基于接触状态感知的羊胴体后腿自适应分割控制方法

针对羊胴体后腿骨肉边界未知、尺寸多变和可见性约束限制造成的机器人自主分割精确度低与易受阻卡住的问题,提出一种羊胴体后腿自适应分割控制方法,并开展羊胴体后腿分割试验进行验证。该方法以接触状态感知为核心,有效提取接触类型特征、接触异常度特征和接触方向特征,通过构建深度时空神经网络识别接触类型,构建深度自编码网络估计接触异常度,采用主成分分析方法检测主要接触方向,实现接触状态多模态感知,机器人通过动态运动基元模仿学习人类操作技能,并结合接触状态感知信息实现关节运动的自适应调节。试验结果表明:深度时空网络模型在羊胴体后腿分割验证集上的识别准确率为98.44%;深度自编码网络模型能够较好地估计验证集样本的接触异常度,区分不同的接触状态。机器人基于自适应分割控制方法开展实际分割试验,与对照组相比,最大分割力下降幅度为29 N,最大力矩下降幅度为7 N·m,证明该方法的有效性;平均最大残留肉厚度为3.6 mm,平均分割残留率为4.9%,分割残留率与羊胴体质量呈现负相关,证明该方法具有良好的泛化性和准确性,并且整体分割效果较好,满足羊胴体后腿分割要求。

基于残差网络的新型触觉传感器接触状态感知与识别

基于触觉信息识别不同接触状态对于人机交互的实现具有重要意义。提出一种基于残差网络(Residual Networks)识别触觉传感器不同接触状态的方法。基于弹性体模板法制备了一款具有良好触觉感知能力的多孔石墨烯柔性触觉传感器。利用该触觉传感器采集了4种不同接触状态(拍打、重击、抚摸、推压)的时间序列数据,并对采集到的数据进行z-score标准化操作以及降采样处理。在此基础上,构建具有良好自适应性和泛化能力的残差网络模型对施加于该触觉传感器表面的4种接触状态进行分类识别,平均识别准确率为97.50%。实验结果表明:设计的多孔石墨烯柔性触觉传感器柔弹性好、灵敏度高、响应速度快,能够有效感知不同状态的接触力,残差网络模型可以高效地用于触觉传感器接触状态的分类识别。

接触状态感知下分拣机器人抓取过程多参数挖掘控制技术

由于分拣机器人在分拣货物时,易受到控制参数数量的影响,导致漏分拣或掉落等现象发生。为此,研究接触状态感知下分拣机器人抓取过程多参数挖掘控制技术。采用力传感器来获得接触状态信息,根据时间序列构造数据集,对不同时间序列进行了离散化。利用模糊PID控制算法,设计分拣机器人控制总体结构,以PID控制器原理为基础,获取分拣机器人接触状态感知多参数。通过模糊C均值聚类方法,挖掘模糊PID控制多参数群体中的关键参数,建立模糊关联规则,实现分拣机器人高精度控制。实验结果表明,所提方法的实际运动轨迹与期望运动轨迹相一致,在X轴、Y轴、Z轴坐标位置的避障误差低于1 mm,分拣失败次数低于0.5%,在不同传送带速度时的抓取速率均高于1.5个/s。该方法可以精准控制分拣机器人抓取、抬起等分拣动作以及避障动作,有效提高分拣机器人分拣精度、效率和动作稳定性。