CN116652971A - 一种不同刚度物体识别与机械手抓取力控制方法 - Google Patents
一种不同刚度物体识别与机械手抓取力控制方法 Download PDFInfo
- Publication number
- CN116652971A CN116652971A CN202310946645.3A CN202310946645A CN116652971A CN 116652971 A CN116652971 A CN 116652971A CN 202310946645 A CN202310946645 A CN 202310946645A CN 116652971 A CN116652971 A CN 116652971A
- Authority
- CN
- China
- Prior art keywords
- manipulator
- mechanical arm
- grabbing
- grabbing force
- target object
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 138
- 230000008569 process Effects 0.000 claims abstract description 42
- 239000000463 material Substances 0.000 claims abstract description 33
- 238000012512 characterization method Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 230000009471 action Effects 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 10
- 238000002474 experimental method Methods 0.000 claims description 9
- 238000013016 damping Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 238000005312 nonlinear dynamic Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 26
- 239000000523 sample Substances 0.000 description 14
- 239000002184 metal Substances 0.000 description 12
- 229910052751 metal Inorganic materials 0.000 description 12
- 230000009021 linear effect Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 239000011347 resin Substances 0.000 description 7
- 229920005989 resin Polymers 0.000 description 7
- 239000013598 vector Substances 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000007635 classification algorithm Methods 0.000 description 3
- 239000007769 metal material Substances 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012636 effector Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000013074 reference sample Substances 0.000 description 1
- 230000015541 sensory perception of touch Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- B25J9/1602—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
- B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Manipulator (AREA)
Abstract
一种不同刚度物体识别与机械手抓取力控制方法，包括如下步骤：S1：建立触觉信息表征分类方法，所述触觉信息表征分类方法采用触觉序列基于动态时间规整联合稀疏编码算法；S2：根据所述触觉信息表征分类方法判断目标物的材质和刚度，选取合适的机械手抓取力，再结合基于阻抗控制的机械臂柔顺控制方法驱动机械臂运动，完成抓取动作。本发明所述的不同刚度物体识别与机械手抓取力控制方法，设计合理，解决了目标物抓取过程中机械手施加力不合理造成目标物破坏的情况，利用接触式的触觉序列信息判断目标物的材质和刚度，并且预设抓取力，为机械臂执行精细操作任务过程中的目标物识别和抓取力控制提供了一种有效方法。
Description
技术领域
本发明属于空间操控技术领域，具体涉及一种不同刚度物体识别与机械手抓取力控制方法。
背景技术
物体材质判别是机械臂精细操作过程中一个非常重要的环节，如果能够通过传感器有效地判别物体的材质，就可以根据其特点来采取有针对性的抓取和操作策略。
现有技术中对材质的分析大都是基于图像纹理的，这一类信息源只能刻画单一角度和距离的纹理信息。通过在机械臂末端安装的摄像机可以在机械臂末端接近物体过程中不断采集物体的图像，从而形成关于物体的视频序列，这一类信息源可以从不同角度和距离感知物体的纹理信息。尽管如此，这两类信息源都是在非接触式的情形下采集的，对于一些难以通过视觉方式鉴别的物体（例如用材质做出来的外观相似的物体）效果不佳。
因此，本发明的目的是提供一种不同刚度物体识别与机械手抓取力控制方法，引入了另一个数据源，即在机械臂正式抓取物体之前，利用接触式的触觉序列信息，可以有效地弥补视觉信息在材质分析任务上的不足。通过目标物材质判别其刚度，并且给出合适的抓取力，以来防止机械手的抓取力过小无法将目标物顺利抓起，或者是抓取力过大破坏目标物。
发明内容
发明目的：为了克服以上不足，本发明的目的是提供一种不同刚度物体识别与机械手抓取力控制方法，引入阵列式触觉传感器，通过建立触觉信息表征分类方法对触觉信息进行高效表示以及分类，利用触觉信息判断目标物材质和刚度，根据其特点来采取有针对性的抓取和操作策略，实现在不对目标物产生破坏的情况下顺利完成抓取操作，应用前景广泛。
本发明的目的是通过以下技术方案实现的：
一种不同刚度物体识别与机械手抓取力控制方法，包括如下步骤：
S1：建立触觉信息表征分类方法，所述触觉信息表征分类方法采用触觉序列基于动态时间规整联合稀疏编码算法；
S2：根据所述触觉信息表征分类方法判断目标物的材质和刚度，选取合适的机械手抓取力，再结合基于阻抗控制的机械臂柔顺控制方法驱动机械臂运动，完成抓取动作。
本发明所述的不同刚度物体识别与机械手抓取力控制方法，通过触觉序列基于动态时间规整联合稀疏编码算法处理触觉信息，可以对触觉信息进行高效表示，并且根据不同的触觉信息进行不同物体的分类，从而有效判别目标物的材质和刚度。判断目标物的材质和刚度后，可以根据目标物特点来采取有针对性的抓取和操作策略，使机械手预设的抓取力不至于过小无法将目标物顺利抓起，或过大破坏目标物。
进一步的，上述的不同刚度物体识别与机械手抓取力控制方法，还包括如下步骤：
S3：搭建机械臂实验平台，所述机械臂实验平台包括机械臂、机械手、相机、阵列式触觉传感器，所述机械臂末端设置有机械手，所述机械臂末端还设置有相机，所述机械手的手指上设置有阵列式触觉传感器，用于验证目标物的识别分类、抓取问题；
S4：通过阵列式触觉传感器采集目标物的触觉信息，进行数据处理，根据所述触觉信息表征分类方法判断目标物的材质和刚度，从而设置机械手的抓取力，并且结合基于阻抗控制的机械臂柔顺控制方法去驱动机械臂运动，依托所述机械臂实验平台，完成基于触觉的不同刚度物体识别与机械手抓取力控制方法的实验验证。
在机械臂末端安装的相机可以在机械臂末端接近目标物过程中不断采集目标物的图像，从而形成关于目标物的视频序列，这一数据源可以从不同角度和距离感知目标物的纹理信息，在机械手的手指上设置有阵列式触觉传感器，引入了另一个数据源，即在机械手正式抓取目标物之前，利用手指轻触目标物，利用这种接触式的触觉序列信息，可以有效地弥补视觉信息在材质分析任务上的不足。
进一步的，上述的不同刚度物体识别与机械手抓取力控制方法，所述机械臂采用UR5六自由度工业机械臂；所述机械手采用Robotiq 2F-85夹持器，其具有两个铰接的手指。
所述机械臂采用UR5六自由度工业机械臂，具有六个自由度，可以模仿人类手臂的动作，每个关节都可围绕其自身轴心进行正负360°度旋转，工作半径可达850mm，在此范围内，UR5六自由度工业机械臂可以轻易的执行各种任务。所述机械手采用Robotiq 2F-85夹持器，具有两个铰接的手指，每个手指都有两个关节（每个手指有两个指节），抓握型抓取器最多可以与一个物体接触五个点（每个指骨上两个，再加上手掌）。
进一步的，上述的不同刚度物体识别与机械手抓取力控制方法，所述步骤S1的触觉序列基于动态时间规整联合稀疏编码算法的具体流程如下：
（1）应用动态时间规整算法计算训练样本触觉时间序列之间的动态时间规整距离匹配；
（2）采用动态时间规整核将欧式空间中非线性动态时间规整距离匹配映射到高维空间；
（3）构建高维空间训练样本的联合字典，CVX凸优化工具包分别求解测试样本的稀疏表示；
（4）分别计算稀疏表示与字典间的残差并且将残差求和，根据最小残差的标签得到测试样本的标签。
进一步的，上述的不同刚度物体识别与机械手抓取力控制方法，所述步骤（3）中，构建高维空间3个手指训练样本的联合字典，CVX凸优化工具包分别求解3个手指测试样本的稀疏表示。
进一步的，上述的不同刚度物体识别与机械手抓取力控制方法，所述步骤（4）中，分别计算3个手指的稀疏表示与字典间的残差并将残差求和，根据最小残差的标签得到测试样本的标签。
机械手每个手指的触觉传感器可以采集到不同的触觉序列，基于触觉的联合核稀疏编码方法，用于一个单独时间序列的不同手指间触觉信息的简单融合。这种方法不仅简单，还能挖掘不同手指采集的触觉信息指尖的内在联系，把不同的手指类比为不同的传感器，然后单独进行编码。相对于单个手指触觉信息的分类结果有一定的优势。
进一步的，上述的不同刚度物体识别与机械手抓取力控制方法，所述步骤S2中，基于阻抗控制的机械臂柔顺控制方法驱动机械臂运动，其原理公式为，其中M、B、K分别表示惯性系数、阻尼系数、刚度系数，/>表示机械臂末端加速度，/>表示机械臂末端速度，/>表示机械臂末端位置，/>表示环境作用到机械臂末端的外力。
采用基于阻抗控制的机械臂柔顺控制方法，其目的是使机械臂末端工作空间产生类似质量-弹簧-阻尼特性的运动规律，从而减小机械臂与外界的接触碰撞。通过调节这些参数，可使机械臂末端产生不同的运动学特性，从而减小机械臂末端外界接触力。利用阻抗的思想，使机械臂末端的运动形式呈现出弹簧阻尼的运动形式。
进一步的，上述的不同刚度物体识别与机械手抓取力控制方法，所述步骤S4中，通过阵列式触觉传感器采集目标物的触觉信息，进行数据处理，具体流程如下：
S41：通过阵列式触觉传感器在机械手实际的抓取过程中采集夹紧过程中的压力数据，先进行数据分段，过滤掉无效数据，然后进行直线拟合；
S42：拟合过程中，将自变量时间抽象为采集到压力数据的序号，因此输入的自变量矩阵为X = [[1],[2],[3],[4]……]，因变量y为序号相对应的压力数据的，利用这两组数据拟合得到阵列式触觉传感器的拟合直线，最后通过判断拟合直线的陡峭程度来得出目标物的材质。
受限于各类目标物的外观形状，阵列式触觉传感器的受力阵列点的数量也有不同。单纯采用平均值计算，对于一些材质分类不能起到很好的区别作用，因此，需要对其进行数据处理，处理过程中要计算所有的受力阵列点的斜率，剔除掉由于非接触而导致全噪声拟合而成的“野点”，在剩下的受力阵列点的斜率进行均值得出斜率结论。
数据处理过程中，首先要进行的是数据分段，过滤掉无效数据，截取受力阵列点受力过程中的数据进行拟合，由于直接获取到的压力值是未经过阵列式触觉传感器标零的数据，所以阵列式触觉传感器在未受力的情况下，得到的值并不为0，而且阵列式触觉传感器本身的材料受限，未受力时的值并不为一个恒定的值，而是在一个极小范围内波动的值。
通过最小二乘拟合的方法拟合直线，根据斜率差异区分目标物材质，进而判断目标物刚度，另一方面根据目标物的刚度信息，结合机械臂柔顺控制方法驱动机械臂运动，选取合适的机械手抓取力，实现在不对目标物产生破坏的情况下顺利完成抓取操作。
与现有技术相比，本发明具有如下的有益效果：
（1）本发明所述的不同刚度物体识别与机械手抓取力控制方法，设计合理，利用这种接触式的触觉信息，可以有效地弥补视觉信息在材质分析任务上的不足，通过触觉序列基于动态时间规整联合稀疏编码算法处理触觉信息，可以对触觉信息进行高效表示，并且根据不同的触觉信息进行不同物体的分类，从而有效判别物体的材质和刚度，为智能化识别提供一种有效的途径；
（2）本发明所述的不同刚度物体识别与机械手抓取力控制方法，一方面通过阵列式触觉传感器在实际的抓取过程采集夹紧过程中的压力数据，通过最小二乘拟合的方法拟合直线，根据直线斜率差异区分目标物材质，进而判断目标物刚度；另一方面根据目标物刚度信息，结合基于阻抗控制的机械臂柔顺控制方法，选取合适的机械手抓取力，实现在不对目标物产生破坏的情况下顺利完成抓取操作，为机械臂以及机械手执行精细操作任务过程中的目标物识别和抓取力控制提供了一种有效可行的方法。
附图说明
图1为本发明所述不同刚度物体识别与机械手抓取力控制方法的流程图；
图2为本发明所述实施例1的基于动态时间规整的核稀疏编码的触觉序列的分类算法的流程图；
图3为本发明所述实施例2的触觉序列的联合核稀疏编码的示意图；
图4为本发明所述实施例2的基于触觉序列基于动态时间规整联合稀疏编码算法的流程图；
图5为本发明所述实施例6的目标触觉信号图之软胶把手触觉信号图一；
图6为本发明所述实施例6的目标触觉信号图之软胶把手触觉信号图二；
图7为本发明所述实施例6的目标触觉信号图之金属把手触觉信号图一；
图8为本发明所述实施例6的目标触觉信号图之金属把手触觉信号图二；
图9为本发明所述实施例6的目标触觉信号图之树脂方形连接件触觉信号图一；
图10为本发明所述实施例6的目标触觉信号图之树脂方形连接件触觉信号图二；
图11为本发明所述实施例6的目标触觉信号图之金属方形连接件触觉信号图一；
图12为本发明所述实施例6的目标触觉信号图之金属方形连接件触觉信号图二；
图13为本发明所述实施例6的目标触觉信号图之树脂圆形连接件触觉信号图一；
图14为本发明所述实施例6的目标触觉信号图之树脂圆形连接件触觉信号图二；
图15为本发明所述实施例6的目标触觉信号图之金属圆形连接件触觉信号图一；
图16为本发明所述实施例6的目标触觉信号图之金属圆形连接件触觉信号图二；
图17为本发明所述实施例6的目标触觉信号图之橡胶线缆触觉信号图一；
图18为本发明所述实施例6的目标触觉信号图之橡胶线缆触觉信号图二；
图19为本发明所述实施例6的目标触觉信号图之金属线缆触觉信号图一；
图20为本发明所述实施例6的目标触觉信号图之金属线缆触觉信号图二；
图21为本发明所述实施例6的以触觉信息为特征的分类结果混淆矩阵图；
具体实施方式
下面将附图1-21、实施例1-6对本发明的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通的技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例，都属于本发明的保护范围。
以下实施例1提供了一种不同刚度物体识别与机械手抓取力控制方法。
实施例1
实施例1应用在机械臂精细操作任务过程中的目标物抓取场景下，在上述场景下，可解决机械臂末端执行器机械手抓取操作过程中的抓取力控制问题。
如图1所示，所述不同刚度物体识别与机械手抓取力控制方法，其流程为抓取（在机械手正式抓取目标物之前，利用手指轻触目标物）→目标识别（解除序列→特征提取→目标分类）→目标抓取（刚度判断→抓取力设定→抓取目标）→抓取，具体包括如下步骤：
S1：建立触觉信息表征分类方法，通过对触觉信息进行高效表示，并根据不同的触觉信息进行不同物体的分类；
S2：根据所述触觉信息表征分类方法判断目标物的材质和刚度，选取合适的机械手抓取力，再结合基于阻抗控制的机械臂柔顺控制方法驱动机械臂运动，完成抓取动作；
S3：搭建机械臂实验平台，所述机械臂实验平台包括机械臂、机械手、相机、阵列式触觉传感器，所述机械臂末端设置有机械手，所述机械臂末端还设置有相机，所述机械手的手指上设置有阵列式触觉传感器，用于验证目标物的识别分类、抓取问题；
S4：通过阵列式触觉传感器采集目标物的触觉信息，进行数据处理，根据所述触觉信息表征分类方法判断目标物的材质和刚度，从而设置机械手的抓取力，并且结合基于阻抗控制的机械臂柔顺控制方法去驱动机械臂运动，依托所述机械臂实验平台，完成基于触觉的不同刚度物体识别与机械手抓取力控制方法的实验验证。
进一步的，以下实施例2、实施例3分别提供了一种实施例1的步骤S1的具体实施方法。
实施例2
如图2所示，实施例2为一种建立触觉信息表征分类方法，基于动态时间规整(DTW)的核稀疏编码的触觉序列的分类算法，应用核稀疏编码的思想对采集到的触觉信息进行建模，将在欧式空间非线性的低维数据映射到高维空间，更好地体现其线性性质。
首先，利用动态时间规整的思想对触觉信息进行建模，动态时间规整是一个典型的数据优化问题，它用满足一定条件的动态时间规整函数描述测试样本和参考样本间的时间轴上的对应关系，求解两个样本动态匹配时累计距离最小时所对应的规整函数。定义两个长度为和/>的时间序列/>和/>如下所示：
；
；
式中，，/>，/>表示时间序列/>中第t个元素；/>表示时间序列/>中第t个元素，/>表示d维实数集。
为/>和/>之间的抓取路径，/>的第/>个元素定义为/>，/>为的最后一个路径，因此，得到：
。
所以，最小匹配路径定义为：
。
应用动态时间规整的思想，累积距离和当前距离/>之间的关系为：
。
虽然动态时间规整距离匹配对于不等长的时间序列能发挥最大优势，但是动态时间规整距离不满足三角不等式和距离测度的性质。
设N个训练样本 ， M 为触觉序列的空间维度，此时的训练样本在 M 空间表现为非线性性质。为了将训练样本匹配到一个更高维的空间，提出了一个更好的线性表达，这个线性特性相对于原始的触觉序列的非线性特性而言。
因此，定义为从 M 低维空间到 H 高维空间的非线性变换。基于动态时间规整核的匹配功能定义为/>，动态时间规整核定义为：
。
式中，为调整的常数参数。
N个训练样本，每个训练样本定义为匹配矩阵的列向量。测试样本/>由训练样本中与/>相近的类线性表示，因此，核稀疏编码定义为：
。
式中，为系数矢量；/>为惩罚参数，一般/>取值/>；/>为L1范数，表示向量/>中所有元素的绝对值之和。
重构误差可以表示为：
。
式中，；/>为一个的方阵；/>为第(i,j)个元素。
因此，凸优化问题简化为：
。
应用CVX凸优化包求解得到测试样本的稀疏表达，因此，测试样本/>的残差简化表示为：
。
式中，为字典/>的子集，第c类目标线性表达。
测试样本的类别由与样本中最小重构误差所对应的训练样本的类别/>来决定，决策公式可以表示为：
。其中，argmin函数用于求解使目标函数取最小值时的变量值。
综上，基于动态时间规整的核稀疏编码的触觉序列的分类算法流程图可以简化如图2所示，具体流程如下：
（1）应用动态时间规整算法计算训练样本触觉时间序列之间的动态时间规整距离匹配；
（2）采用动态时间规整核将欧式空间中非线性动态时间规整距离匹配映射到高维空间；
（3）构建高维空间训练样本的联合字典，CVX凸优化工具包分别求解测试样本的稀疏表示；
（4）分别计算稀疏表示与字典间的残差并且将残差求和，根据最小残差的标签得到测试样本的标签。
实施例3
如图3、4所示，实施例3为一种建立触觉信息表征分类方法，基于触觉序列基于动态时间规整(DTW)联合稀疏编码算法。
核稀疏编码在动态时间规整距离的基础上应用动态时间规整核实现对整个触觉序列的编码工作。然而，机械手一般包含几个手指，每个手指上的触觉传感器可以采集到不同的触觉序列，基于触觉的联合核稀疏编码方法，用于一个单独时间序列的不同手指间触觉信息的简单融合。这种方法不仅简单，还能挖掘不同手指采集的触觉信息指尖的内在联系，把不同的手指类比为不同的触觉传感器，然后单独进行编码。
如图3所示，图3为触觉序列的联合核稀疏编码的示意图，机械手不同手指的触觉传感器分别采集多组触觉序列，每组触觉序列相对应的三维图如图3中第二列所示，从图3中可以看出各个手指采集到的触觉信息有一定的差异。
然而，利用核稀疏编码的思想对每个手指的触觉序列进行线性编码，线性表示的示意图如图3第三列所示，图3中突出的部分为线性表示过程中权重比较大的样本。联合核稀疏编码的思想是通过联合多个手指的触觉信息来对触觉序列进行分类，相对于单个手指触觉信息的分类结果有一定的优势。
触觉实验过程中用到多指机械手，设第m个手指采集序列对应的字典为，测试样本序列表达式为/>，其中由第m个手指得到的序列为/>，。
根据上述公式相似的原理，得到所有手指信息的联合核稀疏编码表示：
。
式中，为第m个手指的稀疏编码矢量；/>；/>为L21范数，表示/>每个列向量2范数的和。
利用CVX凸优化工具求解稀疏系数，利用得到的/>，根据核稀疏编码理论，测试样本/>的残差/>计算为：
。
式中，，/>，为第m个手指提取的触觉序列字典中第c类的特征；/>为/>的转置。
利用步骤式公式得到的残差/>计算M个手指的残差和/>：
。
式中，m=1,2,…M；利用残差和来判别测试样本的类别/>，测试样本的类别由最小的重构误差对应的样本的类别决定，决策公式可以表示为：/>。其中，argmin函数用于求解使目标函数取最小值时的变量值。
因此，触觉序列基于动态时间规整联合稀疏编码的流程图如图4所示，具体流程如下：
（1）应用动态时间规整算法计算训练样本触觉时间序列之间的动态时间规整距离匹配（实施例2已给出）；
（2）采用动态时间规整核将欧式空间中非线性动态时间规整距离匹配映射到高维空间（实施例2已给出）；
（3）构建高维空间3个手指训练样本的联合字典，CVX凸优化工具包分别求解3个手指测试样本的稀疏表示；
（4）分别计算3个手指的稀疏表示与字典间的残差并将残差求和，根据最小残差的标签得到测试样本的标签。
进一步的，以下实施例4提供了实施例1的步骤S2的具体实施方法。
实施例4
实施例4为实施例1的步骤S2的具体实施方法，根据实施例1的步骤S1的分类结果，划分目标物的刚度范围、设置机械手抓取力。通过基于阻抗控制的机械臂柔顺控制方法驱动机械臂运动。
阻抗控制的目的就是使机械臂末端工作空间产生类似质量-弹簧-阻尼特性的运动规律，从而减小机械臂与外界的接触碰撞，其原理如以下公式所示：
。
其中M、B、K分别表示惯性系数、阻尼系数、刚度系数，表示机械臂末端加速度，表示机械臂末端速度，/>表示机械臂末端位置，/>表示环境作用到机械臂末端的外力。调节这些参数可使机械臂末端产生不同的运动学特性，从而减小机械臂末端/>外界接触力。利用阻抗的思想，使机械臂的运动形式呈现出弹簧阻尼的运动形式。
进一步的，以下实施例5提供了实施例1的步骤S3的具体实施方法。
实施例5
实施例5为实施例1的步骤S3的具体实施方法，所述机械臂实验平台由机械臂、机械手、相机、阵列式触觉传感器以及目标物组成。
进一步的，所述机械臂采用UR5六自由度工业机械臂，具有六个自由度，可以模仿人类手臂的动作，每个关节都可围绕其自身轴心进行正负360°度旋转，工作半径可达850mm，在此范围内，UR5六自由度工业机械臂可以轻易的执行各种任务。
进一步的，所述机械手采用Robotiq 2F-85夹持器，具有两个铰接的手指，每个手指都有两个关节（每个手指有两个指节），抓握型抓取器最多可以与一个物体接触五个点（每个指骨上两个，再加上手掌）。
进一步的，选择阵列式触觉传感器，在实际的抓取过程中，会记录下阵列式触觉传感器每个小的受力阵列点所获得到的压力值，并进行实时分类，考虑到在目标物抓取过程中，受力阵列点会因为触碰到目标物而感知到目标物的大小，并且感知到的力随着机械手的2个手指抓的夹紧而变大。当施加速度控制闭合指令时，其感受压力的变化过程可以近似看作一条直线，过程中采集夹紧过程中的压力数据，通过最小二乘拟合的方法拟合成具有斜率的直线，通过材质的数据拟合的斜率有明显差异，从而区分出目标物的材质。
进一步的，以下实施例6提供了实施例1的步骤S4的具体实施方法。
实施例6
实施例6为实施例1的步骤S4的具体实施方法，基于实施例1的步骤S3的机械臂实验平台进行基于触觉的不同刚度物体识别与机械手抓取力控制方法实验验证。
受限于各类物件的外观形状，阵列式触觉传感器的受力阵列点的数量也有不同。因此，单纯采用平均值计算对于一些材质分类不能起到很好的区别作用。
为了解决上述问题，处理过程中要计算所有的受力阵列点的斜率，剔除掉由于非接触而导致全噪声拟合而成的“野点”，在剩下的受力阵列点斜率进行均值得出斜率结论。
利用阵列式触觉传感器采集到不同物体的触觉信息，包含了阵列式触觉传感器在不同时刻受到的力，其中包含未受力过程、挤压过程、以及受力平衡过程。其中，软胶把手、金属把手、树脂方形连接件、金属方形连接件、树脂圆形连接件、金属圆型连接件、橡胶线缆、金属线缆的触觉信号图如图5-20所示。
进一步的，通过阵列式触觉传感器采集目标物的触觉信息，进行数据处理，数据处理过程中，首先要进行的就是数据分段，过滤掉无效数据，截取阵列式触觉传感器的受力阵列点受力过程中的数据进行拟合，由于直接获取到的压力值是未经过传感器标零的数据，所以传感器在未受力的情况下，得到的值并不为0，而且传感器本身的材料受限，未受力时的值并不为一个恒定的值，而是在一个极小范围内波动的值。
经过大量数据的观测，得知阵列式触觉传感器在未受力的情况下，压力值在120克/牛到140克/牛之间波动，因此，要过滤掉数值极小的值，考虑到一些特殊情况下传感器可能会出现其他不寻常的波动，所以设定当阵列式触觉传感器的受力阵列中的任意3个受力阵列点的值均大于150克/牛时，判定为阵列式触觉传感器开始与物体发生接触并且发生形变。
因为阵列式触觉传感器与金属材料物体接触时，其形变过程极短，因此，采集阵列式触觉传感器与金属材料物体接触后的6到10组数据进行数据拟合。
拟合过程中，为了简化计算量，将自变量时间抽象为采集到数据的序号，因此，输入的自变量矩阵为X = [[1],[2],[3],[4]……]。因变量y即为序号相对应的压力值，利用这两组数据拟合得到每一个受力阵列点的拟合直线，最终通过判断直线的陡峭程度来得出目标物的材质。
通过多次重复试验，当机械手夹取树脂材料物体时，斜率主要分布在3-10之间；机械手夹取软胶材料物体时，斜率主要分布在15-23之间；机械手夹取金属材料物体时，斜率主要分布在30-60之间。
实验过程中，随机10次，选取9组触觉样本作为训练集样本，剩余1组作为测试集样本，每种分类方法实验准确率取10次随机分类准确率的平均值。
如图21列举了训练集：测试集=9：1划分的以触觉信息为特征的分类结果的混淆矩阵图，总体识别率为约83%。
本发明具体应用途径很多，以上所述仅是本发明的优选实施方式。应当指出，以上实施例仅用于说明本发明，而并不用于限制本发明的保护范围。对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进，这些改进也应视为本发明的保护范围。
Claims (8)
1.一种不同刚度物体识别与机械手抓取力控制方法，其特征在于，包括如下步骤：
S1：建立触觉信息表征分类方法，所述触觉信息表征分类方法采用触觉序列基于动态时间规整联合稀疏编码算法；
S2：根据所述触觉信息表征分类方法判断目标物的材质和刚度，选取合适的机械手抓取力，再结合基于阻抗控制的机械臂柔顺控制方法驱动机械臂运动，完成抓取动作。
2.根据权利要求1所述不同刚度物体识别与机械手抓取力控制方法，其特征在于，还包括如下步骤：
S3：搭建机械臂实验平台，所述机械臂实验平台包括机械臂、机械手、相机、阵列式触觉传感器，所述机械臂末端设置有机械手，所述机械臂末端还设置有相机，所述机械手的手指上设置有阵列式触觉传感器，用于验证目标物的识别分类、抓取问题；
S4：通过阵列式触觉传感器采集目标物的触觉信息，进行数据处理，根据所述触觉信息表征分类方法判断目标物的材质和刚度，从而预设机械手的抓取力，并且结合基于阻抗控制的机械臂柔顺控制方法去驱动机械臂运动，依托所述机械臂实验平台，完成基于触觉的不同刚度物体识别与机械手抓取力控制方法的实验验证。
3.根据权利要求2所述不同刚度物体识别与机械手抓取力控制方法，其特征在于，所述机械臂采用UR5六自由度工业机械臂；所述机械手采用Robotiq 2F-85夹持器，其具有两个铰接的手指。
4.根据权利要求1所述不同刚度物体识别与机械手抓取力控制方法，其特征在于，所述步骤S1的触觉序列基于动态时间规整联合稀疏编码算法的具体流程如下：
（1）应用动态时间规整算法计算训练样本触觉时间序列之间的动态时间规整距离匹配；
（2）采用动态时间规整核将欧式空间中非线性动态时间规整距离匹配映射到高维空间；
（3）构建高维空间训练样本的联合字典，CVX凸优化工具包分别求解测试样本的稀疏表示；
（4）分别计算稀疏表示与字典间的残差并且将残差求和，根据最小残差的标签得到测试样本的标签。
5.根据权利要求4所述不同刚度物体识别与机械手抓取力控制方法，其特征在于，所述步骤（3）中，构建高维空间3个手指训练样本的联合字典，CVX凸优化工具包分别求解3个手指测试样本的稀疏表示。
6.根据权利要求5所述不同刚度物体识别与机械手抓取力控制方法，其特征在于，所述步骤（4）中，分别计算3个手指的稀疏表示与字典间的残差并将残差求和，根据最小残差的标签得到测试样本的标签。
7.根据权利要求1所述不同刚度物体识别与机械手抓取力控制方法，其特征在于，所述步骤S2中，基于阻抗控制的机械臂柔顺控制方法驱动机械臂运动，其原理公式为，其中M、B、K分别表示惯性系数、阻尼系数、刚度系数， />表示机械臂末端加速度，/>表示机械臂末端速度，/>表示机械臂末端位置，/>表示环境作用到机械臂末端的外力。
8.根据权利要求2所述不同刚度物体识别与机械手抓取力控制方法，其特征在于，所述步骤S4中，通过阵列式触觉传感器采集目标物的触觉信息，进行数据处理，具体流程如下：
S41：通过阵列式触觉传感器在机械手实际的抓取过程中采集夹紧过程中的压力数据，先进行数据分段，过滤掉无效数据，然后进行拟合；
S42：拟合过程中，将自变量时间抽象为采集到压力数据的序号，因此输入的自变量矩阵为X = [[1],[2],[3],[4]……]，因变量y为序号相对应的压力数据，利用这两组数据拟合得到阵列式触觉传感器的拟合直线，最后通过判断拟合直线的陡峭程度来得出目标物的材质。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310946645.3A CN116652971A (zh) | 2023-07-31 | 2023-07-31 | 一种不同刚度物体识别与机械手抓取力控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310946645.3A CN116652971A (zh) | 2023-07-31 | 2023-07-31 | 一种不同刚度物体识别与机械手抓取力控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116652971A true CN116652971A (zh) | 2023-08-29 |
Family
ID=87710126
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310946645.3A Pending CN116652971A (zh) | 2023-07-31 | 2023-07-31 | 一种不同刚度物体识别与机械手抓取力控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116652971A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116911079A (zh) * | 2023-09-13 | 2023-10-20 | 江苏云幕智造科技有限公司 | 一种不完备模型的自演化建模方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102004925A (zh) * | 2010-11-09 | 2011-04-06 | 无锡中星微电子有限公司 | 物体分类模型的训练方法及利用该模型的识别方法 |
| CN105005787A (zh) * | 2015-06-24 | 2015-10-28 | 清华大学 | 一种基于灵巧手触觉信息的联合稀疏编码的材质分类方法 |
| US20180165864A1 (en) * | 2016-12-13 | 2018-06-14 | DeepMotion, Inc. | Virtual reality system using multiple force arrays for a solver |
| CN110170994A (zh) * | 2019-04-29 | 2019-08-27 | 清华大学 | 一种用于机械手抓取任务的触觉伺服控制方法 |
-
2023
- 2023-07-31 CN CN202310946645.3A patent/CN116652971A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102004925A (zh) * | 2010-11-09 | 2011-04-06 | 无锡中星微电子有限公司 | 物体分类模型的训练方法及利用该模型的识别方法 |
| CN105005787A (zh) * | 2015-06-24 | 2015-10-28 | 清华大学 | 一种基于灵巧手触觉信息的联合稀疏编码的材质分类方法 |
| US20180165864A1 (en) * | 2016-12-13 | 2018-06-14 | DeepMotion, Inc. | Virtual reality system using multiple force arrays for a solver |
| CN110170994A (zh) * | 2019-04-29 | 2019-08-27 | 清华大学 | 一种用于机械手抓取任务的触觉伺服控制方法 |
Non-Patent Citations (2)
| Title |
|---|
| SACHIN CHITTA 等: "Tactile Sensing for Mobile Manipulation", 《IEEE TRANSACTIONS ON ROBOTICS》, vol. 3, no. 27 * |
| 杨静伟: "基于视触融合目标识别的联合核稀疏编码方法", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 02, pages 14 - 52 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116911079A (zh) * | 2023-09-13 | 2023-10-20 | 江苏云幕智造科技有限公司 | 一种不完备模型的自演化建模方法及系统 |
| CN116911079B (zh) * | 2023-09-13 | 2024-02-09 | 江苏云幕智造科技有限公司 | 一种不完备模型的自演化建模方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bauza et al. | Tactile mapping and localization from high-resolution tactile imprints | |
| Spiers et al. | Single-grasp object classification and feature extraction with simple robot hands and tactile sensors | |
| CN111055279B (zh) | 基于触觉与视觉结合的多模态物体抓取方法与系统 | |
| Kappassov et al. | Tactile sensing in dexterous robot hands | |
| Takahashi et al. | Deep visuo-tactile learning: Estimation of tactile properties from images | |
| CN109015640B (zh) | 抓取方法、系统、计算机装置及可读存储介质 | |
| JP5209751B2 (ja) | ロボットの駆動システム、ロボットの駆動方法、及び、ロボットの駆動プログラム | |
| CN111251295B (zh) | 一种应用于参数化零件的视觉机械臂抓取方法及装置 | |
| Calli et al. | Grasping of unknown objects via curvature maximization using active vision | |
| Schill et al. | Learning continuous grasp stability for a humanoid robot hand based on tactile sensing | |
| CN110271000B (zh) | 一种基于椭圆形面接触的物体抓取方法 | |
| CN116652971A (zh) | 一种不同刚度物体识别与机械手抓取力控制方法 | |
| CN106204620A (zh) | 一种基于微视觉的触觉三维力检测方法 | |
| Ding et al. | Sim-to-real transfer for robotic manipulation with tactile sensory | |
| Zapata-Impata et al. | Generation of tactile data from 3D vision and target robotic grasps | |
| Lin et al. | Grasp mapping using locality preserving projections and knn regression | |
| Gao et al. | Visuo-tactile-based slip detection using a multi-scale temporal convolution network | |
| Zhou et al. | A Tactile-enabled Grasping Method for Robotic Fruit Harvesting | |
| Kicki et al. | Robotic manipulation of elongated and elastic objects | |
| Zhang et al. | Big-Net: Deep learning for grasping with a bio-inspired soft gripper | |
| Sepahvand et al. | Image-to-Joint Inverse Kinematic of a Supportive Continuum Arm Using Deep Learning | |
| WO2018161305A1 (zh) | 抓取质量检测方法及其应用的方法与系统 | |
| CN112025679B (zh) | 视触觉融合的五指机械手仿人抓取方法 | |
| CN114952836A (zh) | 多指手机器人抓取方法、装置与机器人系统 | |
| Murakami et al. | A decision method for placement of tactile elements on a sensor glove for the recognition of grasp types |
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 |