摘 要：針對(duì)工業(yè)機(jī)器人作業(yè)過(guò)程中非正常停機(jī)引起位姿處于未知狀態(tài)而導(dǎo)致機(jī)器人無(wú)法從停機(jī)位置自動(dòng)返回初始位置的問(wèn)題，提出一種工業(yè)機(jī)器人的回位方法。設(shè)計(jì)機(jī)器人回位路徑，結(jié)合k-近鄰算法、構(gòu)造回位空間以及空間分類閾值對(duì)機(jī)器人的位姿信息進(jìn)行分類化處理；重構(gòu)機(jī)器人特征數(shù)據(jù)進(jìn)行決策樹(shù)模型的訓(xùn)練；使用訓(xùn)練完成的模型決策回位路徑后執(zhí)行機(jī)器人回位程序，實(shí)現(xiàn)工業(yè)機(jī)器人自動(dòng)返回初始位。回位試驗(yàn)實(shí)驗(yàn)結(jié)果表明：在隨機(jī)位姿和攜帶多樣工具的狀態(tài)下機(jī)器人回位成功率為93.3%。

關(guān)鍵詞：工業(yè)機(jī)器人；回位方法；空間構(gòu)造；路徑設(shè)計(jì)；決策樹(shù)算法；k-近鄰算法

中圖分類號(hào)：TP242; TP391 文獻(xiàn)標(biāo)志碼：B 文章編號(hào)：1671-5276（2024）04-0235-06

A Robot Homing Method for Industrial Applications

HOU Longxiao

（Henan Machinery Design amp; Research Institute Co.， Ltd.， Zhengzhou 450003，China）

Abstract：For the abnormal halt of industrial robots in the working process resulting in their postures in an unknown state and the failure of automatic return to the initial position from the halt position， a homing method for industrial robot is proposed， which includes designing a robot return path， classifying the robot's pose information by combining the k-nearest neighbour algorithm and constructing return space and spatial classification threshold， reconstructing the robot feature data for decision tree model training andexcuting the robot regression program after using the trained model decision return path.Thus theautomatic return of industrial robots to the initial position being realized. The experimental results show that the success rate of robot return is 93.3% in random posture and with various tools.

Keywords：industrial robot；homing method；spatial structure；path design；decision tree algorithm；k-nearest neighbour algorithm

0 引言

隨著工業(yè)機(jī)器人的應(yīng)用范圍越來(lái)越廣泛，工業(yè)機(jī)器人技術(shù)的發(fā)展已成為衡量一個(gè)國(guó)家科技和制造業(yè)水平的重要標(biāo)志^[1]。為降低人工勞動(dòng)強(qiáng)度，提高生產(chǎn)效率，降低生產(chǎn)成本，企業(yè)廣泛引進(jìn)工業(yè)機(jī)器人代替人工進(jìn)行生產(chǎn)作業(yè)^[2]。然而企業(yè)共同面臨的問(wèn)題是生產(chǎn)人員未經(jīng)過(guò)系統(tǒng)的操作培訓(xùn)，難以熟練地使用工業(yè)機(jī)器人，一旦機(jī)器人因?yàn)楣收匣虿划?dāng)操作等原因停機(jī)于某個(gè)隨機(jī)位置，操作人員難以使機(jī)器人回到至初始位置重新投入運(yùn)行。

工業(yè)機(jī)器人的回位問(wèn)題屬于避障路徑規(guī)劃的范疇?，F(xiàn)階段，面對(duì)較為復(fù)雜的工作場(chǎng)景時(shí)，常采用搜索算法，如A^*算法^[3-4]、人工勢(shì)場(chǎng)法^[5-6]、遺傳算法等^[7-8]，這些方法在多關(guān)節(jié)工業(yè)機(jī)器人的應(yīng)用中存在算法復(fù)雜度較高、實(shí)現(xiàn)較復(fù)雜、搜索緩慢等問(wèn)題；另外還有利用傳感器獲取障礙物信息，通過(guò)網(wǎng)格表示機(jī)器人所處的環(huán)境，根據(jù)蟻群算法、粒子群算法等^[9]引導(dǎo)機(jī)器人進(jìn)行避障路徑規(guī)劃。這些方法通過(guò)建立目標(biāo)吸引函數(shù)，利用自適應(yīng)學(xué)習(xí)機(jī)制，提高最優(yōu)路徑的選擇概率，其實(shí)現(xiàn)相對(duì)容易，但往往需要較高的硬件成本。

1 回位問(wèn)題描述

1.1 機(jī)器人位姿及TCP概述

基坐標(biāo)系是為確定空間中某一點(diǎn)的位置和姿態(tài)而在空間上進(jìn)行定義的笛卡兒坐標(biāo)系，表示為{A}?；鴺?biāo)系中的任一點(diǎn)p的位置信息可由一個(gè)矢量^AP在基坐標(biāo)系下的坐標(biāo)分量進(jìn)行描述：

式中：p_x、p_y、p_z是點(diǎn)p在基坐標(biāo)系中各軸向的坐標(biāo)分量；^AP上標(biāo)表示基坐標(biāo)系{A}。

除了位置信息外，還需要描述點(diǎn)p在空間的姿態(tài)，建立一個(gè)以p點(diǎn)為原點(diǎn)的坐標(biāo)系{B}，并給出{B}坐標(biāo)系相對(duì)于基坐標(biāo)系{A}的方向余弦矩陣來(lái)表示點(diǎn)p相對(duì)于基坐標(biāo)系的姿態(tài)信息^[10]：

式中：^A_BR表示p點(diǎn)的坐標(biāo){B}相對(duì)于基坐標(biāo){A}的旋轉(zhuǎn)矩陣；cos（·，·）表示坐標(biāo){B}在各軸矢量上與基坐標(biāo){A}各軸矢量間夾角的余弦。

綜合位置信息和姿態(tài)信息，空間中的一點(diǎn)p的位姿描述為{P_B，^A_BR}，P_B為p點(diǎn)位置信息相對(duì)于基坐標(biāo)系{A}的位置矢量^[11-12]。

為了描述工具在坐標(biāo)系中的位置和姿態(tài)，需要建立一個(gè)工具坐標(biāo)系TCS（tool coordinate system），工具坐標(biāo)系的原點(diǎn)即工具中心點(diǎn)TCP（tool center point） ^[13]。工業(yè)機(jī)器人的TCP位姿信息{P_B，^A_BR}一般情況下轉(zhuǎn)換為一個(gè)一維數(shù)組表示：[x，y，z，r_x，r_y，r_z]，其中數(shù)組的前3項(xiàng)[x，y，z]表示TCP在基坐標(biāo)系中各軸向的坐標(biāo)分量；后3項(xiàng)[r_x，r_y，r_z]表示各軸矢量上與基坐標(biāo)各軸矢量間的夾角角度值。

1.2 回位問(wèn)題分析

在工業(yè)應(yīng)用中，TCP存在一個(gè)初始位姿，機(jī)器人運(yùn)行中因故停機(jī)使TCP停止于另一個(gè)位姿，結(jié)束后續(xù)的作業(yè)步驟，從當(dāng)前位姿移動(dòng)至初始位姿的這一過(guò)程即是機(jī)器人回位過(guò)程。在實(shí)際情況中，由于作業(yè)環(huán)境狹小且不規(guī)則；兩個(gè)位姿路徑之間存在障礙物阻隔；TCP因攜帶多種類工具，需要以不同方式移動(dòng)至初始位姿；機(jī)器人本身多連桿機(jī)構(gòu)的機(jī)械約束等原因?qū)е耇CP往往不能夠直接由停止位姿移動(dòng)至初始位姿。因此，回位問(wèn)題需要解決在機(jī)器人多連桿機(jī)構(gòu)的約束下，不產(chǎn)生碰撞地將可能攜帶多種類工具的TCP從一個(gè)起始位姿移動(dòng)至初始位姿。

2 方法概述

本文回位方法的原理是將隨機(jī)的位姿及狀態(tài)通過(guò)模型分類判定為若干個(gè)狀態(tài)分類，通過(guò)各分類狀態(tài)對(duì)應(yīng)的回位路徑以盡可能小幅度的位移將機(jī)器人移動(dòng)至該狀態(tài)分類下的示教點(diǎn)，再以此示教點(diǎn)移動(dòng)至初始位置。

本文方法的總體流程為：首先構(gòu)造用于判定TCP所處位置及狀態(tài)的空間；然后根據(jù)不同的空間類型設(shè)計(jì)回位路徑；之后通過(guò)收集機(jī)器人處于各空間的位姿數(shù)據(jù)訓(xùn)練區(qū)域判定模型，匹配與之對(duì)應(yīng)的回位路徑；最后將作業(yè)中機(jī)器人位姿信息導(dǎo)入訓(xùn)練完成的模型，判定TCP所處的空間及位姿狀態(tài)，根據(jù)模型輸出的回位路徑退回至確定的示教點(diǎn)，最終返回初始位置，流程如圖1所示。

3 回位路徑設(shè)計(jì)

3.1 構(gòu)造位置判定空間

解決工業(yè)機(jī)器人回位問(wèn)題的關(guān)鍵是正確判定機(jī)器人的起始位姿，其中TCP的位置數(shù)據(jù)在回位決策中占有最大的權(quán)重。本節(jié)提出3種空間的劃分方法用于TCP位置的判定。

1）以示教點(diǎn)為中心構(gòu)造正方體空間

工業(yè)機(jī)器人最常用的作業(yè)模式是依賴于示教點(diǎn)按步驟完成不同的工序。在這種作業(yè)模式下，機(jī)器人回位時(shí)的起始位置可能正好處于示教點(diǎn)位置或只移動(dòng)了極小的一段距離。構(gòu)建以示教點(diǎn)為中心的小立方體空間用于判定TCP是否處于某個(gè)示教點(diǎn)鄰近的位置。示教點(diǎn)^TP在基坐標(biāo)系下的矢量如式（3）所示。

[^Tp_x， ^Tp_y， ^Tp_z]為該示教點(diǎn)在基坐標(biāo)系各軸的分量，在p點(diǎn)各軸分量上各加減一個(gè)較小的數(shù)值n即可得到由8個(gè)分量值坐標(biāo)組成的立方體空間C_t，如圖2所示。

2）以作業(yè)區(qū)域中心構(gòu)造立方體空間

工業(yè)機(jī)器人另一種較為常用的作業(yè)模式是基于一個(gè)作業(yè)區(qū)域的示教點(diǎn)^TP進(jìn)行位置運(yùn)算后得到^Wp₁、^Wp₂，…，^Wp_n點(diǎn)，TCP在^Wp₁、^Wp₂，…，^Wp_n點(diǎn)完成工作后返回p點(diǎn)結(jié)束一次作業(yè)。在這種作業(yè)模式下，機(jī)器人回位時(shí)的起始位置很大概率位于作業(yè)區(qū)域內(nèi)的某個(gè)位置。假設(shè)由^WP點(diǎn)計(jì)算得到了n個(gè)作業(yè)點(diǎn)，則^WP_2/n點(diǎn)為作業(yè)區(qū)域的中心點(diǎn)。作業(yè)區(qū)域起始點(diǎn)^WP在基坐標(biāo)系下的矢量描述為

作業(yè)區(qū)域中心點(diǎn)p_2/n基坐標(biāo)系下的矢量描述為

式中：[^Wp_x， ^Wp_y， ^Wp_z]為點(diǎn)p在基坐標(biāo)系各軸的分量；[^Wp′_x， ^Wp′_y， ^Wp′_z]為點(diǎn)^WP_2/n在基坐標(biāo)系各軸的分量。點(diǎn)p_2/n各軸向分量到作業(yè)區(qū)域邊緣的距離為[|^Wp_x-^Wp′_x|， | ^Wp_y-^Wp′_y|， | p_z-p′_z|]，以作業(yè)區(qū)域中心點(diǎn)的坐標(biāo)分量值沿各軸向各加減一個(gè)到作業(yè)區(qū)域邊緣的距離即可得8個(gè)分量值坐標(biāo)組成的立方體空間C_w，如圖3所示。

3）全區(qū)域構(gòu)造象限空間

為了使得機(jī)器人無(wú)論處于任何起始位置都能回位初始位置，在兩類立方體空間之外還需要對(duì)機(jī)器人所有可達(dá)區(qū)域進(jìn)行象限劃分。以基坐標(biāo)系原點(diǎn)O為象限區(qū)域的分界點(diǎn)，點(diǎn)O在基坐標(biāo)系下的矢量描述為

以分界點(diǎn)O的各軸向?qū)⒄w空間劃分為8個(gè)區(qū)域，各個(gè)區(qū)域的范圍表示為Q_i，如圖4所示。

3.2 回位路徑設(shè)計(jì)

本文的目標(biāo)是使工業(yè)機(jī)器人由停機(jī)位置移動(dòng)至初始位置，因此需要依據(jù)TCP回位時(shí)的起始位姿設(shè)計(jì)合適的回位路徑使機(jī)器人完成回位動(dòng)作，并建立起機(jī)器人位置信息、姿態(tài)信息等特征和回位路徑之間的對(duì)應(yīng)關(guān)系，為回位模型的樣本提供模板。

1）示教點(diǎn)立方體類回位路徑設(shè)計(jì)

機(jī)器人回位的起始位置處于某個(gè)示教點(diǎn)為中心的小立方體內(nèi)時(shí)，回位方式應(yīng)先移動(dòng)至對(duì)應(yīng)此立方體的示教點(diǎn)位，如圖5所示。

2）作業(yè)區(qū)域立方體類回位路徑設(shè)計(jì)

機(jī)器人回位的起始位置處于某個(gè)作業(yè)區(qū)域立方體內(nèi)時(shí)，考慮到機(jī)器人在同一作業(yè)區(qū)域可能會(huì)有多種姿態(tài)，所以回位方式應(yīng)首先結(jié)合機(jī)器人的當(dāng)前姿態(tài)來(lái)判斷是否需要變換至過(guò)渡點(diǎn)相近的姿態(tài)之后再移動(dòng)至此作業(yè)區(qū)域內(nèi)的過(guò)渡點(diǎn)，然后移動(dòng)至與作業(yè)立方體內(nèi)過(guò)渡點(diǎn)鄰近的示教點(diǎn)，如圖6所示。

3）象限區(qū)域類回位路徑設(shè)計(jì)

機(jī)器人回位的起始位置處于某個(gè)象限區(qū)域內(nèi)時(shí)，說(shuō)明機(jī)器人停機(jī)于作業(yè)區(qū)域或示教點(diǎn)之間的路徑上。此狀態(tài)下機(jī)器人可能存在多種工具和姿態(tài)，回位方式應(yīng)首先結(jié)合機(jī)器人的當(dāng)前工具種類選擇目標(biāo)過(guò)渡點(diǎn)；然后通過(guò)當(dāng)前姿態(tài)來(lái)判斷是否需要變換至過(guò)渡點(diǎn)相近的姿態(tài)之后再移動(dòng)至此作業(yè)區(qū)域內(nèi)的過(guò)渡點(diǎn)；最后移動(dòng)至與象限區(qū)域過(guò)渡點(diǎn)鄰近的示教點(diǎn)，如圖7所示。

4 回位路徑?jīng)Q策

4.1 準(zhǔn)備數(shù)據(jù)樣本

回位路徑的判定基于決策樹(shù)算法，對(duì)此模型進(jìn)行訓(xùn)練，需要對(duì)機(jī)器人起始狀態(tài)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，作為訓(xùn)練樣本。數(shù)據(jù)包括TCP的位置數(shù)據(jù)、姿態(tài)數(shù)據(jù)、工具種類編號(hào)和機(jī)器人回位路徑編號(hào)，其中位置數(shù)據(jù)、姿態(tài)數(shù)據(jù)、工具種類編號(hào)作為樣本的特征值，將在此狀態(tài)下機(jī)器人的回位路徑編號(hào)作為樣本的目標(biāo)值，如表1所示。

4.2 原始數(shù)據(jù)分類化

由于決策樹(shù)算法對(duì)離散數(shù)值類型的特征值響應(yīng)較差，所以需要使用k-近鄰算法將離散的TCP位置數(shù)據(jù)和姿態(tài)數(shù)據(jù)轉(zhuǎn)換為類別數(shù)據(jù)。由于機(jī)器人會(huì)以不同的位姿進(jìn)行作業(yè)，所以對(duì)于同一個(gè)立方體空間除了空間編號(hào)，還需要對(duì)其所有的作業(yè)姿態(tài)進(jìn)行編號(hào)。在作業(yè)區(qū)域立方體中記錄數(shù)據(jù)時(shí)需要將機(jī)器人TCP以作業(yè)時(shí)的各個(gè)姿態(tài)移動(dòng)至作業(yè)區(qū)域立方體空間中，以不同的作業(yè)姿態(tài)移動(dòng)至不同的位置若干次，記錄TCP的姿態(tài)數(shù)據(jù)和所處空間中姿態(tài)編號(hào)。

使用sklearn模塊中的KNeighborsClassfier類進(jìn)行k-近鄰算法建模。將訓(xùn)練集和訓(xùn)練集對(duì)應(yīng)的標(biāo)簽輸入KNeighborsClassfier.fit（）函數(shù)進(jìn)行模型訓(xùn)練，得出的結(jié)果即是將TCP的離散位置數(shù)據(jù)和姿態(tài)數(shù)據(jù)轉(zhuǎn)換為空間編號(hào)和姿態(tài)編號(hào)的分類。以分類后的數(shù)據(jù)樣本中TCP位置分類編號(hào)、TCP姿態(tài)分類編號(hào)、工具種類編號(hào)為特征值，回位路徑編號(hào)為目標(biāo)值，如表2所示。

4.3 決策樹(shù)模型訓(xùn)練

1）決策樹(shù)算法簡(jiǎn)介

決策樹(shù)（decision tree，DT）算法是一種有監(jiān)督的學(xué)習(xí)模型，它是一個(gè)由內(nèi)節(jié)點(diǎn)和葉節(jié)點(diǎn)構(gòu)成的樹(shù)型結(jié)構(gòu)^[14]。采用決策樹(shù)中的C4.5算法，其樣本特征的劃分依據(jù)為信息增益比。設(shè)樣本中的某個(gè)特征A，其特征熵為

式中：i表示特征A的n種取值；|D|表示劃分前的樣本總數(shù)；|D_i|表示劃分的樣本數(shù)目。

特征A的信息增益為

式中：H（D）表示樣本的總熵值；H_A（D）表示特征A的特征熵。

信息增益比為

2）模型訓(xùn)練

使用sklearn模塊中的DecisionTreeClassifier類進(jìn)行決策樹(shù)算法建模。決策樹(shù)的模型存在3個(gè)超參數(shù)：限制樹(shù)的最大深度（max_depth）；1個(gè)節(jié)點(diǎn)在分支后的每個(gè)子節(jié)點(diǎn)都必須至少包含的樣本數(shù)（min_samples_leaf）；1個(gè)節(jié)點(diǎn)至少要包含的樣本數(shù)（min_samples_split）^[15]。為了在回位路徑?jīng)Q策中取得較好剪枝效果，將訓(xùn)練集進(jìn)行10等分用于交叉驗(yàn)證，對(duì)預(yù)先設(shè)定max_depth=[3，5]，min_samples_leaf=[5，8，10]，min_samples_split=[1，2，3]進(jìn)行的網(wǎng)格搜索，得出模型在該數(shù)據(jù)樣本下的最優(yōu)超參數(shù)。

將訓(xùn)練集和訓(xùn)練集對(duì)應(yīng)的標(biāo)簽輸入DecisionTreeClassifier.fit（）函數(shù)進(jìn)行模型訓(xùn)練，此模型即為判定在擁有某種位置編號(hào)、姿態(tài)編號(hào)和工具種類的特征下所對(duì)應(yīng)的回位路徑編號(hào)。

5 試驗(yàn)

5.1 系統(tǒng)硬件構(gòu)成

采用FANUC R-2000iC-210L型機(jī)器人進(jìn)行回位試驗(yàn)和分析；Raspberry Pi-4B型嵌入式計(jì)算機(jī)通過(guò)k-近鄰算法對(duì)輸入的機(jī)器人離散位姿數(shù)據(jù)進(jìn)行分類化，加載決策樹(shù)模型對(duì)機(jī)器人回位路徑進(jìn)行決策；機(jī)器人與計(jì)算機(jī)通過(guò)Modbus-TCP協(xié)議進(jìn)行數(shù)據(jù)交換。

5.2 試驗(yàn)流程及結(jié)果統(tǒng)計(jì)

在試驗(yàn)區(qū)域中，選取輸送帶抓取區(qū)域、左側(cè)碼放區(qū)域、右側(cè)碼放區(qū)域、1號(hào)工具臺(tái)區(qū)域、2號(hào)工具臺(tái)區(qū)域和各區(qū)域間部分為試驗(yàn)區(qū)域，如圖8—圖9所示。

將TCP隨機(jī)停止于各區(qū)域內(nèi)，采集機(jī)器人的位姿信息，即包含位置信息和姿態(tài)信息的一維數(shù)組；將采集的一維數(shù)組進(jìn)行拆分，分離位置信息[x，y，z]和姿態(tài)信息[r_x，r_y，r_z]；將位置信息和姿態(tài)信息通過(guò)k-近鄰算法進(jìn)行分類處理；采集機(jī)器人當(dāng)前攜帶的工具編號(hào)等特征信息；將位置分類編號(hào)、姿態(tài)分類編號(hào)和工具編號(hào)組裝成待回位機(jī)器人的特征信息；將特征信息導(dǎo)入訓(xùn)練完成的決策樹(shù)模型獲取回位路徑編號(hào)；按照路徑編號(hào)執(zhí)行分類設(shè)計(jì)的機(jī)器人回位程序；觸發(fā)回位信號(hào)觀察回位執(zhí)行結(jié)果。

回位試驗(yàn)時(shí)將機(jī)器人運(yùn)行速度設(shè)置為10%，以各區(qū)域內(nèi)隨機(jī)位置為回位起點(diǎn)試驗(yàn)30次。TCP處于輸送帶區(qū)域時(shí)，理論路徑為起始點(diǎn)直線運(yùn)行至初始位置，觀察實(shí)際路徑與理論路徑全部符合；TCP處于左側(cè)碼放區(qū)域和右側(cè)碼放區(qū)域時(shí)，理論路徑為起始點(diǎn)直線移動(dòng)到各自碼放區(qū)域內(nèi)的過(guò)渡點(diǎn)后再移動(dòng)至初始位置，觀察實(shí)際路徑中左側(cè)碼放區(qū)域有2次未經(jīng)過(guò)渡點(diǎn)直接移動(dòng)至初始位置，右側(cè)碼放區(qū)域有1次未經(jīng)過(guò)渡點(diǎn)直接移動(dòng)至初始位置；TCP處于1號(hào)工具臺(tái)和2號(hào)工具臺(tái)時(shí)，理論路徑分為帶有工具和沒(méi)有工具兩種情況，帶工具狀態(tài)時(shí)為直接移動(dòng)至更換工具位置，無(wú)工具狀態(tài)為先移動(dòng)至更換工具位置后再移動(dòng)至初始位置，觀察實(shí)際路徑1號(hào)工具臺(tái)區(qū)域有1次帶有工具狀態(tài)回位至初始位置；TCP處于區(qū)域間部分時(shí)，理論路徑是根據(jù)所處鄰近區(qū)域及所帶工具狀態(tài)共同決定的，觀察實(shí)際路徑有2次不符合理論路徑，有8次因位姿狀態(tài)導(dǎo)致路徑?jīng)Q策失敗而無(wú)法成功回位。回位試驗(yàn)結(jié)果統(tǒng)計(jì)如表3所示。

5.3 結(jié)果分析

分析試驗(yàn)結(jié)果可知，本文方法在解決不同區(qū)域類型的回位問(wèn)題上存在性能差異。輸送帶區(qū)域大多是示教點(diǎn)且姿態(tài)單一，通過(guò)本文方法可以快速準(zhǔn)確地定位TCP所處的示教點(diǎn)立方體空間，進(jìn)而通過(guò)事先設(shè)計(jì)的回位路徑回位；在左、右碼放區(qū)域多為以作業(yè)區(qū)域立方體回位的類型，姿態(tài)較為單一，但有不同的工具類型，通過(guò)本文方法可以較為準(zhǔn)確地定位TCP所處的作業(yè)空間，進(jìn)而移動(dòng)至過(guò)渡點(diǎn)后回位至初始位置；工具臺(tái)區(qū)域與輸送帶區(qū)域類似，多為示教點(diǎn)但有不同工具類型，本文方法針對(duì)此類型的回位具有良好的表現(xiàn)。各空間區(qū)域間部分的情況最為復(fù)雜，位姿多樣且可能攜帶不同的工具類型，理論上處于此類空間中的TCP應(yīng)該判定為象限空間分類進(jìn)行回位，通過(guò)對(duì)決策失敗的觀察，失敗原因多是由于TCP未決策為象限空間分類而是判定為鄰近的作業(yè)區(qū)域空間分類，從而導(dǎo)致姿態(tài)不匹配而無(wú)法完成回位任務(wù)，還有少部分原因是因?yàn)樽藨B(tài)原因?qū)е聼o(wú)法移動(dòng)至過(guò)渡點(diǎn)而導(dǎo)致回位失敗。

6 結(jié)語(yǔ)

本文針對(duì)生產(chǎn)應(yīng)用中，工業(yè)機(jī)器人非正常停機(jī)后難以回位的問(wèn)題提出了一種回位方法。本方法相較于傳統(tǒng)的搜索算法較容易實(shí)施，同時(shí)依賴的硬件成本較低，便于應(yīng)用于工業(yè)環(huán)境中。通過(guò)一例機(jī)器人回位試驗(yàn)驗(yàn)證，可以滿足工業(yè)應(yīng)用中機(jī)器人回位需求。本文提出的方法針對(duì)處于各劃分空間領(lǐng)域之間的象限區(qū)域回位有待優(yōu)化，在后續(xù)的研究中應(yīng)設(shè)置各類空間的閾值以及增加象限空間，以處理TCP不同姿態(tài)的機(jī)制。

參考文獻(xiàn)：

[1] 徐博凡. 基于視覺(jué)引導(dǎo)的機(jī)器人識(shí)別及柔性抓取系統(tǒng)研究[D]. 鄭州：鄭州大學(xué)，2018.

[2] 孫中國(guó). 基于機(jī)器視覺(jué)的面粉袋碼垛機(jī)器人研究[D]. 濟(jì)南：山東建筑大學(xué)，2015.

[3] HART P E，NILSSON N J，RAPHAEL B. A formal basis for the heuristic determination of minimum cost paths[J]. IEEE Transactions on Systems Science and Cybernetics，1968，4（2）：100-107.

[4] 賈慶軒，陳鋼，孫漢旭，等. 基于A^*算法的空間機(jī)械臂避障路徑規(guī)劃[J]. 機(jī)械工程學(xué)報(bào)，2010，46（13） ：109-115.

[5] 何兆楚，何元烈，曾碧. RRT與人工勢(shì)場(chǎng)法結(jié)合的機(jī)械臂避障規(guī)劃[J]. 工業(yè)工程，2017，20（2）：56-63.

[6] 王俊龍，張國(guó)良，羊帆，等. 改進(jìn)人工勢(shì)場(chǎng)法的機(jī)械臂避障路徑規(guī)劃[J]. 計(jì)算機(jī)工程與應(yīng)用，2013，49（21）：266-270.

[7] 王雷，李明. 改進(jìn)自適應(yīng)遺傳算法在移動(dòng)機(jī)器人路徑規(guī)劃中的應(yīng)用[J]. 南京理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2017，41（5） ：627-633.

[8] FANG N，ZHOU J Z，ZHANG R，et al. A hybrid of real coded genetic algorithm and artificial fish swarm algorithm for short-term optimal hydrothermal scheduling[J].International Journal of Electrical Power amp;Energy Systems，2014，62： 617-629.

[9] 熊俊濤，李中行，陳淑綿，等.基于深度強(qiáng)化學(xué)習(xí)的虛擬機(jī)器人采摘路徑避障規(guī)劃[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2020，51（增刊2）：1-10.

[10] 賈亞洲.基于虛擬樣機(jī)的特種機(jī)器人關(guān)鍵機(jī)構(gòu)仿真研究[D].洛陽(yáng)：河南科技大學(xué)，2019.

[11] 李虎.六自由度噴涂機(jī)器人結(jié)構(gòu)方案設(shè)計(jì)與位姿誤差分析[D].武漢：華中科技大學(xué)，2012.

[12] 黃奎.多關(guān)節(jié)式坐標(biāo)測(cè)量系統(tǒng)的關(guān)鍵技術(shù)研究[D].武漢：華中科技大學(xué)，2010.

[13] 段海峰，江麗珍，劉建光，等. 微型電機(jī)外殼沖壓送料機(jī)器人的編程及應(yīng)用[J]. 現(xiàn)代制造工程，2020（7）：6-10.

[14] 孫向陽(yáng). 基于XGBoost算法的竊電用戶行為研究[D].蘭州：蘭州交通大學(xué)，2018.

[15] 任強(qiáng)，桑世葉，劉長(zhǎng)寧. 重樓屬植物在線分類鑒定系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J]. 計(jì)算機(jī)時(shí)代，2020（9）：72-75.

收稿日期：2023-02-20