通过机器视觉和统计模式识别方法在机器人装配任务中防止错误外文翻译资料

 2022-01-02 21:43:10

英语原文共 15 页，剩余内容已隐藏，支付完成后下载完整资料

International Journal of Production Research,

Vol. 43, No. 7, 1 April 2005, 1397–1410

通过机器视觉和统计模式识别方法在机器人装配任务中防止错误

S. OKUMURA​​ *，N.TAKE and N. OKINO

Department of Mechanical Systems Engineering, University of Shiga Prefecture,
Shiga 522–8533, Japan

（Received January 2004）

装配错误可能发生在机器人装配系统中。本文提出了一种预测装配误差的方法。它考虑了配合部件的几何轨迹和基部的位置关系以及取向上超出公差允许范围的装配误差。通过配合部件的物理光反射模型确定某个点，并使用两个高速相机跟踪该点，然后采用一种以三维空间中的跟踪点为解释变量的统计模式识别方法来预测装配误差。该方法应用于选择柔性装配机器手臂（SCARA）型机器人的钉孔组件装配，本文讨论了其潜在价值。

关键词：机器人装配;装配错误;错误预防;机器视觉;几何轨迹;模式识别。

  1. 介绍

机器人装配系统已经广泛地应用于制造中。与手动装配操作相比，装配自动化的好处是降低了单位成本、质量高且一致、消除了手动操作的危险以及提高了生产待机能力（Walker and Sheth 1996）；除此之外，装配线能快速针对客户需求、制造成本、股东活动和新技术等周围因素的意外变化而做出改变的性能是至关重要的。新产品的频繁出现和现有产品的微小变化意味着制造系统必须具有灵活性；因此，对柔性装配系统的关注度正在持续增加。然而，由于频繁的短暂中断（称为轻微停机）和机器人装配

*Corresponding author. Email: okumura@mech.usp.ac.jp

International Journal of Production Research

ISSN 0020-7543 print / ISSN 1366-588X online＃2005 Taylor＆Francis Ltd.

http://www.tandf.co.uk/journals

DOI: 10.1080/00207540412331299620

1398 S. Okumura et al.

系统中的故障，许多预期的改进不能全部实现。故障和短暂中断之间的区别在于：故障需要维护人员花费较长的维修时间，轻微停机只需操作员花费几分钟时间就可完成修复，但是一些容易处理的轻微停机会导致小故障产生。它们会迫使整体生产率下降并需要操作员监督，因此，在追求无人生产系统时，这些轻微停机造成了严重的问题。

装配任务可细分为各种基本任务。塞尔克等人（1991）将这些基本任务定义为进给、运输和配合阶段。进给阶段与机器人的运动无关；然而这个阶段会影响装配操作的整体成功。运输阶段是将部件从进料位置移动到组装点的阶段。配合阶段就是装配过程本身。将零件放置在装配位置和最终零件配合操作中需要定位机构和零件特性，例如几何形状和高间隙精度。Whitney（1982）指出了成功的组装系统越来越需要的活动，包括：先前的行动、误差吸收、后纠正、维护和离线改进行动。第一项活动包括设计产品的方法以及装配系统，以减少装配误差，当开发出可靠的零件制造工艺时，可以实现零件的高度一致性，从而减少外部故障。第二项活动涉及被动适应，主动适应，主动—被动适应（Cho等人，1987年）。主动方法基于感觉反馈来补偿偏差，被动方法是基于接触力的影响下的部件弹性变形或者以开环方式施加外力来设计的。然而，即使采取了防止和吸收错误的措施，装配过程仍然存在不确定性，它们可能导致装配系统中的轻微停机。第三项活动旨在通过确保从操作错误中自动恢复系统来减少轻微停机的影响。第四项活动起着重要作用，从涉及预防和纠正措施的角度来看，需要有效组织的维护操作。此活动是离线改进的特例。最后一项活动涉及装配系统和产品的重新设计以及零件质量的提高。

当考虑装配系统的自动化时，除了后纠正之外，所有上述策略都存在局限性。在后纠正的情况下，即使彻底调查操作以减少装配错误，装配操作所需的准备时间也会显著增加，因为它是在发现装配错误之后应用的后处理校正方法。利用到装配过程运动分析得到结果是有可能的；然而，很难将分析方法应用于复杂的物体，因为大多数研究都是处理相对简单的物体，并且所做的假设在实际情况

Error prevention in robotic assembly tasks 1399

下并不总是有效的。此外，如果预先未考虑错误，则错误恢复过程可能是困难且耗时的。然而，如果可以在装配操作开始之前立即预测装配错误，则可以放弃操作并且可以迅速启动使用其他部件的下一装配操作。因此，装配误差的预测对于防止轻微停工是有用的，从而消除了对恢复活动的需要。该预测将有效地防止组装时间的增加并有助于追求无人化装配系统。关于先前的行为，误差吸收和后纠正的研究很多；但是很少有人处理组装操作成功或失败的预测。

遵从性控制可以吸收装配错误。Tian-Soon等人（1997）设计并评估了具有六个自由度的柔性末端执行器，这有助于自动化精确装配。Jaura等人（1998）引入了混合遵从性控制，该控制方法使用主动隐式控制和被动遵从设备。Austin和McCarragher（1999）开发了一种任务级自适应控制器，用于机器人装配任务的混合动态控制。除此之外，还开发了错误检测和恢复系统。Najjari和Steiner（1997）讨论了一种基于传感器的集成控制系统，用于灵活的机器人装配单元。Abu-Hamdan和El-Gizawy（1997）提出了一种计算机辅助监测策略，该策略使用基于过往知识经验的专家系统。Kim和Cho（1999）开发了一种基于视觉传感器的误差校正算法，通过使用神经网络成功组装可变形部件。Hasegawa等人（1999）开发了一种由抓握规划器和实时执行子系统组成的多指机器人手。Lopes（1999）在类比先前故障恢复事件的基础上讨论了故障恢复计划。Baydar和Saitou（2001a）提出了利用遗传编程和多级优化技术自动生成强大的错误恢复逻辑。Baydar和Saitou （2001b）提出了另一种涉及装配线三维模型的装配误差预测方法。

本文讨论了机器人装配系统的装配误差预测方法。在运输阶段使用两个高速CCD（电荷耦合器件）相机测量配合部件和基部部件在三维空间中的位置和取向，然后基于在配合操作之前的跟踪几何轨迹数据的模式信息处理结果来对装配操作成功或失败进行预测。该方法的基本思想通过使用选择性柔度装配机器手—（SCARA）型机器人的装配操作来进行评估。

  1. 机器人装配误差的预防方法
    1. 方法概述

装配误差的原因很多，例如零件加工质量差导致的公差超标、零件上有毛刺、零件上有异物等。然而，由加工质量差导致的装配误差与装配操作无关。这项研究假设零件在公差范围内加工良好，零件上的任何毛刺在装配前都已去除。即使装配机器人以正常方式夹持配合部件，但也不会识别每个夹持操作的确切夹持位置，因为部件进给的同时，气缸的气压和电力可能发生变化，并且进给位置在每个组装操作中，基部的方向也会变化。机器手夹持住配合部件后，在装配操作开始之前，因机器人重复动作的准确性和上述原因，不论每次装配操作成功与否，被保持部件在三维空间中的扫掠区域都将不同。在本文中，通过对几何轨迹及其属性得到的数据进行模式信息处理以及对于典型的成功和失败的装配操作示例进行学习来预测装配误差。

传感器种类的选用以及数据的获取是非常困难的。而成像传感器具有获得大量信息并且进行高级模式识别的特性，这对于其他传感器诸如超声波传感器、力传感器、热传感器、磁传感器等也是适用的。因此，本文提出了一种使用成像传感器信息的方法。因为机器人手臂在进行高速移动，所以使用传统的CCD相机很难获得清晰的图像。因此，引入了高速CCD相机，通过它可以实时获得清晰的数字化图像。

设为测量间隔，由下式表示的测量点称为转移矩阵：，其中分量在时间具有第i个点的三维位置，M是最大测量点数，并且n是最大测量数。该矩阵包括了配合部分和基础部分的相关点。因为需要考虑配合部分和基部的相对位置和方向，所以即使扫描区域与成功组装时的区域不同，也难以判断相关组件是否装配成功。因此，考虑属性向量（其是独立于时间的，与配合部分、基础部分和机器人相关的进一步信息）为：，其中L是属性的最大数量。矢量的组成部分包括零件材料，零件表面粗糙度，公差的平均值和方差，倒角的存在，倒角的形状，机器人的重复精度，RCC（远程中心顺应性）的存在，卡盘的气压、重复精度、有效保持压力，夹持器的几何特征等。采用统计模式识别方法、过渡矩阵和带监督

1400 S. Okumura et al.

学习过程的属性向量进行识别。

如今，如何测量配合部分和基部的位置和取向以及使用哪种模式识别方法是严重的问题。本项研究使用了两个高速CCD相机的立体视觉技术，因为这些技术的理论背景得到了确认，并且已经定量确定了测量误差。本项研究使用基于统计分析的判别函数方法，因为它反映了输入模式的概率密度，使得定量分析歧视结果具备可行性，最小化由错误答案引起的损失，并且可以有意地用于控制I型和II型错误发生在歧视中。

    1. 没有标记的几何轨迹跟踪
      1. 反射模型

当使用相机跟踪对象中的某个点时，通常将标记附加到对象上以标记跟踪点。然而，在组装期间在每个配合部件上放置标记是一项艰巨的任务。因此提出了另一种方法作为使用标记的替代方法：把来自机器人操纵器的狭缝或格子光投射到配合部件上，通过该方法来检测配合部件的位置和取向；但是插值测量仍然需要用于预测未投射光区域的几何特征。此外，还提出了一种利用相机捕获图像并提取配合部件边缘来检测配合部件运动的方法。然而，如果配合部件的形状比简单圆柱体更复杂，那么跟踪配合部件边缘上的相同的点是非常困难的，因为配合部件的方向可能在其移动期间发生改变。因此，本研究决定使用配合部件的表面反射特性的方法。

根据配合部件的表面反射模型计算轨迹跟踪有效亮度分布的信息，并将这些信息用于跟踪点。在计算机图形学的研究中已经提出了许多反射模型。比如Phong（1975）提出了一种反射模型，它是镜面反射和漫反射的线性组合；Blinn（1977）开发了一种和镜面反射模型类似的反射模型，该模型考虑了当入射光相对于表面法线处于掠射角时发生的非镜面反射峰值； Cook-Torrance（1981）提出了一种基于几何光学的比以前的模型更通用的模型，能适用于广泛的材料、粗糙表面条件和照明情况。我们应该根据物体的材料来选择

Error prevention in robotic assembly tasks 1401

合适的反射模型。比如Phong模型可以方便地表达玻璃和塑料的反射特性。Blinn模型可以精准表达金属材料的特性。因此，Phong模型常常用于由塑料制成的配合部件，Blinn模型用于由金属制成的配合部件。通过这些反射模型来确定两个相机和光源的最佳位置和方向。

2.2.2几何轨迹跟踪。

图1是非平行立体声系统的示例，其中左侧和右侧相机的光轴不平行，这意味着两个图像平面不在同一平面上。坐标系X1Y1Z1用于左侧相机，坐标系X2Y2Z2用于右侧相机。在X1Y1Z1坐标系中由r1 表示的跟踪点P在像平面I1上被投影为点p1，其具有位置x1。此外，在X2Y2Z2坐标系中由r2表示的跟踪点P在像平面I2上被投影为点p2，其具有位置x2。如果X2Y2Z2坐标系相对于X1Y1Z1坐标系的方向由旋转矩阵R跟踪点r2表示，也就是X2Y2Z2坐标系的Rr2。此外，X2Y2Z2 坐标系中的x2 在X1Y1Z1 坐标系中被写为Rx2。按比例缩放长度单位，使得两个摄像机的焦距f均为1，即f=1，而不失一般性。

图1.非并行立体声系统中左侧和右侧摄像头的坐标

1402 S. Okumura et al.

如果系统中的光轴具有锐角并且左侧和右侧相机之间的距离相同，则左侧和右侧相机共享的捕获区域大于左右相机的光轴是平行的并行立体声系统。由于共享的捕获区域相对较大，光轴具有锐角的非平行系统可以减小失真对透镜边缘的影响，但是高斯噪声在立体声系统的每个坐标可能被扰动，这会对三维重建造成负面影响。因

全文共15422字，剩余内容已隐藏，支付完成后下载完整资料

资料编号：[2482]

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

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。

您可能感兴趣的文章