六轴机械手的控制系统设计外文翻译资料

本科生毕业设计（论文）外文资料译文

（ 2019届）

外文资料译文规范说明

一、外文资料译文：

基于两步优化的工业机器人演示编程

关键词：演示编程，轨迹优化，工业机器人，冗余度机械手

摘要：本文介绍了采用两步轨迹优化的工业机器人演示方法。 在第一阶段，通过统计方法进行优化，在第二阶段，基于能量消耗和任务执行时间标准的最小化获得机器人末端执行器轨迹。我们使用7自由度冗余机器人KUKA iiwa和Microsoft Kinect 2.0动作捕捉系统验证了我们的方法。

1.引言

人机协作（HRC）的主要原则是机器人和人类共同完成共同任务。在这种情况下，机器不会取代人类，而是补充他的能力，摆脱繁琐的任务。通常，人机协作提供了创建具有高性能的灵活工作单元的可能性。 HRC的一个特殊且广泛使用的案例是远程操作。

当机器人在非结构化和动态环境中工作时，远程操作是必要的，其中对象是未知的并且可能改变其形状（Du＆Zhang，2014）。有不同的人机界面可用于远程控制机器人，如操纵杆，触觉（Hirche＆Buss，2012），以及计算机视觉系统。接触装置通常限制手的运动，而视觉方法是非接触式的，手部运动变得更自然。杜尔（2014）提出了一种非接触式的基于Kinect的方法，该方法允许操作者通过执行双手臂运动将运动转移到双机器人操纵器。人机器人系统有很多可能性。例如，一个人可以组装机构或单元，同时，许多机器人可以重复组装相同的机构或单元。因此，操作员可以以这种方式对机器人进行编程，并且它可以以比人类更高的精度和更快的速度工作。

正确编程机器人是创建一系列动作，微调机器人，优化运动，提高安全性和提高效率的关键。根据机器人编程系统的评论，有一组独立的方法称为演示编程（PbD）（Biggs＆Macdonald，2003）。通过定期重复相同的动作，在远程操作过程中，人们可以编程机器人在没有任何帮助的情况下执行此操作。Argall等人提出了关于这一主题的综合调查（2009年）。在PbD的框架中，一个人充当教师并多次演示该动作，并且系统试图记住所有这些动作。在处理数据之后，可以获得所示运动的模型，在工业机器人的情况下，这可以是具有工具动作的末端执行器（EE）轨迹。另外，PbD补充了许多传统的学习技术，为传统方法的一些弱点提供了解决方案（Argall等，2009）。通过演示教授机器人的能力使得能够以直观的方式对机器人进行编程。为了实现PbD，可以使用不同的机器学习技术，例如人工神经网络，遗传算法，隐马尔可夫模型，支持向量机等（Ewerton等，2015; Umar Suleman＆Awais，2011; Vogt等，2017年）。这些工作考虑将系统学习到正确的动作序列，但不考虑为机器人优化这些动作的问题。

从运动学的角度来看，教导人们做出最适合他们的动作，但这些动作对于具有另一种运动结构或不同链接长度的机器人来说不是最佳的。而且，每次重复相同动作的人都会有不同的表现。 因此，将从人学习然后重复他的动作的机器人将具有由人类运动的差异提供的一些空间边界。 在这个空间中，可以根据其运动学优化机器人运动。

工业机器人的轨迹优化问题长期以来一直是研究界关注的焦点，并提出了不同的方法（Kim等，2010; Wigstrom等，2013）。 Ratiu和Prichici（2017）介绍了该主题的最新评论。优化问题被公式化为找到适应度函数的全局最小值或最大值。我们可以根据不同的机械手性能确定适应度函数：时间，能量，加加速度，运动平滑度，能量消耗等。两种最常用的优化方法是轨迹执行时间和能量最小化。操纵时间与机器人的生产率直接相关，最小的能量产生平滑的轨迹并减少执行器和机器人结构中的机械应力（Ratiu＆Adriana Prichici，2017）。一种基于将初始连续时间最优问题转换为离散问题的方法，其中期望的轨迹被表示为相应图中的最短路径，被许多作者使用（Betts，1998; Flacco＆De Luca， 2015; Zhou等人，2014）。通过动态规划和申请冗余系统，改进了将线性问题转化为离散问题的想法（Gao et al.2017）。

以前的工作分别考虑PbD或轨迹优化。 本文的目的是结合这两种技术，并开发PbD框架，利用多种观测和机器人模型约束，获得机器人运动的最佳轨迹。 为了解决这个问题，本文的其余部分组织如下： 第2节描述了问题陈述； 第3节包含系统设置的说明；第4节介绍了遥控操作方法，统计分析和轨迹优化；我们的工作结果总结在第5节中；第6节提供了对所提出的设计方法的讨论和结果分析；第7节总结了论文。

2.问题陈述

在本文中，我们正在处理基于遥控操作的PbD过程。我们的目标是开发一个扩展HRC边界的系统，这将有助于对机器人进行编程，而无需人工的额外努力。与通常基于机器学习和数学模型的传统PbD方法相比，我们的系统使用统计数据分析和优化技术来基于多次人类重复来编程机器人运动。

第一个目标是为机器人实施远程操作系统，该系统无需标记即可跟踪人体运动，并且不需要对特定人员进行预训练。系统跟踪人手的运动，机器人重复这一运动。第二个目标是对人手运动，动作检测和获得轨迹和置信区间的统计分析，其中机械手可以执行任务。然而，获得的轨迹对于机器人可能不是最佳的。因此，在第三部分中，考虑到可能的操纵器运动的限制，使用不同的目标函数来进行所获得的运动轨迹的优化。在这项工作中，我们正在考虑最小化总执行时间和最小化能耗。使用离散方法执行优化。

3.系统设置

开发系统由多个软件和硬件组成，其框图如图1所示。操作员移动由Kinect 2.0 RGB-D摄像头捕获。使用Kinect SDK处理设备中的数据，并以3D形式给出25个人体骨架点的坐标空间。 MATLAB通过MEX文件接收数据，该文件包含使用Kinect SDK的程序（Terven＆Coacute;rdova-Esparza，2016）。之后，MATLAB处理操作员手部运动的轨迹。

首先，过滤输入数据并应用必要的坐标变换。过滤后的轨迹存储为EE的位置和方向，并发送给统计分析，在此期间我们获得轨迹及其可能的偏差。然后，根据运动学和动力学模型对所选机械手进行优化轨迹（机器人动态模型可用于机器人工具箱（Corke，2017）。最后，机器人关节位置的顺序正在发送到机器人KUKA IIWA LBR 14，机械手根据内置模型执行运动。

图1 系统设置和数据工作流程

4.方法和实施

4.1遥控操作

选定的机器人操纵器具有7个自由度（DoF），而人手近似Kinect软件只有6个DoF。因此，他们的运动学模型是不同的，操纵器有一个冗余的DoF。为了克服这个困难，决定通过人手的坐标和前臂的方向连接人和机器人EE的运动。在这种情况下，可以使用附加的操纵器DoF为每个EE位置选择最佳配置。人手腕的坐标对应于操纵器EE的坐标。可以发现EE的方向是从肘部到手腕的向量。方向表示为欧拉角。为了找到EE方向，我们假设结果向量与向量Oz的方向共同指向。我们不考虑围绕前臂轴的手腕旋转，因此，侧倾角等于0。EE方向计算的公式如下：

其中l是向量长度。人的手腕坐标被转换为工作空间中的操纵器相对标记。校准点的坐标（工作空间中的绿色圆圈）在操纵器工作空间中是已知的。系统在系统校准期间估计人手工作空间中的标记坐标。它可以按如下方式进行：

1）操作员将手放在校准点上，系统使用Kinect记住其位置;

2）两个工作空间（机器人和人）中的点的相互位置完全相互对应。图2显示了跟踪标记和校准点。

图2 KUKA和带有校准点的人体跟踪标记（人体的红色圆圈和机器人的绿色圆圈）。

4.2反向运动学问题

库卡IIWA LBR 14机械手是一个冗余机器人手臂，因此有必要使用特殊算法来解决逆运动学问题。我们决定使用SNS算法（Flacco等人，2015b）。与大多数用于求解逆运动学问题的算法一样，该算法基于速度控制。 关节速度q̇可以从公式中获得：

(2)

其中是雅可比行列式的伪逆，任务缩放因子sisin;（0,1）和由SNS算法提供的零空间速度矢量是当前的关节位置，ẋ是速度 在笛卡尔空间中（Flacco等人，2015b）。SNS算法具有计算效率，集成了完成具有给定约束的笛卡尔任务所需的最小任务缩放（包括无缩放），并为所有关节运动约束提供了统一的框架 （关节范围限制，速度和加速度界限）。基本思想是当时仅禁用一个关节（根据某些标准，最关键的一个），所请求的运动将超出其能力，并且在适当的雅可比矩阵的零空间中重新引入该关节的饱和贡献（Flacco等人，2015b）。

在远程操作中，我们可以为单个运动获得多个轨迹。它们之间的差异是由于一个人不是机器人并且不能每次都相同地重复相同的运动。获得的轨迹的示例（正视图）在图3中示出。

我们的任务是获得与这些运动相对应的最终轨迹。每个轨迹由从Kinect获得的机器人EE轨迹点组成。另外，每个轨迹具有不同数量的点，因为轨迹的长度不同。 此外，一个人可以以不同的速度通过它们，并且Kinect具有恒定的更新频率，这导致点之间的不同间隔。

在假设该人试图进行拾取和放置运动的情况下确定一个人的运动的轨迹。为了对不同的手路径进行聚类，操作员将手放在起点和终点上，以显示系统保存这两点。然后通过将整个点阵列分成这些点之间的单独运动线，我们得到一组子轨迹。

图3 四次重复轨迹的统计分析结果（前视图）。

下一阶段是获得的轨迹的归一化。 轨迹已经以离散形式呈现，但由不同数量的点组成。 我们使用插值将每个轨迹中的点数调整为最小数量。 结果，所有轨迹具有相同数量的部件。 对于每个离散部分，计算中点和标准偏差。几个输入轨迹及其平均轨迹的一个例子如图3所示。

4.4联合空间优化

通过考虑标准偏差，可以将路径分割成段并构建垂直于这些段的平面。 然后，使用围绕平均轨迹点的标准偏差内的附加点填充结果平面。 这些示例如图4所示。有两种方法可用于创建点，如图4所示：

图4 具有附加点（图顶点）的平均轨迹和两种可能的创建方法

1）围绕中点均匀间隔的附加点。 在这种情况下，我们对所有可能的组合感兴趣（图4（A-A（1）））;

2）通过对数定律远离中心的附加点，因为我们对中心区域更感兴趣（图4（A-A（2）））。

从这些点可以构建加权有向图，该图的示例在图5中示出，其中点充当顶点并且边表示可能的机器人运动。 通过使用不同的加权函数可以找到图的权重边，本文使用以下三个选项：

1）从一个点移动到另一个点的最短时间。

2）能量消耗需要在总关节工作时计算的两点之间移动

剩余内容已隐藏，支付完成后下载完整资料

Programming by Demonstration Using Two-Step Optimization for Industrial Robot

Keywords: Programming by demonstration,Trajectory optimization,Industrial robot,Redundant manipulator

Abstract:The paper presents programming by demonstration approach for industrial robots that uses two steps trajectory optimization. On the first stage, optimization is done by statistical methods, on the second stage, the robot end-effector trajectory is obtained based on minimization of energy consumption and task execution time criteria. We verified our approach using 7 degree-of-freedom redundant robot KUKA iiwa and Microsoft Kinect 2.0 motion capture system.

1.INTRODUCTION

The main principle of human-robot collaboration (HRC) is that a robot and human work together on the common task. In this case, the machine does not replace human, but complements his capabilities and rid of tedious tasks. In general, human-robot collaboration gives a possibility to create flexible working cells with high-performance. One of the particular and widely used case of HRC is teleoperation.

Teleoperation is necessary when the robot is working in unstructured and dynamic environments, where the objects are unknown and may change their shapes (Du amp; Zhang, 2014). There are different human-robot interfaces that could be used to control remotely the robot, such as joysticks, haptic (Hirche amp; Buss, 2012), and on computer vision systems. Contact devices often limit the hands movements while visual methods are contactless and hand movement becomes more natural. Du el al. (2014) presents a non-contacting Kinectbased method that allows the operator to transfer motions to the dual robot manipulators by performing a double hand-arm movement. That human-robot system has many possibilities. For example, one person can assemble a mechanism or unit, and at the same time, many robots can repeatedly assemble the same mechanism or unit. So the operator can program robots in such way and it can work with higher accuracy and with greater speed than human.

Properly programming the robot is a key to create a sequence of actions, fine-tune the robot, optimize motions, improve safety and improve efficiency. According to the review of robotic programming systems, there is a separate group of methods called Programming by Demonstration (PbD) (Biggs amp; Macdonald, 2003). Through periodic repetitions of the same action, during the process of teleoperation, a person can program the robot to do this action without any help. A comprehensive survey on this topic has been presented by Argall et al. (2009). In the framework of PbD, a person acts as a teacher and demonstrates the action several times, and the system tries to remember all these actions. After processing the data, it is possible to obtain a model of the showed movements, in case of industrial robotics this could be an endeffector (EE) trajectory with tool actions. Additionally, PbD

complements many traditional learning techniques, offering a solution to some of the weaknesses in traditional approaches (Argall et al., 2009). The ability to teach a robot through a demonstration gives a possibility to program the robot in an intuitive manner. To achieve PbD, different machine learning techniques such as Artificial Neural Networks, Genetic Algorithms, Hidden Markov Models, Support Vector Machines, etc. can be used (Ewerton et al., 2015; Umar Suleman amp; Awais, 2011; Vogt et al., 2017). These works consider learning the systems to the correct sequence of actions, but do not consider the problem of optimizing these actions for the robot.

While teaching people make movements that are optimal for them, from the kinematic point of view, but these movements will not be optimal for a robot with another kinematic structure or different link lengths. Moreover, a person while repeating the same action each time does it differently. Consequently, the robot that will learn from the person and then repeat his actions, will have some space boundaries provided by differences of human motions. In this space, it is possible to optimize the robot movements based on its kinematic.

The problem of trajectory optimization for the industrial robots has been in the focus of research community for a long time and different methods were proposed (Kim et al., 2010; Wigstrom et al., 2013). The latest review of this topic is presented by Ratiu and Prichici (2017). The optimization problem is formulated as finding the global minimum or maximum of the fitness function. We can determine the fitness function considering different manipulator performances: time, energy, jerk, smoothness of movement, energy consumption, etc. Two most frequent optimization methods are the trajectory execution time and energy minimization. The manipulation time is directly related to the robot productivity, minimal energy produces smooth trajectories and reduces mechanical stresses in actuators and on the robot structure (Ratiu amp; Adriana Prichici, 2017). A method based on the transformation of the initial continuous time-optimal problem into a discrete one, where the desired trajectory is represented as the shortest path in the corresponding graph was use by a number of authors(Betts, 1998; Flacco amp; De Luca, 2015; Zhou et al. 2014). The idea of transforming a linear problem into a discrete one was improved by dynamic programming and applying for the redundant system (Gao et al. 2017).

Previous works consider either PbD or trajectory optimization separately. The objective of this paper is to combine both techniques and to develop PbD framework that will obtain optimal trajectory for robot movement using multiple observations and robot model constraints. To address this problem the remainder of the paper is organized as follows. Section 2 describes the problem statement. Section 3 contains description of the system setup. Section 4 presents teleoper

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[276060]，资料为PDF文档或Word文档，PDF文档可免费转换为Word