食品協作機器人動態目標抓取控制方法研究

程鵬飛 劉明堂 孫 晨

(1. 河南水利與環境職業學院,河南 鄭州 450000;2. 華北水利水電大學,河南 鄭州 450045;3. 河南農業大學,河南 鄭州 450002)

在“工業4.0”“再工業化”“中國制造2025”等重大計劃的推動下,中國機器人技術發展迅速[1]。機器人作為集深度學習、智能控制和感知等多種人工智能技術于一體的技術,大大提高了生產效率,也使產品質量得到了進一步提高。食品行業需要在包裝、分揀、裝箱等方面投入大量工作,為了滿足產品定制帶來的多樣性需求以及食品生產中快速換產要求,機器人不僅要長期執行重復性的工作任務,還需要考慮人與機器人協同工作的問題[2]。協作機器人以體積小、人機互動性好、安全系數高等優點成為人機合作不可替代的領域。動態目標抓持是協作機器人最典型的應用之一,能夠滿足柔性靈活的抓持需求,提高抓持作業的精度和效率[3]。

為了使機器人能夠適應復雜的工作環境,機器人的智能化研究尤其是智能化抓取技術的研究越來越受到關注。目前國內外關于機器人抓取控制技術的研究較多,也有一些較為突出的成果,如PID控制、滑動控制、魯棒控制等[4-8]。但是關于協作機器人的抓取控制方法研究較少,與傳統機器人相比,協作機器人更加安全和簡單。李世裴等[9]針對多目標復雜場景,提出將監督學習和視覺技術相結合用于協作機器人抓取控制。結果表明,所提方法能夠較為準確地抓取目標,具有一定的應用價值。胡國喜等[10]針對并聯機器人食品分選中存在的效率差和精度低等問題,提出一種改進的PID控制方法用于運動目標抓取。結果表明,所提方法與常規方法相比,在動態目標抓取中具有良好的抓取成功率和效率。饒期捷等[11]針對現有機器人抓持方法不能滿足實際生產需要,提出將改進的Canny邊緣檢測與Hough變換相結合用于機器人抓取檢測。結果表明,所提方法在抓取過程中具有較好的準確率和魯棒性。雖然上述方法可以實現機器人動態目標的穩定和高效抓取,但在實際應用中的抓取成功率和效率有待進一步提高。

在此基礎上,研究提出將模糊自整定PID控制與魯棒自適應補償器相結合用于協作機器人食品動態目標抓取控制。通過PID結合模糊控制完成參數自整定,將魯棒算法與自適應算法結合用于系統不確定性補償,并通過試驗驗證所提方法的優越性。以期為協作機器人在食品生產中的應用提供依據。

1 協作機器人系統概述

根據機械臂的結構,將機器人分為串聯機械臂和并聯機械臂,并聯機械臂如DELTA機器人,串聯機械臂如協作機器人和工業機器人等。協作機器人以其體積小、人機交互性好、安全系數高等優點被廣泛應用于食品分選領域[12-13]。圖1為協作機器人的系統結構。該系統由主控制器、協作機器人主機、視覺系統、傳輸系統、顯示系統5個主要部分組成。通過視覺系統實現傳動系統上目標數據的采集與識別,主控制器根據采集信息對抓取位置進行計算,控制協作機器人本體完成目標物體的動態抓取。

圖1 系統結構

2 協作機器人抓取控制

協作機器人由多個關節和連桿組成,是一個比較復雜的動力學系統,各關節的運動與力矩之間也存在復雜的耦合效應,在協作機器人運動過程中,外部干擾和不確定性是影響協作機器人的主要因素,不確定性與時間變化是未知的,提出將模糊自整定PID控制與魯棒自適應補償器相結合用于協作機器人食品動態目標抓取。通過模糊控制器對PID控制參數進行自調整,通過結合魯棒算法和自適應算法對系統的不確定性進行補償[14-18]。

2.1 協作機器人動力學方程

根據拉格朗日建模方法可以得到串聯機械臂的動力學方程,如式(1)所示。

(1)

式中:

M(q)——機器人慣性矩陣;

G(q)——機器人重力項,N·mm;

q——關節角角度,rad;

τ——各關節驅動力矩,N·mm。

式(1)為理想狀態下機械臂各關節的驅動力矩,但實際控制對象會受到干擾和摩擦力的影響。當機器人關節角速度不為零時,關節所受的力矩可近似為受庫侖摩擦力和黏性摩擦力的影響。動力學方程如式(2)所示。

(2)

式中:

σ——機械系統中的不確定參數;

τ(t)——t時刻各關節驅動力矩,N·mm。

2.2 模糊PID控制

PID控制在工業控制中應用較為廣泛,常用的PID控制器具有比例項、積分項、微分項,輸出如式(3)所示[19]。

(3)

式中:

e(t)——跟蹤誤差,rad;

kp、ki、kd——比例、積分和微分系數。

由于積分項導致定性下降和計算量增加,文中ki=0,PID控制輸出如式(4)所示。

(4)

因PID參數調整較為復雜,在非線性時變系統中無法適用,因此,提出PID與模糊控制結合完成參數自整定,有效解決PID參數整定難度大的問題,具體參數整定過程如圖2所示。

圖2 模糊PID控制器參數整定過程

將誤差e和變化率Δe作為模糊輸入,將比例和微分增量Δkp和Δkd作為模糊輸出,隸屬函數為三角形。進而實現非線性PID控制的參數自整定功能。

2.3 自適應魯棒補償器

e(t)=q(t)-qd(t),

(5)

(6)

(7)

式中:

e(t)——跟蹤角誤差,rad;

將式(5)、式(6)和式(7)代入式(2),變換得:

(8)

在機器人的實際運行過程中,由于參數的不確定性和參數的不斷變化以及機器人系統中存在的不確定性,不能得到精確的動力學模型,因此,可以將動力學模型分為名義部分和不確定部分,如式(9)所示。

(9)

式中:

(10)

式中:

S——常數。

如果不考慮所有的不確定性,那么H≡0。

設計魯棒補償器如式(11)所示。

(11)

式中:

λ——對角矩陣,λ=diag(λ1,…,λn);

β——系統不確定項上限(H≤β);

ε——常數(極小);

ud——補償器的實際輸出。

β參數滿足如式(12)所示。

H≤β=D·B,

(12)

式中:

B——系統不確定項;

D——系數向量,D=max(1,‖e‖,‖e‖2)。

通過自適應算法確定B參數估計律,如式(13)所示。

(13)

式中:

k——正定矩陣。

可得自適應的魯棒補償器如式(14)所示。

(14)

2.3 控制策略

針對傳統PID控制器存在的一些問題,提出將模糊自整定PID控制與魯棒自適應補償器相結合用于協作機器人的食品動態目標抓取。通過模糊控制器對PID控制參數進行自整定,提高效率的同時降低超調量。通過魯棒自適應補償器補償系統的不確定性,提高系統抗干擾和學習能力。具體的控制器結構如圖3所示。

圖3 抓取控制方法結構

設計總控制律如式(15)所示。

τpid+u=τ。

(15)

3 試驗分析

3.1 試驗參數

為了驗證所提協作機器人抓取控制方法的優越性,將試驗方法與文獻[21]結合滑模和模糊算法的控制方法和PID控制方法進行動力學軌跡跟蹤和抓取效果試驗。PC機系統為windows11、處理器為英特爾酷睿i513400m。通過MATLAB進行試驗。抓取平臺結構如圖4所示,系統參數見表1。算法參數見表2。

表1 系統參數

表2 算法參數

圖4 抓取平臺結構

為了更好地對比不同控制方法的性能,通過最大位移誤差(MAXE)和位移誤差的均方根(RMSE)對不同控制方法的動態性能進行分析,如式(16)和式(17)所示。

EMAXE=max(|ei|),

(16)

(17)

式中:

ei——第i個樣本的位置跟蹤誤差,rad;

n——樣本總數。

3.2 不同控制方法試驗對比分析

為了驗證試驗所提控制方法的優越性,將試驗方法和文獻[21]結合滑模和模糊算法的控制方法和PID控制方法進行對比分析,試驗過程中對協作機器人上位機采集的數據進行處理,可以得到不同控制算法的對比結果,連桿1軌跡跟蹤誤差如圖5所示,連桿2軌跡跟蹤誤差如圖6所示。不同控制方法的跟蹤性能比較如表3所示。

表3 不同方法的跟蹤性能

圖5 連桿1軌跡跟蹤誤差

圖6 連桿2軌跡跟蹤誤差

從圖5和圖6可以看出,與文獻[21]的控制方法和PID控制方法相比,試驗方法具有最小的跟蹤誤差,動態跟蹤性能最優。由表3可知,試驗所提控制方法在連桿1和連桿2中均具有最小的最大位移誤差和位移誤差的均方根,試驗所提控制方法與PID控制算法和文獻[21]控制方法相比均有較大提高,試驗方法具有較好的魯棒性,也驗證了試驗方法用于協作機器人抓取控制方法的優越性。

為了進一步驗證試驗所提控制方法的優越性,對協作機器人動態目標抓取系統的整體功能進行測試,測試系統能否有效、穩定地抓取和放置傳送帶上的目標物體,驗證算法的穩定性。試驗目標分別為蘋果、梨和橙子,其中蘋果為協作機器人抓取目標,梨和橙子為干擾對象,設置帶式輸送機4個速度(100,200,300,400 mm/s),蘋果、梨和橙子各2 000個,不同抓取控制方法的抓取結果如表4所示。

表4 不同方法的抓取效果

由表4可知,輸送速度從100 mm/s增加到400 mm/s,3種方法抓取成功率均有不同程度的降低,試驗方法的抓取成功率由100 mm/s時的99.50%降至400 mm/s時的94.50%;文獻[21]方法的抓取成功率由100 mm/s時的98.25%降至400 mm/s時的91.00%;PID控制的抓持成功率由100 mm/s時的95.00%降至400 mm/s時的79.50%,因此從動態目標抓取效果來看,試驗方法在多種輸送速度下抓取成功率最優,能夠達到預期的協作機器人動態目標抓持效果,具有較強的抗干擾能力和適應性。

4 結論

研究提出將模糊自整定PID控制與魯棒自適應補償器相結合用于協作機器人食品動態目標抓取。PID控制參數由模糊控制器自調整,并將魯棒自適應算法用于補償系統的不確定性。結果表明,與文獻[21]方法和PID控制相比,從傳送帶速度為100～400 mm/s時,試驗方法抓取成功率由99.50%(PID控制95.00%,文獻[21] 98.25%)僅降至94.50%(PID控制降為79.50%,文獻[21]降為91.00%),試驗方法具有最高的抓取成功率,能夠應對目標的變化和外部干擾,提高協作機器人的抓取成功率,對食品自動化生產具有一定的參考價值。雖然試驗所提方法在食品動態目標抓取中的效果較好,但仍有一些研究需要不斷完善,如后續可以進行多機器人協作,進一步提高抓取的成功率。