基于智能終端的工業機器人導航交互控制仿真

蘇 晨，周 璇

(湖北工業大學工業設計學院，湖北武漢 430064)

1 引言

工業機器人是指在工業領域被廣泛使用的多關節機械手或者多自由度的機器裝置，其具備一定程度的自動性，可根據自身的動力能源和控制能力，完成工業作業[1]。通常情況下工業機器人由機械部分、傳感部分以及控制部分組成。并且，可分為六個子系統，分別為機械結構系統、驅動系統、感知系統、機器人-環境交互系統、人機交互系統和控制系統[2]。智能終端在互聯網的蓬勃發展的推進下，成為機器人控制系統完成導航、定位的主要設備。基于智能終端的導航控制過程中，定位系統分為相對定位傳感器和絕對定位傳感器，前者通過慣性導航單元(IMU)提供相對初始狀態的位姿完成導航定位；后者則是以GPS為主的定位系統。工業機器人在實際應用過程中，導航定位采用兩者結合，并且聯合數個異構網絡完成[3]，因此，存在網絡分布不均，覆蓋不完全的情況，使機器人很難實現準確的導航控制，無法定位。孔令文等人研究基于模糊神經網絡的機器人自主導航閉環控制方法[4]，該方法采用閉環控制方法優化模糊控制的邏輯推理能力和神經網絡的學習能力的結合算法，實現導航控制，該方法在導航控制過程中，位置對準性能較差，存在機器人定位偏差現象；季宇寒等人研究基于激光雷達的機器人導航控制方法[5]，該方法采用激光雷達完成導航控制，并通過無線網絡完成數據交互，但是當網絡存在盲區時，則會影響導航結果。

因此，本文提出基于智能終端的工業機器人導航交互控制，實現工業機器人在網絡存在盲區時，依舊可以完成導航交互控制。

2 基于智能終端的工業機器人導航交互控制

2.1 工業機器人導航交互控制系統原理

工業機器人的導航交互控制目的是實現機器人在多源異構網絡以及復雜環境下位置以及最佳規劃路線的獲取，其控制系統原理結構如圖1所示。

圖1 工業機器人導航交互控制系統原理

為獲取工業機器人在移動時的動力學模型，針對基于智能終端的工業機器人導航交互控制的應用，終端相對機器人和機器人相對于世界的位姿確定是基礎[6]。因此，設置S、V、W分別表示智能終端坐標系、工業機器人坐標系以及世界坐標系。

由于慣性傳感器在基于智能終端的工業機器人在導航交互控制過程中，不確定相對工業機器人的方向，因此，需采用對準手段對智能終端的慣性傳感器實行處理，包含智能終端陀螺儀相對終端位置的偏航角測量、基于重力加速度相對世界的俯仰角和翻滾角的測量[7]。由于不確定智能終端在工業機器人上的位置，因此，需獲取智能終端相對于機器人的偏航角，其通過自動對準法完成。則單次采樣的偏航角γS-V計算公式為

(1)

式中：ezV和eyzV分別表示z軸加速度、其與y軸合成加速度；y軸經過卡爾曼濾波后的加速度用eyKF表示，其中

向世界坐標系中投射終端坐標系和機器人坐標系，完成工業機器人在世界坐標下的動力學模型。

2.2 工業機器人定位

將低功耗藍牙無線網絡部署在工業機器人移動環境內，以此獲取其位置。在復雜環境中低功耗藍牙無線網絡存在很大的時變性，導致無線信號減弱，使模型無法準確完成定位。因此，通過基于指紋數據庫的匹配定位方法完成定位，其定位過程包含離線采樣和在線定位[8]；前者將低功耗藍牙無線網絡獲取的主要和次要數據存儲到指紋數據庫中，同時也完成經度和緯度的存儲；后者為獲取最接近數據，則通過數據匹配，結合基于工業機器人運動模型獲取的系統狀態方程和觀測方程，完成機器人目標位置獲取，其中所匹配的數據包含低功耗藍牙無線網絡接收的信號強度向量以及指紋庫中的數據[9]。

2.2.1 狀態方程

控制系統狀態方程建立的依據是工業機器人運動模型，系統在k時刻的運動狀態向量為

(2)

Xk+1=AXk+Wk

(3)

式中：k時刻的噪聲向量、k+1時刻狀態方程的狀態向量以及狀態轉移矩陣分別用Wk、Xk+1以及A表示。其中

(4)

式中：T表示傳感器采樣的時間間隔。

2.2.2 觀測方程

為獲取系統的觀測方程，將低功耗藍牙無線網絡以及GPS(Global Positioning System，全球定位系統)獲得的初步位置信息作為兩組不同的觀測量[10]。該方程為

Zk=HkXk+Gk

(5)

(6)

其中

(7)

式中：k時刻加速度傳感器在智能終端坐標系下積分所得速度、智能終端羅盤輸出的磁航角、k時刻的觀測白噪聲以及k時刻觀測方程的轉移矩陣分別用uk、φ、Gk以及Hk表示。且

(8)

結合工業機器人在導航過程中，低功耗藍牙無線網絡以及全球定位系統觀測噪聲存在的差異[11]，將2組觀測白噪聲融入后獲取模型集，其公式為

(9)

2.3 工業機器人路徑規劃

2.3.1A*算法

路徑規劃主要目的為完成工業機器人運動模型從起點至終點路徑序列，并有效避免碰撞[12]。以定位結果為基礎，采用A*算法完成工業機器人導航交互控制的路徑規劃，路徑規劃流程如圖2所示。

圖2 路徑規劃流程

該方法在柵格地圖上實行路徑規劃過程中，需通過OPEN表和CLOSE表完成節點的擴展和最優節點的選取。

設置h(n)、(xn，yn)以及(xT，yT)分別表示啟發式信息、當前節點以及目標節點，且(xn，yn)和(xT，yT)之間的直線距離可用h(n)表示，因此

(10)

A*算法的工業機器人路徑規劃步驟如下所述：

1)向OPEN表和CLOSE表中分別引入起點和障礙點。

2)向CLOSE表中引入具有最小f值的節點n，并且其屬于OPEN表中。

3)對n實行判斷，分析其是否為目標節點，如果是，最優路徑的生成則以其前向指針為依據；反之，需生成后續節點m，其通過實行擴展完成。

4)將后繼節點m返回至n的指針建立在OPEN表中，并對f(m)=g(m)+h(m)求解。

5)為確定后繼節點m是否存在OPEN表中，通過增加判斷語句完成。m在判斷失敗時，融入

OPEN表中；在判斷成功時，對較擁有不同前向指針的f(m)實行比較，將最小f(m)值保留。

6)對g(m)、f(m)和m定位前向指針實行更新。

7)根據數值的大小正序排列，并在OPEN表中重新完成f值排序，并返回步驟2)。

2.3.2 基于24鄰域擴展優化

由于A*算法在自動完成路徑規劃過程中，會存在路徑轉折現象，為獲取最佳的規劃路徑，采用24鄰域擴展對其實行優化。將A*算法原有各節點的鄰域進行擴展，使其由8個增加到24個，擴展過程為：

1)對每個輸入點的擴展點四周的24個鄰接點實行檢查，并判斷其是否可接入擴展列表以及是否在網格圖范圍內。

2)當鄰接點為內圈點，僅判斷其是否為障礙點即可，如果不是，將其加入擴展列表；如果是，則對該鄰接點與輸入點路徑中的1～2個點實行檢查，判斷是否在CLOSE表中，以及途經點是否在CLOSE表中。

3 實驗測試分析

選取Microsoft Visual C++6.0軟件平臺仿真某包裝工廠的環境完成本文方法的仿真。該包裝工廠仿真環境(如圖3所示)的坐標系中隨機分布多種障礙物，工業機器人的起點和終點分別為環境中的A點和B點。

圖3 仿真界面

測試本文方法在網絡存在覆蓋盲區情況下，是否可有效完成工業機器人導航交互控制，結果如圖4所示。

圖4 控制結果

根據圖4的測試可知：仿真場景中存在一個面積為15m2的圓形區域的網絡覆蓋盲區，本文方法控制下，工業機器人可順利由A點到達B點，實現正確導航控制，是由于本文方法是通過低功耗藍牙無線網絡、GPS以及慣性傳感器多種方式結合完成工業機器人導航交互控制，因此，在出現網絡盲區時，依舊可完成導航交互控制，說明本文方法的導航交互控制性能較好。

工業機器人在導航交互控制過程中路徑規劃性能決定導航交互的結果，測試本文方法在不同障礙物數量情況下路徑規劃所需時間的結果和三種故障數量在不同地圖大小情況下路徑規劃結果，如圖5、圖6所示。

圖6 不同地圖大小下控制耗時測試結果

根據圖5和圖6的測試結果可知：環境中障礙物數量越多，路徑規劃所需時間則越多；在相同故障條件下，地圖大小的增加，則對規劃時間不造成影響。該結果表明，地圖的大小對于工業機器人導航交互控制過程中的路徑規劃所需時間不存在影響，障礙物的數量則是影響路徑規劃所需時間的原因。

在仿真環境中，針對優化前和優化后的路徑規劃結果進行對比，對比本文方法優化后的路徑規劃性能，結果如表1所示。

表1 優化前后各指標對比結果

根據表1測試結果可知：優化后，擴展節點數量的增加，會使搜索時間小幅度增加，但是僅增加0.37s，影響可忽略不計，規劃的路徑距離結果則明顯優于優化前的路徑規劃距離結果。說明本文方法優化后，可明顯提升路徑規劃效果。

智能終端的慣性傳感器的對準性能與導航交互控制存在較大關聯性，為分析本文方法慣性傳感器的對準性能，仿真設置智能終端陀螺儀零偏穩定性約為79(°)/h(1σ)、加速度計偏置穩定性約為1.1mg(1σ)、磁強計磁場強度測量誤差約為79nT(1σ)，選取基于模糊神經網絡的機器人自主導航閉環控制方法(文獻[4]方法)和基于激光雷達的巡檢機器人導航控制方法(文獻[5]方法)，作為本文方法的對比方法，統計三種方法對于智能終端工業機器人導航交互控制的偏航角、俯仰角和翻滾角的計算結果，如表2所示。

表2 不同方法的指標對比

根據表2的測試結果可知：偏航角、俯仰角和翻滾角的計算結果中，本文方法的均值和方差均為最佳，明顯優于兩種對比方法。說明本文方法的慣性傳感器的對準性能優于兩種對比方法。

4 結論

本文研究基于智能終端的工業機器人導航交互控制方法，用于完成工業機器人的導航交互控制。經多方面測試得出：本文方法可在障礙物數量較多的作業環境中有效完成導航交互控制，并且對路徑規劃優化后，可有效縮短路徑路程，具備智能終端慣性傳感器的對準性能，說明本文方法適用于工業機器人導航交互控制。

本文方法在具備上述方面的創新和優勢的同時，也存在一些不足，下一步的工作將針對以下幾方面進行深入研究：

1)在導航交互過程中，將針對工業機器人在移動過程中的最佳位姿展開研究，增強機器人的控制效果。

2)將預測系統引入導航控制中，實現規劃路徑的到達時間預測，制定最佳路程方案。

3)針對不同噪聲環境下導航交互控制結果進行測試，提升本文方法的多環境應用性能。