工件-夹具系统综合误差的分离算法

针对工件-夹具系统的误差分离问题,基于径向基神经网络算法建立了夹具误差的分离和识别算法.根据工件位姿变化对测试点位移数据的函数关系,对测试数据进行处理,并使用径向基神经网络方法分别建立夹紧力-测试数据和测试数据-夹紧力的拟合模型,实现了定位误差与夹紧误差的分离,计算出工件的位姿变化量和夹紧力的大小,从而能够为误差补偿或者故障诊断提供数据支持.使用该算法对实验数据进行分离与识别,夹紧力和位姿变化量的预测误差分别控制在10%和13%以内.     

足球机器人视觉系统的快速识别与跟踪技术

足球机器人系统是人工智能技术的一个非常好的应用与研究平台.文章着重研究、对比了目前常用的几种色标形式,提出一种在精度、稳定性、实用性等方面都符合要求的足球机器人色标形式及视觉系统设计方案和快速准确的算法,使得识别算法得到了简化.实验结果表明,系统的识别速度和精度都得到了很大的提高.     

基于视觉伺服的机器人作业系统研究

在分析了机器人离线编程后,提出了一种基于视觉的机器人控制方法.经过图像采集卡控制相机采集作业对象信息、对图像进行二值化处理、边缘检测、特征量计算、相机标定等步骤后,根据作业对象特征形成机器人控制信息.再调用MOTOCOM32库函数与机器人通信,实现对机器人的实时控制.实验完成了预定的作业任务,并证明了该方法的意义和实用价值.     

基于概率神经网络的全向足球机器人运动系统的故障诊断

全向足球机器人运动系统故障诊断研究对于增强其鲁棒性具有重要意义。在分析全向足球机器人运动系统故障类型的基础上,提出了基于概率神经网络的全向足球机器人运动系统故障诊断方法。在该方法中,采用卡尔曼滤波器实时处理全向足球机器人运动速度的残差信号,并通过概率神经网络对其故障进行诊断。给出的仿真实例证明了该方法的有效性。     

机器人焊缝跟踪水下双目视觉图像采集系统

分析了水下焊接的影响因素,采用大红和紫红复合滤光片进行滤光.根据机器人的结构,采用可调焦微型摄像机,满足跟踪精度的要求.设计了内外压环和密封圈的防水结构,使摄像机及光源的防水性能达到70～80 m.采用相交光轴双目摄像头的布局形式,设计了一块带弧形槽的装配板来装配摄像头与灯源,使其既适应于水下焊接,又易于匹配.对直线对接焊缝和坡口焊缝进行采集试验,所采集焊缝清晰可见、干扰较少,完全可以用于水下焊缝跟踪.     

视觉伺服系统的深度估计自适应控制研究

主要就机器人视觉伺服控制系统中的自适应深度估计问题进行了研究,对基于李亚普诺夫直接设计方法构造的深度估计自适应控制方法进行了可控性及稳定性分析,结果证明系统在自适应控制规律作用下能够渐进稳定。针对GRB-400四自由度机器人视觉伺服系统进行了仿真,仿真结果说明了算法的有效性。     

基于位姿分离算法的冗余机器人逆运动学分析

针对冗余机器人逆运动学求解复杂、实时性差的缺点,提出一种基于冗余机器人位姿分离的逆运动学求解算法。该算法以腕点矢量为目标,计算冗余机器人位置关节的逆解及位置关节对腕关节的误差补偿,得出腕关节逆运动学解。通过建立基于运动轨迹的逆运动学约束泛函,对冗余机器人的逆解进行了优化。得到机器人关节运动特性随约束泛函的变化曲线以及关节逆解的优化解流形。     

水下焊接机器人视觉传感系统图像干扰因素分析

水下焊接机器人视觉传感系统在焊接过程中实时的对焊缝图像进行提取,通过一系列的图像处理算法,识别出焊缝位置,得到焊缝与焊枪之间的位置偏差,通过控制算法,实现焊缝跟踪的目的.在图像提取的过程中,会有各种各样的干扰,如泥沙干扰、弧光干扰、水泡气泡干扰、水对光的散射等各种干扰.着重分析了水下焊接机器人视觉传感系统图像提取的各种干扰因素,并对各种干扰因素产生的原理加以研究分析,并在此基础上,对如何去除各种干扰因素的方法--"二步干扰因素去除法"进行了简要的分析.     

基于神经网络算法的机器人定位技术研究

机器人定位抓取工件时,正确的选择工件特征参数是机器人能否准确获取工件抓取点,进而对工件进行抓取的成败关键。在研究了图像处理技术的基础上,提出了利用神经网络非线性处理能力解决工件特征选择和特征提取过程中存在的非线性问题。在神经元的训练中,通过使用改进的Hebb学习规则克服了传统学习模式下的权值无限制增长而不收敛的问题,提高了特征的识别度和特征提取的准确性,使机器人能够实现对工件的准确抓取。     

视觉导航中的图像分割算法研究

选取自动阈值分割法对图像进行分割,采用最大面积法选取初始阀值,运用最大类间、类内方差比法对图像进行分割.考虑到户外路面区域容易受阴影干扰的情况,选取了三个颜色空间,首先在亮度空间对道路进行初始分割,然后,在另外两个空间根据阴影的特点进行阴影检测,再利用基于边缘的分割对图像进行分割,找出道路的可行驶区域.     

基于语义ORB-SLAM2算法的移动机器人自主导航方法研究

提出了一种基于单目视觉和激光雷达的同步定位与制图融合语义信息的新方法,该方法利用从单目视觉中提取的特征和在激光雷达深度地图中的对应关系来获得相对于关键帧的姿态数据,同时对图像进行语义分割;通过从深度卷积神经网络CNN获得的语义特征来细化语义信息,地图中的每个点都与一个语义特征相关联,以执行语义引导的本地和全局姿态优化。提出的语义标记和SLAM的耦合具有更好的鲁棒性和准确性。在室内环境中对装备单目视觉和激光雷达的移动机器人进行验证实验,实验结果表明:该方法可以提高机器人导航精度,实现机器人智能自主导航,同时也可以提供语义信息的图像数据。     

基于机器视觉的线缆表面缺陷检测系统设计与算法研究

针对相关行业对线缆表面质量检测的需求和人工检测方法的不足,提出一套基于机器视觉的线缆表面缺陷实时检测系统的设计方案。设计了满足工业生产线条件的视觉硬件设备,用于采集优质的线缆图像。在图像处理算法中,改进行灰度均值法实现了复杂环境下图像线缆区域的提取;改进双边滤波建立背景并与原缺陷图像差分实现了缺陷信息的分割。通过对300张存在小孔、划痕、绝缘皮破损等线缆缺陷图像进行检测试验,结果表明:该算法检测准确率高于96.3%。     

基于视觉的工业机器人装配演示示教研究

针对工业机器人编程效率低下、智能化程度不高和人机交互性能弱等问题,提出一种基于视觉的工业机器人装配演示示教系统,该系统包括目标检测与中心点定位模块、装配动作分类识别模块和机器人动作执行模块。在目标检测与中心点定位模块中,提出一种目标物体中心点定位和机器人抓取方法,使用实例分割算法识别物体类别,通过掩码均值化处理和坐标转换计算物体3D姿态信息;在装配动作分类识别模块中,建立基于深度学习网络的动作分类识别模型,该模型的输入为装配动作视频帧,输出为动作分类标签;最后,机器人动作执行模块根据物体类别、物体3D姿态和动作分类标签等信息规划机器人装配动作,控制机器人执行装配任务。以轴孔装配为例,验证了上述方法的有效性,实现了基于视觉演示的机器人装配模仿编程,对机器人演示示教研究具有一定的参考价值。     

基于神经网络和遗传算法的工业机器人不均匀表面抛光

传统抛光过程中,抛光参数通常是根据工件表面设置为恒定值。但如果工件表面不均匀,恒定的抛光参数对于材料去除量大的区域会发生欠抛光现象,进而降低抛光效率,影响加工表面质量。为此,基于神经网络(NNW)和遗传算法(GA)提出一种工业机器人不均匀工件表面抛光算法,解决不均匀表面抛光过程中出现的问题。应用神经网络预测某一确定的抛光参数对应的抛光性能,利用训练的神经网络模型输出包括最佳材料去除率和改善表面粗糙度的目标函数;将遗传算法用于优化模型抛光参数。通过对不均匀表面的抛光实验,验证了该算法的有效性。     

基于机器视觉及深度学习的静脉药物调配机器人药瓶识别北大核心

静脉药物调配机器人需要对数百种不同类型的药物进行调配,不同药物药瓶类型的识别、测量是精准调配的关键。对静脉药物调配机器人在药瓶类型分类、药瓶关键尺寸测量等不同任务要求情况下,运用基于机器视觉方法和深度学习框架YOLOv5s,实现了一种高效稳定的识别测量方法。结合机器视觉方法的测量准确性,深度学习方法对背景、光源的不敏感性,实现配药过程中不同环节药瓶的准确识别、测量。并通过实验定量地检测背景、环境光源对于识别结果的影响。     

基于改进自适应遗传算法的机器人路径规划研究

传统遗传算法的交叉和变异操作为随机操作,虽然简单,但在路径规划中却会产生不可行路径,增加运算量,影响算法的收敛速度。针对这一问题,在传统遗传算法遗传操作的基础上进行了改进,利用先验知识保证遗传操作后的种群个体为可行路径,同时提出了新的遗传参数自适应调整方式与之配合,提高了算法的寻优效率。最后,由于遗传算法容易陷入局部最优,根据模拟退火算法的Metropolis准则对经过遗传操作产生的新个体进行接受判定。通过将改进后的遗传算法与其他文献中的改进遗传算法相比较,结果表明:文中的改进遗传算法在收敛速度、优化效果以及寻优能力上都取得了明显的效果。     

天车机器人模型及吊钩运动视觉检测

天车是企业生产中物料吊运的重要设备。研究天车安全、可靠、高效运行具有重要意义。为研究天车运行特点及引入视觉系统进行避障、监控运行的可行性,在实验室环境中搭建了天车机器人及其视觉测量系统。建立了天车机器人吊钩轨迹运动坐标系及双目立体视觉模型;采用RGB不同颜色阈值选取方法对吊钩目标图像进行识别,进而将吊钩从复杂的背景中分割出来;采用SIFT特征点匹配方法实现了吊钩图像的特征点匹配及吊钩运动目标的视觉检测与跟踪。研究结果对提高天车运行的自动化、智能化具有借鉴意义。     

基于BP神经网络的机器人力矩补偿研究

通过对关节驱动助力减小机器人拖动示教的拖拽力,是提高拖动示教灵活性的有效方法。而在拖动示教过程中准确、实时地计算出机器人各关节补偿力矩,是实现拖拽助力的关键问题。针对拖动示教喷涂机器人进行动力学建模,分析关节力矩补偿值与惯性力、重力等因素之间的关系,提出一种基于无监督学习的BP神经网络力矩控制算法对机器人直接示教进行在线力矩补偿。在六自由度喷涂机器人上进行实验验证。结果表明：该力矩补偿算法的计算效率提升70%,平均计算误差为9%,助力效果明显。