基于双目视觉的双臂协作教学机器人研究与设计

为弥补智能制造、机器人工程等新专业实验装置短缺、学生创新实践能力亟待提升等问题,本文设计了一种基于双目视觉的双臂协作教学机器人.双臂机械部分设计呈对称结构,底座大而稳定,可以降低制造成本及协作抓取难度;研究设计的示教动作还原算法和重投影误差最小化算法,可以提升机器人末端位姿数据采集精度,使双臂协作抓取更准确稳定.该系统不仅能够通过上位机拖动控制双臂运动完成示教编程及动作组实验,而且还能够进行基于视觉引导的图像处理及单臂抓取实验、运动分析实验、在线编程与协调抓取开放实验.该系统成本低、功能丰富、综合性强,且兼具拖动示教与开放性特点,有助于提升学生创新实践能力,非常适合在智能制造、机器人工程等专业实验教学过程中推广应用.

教学机器人综合实验平台设计与研发

为了提升机器人工程专业学生综合实践能力,本文设计了一款集机、电、控、图像处理于一体的教学机器人实验平台,将机器人机械结构设计、运动学分析、运动控制、图像处理等技术有机融合,不仅提供了机器人关节装配及实物图演示实验,易于学生理论联系实际深入掌握机器人机械结构及工作原理,而且基于开放的控制实验平台,能够完成机器人的运动学分析、驱动控制、轨迹规划、图像处理及基于视觉引导的物体识别与抓取等实验.该实验平台具有很强的综合性和可操作性,激发了学生的学习兴趣,使学生工程实践与创新能力得到有效提升.

工业机器人运动学参数标定的位姿点集优化研究

针对工业机器人标定时因位姿点选择随机导致标定结果不稳定的问题,开展了位姿点集优化方法研究。首先,以可观测指数O 1为依据,通过随机搜索算法确定最优位姿点的数目;其次,提出改进最优点集选择算法用于筛选最优位姿集。通过对EFORT ER10L-C10和Staubli TX60机器人进行标定实验,结果表明:采用优化初始位姿集能够将改进最优点集选择算法运行效率提高约12%,与随机位姿集标定结果相比,经最优位姿集标定后的机器人其测试集平均绝对位置精度提升约9%,EFORT ER10L-C10和Staubli TX60机器人运动学参数的泛化能力分别提高91%、53%,证实了提出方法可获得泛化能力更强的运动学参数,使标定结果更加稳定,进一步提高机器人标定精度,适于在大范围、高精度机器人作业中推广应用。

基于蒙特卡洛法的机器人标定可靠性研究

为提高工业机器人末端精度的可靠性,提出将蒙特卡洛法用于机器人几何参数标定可靠性分析的方法.首先利用激光跟踪仪测量工业机器人各轴的旋转轨迹圆,确定各个关节轴线的方向向量,进行机器人几何参数标定;然后建立机器人运动精度可靠性分析模型,研究在测量重复性、采样策略影响因素下机器人末端执行器运动精度的可靠性.结果表明,该方法将测量条件的影响因素转化为几何参数误差,准确地反映了测量重复性、采样策略因素对运动精度可靠性的影响程度,验证了测量重复性对机器人末端执行器运动精度可靠性的影响较大,为提高机器人运动精度可靠性提供参考.

基于YOLO v5的烟火检测方法

针对火灾频发、着火点目标尺寸较小且着火点特征易与实际场景混淆导致的检测效率低下、误检率高等问题,提出一种基于YOLO v5的烟火检测方法.首先在原始模型的三个检测层上增加第四个检测层,使网络可以对特征图继续进行上采样,以此获取更大的特征图进行小目标检测,加强网络模型的特征提取能力;然后将原网络中用于计算目标框回归损失函数的GIOU_loss替换成DIOU_loss,可以将被遮挡在场景中的目标预测框回归,加速网络的收敛;最后针对场景数据少的问题,采用复制增强的方法,通过粘贴不同规模的目标对象到不同的场景数据中进行图片的融合操作,进一步提高模型的泛化能力.试验结果表明,与原始的YOLO v5相比,改进后的模型收敛速度更快,对小尺寸的着火点检测精度更高.

工业场景下基于深度学习的散乱堆叠工件识别

针对工业机器人分拣场景下的散乱堆叠工件目标识别率不高、实时性较差的问题,采用检测速度较快且性能较好的深度学习YOLO v3算法对工业场景下的法兰盘和三通管进行目标识别,使用Darknet53网络,采用Kmeans聚类得到先验框的尺寸,并使用logistic对目标进行预测.通过KinectV2相机采集目标RGB数据制作数据集,完成样本的训练.试验结果表明,在工业场景下YOLO v3算法相较于传统算法HOG+SVM对散乱堆叠的目标识别结果准确率更高、识别速度更快,并且具有良好的鲁棒性.