英语原文共 8 页
基于工人轨迹预测的装配任务伙伴机器人运动规划
摘要
我们开发了一种新型的装配任务伙伴机器人，以支持工人完成任务。这个系统，PADY(实时P艺术/工具Delivery to You机器人)，将零件和工具交付给工作人员。机器人通过识别工人在汽车生产线上的行为，从而通过减少工人挑选零件和工具的体力劳动来提高工作效率。为此目的，在工人移动到另一个装配任务的下一个位置之前，有必要规划机器人的轨迹。一种基于马尔可夫模型的工人轨迹预测方法对于离散化的工作空间，提出了一种基于预测工人轨迹的运动规划方法，并给出了相应区域的混合高斯分布。汽车坐标系工作过程的各个过程。实验结果证明了所提出的运动规划方法的有效性。
介绍
许多工业机器人已经被应用于手工业.然而，工业机器人无法实现自动化的过程有很多。这些过程可能需要灵活的人工技能，可能会根据产量或每种产品的规格，以一种无法预测的方式发生变化。虽然人类工人可以处理这些过程，但是工业机器人不能。
汽车生产中的最终装配线就是这样一个过程。在这里，工人必须从位于装配线旁的工作台上选择零件和特殊工具，以便将部件附加到汽车上。工人们必须走到工作台上才能做到这一点。因此，工人们倾向于把时间和精力花在这项不必要的工作上。为了改善这种情况，作者提出了PADY(在时间上的零件或工具交付给你的机器人，图1)的概念。PADY通过将部件或工具传递给工人，工人将部件附加到汽车上。这一方法提高了工作效率，因为步行到工作台和选择零件或工具的时间减少了。本文以图2所示的PADY的应用为例，考虑了一条包含多个装配工序的汽车生产线的装配过程。一般情况下，具有多个过程的进程有自己的标准工作计划.包含过程的结果。此外，对于每个过程，它包含在汽车坐标系中表示的工作区，工人完成该过程的时间，以及程序所需的零件或工具。因此，员工需要在分配的时间内完成所有过程，以便员工能够为下一个任务做好准备。在实际过程中，工人不能以同样的方式重复这个过程。每个工人的工作在工作区域和程序时间上是不同的，尽管它们是在标准工作计划中预先确定的。
因此，PADY的零件/工具的交付应与工人同步，或应适应工人的当前状态，以便工人能够顺利地与机器人一起工作。作者提出了一种方法，[1]在对工人的活动进行统计分析的基础上，机器人通过适应工人来支持工人。所提出的统计方法为量化的汽车坐标系生成三种工人活动模型。在量化的汽车坐标系中工人的存在概率模型，能够统计。指出员工将执行每个过程的位置。使用该模型，确定机器人为每个过程向工人提供零件/工具的位置。执行相对于时间的工作概率模型，显示给定时间内每个过程的频率。利用该模型，机器人可以确定加工零件/工具的时间。工作相对位置的执行概率模型，显示在离散化的汽车坐标系统中每个位置的每个过程的频率。
使用该模型，机器人能够根据工人的位置信息来估计工人目前正在执行的过程。这样，机器人就可以调整零件或工具到下一个过程领域的交货时间。在我们以前的研究中，实验结果证明了伙伴机器人系统对于这样的装配线是有用的。通过调整交货期估计当前的工作程序，工人可以提前完成工作的标准工作时间表。然而，在这个系统中，机器人不能立即将零件/工具交付给工人。当工人到达下一个程序区域后，因为该方法是基于工人当前位置的，因此机器人不可能知道该工人要执行哪一个过程。在员工移动到下一个位置之前的下一步。在机器人将零件/工具交付给工人之前，工人无法执行该程序。时间的损失发生在工人需要零件/工具，直到他们实际交付。此外，先前的工作假设每个过程可以在执行所确定的时间之前完成。关于时间的工作概率模型，并且没有考虑程序不能在基于该模型的程序分配的时间内完成的情况。
本文提出了一种新的解决以前系统中存在的问题的方法。该方法基于对工人运动或工人轨迹的预测，假设工人的位置和工人正在执行的程序是相互关联的.已经对人体运动的预测进行了一些研究。Tadokoro 等人提出了一个预测人体运动的方法基于空间离散的人体位置和人体运动速度的概率数据[2]。利用贝叶斯网络对汽车和行人路径进行了预测[3][4]。将马尔可夫模型和隐马尔可夫模型(HMM)应用于人体运动的识别和预测[5][6]。这些研究表明，概率方法是一种有效的方法。预测人类行为的方法。L.Bascetta等人试图通过跟踪人的位置和预测人的轨迹来估计人的意图，从而实现工业机器人细胞中的机器人相互作用[7]中的安全控制. 他们强调人机交互的安全性，没有考虑到效率。
在本文中，我们考虑如何利用辅助机器人系统PADY来规划机器人的运动，并在此基础上预测工人的行为，从而提高装配任务的效率。本文件的以下部分按如下方式组织。第节II-A描述了估算工人位置的方法。第II-B节介绍了Markov模型对工人的建模行为。C语言描述了用马尔可夫模型预测工人行为的方法.在第三节中，进行了评估工人轨迹预测的实验。在第四节中提出了一种新的基于人类轨迹预测的运动规划方法。第五部分解释了系统变量。第六部分总结了论文。
Ⅱ对工人位置的估计
A.估计工人的位置
这个小节解释了如何估计工人在伙伴机器人系统中的位置。图3显示了在该系统中使用的测量单元。该装置有一个激光测距仪(LRF)。 首先，将背景减法技术应用于测量数据中，提取移动目标。即工人因为来自LRF的测量数据包括不必要的信息，例如工作台的位置和装配线的其他设备。第二，聚类方法(最近邻法)[8]被应用于提取的数据，以便我们可以检测工人的数量和他们的位置。然而，来自LRF的数据包含噪声。因此，工人的位置是估计的。特德使用粒子过滤器[9]。
B.马尔可夫模型
用文[10]中描述的方法生成基于工人运动的马尔可夫模型。如图4所示，车辆坐标系中相对于车身的工作区被离散化在一个网格中，从1到N为网格的每个单元分配一个数字，其中N是网格的单元格的总数。
3
2
1
图4.离散空间
将采样时员工的状态定义为在取样时分配给员工所在单元格的数目。马尔可夫模型的状态转移概率是确定的。INED基于每个单元格在某一时间内检测到员工的频率。让∆不是检测工人位置的采样周期。状态转移概率AIJ计算如下:
aij =Nij /Ni （1）
其中nij是工作人员从单元格i移动到单元格j的频率，在取样期间，∆t和Ni是在过程的所有过程中在第一单元中检测到工人的频率。被重复了一定的次数。为了准确地模拟工人的运动，细胞的尺寸应该尽可能小，而马尔可夫模型的状态数应该是be适当,在我们的例子中，工作空间是4[m]x8[m]，我们将工作区分成32times;64单元。
工人轨迹预测
通过重复以下两个步骤，使用上一节中导出的马尔可夫模型来预测工人的轨迹。
步骤1.计算持续时间，工作人员在每个单元格中都存在该持续时间。为了预测工人的轨迹，我们需要计算工人在每个细胞中存在的持续时间。为了计算持续时间，我们需要计算概率pi(D)，概率对于d采样时间，工人的状态继续为i的概率，即工作人员连续d采样时间停留在单元I中的概率，如下所示
pi(d) = pi;i(aii)dminus;1(1 minus; aii)/pi;i = (aii)dminus;1(1 minus; aii) （2）
图5.基于马尔可夫模型的工人轨迹预测
下面的等式：
（3）
步骤2.工人状态的预测
下一步将预测在步骤1中计算的持续时间之后员工将移动到的单元格。假设工人已经到达I状态，即工人的状态已经移动到I，然后后面的下一个工人状态持续时间di被预测为状态I的最高状态转移概率。工人的轨迹是通过重复这些步骤来预测的。一个预测工人轨迹的例子如图5所示。图5的上半部分显示了预测过程。下半部如何预测工人的道路。假设工作人员存在于单元格3中，那么工作人员将继续存在于单元格3中的持续时间由步骤1来计算
步骤2.工人状态的预测
下一步将预测在步骤1中计算的持续时间之后员工将移动到的单元格。假设工人已经到达I状态，即工人的状态已经移动到I，然后是th后面的下一个工人状态持续时间di被预测为状态I的最高状态转移概率。工人的轨迹是通过重复这些步骤来预测的。一个预测工人轨迹的例子如图5所示。图5的上半部分显示了预测过程。下半部如何预测工人的道路。假设工作人员存在于单元格3中，那么工作人员将继续存在于单元格3中的持续时间由步骤1来计算。
Aluminum frame
Aluminum frame
White board
Table
Table
Worker
Parts tray
3
Link 2
End of work XR
YR
Link 1
PaDY
OR
图6.实验环境
Ш.工人轨迹的预测实验
A.过程的实验场景
本节中的预测实验，对上述预测方法进行评估。实验工作过程包括三个方面。步骤1。步骤2。以及步骤3。图8要求工人执行这些程序。将预测的工作人员轨迹与实际工作人员轨迹进行比较。从程序1到程序3。实验工作空间的尺寸为3590mm x 3340 mm图六显示了实验环境的细节。实验工作过程如下：
从起点移动到过程1的位置。移到步骤2的位置。执行步骤2：将两个螺钉插入两个铝制框架上的螺钉孔中。移到步骤3的位置。执行步骤3：将六个磁铁附加到白板上指定的指定位置。移动到最后的位置并呆在那里。图7示出了与机器人合作的工作过程的快照。机器人根据工作计划交付零件/工具。机器人将一枚螺丝钉交给工人，用于第一、二步。程序2用螺丝，步骤3用六块磁铁。该工作过程由上述三个步骤组成，同一工人重复了25次，前20次重复了20次。数据用于计算马尔可夫模型。其余数据用于基于马尔可夫模型的预测工人轨迹的评估。在这个实验中，考虑到持续时间，选择5[秒]作为轨迹预测的持续时间，以便系统可以从一个过程预测工人的轨迹。
B.实验结果
当工人在过程1和过程2的位置之间移动时，实际和预测的工人轨迹如图8(A)和(B)所示。图8(A)显示沿XR轴d的轨迹图6所示。图8(B)包括图6所定义的沿Yr轴的轨迹。结果表明，预测轨迹与实际工人轨迹基本一致,工人实际在预测细胞中的时间为总预测时间TP的97.6[%]。图8(C)和(D)显示了工人程序2和程序3之间的位置移动。在这种情况下，工人在预测细胞中的时间为总预测时间TP的92.8[%]。在预测的轨道上观察到抖动。这部分是因为来自LRF的信息中包含的工作空间、采样周期和观测噪声。虽然观察到了抖动，但工人从一个地点到另一个地点的轨迹是预先确定的。该方法对机器人具有足够的精度。
Procedure 3
Procedure 2
Procedure 1
PaDY
图7.与机器人合作的快照
图8.预测工人轨迹与实际工人轨迹的比较
Ⅳ.运动规划
在这一部分中，我们将讨论伙伴机器人的运动是如何产生的。控制系统的框图如图所示。我们需要知道三个参数才能生成机器人的运动；必须交付零件/工具的交付位置；当机器人开始为交付而移动时的交付时间；以及当r值为r时的运动持续时间。操作机器人需要在它开始移动之后到达这个位置。为了确定这些参数，提出了一种工人目前正在从事的程序的识别方法，该方法基于混合高斯分布然后，根据模型计算出三个参数。
混合高斯分布在工作空间分类中的应用
在我们所熟悉的汽车装配过程中，每个过程通常都是在汽车坐标系中特定程序的区域内进行的。图10显示了汉族0.98，且黑细胞无过渡概率。所述阈值0.98被确定，以使所述红细胞被分离成与所述过程的步骤相对应的区域。EACH区域由几个红细胞组成，用混合高斯分布来表示。基于此分布，我们可以从工人的状态或数值中识别过程工作人员所在的单元格的r。用EM算法[11]估计混合高斯分布的参数。如图所示。每个混合高斯分布i与自己的工作程序有关。此外，这种分布是由特定工人的马尔可夫模型生成的。
Motion planning
Delivery
Deciding movement duration
Movement duration
Robot trajectory
LRF
PaDY
Worker
Predicted worker#39;s trajectory
Delivery start timing
Deciding delivery start timing
Predicted procedure
Delivery position
Deciding Offset
delivery position positions
Predicted position
Mixture Gaussian
Mixture distribution generator
Gaussian distribution
Standard procedure positions
Measurement data
Work schedule
Trajectory predictor
Markov model generator
Markov model Worker#39;s position Position estimat
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
