统模块、控制器模块、机器人。其中,机器人、控制器与传感系统以及装配对象、末端夹具等组成装配作业环境。
装配系统中各模块具体描述如下:
在具体实施例中,传感系统模块,主要用来采集装配作业环境的信息,包含数字摄像头和六维力传感器,数字摄像头安装在装配工作区域上方,六维力传感器安装在机械臂末端。数字摄像头获取的图像信息传送到服务器中,负责将装配作业环境中装配目标、装配工作区域等图像信息进行预处理;六维力传感器获取的机械臂末端六维力信息传送到服务器中,负责将六维力通过参数耦合模型进行预处理。服务器中包括感知、认知系统模块,控制模块在机械臂的控制器中。
在具体实施例中,感知系统模块,主要融合环境信息和机器人当前的运动状态信息,作为当前机器人装配作业状态,
环境信息主要是指通过传感系统获取的末端六维力/力矩(Fx,Fy,Fz,Tx,Ty,Tz)和末端位姿信息(px,py,pz,α,β,γ),机器人的运动状态信息主要包括各个关节的扭矩(τ1,τ2,τ3,τ4,τ5,τ6)和角度(θ1,θ2,θ3,θ4,θ5,θ6)。
将传感系统的模块采集的环境信息预处理后,与机器人的运动状态信息一起作为装配状态信息,即:
(Fx,Fy,Fz,Tx,Ty,Tz,px,py,pz,α,β,γ,τ1,τ2,τ3,τ4,τ5,τ6,θ1,θ2,θ3,θ4,θ5,θ6)
做归一化后,作为认知系统模块的输入。
在具体实施例中,认知系统模块,通过具有自我更新知识库能力的装配状态认知算法,结合类别增量算法SVDD,找到“机器人装配状态-机器人动作”的映射关系,并认知新的装配状态,自主更新机器人装配知识库,输出机器人行为动作指令。学习过程具体如图2中的学习模式所示。
具体的,认知系统模块被配置为:
识别未知装配状态:根据已知状态样本集判定是知识库已有状态,根据知识库中已有状态对应的动作执行,否则判定为新的装配状态,随机选择机器人动作集中的动作执行;
机器人执行完动作后,判断装配是否成功,若装配成功,则存储新的“状态-动作”映射关系至经验知识库,若不成功,返回重新开始装配。
在具体实施例中,控制器模块,将认知输出的动作指令作为控制器的输入,通过位置控制的方式实现机器人的路径规划和轨迹跟踪。
在具体实施例中,机器人模块主要执行装配任务,接受控制器发来的指令,执行相应的动作,实现装配任务。该模块主要包括学习模式和执行操作模式,如图2所示,学习模式主要是装配经验知识库的构建,包括离线经验知识的学习和未知新状态的学习,通过认知算法得到机器人装配状态认知模型,找到机器人装配状态和动作执行之间的关系。操作模式主要是基于学习获得的经验知识库,实时采集装配过程中的装配状态,进行装配动作的执行。其中,机器人模块主要完成认知模型输出的动作,认知模型输出机械臂的动作指令,机器人模块负责执行。
在另一实施例子中,公开了一种基于装配状态认知的机器人柔性装配方法,装配步骤具体如下:
实时在线检测机器人装配接触过程中的当前的装配状态;
对当前的装配状态通过认知模型进行识别,认知新的装配状态并实时更新认知模型中的装配知识库,其中,该模型中装配状态与机械臂动作呈对应映射关系;
执行操作根据识别的状态映射的机械臂动作,完成装配。
对当前的装配状态通过认知模型找到当前装配状态与机器人动作之间的映射关系,具体步骤如下:
1、传感系统采集机器人装配作业状态信息,并通过小波变换进行预处理,然后归一化,首先对认知算法中的参数进行初始化设置,包括输入权重ai、偏置bi、隐节点数L等,利用ELM算法训练已知类型样本库,得到分类器,构建经验知识库;
2、采用SVDD算法识别未知装配状态,根据已知状态样本集求解超球体中心a和半径R。若当前状态数据到中心a的距离小于半径R,则判定是知识库已有状态,根据知识库中已有状态对应的动作执行,若当前状态数据到中心a的距离大于半径R,则判定为新的装配状态,这时随机选择机器人动作集中的动作执行,若对于新的状态尝试K次姿态调整,依然没有装配成功,则放弃学习过程,重新调整初始位置进行装配。
3、机器人执行完动作后,判断装配是否成功。若装配成功,则存储新的“状态-动作”映射关系至经验知识库,若不成功,返回重新开始装配。
ELM算法的训练具体步骤如下:
(1)给定典型接触状态下的N个“装配状态-动作”映射训练样本训练集确定神经网络的结构(隐层节点数L和激活函数类型g(·)),其中x是单隐层神经网络的输入;训练样本训练集中采集的“装配状态-动作”一一对应的样本集;
(2)随机设定输入权重ai和前馈神经网络的偏置bi,i=1,...,L;
(3)计算隐层输出矩阵H;
(4)计算输出权重值β:β=H-1T,矩阵H-1是Moore–Penrose广义逆矩阵。
ELM算法中,具体的模型根据实验设置的参数来定,参数不一样,模型不一样。装配状态作为ELM的输入向量,映射的动作设定类别标签,通过采集的典型状态下的“装配状态-动作”来训练ELM,得到权重ai、偏置bi等。
SVDD算法中:
(1)定义装配状态分类识别超球体满足目标函数如下式:
其中,a为超球体中心,R为超球体半径;由于已知“装配状态-动作”目标类训练样本中可能存在一小部分异常点,故引入松弛因子ξi(ξi≥0);C为对于偏离超球体内目标装配状态的惩罚系数。
(2)引入拉格朗日乘子α、γ求取a、R、ξi的最优解,构造拉格朗日函数如下:
求解使得L最小的α最优值,求得装配状态分类识别超球体中心a。
其中,K(·)一般选择高斯核函数。
(4)判断R2和r2的关系,若r2≤R2,则判定当前装配状态属于知识库中已知状态类别,否则,则判定当前装配状态属于未知状态。
具体实施时,包括:
1、装配零部件就位;
2、机器人基于视觉传感器定位到装配目标,并移动到目标上方并到开
始装配接触状态;
3、基于六维力、末端位姿实时采集的数据经预处理后作为当前的装配状态,并通过认知模型进行识别;
4、根据识别的状态映射的机械臂动作执行操作
5、装配完成。
本领域技术人员应该明白,上述本公开的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本公开不限制于任何特定的硬件和软件的结合。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (8)
1.一种基于装配状态认知的机器人柔性装配系统,其特征是,包括:
传感系统模块,实时在线检测机器人装配接触过程中的环境信息;
感知系统模块,接收机器人装配作业的环境信息并根据机器人的当前运动状态信息感知出机器人的作业状态信息;
认知系统模块,基于机器人的作业状态信息,对当前的装配状态通过认知模型进行识别,认知新的装配状态并实时更新认知模型中的装配知识库,其中,该装配知识库中装配状态与机械臂动作呈对应映射关系;对机器人装配接触过程中的未知状态实时在线检测,通过具有自我更新知识库能力的装配状态认知算法,结合类别增量算法SVDD,找到“机器人装配状态-机器人动作”的映射关系,并认知新的装配状态,自主更新机器人装配知识库,输出机器人行为动作指令;所述认知系统模块被配置为:
识别未知装配状态:根据已知状态样本集判定是知识库已有状态,根据知识库中已有状态对应的动作执行,否则判定为新的装配状态,随机选择机器人动作集中的动作执行;
机器人执行完动作后,判断装配是否成功,若装配成功,则存储新的“状态-动作”映射关系至经验知识库,若不成功,返回重新开始装配;
机器人模块,执行操作根据识别的状态映射的机械臂动作,完成装配;所述机器人模块被配置为运行学习模式和执行操作模式;
学习模式:包括离线经验知识的学习和未知新状态的学习,通过认知算法得到机器人装配状态认知模型,获得机器人装配状态和动作执行之间的关系,构建装配经验知识库;
执行操作模式:基于学习获得的装配经验知识库,实时采集装配过程中的装配状态,进行装配动作的执行。
2.如权利要求1所述的一种基于装配状态认知的机器人柔性装配系统,其特征是,所述传感系统模块包括安装在装配工作区域上方的图像采集设备及安装在机械臂末端的六维力采集设备,上述设备将各自采集的环境信息传输至服务器中进行处理。
3.如权利要求1所述的一种基于装配状态认知的机器人柔性装配系统,其特征是,所述感知系统模块被配置为在服务器中执行:将传感系统模块采集的环境信息预处理后,与机器人的运动状态信息一起作为装配状态信息,作为认知系统模块的输入。
4.如权利要求1所述的一种基于装配状态认知的机器人柔性装配系统,其特征是,所述认知系统模块对当前的装配状态通过认知模型进行识别,具体为:通过装配状态认知算法获得“机器人装配状态-机器人动作”的映射关系进行识别,输出机器人行为动作指令。
5.如权利要求1-4任一所述的一种基于装配状态认知的机器人柔性装配系统,其特征是,还包括控制器模块,被配置为:将认知系统模块输出的动作指令作为控制器的输入,通过位置控制的方式实现机器人的路径规划和轨迹跟踪。
6.如权利要求1所述的一种基于装配状态认知的机器人柔性装配系统,其特征是,所述认知系统模块在识别未知装配状态之前,需要对机器人装配作业状态信息通过小波变换进行预处理,然后归一化,训练已知类型样本库,得到分类器,构建经验知识库。
7.一种如权利要求1-6中任一项所述的基于装配状态认知的机器人柔性装配系统的方法,其特征是,包括:
实时在线检测机器人装配接触过程中的当前的装配状态;
对当前的装配状态通过认知模型进行识别,认知新的装配状态并实时更新认知模型中的装配知识库,其中,该装配知识库中装配状态与机械臂动作呈对应映射关系;
执行操作根据识别的状态映射的机械臂动作,完成装配。
8.一种如权利要求7中任一项所述的基于装配状态认知的机器人柔性装配系统的方法,其特征是,认知新的装配状态,具体为:
根据已知状态样本集判定是知识库已有状态,根据知识库中已有状态对应的动作执行,否则判定为新的装配状态,随机选择机器人动作集中的动作执行;
机器人执行完动作后,判断装配是否成功,若装配成功,则存储新的“状态-动作”映射关系至经验知识库,若不成功,返回重新开始装配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010535627.2A CN111633657B (zh) | 2020-06-12 | 2020-06-12 | 一种基于装配状态认知的机器人柔性装配方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010535627.2A CN111633657B (zh) | 2020-06-12 | 2020-06-12 | 一种基于装配状态认知的机器人柔性装配方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111633657A CN111633657A (zh) | 2020-09-08 |
CN111633657B true CN111633657B (zh) | 2021-12-03 |
Family
ID=72325991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010535627.2A Active CN111633657B (zh) | 2020-06-12 | 2020-06-12 | 一种基于装配状态认知的机器人柔性装配方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111633657B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112917516B (zh) * | 2021-02-01 | 2022-04-01 | 北京航空航天大学 | 用于自主装配机器人的知识学习与推理执行系统 |
CN113878588B (zh) * | 2021-11-12 | 2023-03-31 | 哈尔滨工业大学(深圳) | 面向卡扣式连接的基于触觉反馈的机器人柔顺装配方法 |
CN114310883A (zh) * | 2021-12-24 | 2022-04-12 | 深圳巨隆基科技有限公司 | 一种基于多知识库的机械臂自主装配方法 |
CN117245672B (zh) * | 2023-11-20 | 2024-02-02 | 南昌工控机器人有限公司 | 摄像头支架模块化装配的智能运动控制系统及其方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104325268A (zh) * | 2014-11-04 | 2015-02-04 | 南京赫曼机器人自动化有限公司 | 一种基于智能学习的工业机器人三维空间自主装配方法 |
CN105643607A (zh) * | 2016-04-08 | 2016-06-08 | 深圳市中科智敏机器人科技有限公司 | 一种具备感知和认知能力的智能工业机器人 |
CN109048908A (zh) * | 2018-08-29 | 2018-12-21 | 重庆两江微链智能科技有限公司 | 机器人感知装置及系统 |
CN109543823A (zh) * | 2018-11-30 | 2019-03-29 | 山东大学 | 一种基于多模信息描述的柔性装配系统及方法 |
CN109543732A (zh) * | 2018-11-09 | 2019-03-29 | 山东大学 | 基于类别特征知识库的装配系统及方法 |
CN110253577A (zh) * | 2019-06-19 | 2019-09-20 | 山东大学 | 基于机器人操作技能获得的弱刚度零部件装配系统及方法 |
-
2020
- 2020-06-12 CN CN202010535627.2A patent/CN111633657B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104325268A (zh) * | 2014-11-04 | 2015-02-04 | 南京赫曼机器人自动化有限公司 | 一种基于智能学习的工业机器人三维空间自主装配方法 |
CN105643607A (zh) * | 2016-04-08 | 2016-06-08 | 深圳市中科智敏机器人科技有限公司 | 一种具备感知和认知能力的智能工业机器人 |
CN109048908A (zh) * | 2018-08-29 | 2018-12-21 | 重庆两江微链智能科技有限公司 | 机器人感知装置及系统 |
CN109543732A (zh) * | 2018-11-09 | 2019-03-29 | 山东大学 | 基于类别特征知识库的装配系统及方法 |
CN109543823A (zh) * | 2018-11-30 | 2019-03-29 | 山东大学 | 一种基于多模信息描述的柔性装配系统及方法 |
CN110253577A (zh) * | 2019-06-19 | 2019-09-20 | 山东大学 | 基于机器人操作技能获得的弱刚度零部件装配系统及方法 |
Non-Patent Citations (1)
Title |
---|
中国博士学位论文全文数据库信息科技辑;马爽;《中国博士学位论文全文数据库信息科技辑》;20170331;第16-17页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111633657A (zh) | 2020-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111633657B (zh) | 一种基于装配状态认知的机器人柔性装配方法及系统 | |
El Zaatari et al. | Cobot programming for collaborative industrial tasks: An overview | |
Semeraro et al. | Human–robot collaboration and machine learning: A systematic review of recent research | |
Xu et al. | Compare contact model-based control and contact model-free learning: A survey of robotic peg-in-hole assembly strategies | |
Villani et al. | Survey on human-robot interaction for robot programming in industrial applications | |
Ciocarlie et al. | Towards reliable grasping and manipulation in household environments | |
Hart et al. | Learning generalizable control programs | |
Beetz et al. | Generality and legibility in mobile manipulation: Learning skills for routine tasks | |
Zieliński et al. | A systematic method of designing control systems for service and field robots | |
Ficuciello et al. | Synergy-based policy improvement with path integrals for anthropomorphic hands | |
Navarro-Gonzalez et al. | On-line knowledge acquisition and enhancement in robotic assembly tasks | |
Haninger et al. | Model predictive control with gaussian processes for flexible multi-modal physical human robot interaction | |
Liu et al. | Serocs: Safe and efficient robot collaborative systems for next generation intelligent industrial co-robots | |
WO2023016616A1 (en) | A robot system for anomaly detection | |
Chryssolouris et al. | Artificial intelligence in manufacturing equipment, automation, and robots | |
Tao et al. | A method for robotic grasping based on improved Gaussian mixture model | |
Guo et al. | A skill programming method based on assembly motion primitive for modular assembly system | |
Maderna et al. | Real-time monitoring of human task advancement | |
Lopez-Juarez et al. | On the design of intelligent robotic agents for assembly | |
Kyrarini et al. | Robot learning of object manipulation task actions from human demonstrations | |
Nemec et al. | Learning of exception strategies in assembly tasks | |
CN113747682A (zh) | 一种机器人精密装配系统及方法 | |
Zhou et al. | Incremental learning robot task representation and identification | |
Peña et al. | Invariant object recognition robot vision system for assembly | |
Švaco et al. | Industrial robotic system with adaptive control |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |