基于深度學習的工業機器人位姿誤差自動補償方法

葛 勇，曾勁松

（安徽機電職業技術學院 電氣工程學院，安徽 蕪湖市 241002）

目前，機器人在工業中得到了廣泛的應用，通過機器人末端執行機構的姿態精度來測量機器人的工作性能。通過大量研究得出，當前影響機器人姿態精度的因素主要包括：結構參數誤差、環境因素干擾、動力學參數誤差、測量誤差等。在干擾因素當中包含了線性因素，也包含了非線性因素［1］。針對各類線性因素的干擾可結合其變化規律對位姿進行補償，但非線性因素由于沒有明顯的變化規律，因此很難實現對其精準的補償。同時，由于各類非線性影響因素的存在，使得機器人在運行過程中的精度會受到極大程度上的負面影響。因此，國外有相關方面的專家針對工業機器人位姿誤差補償方面展開了研究。提出由離線預調節和在線補償組成的迭代學習誤差補償方法，將改進的蒙特卡羅定位和機器視覺技術相結合，幫助自動泊車機器人進行位姿修正［2］。

近幾年，國內相關領域研究人員對這一話題也進行了深入的研究，并提出了較為可行的方法。有研究學者提出了一種全梯度標準粒子群優化反饋神經網絡的工業機器人末端位姿補償方法。計算機器人關節角度，應用全梯度下降法來優化反饋神經網絡，計算實際位姿與理想位姿之間的差值，并通過網絡訓練獲取位姿參數與角度差值的關系，實現對機器人關節角度值的補償［3］。雖然這種方法能夠很好的補償機器人關節角度，但是在實際應用中，機械臂連桿容易出現較大位移，依舊存在一定的誤差。還有相關專家提出基于慣性傳感器的工業機器人定位誤差補償方法，主要融合了視覺傳感器與慣性傳感器的信息，獲取工業機器人定位參數，通過光學運動跟蹤識別方法對末端位姿進行修正，實現誤差補償［4］。但是由于視覺傳感器獲取畫面的角度有限，容易忽略機器人運行過程中關節角的變化，因此在角度上還存在較大誤差。

針對上述問題，本文開展基于深度學習的工業機器人位姿誤差自動補償方法設計研究。

1 建立基于深度學習的機器人位姿目標識別定位模型

為實現對工業機器人位姿誤差的有效補償，引入深度學習，建立工業機器人位姿目標識別定位模型，并以其作為標準，開展后續對誤差的補償操作。在位姿目標識別定位模型中引入深度學習目標檢測模型的基本結構，包括目標區、特征表示區、區域分類等。利用深度學習算法對工業機器人運行過程中的圖像進行處理，并提取出可能存在目標的定位框架，將這一框架中包含的區域視為候選區域。通過自動方式提取圖像中的特征。采用分類器判定區域當中是否存在目標以及目標所屬的具體類別。在這一過程中用于實現深度學習的RPN網絡會產生一定損失，這一部分損失可通過下述公式計算得出：

式中，L(p,t)表示上述過程深度學習RPN網絡損失量；N表示學習次數；p表示生成框架類別預測信息；p"表示一個標簽中包含的信息。 表示平衡變量。根據上述公式，可確定模型在進行深度學習過程中產生的損失量。根據這一損失情況，在輸入變量時，對輸入值進行補償，將最后一個卷積層當中的特征圖上輸入ROI區域大小為：

式中，S表示最后一個卷積層當中的特征圖上輸入ROI 區域大??；y和y"表示ROI 區域中某一點的縱軸坐標；x和x"表示ROI區域中某一點的橫軸坐標。上述公式中，該節點的坐標表示為（x，y，x"，y"）。由于工業機器人本身運行環境當中存在較多復雜因素，因此采用多任務學習模式對位姿目標識別定位模型進行優化。在進行多任務模式的訓練中，使用2 個階段的學習策略來進行模型的訓練，目的是防止多個任務同時進行，會造成網絡的不穩定［5］。所以，在模型訓練的初期，模型是一個單一任務或雙任務組成的模型，通過不斷學習、迭代構成完整的模型結構。同時，在訓練的過程中，在RPN 網絡中模擬現實工業機器人的運行場景，模擬內容具體包括工業機器人開始時的位姿、結束時的位姿、連桿運行狀態等［6］。通過上述學習方式，可以使模型的參數不斷地更新，在原有的任務中，將所學到的知識轉移到新的任務中，使整個訓練過程的學習效率得到提高［7］。將上述構建的模型導入到包含256維度的RPN網絡中間層當中，在經過在最后一層卷積后，輸出256個維度的特征圖像，每一個圖像都有固定的尺寸，這些特征圖像上的每一個點都有對應的原始圖像和區域，利用回歸方法確定在原始圖像上該特征點所在區間。在此基礎上，選擇k 個具有不同大小以及長寬比的矩形，將其作為定位框。利用RPN網絡生成定位框，利用定位框確定工業機器人在運行過程中的位移以及角度。

2 導入誤差自動補償模糊控制器

在上述論述基礎上，將模糊控制器導入到工業機器人中，利用這一程序實現對位姿誤差的自動補償控制。圖1為模糊控制器的基本結構圖。

圖1 模糊控制器基本結構圖

利用模糊控制器當中的模糊化模塊，將精準的變量轉變為模糊變量。在模糊化模塊接口上的操作實際是定義語言變量的過程［8］。在模糊控制器當中，設置工業機器人位姿的物產數值以及誤差變化率數值，將其作為模糊控制器的輸入變量。為了使模糊控制語言變量轉換到離散域當中，實現計算機的識別，通過下述公式確定量化因子：

式中，k表示量化因子；m表示論域參數；e表示低限制；e"表示高限值。在確定量化因子后，根據控制規則中的輸入變量與輸出變量的模糊關系，通過模糊推理，確定輸出變量的模糊狀態，利用這一模糊狀態對工業機器人位姿誤差進行補償。在實際補償控制過程中，若每一次采樣后都需要進行模糊化、推理、去模糊化等操作，則會造成補償方法本身運行負擔增加，并占用大量資源［9］。針對這一問題，將上述運算以離線形式進行，并針對每一個可能產生的輸入白能量和輸出變量進行存儲，通過模糊查詢表得到對應數值，以此根據這一數據實現對工業機器人位姿誤差的自動補償。

3 輸出位姿誤差及自動補償

完成對模糊控制器的導入后，結合閉環矢量法，確定工業機器人的位姿誤差補償函數：

式中，I表示工業機器人的位姿誤差補償函數；J表示輸出位姿誤差最小值；m表示相對于工業機器人上下平臺各個連桿節點的位置。在確定工業機器人位姿誤差補償函數后，對于理論輸出位置可通過理論反解函數計算求得。由工業機器人連桿理論長度通過正向求解得到輸出的位姿數值。假設變量Xc表示補償后的輸出位姿誤差，則其表達式為：

式中，X"表示輸出位姿數值；X"表示實際輸出位姿補償量。通過理論反解得到工業機器人的名義補償量。在此基礎上，引入結構誤差，得到驅動工業機器人位姿改變的連桿誤差補償量［10］。針對工業機器人運行過程中隨時間變化而產生的動態誤差，基于工作空間補償原理，對工業機器人輸出軌跡進行動態補償。

在上述基礎上，為實現對工業機器人位姿誤差的自動補償，使工業機器人在運行的過程中每一個連桿都達到理想運動狀態，在上述導入的模糊控制器的基礎上，確定自動補償的原理如圖2所示。

圖2 工業機器人位姿誤差自動補償原理圖

按照圖2 所示的基本原理，進行對工業機器人位姿誤差的自動補償。在這一過程中，sl0表示驅動工業機器人原始結構誤差，由于工業機器人本身結構的特點，其各個連桿之間存在一定間隙以及結構誤差。因此，為了不影響到最終位姿的精度，在上述深度學習基礎上，在工業機器人中位點對sl0進行離線尋優，以此得到最優的sl0數值，在實際工業機器人開始運行時，針對其初始位姿進行更加準確的標定，確保后續位姿變化的精度，以此達到誤差自動補償的目的。

4 對比實驗

在本文上述論述基礎上，為實現對基于深度學習的補償方法應用可行性的檢驗，選擇將該方法作為實驗組，將基于改進的PSO-BP 算法的補償方法作為對照I 組，將基于慣性傳感器的補償方法作為對照II 組，開展下述對比實驗研究。選擇以某工業生產區也現使用的工業機器人作為實驗研究對象。具體實驗環境如圖3所示。

分別按照3 種補償方法的應用思路，將其應用到工業機器人上，并設置應用實驗組補償方法的工業機器人為JQR-01，設置應用對照I 組補償方法的工業機器人為JQR-02，設置應用對照II組補償方法的機器人為JQR-03。3個工業機器人的型號以及各個性能參數完全相同，表1為該工業機器人連桿理論參數對照表。

表1 工業機器人連桿理論參數對照表

在明確上述各個連桿的運行參數后，對3 組機器人在運行過程中各個連桿運行誤差進行對比，其誤差計算公式為：

式（6）中，表示位移誤差；w表示連桿完成運作后要求位置；l表示連桿完成運作后實際位置；式（7）中表示角度誤差；a表示連桿完成運作后要求角度；表示連桿完成運作后實際角度。根據上述公式，將3 組工業機器人位姿中五個連桿的誤差進行記錄，并得到圖4。

圖4 3組工業機器人位姿誤差對比圖

結合圖4中的數據可以看出，3組工業機器人位姿誤差中，位移誤差從小到大依次為：JQR-01、JQR-02、JQR-03，角度誤差從小到大依次為：JQR-01、JQR-02、JQR-03。由此可以看出，通過對比3 種應用不同補償方法的工業機器人位姿誤差得出，應用本文上述提出的補償方法的工業機器人位姿無論是位移還是角度都更加精準，證明該補償方法的有效性。

5 結束語

基于工業機器人的運行特點，針對其在日常工作和生產過程中存在的位姿偏差問題，引入深度學習，提出了一種全新的位姿誤差自動補償方法，并通過將該方法與其他2 種補償方法對比得出，該補償方法的應用可行性。在實際應用中，由于工業運行環境中存在較多干擾因素，均會對位姿誤差造成一定影響，因此在后續的研究中，還將針對多種不同環境中的干擾因素，對本文上述提出的補償方法進行優化，從而促進工業機器人運行水平的進一步提高。