基于Netvlad神經網絡的變磁力吸附爬壁機器人控制系統設計

左 浩

(西安汽車職業大學，西安 710600)

0 引言

Netvlad是一類經典的非可導函數，其主要的不可導條件在于任何一個數據節點都只代表一個符號函數，在求解過程中，無論數據單位取值怎樣變化，該符號函數都不會具有真實含義[1]。為了激發Netvlad函數的可導性，在推導函數表達式時，應對所選取數據單位進行平滑與可微分處理。如果一個數據單位的可導函數權重無限接近“1”，則整個函數表達式的取值結果就無限接近“0”；反之，若函數表達式取值無限接近于“0”，則無法得到數據單位可導函數權重無限接近“1”的推論[2]。Netvlad神經網絡是以Netvlad函數為基礎構建的網絡應用結構，可以根據不可導條件確定數據單位的當前排列形式是否滿足可導性推論，一般來說，同時滿足不可導條件與可導性推論的數據單位即為網絡體系內的連通節點，而單獨滿足不可導條件或可導性推論的數據單位即為非連通節點，既不滿足不可導條件也不滿足可導性推論的數據單位為零節點。

變磁力吸附機器人是特種機器人中的一種，融合了吸附技術與地面移動技術，可以附著在垂直壁面上，并在其表面進行自由移動。根據工作環境的不同，變磁力吸附機器人主要具有有線遙控控制、雙履帶移動、永磁吸附等幾種常見的工作形式[3]。大多數變磁力吸附爬壁機器人都需在PLC控制設備的支持下才能進行移動，故而其移動速度與負重能力都相對有限。在大型建筑結構外表面不能保持完全光滑狀態的情況下，機器人與運動平面之間的吸附緊密性會大大下降，而這也是導致機器人自由避障能力無法達到要求標準的主要原因。文獻[4]設計了基于多傳感器融合的機器人移動控制系統，采用STM32F405高速率芯片提供主控驅動力，再按照一體化控制原則，安排傳感器元件所處連接位置，又根據比例積分微分思想，確定機器人移動過程中，路徑曲線的偏轉情況。然而此系統應用能力有限，不能有效控制運動節點實測距離與建模圖實測距離之間的差值水平。

為解決上述問題，設計了基于Netvlad神經網絡的變磁力吸附爬壁機器人控制系統。根據PCB控制原則，采用外置SRAM芯片傳輸電力信號，利用圖像傳感器和角度傳感器獲取機器人的運動圖像，控制機器人角度變化，通過驅動I/O口電路和氣動閥門，控制系統電量和運動速度，提高系統的穩定性。在此基礎上，通過Netvlad 層和神經損傷函數構建Netvlad神經網絡，對程序任務進行劃分，計算和處理相關參數，可以提高變磁力吸附爬壁機器人的避障能力。

1 變磁力吸附爬壁機器人控制系統硬件結構設計

變磁力吸附爬壁機器人控制系統由外置SRAM、傳感器模塊、驅動I/O口電路、氣動閥門等多個硬件結構共同組成，具體設計方法如下。

1.1 PCB控制

變磁力吸附爬壁機器人工作環境復雜且惡劣，因此在設計相關應用部件時要考慮工業抗干擾性要求，同時也要遵循PCB控制原則。PCB(printed circuit board)控制指利用印制線路板對變磁力吸附爬壁機器人進行控制。具體控制規則如下：

1)“3倍”規則與器件去耦規則：外置SRAM芯片、圖像傳感器、角度傳感器等硬件設備結構的線間距應保持為3倍線寬，設備與設備之間的連接多采用總線結構與濾波回路，避免耦合性電路回路的出現[5-6]。

2)完整性規則與方向控制規則：主變電回路與下級硬件設備之間的連接至少采用導通孔，以確保電量回路的完整性，所有電力連接線只能由高壓端指向低壓端。

規定x表示一個隨機選取的PCB電量控制信號，其定義式如下：

(1)

(2)

1.2 外置SRAM

外置SRAM芯片負責存儲變磁力吸附爬壁機器人運動過程中的電量傳輸信號，具有I/O、FSMC、NBL、HMC等多個負載接口組織，可以在核心IS62WV51216主板的作用下，更改電量信號的傳輸方向，從而使得神經網絡主機能夠直接控制機器人設備的運動行為與行進方向[7]。IS62WV51216主板存在于外置SRAM芯片中心，可以通過調節控制開關的方式，使I/O、FSMC、NBL、HMC、OE等負載接口呈現出閉合或斷開狀態——當負載接口斷開時，變磁力吸附爬壁機器人所承載的電量信號向外輸送；當負載接口閉合時，外部電量信號連續存儲進入IS62WV51216主板。I/O接口是外置SRAM芯片單元的核心連通組織，可以對高壓端輸入的電量信號進行排序處理，而完成排序的電量信號則可以借助該類型連接端口進入傳感器模塊、驅動I/O口電路等其他下級硬件設備結構之中[8]。具體的外置SRAM芯片連接形式如圖1所示。

圖1 外置SRAM芯片結構示意圖

由于外置SRAM芯片只負責傳輸電力信號，不具備電量存儲能力，所以在不違背PCB控制原則的情況下，支持變磁力吸附爬壁機器人運動行為所需的電量信號越多，外置SRAM芯片開放的接口組織也就越多。

1.3 傳感器模塊

控制系統傳感器模塊由圖像傳感器、角度傳感器兩部分組成，本章節將針對上述兩類設備結構應用能力展開研究。

1.3.1 圖像傳感器

圖像傳感器負責捕獲變磁力吸附爬壁機器人運動圖像，能夠在分析運動信號陣列、時序電信號陣列組成形式的同時，確定電力驅動行為的作用強度，由于整個傳感器單元包含一個獨立的電信號選擇器和一個獨立的控制寄存器，所以在電量接口完全閉合的情況下，CMOS攝像頭元件捕獲到的圖像信息可以借助信息傳輸信道直接反饋至系統核心控制主機之中[9]。CMOS攝像頭元件安裝在變磁力吸附爬壁機器人踝關節外側，能夠準確記錄機器人運動行為，在機器人運動過程中，時序電信號陣列連續不斷記錄驅動I/O口電路產生的電量傳輸信號，運動信號陣列連續不斷記錄運動行為指令，故而二者均與系統控制主機保持直接連接關系。在電量接口作用下，電力驅動作用直接作用于電信號選擇器與控制寄存器，所以無論機器人運動行為是否中斷，選擇器與控制器元件都保持連續接入狀態[10]。圖像傳感器連接結構如圖2所示。

圖2 圖像傳感器連接結構

CMOS攝像頭與運動圖像處理單元直接的連接關系受到電力驅動作用的影響，所以在變磁力吸附爬壁機器人運動過程中，驅動I/O口電路必須保持連續輸入狀態。

1.3.2 角度傳感器

角度傳感器可以在驅動I/O口電路的作用下，根據外置SRAM芯片對于變磁力吸附爬壁機器人所設置的運動需求，來控制機器關節轉角的偏轉程度，從而實現對機器人運動幅度的有效控制。轉向器能夠調節機器關節的轉動幅度，在驅動I/O口電路保持連續接入狀態的情況下，轉向器偏轉幅度越大，就表示機器人設備的運動頻率越快。角度控制器偏轉程度決定了機器人關節角的轉向水平，由于元件不具備自主運動能力，所以任何細微的元件偏轉行為都受到螺旋繩的直接控制[11-12]。在非運動狀態下，螺旋繩收緊并完全進入收納裝置內部；而在機器人運動狀態下，螺旋繩慢慢放松，部分繩體由收納裝置中突出，此時角度控制器所受牽引力相對較小，故而具備一定的自主轉動能力。角度傳感器連接結構如圖3所示。

圖3 角度傳感器連接結構

角度傳感器元件的作用能力受到驅動I/O口電路的直接影響，所以在控制變磁力吸附爬壁機器人運動行為時，傳感器設備與核心電路結構的連接需要串口通路的配合。

1.4 驅動I/O口電路

驅動I/O口電路是變磁力吸附爬壁機器人控制系統中的核心電量供應裝置，以ADO831設備作為核心應用結構，可以聯合LM34單片機，控制外置SRAM芯片元件內的電量轉存行為，從而使得控制系統內形成一個完整的電量循環回路，確保角度傳感器不會出現過度偏轉行為[13]。驅動I/O口電路布局形式如圖4所示。

圖4 驅動I/O口電路圖

Micro芯片連接于ADO831設備旁側，借助CS通路、CLK通路、DO通路接入驅動I/O口電路之中。隨著變磁力吸附爬壁機器人運動頻率的加快，Micro芯片兩端所承擔的負載電壓水平也會不斷增大，在此情況系，ADO831設備向外驅動大量的傳輸電信號，LM34單片機就可以利用這些電信號參量確定機器人當前所處區域，從而使得圖像傳感器元件能夠對機器人運動圖像進行準確捕捉[14]。驅動I/O口電路具有兩個正極輸入端口(+VCC)和一個負極輸出端口(-VDD)，前者與Netvlad神經網絡體系對接，并可以從中提取大量的電量傳輸信號；后者則負責調節氣動閥門裝置，使得其內部暫存電量信號的傳輸行為始終保持相對穩定的狀態。

1.5 氣動閥門

變磁力吸附爬壁機器人以氣動馬達作為動力驅動裝置，而氣動馬達的運行速度卻是由外部氣壓的數值來決定的，當角度傳感器轉動至一定數值區間之內時，氣壓大小完全是由閥門開度水平來確定的，故而控制氣動閥門開合程度就可以實現對氣動馬達轉速的控制，進而調節變磁力吸附爬壁機器人在建筑結構外表面上的運動速度[15-16]。由于機器人運動過程中，氣動閥門進氣量并不可能始終保持穩定，所以求解運動學方程式，還要考慮轉移向量等其他物理量的取值情況。由于馬達轉速受到驅動I/O口電路中電量輸出行為的直接影響，所以電信號輸出量越大，轉速向量的取值也就越大。基于此，聯立式(2)，可將氣動閥門開度水平定義式表示為：

(3)

式中，v′表示變磁力吸附爬壁機器人在建筑結構外表面上的實時運動速度，φ表示氣體驅動系數，b表示氣動閥門開度指標，且b≠0的不等式條件恒成立，m表示氣動馬達的轉速向量，a表示閥門進氣系數，s表示閥門出氣系數。當機器人運動方向為正時，a>s的不等式條件成立；當機器人運動方向為負時，s>a的不等式條件成立。

2 變磁力吸附爬壁機器人控制系統軟件設計

在各級硬件應用結構的支持下，按照Netvlad神經網絡構建、程序任務劃分、移植參數求解的處理流程，完成對變磁力吸附爬壁機器人控制系統的設計，設計流程如圖5所示。

圖5 變磁力吸附爬壁機器人控制流程圖

由圖5可知，通過Netvlad層和神經損傷函數對Netvlad神經網絡進行布局后，分級處理控制系統內部的執行程序，選擇移植參數值，取值越大，控制指令越明顯。至此，完成變磁力吸附爬壁機器人的軟件控制系統設計。

2.1 Netvlad神經網絡構建

Netvlad神經網絡體系可以按照系統控制程序執行原則，判斷變磁力吸附爬壁機器人的當前運動狀態，但網絡體系結構的組成相對較為復雜，故本章節將從Netvlad層單元組成形式、神經損傷函數兩個方面著手，分析神經網絡體系的布局模式。

2.1.1 Netvlad 層

Netvlad 層組織是Netvlad神經網絡體系的核心組成結構，包含分析、過濾、處理三類連接節點，能夠根據變磁力吸附爬壁機器人的實時運動狀態，調節控制指令傳輸行為，從而使得系統控制主機中能夠生成準確的運動行為記錄文本[17]。Netvlad 層組織的過濾節點由初步過濾、深度過濾兩部分組成，前者的負載數量相對較多，一般來說，每一個輸入的控制程序樣本數據都必須對應兩個完全獨立的初步過濾節點，但為避免控制指令過度傳輸行為的出現，初步過濾節點、深度過濾節點之間的連接則保持就近對應關系，及深度過濾節點數量遠小于初步過濾節點[18]。Netvlad神經網絡布局形式如圖6所示。

圖6 Netvlad神經網絡布局

Netvlad 層組織定義標準表示為：

(4)

式中，γ、φ表示兩個不相等的控制程序控制系數，gγ表示基于系數γ的指令程序定義特征，gφ表示基于系數φ的指令程序定義特征，f表示Netvlad規劃權值。控制程序文本輸入量的增大會導致Netvlad神經網絡內分析節點存在數量的增大，而過濾節點連接數量是否增大則還需要根據變磁力吸附爬壁機器人的當前運動形態進行具體判斷。

2.1.2 神經損傷函數

神經損傷函數決定了Netvlad 層組織對于控制程序指令的負載能力，在既定運動范圍內，變磁力吸附爬壁機器人的行進速度越快，神經損傷函數表達式的賦值也就越大[19-20]。聯立式(4)，推導Netvlad神經損傷函數表達式為：

F=∑ιmax[D×(λ1(g1)·λ2(g2)·λ3(g3))]

(5)

式中，ι表示爬壁機器人運動過程中的變磁力吸附系數，為了滿足Netvlad 層組織對于控制指令程序的編碼原則，ι系數的最小取值只能等于自然數1，λ1表示分析節點查詢系數，g1表示分析節點中的控制指令累積向量，λ2表示過濾節點查詢系數，g2表示過濾節點中的控制指令累積向量，λ3表示處理節點查詢系數，g3表示處理節點中的控制指令累積向量。由于Netvlad 層組織中分析節點、過濾節點、處理節點的負載個數不相同，所以求解神經損傷函數時，向量g1、g2、g3的取值也不可能相等。

2.2 程序任務劃分

(6)

其中:j1、j2、…、jn表示n個不重合的任務指令執行區域，且系數n的取值恒大于自然數3(3個任務指令執行區域分別對應Netvlad神經網絡的分析、過濾與處理節點)，κmin表示變磁力吸附爬壁機器人區域性運動向量的最小取值，κmax表示區域性運動向量的最大取值。

聯立式(5)、式(6)，推導控制系統程序任務劃分表達式如下：

(7)

2.3 移植參數

移植參數可以理解為系統控制協議在Netvlad神經網絡體系內的移動向量，在程序任務區域劃分標準保持不變的前提下，移植參數取值越大，Netvlad神經網絡體系內控制協議的移動作用指令也就越明顯[23-24]。移植參數求解表達式為：

(8)

其中:?表示控制指令移動向量，?表示控制指令定義向量，ΔW表示單位控制周期內的呈現指令作用步長值，ΔQ表示區域轉向系數累積量。至此，完成對相關參數指標的計算與處理。

在設計的基于Netvlad神經網絡的變磁力吸附爬壁機器人控制系統中，硬件系統和軟件系統聯系密切，硬件系統中的外置SRAM、傳感器模塊、驅動I/O口電路、氣動閥門等多個硬件結構為軟件系統提供了物質條件，而軟件設計中的Netvlad神經網絡構建、程序任務劃分、移植參數求解部分使硬件系統發揮其應有的效果。硬件系統與軟件系統相互配合，可有效提高變磁力吸附爬壁機器人的避障能力，實現基于Netvlad神經網絡的變磁力吸附爬壁機器人控制系統的順利應用。

3 實驗分析

3.1 實驗環境布置

為了驗證基于Netvlad神經網絡的變磁力吸附爬壁機器人控制系統在大型建筑結構外表面的自主避障能力，選取兩個場景進行實驗。變磁力吸附爬壁機器人主要用在環境復雜的大型建筑結構外表面巡檢任務中，由于建筑結構外表面并不能保持絕對光滑的狀態，所以選擇光滑壁面、粗糙壁面兩種實驗場景。實驗場景如圖7所示。

圖7 實驗場景

變磁力吸附爬壁機器人結構如圖8所示。

圖8 變磁力吸附爬壁機器人結構

在機器人結構中，電機設備提供了爬壁運動過程中的電動力作用，固定桿將搭載電機設備的保護罩連接在動力架側端，動力架能夠維護機器人的運動平衡性，轉軸可以在電機設備的驅動作用下不斷轉動，從而使得機器人運動方向發生改變，置物架為相關動力裝置提供支撐作用，轉向器負責確定機器人的運動方向，導磁裝置提供一定的磁感應作用，以確保機器人不會脫離既定運動區域。

在本次實驗過程中，以所設計的基于Netvlad神經網絡的變磁力吸附爬壁機器人控制系統作為實驗組監測方法，以文獻[4]基于多傳感器融合的機器人移動控制系統作為對照組監測方法，分別應用上述兩類系統監控機器人的運動行為，并借助監測軟件確定障礙物所在位置、爬壁機器人所在位置之間的實測距離。

3.2 實驗結果

在大型建筑結構外表面存在障礙物的情況下，障礙物所在位置與爬壁機器人所在位置之間的距離，可以反映出機器人設備的避障能力。機器人動力作用距離最大值只能達到30 cm，故而當障礙物所在位置與爬壁機器人所在位置之間的距離小于30 cm時，表示機器人避障能力較強，運動過程中不會出現因不緊密吸附而造成的掉落問題，反之則表示機器人避障能力較弱。

實驗組和對照組機器人在不同運動壁面上的避障能力分別如圖9和圖10所示。

圖9 光滑壁面的避障能力

分析圖9可知，在光滑運動壁面上，實驗組障礙物所在位置與爬壁機器人所在位置之間的距離呈現出先增大，再減小的數值變化狀態。當實驗時間為18 s時，實驗組間隔距離達到最大值16.22 cm，遠小于機器人動力作用距離最大值30 cm。而對照組障礙物所在位置與爬壁機器人所在位置之間的距離則始終保持不斷增大的數值變化狀態。當實驗時間處于15～18 s之間時，對照組間隔距離超過機器人動力作用距離最大值30 cm，整個實驗過程中，其最大值達到了33.87 cm，遠大于實驗組數值。由此可知，實驗組機器人避障能力較強。

圖10 粗糙壁面的避障能力

分析圖10可知，在粗糙運動壁面上，實驗組障礙物所在位置與爬壁機器人所在位置之間距離均值明顯大于光滑壁面上的距離均值。當實驗時間處于9～12 s之間時，對照組間隔距離達到最大值25.02 cm，依然小于機器人動力作用距離最大值30 cm。而對照組障礙物所在位置與爬壁機器人所在位置之間的距離保持先增大再穩定，最后繼續增大的數值變化狀態。在整個實驗過程中，其最大距離數值達到了37.51 cm，明顯大于機器人動力作用距離最大值30 cm，也遠大于實驗組數值。由此可知，實驗組機器人避障能力較強。

綜上可知本次實驗結論為：應用所設計的基于Netvlad神經網絡的變磁力吸附爬壁機器人控制系統，障礙物所在位置與爬壁機器人所在位置之間的實測距離數值始終小于機器人動力作用距離的最大值，這就表示爬壁機器人在光滑壁面、粗糙壁面上的自主避障能力就能得到保障，對于提升機器人與運動平面之間的吸附緊密性可以起到一定的促進性影響作用。

4 結束語

本文設計了基于Netvlad神經網絡的變磁力吸附爬壁機器人控制系統，在Netvlad神經網絡的基礎上，按照PCB控制標準，設置外置SRAM芯片、傳感器模塊、驅動I/O口電路等多個硬件應用結構，又通過劃分程序任務的方式，求解移植參數指標的取值范圍。在實用性方面，這種新型系統能夠有效控制障礙物所在位置、爬壁機器人所在位置之間的實測距離數值，可以在實現自主避障的同時，保證機器人與運動平面之間的緊密吸附，符合實際設計需求。