英语原文共 21 页，剩余内容已隐藏，支付完成后下载完整资料
基于视觉的认知机器人拆卸自动化的基本行为控制
摘要
目的 - 本文的目的是开发一个灵活而强大的适应产品物理变化的自动拆卸单元。 通过这种方式，无论所提供信息的详细程度如何，它都能够处理任何产品型号。
设计/方法论/方法 - 认知机器人的概念被用来在感知和决策制定方面复制人类层面的专业知识。 因此，解决了拆卸过程中产品不确定性和变化方面的困难。
调查结果 - 认知功能（即推理和执行监控）可用于基本行为控制，以解决由于产品结构变化（特别是产品不同型号）而导致的拆卸过程变化问题。
研究局限性/影响 - 本文提供了一种实用方法，通过高级逻辑编程语言来控制认知机器人代理的拆卸领域和行为控制，该语言将特定于领域的启发式知识与搜索结合起来，以处理产品变化和不确定性在拆卸过程中出现。
实际影响 - 对可能出现的不确定性具有灵活性和可靠性，在全面拆卸自动化中可能会在一项艰巨且危险的任务中取代人力劳动。 因此，拆卸过程在经济上更具可行性，特别是在发达国家。
原创性/价值 - 本文提供了一种实用的方法来将人类专家的行为复制到拆卸单元中的基本认知功能。
关键词；自动化，机器人，自动拆卸单元，认知机器人，执行监控，基于视觉的拆卸，拆卸自动化，产品不确定性
1.介绍
产品废弃（EOL）处理已成为社会高度关注的问题，因为由于高消费水平而处置的产品数量增加。 拆卸是高效EOL处理的关键步骤之一。 然而，由于与返回产品的质量和数量相关的数量不确定性，拆卸过程传统上由人工操作员手动执行。 因此，拆卸过程在经济上不可行，特别是在发达国家，因为人工成本很高。 为了克服这个问题，有许多尝试使拆卸过程自动化（Buuml;ker等人，1999,2001，Torres等人，2004，Tonko和Nagel，2000，Merdan等人，2010） ，这样高成本的劳动密集型拆卸活动可以被低成本的自动化选项取代。由于决策制定和操作技巧以及拆解产品所需的高度认知度，与EOL产品相关的不确定性对于操作人员来说是有难度的，对于自动化来说更是如此。 希望熟练的操作员能够完成以前看不见的产品模型的拆卸过程。 必须根据他们的先验知识和关于当前产品状况的感知信息作出适当的决定。 但是，与人类操作员相比，自动化在各个角度都不太适用。 处理这些不确定性的灵活性和稳健性是有限的。 在这项研究中，“认知机器人技术”的概念被应用于通过提供认知级功能来增强拆卸自动化的灵活性和稳健性来克服这些不确定性。
1.1 拆卸过程中的不确定性和变化
EOL产品的拆卸存在不确定性主要分为三类：
1.EOL条件下的物理不确定性;
2.供应产品中的品种; 和
3.流程规划和运营的复杂性。
首先，EOL条件中的物理不确定性涉及某些零部件或部件的缺陷，损坏，磨损等，升级/降级以及整个产品的损坏（Gungor and Gupta，1998）。 在这种情况下产品的质量可能与原始条件和规格大不相同。 其次，产品组中提供的EOL产品的性质可能因型号和品牌而异（Lambert，2003）。 因此，必须提供庞大的数据库才能获得有关各种产品模型的准确信息。 最后，由于上述两个问题，由于需要关于特定产品的详细知识，所以出现对于拆卸顺序和工艺参数制定有效计划的困难。
在拆卸自动化中，拆卸过程中所需的决策与人类操作员所做的决定相似，是根据现有的先验知识和正在进行拆卸的信息进行的。 由于不是每个信息都可以通过现有的传感设施获得，因此只有可感知的信息可以被考虑。 因此，这些不确定性应该被重新考虑为由于以下变化：
●产品结构的变化;
●拆卸过程计划（DPP）的变化; 和
●组件质量和数量的变化。
关于作为自动化的一部分进行的感知，产品的状态通过感测模块在整个拆卸过程中被感知，即主要用于诸如Torres等人的许多研究工作中的视觉系统。 （2004年，2009年），吉尔等人。 （2007），Knoth等人 （2002），Merdan等人 （2010年）和伯杰和施密特（1995年）。 该模块在特定的拆卸状态下提供有关组件物理特性的信息，例如位置和数量。 该信息可用于生成拆卸操作级别，例如刀具路径生成（Bailey-Van Kuren，2006）和组件抓取（Fernandez等，2006）。 对于拆卸过程计划来说，现有的研究工作通过考虑产品状况在规划和运作水平上的不确定性来解决拆卸过程计划变化。 为了克服预期的不确定性，根据产品的当前状况，在拆卸过程中动态生成计划和操作序列。 例如，高等人。 （2005）开发了一个基于模糊推理Petri网的自动决策方案。 Kim等人 （2009）基于可用资源开发了一套操作的自动控制。 Salomonski和Zussman（1999）使用具有拆卸Petri网的预测模型根据产品的物理条件生成最优的拆卸顺序计划（DSP）。
然而，尽管现有的研究可以灵活应对物理条件下的预期不确定性，但有关产品结构的信息需要事先提供。 目前没有研究关注解决产品结构的变化。 另外，在完全自主的拆卸单元中没有对这些动态DPP的实际实施的清楚解释。 而且，现有的研究将这一过程作为一个开放的循环进行，其中没有反馈信息给予规划层面。 因此，执行拆卸操作的成功或失败是不可知的。
1.2 操作人员的拆卸
操作人员应该在事先没有了解特定细节的情况下对任何产品模型进行拆卸，例如产品的结构，部件的数量等。对于产品的未知模型，由于操作员必须花费一些时间在每个拆卸状态中删除组件，随时了解进度。可能的移除操作可以根据他们对当前组件状况和过去经验的感知进行逻辑选择。可能需要尝试许多可能的操作，直到删除成功。 因此，操作员逐渐从执行每个操作的结果（成功或失败）中学习。 该过程将在所有拆卸状态下重复，并在达到目标状态时结束。 拆卸完一定数量的样品后，操作人员应该能够在再次遇到同样的模型时更有效地拆卸相同的模型。 总之，影响拆卸灵活性和稳健性的操作人员行为的特征总结如下：
●产品结构的具体知识是不必要的，因为它可以在拆卸过程中实时感知;
●评估每次执行操作结果的能力，并且如果第一种选择失败，能够提出潜在的替代操作;
●具有广泛的操作方案来移除一类组件以及适应其他物理相似组件的能力; 和
●从过去的经验中学习和适应的能力以前看不见的情况。
1.3 研究概述
这项研究旨在开发一种“认知机器人代理”控制拆卸单元以类似于人类操作员的方式执行拆卸过程。 完成的工作由两个阶段组成，用于促进复杂的全自动拆卸系统的生产。 在第一阶段，开发侧重于系统的基本行为控制，使系统对产品中的不确定性具有灵活性和稳健性。 预计该系统能够通过第一阶段提供的功能分解大部分样品。 在阶段2中，考虑通过使用过去的经验来提高系统的性能。 因此，该扩展期望能够处理第一阶段功能无法拆卸的特殊样品。 但是，应该指出，本文仅介绍第一阶段的工作。 该系统的设计和概念测试进行了解释。
论文结构如下。 第二部分概述认知机器人的主要概念和实际应用。 第3部分解释了拆卸自动化的架构。 第4节解释了拆卸领域的表示。第5节解释认知机器人行为的行为和编程范例。第6节介绍案例研究和实验，第7节介绍我们的结论。
2.认知机器人学的方法论
根据目前的行业观点，认知机器人技术的概念已经实际应用，以使系统自主运行，适应性强，可靠性高，而且对不可预知的情况更加灵活。 最先进的研究是由认知技术系统（CoTeSys）进行的“认知工厂”（Bannat et al。，2011）（Beetz et al。，2007）。 在这项研究中，认知机器人代理使用世界知识并应用可供处理的行为（即拆卸操作）来控制在拆卸状态下进行的拆卸系统。 一旦某个组件被成功移除，就会从一种拆卸状态转换到另一种状态。 该过程从产品的初始状态继续进行，直到达到目标状态（即将产品完全拆卸为其所需的拆卸部件）。 总的来说，系统的行为受复制认知行为的高级功能的指导和影响，即：
●推理;
●执行监控;
●修改; 和
●学习。
前两项职能在第一阶段实施，其余阶段在第二阶段实施。
2.1认知机器人概述
“认知机器人”是人工智能研究领域之一，着重于知识表示（KR）和自治系统在一个不完全已知和动态的世界中遇到的推理问题（Levesque and Lakemeyer，2007）。 实际上，这种自主系统的行为受到受高级认知功能影响的认知机器人的控制。 通过这种方式，通常认为认知机器人代理人具有可供处理的基本技能或行为库，它需要进行协调才能完成给定的任务（Reiter，2001）。 因此，系统可以与动态环境中不可预测的条件进行强有力的灵活交互，以实现预期的目标（Moreno，2007）。 通常采用上述四种认知功能来实现这些特征。
正如Levesque和Lakemeyer（2007）所解释的，在自治系统中实现认知机器人的实践方法涉及三个学科：
1知识表示;
2推理; 和
3机器人的高级控制（即计划）。
首先，关注动态世界的知识库，必须对认知机器人进行动作和操作等世界变化的知识进行形式化描述和制定。 有关更改的知识包括两种类型：
1关于系统自身行为的知识，何时可以执行以及它们在世界上带来的变化; 和
2关于外部世界当前状况（即环境状况）的知识。
认知机器人代理的作用是确定一系列的行为（操作），这些行为在执行时将导致世界满足所期望的目标状态。 在一些情况下外部世界可以被认为是不完整的知识，因为世界可能以非确定性的方式发生变化。 因此，感知行为对于理解外部世界当前的一些不确定性的状况也是必要的。 之后，代理人利用这些知识来推理世界并安排合适的执行动作。 在这种情况下，它可以被认为是一个开放的世界执行，因为在执行过程中，不完整的世界知识被动态感知。 关于机器人的高级控制，经典计划（Ghallab等，2004）在实际系统的实现中补充了领域特定的启发式知识。
2.2语言框架和实施
我们的认知机器人学方法的正式框架是基于情境演算（Mc Carthy，1963）及其在认知机器人编程语言Golog中的实现（Levesque等，1997）。 情境微积分是用于描述动态环境的二阶逻辑语言。 它通常用于认知机器人研究，因为动作序列可以用一阶逻辑术语“情境”来表示（Reiter，2001）。 那么情况就是在特定的时间点对世界进行快照，从中可以提取一系列的行为，如果按照这个顺序执行，就会使系统进入世界的这个状态。 情境微积分理论的行动有两个组成部分：
1行动; 和
2描述世界的流体。
行动先决条件决定了可能在世界上采取行动的条件。 先决条件被指定为使用流体的一阶公式。 根据动作的指定效果，执行动作会导致从一种情况到另一种情况的变化。 同样，一个行动的影响是作为使用流体的一阶公式给出的。 使用特殊函数do（a，s）给出一个动作的执行，该函数返回在情况下执行动作所导致的情况。
我们使用的Golog解释器的实现基于逻辑编程语言Prolog（Covington et al。，1996）。 Golog对其他语言的主要优势是能够将特定于域的启发式检索与基于搜索的计划相结合。 这有助于对认知机器人的复杂行为进行编程，从而提供对整个系统的高级控制。 在这项研究中，认知机器人代理是在高级认知机器人编程语言IndiGolog（Sardina et al。，2004）中开发的，这是Golog能够处理外部行为和感知的扩展版本之一。 使用感应进行在线执行，IndiGolog的主要功能之一是用于处理有关动态世界的不完整信息。 在编程中，必须指定代理的“域规范”（通过流水线）和代理的“行为规范”（行为理论）（Reiter，2001，De Giacomo et al。，2001）。 总之，描述认知代理所需的组件如下（应该注意的是，域规范由前五个组件描述，而复杂行为规范在IndiGolog程序中表达）：
●流体;
●原始行动;
●原始行动先决条件;
●后继状态公理，指定一个行为的所有影响;
●在执行任何行动/操作之前的世界的初始状况; 和
●IndiGolog程序（即复杂的操作）。
首先，流体提供了一种描述世界状态（即情况）的方式，可以根据随着执行操作/操作而改变的属性。 原始动作是世界上的身体认知机构要执行的动作。 也包括用于感测外部世界并将感测值分配给相关流体的感测行为。 原始动作先决条件决定了在特定条件下原始动作的可执行性。 因此，执行条件必须事先指定，并在执行相应的原始动作时保持可执行条件。 后继状态公理描述了行动的所有影响。 它精确指定了在提供的条件下执行原始操作后特定流畅度如何变化。 IndiGolog程序存储控制系统的高级行为，以达到预期的目标。 此外，IndiGolog通过允许传统的程序语言控制结构（例如条件（if-then-else）和循环迭代（do-while））与用于规划和搜索的非确定性构造一起来促进控制结构。 所有这些组件都决定了代理的行为，并提供了通过特定领域知识修剪非确定性行为选择的搜索空间的机制。
3.系统架构
3.1认知机器人代理体系结构
认知机器人代理在高层控制下运作以安排受认知功能影响的行为。 架构如图1所示，实际的架构如图2所示。代理由五个功能模块组成，其中包括四个上述认知功能和一个知识库。 代理通过感知行为（提供感知）和原始行为（提供致动）与拆卸单元交互。 关于拆卸领域，功能解释如下。
3.1.1知识库
知识库包含针对常规和特定模型拆卸过程的DPP知识。 一般过程用于在模型未知的情况下拆卸产品的情况，而模型特定的过程在模型已知或以前看过时应用。 在这项研究中，知识包括：
●DSP;lt;
全文共16739字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[17291]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
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。
