CN114474004B - 一种多因素耦合车载建筑机器人误差补偿规划控制策略 - Google Patents

Abstract

本发明提供了一种多因素耦合车载建筑机器人误差补偿规划控制策略，包括以下步骤：步骤一，考虑地面及载荷影响对车载建筑机器人建立多因素耦合运动学模型；步骤二，建立虚实耦合下的环境约束；步骤三，开展机器人在不确定外部环境下的参数辨识学习，建立多因素耦合模型；步骤四，对机器人误差进行实时补偿。本发明解决了复杂工况下建筑机器人装配作业过程中载荷及环境不确定信息下的误差补偿问题；同时建立了一种考虑地面及载荷影响对车载建筑机器人多因素耦合模型为任意结构及工况下的移动式机械臂真实工作空间分析及末端定位误差补偿奠定理论基础；在成本一定的条件下，提高了误差补偿模型的精度与效率。

Description

一种多因素耦合车载建筑机器人误差补偿规划控制策略

技术领域

本发明涉及机器人技术领域，具体涉及一种多因素耦合车载建筑机器人误差补偿规划控制策略。

背景技术

车载机械人是建筑机器人的主要形态，其主体为移动底盘和操作臂，通常具有较大的工作空间。建筑施工装配作业对象通常重量大、尺寸大、移动范围大、定位精度要求高，而地面不平、底盘倾斜、机械臂刚度不足均会导致操作末端轨迹存在不确定性。同时建筑施工环境复杂、载荷多变，机器人在空载、轻载、重载不同工况下其真实工作空间均存在较大差别。

机器人多因素耦合建模是解决建筑机器人真实工作空间和理想工作空间两者冲突的主要手段，但考虑载荷及环境影响的移动作业机器人多因素耦合建模方法尚缺乏研究。基于多源不确定因素耦合系统的运动轨迹分析评价方法、结合载荷参数辨识和现场工况重建的机器人误差补偿模型与驱动控制策略优化等方面的理论、方法与技术的研究尚未完善。同时目前的环境感知技术并不完全适用于建筑机器人，仅依赖机器人实时获取的现场数据不足以保障安全快速的规划。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

针对上述的不足，本发明提供了一种多因素耦合车载建筑机器人误差补偿规划控制策略，深入研究载荷及环境影响下的移动作业型建筑机器人多因素耦合建模方法以及基于载荷参数辨识的机器人误差补偿规划控制策略。

本发明解决其技术问题所采用的技术方案是：一种多因素耦合车载建筑机器人误差补偿规划控制策略，包括以下步骤：步骤一，考虑地面及载荷影响对车载建筑机器人建立多因素耦合运动学模型；步骤二，建立虚实耦合下的环境约束；步骤三，开展机器人在不确定外部环境下的参数辨识学习，建立多因素耦合模型；步骤四，对机器人误差进行实时补偿。

进一步地，步骤一包括：建立基于多因素影响下的移动作业机器人整体耦合模型，采用理论分析、数值模拟仿真与实验研究相结合的研究方法。选取传统工业机械臂及移动底盘，利用三维建模软件建立移动式机械臂的三维模型，并对模型中复杂异形零件以及重复小型部件进行简化；对充气轮胎进行破坏性试验以及材料参数分析，建立充气轮胎的有限元模型，并将该模型和简化后的三维模型导入运动学仿真软件中对移动作业机器人进行运动学建模并仿真，确定空载工况下机械臂位姿变化与机械臂末端轨迹的关系；利用有限元软件对机械臂中关键臂体和旋转关节进行柔性化建模，将所建立的有限元模型替换原有运动学模型建立的刚性部件，确定不同末端负载、复杂工作臂位姿、多种移动底盘工作路况综合作用于移动操作臂时其末端偏移量；基于随机采样法，利用运动捕捉系统进行重复性试验采集大量代表性样本点，将真实样本数据与由误差模型得到的仿真数据进行对比，对模型进行修缮进而得到具有高可靠度、高准确性的多因素耦合运动学模型。

进一步地，步骤二包括：通过机器人外部传感设备对施工现场环境获取原始三维点云数据，其后对点云数据进行处理得到更加轻量化的点云，作为机器人工作环境的局部真实环境约束。在Revit建筑模型设计软件中根据建筑图纸设计BIM建筑虚拟模型，构建出由虚拟BIM数据和真实点云数据结合的虚实耦合环境约束，并将实时计算的虚实耦合环境信息作为机器人作业轨迹规划的约束条件。

进一步地，步骤三包括：开展机器人在不确定外部环境下的参数辨识学习，首先需要借助外部传感器对外部环境参数进行现场采集，确定机器人当前的位姿状态，然后通过辨识网络构建机器人不同工况下的辨识参数集合，随着机器人对环境持续地观察以及载荷的不断变化，逐步积累新的多因素耦合模型辨识策略并对辨识参数集合进行扩充和更新，同时检查生成辨识策略的相容性，对新获取的辨识策略进行分类存储，最后建立完整的辨识参数集合。

机器人在与外部环境交互过程中逐步获得新的知识，不断更新辨识策略集合，同时对新获取的辨识策略进行分类存储，利用图数据库建立不同地面、载荷参数下完整的机器人辨识策略知识图谱，基于大规模知识图谱实现深度知识推理，探索机器人在低速重载下的力学特性及关节驱动影响机制，分析其在不同外部环境下的作业空间动态特性，构建机器人在多物理场环境和多工况应力负载条件下的多因素耦合模型。

进一步地，步骤四包括：为了保证机器人的误差补偿实时性，误差补偿采用软件建模提前预测与现场实验精准补偿相结合的方式。在机器人多因素耦合模型的基础之上建立机器人的误差模型，在仿真环境下对强化学习算法进行强化训练，通过误差补偿网络提前预测机器人各关节角的误差，基于动作-评价(Actor-Critic)框架下的深度确定性策略梯度方法控制机器人完成误差补偿任务。基于ROS架构搭建建筑机器人强化学习物理实验平台，利用实例分割模型R-CNN对机器人末端位姿进行识别与定位，根据实验结果对系统参数与智能模型进行修正，确立一种多因素耦合车载建筑机器人误差补偿规划控制策略。

本发明的有益效果是，提出了一种多因素耦合车载建筑机器人误差补偿规划控制策略，解决了复杂工况下建筑机器人装配作业过程中载荷及环境不确定信息下的误差补偿问题；同时建立了一种考虑地面及载荷影响对车载建筑机器人多因素耦合模型为任意结构及工况下的移动式机械臂真实工作空间分析及末端定位误差补偿奠定理论基础；在成本一定的条件下，提高了误差补偿模型的精度与效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1为本发明流程示意图；

图2为本发明步骤一流程示意图；

图3为本发明步骤二流程示意图；

图4为本发明步骤三流程示意图；

图5为本发明步骤四流程示意图；

具体实施方式

参照图1，一种多因素耦合车载建筑机器人误差补偿规划控制策略，包括以下步骤：步骤一，考虑地面及载荷影响对车载建筑机器人建立多因素耦合运动学模型；步骤二，建立虚实耦合下的环境约束；步骤三，开展机器人在不确定外部环境下的参数辨识学习，建立多因素耦合模型；步骤四，对机器人误差进行实时补偿。

参照图2，步骤一包括：选取传统工业机械臂及移动底盘，利用三维建模软件建立移动式机械臂的三维模型，并对模型中复杂异形零件以及重复小型部件进行简化；其次，对充气轮胎进行破坏性试验，得到轮胎胎体的横截数据，建立胎体横截面图纸。进一步，对轮胎胎体进行材料参数分析，将得到的数据以及轮胎几何模型导入有限元软件，建立充气轮胎的有限元模型，并将该模型和简化后的三维模型导入运动学仿真软件中对移动作业机器人进行运动学建模并仿真，并对仿真结果进行合理化分析，确定空载工况下机械臂位姿变化与机械臂末端轨迹的关系；然后，利用有限元软件对机械臂中影响末端定位精度的关键臂体和旋转关节等重要部件进行柔性化建模，将所建立的有限元模型替换原有运动学模型建立的刚性部件，确定不同末端负载、复杂工作臂位姿、多种移动底盘工作路况综合作用于移动操作臂时其末端偏移量，为搭建真实工作空间定位误差数据库作数据支持；最终，基于随机采样法，利用运动捕捉系统进行重复性试验采集大量代表性样本点，将真实样本数据与由误差模型得到的仿真数据进行对比，对模型进行修缮进而得到具有高可靠度、高准确性的多因素耦合运动学模型。

参照图3，步骤二包括：通过三维雷达，深度相机等机器人外部传感设备对施工现场环境获取原始三维点云数据，其后对点云数据进行降采样、去噪、分割等处理得到更加轻量化的点云，作为机器人工作环境的局部真实环境约束。在Revit建筑模型设计软件中根据建筑图纸设计BIM建筑虚拟模型。计算出BIM模型中边界点为P＝{p₁，...，p_n}，三维点云中边界点为P′＝{p′₁，...，p′_n}，采用基于模型边界点的匹配方法，根据由P_i到P′_i的欧式变换可以构建出由虚拟BIM数据和真实点云数据结合的虚实耦合环境约束，并将实时计算的虚实耦合环境信息作为机器人作业轨迹规划的约束条件。

参照图4，步骤三包括：开展机器人在不确定外部环境下的参数辨识学习，首先需要借助六维力传感器、倾角传感器、IMU等传感器对外部环境参数进行现场采集，确定机器人当前的位姿状态，然后通过辨识网络构建机器人不同工况下的辨识参数集合，随着机器人对环境持续地观察以及载荷的不断变化，逐步积累新的多因素耦合模型辨识策略并对辨识参数集合进行扩充和更新，同时检查生成辨识策略的相容性，对新获取的辨识策略进行分类存储，最后建立完整的辨识参数集合。机器人位姿序列与标准位姿序列组成训练样本集，机器人当前状态为s_i，目标序列位姿a_i，辨识网络输出为机器人在当前状态下采取位姿a_i的概率为π(s_i)＝p(a_i|s_i)，并执行预测的辨识策略，获得所需参数，通过参数的加权衰减并叠加后计算梯度，利用梯度优化网络参数，利用求解交叉熵损失的最小值对策略网络进行训练，其最小化公式为：

其中，N为位姿序列长度，A_i为每个位姿的优势值。模型训练过程中，采用梯度下降法使A_iln p(a_i|s_i)最大化，当位姿a_i的优势值A_i大于零时调整网络逐渐增加选择该位姿的概率；当位姿a_i的优势值A_i小于零时调整网络逐渐降低选择该位姿的概率。辨识网络模型根据输入状态产生辨识参数，引导机器人对目标特征进行辨识学习，使机器人不断对目标决策进行探索。通过样本学习对机器人进行训练，使其获得在当前环境状态下的最优多因素耦合模型辨识策略，构造机器人辨识策略集合。

机器人在与外部环境交互过程中逐步获得新的知识，不断更新辨识策略集合，同时对新获取的辨识策略进行分类存储，利用图数据库建立不同地面、载荷参数下完整的机器人辨识策略知识图谱，基于大规模知识图谱实现深度知识推理，探索机器人在低速重载下的力学特性及关节驱动影响机制，分析其在不同外部环境下的作业空间动态特性，构建机器人在多物理场环境和多工况应力负载条件下的多因素耦合模型。

参照图5，步骤四包括：为了保证机器人的误差补偿实时性，误差补偿采用软件建模提前预测与现场实验精准补偿相结合的方式。在机器人多因素耦合模型的基础之上建立机器人的误差模型，在仿真环境下对强化学习算法进行强化训练，通过误差补偿网络提前预测机器人各关节角的误差，基于动作-评价(Actor-Critic)框架下的深度确定性策略梯度方法控制机器人完成误差补偿任务。机器人误差补偿采用数值模拟方法构造机器人末端执行器的运动误差模型，通过特征分解评估作业过程的运动精度，进一步利用迭代分析对机器人的误差模型进行优化，利用辨识学习网络对抓取载荷和地面形貌进行识别获取环境信息，最后通过误差补偿学习网络将预测误差进行强化学习进而实现机器人的精准作业。

基于ROS架构搭建建筑机器人强化学习物理实验平台，利用实例分割模型R-CNN对机器人末端位姿进行识别与定位，并将强化学习模型封装成一个ROS节点。首先采集大量抓取物体的六维力、倾角及IMU传感器数据制作数据集，为控制模型提供类似仿真器所提供的观测值并进行训练，然后将训练模型封装成具有识别功能的ROS节点。对识别结果的可靠性区域进行毫米级别的阈值分割，进一步确定机器人末端抓持作业对象的位置，再从激光雷达和深度相机点云中获取物体在相机坐标系中的坐标，以及末端夹持器在世界坐标系中的坐标，并将物体的坐标转换到世界坐标系中，最后按照仿真环境中的观测值顺序进行拼接。调整并改进由于机器人多因素耦合模型参数偏差造成的轨迹分析精度下降，针对控制精度与实时性等指标来验证系统参数的有效性以及各种智能补偿学习算法的性能，根据实验结果对系统参数与智能模型进行修正，确立一种多因素耦合车载建筑机器人误差补偿规划控制策略。

以上所述，仅为本发明的具体实施例，不能以其限定发明实施的范围，所以其等同组件的置换，或依本发明专利保护范围所作的等同变化与修饰，都应仍属于本专利涵盖的范畴。另外，本发明中的技术特征与技术特征之间、技术特征与技术方案之间、技术方案与技术方案之间均可以自由组合使用。

Claims (6)

1.一种多因素耦合车载建筑机器人误差补偿规划控制策略，其特征在于：包括以下步骤：

(1)步骤一，考虑地面及载荷影响对车载建筑机器人建立多因素耦合运动学模型：建立基于多因素影响下的移动作业机器人整体耦合模型，采用理论分析、数值模拟仿真与实验研究相结合的研究方法，选取传统工业机械臂及移动底盘；利用三维建模软件建立移动式机械臂的三维模型，并对模型中复杂异形零件以及重复小型部件进行简化；对充气轮胎进行破坏性试验以及材料参数分析，建立充气轮胎的有限元模型，并将该模型和简化后的三维模型导入运动学仿真软件中对移动作业机器人进行运动学建模并仿真，确定空载工况下机械臂位姿变化与机械臂末端轨迹的关系；利用有限元软件对机械臂中关键臂体和旋转关节进行柔性化建模，将所建立的有限元模型替换原有运动学模型建立的刚性部件，确定不同末端负载、复杂工作臂位姿、多种移动底盘工作路况综合作用于移动操作臂时其末端偏移量，利用三维建模软件建立机器人三维模型，利用有限元软件对轮胎以及机械臂中关键臂体和旋转关节进行柔性化建模，并替换原有运动学模型建立的刚性部件，通过试验采集样本点对多因素耦合运动学模型进行修缮；

(2)步骤二，建立虚实耦合下的环境约束：通过机器人外部传感设备对施工现场环境获取原始三维点云数据，其后对点云数据进行处理得到更加轻量化的点云，作为机器人工作环境的局部真实环境约束，构建现场真实点云以及BIM建筑虚拟模型结合的虚实耦合环境，并作为机器人轨迹规划的约束条件；

(3)步骤三，开展机器人在不确定外部环境下的参数辨识学习，建立多因素耦合模型：开展机器人在不确定外部环境下的参数辨识学习，首先需要借助外部传感器对外部环境参数进行现场采集，确定机器人当前的位姿状态，然后通过辨识网络构建机器人不同工况下的辨识参数集合，随着机器人对环境持续地观察以及载荷的不断变化，逐步积累新的多因素耦合模型辨识策略并对辨识参数集合进行扩充和更新，同时检查生成辨识策略的相容性，对新获取的辨识策略进行分类存储，最后建立完整的辨识参数集合，通过传感器获取机器人当前位姿，通过辨识网络构建辨识参数集合，并在机器人运行过程中不断更新，最终构建多因素耦合模型；

(4)步骤四，对机器人误差进行实时补偿：为了保证机器人的误差补偿实时性，误差补偿采用软件建模提前预测与现场实验精准补偿相结合的方式，建立机器人误差模型并进行训练，从而提前预测误差，进行现场实验，精准补偿。

2.根据权利要求1所述的一种多因素耦合车载建筑机器人误差补偿规划控制策略，其特征在于：步骤一中，基于随机采样法，利用运动捕捉系统进行重复性试验采集大量代表性样本点，将真实样本数据与由误差模型得到的仿真数据进行对比，对模型进行修缮进而得到具有高可靠度、高准确性的多因素耦合运动学模型。

3.根据权利要求1所述的一种多因素耦合车载建筑机器人误差补偿规划控制策略，其特征在于：步骤二中，在Revit建筑模型设计软件中根据建筑图纸设计BIM建筑虚拟模型，构建出由虚拟BIM数据和真实点云数据结合的虚实耦合环境约束，并将实时计算的虚实耦合环境信息作为机器人作业轨迹规划的约束条件。

4.根据权利要求1所述的一种多因素耦合车载建筑机器人误差补偿规划控制策略，其特征在于：步骤三中，机器人在与外部环境交互过程中逐步获得新的知识，不断更新辨识策略集合，同时对新获取的辨识策略进行分类存储，利用图数据库建立不同地面、载荷参数下完整的机器人辨识策略知识图谱，基于大规模知识图谱实现深度知识推理，探索机器人在低速重载下的力学特性及关节驱动影响机制，分析其在不同外部环境下的作业空间动态特性，构建机器人在多物理场环境和多工况应力负载条件下的多因素耦合模型。

5.根据权利要求1所述的一种多因素耦合车载建筑机器人误差补偿规划控制策略，其特征在于：步骤四中，在机器人多因素耦合模型的基础之上建立机器人的误差模型，在仿真环境下对强化学习算法进行强化训练，通过误差补偿网络提前预测机器人各关节角的误差。

6.根据权利要求5所述的一种多因素耦合车载建筑机器人误差补偿规划控制策略，其特征在于：基于动作-评价(Actor-Critic)框架下的深度确定性策略梯度方法控制机器人完成误差补偿任务；基于ROS架构搭建建筑机器人强化学习物理实验平台，利用实例分割模型R-CNN对机器人末端位姿进行识别与定位，根据实验结果对系统参数与智能模型进行修正，确立一种多因素耦合车载建筑机器人误差补偿规划控制策略。