概述:
机器人广泛应用于工业生产的加工和装配等各个领域。传统的工业机器人需要通过复杂的标定和预编程来完成任务。近年来,自动化水平的发展对机器人在不确定环境下执行复杂任务提出了更高的要求。因而机器人机械手的灵巧性受到更多的关注。本课题旨在工业机器人的灵巧性研究。这其中包括
1. 工业机械手/灵巧手的智能实时抓取;
2. 灵巧手的手内操控;
3. 工业机器人强化学习与智能装配。
1. 工业机械手/灵巧仿生手的智能实时抓取
1)工业机械手智能实时抓取
工业机械手拥有特殊设计的夹具结构以及与工件较大的接触面积,故而在工业装配中有着广泛应用。一个典型的工业机械手如图1.1.1(左)所示。传统工业需要预先标定机械手在工件上的抓取位置,因而效率较低,人力成本高。本研究提出了一种“迭代表面拟合”算法,如图1.1.1(右)所示。
图1.1.1. (左)本课题所使用机械手,(右)迭代表面拟合示意图。(右a)夹具表面点阵与物体点云的对应匹配,(右b)表面拟合优化确定夹具转换矩阵和伸缩长度。
图1.1.2. 抓取规划框图。迭代表面拟合根据初始采样点搜索合适的抓取姿态,不同的抓取姿态通过轨迹规划筛选确定最优抓取点。初始点的采样权值根据抓取姿态的分数更新。
迭代表面拟合算法进一步的被应用到工业机械手的抓取中,规划框图如1.1.2所示。该算法实现了稳定的实时自动抓取,抓取姿态规划速率在0.1秒以内。本算法可以实现杂乱环境下的多个未知物体的实时抓取,如图1.1.3所示。该课题获得了国际自动化科学与工程会议(CASE2018 )的最佳应用论文。目前该课题成功实现了与深度网络的分层规划,使得多物体抓取效率进一步提高,如图1.1.4.所示。论文下载地址:
https://arxiv.org/abs/1803.11290
图1.1.3. 工业机器人抓取实验。实验中多个物体堆放在一起。该算法直接在原点云图上寻找最优抓取点,对点云的噪音、空洞鲁棒,并且无需分割不同的物体。
图1.1.4. 该算法与深度学习结合的分层规划图例。(上)多个物体重叠的杂乱环境,(中)深度图和神经网络输出,(下)机器人的实际抓取图。深度学习用于搜索适合抓取的区域,而迭代表面搜索算法用于规划具体的抓取姿态。
2) 灵巧手的智能实时抓取
深度学习在简单夹具的抓取中获得了巨大成功,而灵巧手以其多关节的特性难以使用深度学习规划抓取点,如图1.2.1(左)所示。该研究提出了一种“手指分裂”算法,成功的将深度学习获得的简单平行夹具的抓取信息转化到灵巧手上。该算法从平行夹具的抓取点出发,通过提出的接触优化-手掌优化的循环优化策略,实时的分裂出多个抓取点,探索物体表面以提高抓取质量,如图1.2.1(右)所示。该算法目前应用到搜索不同形状不同大小功能的物体抓取中,如图1.2.2所示。在物理仿真引擎Mujoco的测试显示该算法可以显著提高抓取成功率,如图1.2.3所示。该算法对抓取质量的提高通过多种不同的抓取质量测量方法验证,如图1.2.4所示。该课题成果已发表至国际机器人与系统会议(IROS2018)上。论文下载地址:
https://arxiv.org/abs/1804.00050
图1.2.1. (左)多关节灵巧手示意图,(右)基于接触优化-手掌优化的循环优化的手指分裂算法。(右a)平行夹具抓取点的直接映射,(右b)接触优化用于搜索物体表面获得更高的抓取质量,(右c)手掌优化用于保持接触点并调整手掌姿态以获得更高的操作性能。
图1.2.2. 抓取规划仿真结果,本算法适用于不同种类不同形状的物体。
图1.2.3. 抓取的物理仿真结果。(上)平行手指的简单映射抓取,抓取失败,(下)手指分裂算法得到的抓取结果,抓取成功。
图1.2.4. 抓取质量提高图。手指分裂算法在不同的抓取质量测量方法下均有提高。
(未完待续)