CN115599107B - 基于人工智能的激光自动除锈机器人控制系统 - Google Patents
基于人工智能的激光自动除锈机器人控制系统 Download PDFInfo
- Publication number
- CN115599107B CN115599107B CN202211616442.XA CN202211616442A CN115599107B CN 115599107 B CN115599107 B CN 115599107B CN 202211616442 A CN202211616442 A CN 202211616442A CN 115599107 B CN115599107 B CN 115599107B
- Authority
- CN
- China
- Prior art keywords
- rust removing
- laser
- laser automatic
- removing robot
- rust
- 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
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 title claims abstract description 311
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 19
- 238000004140 cleaning Methods 0.000 title description 6
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 32
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 22
- 238000013135 deep learning Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 51
- 238000000034 method Methods 0.000 claims description 38
- 230000008569 process Effects 0.000 claims description 26
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 21
- 230000007613 environmental effect Effects 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 13
- 238000005516 engineering process Methods 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 8
- 230000009471 action Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000005265 energy consumption Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 238000005728 strengthening Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 3
- 238000010924 continuous production Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000005477 standard model Effects 0.000 claims description 3
- 239000013077 target material Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000001788 irregular Effects 0.000 claims description 2
- 238000012986 modification Methods 0.000 claims description 2
- 230000004048 modification Effects 0.000 claims description 2
- 241001178520 Stomatepia mongo Species 0.000 claims 1
- 238000013479 data entry Methods 0.000 claims 1
- 238000003672 processing method Methods 0.000 claims 1
- 230000002787 reinforcement Effects 0.000 claims 1
- 238000001914 filtration Methods 0.000 description 8
- 238000011160 research Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 8
- VIEYMVWPECAOCY-UHFFFAOYSA-N 7-amino-4-(chloromethyl)chromen-2-one Chemical compound ClCC1=CC(=O)OC2=CC(N)=CC=C21 VIEYMVWPECAOCY-UHFFFAOYSA-N 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 238000012546 transfer Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 4
- 230000000750 progressive effect Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 241000508269 Psidium Species 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000026676 system process Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000005422 blasting Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
- G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
- G05D1/0253—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting relative motion information from a plurality of images taken successively, e.g. visual odometry, optical flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
Abstract
本发明涉及一种基于人工智能的激光自动除锈机器人控制系统，属于除锈自动控制领域。本发明根据作业场景的特点，收集训练图片，对图像进行采集和处理，运用深度学习算法卷积神经网络算法对图像信息进行模型训练，通过训练好的模型，使得激光自动除锈机器人可发明可以对除锈目标，尤其是非平面的复杂形状作业目标进行精准自动除锈。
Description
技术领域
本发明涉及除锈自动控制领域，具体地说，涉及一种基于人工智能的激光自动除锈机器人控制系统。
背景技术
金属定期除锈是工业上普遍的需求，对于钢板型的除锈目标来说，可以采用抛丸除锈进行高效除锈。但对结构复杂的非平板形除锈目标，目前主要的方法还是靠人工在固定位置靠除锈，工人作业环境辛苦、效率低下、标准不一致、效果不理想。激光自动除锈机器人具有绿色环保、易于操作、效率高等优点，因此在除锈领域具有重要的研究和应用价值。随着国家智能制造理念的不断深入，人工智能技术的飞速发展，实现结构复杂的非平板形除锈目标自动化和智能化是亟待解决的问题。为了解决这一问题，并高激光自动除锈机器人的工作效率，在进行表面除锈工作时，保证激光自动除锈机器人能够全覆盖除锈的同时还能够寻求最优路径降低能耗，进行基于机器学习的激光自动除锈机器人曲面路径规划技术研究，据位置和障碍物分布的不同，解决激光自动除锈机器人路径规划的问题，有效提升激光自动除锈机器人系统在路径规划问题中的自学习能力和自适应性，使得激光自动除锈机器人在条件受限的路径规划领域中得到了拓展。同时作业场景的特点，收集训练图片，对图像进行采集和处理，运用深度学习算法卷积神经网络的图像检测算法对图像信息进行模型训练，通过训练好的模型，使得激光自动除锈机器人可以自动识别作业场景、作业目标、根据目标状态自动控制除锈过程，自动完成除锈作业。形成一套可持续、有效的技术方案，设计、实施了本方法。
发明内容
本发明的目的在于提供一种基于人工智能的激光自动除锈机器人控制系统，以解决上述背景技术中提出的问题。
为实现上述目的，提供了一种基于人工智能的激光自动除锈机器人控制系统，包括自动移动和避障系统，图像识别系统和激光机械臂动力系统，及其相互关联的数据库。
S1. 通过作业场景、作业目标和作业要求，建立激光自动除锈机器人的运动学模型，以Q-Learning算法为基础进行路径规划，建立激光自动除锈机器人运动学模型，利用曲面离散模型建立局部环境信息，通过不断地与环境进行交互来获得环境信息，再通过反馈的强化信号对选择执行的行动进行评价，利用不断试错和选择的方式解决环境模型建模不准或未知障碍物下的路径规划问题，有效提升激光自动除锈机器人系统在路径规划问题中的自学习能力和自适应性；
S2. 建立作业区定位导航模型，利用SLAM算法在激光自动除锈机器人路径规划的基础上，通过视觉传感器进行见图，定位，模型存入系统数据库，基于激光自动除锈机器人内置摄像头所实时采集的工作空间视频流，建立空间识别和导航系统，使得激光自动除锈机器人在条件受限的路径规划过程中得到拓展，实现激光自动除锈机器人可以自动移动至作业目标和动态的路径规划，确保激光自动除锈机器人能够全覆盖除锈的同时还能够寻求最优路径降低能耗，根据位置和障碍物分布的不同，解决激光自动除锈机器人路径规划的问题；
S3. 采集作业目标数据，利用深度学习图像算法，训练作业目标识别模型，控制激光自动除锈机器人识别找到作业目标，并对目标需要除锈的区域部位进行扫描见图，模型导入系统。采集所需工作场景中的锈渍图片信息并数据化，基于深度神经网络框架将数据化的图像分为训练集和测试集，为了避免产生过拟合的现象，增加单位时间采集的图像数量，经过多次迭代计算，得到识别出锈渍的信息精准度，直至符合工业需求，识别各级别除锈特征模型，模型导入系统将训练好的网络模型加载至激光自动除锈机器人携带的摄像头处理系统，将其所采集的图像信息进行数据化处理，识别出锈渍的信息；
S4. 激光自动除锈机器人采用激光除锈方式进行工业除锈作业，除锈机仪器搭载至动力机械臂上，且装有图像采集装置，将激光处理系统的联动电路和控制器镶嵌至激光自动除锈机器人的动力机械臂上，测试激光强度，使其符合除去锈渍的标准强度。建立激光强度、目标材质、锈蚀程度和除锈目标对应关系，存入系统数据库。使得由图像识别系统提供指挥指令，动力机器臂的动力装置提供激光工作的物理引导，完成精准的除锈作业；
S5. 建立除锈异常情况的处理方式，写入程序，进入工作模式后，加载模型，如有异常进行异常处理，将各系统进行电路集成，实现对目标除锈要求的广泛化应用，实时根据作业效果进行数据反馈，动态调整激光自动除锈机器人完成工业上的除锈作业；
S6. 开始除锈，除锈标准模型开始运行，判断机械臂处是否需要除锈，判断除锈后效果等级，对激光自动除锈机器人进行反馈控制；
S7. 除锈直至结束，过程数据存入系统数据库，数据用来记录除锈过程和继续优化模型。
进一步的，所述S1中以Q-Learning为基础进行路径规划，建立激光自动除锈机器人运动学模型，利用曲面离散模型建立局部环境信息，通过不断地与环境进行交互来获得环境信息，再通过反馈的强化信号对选择执行的行动进行评价，利用不断试错和选择的方式解决环境模型建模不准或未知障碍物下的路径规划问题：
激光自动除锈机器人做直线运动时的运动情况相对简单，左、右两条永磁式履带行走速度相同，、
v g为两个行走机构的速度；
r为激光自动除锈机器人行走机构的主动轮半径；
ω为左、右电机的旋转速度；由此可得激光自动除锈机器人直线运动方程为：
即
如果不考虑履带与齿轮啮合所存在的滑移，只考虑履带与壁面之间的滑移，则设滑动系数为，激光自动除锈机器人的运动速度为：
激光自动除锈机器人在转向时，可以认为是通过左、右两个步进电机所驱动的两条履带的速度差来实现的。激光自动除锈机器人的运动学模型同采用瞬心模型，
σ为滑移角；
R为转弯半径；
v为激光自动除锈机器人的质心速度；
ω为瞬时角速度；
ξ为激光自动除锈机器人与竖直平面的夹角；
P为激光自动除锈机器人的中心（中心与重心重合）；
P′为激光自动除锈机器人
z轴方向与履带瞬心
O′延长线的交点，由此可得到激光自动除锈机器人转弯运动学的模型为：
转换到壁面空间坐标系为：
根据运动学模型图中的几何关系可知，
P′为激光自动除锈机器人
z轴方向与履带瞬心
O′延长线的交点，该点处的速度，激光自动除锈机器人的质心速度，可知激光自动除锈机器人的执行速度与
P′速度的关系为：
根据上述公式可知激光自动除锈机器人左、右履带的瞬时速度分别为：
因为
P′为左、右履带瞬心
O L、
O R的中点，
P′处的速度为：
其中，为左、右进步机的旋转速度；分别为左、右履带主动轮的半径。根据公式可得到激光自动除锈机器人的质心速度公式为：
=
进一步的，所述S2中利用SLAM算法在激光自动除锈机器人路径规划的基础上，基于激光自动除锈机器人内置摄像头所实时采集的工作空间视频流，建立空间识别和导航系统：
通过概率技术来解决预测估计问题，根据激光自动除锈机器人识别的环境特征实时的构建环境地图，并通过增量式构建环境地图的反馈调整激光自动除锈机器人位姿的连续过程。SLAM可概括为预测估计，数据关联，观测更新和系统扩展的求解相关概率过程。SLAM算法的实质就是系统初始状态根据状态输入信息和传感器观测信息的作用，对激光自动除锈机器人下一时刻位姿和路标信息集合的概率估计，可以表示为对运动路径和制图的后验估计：。
在己知
k-1时刻激光自动除锈机器人的系统状态信息后，根据贝叶斯概率模型的到
k时刻下对系统状态变量的后验概率估计，即：
其中为常数，为系统过程模型，为系统的观测模型，为当前时刻位姿和路标信息集合的概率估计，表示O到k时刻的路标相关性集合。
（1）根据激光自动除锈机器人的当前状态与控制变量的输入信息对下一时刻激光自动除锈机器人的位姿和环境特征的位置进行预测估计；
（2）将激光雷达观测的环境数据信息进行特征提取并与系统状态信息相互关联；
（3）对激光雷达识别到的新的环境特征进行添加处理并进行系统状态观测；
（4）根据观测的数据信息对激光自动除锈机器人进行定位以及构建新的环境地图。
本发明采用基于数学概率基础上的卡尔曼滤波对模型状态信息进行估计，卡尔曼滤波根据当前位姿下的系统状态和输入信息来进行下一时刻状态的先验估计值，再由传感器将观测信息输入到状态预测方程得到状态的后验估计。以先验估计值和后验估计值的差值作为修正标准逐步的逼近真实值。采用在卡尔曼滤波线性估计基础上延伸得到的扩展卡尔曼滤波（Extended Kalman Filter 简称EKF），通过在非线性系统估计下对其后验估计值的逐渐逼近，实现对激光自动除锈机器人位姿均值和误差协方差的概率估计。根据上述描述，基于EKF的激光自动除锈机器人导航系统中的运动学模型和观测模型可以表示为如下形式：
其中，表示系统时刻的状态向量；表示系统时刻控制输入变量；表示系统时刻的观测方程；
、 分别表示系统的状态转移函数和观测函数；
、 分别表示系统状态过程中和观测过程的噪声，。
激光自动除锈机器人进行路径规划时，整个系统状态ｘ包含激光自动除锈机器人自身状态和路标的信息
其中，
R代表激光自动除锈机器人的位姿状态，表示该时刻前观测到的
n个路标信息。
控制变量输入为：
其中，分别表示激光自动除锈机器人的初始线速度和转动角速度，、分别表示单位时间内转动的角度和前后时刻单位周期差。
在扩展卡尔曼滤波中，系统服从高斯正态分布，进行扩展卡尔曼滤波的预测实际上也是求解系统状态均值和误差协方差
Ｐ的最优值的过程。
其中，表示激光自动除锈机器人自身位姿相互之间的协方差矩阵，表示激光自动除锈机器人位姿与环境特征信息之间的协方差矩阵，表示激光自动除锈机器人环境特征彼此之间的协方差矩阵
激光自动除锈机器人自主导航EKF算法的具体步骤如下：
第一步：状态预测
根据系统的状态预测模型和观测模型对下一时刻激光自动除锈机器人的系统状态和状态协方差进行预测，同时对当前系统状态矩阵和状态协方差矩阵进行先验估计。
系统状态预测：
误差协方差预测：
其中，表示
k时刻下误差协方差矩阵先验状态估计，
R(k)表示激光自动除锈机器人预测过程误差协方差矩阵。为非线性系统中状态向量在转移函数中的雅可比矩阵，为非线性系统中控制变量输入在转移函数中的雅可比矩阵。
其中，，
第二步：观测预测
对激光自动除锈机器人在
k时刻下的环境特征进行观测后得到观测向量
Z(k)，比较
k时刻与
k-1时刻观测向量的差值为新息，记为。求出该时刻新息的协方差矩阵。
系统观测方程：
观测路标与实际路标误差（新息）:
新息协方差矩阵：
其中，、分别表示观测方程在
k时刻下的先验估计和后验估计。为观测过程的噪声协方差矩阵，为
k时刻观测方程雅可比矩阵。
第三步：状态更新
计算系统的卡尔曼增益，根据得到的实际观测值对该时刻的位姿状态进行修正，同时对系统的状态信息和协方差矩阵进行更新。
系统状态更新：
系统协方差矩阵更新：
其中，
S(k)表示
k时刻下的新息协方差矩阵，
K(k)表示
k时刻下的卡尔曼增益，为
k时刻下的新息。
第四步：系统扩展
若在移动过程中扫描到新的特征点，将扫描到新的环境路标的特征点添加到系统状态中，设新的特征点，对构建的地图进行更新扩展。
特征点坐标转化：
扩展后的系统状态：
扩展后的协方差矩阵为：
P’=
其中，和分别表示系统增量函数对激光自动除锈机器人位姿和观测方程的雅可比矩阵；
进一步的，所述S3中采集所需工作场景中的锈渍图片的方式采用无人机，微型拍摄机器人和人工拍摄方式中的一种或多种组合的方式获取工业中的锈渍图片。
进一步的，所述S3中锈渍图片数据化的方式采用本地计算机将所有图片进行归一化处理，获得尺寸和像素大小一致的图片信息库，将所有图片信息网格化处理，得到256*256的方框像素，即横向256个像素格，竖向256个像素格，以每一个像素格作为图片训练的数据基础。
进一步的，所述S3中基于深度神经网络框架主要是卷积神经网络，计算每一个训练批次数据的均值
μ与方差
σ：
其中，为批量规范化处理输入数据的样本。用所求得的均值与方差对该批次的训练数据做归一化，把它们规整到均值为0、方差为1的正态分布范围内：
ε是一个微小正数（以使分母不为0）。通过尺度变换和偏移使返回的批量归一化结果的特性和原始输入数据的特性相同，避免数据的特征分布因数据归一化而被破坏；其中，为样本标签，=()，=
E()是通过训练学习的参数。卷积神经网络学习图像不同方向梯度的特征，再将不同方向的特征进行随机化特征融合。将具有差异性的图像特征信息进行融合，以使融合后的特征信息可以方便地进行区分，提高图像的表达能力，对融合后的特征进行通道混洗，使得特征图的每一个区域都包含不同通道的特征，得到的图像融合信息具有鲁棒性。
卷积神经网络使用图像特征通道和空间维度进行预测，特征图的重点内容、位置得到注意，把注意力特征图与卷积神经网络的中间特征图相乘可以更新已学到的特征，计算公式为：
其中，为输入特征图；为点乘；为注意力运算；为输出特征图；为在空间注意力运算；为空间注意力输出特征图；为全局平均池化；为全局最大池化；为卷积神经网络的共享网络；最大池化和平均池化共享一个神经网络提取特征；为ReLU激活；为卷积。
交叉熵函数计算分类损失：
为样本标签；为待分类总数；
，
，…， 为神经网络输出。
损失函数更新通过动量随机梯度下降法：
为动量因子；为训练轮数；为训练轮数的动量；为训练轮数的学习率；
θ为权重。当＝０时没有动量作用影响，当＝１时动量惯性影响最强，在训练初始阶段，需要的值较小，以便加速卷积神经网络优化；在训练结束阶段，较大的值能够提高识别精度。因此卷积神经网络控制值随训练轮数的增加而线性变大，通过训练轮数对γ更新为
为0.95，为0.05，设置为300。当为１时，为最小值0.05，随着的增加，随线性增加，最终达到最大值0.95，从而保证了动量因子的最优化。权重更新为：
τ为识别误差率；初始值为0.0001。卷积神经网络训练过程中使用了历史梯度信息，计算较接近真实梯度，增强了算法的稳定性，通过非线性递减方式将逐渐缩小，其变化公式为：
然后，对图像信息进行模型训练，通过训练好的模型，使得激光自动除锈机器人可以自动识别作业场景和锈渍目标；
进一步的，所述S4中系统数据库由MongoDB数据库技术进行搭建，包括激光自动除锈机器人系统的数据录入，读取，更改，保存和反馈；
进一步的，所述S4中激光自动除锈机器人的动力机械臂由动力控制算法驱动：
一个
n关节的机器臂系统的动力学模型可以写出如下的拉格朗日形式：
， ， 表示系统相对的位置、速度和加速度；
表示对称正定惯性矩阵；表示向心力和科里奥利力矩矩阵；是一个未知的引力矩阵；是一个对于的雅可比矩阵，矩阵表示未知的内部或外部扰动比；表示输入力矩。设
，
系统需要追踪的设定轨迹和加速度定义为：
在进行控制设计之前，对系统作出如下定义：，，对于
n关节的机器臂，考虑一个BLF候选方程如下:
求导可得：
设计一个实际的加速度控制器为：
其中，是一个对角矩阵，其对角的元素均>0。带入可得：
接着考虑BLF方程：
对求导，可得：
为了进一步求解，对z求导得：
将其带入整理得：
设计控制输入：
其中，是一个对角矩阵，其对角的元素均>0；是总输入，是神经网络的拟合输出；是一个符号函数，
当根据芭芭拉特引理，系统的渐进稳定性仍然可以获得。当可以得到如下的：
自适应律给出如下：
其中，是CMAC神经网络的权重，
ζ是CMAC的中心点，
Δ是CMAC神经网络的带宽，
Q 1i
，Q 2
，Q 3
，Q 4 都是正常数，
Z=[eT，zT，αT，]是神经网络的输入，是一个很小的正常数。神经网络的实际输出用来拟合理想值。
神经网络的理想值即为最接近实际系统的拟合值，理想值与实际值的误差为：
令表示神经网络的输出，而整个控制输出如下：
进一步的，所述S4中激光自动除锈机器人采用激光除锈方式，适合于各种非平面不规则的作业目标，采用机械臂的方式移动激光头，实现复杂形状作业目标的精准除锈；
进一步的，所述S4中动力机械臂上装有图像采集装置，可以实时监控除锈过程，监控除锈效果，并对动力机械臂移动进行反馈控制。
本发明有益效果：本发明提供了一种基于人工智能的激光自动除锈机器人控制系统，通过人工智能技术，对作业场景、作业目标和作业要求进行自动识别和控制，研究激光自动除锈机器人自动控制的相关技术，分析激光自动除锈机器人运动特征，建立激光自动除锈机器人运动学模型，并根据激光自动除锈机器人路径规划的研究现状进行分析，通过SLAM算法实现目前工业化机器人所不能实现的动态避障系统，从而确定对激光自动除锈机器人路径规划算法进行优化等相关内容。进行基于机器学习的激光自动除锈机器人曲面路径规划技术研究，确保激光自动除锈机器人能够全覆盖除锈的同时还能够寻求最优路径降低能耗，根据位置和障碍物分布的不同，解决激光自动除锈机器人路径规划的问题，根据作业场景的特点，收集训练图片，对图像进行采集和处理，运用深度学习算法卷积神经网络算法对图像信息进行模型训练，并以Q-Learning为基础进行路径规划，建立激光自动除锈机器人运动学模型，利用曲面离散模型建立局部环境信息，通过不断地与环境进行交互来获得环境信息，再通过反馈的强化信号对选择执行的行动进行评价，利用不断试错和选择，解决环境模型建模不准或未知障碍物下的路径规划问题，通过训练好的模型，使得激光自动除锈机器人可发明可以对除锈目标，尤其是非平面的复杂形状作业目标进行精准自动除锈，有效提升激光自动除锈机器人系统在路径规划问题中的自学习能力和自适应性，使得激光自动除锈机器人在条件受限的路径规划领域中得到拓展，实现激光自动除锈机器人可以自动移动至作业目标，自动规划路线，对目标除锈要求进行作业方案作业等级自动生成除锈方案，实时根据作业效果进行反馈，动态调整激光自动除锈机器人完成作业，本发明可实现对除锈目标，尤其是非平面的复杂形状作业目标进行精准自动除锈。
附图说明
利用附图对发明创造作进一步说明，但附图中的实施例不构成对本发明创造的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1是本发明结构示意图。
具体实施方式
结合以下实例对本发明作进一步描述。
参见图1，本发明旨在提供一种基于人工智能的激光自动除锈机器人控制系统，以解决上述背景技术中提出的问题。
为实现上述目的，提供了一种基于人工智能的激光自动除锈机器人控制系统，包括自动移动和避障系统，图像识别系统和激光机械臂动力系统，及其相互关联的数据库。
S1. 通过作业场景、作业目标和作业要求，建立激光自动除锈机器人的运动学模型，以Q-Learning算法为基础进行路径规划，建立激光自动除锈机器人运动学模型，利用曲面离散模型建立局部环境信息，通过不断地与环境进行交互来获得环境信息，再通过反馈的强化信号对选择执行的行动进行评价，利用不断试错和选择的方式解决环境模型建模不准或未知障碍物下的路径规划问题，有效提升激光自动除锈机器人系统在路径规划问题中的自学习能力和自适应性，详细过程如下：
激光自动除锈机器人做直线运动时的运动情况相对简单，左、右两条永磁式履带行走速度相同，、
v g为两个行走机构的速度；
r为激光自动除锈机器人行走机构的主动轮半径；
ω为左、右电机的旋转速度；由此可得激光自动除锈机器人直线运动方程为：
即
如果不考虑履带与齿轮啮合所存在的滑移，只考虑履带与壁面之间的滑移，则设滑动系数为，激光自动除锈机器人的运动速度为：
激光自动除锈机器人在转向时，可以认为是通过左、右两个步进电机所驱动的两条履带的速度差来实现的。激光自动除锈机器人的运动学模型同采用瞬心模型，
σ为滑移角；
R为转弯半径；
v为激光自动除锈机器人的质心速度；
ω为瞬时角速度；
ξ为激光自动除锈机器人与竖直平面的夹角；
P为激光自动除锈机器人的中心（中心与重心重合）；
P′为激光自动除锈机器人
z轴方向与履带瞬心
O′延长线的交点，由此可得到激光自动除锈机器人转弯运动学的模型为：
转换到壁面空间坐标系为：
根据运动学模型图中的几何关系可知，
P′为激光自动除锈机器人
z轴方向与履带瞬心
O′延长线的交点，该点处的速度，激光自动除锈机器人的质心速度，可知激光自动除锈机器人的执行速度与
P′速度的关系为：
根据上述公式可知激光自动除锈机器人左、右履带的瞬时速度分别为：
因为
P′为左、右履带瞬心
O L、
O R的中点，
P′处的速度为：
其中，为左、右进步机的旋转速度；分别为左、右履带主动轮的半径。根据公式可得到激光自动除锈机器人的质心速度公式为：
=
S2. 建立作业区定位导航模型，利用SLAM算法在激光自动除锈机器人路径规划的基础上，通过视觉传感器进行见图，定位，模型存入系统数据库：
通过概率技术来解决预测估计问题，根据激光自动除锈机器人识别的环境特征实时的构建环境地图，并通过增量式构建环境地图的反馈调整激光自动除锈机器人位姿的连续过程。SLAM可概括为预测估计，数据关联，观测更新和系统扩展的求解相关概率过程。SLAM算法的实质就是系统初始状态根据状态输入信息和传感器观测信息的作用，对激光自动除锈机器人下一时刻位姿和路标信息集合的概率估计，可以表示为对运动路径和制图的后验估计：。
在己知
k-1时刻激光自动除锈机器人的系统状态信息后，根据贝叶斯概率模型的到
k时刻下对系统状态变量的后验概率估计，即：
其中为常数，为系统过程模型，为系统的观测模型，为当前时刻位姿和路标信息集合的概率估计，表示O到k时刻的路标相关性集合。
（1）根据激光自动除锈机器人的当前状态与控制变量的输入信息对下一时刻激光自动除锈机器人的位姿和环境特征的位置进行预测估计；
（2）将激光雷达观测的环境数据信息进行特征提取并与系统状态信息相互关联；
（3）对激光雷达识别到的新的环境特征进行添加处理并进行系统状态观测；
（4）根据观测的数据信息对激光自动除锈机器人进行定位以及构建新的环境地图。
本发明采用基于数学概率基础上的卡尔曼滤波对模型状态信息进行估计，卡尔曼滤波根据当前位姿下的系统状态和输入信息来进行下一时刻状态的先验估计值，再由传感器将观测信息输入到状态预测方程得到状态的后验估计。以先验估计值和后验估计值的差值作为修正标准逐步的逼近真实值。采用在卡尔曼滤波线性估计基础上延伸得到的扩展卡尔曼滤波（Extended Kalman Filter 简称EKF），通过在非线性系统估计下对其后验估计值的逐渐逼近，实现对激光自动除锈机器人位姿均值和误差协方差的概率估计。根据上述描述，基于EKF的激光自动除锈机器人导航系统中的运动学模型和观测模型可以表示为如下形式：
其中，表示系统时刻的状态向量；表示系统时刻控制输入变量；表示系统时刻的观测方程；
、 分别表示系统的状态转移函数和观测函数；
、 分别表示系统状态过程中和观测过程的噪声，。
激光自动除锈机器人进行路径规划时，整个系统状态ｘ包含激光自动除锈机器人自身状态和路标的信息
其中，
R代表激光自动除锈机器人的位姿状态，表示该时刻前观测到的
n个路标信息。
控制变量输入为：
其中，分别表示激光自动除锈机器人的初始线速度和转动角速度，、分别表示单位时间内转动的角度和前后时刻单位周期差。
在扩展卡尔曼滤波中，系统服从高斯正态分布，进行扩展卡尔曼滤波的预测实际上也是求解系统状态均值和误差协方差
Ｐ的最优值的过程。
其中，表示激光自动除锈机器人自身位姿相互之间的协方差矩阵，表示激光自动除锈机器人位姿与环境特征信息之间的协方差矩阵，表示激光自动除锈机器人环境特征彼此之间的协方差矩阵。
激光自动除锈机器人自主导航EKF算法的具体步骤如下：
第一步：状态预测
根据系统的状态预测模型和观测模型对下一时刻激光自动除锈机器人的系统状态和状态协方差进行预测，同时对当前系统状态矩阵和状态协方差矩阵进行先验估计。
系统状态预测：
误差协方差预测：
其中，表示
k时刻下误差协方差矩阵先验状态估计，
R(k)表示激光自动除锈机器人预测过程误差协方差矩阵。为非线性系统中状态向量在转移函数中的雅可比矩阵，为非线性系统中控制变量输入在转移函数中的雅可比矩阵。
其中，，
第二步：观测预测
对激光自动除锈机器人在
k时刻下的环境特征进行观测后得到观测向量
Z(k)，比较
k时刻与
k-1时刻观测向量的差值为新息，记为。求出该时刻新息的协方差矩阵。
系统观测方程：
观测路标与实际路标误差（新息）：
新息协方差矩阵：
其中，、分别表示观测方程在
k时刻下的先验估计和后验估计。为观测过程的噪声协方差矩阵，为
k时刻观测方程雅可比矩阵。
第三步：状态更新
计算系统的卡尔曼增益，根据得到的实际观测值对该时刻的位姿状态进行修正，同时对系统的状态信息和协方差矩阵进行更新。
系统状态更新：
系统协方差矩阵更新：
其中，
S(k)表示
k时刻下的新息协方差矩阵，
K(k)表示
k时刻下的卡尔曼增益，为
k时刻下的新息。
第四步：系统扩展
若在移动过程中扫描到新的特征点，将扫描到新的环境路标的特征点添加到系统状态中，设新的特征点对构建的地图进行更新扩展。
特征点坐标转化：
扩展后的系统状态：
扩展后的协方差矩阵为：
P’=
其中，和分别表示系统增量函数对激光自动除锈机器人位姿和观测方程的雅可比矩阵；
基于激光自动除锈机器人内置摄像头所实时采集的工作空间视频流，建立空间识别和导航系统，使得激光自动除锈机器人在条件受限的路径规划过程中得到拓展，实现激光自动除锈机器人可以自动移动至作业目标和动态的路径规划，确保激光自动除锈机器人能够全覆盖除锈的同时还能够寻求最优路径降低能耗，根据位置和障碍物分布的不同，解决激光自动除锈机器人路径规划的问题；
S3. 采集作业目标数据，利用深度学习图像算法，训练作业目标识别模型，控制激光自动除锈机器人识别找到作业目标，并对目标需要除锈的区域部位进行扫描见图，模型导入系统。采集所需工作场景中的锈渍图片信息并数据化，基于深度神经网络框架将数据化的图像分为训练集和测试集，
计算每一个训练批次数据的均值
μ与方差
σ：
其中，为批量规范化处理输入数据的样本。用所求得的均值与方差对该批次的训练数据做归一化，把它们规整到均值为0、方差为1的正态分布范围内：
ε是一个微小正数（以使分母不为0）。通过尺度变换和偏移使返回的批量归一化结果的特性和原始输入数据的特性相同，避免数据的特征分布因数据归一化而被破坏；其中，为样本标签，=()，=
E()是通过训练学习的参数。卷积神经网络学习图像不同方向梯度的特征，再将不同方向的特征进行随机化特征融合。将具有差异性的图像特征信息进行融合，以使融合后的特征信息可以方便地进行区分，提高图像的表达能力，对融合后的特征进行通道混洗，使得特征图的每一个区域都包含不同通道的特征，得到的图像融合信息具有鲁棒性。
卷积神经网络使用图像特征通道和空间维度进行预测，特征图的重点内容、位置得到注意，把注意力特征图与卷积神经网络的中间特征图相乘可以更新已学到的特征，计算公式为：
其中，为输入特征图；为点乘；为注意力运算；为输出特征图；为在空间注意力运算；为空间注意力输出特征图；为全局平均池化；为全局最大池化；为卷积神经网络的共享网络；最大池化和平均池化共享一个神经网络提取特征；为ReLU激活；为卷积。
交叉熵函数计算分类损失：
为样本标签；为待分类总数；
，
，…， 为神经网络输出。
损失函数更新通过动量随机梯度下降法：
为动量因子；为训练轮数；为训练轮数的动量；为训练轮数的学习率；
θ为权重。当＝０时没有动量作用影响，当＝１时动量惯性影响最强，在训练初始阶段，需要的值较小，以便加速卷积神经网络优化；在训练结束阶段，较大的值能够提高识别精度。因此卷积神经网络控制值随训练轮数的增加而线性变大，通过训练轮数对γ更新为
为0.95，为0.05，设置为300。当为１时，为最小值0.05，随着的增加，随线性增加，最终达到最大值0.95，从而保证了动量因子的最优化。权重更新为：
τ为识别误差率；初始值为0.0001。卷积神经网络训练过程中使用了历史梯度信息，计算较接近真实梯度，增强了算法的稳定性，通过非线性递减方式将逐渐缩小，其变化公式为：
然后，对图像信息进行模型训练，通过训练好的模型，使得激光自动除锈机器人可以自动识别作业场景和锈渍目标；
为了避免产生过拟合的现象，增加单位时间采集的图像数量，经过多次迭代计算，得到识别出锈渍的信息精准度，直至符合工业需求，识别各级别除锈特征模型，模型导入系统将训练好的网络模型加载至激光自动除锈机器人携带的摄像头处理系统，将其所采集的图像信息进行数据化处理，识别出锈渍的信息；
S4. 激光自动除锈机器人采用激光除锈方式进行工业除锈作业，除锈仪器搭载至动力机械臂上，且装有图像采集装置，将激光处理系统的联动电路和控制器镶嵌至激光自动除锈机器人的动力机械臂上，一个
n关节的动力机器臂系统的动力学模型可以写出如下的拉格朗日形式：
， ， 表示系统相对的位置、速度和加速度；
表示对称正定惯性矩阵；表示向心力和科里奥利力矩矩阵；是一个未知的引力矩阵；是一个对于的雅可比矩阵，矩阵表示未知的内部或外部扰动比；表示输入力矩。设
，
系统需要追踪的设定轨迹和加速度定义为：
在进行控制设计之前，对系统作出如下定义：，，对于
n关节的机器臂，考虑一个BLF候选方程如下：
求导可得：
设计一个实际的加速度控制器为：
其中，是一个对角矩阵，其对角的元素均>0。带入可得：
接着考虑BLF方程：
对求导，可得：
为了进一步求解，对z求导得：
将其带入整理得：
设计控制输入：
其中，是一个对角矩阵，其对角的元素均>0；是总输入，是神经网络的拟合输出；是一个符号函数，
当根据芭芭拉特引理，系统的渐进稳定性仍然可以获得。当可以得到如下的：
自适应律给出如下：
其中，是CMAC神经网络的权重，
ζ是CMAC的中心点，
Δ是CMAC神经网络的带宽，
Q 1i
，Q 2
，Q 3
，Q 4 都是正常数，
Z=[eT，zT，αT，]是神经网络的输入，是一个很小的正常数。神经网络的实际输出用来拟合理想值。
神经网络的理想值即为最接近实际系统的拟合值，理想值与实际值的误差为：
令表示神经网络的输出，而整个控制输出如下：
测试激光强度，使其符合除去锈渍的标准强度。建立激光强度、目标材质、锈蚀程度和除锈目标对应关系，存入系统数据库，MongoDB数据库技术进行搭建，包括激光自动除锈机器人系统的数据录入，读取，更改，保存和反馈。使得由图像识别系统提供指挥指令，机器臂的动力装置提供激光工作的物理引导，完成精准的除锈作业；
S5. 建立除锈异常情况的处理方式，写入程序，进入工作模式后，加载模型，如有异常进行异常处理，将各系统进行电路集成，实现对目标除锈要求的广泛化应用，实时根据作业效果进行数据反馈，动态调整激光自动除锈机器人完成工业上的除锈作业；
S6. 开始除锈，除锈标准模型开始运行，判断机械臂处是否需要除锈，判断除锈后效果等级，对激光自动除锈机器人进行反馈控制；
S7. 除锈直至结束，过程数据存入系统数据库，数据用来记录除锈过程和继续优化模型。
本发明有益效果：本发明提供了一种基于人工智能的激光自动除锈机器人控制系统，通过人工智能技术，对作业场景、作业目标和作业要求进行自动识别和控制，研究激光自动除锈机器人自动控制的相关技术，分析激光自动除锈机器人运动特征，建立激光自动除锈机器人运动学模型，并根据激光自动除锈机器人路径规划的研究现状进行分析，通过SLAM算法实现目前工业化机器人所不能实现的动态避障系统，从而确定对激光自动除锈机器人路径规划算法进行优化等相关内容。进行基于机器学习的激光自动除锈机器人曲面路径规划技术研究，确保激光自动除锈机器人能够全覆盖除锈的同时还能够寻求最优路径降低能耗，根据位置和障碍物分布的不同，解决激光自动除锈机器人路径规划的问题，根据作业场景的特点，收集训练图片，对图像进行采集和处理，运用深度学习算法卷积神经网络算法对图像信息进行模型训练，并以Q-Learning为基础进行路径规划，建立激光自动除锈机器人运动学模型，利用曲面离散模型建立局部环境信息，通过不断地与环境进行交互来获得环境信息，再通过反馈的强化信号对选择执行的行动进行评价，利用不断试错和选择，解决环境模型建模不准或未知障碍物下的路径规划问题，通过训练好的模型，使得激光自动除锈机器人可发明可以对除锈目标，尤其是非平面的复杂形状作业目标进行精准自动除锈，有效提升激光自动除锈机器人系统在路径规划问题中的自学习能力和自适应性，使得激光自动除锈机器人在条件受限的路径规划领域中得到拓展，实现激光自动除锈机器人可以自动移动至作业目标，自动规划路线，对目标除锈要求进行作业方案作业等级自动生成除锈方案，实时根据作业效果进行反馈，动态调整激光自动除锈机器人完成作业，本发明可实现对除锈目标，尤其是非平面的复杂形状作业目标进行精准自动除锈。
本发明还提供了一种计算机可读存储介质，该存储介质中存储有至少一条指令，该指令由处理器加载并执行，以实现上述方法。其中，该计算机可读存储介质可以是ROM、随机存取存储器、CD-ROM、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中的处理器加载并执行上述方法。
本发明实施方式是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种基于人工智能的激光自动除锈机器人控制系统，其特征在于，包括自动移动和避障系统模块，图像识别模块，激光机械臂动力模块和相互关联的数据库；
所述控制系统的工作步骤为：
S1.通过作业场景、作业目标和作业要求，建立激光自动除锈机器人的运动学模型，以Q-Learning算法为基础进行路径规划，建立激光自动除锈机器人运动学模型，利用曲面离散模型建立局部环境信息，通过不断地与环境进行交互来获得环境信息，再通过反馈的强化信号对选择执行的行动进行评价，利用不断试错和选择的方式解决环境模型建模不准或未知障碍物下的路径规划问题，有效提升激光自动除锈机器人系统在路径规划问题中的自学习能力和自适应性；
S2.建立作业区定位导航模型，利用SLAM算法在激光自动除锈机器人路径规划的基础上，通过视觉传感器进行见图，定位，模型存入系统数据库，基于激光自动除锈机器人内置摄像头所实时采集的工作空间视频流，建立空间识别和导航系统，使得移动激光自动除锈机器人在条件受限的路径规划过程中得到拓展，实现激光自动除锈机器人可以自动移动至作业目标和动态的路径规划，确保激光自动除锈机器人能够全覆盖除锈的同时还能够寻求最优路径降低能耗，根据位置和障碍物分布的不同，解决激光自动除锈机器人路径规划的问题；
S3.采集作业目标数据，利用深度学习图像算法，训练作业目标识别模型，控制激光自动除锈机器人识别找到作业目标，并对目标需要除锈的区域部位进行扫描见图，模型导入系统，采集所需工作场景中的锈渍图片信息并数据化，基于深度神经网络框架将数据化的图像分为训练集和测试集，为了避免产生过拟合的现象，增加单位时间采集的图像数量，基于深度神经网络框架主要是卷积神经网络，计算每一个训练批次数据的均值μ与方差σ：
；
；
其中，为批量规范化处理输入数据的样本；用所求得的均值与方差对该批次的训练数据做归一化，把它们规整到均值为0、方差为1的正态分布范围内：ε是一个微小正数（以使分母不为0）；通过尺度变换和偏移使返回的批量归一化结果的特性和原始输入数据的特性相同，避免数据的特征分布因数据归一化而被破坏；其中，为样本标签，= ()，=E()是通过训练学习的参数；卷积神经网络学习图像不同方向梯度的特征，再将不同方向的特征进行随机化特征融合；将具有差异性的图像特征信息进行融合，以使融合后的特征信息可以方便地进行区分，提高图像的表达能力，对融合后的特征进行通道混洗，使得特征图的每一个区域都包含不同通道的特征，得到的图像融合信息具有鲁棒性；把注意力特征图与卷积神经网络的中间特征图相乘可以更新已学到的特征，计算公式为：
；
；
；
；
其中，为输入特征图；为点乘；为注意力运算；为输出特征图；为在空间注意力运算；为空间注意力输出特征图；为全局平均池化；为全局最大池化；为卷积神经网络的共享网络；最大池化和平均池化共享一个神经网络提取特征；为ReLU激活；为卷积；交叉熵函数计算分类损失：
；
为样本标签；为待分类总数； ， ，…， 为神经网络输出；然后，对图像信息进行模型训练，通过训练好的模型，使得激光自动除锈机器人可以自动识别作业场景和锈渍目标；
经过多次迭代计算，得到识别出锈渍的信息精准度，直至符合工业需求，识别各级别除锈特征模型，模型导入系统将训练好的网络模型加载至激光自动除锈机器人携带的摄像头处理系统，将其所采集的图像信息进行数据化处理，识别出锈渍的信息；
S4.激光自动除锈机器人采用激光除锈方式进行工业除锈作业，除锈机仪器搭载至动力机械臂上，且装有图像采集装置，将激光处理系统的联动电路和控制器镶嵌至激光自动除锈机器人的动力机械臂上，测试激光强度，使其符合除去锈渍的标准强度，建立激光强度、目标材质、锈蚀程度和除锈目标对应关系，存入系统数据库，使得由图像识别系统提供指挥指令，动力机器臂的动力装置提供激光工作的物理引导，完成精准的除锈作业；
S5.建立除锈异常情况的处理方式，写入程序，进入工作模式后，加载模型，如有异常进行异常处理，将各系统进行电路集成，实现对目标除锈要求的广泛化应用，实时根据作业效果进行数据反馈，动态调整激光自动除锈机器人完成工业上的除锈作业；
S6.开始除锈，除锈标准模型开始运行，判断机械臂处是否需要除锈，判断除锈后效果等级，对激光自动除锈机器人进行反馈控制；
S7.除锈直至结束，过程数据存入系统数据库，数据用来记录除锈过程和继续优化模型。
2.根据权利要求1所述的基于人工智能的激光自动除锈机器人控制系统，其特征在于，所述S1中以Q-Learning为基础进行路径规划，建立激光自动除锈机器人运动学模型，利用曲面离散模型建立局部环境信息，通过不断地与环境进行交互来获得环境信息，再通过反馈的强化信号对选择执行的行动进行评价，利用不断试错和选择的方式解决环境模型建模不准或未知障碍物下的路径规划问题，保留Q-Learning计算结果作为SLAM模型的输入，基于卡尔曼滤波器优化SLAM模型，得到改进后的SLAM模型，在扩展卡尔曼滤波中，系统服从高斯正态分布，进行扩展卡尔曼滤波的预测实际上也是求解系统状态均值和误差协方差Ｐ的最优值的过程：
；
；
其中，表示激光自动除锈机器人自身位姿相互之间的协方差矩阵，表示激光自动除锈机器人位姿与环境特征信息之间的协方差矩阵，表示激光自动除锈机器人环境特征彼此之间的协方差矩阵。
3.根据权利要求1或2所述的基于人工智能的激光自动除锈机器人控制系统，其特征在于，所述S2中利用SLAM算法在激光自动除锈机器人路径规划的基础上，基于激光自动除锈机器人内置摄像头所实时采集的工作空间视频流，建立空间识别和导航系统；
通过概率技术来解决预测估计问题，根据激光自动除锈机器人识别的环境特征实时的构建环境地图，并通过增量式构建环境地图的反馈调整移动激光自动除锈机器人位姿的连续过程，SLAM可概括为预测估计，数据关联，观测更新和系统扩展的求解相关概率过程，SLAM算法的实质就是系统初始状态根据状态输入信息和传感器观测信息的作用，对移动激光自动除锈机器人下一时刻位姿和路标信息集合的概率估计，可以表示为对运动路径和制图的后验估计。
4.根据权利要求1所述的激光自动除锈机器人控制系统，其特征在于，所述S3中采集所需工作场景中的锈渍图片的方式采用无人机，微型拍摄机器人和人工拍摄方式中的一种或多种组合的方式获取工业中的锈渍图片。
5.根据权利要求1所述的激光自动除锈机器人控制系统，其特征在于，所述S3中锈渍图片数据化的方式采用本地计算机将所有图片进行归一化处理，获得尺寸和像素大小一致的图片信息库，将所有图片信息网格化处理，得到256*256的方框像素，即横向256个像素格，竖向256个像素格，以每一个像素格作为图片训练的数据基础。
6.根据权利要求1所述的基于人工智能的激光自动除锈机器人控制系统，其特征在于，所述S4中系统数据库由MongoDB数据库技术进行搭建，包括激光自动除锈机器人系统的数据录入，读取，更改，保存和反馈。
7.根据权利要求1所述的基于人工智能的激光自动除锈机器人控制系统，其特征在于，所述S4中激光自动除锈机器人的动力机械臂由动力控制算法驱动。
8.根据权利要求1所述的基于人工智能的激光自动除锈机器人控制系统，其特征在于，所述S4中激光自动除锈机器人采用激光除锈方式，适合于除锈车间全局坐标下各种非平面不规则的作业目标，采用6自由度移动滚轮搭载机械臂的方式移动激光头，这里的6自由度的参考对象是机械臂所在移动滚轮依附的物理平面，以此实现复杂形状作业目标的精准除锈。
9.根据权利要求1所述的基于人工智能的激光自动除锈机器人控制系统，其特征在于，所述S4中动力机械臂上装有图像采集装置，可以实时监控除锈过程，监控除锈效果，并对动力机械臂移动进行反馈控制。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211571758 | 2022-12-08 | ||
| CN2022115717581 | 2022-12-08 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115599107A CN115599107A (zh) | 2023-01-13 |
| CN115599107B true CN115599107B (zh) | 2023-04-28 |
Family
ID=84854299
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211616442.XA Active CN115599107B (zh) | 2022-12-08 | 2022-12-16 | 基于人工智能的激光自动除锈机器人控制系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115599107B (zh) |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110363093A (zh) * | 2019-06-19 | 2019-10-22 | 深圳大学 | 一种司机动作识别方法及装置 |
| CN111242071B (zh) * | 2020-01-17 | 2023-04-07 | 陕西师范大学 | 一种基于锚框的注意力遥感图像目标检测方法 |
| CN113546921A (zh) * | 2021-07-26 | 2021-10-26 | 贵州电网有限责任公司 | 一种激光金属件清洗除锈钝化机器人和方法 |
| CN113751429B (zh) * | 2021-08-11 | 2022-08-02 | 北京工业大学 | 一种机械臂辅助激光加工的高精度定位及运动补偿方法 |
| CN114819052A (zh) * | 2022-03-01 | 2022-07-29 | 山东农业大学 | 一种基于改进的YOLOv5s模型的苹果病害识别方法 |
| CN115157238A (zh) * | 2022-06-09 | 2022-10-11 | 郑州大学 | 一种多自由度机器人动力学建模和轨迹跟踪方法 |
-
2022
- 2022-12-16 CN CN202211616442.XA patent/CN115599107B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN115599107A (zh) | 2023-01-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110118560B (zh) | 一种基于lstm和多传感器融合的室内定位方法 | |
| Khong et al. | Multi-agent source seeking via discrete-time extremum seeking control | |
| Moratuwage et al. | Collaborative multi-vehicle SLAM with moving object tracking | |
| Bansal et al. | A hamilton-jacobi reachability-based framework for predicting and analyzing human motion for safe planning | |
| JP5793851B2 (ja) | 位置推定方法、位置推定装置及びプログラム | |
| CN107883965A (zh) | 基于光学信息交互多模型强跟踪容积卡尔曼滤波导航方法 | |
| CN114998276B (zh) | 一种基于三维点云的机器人动态障碍物实时检测方法 | |
| CN115860107B (zh) | 一种基于多智能体深度强化学习的多机探寻方法及系统 | |
| CN105204511B (zh) | 一种物体自主移动的决策方法 | |
| Guo | Moving target localization in sports image sequence based on optimized particle filter hybrid tracking algorithm | |
| CN111123953A (zh) | 人工智能大数据下粒子化移动机器人组及其控制方法 | |
| CN113674310B (zh) | 一种基于主动视觉感知的四旋翼无人机目标跟踪方法 | |
| Bell et al. | Target tracking subject to intermittent measurements using attention deep neural networks | |
| CN115599107B (zh) | 基于人工智能的激光自动除锈机器人控制系统 | |
| Cristofalo et al. | Vision-based control for fast 3-d reconstruction with an aerial robot | |
| Hewawasam et al. | Comparative study on object tracking algorithms for mobile robot navigation in gps-denied environment | |
| Xie et al. | Learning agile flights through narrow gaps with varying angles using onboard sensing | |
| Luo et al. | Mobile robot localization based on particle filter | |
| Song et al. | Critical rays self-adaptive particle filtering SLAM | |
| CN112857373B (zh) | 一种最小化无用动作的节能性无人车路径导航方法 | |
| CN114721377A (zh) | 一种基于改进Cartographer的SLAM的室内导盲机器人控制方法 | |
| Sinha et al. | A∗ WRBAS: Space Mobile Robotics Control Conceptual Model Using IoRT Reinforcement Learning and Tracking with Noise Estimation Using EKF | |
| Wang et al. | Research on SLAM road sign observation based on particle filter | |
| Yang et al. | SLAM self-cruise vehicle based on ROS platform | |
| Petkovic et al. | Human motion prediction framework for safe flexible robotized warehouses |
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 |