CN112847355B - 一种基于dmp的机器人螺栓旋拧方法及系统 - Google Patents

Abstract

本公开提出了一种基于DMP的机器人螺栓旋拧方法及系统，包括：通过多次拖动示教得到多条示教旋拧轨迹；预处理示教旋拧轨迹数据，对轨迹信息进行特征提取，从多个示教轨迹中选择一条最平滑的轨迹作为DMP的初始点和目标点；将拟合的轨迹传送给DMP模型进行学习，将学习的权重参数保存，获得优化模型；针对待旋拧螺栓的旋拧起点和终点，利用优化模型自动规划旋拧的路径。输入新的旋拧起点和终点，机械臂自动规划旋拧的路径，实现旋拧技能的学习和泛化。

Description

一种基于DMP的机器人螺栓旋拧方法及系统

技术领域

本公开属于机器学习技术领域，尤其涉及一种基于DMP的机器人螺栓旋拧方法及系统。

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。

螺栓旋拧的现状和难点：螺纹紧固在现代工业生产中非常普遍，随着制造业自动化需求的增加，自动螺纹紧固系统的需求也越来越大。螺纹旋拧时存在螺栓型号多样，长螺栓锁紧时不同阶段需要的扭矩不同等困难，因此机器人螺栓旋拧系统的研究就越来越重要。机器人旋拧螺栓时，需要保持螺栓末端一直水平，并实时监控旋拧过程中的力矩，防止旋拧卡滞，歪斜等问题，需要学习人的技能实时调整并以一个平滑的旋拧轨迹来进行旋拧。现有的针对机器人螺栓旋拧技能的研究很少，资料也很不完备。本文创新性的提出了基于DMP的，机器人旋拧技能学习的方法，将机器人在旋拧过程中的末端轨迹划分为DMP，基于轨迹学习旋拧的技能。

最早在2002年Ijspeert等人提出了动态运动基元(DMP)的系统作为点到点运动模式的轨迹规划，这个系统也同样适用于周期运动。动态运动基元系统的框架核心是基于点的吸引因子系统，它允许通过策略参数来生成任意形状的轨迹。现在常用的DMP是2013年Ijspeert等人改进的二阶弹簧－阻尼系统作为运动基元的一种表达方式。本质是借助易学的强迫函数项将易于理解的简单吸引子系统转换为所需的吸引子系统。几乎任意复杂的点吸引子和极限环吸引子都可以实现。多个自由度可以与任意相位关系协调。可以保证模型方程的稳定性。

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DMP的机器人螺栓旋拧方法，实现旋拧技能的学习和泛化。

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：

第一方面，公开了一种基于DMP的机器人螺栓旋拧方法，包括：

通过多次拖动示教得到多条示教旋拧轨迹；

预处理示教旋拧轨迹数据，对轨迹信息进行特征提取，从多个示教轨迹中选择一条最平滑的轨迹作为DMP的初始点和目标点；

将拟合的轨迹传送给DMP模型进行学习，将学习的权重参数保存，获得优化模型；

针对待旋拧螺栓的旋拧起点和终点，利用优化模型自动规划旋拧的路径。

进一步的技术方案，多次拖动示教的具体过程为：

将螺栓每次都调整到对齐后的位置，拖动机械臂和夹爪，对旋拧螺栓一圈动作进行机械臂末端的多次轨迹示教，记录开始夹紧螺栓和一次旋拧动作后的末端位姿，即夹爪的开始夹取和松开的位置。

进一步的技术方案，多次拖动示教还包括：在示教过程中取多个末端位姿点数据保存，保存多条示教轨迹信息。

进一步的技术方案，保存的多条示教轨迹会在以一定的时间序列复现时有所偏差，通过动态时间规整方法进行轨迹序列的优化对准，选出并保留和示教轨迹比较接近的一些轨迹。

进一步的技术方案，拟合出一条平滑的轨迹时，对保留和示教轨迹比较接近的轨迹数据进行处理，高斯混合模型对机器人各个示教点的参数进行预处理，编码提取机器人的行为特征，用高斯混合回归方法回归泛化，选出存储的示教信息中和实际旋拧任务最接近的动作基元点，拟合出一条比较平滑的轨迹曲线。

进一步的技术方案，DMP模型进行学习时，通过局部加权回归方法，学习得到DMP模型的强迫函数中高斯核函数的权重参数，并保存。

进一步的技术方案，针对待旋拧螺栓，通过视觉的方式找到新的起始点和目标点，输入给DMP模型中，根据学习到的权重参数，通过公式进行计算，逐步积分得到位置和速度。

第二方面，公开了一种基于DMP的机器人螺栓旋拧系统，包括：

示教模块，用于通过多次拖动示教得到多条示教旋拧轨迹；

最平滑的轨迹模块，用于预处理示教旋拧轨迹数据，对轨迹信息进行特征提取，从多个示教轨迹中选择一条最平滑的轨迹作为DMP的初始点和目标点；

优化模型获取模块，用于将拟合的轨迹传送给DMP模型进行学习，将学习的权重参数保存，获得优化模型；

自动规划模块，用于针对待旋拧螺栓的旋拧起点和终点，利用优化模型自动规划旋拧的路径。

以上一个或多个技术方案存在以下有益效果：

本公开技术方案对螺栓旋拧的工艺过程以及旋拧过程中的不同阶段进行了介绍，根据旋拧的特点，提出了一种基于DMP的机器人螺栓旋拧技能学习方法。DMP是一种由起始点向目标点的点到点的一种轨迹学习方式，通过多次拖动示教得到多条示教旋拧轨迹，通过DTW预处理轨迹数据，用GMM-GMR对轨迹信息进行特征提取，拟合出一条比较平滑的轨迹，传送给DMP模型进行学习，将学习的权重参数保存，输入新的旋拧起点和终点，机械臂自动规划旋拧的路径，实现旋拧技能的学习和泛化。

本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

本方法的优势：将机器人的旋拧操作动作划分为动态原语形成运动基元库，可以表征复杂的运动，方便技能学习与重构。针对复杂的旋拧技能，可以通过该方法，完成基于路径的技能基元划分，学习并泛化。

DTW对多条轨迹数据对准，将多次示教路径信息对准。采用GMM和GMR的概率模型法，具有很强的编码能力和噪声处理能力，在样本数据足够多时，可以编码表征任何复杂运动。

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为本公开实施例螺栓旋拧的过程示意图；

图2为本公开实施例基于DMP的机器人螺栓旋拧路径学习的泛化框图。

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DMP的机器人螺栓旋拧方法，基于DMP的机器人螺栓旋拧的技能学习的方法主要是对机器人螺栓旋拧一圈的过程中机器人的旋拧路径进行示教编码学习和泛化的过程，首先对长螺栓锁紧过程进行了分段，分为五个阶段，了解不同阶段的旋拧力的特点，基于DMP对前四个阶段的旋拧轨迹进行示教学习和泛化，使机器人学会螺栓旋拧的技能。

螺栓旋拧的过程主要可以分为五个阶段，可视化这个过程的一种方法是通过绘制与总旋转角相对应的施加扭矩来产生扭矩角曲线，如图1所示。第一阶段是曲线的第一段，这时是螺栓螺母的初始接触阶段，这个过程主要是螺栓螺母刚接触，螺纹对准的过程。第二个阶段是主扭矩区(或降速区)，在该阶段，螺栓旋拧直到螺栓末端与工件底接触。第三阶段是紧接区(或对准区)，用于紧固表面由于变形引起的不平情况的对准。第四阶段是弹性夹紧区，此阶段扭矩角的斜率为常数。第五阶段为后锁紧区，适用于一些安全关键的应用，如汽车刹车，汽车轮胎等，需要经过弹性夹紧区锁紧到塑性变形发生的区域。通过对上述工艺的机理和失效模式的了解，可以确保螺栓旋拧的成功。

本公开技术方案主要对前四个阶段进行了建模学习了机器人螺栓旋拧技能。第一阶段是螺栓螺母的初始接触阶段，这一过程要使用二指夹爪抓取螺栓进行探索找到螺母，并结合相机对齐螺纹。二指夹爪抓取螺栓的六角底座，移动到螺母附近。首先接触螺母，对准螺母的孔。左右微调旋转螺栓，使螺栓螺母的螺纹对齐，螺栓末端的平面和整个操作平面近似水平。第二阶段到第四阶段主要是一圈一圈旋拧的过程，第二阶段主要是测量并施加一个恒定的力就可以，第三、四阶段施加一个逐渐增加的旋拧力即可。

DMP的基本概念：

最早在2002年Ijspeert等人提出了动态运动基元(DMP)的系统作为点到点运动模式的轨迹规划，这个系统也同样适用于周期运动。动态运动基元系统的框架核心是基于点的吸引因子系统，它允许通过策略参数来生成任意形状的轨迹。现在常用的DMP是2013年Ijspeert等人改进的二阶弹簧－阻尼系统作为运动基元的一种表达方式。本质是借助易学的强迫函数项将易于理解的简单吸引子系统转换为所需的吸引子系统。几乎任意复杂的点吸引子和极限环吸引子都可以实现。多个自由度可以与任意相位关系协调。可以保证模型方程的稳定性。

其中，初始状态为：

目标状态：

上式表示的是DMP的二阶弹簧阻尼模型，其中，τ是一个时间常数，α、β是正的常数，分别表示弹簧的刚度和阻尼，y₀表示初始位置,y^g表示目标位置。

为了实现更复杂的运动，在弹簧阻尼系统中加入了一个依赖时间的强迫项f(t)。弹簧-阻尼系统和强迫项一起称为转换系统。保证运动始终向吸引子y^g收敛，我们需要确保在运动结束时强迫项减小到0。为此，添加了一个门控限制项，在移动开始时为1，在移动结束时为0。当然，这个门控项本身是由一个动力系统决定的。在Ijspeert等人的论文中，建议使用指数系统。为了实现时间的独立性，因此让f成为一个(自治的)动力系统状态的函数，而不是t。对门控和相位使用相同的动力系统，并使用术语规范系统来表示这个关节门控/相位系统。用f(x)代替f(t)。公式如下。

初始状态：

目标状态：

其中：

ψ_i(x)＝exp(-h_i(x-c_i)²)

w_i是给定基函数ψ_i的权重，N是基函数的个数。你可能认识到，上面的ψ_i方程定义了一个以c_i为中心的高斯函数，其中h_i是方差。所以我们的强迫函数是一组高斯函数当正则系统x收敛到它的目标时被激活。它们的加权总和被标准化，然后乘以x(y^g-y₀)项。这样一个轨迹就可以由一系列的初始点目标点组成而被编码学习。

基于DMP的旋拧路径编码学习，参见附图2所示，包括：

1)多次拖动示教

将螺栓每次都调整到对齐后的位置，拖动机械臂和夹爪，对旋拧螺栓一圈动作进行机械臂末端的多次轨迹示教，拖动示教机械臂，并通过调用机械臂末端的接口数据得到末端轨迹，记录开始夹紧螺栓和一次旋拧动作后的末端位姿(即夹爪的开始夹取和松开的位置)，并在示教过程中取多个末端位姿点数据保存。保存多条示教轨迹信息。

2)数据处理

a)DTW进行数据对准

保存的多条示教轨迹会在以一定的时间序列复现时有所偏差，通过动态时间规整(DTW)方法进行轨迹序列的优化对准，DTW可以表征两个序列之间的相似程度，并得到对齐两个序列的方法。

两个时间序列Q和C，长度分别是n和m：

Q＝q₁,q₂,...q_i,..q_n，C＝c₁,c₂,...c_j,..c_m，如果n＝m,直接计算两个序列之间的距离就可以表征两个序列相似程度了，当n和m不相等时，就需要通过DTW对齐。为了对其两个序列，需要构造一个n×m的矩阵网格，矩阵元素(i,j)表示q_i和c_j两个点之间的距离d(q_i,c_j)(也就是序列Q的每一个点和C的每一个点之间的相似度，距离越小则相似度越高)，采用欧氏距离，

每一个矩阵元素(i,j)表示点q_i和c_j的对齐。用动态规划(DP)的方法寻找一条通过此网格中若干格点的路径，路径通过的格点即为两个序列进行计算的对齐的点。

把这条路径定义为Warping path规整路径，并用W来表示，W的第k个元素定义为w_k＝(i,j)_k，定义了序列Q和C的映射。这样我们有：

W＝w₁,w₂,...,w_k max(m,n)≤K<m+n-1

这条路径不是随意选择的，需要满足几个约束：

①边界条件：w₁＝(1,1)和w_k＝(m,n)示教的时间间隔大小有变化，但是其各部分的先后次序不可能改变，因此所选的路径必定是从左下角出发，在右上角结束。

②连续性：如果w_k-1＝(a’,b’)，那么对于路径的下一个点w_k＝(a,b)需要满足(a-a’)≤1和(b-b’)≤1。也就是不可能跨过某个点去匹配，只能和自己相邻的点对齐。这样可以保证Q和C中的每个坐标都在W中出现。

③单调性：如果w_k-1＝(a’,b’)，那么对于路径的下一个点w_k＝(a,b)需要满足0≤(a-a’)和0≤(b-b’)。这限制W上面的点必须是随着时间单调进行的。

结合连续性和单调性约束，每一个格点的路径就只有三个方向了。例如如果路径已经通过了格点(i,j)，那么下一个通过的格点只可能是下列三种情况之一：(i+1,j)，(i,j+1)或者(i+1,j+1)。

最终我们想要得到的是这条路径经过的所有点的坐标(i,j)对应的Q和C两个时间序列的点Q_i和C_i的距离(比如欧几里得距离)之和，亦即我们需要求得代价矩阵最右上角的元素W(i,j)：

W(i,j)＝d(i,j)+min[W(i-1,j),W(i,j-1),W(i-1,j-1)]

根据动态规划的思想使得沿路径的积累距离达到最小值这条路径，选取第一次示教轨迹为参考模板，对比每条轨迹和第一条轨迹之间的相似度，使用动态规划寻找网格中若干个点的路径，依据路径所通过的格点得到两个序列对齐的方式，将两个轨迹对应的相似点对齐。选出并保留和示教轨迹比较接近的一些轨迹并对齐。

b)GMM-GMR

由于DMP一次只能学习一个轨迹，需要从多个示教轨迹中选择一条最平滑的轨迹作为DMP的初始点和目标点进行学习。对这些轨迹数据进行GMM-GMR处理，高斯混合模型(GMM)对机器人各个示教点的参数进行预处理，编码提取机器人的行为特征，用高斯混合回归(GMR)方法回归泛化，选出存储的示教信息中和实际旋拧任务最接近的动作基元点，拟合出一条比较平滑的轨迹曲线。

设第j个示教数据点为ξ_j＝{ξ_s,j,ξ_t,j}，j＝{1,2,…,P}，其中P是单次示教包含的数据点的个数，是ξ_s,j空间坐标值或节点角，ξ_t,j是时间值；假设每个数据点服从如下概率分布：

其中，p(k)是先验概率，p(ξ_j|k)是条件概率分布，服从高斯分布，于是，整个示教数据集合可以用高斯混合模型来表示，K即组成高斯混合模型的高斯分布的个数。

p(k)＝π_k

其中，D是编码示教数据的GMM的维度；因此，高斯混合模型需要确定的参数是{K,π_k,μ_k,∑_k}，分别表示GMM的成分个数及第k个成分的先验概率，期望和方差；利用贝叶斯信息准则估计K参数，进行模型选择，实现在模型复杂度和数据拟合性能最优之间作出权衡，利用EM算法估计参数{π_k,μ_k,∑_k}，最终实现模型的构建。

基于高斯混合回归GMR对GMM的示教数据进行重构，得到泛化的输出。示教数据的ξ_t用作查询点，对应的空间值ξ_s'利用GMR进行估计；已知p(ξ_j|k)满足高斯分布，即

其中μ_k＝{μ_s,k,μ_t,k}，

则在给定ξ_t,k下，ξ_s,k的条件概率也满足高斯分布，即ξ_s,k|ξ_t,k～N(μ’_s,k,Σ'_s,k)，μ’_s,k＝μ_s,k+Σ_st,k(Σ_t,k)^-1(ξ_t,k-μ_s,k)，Σ'_t,k＝Σ_s,k+Σ_st,k(Σ_t,k)^-1Σ_ts,k

可得，K个高斯成分的高斯混合模型的均值μ’_s和方差Σ'_s；

设高斯混合模型的回归函数为m(ξ_t)，则

则均值μ’_s就是要求的示教数据重构值，也即ξ’_s＝μ’_s，最终得到泛化的数据点{ξ’_s，ξ_t}及用于提取任务约束的协方差矩阵Σ'_s，泛化的数据ξ’_s不包含在示教数据中，在相关约束Σ'_s下，生成运动轨迹。

将得到的轨迹传送给DMP模型进行学习。

3)旋拧技能学习

通过局部加权回归方法(LWR)，学习得到DMP模型的强迫函数中高斯核函数的权重参数，并保存。

由DMP的公式可知，示教轨迹和学习新生成的旋拧轨迹之间可以产生联系。提供的位置信息y(t)，速度信息

加速度信息

其中t∈[t₁,t₂,…t_p]，可以得到如下公式：

y^g＝y(t＝t_p)，y₀＝y(t＝t₁)

得到：

其中y_d表示想要的点的轨迹序列，计算产生这个轨迹序列的强迫项

通过提供示教旋拧轨迹信息，可以得到一个目标强迫函数f_target，从而将权重w_i的求取转化为一个函数逼近问题，即通过特定的方法确定w_i，使强迫函数f与f_target尽可能相近。通过局部加权回归方法(LWR)求解每个函数对应的权重，最终可以得到w_i的表达式：

其中，

我们有多条示教轨迹，可取其平均值计算对应的轨迹的权重系数，并保存。

4)旋拧技能复现

通过视觉的方式找到新的起始点和目标点，输入给DMP模型中，根据学习到的权重参数，带入DMP的公式进行计算，逐步积分得到位置和速度，由笛卡尔坐标系下的位姿进行逆运动学反解出机器人的各个关节的相应角度，复现相应的旋拧技能。

本公开技术方案对螺栓旋拧的工艺过程以及旋拧过程中的不同阶段进行了介绍，根据旋拧的特点，提出了一种基于DMP的机器人螺栓旋拧技能学习方法。DMP是一种由起始点向目标点的点到点的一种轨迹学习方式，通过多次拖动示教得到多条示教旋拧轨迹，通过DTW预处理轨迹数据，用GMM-GMR对轨迹信息进行特征提取，拟合出一条比较平滑的轨迹，传送给DMP模型进行学习，将学习的权重参数保存，输入新的旋拧起点和终点，机械臂自动规划旋拧的路径，实现旋拧技能的学习和泛化。

实施例二

本实施例的目的是提供一种计算装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述实施例子一中的方法的具体步骤。

实施例三

本实施例的目的是提供一种计算机可读存储介质。

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行实施例子一中的方法的具体步骤。

实施例四

本实施例的目的是提供一种基于DMP的机器人螺栓旋拧系统，包括：

示教模块，用于通过多次拖动示教得到多条示教旋拧轨迹；

最平滑的轨迹模块，用于预处理示教旋拧轨迹数据，对轨迹信息进行特征提取，从多个示教轨迹中选择一条最平滑的轨迹作为DMP的初始点和目标点；

优化模型获取模块，用于将拟合的轨迹传送给DMP模型进行学习，将学习的权重参数保存，获得优化模型；

自动规划模块，用于针对待旋拧螺栓的旋拧起点和终点，利用优化模型自动规划旋拧的路径。

实施例五

本实施例的目的是提供机器人螺栓旋拧系统，包括：机械臂、夹爪、力矩传感器、点阵型两指触觉传感器、全局相机、手爪末端局部相机和铝型材实验台；

机械臂固定在铝型材实验台上，夹爪固定在机械臂末端，点阵型两指触觉传感器固定在手爪上，用来感知旋拧过程中的力。全局相机和手爪末端局部相机用来实时检测螺栓轩宁的程度并及时反馈给机械臂进行修正。

将螺栓每次都调整到对齐后的位置，拖动机械臂和夹爪，对旋拧螺栓一圈动作进行机械臂末端的多次轨迹示教，记录开始夹紧螺栓和一次旋拧动作后的末端位姿(即夹爪的开始夹取和松开的位置)，并在示教过程中取多个末端位姿点数据保存。

具体组成：AUBO i5机械臂、加拿大Robotiq 85夹爪、加拿大Robotiq力矩传感器、点阵型两指触觉传感器、KinectDK全局相机、Realsense手爪末端局部相机和铝型材实验台。

以上实施例的装置中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本公开中的任一方法。

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DMP的机器人螺栓旋拧方法，其特征是，包括：通过多次拖动示教得到多条示教旋拧轨迹；多次拖动示教的具体过程为：

将螺栓每次都调整到对齐后的位置，拖动机械臂和夹爪，对旋拧螺栓一圈动作进行机械臂末端的多次轨迹示教，记录开始夹紧螺栓和一次旋拧动作后的末端位姿，即夹爪的开始夹取和松开的位置；预处理示教旋拧轨迹数据，对轨迹信息进行特征提取，从多个示教轨迹中选择一条最平滑的轨迹作为DMP的初始点和目标点；拟合出一条平滑的轨迹时，对保留和示教轨迹比较接近的轨迹数据进行处理，高斯混合模型对机器人各个示教点的参数进行预处理，编码提取机器人的行为特征，用高斯混合回归方法回归泛化，选出存储的示教信息中和实际旋拧任务最接近的动作基元点，拟合出一条比较平滑的轨迹曲线；

将拟合的轨迹传送给DMP模型进行学习，将学习的权重参数保存，获得优化模型；

针对待旋拧螺栓的旋拧起点和终点，利用优化模型自动规划旋拧的路径；螺栓旋拧的过程主要分为五个阶段，第一阶段是螺栓螺母的初始接触阶段，这个过程主要是螺纹对准的过程；第二个阶段是主扭矩区或降速区，在该阶段，螺栓旋拧直到螺栓末端与工件底接触；第三阶段是紧接区或对准区，用于紧固表面由于变形引起的不平情况的对准；第四阶段是弹性夹紧区，此阶段扭矩角的斜率为常数；第五阶段为后锁紧区；基于DMP对前四个阶段的旋拧轨迹进行示教学习和泛化，使机器人学会螺栓旋拧的技能；

可视化螺栓旋拧过程是通过绘制与总旋转角相对应的施加扭矩来产生扭矩角曲线。

2.如权利要求1所述的一种基于DMP的机器人螺栓旋拧方法，其特征是，多次拖动示教还包括：在示教过程中取多个末端位姿点数据保存，保存多条示教轨迹信息。

3.如权利要求2所述的一种基于DMP的机器人螺栓旋拧方法，其特征是，保存的多条示教轨迹会在以一定的时间序列复现时有所偏差，通过动态时间规整方法进行轨迹序列的优化对准，选出并保留和示教轨迹比较接近的一些轨迹。

4.如权利要求1所述的一种基于DMP的机器人螺栓旋拧方法，其特征是，DMP模型进行学习时，通过局部加权回归方法，学习得到DMP模型的强迫函数中高斯核函数的权重参数，并保存。

5.如权利要求1所述的一种基于DMP的机器人螺栓旋拧方法，其特征是，针对待旋拧螺栓，通过视觉的方式找到新的起始点和目标点，输入给DMP模型中，根据学习到的权重参数，通过公式进行计算，逐步积分得到位置和速度。

6.一种基于DMP的机器人螺栓旋拧系统，其特征是，包括：

示教模块，用于通过多次拖动示教得到多条示教旋拧轨迹；多次拖动示教的具体过程为：

将螺栓每次都调整到对齐后的位置，拖动机械臂和夹爪，对旋拧螺栓一圈动作进行机械臂末端的多次轨迹示教，记录开始夹紧螺栓和一次旋拧动作后的末端位姿，即夹爪的开始夹取和松开的位置；最平滑的轨迹模块，用于预处理示教旋拧轨迹数据，对轨迹信息进行特征提取，从多个示教轨迹中选择一条最平滑的轨迹作为DMP的初始点和目标点；拟合出一条平滑的轨迹时，对保留和示教轨迹比较接近的轨迹数据进行处理，高斯混合模型对机器人各个示教点的参数进行预处理，编码提取机器人的行为特征，用高斯混合回归方法回归泛化，选出存储的示教信息中和实际旋拧任务最接近的动作基元点，拟合出一条比较平滑的轨迹曲线；

优化模型获取模块，用于将拟合的轨迹传送给DMP模型进行学习，将学习的权重参数保存，获得优化模型；

自动规划模块，用于针对待旋拧螺栓的旋拧起点和终点，利用优化模型自动规划旋拧的路径；螺栓旋拧的过程主要分为五个阶段，第一阶段是螺栓螺母的初始接触阶段，这个过程主要是螺纹对准的过程；第二个阶段是主扭矩区或降速区，在该阶段，螺栓旋拧直到螺栓末端与工件底接触；第三阶段是紧接区或对准区，用于紧固表面由于变形引起的不平情况的对准；第四阶段是弹性夹紧区，此阶段扭矩角的斜率为常数；第五阶段为后锁紧区；基于DMP对前四个阶段的旋拧轨迹进行示教学习和泛化，使机器人学会螺栓旋拧的技能；

可视化螺栓旋拧过程是通过绘制与总旋转角相对应的施加扭矩来产生扭矩角曲线。

7.一种计算装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现上述权利要求1-5任一所述的方法的具体步骤。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征是，该程序被处理器执行时执行上述权利要求1-5任一所述的方法的具体步骤。

Images