李龍欣, 孫青云, 徐 鵬

(南京林業(yè)大學(xué)大學(xué)機械電子工程學(xué)院,江蘇 南京 210037)

近年來,隨著工業(yè)智能化的快速發(fā)展,貼面生產(chǎn)線的應(yīng)用日益廣泛。在這一背景下,對貼面生產(chǎn)線設(shè)備的教學(xué)變得尤為重要[1]。傳統(tǒng)機械教學(xué)需要進行實際操作,但由于貼面生產(chǎn)線需要高壓電驅(qū)動且工作環(huán)境惡劣,存在安全風(fēng)險,因此在工廠不適合進行培訓(xùn)。貼面生產(chǎn)線設(shè)備價格昂貴,體積龐大,限制了教育機構(gòu)專門購置和安裝這些設(shè)備用于學(xué)員培訓(xùn);并且傳統(tǒng)課堂培訓(xùn)通常需要較長的教學(xué)周期,效率較低,需要大量師資來進行教學(xué)[2-3]。

針對傳統(tǒng)教學(xué)方法存在的問題,本文結(jié)合虛擬現(xiàn)實技術(shù)提出了一種新型的教學(xué)系統(tǒng)。首先,使用建模軟件對貼面生產(chǎn)線機械設(shè)備進行建模和渲染,以提高場景的真實性,加深用戶的代入感。其次針對虛擬現(xiàn)實中的碰撞檢測提出一種層次包圍盒和改進蟻群相結(jié)合的混合碰撞檢測算法Sphere-OBB-MACO,縮短碰撞檢測時間,提高碰撞檢測效率,提高場景的真實性,加深用戶的代入感[4]。最后文件導(dǎo)入到Unity3D中,完成場景交互開發(fā),實現(xiàn)了場景漫游和設(shè)備交互等多種功能,以增強學(xué)員的學(xué)習(xí)興趣。這一新的教學(xué)系統(tǒng)將有效應(yīng)對傳統(tǒng)教學(xué)方式的不足,為貼面生產(chǎn)線機械設(shè)備的培訓(xùn)提供了全新的思路[5]。

1 總體設(shè)計

1.1 系統(tǒng)設(shè)計

貼面生產(chǎn)線教學(xué)系統(tǒng)主要包含三個部分,分別是學(xué)員端、設(shè)備端以及虛擬場景。學(xué)員通過操作設(shè)備在虛擬場景中漫游,根據(jù)場景或教師的指導(dǎo)進行各項操作,在虛擬場景中實現(xiàn)設(shè)備操作等相關(guān)操作,以達到教學(xué)的目的。虛擬仿真教學(xué)系統(tǒng)結(jié)構(gòu)如圖1所示。

圖1 虛擬仿真教學(xué)系統(tǒng)結(jié)構(gòu)

從圖1中可以看到,整套教學(xué)系統(tǒng)的關(guān)鍵在于虛擬場景的搭建,要搭建完整的虛擬場景則離不開各類軟件平臺的使用。貼面生產(chǎn)線教學(xué)系統(tǒng)因具備以下兩個特點:(1)在教學(xué)系統(tǒng)中,模型要適當(dāng)簡化,以便適應(yīng)計算機環(huán)境,要考慮軟硬件的集成性和兼容性,以確保系統(tǒng)能夠順利運行。(2)增強系統(tǒng)真實感,虛擬仿真場景必須要結(jié)合實際,不可以出現(xiàn)穿模等現(xiàn)象。

1.2 開發(fā)流程

開發(fā)路線圖包括以下步驟:設(shè)備調(diào)研,根據(jù)實際貼面生產(chǎn)線設(shè)備進行學(xué)習(xí)和拍照;貼面生產(chǎn)線設(shè)備建模,建模包括輥臺、皮帶、裝卸板機、清潔機、鋪紙機、熱壓機、裁邊機、液壓機、吸板機、升降臺以及廠房的三維模型,使用三維建模軟件根據(jù)設(shè)備參數(shù)創(chuàng)建和裝配模型,將生產(chǎn)線模型可視化,并渲染和制作動畫;使用一種包圍盒和改進蟻群相結(jié)合的混合碰撞檢測算法Sphere-OBB-MACO,提高場景的真實性;系統(tǒng)開發(fā),整合各種資源,創(chuàng)建虛擬現(xiàn)實場景并編寫腳本,以使學(xué)員與虛擬現(xiàn)實場景進行交互,最后將系統(tǒng)進行打包和發(fā)布。這些步驟的開發(fā)路線如圖2所示。

圖2 系統(tǒng)開發(fā)路線圖

最終選采用SolidWorks進行三維建模,使用3D MAX進行模型渲染,在Unity3D中進行虛擬現(xiàn)實開發(fā),選用MySQL數(shù)據(jù)庫進行系統(tǒng)信息的儲存,通過Microsoft Visual Studio編寫腳本,將C#作為編程語言,最終選設(shè)備作為虛擬系統(tǒng)的輸出端。

2 關(guān)鍵技術(shù)研究與實現(xiàn)

2.1 三維模型建立

貼面生產(chǎn)線是本套系統(tǒng)最重要的模型,需要精確還原尺寸,因此使用Solidworks軟件根據(jù)CAD圖紙進行建模,模型建立好后導(dǎo)入3DS MAX中,并在3DS MAX完成對生產(chǎn)線模型的組裝,如圖3所示。

圖3 貼面生產(chǎn)線正視圖與俯視圖

圖4 邊塌陷算法

2.2 模型簡化

當(dāng)前所構(gòu)造模型結(jié)構(gòu)復(fù)雜,作為教學(xué)系統(tǒng),學(xué)校配置的計算機存儲容量和性能處于一般水平,太復(fù)雜的模型會導(dǎo)致系統(tǒng)運行速度下降,實時渲染和網(wǎng)絡(luò)傳輸卡頓也會影響學(xué)生操作。需要對模型進行簡化,更改計算方法,提高圖形繪制的幀速,以保證計算機流暢運行[6]。結(jié)合模型特點,選用QEM算法簡化。QEM算法就是采用邊塌陷的思想,即將模型上代價最小的邊刪除掉,隨后將邊塌陷成新頂點,該邊的兩個原頂點需要連向此新頂點[7]。該算法要求新頂點到原塌陷邊相關(guān)的三角形所在平面的距離平方和作為塌陷代價[8]。

塌陷代價計算步驟:

三角形平面,設(shè)為Ax+By+Cz+D=0

頂點V到三角形平面的距離為:

d=VPT,V=(x,y,z,1),P=(A,B,C,D)

d2=VPT*VPT=V(PTP)VT

PTP=KP

V(PTP)VT=VKPVT

定義NF(v)為頂點的領(lǐng)域平面,則頂點V移動到U的損失為新點u到舊點V的一個領(lǐng)域三角平面的距離之和:

(1)

則每一對頂點的折疊損失定義為:

E(v1,v2)(u)=Δv1(U)+Δv2(U)=U(M1+M2)

(2)

令E(v1,v2)(u)偏導(dǎo)數(shù)為0,求解損失最小的U。

以裝卸板機為例,如圖5所示,(a)優(yōu)化前,模型面數(shù)為56 212,點數(shù)為82 872,(b)優(yōu)化后,模型面數(shù)為49 464,點數(shù)為74 493,優(yōu)化后模型對比優(yōu)化前的模型,得到的面數(shù)點數(shù)數(shù)量下降,并且優(yōu)化后模型并未失真且與原模型無差異。

圖5 簡化前后的裝卸板機

2.3 混合碰撞檢測算法

在虛擬拆裝環(huán)境中,零部件的拆卸裝配應(yīng)模擬真實情況。為了防止穿透現(xiàn)象的發(fā)生,系統(tǒng)需能即時準(zhǔn)確判斷各模型是否發(fā)生碰撞,在當(dāng)前研究中,碰撞算法主要分為基于時間域和基于空間域兩類。

本研究提出的Sphere-OBB-MACO算法,是將Sphere-OBB包圍盒和Sphere包圍盒相結(jié)合,組成混合層次包圍與改進蟻群算法相結(jié)合的碰撞檢測算法。首先利用層次包圍盒技術(shù)進行初步檢測,排除不相交的模型,隨后對蟻群算法進行改進,引入基于信息素擴散模型的蟻群算法,以完成更詳細地碰撞檢測。

2.3.1 混合層次包圍盒樹的遍歷

包圍盒算法是一種碰撞檢測方法,它通過使用簡單的包圍盒來近似代替形狀復(fù)雜的物體,從而進行高效的碰撞檢測。在層次包圍盒中,將包圍盒與樹狀結(jié)構(gòu)相結(jié)合,通過樹的遍歷方式對包圍盒進行檢測。檢測過程中,采用樹的遍歷方法對包圍盒進行檢查。在檢測過程中,先對父節(jié)點進行檢查,但只有在與父節(jié)點相交的情形下才可以繼續(xù)對子節(jié)點進行檢查。本算法采用Sphere-OBB包圍盒。

Sphere 與 OBB 的相交測試采用分離軸理論,如圖6所示,T為 OBB 中心到圓心的距離,L為分離軸,TL為中心距在分離軸上的投影長度,ra為包圍盒在分離軸上的投影半徑,rb為中心距離在球內(nèi)的部分在分離軸上的投影,有公式如下:

圖6 OBB-Sphere相交測試

TL>ra+rb

(3)

上式若成立則兩個包圍盒不相交,不成立則相交。

在模型碰撞檢測過程中,若兩個層次包圍盒樹的根節(jié)點相交,說明模型有可能發(fā)生碰撞,需要進行進一步檢測,這就需要制定相關(guān)遍歷下降策略,本文選擇深度優(yōu)先遍歷方法,如圖7所示。

圖7 層次包圍盒樹遍歷

設(shè)虛擬場景中兩個待檢測模型分別為A與B,在進行測試時首先判斷根結(jié)點是否相交,若相交則繼續(xù)判斷子節(jié)點是否相交。設(shè)A與B的根結(jié)點分別是A0與B0,子結(jié)點分別為A1、A2、B1、B2,葉子結(jié)點分別為A3、A4、A5、A6、B3、B4、B5、B6。具體執(zhí)行步驟如下:

(1)對待檢測模型分別建立二叉樹;

(2)判斷A0,B0是否相交,如果相交則繼續(xù)執(zhí)行步驟3;

(3)判斷B1,B2是否相交,如果是則繼續(xù)執(zhí)行步驟4;

(4)找出與A0相交的葉子結(jié)點,假設(shè)為B3;

(5)如果A中存在葉子節(jié)點與B3相交,則A,B碰撞;

(6)如果A0,B0同層結(jié)點包圍盒都不相交,則結(jié)束遍歷,A,B不碰撞。

2.3.2 蟻群算法優(yōu)化

非線性優(yōu)化問題需要選取一個目標(biāo)函數(shù)作為待優(yōu)化的適應(yīng)度函數(shù)。對于碰撞檢測而言,精確檢測描述為面片之間的相交測試,因此選用三維模型的三角形面片的質(zhì)心作為算法采樣的特征點,當(dāng)質(zhì)心間距小于某一值時面片之間相交,模型相交[9]。設(shè)兩個質(zhì)心坐標(biāo)為(x1,y1,z1),(x2,y2,z2),質(zhì)心間距如下式:

(4)

當(dāng)d≤δ時,判定三維模型之間發(fā)生碰撞。

在碰撞檢測階段,對初步檢測篩選的可能發(fā)生碰撞的幾何圖元進行特征采樣。采樣得到的特征點被用作碰撞檢測的待檢測集合。隨后,將待檢測的三維模型映射到二維平面,也就是將碰撞檢測問題從三維轉(zhuǎn)化為二維離散空間中特征對距離的非線性優(yōu)化問題[10]。

在初始時刻,將m只螞蟻隨機地放到n座城市,同時,將每只螞蟻的禁忌表的第一個元素設(shè)置為它當(dāng)前所在的城市[11]。各個路徑的信息素在此時相等,設(shè)τij(0)=c,隨后在不同城市的螞蟻憑借路徑上的信息素量和啟發(fā)式信息(兩城市間的距離)選擇下一座城市,t時螞蟻k從城市i轉(zhuǎn)移到城市j的概率為:

(5)

JK(i)表示螞蟻下一步選擇的城市的集合,φij表示螞蟻從i到j(luò)的期望程度。當(dāng)螞蟻完成一次周游后,信息素的表達式如下[12]

τij(t+n)=(1-p)*τij+Δτij

(6)

雖然蟻群算法本身具有很多優(yōu)點,但是它一般需要較長的搜索時間,并且容易停滯。為了解決這個問題,1996年Dorigo等提出精英螞蟻系統(tǒng),對每次結(jié)果最好的螞蟻釋放的信息素給予額外的量,加快螞蟻搜索范圍和時間。但是單次迭代產(chǎn)生的優(yōu)秀解并不一定就是整體最優(yōu)解,而額外的信息素疊加可能會讓結(jié)果向局部最優(yōu)解偏移而不是得到整體最優(yōu)解[13]。

為了解決精英蟻群算法造成的局部最優(yōu)解問題,本文對信息素釋放規(guī)則進行優(yōu)化,設(shè)最優(yōu)評價值為bt,初始值為0,公式如下:

(7)

其中bt(i)是第i代螞蟻的局部最優(yōu)評價,當(dāng)bt(i)沒有達到bt的值時最優(yōu)解不變?nèi)詾閎t,當(dāng)bt(i)達到甚至超過bt時最優(yōu)解更新,bt(i)成為最優(yōu)解。

取消每次迭代后對所有螞蟻路徑都進行的信息素疊加,而是對評價優(yōu)于bt的路徑進行信息素疊加,對差于最優(yōu)解bt的路徑信息素進行揮發(fā):

τij(t+n)=(1-p)*τij+ΔR

根據(jù)文獻參數(shù)取值為θ=8,μ=-0.75

2.3.3 算法流程

本文將MACO算法與Sphere-OBB包圍盒相結(jié)合應(yīng)用到碰撞檢測中,首先采用層次包圍盒技術(shù)進行初步檢測,然后采用蟻群算法進行詳細檢測。

(1)對三維模型建立層次包圍盒并遍歷,判斷是否發(fā)生碰撞;

(2)若碰撞則對兩節(jié)點之間圖元進行特征值采樣,組成二維離散搜索空間。若沒有碰撞則直接進行(4);

(3)初始化信息素強度τ、種群M、可見度φ、種群位置,設(shè)置迭代此處初始值為0;

(4)計算每只螞蟻的最優(yōu)解和當(dāng)前全局最優(yōu)解;

(5)達到最終要求的條件,輸出滿足碰撞閾值的最佳個體。

2.3.4 實驗及結(jié)果分析

實驗環(huán)境:PC(Windows10 CPU Intel Core i5-9300H CPU@2.40GHz,內(nèi)存16GB),利用OpenGL圖形庫和C++在VS2019上實現(xiàn),仿真模型為貼面生產(chǎn)線設(shè)備的三維模型。

(1)對不同特征對情況下的Sphere-OBB-MACO算法進行碰撞檢測性能仿真。實驗選擇5種特征及運動時間最長的兩個物體來對Sphere-OBB-MACO算法進行碰撞檢測,表1是碰撞檢測耗時。

表1 不同特征對的Sphere-OBB-MACO算法檢測時長

從表1中可以得知在相同的碰撞檢測準(zhǔn)確率下,碰撞檢測算法的耗時與特征對數(shù)量成正比關(guān)系,即采樣的特征對數(shù)量越多,算法耗時越長。

(2)為了驗證蟻群規(guī)模對于碰撞算法性能的影響,選用不同的蟻群規(guī)模,采用Sphere-OBB-MACO算法對貼面生產(chǎn)線設(shè)備進行碰撞訓(xùn)練,檢測率如圖8所示。

圖8 不同蟻群規(guī)模的碰撞檢測率

從圖中可以看出不同的蟻群規(guī)模對碰撞算法的檢測率影響十分大,檢測率都保持著先降后升的規(guī)律,當(dāng)特征對為1 000×1 000時,蟻群數(shù)量在40時就可以獲得最高檢測率,當(dāng)特征對為5 000×5 000時,蟻群數(shù)量在60時才能獲得最高檢測率。綜上,本文采取蟻群數(shù)量為60。

(3)選用貼面生產(chǎn)線設(shè)備進行碰撞檢測,特征對為5 000×5 000,蟻群規(guī)模m=60,初始的信息素影響因子和期望啟發(fā)因子α=β=1,最大迭代次數(shù)N=100,設(shè)定值n=50,分別采用Sphere-OBB(層次包圍盒算法)、Sphere-OBB-ACO(結(jié)合蟻群算法的隨機碰撞檢測算法)及Sphere-OBB-MACO(結(jié)合改進蟻群的隨機碰撞檢測算法)三種算法進行對比分析,最終結(jié)果如圖9所示。

圖9 三種算法的檢測效率

圖10 漫游場景

圖11 設(shè)備及流程學(xué)習(xí)

從圖9中可以得知三種算法在30 ms后均獲得了穩(wěn)定的結(jié)果,其中Sphere-OBB-MACO算法檢測率最高,約為0.85,Sphere-OBB最差,約為0.65。

實驗結(jié)果表明,與傳統(tǒng)包圍盒算法及傳統(tǒng)隨機碰撞檢測算法相比,本文設(shè)計優(yōu)化的Sphere-OBB-MACO碰撞檢測算法更優(yōu)秀。

2.4 交互技術(shù)

為了達到人機交互目的,需要用戶界面(UI),UI是系統(tǒng)向?qū)W員展示的窗口,為了增強軟件獨特性并降低學(xué)員學(xué)習(xí)成本,UI的設(shè)計至關(guān)重要[14]。通過漫游可以實現(xiàn)對貼面生產(chǎn)線的工作流程及機械設(shè)備的結(jié)構(gòu)的了解,掌握貼面生產(chǎn)線的規(guī)范操作,加深對貼面生產(chǎn)線理論知識的掌握并提高實際動手能力[15-16]。

教學(xué)設(shè)計分為設(shè)備及流程學(xué)習(xí)和教學(xué)成果反饋。

在設(shè)備及流程學(xué)習(xí)中以皮帶輸送機設(shè)備為例進行介紹。皮帶輸送機由輸送帶、托輥、電機、滾筒組成,具有結(jié)構(gòu)簡單輸送量大等優(yōu)點,廣泛應(yīng)用于家電食品等多個行業(yè)。皮帶輸送機結(jié)構(gòu)多樣,有槽型、平型等多種形式,操作流程模塊部分系統(tǒng)通過播放語音、文字和圖片指導(dǎo)學(xué)員學(xué)習(xí),學(xué)員點擊下一步按鈕繼續(xù)進行學(xué)習(xí)教學(xué)內(nèi)容。

在教學(xué)成果反饋中,人員考核模塊可以讓學(xué)員檢查自己的學(xué)習(xí)進度,有針對性地查漏補缺,監(jiān)督學(xué)員的學(xué)習(xí)。本系統(tǒng)的考核模塊主要是以試題的形式進行,每套試題中都包括設(shè)備認(rèn)知學(xué)習(xí)、操作實踐等知識,都是選擇題。學(xué)員完成一題后點擊下一題按鈕繼續(xù)作答。學(xué)員在作答完后答案提交到數(shù)據(jù)庫與ans中的答案進行對比,給出得分。

3 結(jié)束語

本文以貼面生產(chǎn)線為模型,運用三維建模技術(shù)、碰撞檢測技術(shù)、虛擬現(xiàn)實技術(shù),開發(fā)了一套高仿真度的貼面生產(chǎn)線結(jié)構(gòu)認(rèn)知與拆卸虛擬仿真教學(xué)系統(tǒng),解決了學(xué)員在學(xué)習(xí)過程中體驗不佳、學(xué)習(xí)過程枯燥無味、學(xué)習(xí)效率低下等問題,提高學(xué)員的學(xué)習(xí)興趣與積極性,改善教學(xué)效果,具有很高的實用價值。