基于神经网络深度强化学习的分拣机器人避障规划技术

分拣机器人的避障决策过程较为复杂，为提高分拣机器人的工作效果，设计基于神经网络深度强化学习的分拣机器人避障规划技术。首先，在动力学场景中设置障碍物，利用马尔科夫决策过程获取分拣机器人的运动状态后，判断障碍目标。在对神经网络实施深度优化学习后，设置了导引奖赏机制，并结合人工势场法建立连续型奖励函数，引导机器人向正确方向运动。将分拣机器人运动状态输入到神经网络中，在导引奖赏机制的引导下实现分拣机器人的避障。在环境中设置了障碍物，实现环境搭建，仿真测试实验结果表明：该方法具有较高的避障能力，可引导机器人在运动过程中做出正确的动作，进而实现精准避障。     

面向分拣机器人的多目标视觉识别定位方法

针对分拣机器人作业目标的结构形状复杂、位置随机摆放等干扰因素的问题,提出了面向分拣机器人的多目标视觉识别定位方法。基于四自由度Dobot机器人构建了具有视觉感知的分拣机器人系统,视觉系统获取传送带上多目标的图像,图像预处理算法提高分拣目标的对比度,构建圆形和线性结构元素对最大类间方差法分割的多目标区域进行填充和边缘平滑。建立基于图像信息的质心坐标,对多目标区域的连通域进行识别与定位。实验结果表明,该方法能够实现对多目标数量的统计,在分拣机器人的手眼标定的基础上,实现了对形状复杂、位置随机的多目标进行识别与定位,为分拣机器人的自主抓取、分拣提供位置信息。     

基于YOLOv3的装配零件多目标实时检测

为实现装配零件图像的多目标检测任务,提出基于深度学习的目标检测算法,将目标检测模型YOLOv3应用于零件的识别检测。将基于迁移学习思想的预训练权重引入网络模型的训练过程,加速网络训练过程,损失函数快速收敛,加速模型建立过程。将训练模型应用于零件检测,实验结果表明,所提出的多目标检测方法识别10类零件的mAP为99.8%,识别周期小于1s,检测结果准确。研究结果对生产线的自动化分拣、零件的装配定位有参考价值。     

视觉机器人的零件识别与抓取方法研究

为了满足视觉机器人能够精准抓取平面零件的需求,提出一种加入深度学习算法的零件识别与定位方法。首先,利用YOLOv4-tiny目标检测算法对目标物体进行识别,并提取出感兴趣区域（Region of Interest,ROI）送入PSPnet语义分割网络中进一步提取ROI。然后,将ROI区域进行亚像素级的模板匹配,并计算目标物体的深度信息。在目标物体中心坐标求解中,以ROI区域的最大内接圆的圆心作为目标物体的中心。最后,利用D-H法对机器人进行运动学解算,并进行抓取试验。实验结果表明：该方法的深度误差率大约为0.72%,视觉机器人抓取零件成功率达到91%,具有较高的定位精度和抓取成功率,可以满足实际工业分拣搬运需求。     

基于背景学习的运动工件目标分割方法研究

精准的目标分割是实现工业机器人对工件目标跟踪和识别的前提和基础。在非限制场景中运动目标快速分割方法的基础上,提出通过高斯混合模型对传送带背景进行学习,实现了工业机器人视觉系统对传送带上运动工件目标的鲁棒分割。实验结果表明,利用该方法对运动目标进行检测,精度比视觉系统中原有的自适应阈值方法提高了7.5%。本文方法适用于具有稳态皮带背景的工业机器人视觉检测平台上的运动目标的高性能分割。     

深度学习框架下数控机床运动误差溯因方法

为了快速准确地识别数控机床误差因素,提出了一种基于深度学习框架的运动误差智能溯因方法。首先,建立数控机床圆运动误差轨迹基准圆模型,生成理论样本解决深度学习大数据训练问题;然后,基于深度学习目标检测框架,提出数控机床运动误差溯因模型,构建深度卷积网络层自动提取圆运动轨迹特征,改进候选区域生成机制实现轨迹判别及区域生成;最后,模型的区域识别层准确识别误差轨迹类型,通过圆运动轨迹与误差源的映射关系实现对运动误差快速准确智能溯因。实验表明,本文方法可行且适应性好,识别溯源准确,正确率超过96%。     

基于级联式Faster RCNN的三维目标最优抓取方法研究

机器人在三维目标识别和最优抓取方面的难点在于复杂的背景环境以及目标物体形状不规则,且要求机器人像人一样在识别不同三维目标的同时要确定该目标的最佳抓取部位的位姿。提出一种基于级联式模型的深度学习方法来识别目标物体及其最优抓取位姿。第1级提出了改进的Faster RCNN模型,该模型能识别成像小的目标物体,并能准确对其进行定位;第2级的Faster RCNN模型在前一级确定的目标物体上寻找该目标物体的最优抓取位姿,实现机器人的最优抓取。实验表明该方法能快速且准确地找到目标物体并确定其最优抓取位姿。     

基于SVM分类识别的碗碟视觉伺服分拣机器人的设计

为解决商用碗碟清洗分装流水线依赖人工进行碗碟分拣的工程技术问题,以实现碗碟清洗流水线的碗碟分拣工序的智能化,研究并设计了基于视觉伺服控制的碗碟自动分拣机器人。该分拣机器人采用了直角坐标机器人结构,首先通过垂直安装在机器人上方的摄像头摄取待分拣碗碟图像,再利用视觉伺服控制软件中的经过训练的碗碟类型SVM分类器,对流水线上待分拣碗碟的形状进行识别,再进一步根据摄像系统的参数标定结果,利用图像处理的方法计算出碗碟的直径大小和相对X-Y坐标距离,并结合直角坐标机器人Z轴末端的超声波测距值,最终控制机器人完成碗碟吸取的动作。所设计的分拣机器人具有重复精度高、结构简单、造价低的优点,对提高商业碗碟清洗分装流水线的效率,优化分拣工序有着重要的意义。     

基于深度Q网络学习的机器人端到端控制方法

为了提高机器人在没有障碍物地图或者激光雷达数据稀疏情况下进行无碰撞运动的准确性,将强化学习与深度学习方法融合,提出了一种基于深度Q网络学习的机器人端到端控制方法。首先,利用传统Q学习方法进行强化学习,生成大量的有标签数据样本;然后,利用深度神经网络构建从激光雷达数据输入到机器人运动速度输出的端到端控制模型,该模型由输入层、输出层和两个全连接层组成;最后,在仿真环境中完成了模型的训练和评估,并将其部署在机器人平台上测试。实验结果表明,该方法训练生成的模型有效地建立了激光雷达数据与机器人运动速度之间的映射关系,按照这种映射关系,机器人在每一个控制周期选择Q值最大的动作执行,能运动平顺地规避障碍物。     

基于特征匹配的螺柱视觉识别方法研究

提出了一种基于特征匹配的螺柱视觉识别方法。该方法将螺柱识别与定位过程分为两步:训练和识别。在训练阶段,完成螺柱样本特征库的建立;在识别阶段,检测待识别图像中螺柱的类型和位姿数据,为分拣提供准确的螺柱类别及抓取位置信息。实验结果表明,该方法能够对视场范围内任意摆放螺柱实现准确识别与定位。     

基于机器视觉的工业机器人智能分拣系统设计

为了解决使用传统示教或离线编程方式的工业机器人无法满足复杂分拣环境作业要求的问题,以史陶比尔工业机器人、Kinect深度相机为硬件基础,搭建了基于机器视觉的工业机器人智能分拣系统平台。通过支持向量机(SVM)实现对分拣物体的学习识别,通过基于采样一致性(SAC-IA)粗配准和迭代最近点(ICP)精配准算法实现对物体位姿点云数据的配准。实验结果表明,搭建的智能分拣系统能够识别分拣物体种类并且获取物体的位姿,拓宽了工业机器人的应用领域。     

卷积神经网络SSD的道路目标检测

针对在传统的道路目标识别中,需要进行手工提取特征,模型的泛化能力差。使用深度学习的技术,提出了使用深度卷积神经网络(SSD)解决道路目标问题。该方法首先对图像特征进行自动提取,在基础网络后添加不同尺寸的特征图,然后对多尺寸的特征图做卷积滤波,得到目标坐标值和目标的类别。实验中,在SSD模型中增加了特征图的检测层数,增大原图像尺寸,调试相应的参数,经过多次迭代,最终得到目标模型。实验采用行车记录仪采集的图像,在图像中标定出车辆、行人和骑行的人三类,实验表明,检测目标尺寸越小,检测难度越大,检测效果越差,SSD模型对目标检测的平均准确率均值提高了0.082。提出的道路目标检测方法与传统目标识别算法相比,省去了手工特征提取,减少了工作量,提高了模型的泛化能力。     

基于改进型LeNet-5的工业机器人工件自动识别研究

针对机器人关节工件组装生产过程中,工件种类多、产量大、人工分拣与装配耗时费力等问题,在经典LeNet-5模型基础上,提出一种改进型LeNet-5网络,该网络输入图像的大小修改为32×32,卷积层增加至4层,激励函数改用Leaky ReLU以防止过拟合。同时,将改进型LeNet-5与经典LeNet-5、GoogLeNet模型进行训练、测试与对比,试验结果表明,改进型LeNet-5效果最好,测试集的准确率达到98.32%、曲线下降面积AUC为0.916 3,识别一个待装配工件仅需约0.016 s,满足工厂工业机器人实时性检测要求,为类似的识别提供了有效参考,具有较高的应用价值。     

基于RGB-D图像的机器人无标定视觉定位

针对柔性生产单元工业机器人轴孔装配任务中工件的识别和定位,提出一种能适应小批量多规格装配任务的工业机器人无标定视觉定位方法,减少了因复杂的标定过程和工况变化造成的设备停机而消耗的时间。基于深度图像设计了图像处理和特征识别算法,完成了目标工件最小外接矩角点坐标的提取。通过深度图像数据和机器人之间的坐标转换关系计算得出运动控制参数,驱动机器人完成粗定位。运用霍夫圆检测算法从彩色图像中提取待装配圆孔的几何参数,进而驱动机器人完成二次定位。实验结果表明,该方法的定位精度稳定在0.6mm～1.2mm之间,基本满足后续装配过程对定位误差的要求,可用于多规格、小批量轴孔装配过程中目标的识别和定位。     

基于SSVEP信号的下肢外骨骼机器人控制系统研究

为了降低脑控下肢外骨骼机器人的研发成本,促进脑机接口技术的快速发展,提出一种基于深度学习与Matlab/Simulink联合仿真控制方法。该方法建立具有多个自由度的下肢外骨骼机器人样机模型,并进行运动学仿真,验证模型的合理性。利用EEGLAB对SSVEP信号进行滤波预处理,通过FFT变换将信号从时域转换到频域,提取SSVEP信号的频域特征。结合深度学习理论对特征进行分类,将分类结果转换成控制指令,控制仿真模型进行运动。实验结果表明,该方法控制的平均准确率达到了79.8%,验证了其可行性。     

高速机器人分拣系统机器视觉技术的应用

研究了机器视觉技术在高速机器人分拣系统中的应用。构建摄像机标定下的人机交互界面,针对有关图像处理算法进行分析,提出结合多目标中心及角点结合轮廓特征识别的算法,从根本上解决当前分拣作业过程中存在的问题,提升机器人分拣系统的整体运行效果。     

基于RPPR机器人智能分拣实验装置的研制

结合机器人和传感技术,开发了基于RPPR机器人自动分拣实验装置.机器人从固定位置抓取工件至检测位置,再根据检测得出的不同高度将工件置于相应位置.该实验装置可形象地为学生理解学习机器人、单片机、传感器、接口技术等课程提供实物模型.     

基于机器视觉的工业机器人分拣技术研究

将视觉系统应用到工业机器人当中去,使得机器人具有人眼的功能是当今机器人研究的重点。本文针对以往工业生产线分拣工件时存在的问题,从视觉的角度研究了相关技术难点。本文完成了基于机器视觉的工业机器人分拣系统平台的搭建,首先通过摄像机对传送带上进入工作区的工件进行图像采集,然后对图像预处理分析,接着用不变矩对工件进行快速识别,之后用Hough-链码识别算法对工件进行精细匹配,最后通过中心定位算法计算出工件的位置,引导机器人对工件进行分拣抓取。同时,本文还提出了多目标分块处理算法和Hough变换与链码相结合的Hough-链码识别算法。实验结果表明,该分拣系统可以有效解决规则几何工件的分类的问题,达到分拣的目的。     

基于视觉识别系统的分拣搬运机器人设计

为提高快件分拣搬运的速度与效率,设计一种基于视觉识别系统的分拣搬运机器人。结合实际分析并确立设计结构方案,在快件进入配送站后,该分拣搬运机器人通过RFID视频识别系统识别快件的电子标签,完成快件信息的采集和读取。OpenCV操作摄像头采集快件图像信息,解码译码条码获取快件信息。系统根据快件信息按规划路径传送。传送过程中,在UWB定位模块中利用定位算法获取目标相对于机器人的实时几何空间位置,实现机器人路径的目标牵引。     

双目视觉伺服的4-DOF机械手臂运动控制

为了解决多自由度机械手臂由于目标放置偏离而引起的抓取任务失败问题,给出了一种基于双目立体视觉的目标识别与定位控制方法。以抓取矩形轮廓的目标物体放置于矩形目标位置为控制任务,基于双目视觉目标图像信息,分析了目标特征参数提取、识别、匹配以及目标空间位姿测量的方法。结合四自由度(4-DOF)机械手臂硬件控制系统,运用改进D-H参数法建立了机械手臂正运动学模型,并通过逆运动学方法将目标位姿转化为机械手臂的控制指令,实现对目标抓取和放置的运动控制。实验结果表明,该视觉伺服的机械手臂运动控制系统能够准确、稳定地实现抓取和放置任务,定位精度高,对工业机器人在分拣、装配中的运动控制研究和应用有重要的参考价值。