英语原文共 8 页，剩余内容已隐藏，支付完成后下载完整资料

一种有效的3自由度捕球机械臂的设计与开发

摘要

本文构建了一种由市售零件组装而成的3自由度捕球机械臂系统。 之前的研究者设计了复杂的此类系统 ，我们设计了一个非常简单的机械臂，并获得了从不同角度捕捉球的结果，即我们以不同的角度（40°，45°，50°和60°）向机械臂投掷球。据此分析得到结果，当球以40°投掷时，所构建的系统得到了最好的结果。 在这个系统中，系统通过快速均值算法检测球，摄像机系统则用于感知球的轨迹。通过计算识别颜色强度平均值的偏移，并据此将控制命令通过串口发送到机械臂。 在预定位置捕捉飞行的基本目标。 通过分析及观察得到，捕球机械臂可以在5-6米的距离上捕捉投掷在其上方的球，当投掷角度为40^°时，捕球的平均成功率为70-75％。

关键词

捕球机械臂; 机器人; 机器人视觉

介绍

对于人类以及机器人系统来说，用手抓住移动物体是最为困难的任务之一。 为了完成这项任务，机器人系统需要具备多种功能，例如智能传感，对象跟踪，运动预测，轨迹规划和精细运动感觉协调。 [16]之所以机器人控制器的视觉引导在实验室和工业环境之外具有用途的局限性，部分原因是因为控制器通常需要关于机器人状态和工作空间几何形状的完整信息。 [17]数十年来，视觉细分工作已经成为了一项具有挑战性的任务。 这些视觉方法的研究非常耗时，且在实验室外环境中经常产生意料之外的结果。 在本文中，我们分析人体手臂捕捉一个

移动物体的运动，而这种运动经常出现在人类的日常生活中，因此将来会有很多机器人需要完成此类任务。 为了使机器人像人一样完成这项任务，我们有必要了解人类如何规划自己的动作并控制自己的手臂来完成动作[18]。 迄今为止，许多关于人体手臂运动的研究都有报道。 Flash和Hogan[19]利用“手抓住移动物体”提出了最小挺举理论，该理论展现了两个固定点之间的人体手臂运动。 对于同样的运动， Uno等人 [20]通过解析目标函数能够再现人类手臂运动，从而最大限度地降低电机转矩的变化率。 这些模型处理两个固定点之间的自主手臂运动，而不涉及用于调整手臂运动以适应环境变化的动态运动计划。 [18]

我们的工作目标是视觉上追踪飞向机械臂的飞行物体，并将数据发送至机械臂，以便在预定位置捕捉球体。 当我们使用一种自行开发的新型低成本机械臂（图1）来捕捉向机器人投掷的球时。 一些研究人员已经解决了同样的问题，他们也得到了一些成功的结果，但是他们在整个系统的成本和捕捉球的准确性方面与我们有所不同。

图1

然而，对于机器人技术的研究工作来说，获得高性能和昂贵的机器人往往是一项挑战。 在许多方面，机器人技术缺乏标准的系统，而这些标准系统是可用于进行比较研究。许多的研究是在无法复制或重复使用进行的[2]。 所以在类似的领域里，每个研究人员必须研制自

己的机器人，并进行比较分析从而获得结果。

需要解决的最重要的问题是选择用于分割球的特性。需要检测球的形状不是一个有效的方法,在这种方法中我们需要设置背景静态或稳态，因为跟踪移动物体必须通过计算实际的图像 (新框架)和参考图像之间的差别是非常困难的。但是如果使用我们设计的系统，我们只需要关注物体的颜色。在我们的设计里，物体在空中约飞行约0.5秒至1秒，覆盖约5至6米的距离。 因此，为了快速地将捕获位置发送给机器人，对轨迹进行早期预测是很重要的。 随着对球追踪时间的延长，预测变得越来越精确，并且手臂的准确性也得到了提高。

相关工作

在着名的开创性工作[4] [5]中，使用了7 DOF DLR-LWR-III手臂，该手臂具有抓握球的功能以及主动视觉系统。 跟踪和预测球的任务作为捕球机械臂系统的一部分进行了研究（[4] [3] [6] [7] [8]）。 所有这些都使用具有相当宽的基线的立体相机进行静态设置。 通过使用颜色（[6]，[7]，[8]）或使用与参考图像[3]的差异，通过逐像素分割来检测球。 （实时轨迹感知纸）。 一个在人形机器人上有一个5自由度机械臂的系统（只有手臂在移动），在末端执行器上有一个“烹饪篮子”用于捕捉球，一个主动视觉系统在[9]中介绍。

在工作[3]中，他们使用7 DOF DLR-LWR-II手臂，在末端执行器上放置一个小篮子，并使用便宜的现有组件构建一个固定立体相机和图像处理系统。

贡献

在本文中，我们构建了一个捕球机械臂装置，与以前的研究有三个方面的显著不同。 首先，我们配备市售部件用低成本开发一种机械臂。我们以如此低的成本制造机械臂臂是具有一定挑战性的，因为手臂的硬件和马达必须能够足够快地捕捉球，并且此外它必须满足轻量的条件，以便重量的因素不影响电机。 此外，实现手臂运动的算法也是一个挑战，因为这里所有的工作都是为了实时结果而进行的，所以在我们的机械臂装置上需要应用更有效的算法。

第二个新方面是，我们不使用双目或立体视觉相机（300 fps），而是使用60 fps相机来确定球并计算其未来轨迹。 我们的相机在这里负责跟踪球，确定球的速度

并且还要确定球转向的角度。 因此，使用这些简单的步骤，我们就可以计算出球的轨迹，然后让球向上移动。 如前所述，由于资金可用性低，我们暂时不考虑机械臂抓握球的工作。

第三个新的方面，我们已经在不同的角度（即（40^°，45^°，50^°和60^°）扔球，并获得了手臂在不同角度捕捉球的有效性结果。 在这里我们已经观察到，当它在40^°时，结果是最优的。因为当我们增加了投掷的角度时，观察到了捕捉次数逐渐减少的现象。

1. 一般设置和结构

用立体视觉相机预测球非常昂贵​​，因为我们需要Gige接口卡和更强大的编程语言进行接口。 因此，我们使用一个摄像机系统安装在投掷者旁边的垂直杆上。 相机的视角为5m水平，垂直约4m。 这足以让我们跟踪5米左右的球。 对人类表现研究表明，如果球在150cmtimes;150cm的虚拟窗口投球，我们的系统就能够接住球。 从这些基本要求可以计算出轨迹感知的飞行时间和速度，总结如下。

投掷距离约为5-6米。

• • 球应该在空中或飞行时间约为0.9秒。
  • 球将以大约5.5米/秒的速度行进。
  • 如果球在150cmtimes;150cm的虚拟窗口内到达，应该抓住球。

图2 捕球机械臂的一般设置

用平移算法进行目标跟踪

Mean Shift是一种功能强大且多功能的非参数迭代算法，可用于很多目的

如寻找模式，聚类等。Mean Shift在Fukunaga和Hostetler [12]中引入，并已扩展到适用于计算机视觉等其他领域。 本文的这部分内容将提供有关Mean Shift的讨论

对均值的直观理解

本节提供了Mean shift的一个直观的想法，后面的章节将扩展这个想法。 平均偏移将特征空间视为经验概率密度函数。 在概率论中，概率密度函数（pdf）或连续随机变量的密度是描述该随机变量在给定值上的相对可能性的函数。 如果密集区域（或簇）存在于特征空间中，则它们对应于概率密度函数的模式（或局部最大值）。 我们还可以使用Mean Shift识别与给定模式相关的群集。

对于每个数据点，Mean shift将其与数据集的概率密度函数的附近峰值相关联。 对于每个数据点，均值偏移定义一个围绕它的窗口并计算数据点的平均值。 然后它将窗口的中心移到平均值，并重复算法直到它收敛。

在高层，我们可以指定Mean Shift如下：

• 1. 修复每个数据点周围的窗口。
  2. 计算窗口内数据的平均值。
  3. 将窗口移到平均值并重复，直至收敛。

在图像中检测球的最通用方式是圆形Hough变换（[13]，[14]，[15]）。 从概念上讲，它计算了每个假想圆周上的像素数量。 这种技术涉及很多计算，因为它需要每次计算两个阈值[16]。 对比度归一化Sobel滤波器（CNS）是另一种流行的圆检测技术。 [16]

在这里，我们用平均移位算法提出了用于在HCI中检测和跟踪分段面的均值平移算法的主要思想的对象跟踪，这是一种在给定离散数据的情况下定位密度函数的最大值的过程。Bradski [10]和Cheng [11]解决了解决这个问题的算法。Mean Shift算法的主要步骤如下：首先选择要跟踪的对象的第一个像素（要跟踪的颜色）。

• 定义搜索窗口的区域并计算其中心
• 定义对象的区域并计算其中心
• 计算搜索窗口的中心与整个图像中移动的对象的中心之间的距离，并将搜索窗口翻译为等于对象的中心。
• 重复第2步，直到i的值。

我们确实需要追踪的物体颜色强度可能导致物体定位不良。 如果窗口大小选择得太大，则会包含太多背景像素。所以

总是需要选择合适的搜索窗口大小以获得更好的结果。

预测和分析

对抛球的轨迹建模可以用简单的牛顿力学得到满足。唯一的困难是需要一个完美的机械稳定模型，因为如果模型在任何意义上是稳定的，那么从模型中预测的捕获点就足够精确了。这里我们需要球的速度和角度来计算给定投掷的轨迹。

在球的半截球后，用matlab计算出弹丸的速度和角度值，并与重力1g的轨迹方程进行计算。在一半的情况下，将弹丸的速度和角度的感知值发送给控制器，用于未来的计算，并且代表这些计算，机械手的捕获点得到了确定。在图3中，3d和2d图展示了投掷球和视觉系统跟踪的图形表示，并实时预测抛球。

图3（从左至右显示（1）球的建模（2）球的二维建模（3）视觉系统实时跟踪和预测抛球）

1. 实施

本节介绍机械臂实际实施的技术细节。

硬件实现

在前面章节中提出和指定的手臂是用市售部件构建的，并且有大量的研究和开发，因为我们的主要目标是开发比以前手臂系统（例如Puma 5x，DLR手臂）低成本的手臂系统。我们用简单的高扭矩容量步进电机进行了实验，但在我们早期的实验中失败了。 之后，我们使用了直流电机和强大的铁齿轮箱。 这些电机用于我们机械臂的两个关节。

基地即左转和右转

• 1. 用于上下旋转

虽然机械臂还有一些微调需要完成，但即便如此，它已经满足了所有可以测量的特定要求，并且性能与以前的研究类似，这些研究与我们的工作相比成本很高。 以下部分显示了我们系统的实验结果。

我们的电机的规格是

表1机器人手中使用的电机规格

这些电机在控制器电路（机器人控制电路）的帮助下由matlab进行操作。 matlab给出了通过串口启动或停止电机的直接命令。 所有的沟通都是在ZigBee的帮助下完成的。

ZigBee模块是一系列使用ZigBee或80

全文共10082字，剩余内容已隐藏，支付完成后下载完整资料

资料编号：[8734]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

您可能感兴趣的文章

• 流化床包衣造粒过程的监测与控制研究外文翻译资料
• 一种新颖的旋转流化床包衣细颗粒涂层的方法外文翻译资料
• 中国城市垃圾的处理和管理外文翻译资料
• 滤袋、气旋、和湿式除尘方法在真空吸尘器中的比较外文翻译资料
• 一个灵活的模型辗环机设计外文翻译资料
• 带有柔性转子的主动电磁轴承系统的识别外文翻译资料
• 柔性阻尼支承下转子振动特性实验外文翻译资料
• MapReduce:超大集群上的数据简化处理外文翻译资料
• 垂直循环式立体车库的停车与乘车调度优化外文翻译资料
• 高灵敏度、高稳定性的自温度补偿电涡流位移传感器外文翻译资料