CN116673963A - 面向无序断路器零件的双机械臂协作柔性装配***及方法 - Google Patents
面向无序断路器零件的双机械臂协作柔性装配***及方法 Download PDFInfo
- Publication number
- CN116673963A CN116673963A CN202310859560.1A CN202310859560A CN116673963A CN 116673963 A CN116673963 A CN 116673963A CN 202310859560 A CN202310859560 A CN 202310859560A CN 116673963 A CN116673963 A CN 116673963A
- Authority
- CN
- China
- Prior art keywords
- mechanical arm
- mechanical
- arm
- double
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 101
- 230000008569 process Effects 0.000 claims abstract description 79
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 62
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 12
- 239000012636 effector Substances 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 35
- 230000033001 locomotion Effects 0.000 claims description 22
- 230000007613 environmental effect Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 5
- 230000002787 reinforcement Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000009977 dual effect Effects 0.000 claims description 4
- 230000004888 barrier function Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 22
- 230000001276 controlling effect Effects 0.000 description 25
- 230000036544 posture Effects 0.000 description 19
- 230000000875 corresponding effect Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 14
- 230000009471 action Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 5
- 238000011217 control strategy Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000712 assembly Effects 0.000 description 2
- 238000000429 assembly Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 101100273916 Schizosaccharomyces pombe (strain 972 / ATCC 24843) wip1 gene Proteins 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002079 cooperative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000009916 joint effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1679—Programme controls characterised by the tasks executed
- B25J9/1687—Assembly, peg and hole, palletising, straight line, weaving pattern movement
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1615—Programme controls characterised by special kind of manipulator, e.g. planar, scara, gantry, cantilever, space, closed chain, passive/active joints and tendon driven manipulators
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1628—Programme controls characterised by the control loop
- B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
- B25J9/1666—Avoiding collision or forbidden zones
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1694—Programme controls characterised by use of sensors other than normal servo-feedback from position, speed or acceleration sensors, perception control, multi-sensor controlled systems, sensor fusion
- B25J9/1697—Vision controlled systems
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Manipulator (AREA)
Abstract
本发明提供了一种面向无序断路器零件的双机械臂协作柔性装配***及方法,涉及断路器装配制造技术领域,***包括目标检测定位模块用于对上料盘中各类无序摆放的断路器零件的图像进行处理,确定断路器零件的空间位姿信息和类型信息;智能避障抓取模块用于根据目标断路器零件的空间位姿信息和类型信息,采用改进快速搜索随机树算法,确定最优避障路径、夹爪类型和移动指令以控制双机械臂在抓取空间、协作空间和装配空间移动;双机械臂柔性协作模块用于根据目标断路器零件的类型信息,采用训练好的双机械臂协作工艺决策模型,确定最优双机械臂协作工艺,进而将目标断路器零件放入载料模具内。本发明能够实现对多种无序复杂断路器零件的识别定位抓取。
Description
技术领域
本发明涉及断路器装配制造技术领域,特别是涉及一种面向无序断路器零件的双机械臂协作柔性装配***及方法。
背景技术
断路器是配电网中重要的电气设备,在工业、民用等领域有广泛应用。断路器具有零部件较多、组成结构复杂、尺寸规格不一致等特点。当前断路器的制造多以人工为主,传统自动化装配单元刚性约束较大,只能完成单一规格断路器零件的生产和装配,导致对于断路器产品类型较多、产量较大的制造企业而言,设备投入成本过高。由于缺失柔性装配工艺,导致装配流程繁冗复杂,从而传统的自动化装配产线无法灵活适应产品的更新迭代,制约了生产装配的效率和产品可靠性。
工业机器人具有工作效率高、稳定、可靠等优势,在制造行业得到了越来越多的应用,将工业机器人与断路器自动化制造相结合,研究以柔性化为主要特征的新型断路器装配***及方法,能够适应不同的产品装配工艺,极大节约成本与时间,对于提升产品性能及生产效率具有重要意义。例如,现有技术提供了一种断路器柔性自动化装配制造工艺及其配套生产线,引入机械臂配合机械辅助机构实现对断路器复杂断路器零件的柔性装配,但是该方案采用机械臂配合机械辅助机构调整工件姿态的过程中,存在加工动作冗余、机械臂运动关节角度过大、装配时间过长的问题。
发明内容
本发明的目的是提供一种面向无序断路器零件的双机械臂协作柔性装配***及方法,能够感知车间动态装配环境,实现对多种无序复杂断路器零件的识别定位抓取,且能适应不同规格断路器零件任意姿态的柔性装配,解决现有断路器装配制造过程刚性约束问题。
为实现上述目的,本发明提供了如下方案:
本发明提供了一种面向无序断路器零件的双机械臂协作柔性装配***,所述双机械臂包括主机械臂和从机械臂;所述主机械臂安装在靠近上料盘的一侧,所述从机械臂安装在靠近装配载具的一侧,且所述主机械臂和所述从机械臂均安装有末端执行器;其中,双机械臂的运动过程分为三个工作空间,分别为抓取空间、协作空间和装配空间;所述双机械臂协作柔性装配***,包括:
目标检测定位模块,用于获取上料盘中各类无序摆放的断路器零件的图像,并对所述图像进行处理,确定每个断路器零件的空间位姿信息和类型信息;
智能避障抓取模块,用于根据目标断路器零件的空间位姿信息和类型信息,采用改进快速搜索随机树算法,确定最优避障路径和夹爪类型,并根据所述最优避障路径确定移动指令;所述改进快速搜索随机树算法为在快速搜索随机树算法的基础上引用人工势场,以使节点生长增量由固定步长和势场分量共同决定的算法;所述移动指令用于控制主机械臂从对应的末端执行器空间位置移动至目标断路器零件抓取空间位置、控制主机械臂夹取目标断路器零件从目标断路器零件抓取空间位置移动至协作空间位置、控制从机械臂从对应的末端执行器空间位置移动至协作空间位置、控制从机械臂夹取具有标准装配姿态的目标断路器零件从协作空间位置移动至装配空间;所述目标断路器零件为待抓取的断路器零件;
双机械臂柔性协作模块,用于根据目标断路器零件的类型信息,采用训练好的双机械臂协作工艺决策模型,确定最优双机械臂协作工艺,并根据所述最优双机械臂协作工艺确定断路器零件姿态调整装配指令;所述断路器零件标准装配姿态指令用于控制从机械臂将主机械臂夹取的不符合装配姿态的目标断路器零件调整至具有标准装配姿态的目标断路器零件,并控制从机械臂将具有标准装配姿态的目标断路器零件放入载料模具内。
本发明还提供了一种面向无序断路器零件的双机械臂协作柔性装配方法,所述双机械臂包括主机械臂和从机械臂;所述主机械臂安装在靠近上料盘的一侧,所述从机械臂安装在靠近装配载具的一侧,且所述主机械臂和所述从机械臂均安装有末端执行器;其中,双机械臂的运动过程分为三个工作空间,分别为抓取空间、协作空间和装配空间;所述双机械臂协作柔性装配方法,包括:
获取上料盘中各类无序摆放的断路器零件的图像,并对所述图像进行处理,确定每个断路器零件的空间位姿信息和类型信息;
根据目标断路器零件的空间位姿信息和类型信息,采用改进快速搜索随机树算法,确定最优避障路径和夹爪类型,并根据所述最优避障路径确定移动指令;所述改进快速搜索随机树算法为在快速搜索随机树算法的基础上引用人工势场,以使节点生长增量由固定步长和势场分量共同决定的算法;所述移动指令用于控制主机械臂从对应的末端执行器空间位置移动至目标断路器零件抓取空间位置、控制主机械臂夹取目标断路器零件从目标断路器零件抓取空间位置移动至协作空间位置、控制从机械臂从对应的末端执行器空间位置移动至协作空间位置、控制从机械臂夹取具有标准装配姿态的目标断路器零件从协作空间位置移动至装配空间;所述目标断路器零件为待抓取的断路器零件;
根据目标断路器零件的类型信息,采用训练好的双机械臂协作工艺决策模型,确定最优双机械臂协作工艺,并根据所述最优双机械臂协作工艺确定断路器零件姿态调整装配指令;所述断路器零件标准装配姿态指令用于控制从机械臂将主机械臂夹取的不符合装配姿态的目标断路器零件调整至具有标准装配姿态的目标断路器零件,并控制从机械臂将具有标准装配姿态的目标断路器零件放入载料模具内。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
在断路器零件柔性装配任务中,采集上料盘中凌乱无序的断路器零件的图像,并对图像进行处理,计算出断路器零件的空间位姿信息,实现精准抓取,适应车间动态环境干扰,不受断路器零件类型的限制,提高产线的适应性。采用改进快速搜索随机树算法规划出最优避障路径,减少冗余路径和设备的能耗。采用深度强化学习算法对双机械臂协作工艺决策模型进行训练,减少人工示教的调试时间,加快生产线的调试进度,替换传统借助振动盘调整姿态的方案,减少设备安装数量,降低企业成本,且机械臂模块化的方案可以更好适应产线后期生产的调整,提升设备的重复使用率,降低设备运维的人员成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的面向无序断路器零件的双机械臂协作柔性装配***的结构框图;
图2为本发明实施例提供的目标位姿估计算法流程图;
图3为本发明实施例提供的车间实际环境简化模型示意图;
图4为本发明实施例提供的标准RRT算法原理示意图;
图5为本发明实施例提供的上料盘中断路器零件分布图;
图6为本发明实施例提供的末端执行器的结构图;
图7为本发明实施例提供的磁轭双机械臂柔性装配流程图;
图8为本发明实施例提供的六种断路器零件双机械臂协作工艺示意图;
图9为本发明实施例提供的面向无序断路器零件的双机械臂协作柔性装配方法的流程示意图;
图10为本发明实施例提供的应用对象实物图;
图11为本发明实施例提供的双机械臂协作柔性装配***布局示意图;
图12为本发明实施例提供的双机械臂协作柔性装配***工作空间示意图;
图13为本发明实施例提供的双机械臂协作柔性装配***的工作流程图;
图14为本发明实施例提供的三维空间环境RRT算法避障路径规划示意图;图14的(a)部分为三维空间环境标准RRT算法避障路径规划示意图;图14的(b)部分为三维空间环境改进RRT算法避障路径规划示意图;
图15为本发明实施例提供的灭弧室双机械臂协作流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
本发明实施例所要解决的技术问题在于,提供一种面向无序断路器零件的双机械臂协作柔性装配***。该***能够感知装配车间的动态环境,借助工业相机识别定位凌乱的复杂断路器零件,无需振动盘调整为单一标准姿态,提高***的泛化能力及适应能力。根据识别定位出的断路器零件位置和空间角度信息引导机械臂避障抓取,随后识别工件的任务类型决策出双机械臂协作的工艺,实现一套设备适应不同类型不同规格尺寸断路器零件的柔性装配,提升整条装配产线的柔性生产性能及装配生产的效率。
在断路器零件柔性装配过程中,根据双机械臂的控制策略,设定两台机械臂的优先级,分别设置主机械臂和从机械臂。双机械臂的运动过程可以分为精准抓取、避障规划、协作调整、柔性装配四个阶段,这四个阶段存在三个工作空间,当机械臂的末端执行器进入相应的工作空间才开始执行相应动作,分别是主机械臂抓取上料盘中六种类型不同姿态断路器零件时的抓取空间、主从机械臂协作配合调整断路器零件姿态时的协作空间、从机械臂夹持标准装配姿态断路器零件装配时的装配空间。
如图1所示,本发明实施例提供了一种面向无序断路器零件的双机械臂协作柔性装配***。其中,所述双机械臂包括主机械臂和从机械臂;所述主机械臂安装在靠近上料盘的一侧,所述从机械臂安装在靠近装配载具的一侧,且所述主机械臂和所述从机械臂均安装有末端执行器;双机械臂的运动过程分为三个工作空间,分别为抓取空间、协作空间和装配空间。
所述面向无序断路器零件的双机械臂协作柔性装配***110由目标检测定位模块120、智能避障抓取模块130和双机械臂柔性协作模块140三部分组成。
目标检测定位模块120,用于获取上料盘中各类无序摆放的断路器零件的图像,并对所述图像进行处理,确定每个断路器零件的空间位姿信息和类型信息。其中,目标位姿估计算法流程如图2所示。
智能避障抓取模块130,用于根据目标断路器零件的空间位姿信息和类型信息,采用改进快速搜索随机树算法,确定最优避障路径和夹爪类型,并根据所述最优避障路径确定移动指令;所述改进快速搜索随机树算法为在快速搜索随机树算法的基础上引用人工势场,以使节点生长增量由固定步长和势场分量共同决定的算法;所述移动指令用于控制主机械臂从对应的末端执行器空间位置移动至目标断路器零件抓取空间位置、控制主机械臂夹取目标断路器零件从目标断路器零件抓取空间位置移动至协作空间位置、控制从机械臂从对应的末端执行器空间位置移动至协作空间位置、控制从机械臂夹取具有标准装配姿态的目标断路器零件从协作空间位置移动至装配空间;所述目标断路器零件为待抓取的断路器零件。
双机械臂柔性协作模块140,用于根据目标断路器零件的类型信息,采用训练好的双机械臂协作工艺决策模型,确定最优双机械臂协作工艺,并根据所述最优双机械臂协作工艺确定断路器零件姿态调整装配指令;所述断路器零件标准装配姿态指令用于控制从机械臂将主机械臂夹取的不符合装配姿态的目标断路器零件调整至具有标准装配姿态的目标断路器零件,并控制从机械臂将具有标准装配姿态的目标断路器零件放入载料模具内。
在本发明实施例中,目标检测定位模块120包括图像采集单元、图像处理单元和数据通信单元。
为实现主机械臂进入抓取空间后,可以精准抓取到上料盘中不同类型不同姿态的断路器零件,采用工业相机拍摄待抓取断路器零件的RGB图像,使用几何结构简单的包围盒替代复杂的三维物体模型,从而简化空间位姿信息计算的过程,提升空间位姿信息计算的效率。
图像采集单元,用于获取工业相机拍摄的上料盘中各类无序摆放的断路器零件的RGB图像。
图像处理单元,用于:
对所述RGB图像进行处理,确定每个断路器零件的类型信息;
采用深度卷积神经网络对每个断路器零件在RGB图像上的2D投影特征点进行提取;
根据2D投影特征点和PnP算法计算每个断路器零件在相机坐标系下的空间位置和旋转角度;
根据断路器零件在相机坐标系下的空间位置和旋转角度,确定每个断路器零件在机械臂坐标系下的空间位置和旋转角度;其中,所述空间位姿信息包括在机械臂坐标系下的空间位置和旋转角度。
PnP算法根据所选取的特征参考点数目不同分为3≤n≤5和n≥6两种类型。第一类由于特征参考点数目较少,精度低,鲁棒性低,易受噪声干扰影响。对于第二类,可用于位姿计算的特征参考点相对较多,其算法精确性、抗噪性、鲁棒性优于第一类,所以在本发明实施例中,采用包围盒的八个顶点和目标断路器零件质心作为特征参考点,进行空间位姿信息计算。假设某空间点的坐标Pi=[Xi Yi Zi]T,其在RGB图像上的投影坐标为Pi=[ui vi]T,则像素点位置与空间坐标点位置之间的关系如公式(1)所示:
对上式中的旋转矩阵采用四元数表示,设四元数q=q0+q1i+q2j+q3k,对于q0、q1、q2和q3存在的关系为:则对式(1)有:
其中,K为相机内参,T为相机外参,设ui=[ui vi 1]T,Pi=[Xi Yi Zi 1]T,对上式(2)则有:
通过RGB图像提取的2D投影特征点计算出像素点坐标ui,利用公式(3)计算出目标断路器零件对应在实际机械臂坐标系下的空间位置数据。
数据通信单元,用于采用TCP协议,将每个断路器零件的空间位姿信息和类型信息发送至所述智能避障抓取模块130以引导主从机械臂抓取,将每个断路器零件的类型信息发送至所述双机械臂柔性协作模块140,决策出最优双机械臂协作工艺并完成协作装配动作。
在本发明实施例中,智能避障抓取模块130包括避障规划单元、柔性抓取单元和机械臂控制单元。
避障规划单元,用于根据接收到的目标断路器零件的空间位姿信息确定抓取空间位置点,并将所述抓取空间位置点作为最优避障路径的目标点,结合改进快速搜索随机树算法,规划一条最优避障路径。
柔性抓取单元,用于根据接收到的目标断路器零件的类型信息,确定主机械臂和从机械臂的夹爪类型。
机械臂控制单元,用于根据所述最优避障路径确定移动指令。。
进一步地,所述避障规划单元,具体用于:
采用包围盒替代双机械臂的关节模型和环境障碍物,得到双机械臂工作简化模型;
在所述双机械臂工作简化模型中,根据接收到的目标断路器零件的空间位姿信息确定抓取空间位置点,并将所述抓取空间位置点作为最优避障路径的目标点,结合改进快速搜索随机树算法,规划一条包括主机械臂从对应的末端执行器空间位置移动至目标断路器零件抓取空间位置、主机械臂夹取目标断路器零件从目标断路器零件抓取空间位置移动至协作空间位置、从机械臂从对应的末端执行器空间位置移动至协作空间位置、以及从机械臂夹取具有标准装配姿态的目标断路器零件从协作空间位置移动至装配空间的最优避障路径。
为提高装配***的灵活性及适应性,采用双机械臂协作的方案。为简化双机械臂和环境障碍物的复杂模型,采用圆柱体、球体等包围盒替代双机械臂的关节模型和环境障碍物,该方法的思想就是使用规则几何体替代实际环境中不规则的物体,这样就将各个物体之间的碰撞检测转化为一系列几何体之间的干涉问题,简化模型如图3所示。双机械臂的运动路径是在高维空间进行规划的,所以本发明实施例选用快速搜索随机树(Rapidly-exploring random trees,RRT)算法,并在此算法的基础上引入人工势场进行改进,从而实现机械臂在未知空间内探索出一条抵达目标点的最优避障路径。
标准RRT算法,首先将机械臂末端执行器初始位置xstart设为随机树的根节点,在机械臂动作空间内随机采样一个节点xrand,选取随机随机树上距节点xrand最近的节点xnearest作为待生长的节点,再沿着节点xrand节点xnearest方向按照固定步长step生成节点xnew,判断节点xnearest节点xnew两点之间的连线是否与障碍物发生碰撞,若如没有,将节点xnew加入随机树中,并将节点xnearest定义为节点xnew的父节点。如果发生类似节点xnew1的碰撞,则将节点删除,重新采样,循环重复上述步骤,直至随机树生长到目标节点xgoal,标准RRT算法原理如图4所示。
在标准RRT中,每次节点生长的增量仅由随机采样节点xrand相对节点xnearest的方向和固定步长step决定,本发明实施例引入人工势场来改进标准RRT算法,生长的增量还由机械臂在节点xnearest处受到的引力和斥力决定,新节点的生成公式如下:
其中,Ftotal为机械臂在节点xnearest受到引力和斥力的合力,Ftotal=Fatt+Frep,step为固定生长步长,λ为势场系数,为保证算法概率的完备性,需满足λ<step。
改进RRT算法的引力函数和斥力函数分别为:
其中,dmin=xnearest-Onearest,Onearest是障碍物上距离节点xnearest最近的点,Katt和Krep分别是引力常数和斥力常数,k是形状系数,为斥力场的斥力半径。
本发明实施例中,改进RRT算法的生长距离由固定步长和势场分量共同决定。当节点距离障碍物较近时,势场分量主要由斥力函数决定,可自适应调整障碍物区域的生长距离,有利于随机树通过狭窄区域;当节点远离障碍物时,势场分量主要由目标位置的引力函数决定,在目标区域的生长距离较大,有利于快速到达目标节点,减少冗余节点的产生,有偏向性的搜索路径,提高了计算效率。
在本发明实施例中,双机械臂柔性协作模块包括约束单元、决策规划单元、双臂协作单元。
约束单元,用于建立双机械臂协作过程中关于运动速度、关节角度、路径长度的约束函数。
决策规划单元,用于根据目标断路器零件的类型信息和主机械臂的夹取位姿信息,采用训练好的双机械臂协作工艺决策模型,确定最优双机械臂协作工艺;其中,双机械臂协作工艺决策模型的训练过程为:结合约束函数和奖惩函数,采用深度确定性策略梯度算法和深度强化学习算法,对双机械臂协作工艺决策模型进行训练。
双臂协作单元,用于根据最优的双机械臂协作工艺确定断路器零件姿态调整装配指令。
上料盘中的各类断路器零件空间位姿具有极大的随机性,与之对应的双机械臂协作工艺方案也存在极大的不确定性,传统示教法已无法应对这样复杂多样的工况,本发明实施例采用深度确定性策略梯度(Deep Deterministic Policy Gradient,DDPG)算法和深度强度学习算法,同时结合约束函数和奖惩函数,对双机械臂协作工艺决策模型进行训练,获得训练好的双机械臂协作工艺决策模型,从而实现双机械臂在协作空间内针对不同类型的目标断路器零件的不同空间位姿信息,决策规划单元决策出关节动作小、路径短、无碰撞、时间快的最优双机械臂协作工艺,双臂协作单元控制双机械臂完成对目标断路器零件的姿态调整装配。
在强化学习过程中,行为策略必须获得最大奖励得分,对于双机械臂协作,其训练目标就是根据目标断路器零件类型信息和主机械臂的夹取位姿信息,得到机械臂合适的夹取点和协作调整点,针对这一目标设计一种包含时间、约束、避障、接近和协作的双机械臂的奖惩函数方程R=Rtime+Rlimit+Rtool+Ravoid+Rcollaborate,其中Rtime表示主从机械臂的时间惩罚,若在规定时间未完成协作任务,则对主从机械臂进行惩罚以促使主从机械臂快速完成任务。Rlimit表示限制主从机械臂各个关节在规定旋转范围内运动,从而获得高奖励值,更好的达到收敛效率,Rtool表示末端执行器产生的奖励,当主机械臂末端执行器比上一次更接近从机械臂的末端执行器则获得奖励。Ravoid表示机械臂末端执行器与障碍物发生碰撞时的惩罚。Rcollaborate表示主机械臂将待调整姿态的目标断路器零件交接至从机械臂时的奖励。
在本发明实施例中,装配上料工艺采用六种断路器零件同时进入装配载具,区别于传统单一品类断路器零件上料模式,上料盘中随意放置磁组件、手柄、大U、灭弧室、磁轭、磁芯六种不同规格的断路器零件,上料盘中断路器零件分布情况如图5所示。
针对上料盘中的六种不同规格的断路器零件,本发明实施例采用一套多功能夹爪,由决策规划单元根据不同规格尺寸的断路器零件,选择与之匹配夹距的夹爪进行夹取。末端执行器如图6所示。
目标检测定位模块通过数据通信单元将断路器零件空间位姿信息和断路器零件的类型信息发送给智能避障抓取模块引导机械臂抓取,柔性抓取单元根据接收到的断路器零件类型信息选择夹距合适的夹爪夹取,同时目标检测定位模块通过数据通信单元将断路器零件的类型信息发送给双机械臂柔性协作模块,决策规划单元根据断路器零件类型信息和主机械臂的夹取位姿信息决策出最优双机械臂协作工艺,双臂协作单元控制双机械臂完成目标断路器零件的姿态调整,最后控制从机械臂将目标断路器零件装配至装配载具对应位置中,磁轭双臂柔性装配流程如图7所示。
目标断路器零件在上料盘里的姿态具有随机性,不同的姿态导致夹取位姿不同,从而双机械臂协作的工艺也不同,因此需要决策规划单元根据断路器零件类型信息和主机械臂的夹取位姿决策出最优协作方案,六种断路器零件各自对应举例的一种协作工艺如图8所示。
无序断路器零件的姿态调整是柔性装配过程中的关键,目标断路器零件在上料盘里的姿态具有随机性,需要将无序的断路器零件调整至标准装配姿态才能进行装配,本发明实施例采用双机械臂协作的工艺替代传统单一机械臂结合固定机械辅助机构的姿态调整工艺,通过末端执行器模拟人手协作配合,在协作空间旋转调整无序断路器零件的角度达到装配工艺所需的位姿角度,双机械臂协作提高了姿态调整的可操作度,减少了装配生产节拍,提升了***的生产效率。
实施例二
本发明实施例提供了一种面向无序断路器零件的双机械臂协作柔性装配方法。所述双机械臂包括主机械臂和从机械臂;所述主机械臂安装在靠近上料盘的一侧,所述从机械臂安装在靠近装配载具的一侧,且所述主机械臂和所述从机械臂均安装有末端执行器;其中,双机械臂的运动过程分为三个工作空间,分别为抓取空间、协作空间和装配空间。
本发明实施例提供的所述双机械臂协作柔性装配方法,包括:
(1)获取上料盘中各类无序摆放的断路器零件的图像,并对所述图像进行处理,确定每个断路器零件的空间位姿信息和类型信息。
(2)根据目标断路器零件的空间位姿信息和类型信息,采用改进快速搜索随机树算法,确定最优避障路径和夹爪类型,并根据所述最优避障路径确定移动指令;所述改进快速搜索随机树算法为在快速搜索随机树算法的基础上引用人工势场,以使节点生长增量由固定步长和势场分量共同决定的算法;所述移动指令用于控制主机械臂从对应的末端执行器空间位置移动至目标断路器零件抓取空间位置、控制主机械臂夹取目标断路器零件从目标断路器零件抓取空间位置移动至协作空间位置、控制从机械臂从对应的末端执行器空间位置移动至协作空间位置、控制从机械臂夹取具有标准装配姿态的目标断路器零件从协作空间位置移动至装配空间;所述目标断路器零件为待抓取的断路器零件。
(3)根据目标断路器零件的类型信息,采用训练好的双机械臂协作工艺决策模型,确定最优双机械臂协作工艺,并根据所述最优双机械臂协作工艺确定断路器零件姿态调整装配指令;所述断路器零件标准装配姿态指令用于控制从机械臂将主机械臂夹取的不符合装配姿态的目标断路器零件调整至具有标准装配姿态的目标断路器零件,并控制从机械臂将具有标准装配姿态的目标断路器零件放入载料模具内。
实施例三
本发明实施例提供了一种面向无序断路器零件的双机械臂协作柔性装配方法,用于断路器柔性装配的双机械臂协作柔性装配***中,步骤流程图如图9所示,所述方法包括以下步骤:
S1:对三维目标断路器零件物体建立包围盒关键点,搭建特征提取网络。对目标断路器零件建立包围盒,再选取目标断路器零件的关键点作为参考点,并建立虚拟参考坐标作为目标断路器零件的世界坐标系。将包围盒的顶点和三维目标断路器零件物体的质心作为特征点,通过训练好的深度卷积神经网路提取出三维目标断路器零件在RGB图像上的投影特征点。
S2:分析处理图像,识别出各个断路器零件类型以及空间位置坐标与旋转角度,将断路器零件的位置坐标与旋转角度发送给机械臂控制器。通过顶点和质心的投影坐标作为深度卷积神经网路的输入,训练深度卷积神经网路模型,输出目标断路器零件包围盒顶点的二维坐标预测值。
S3:简化机械臂模型,建立碰撞检测函数。采用圆柱-半球体包围盒替代机械臂的复杂模型结构,双机械臂的碰撞检测可以转换为两个包围盒之间的干涉检测,建立两个包围盒中心线之间的几何距离计算函数,实现对机械臂与周围障碍物的碰撞检测。
S4:引入人工势场法,改进RRT双臂避障路径规划算法,规划机械臂避障抓取运动路径。根据双机械臂的控制策略,设定两台机械臂的优先级,分别设置主机械臂和从机械臂,主机械臂运动过程中根据障碍物的位置进行障碍物干涉判断,从机械臂在运动过程中将主机械臂和运动空间内的物体视为障碍物,根据目标点与环境障碍物信息建立人工势场函数,引导RRT进行偏向性搜索,从而快速搜索出最优的安全抓取路径。
S5:设计机械臂动作奖惩函数、状态函数、动作函数,搭建训练协作控制网络。对双机械臂设置奖惩函数和约束函数,使其通过获得最大化奖励来进行自我激励学习,对状态空间的检测,收集环境物体的状态信息,如各个机械臂的关节角度、目标断路器零件的空间位置、机械臂夹爪与目标断路器零件的相对位置等。将各个机械臂各个关节绕旋转轴运动的角度设计为动作函数的参数,并且设计各个关节在旋转关节角运动范围内的一个角度随机变化函数,根据设计的奖惩函数、约束函数、状态观察函数、动作函数训练出双机械臂协作工艺决策模型。
S6:依据S2识别出的断路器零件类别与空间位姿信息判别协作任务的类型,再依据S5训练的协作控制模型,控制双机械臂对断路器零件姿态的协作调整。
实施例四
下面将结合本发明实施例一提供的一种面向无序断路器零件的双机械臂协作柔性装配***,对本发明实施例中的技术方案进行清楚、完整地描述。
本发明实施例的应用对象如图10所示;双机械臂协作柔性装配***的布局示意图如图11所示,两台机械臂并列安装在工作桌面上,主机械臂与从机械臂之间的距离为750mm,主机械臂安装在靠近上料盘一侧,从机械臂安装在靠近装配载具一侧,工业相机悬挂安装在上料盘正上方800mm处,两台机械臂的第六关节分别安装有末端执行器。此***可实现主机械臂对上料盘中的手柄、大U、磁轭、磁芯、磁组件和灭弧室等不同类型不同规格的断路器零件的精确夹取,利用改进RRT算法规划出一条无碰撞的最优避障路径。
在断路器零件柔性装配过程中,根据双机械臂的控制策略,设定两台机械臂的优先级,分别设置主机械臂和从机械臂。双机械臂的运动过程可以分为精准抓取、避障规划、协作调整、柔性装配四个阶段,这四个阶段存在三个工作空间,当机械臂的末端执行器进入相应的工作空间才开始执行相应动作,分别是主机械臂抓取目标断路器零件(即待抓取断路器零件)时的抓取空间、主从机械臂协作配合调整目标断路器零件装配姿态时的协作空间、从机械臂夹持装配具有标准装配姿态的目标断路器零件时的装配空间。其中,双机械臂协作柔性装配***的工作空间示意图如图12所示。在协作调整阶段,从机械臂任务为:将主机械臂夹取的不符合装配姿态的目标断路器零件调整至标准装配姿态,并实现无碰撞的装配。
双机械臂协作柔性装配***的工作流程如图13所示,工业相机采集目标断路器零件的图像,并由目标检测定位模块计算出目标断路器零件的空间位姿信息和类型信息,主机械臂在协作空间与抓取空间之间和从机械臂在协作空间与装配空间之间的运动过程中,为避免与另一台机械臂以及环境障碍物发生碰撞,需要进行避障路径规划。主机械臂沿最优避障路径运动至抓取空间以抓取目标断路器零件,从机械臂沿最优避障路径运动至协作空间,等待主机械臂夹取需调整装配姿态的断路器零件,并当主机械臂夹持有需调整装配姿态的断路器零件时进入协作空间,决策规划单元根据目标断路器零件的类型信息以及主机械臂的夹取姿态信息,利用已经训练好的双机械臂协作工艺决策模型得到最优双机械臂协作工艺,控制主从机械臂配合完成对目标断路器零件装配姿态的调整,最终从机械臂将调整为标准装配姿态的目标断路器零件放置到装配载具中。其中,除协作阶段,即两台机械臂协同控制之外的运动阶段,两台机械臂是并行运动,无优先级之分,各自完成对应动作指令,当主机械臂完成协作动作后,向工业相机发送图像采集触发信号,开始新一轮的工作流程。
本发明实施例为解决双机械臂避障路径规划问题,引入人工势场,得到改进RRT算法。标准RRT算法的避障路径规划存在环境探索能力不足、收敛速度慢、路径质量差、全局搜索过于平均、算法效率较低、且规划出的路径往往不是最优路径的缺陷,针对以上问题,本发明实施例提供了一种适用于双机械臂的全局自适应步长与冗余节点删除的RRT算法,即改进RRT算法。通过收集地图信息,引入人工势场,从而自适应调整初始步长和局部步长,提高RRT算法对地图的探索能力和适应能力,并且结合一种冗余路径节点删除策略,提高路径质量。
三维空间环境RRT避障路径规划如图14所示,仿真地图1000×1000×1000,设置大小和位置不同的6个障碍物,图14的L2比例实线是算法优化前规划的避障路径,L1比例线段为探索树在空间的生长状况,图14的(b)部分的L3比例实线是优化之后的路径。根据表1中实验结果可知,改进RRT算法相比标准RRT算法,节点数减少了89.93%,规划时间减少了78.36%,路径长度减少了25.56%,对比可以得到改进RRT算法减少了随机树的无效生长,朝着目标偏向性生长,剔除冗余节点处理后路径更加平滑。
表1三维空间环境RRT避障路径规划实验结果
本发明实施例采用深度强化学习算法对双机械臂协作工艺决策模型进行训练。对双机械臂设置奖惩函数和约束函数,使其通过获得最大化奖励来进行自我激励学习,对状态空间的检测,收集环境物体的状态信息,如各个机械臂的关节角度、目标断路器零件的空间位置、机械臂夹爪与目标断路器零件的相对位置等。将各个机械臂各个关节绕旋转轴运动的角度设计为动作函数的参数,并且设计各个关节在旋转关节角运动范围内的一个角度随机变化函数,根据设计的奖惩函数、约束函数、状态观察函数、动作函数训练出双机械臂协作工艺决策模型。将待调整的目标断路器零件的类型信息以及目标断路器零件在协作空间的姿态角度信息输入到训练好的双机械臂协作工艺决策模型中,可以得到最优双机械臂协作工艺。
如图15所示,接收灭弧室的空间位姿信息和类型信息,选择合适行程的夹爪夹取,应用提前训练好的双机械臂协作工艺决策模型输出最优双机械臂协作工艺,控制双机械臂完成对灭弧室姿态的调整,双机械臂按照改进RRT算法规划出最优避障路径,从而完成避障抓取和装配。
如表2所示,针对不同类型不同规格的断路器零件的装配任务(例如针对手柄、大U、磁轭、磁芯、磁组件和灭弧室等断路器零件的装配任务,),对比传统自动化装配方案和单机械臂装配方案,双机械臂方案仅需要1台设备即可完成装配任务,关键点位和动作路径分别提升46.7%、75.8%,可以减少设备的能耗,断路器零件的装配成功率得到提升。
表2不同装配方案的实验对比结果
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的方法而言,由于其与实施例公开的***相对应,所以描述的比较简单,相关之处参见***部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种面向无序断路器零件的双机械臂协作柔性装配***,其特征在于,所述双机械臂包括主机械臂和从机械臂;所述主机械臂安装在靠近上料盘的一侧,所述从机械臂安装在靠近装配载具的一侧,且所述主机械臂和所述从机械臂均安装有末端执行器;其中,双机械臂的运动过程分为三个工作空间,分别为抓取空间、协作空间和装配空间;所述双机械臂协作柔性装配***,包括:
目标检测定位模块,用于获取上料盘中各类无序摆放的断路器零件的图像,并对所述图像进行处理,确定每个断路器零件的空间位姿信息和类型信息;
智能避障抓取模块,用于根据目标断路器零件的空间位姿信息和类型信息,采用改进快速搜索随机树算法,确定最优避障路径和夹爪类型,并根据所述最优避障路径确定移动指令;所述改进快速搜索随机树算法为在快速搜索随机树算法的基础上引用人工势场,以使节点生长增量由固定步长和势场分量共同决定的算法;所述移动指令用于控制主机械臂从对应的末端执行器空间位置移动至目标断路器零件抓取空间位置、控制主机械臂夹取目标断路器零件从目标断路器零件抓取空间位置移动至协作空间位置、控制从机械臂从对应的末端执行器空间位置移动至协作空间位置、控制从机械臂夹取具有标准装配姿态的目标断路器零件从协作空间位置移动至装配空间;所述目标断路器零件为待抓取的断路器零件;
双机械臂柔性协作模块,用于根据目标断路器零件的类型信息,采用训练好的双机械臂协作工艺决策模型,确定最优双机械臂协作工艺,并根据所述最优双机械臂协作工艺确定断路器零件姿态调整装配指令;所述断路器零件标准装配姿态指令用于控制从机械臂将主机械臂夹取的不符合装配姿态的目标断路器零件调整至具有标准装配姿态的目标断路器零件,并控制从机械臂将具有标准装配姿态的目标断路器零件放入载料模具内。
2.根据权利要求1所述的一种面向无序断路器零件的双机械臂协作柔性装配***,其特征在于,所述目标检测定位模块,具体包括:
图像采集单元,用于获取工业相机拍摄的上料盘中各类无序摆放的断路器零件的RGB图像;
图像处理单元,用于:
对所述RGB图像进行处理,确定每个断路器零件的类型信息;
采用深度卷积神经网络对每个断路器零件在RGB图像上的2D投影特征点进行提取;
根据2D投影特征点和PnP算法计算每个断路器零件在相机坐标系下的空间位置和旋转角度;
根据断路器零件在相机坐标系下的空间位置和旋转角度,确定每个断路器零件在机械臂坐标系下的空间位置和旋转角度;其中,所述空间位姿信息包括在机械臂坐标系下的空间位置和旋转角度;
数据通信单元,用于采用TCP协议,将每个断路器零件的空间位姿信息和类型信息发送至所述智能避障抓取模块,将每个断路器零件的类型信息发送至所述双机械臂柔性协作模块。
3.根据权利要求1所述的一种面向无序断路器零件的双机械臂协作柔性装配***,其特征在于,所述智能避障抓取模块,具体包括:
避障规划单元,用于根据接收到的目标断路器零件的空间位姿信息确定抓取空间位置点,并将所述抓取空间位置点作为最优避障路径的目标点,结合改进快速搜索随机树算法,规划一条最优避障路径;
柔性抓取单元,用于根据接收到的目标断路器零件的类型信息,确定主机械臂和从机械臂的夹爪类型;
机械臂控制单元,用于根据所述最优避障路径确定移动指令。
4.根据权利要求3所述的一种面向无序断路器零件的双机械臂协作柔性装配***,其特征在于,所述避障规划单元,具体用于:
采用包围盒替代双机械臂的关节模型和环境障碍物,得到双机械臂工作简化模型;
在所述双机械臂工作简化模型中,根据接收到的目标断路器零件的空间位姿信息确定抓取空间位置点,并将所述抓取空间位置点作为最优避障路径的目标点,结合改进快速搜索随机树算法,规划一条包括主机械臂从对应的末端执行器空间位置移动至目标断路器零件抓取空间位置、主机械臂夹取目标断路器零件从目标断路器零件抓取空间位置移动至协作空间位置、从机械臂从对应的末端执行器空间位置移动至协作空间位置、以及从机械臂夹取具有标准装配姿态的目标断路器零件从协作空间位置移动至装配空间的最优避障路径。
5.根据权利要求1所述的一种面向无序断路器零件的双机械臂协作柔性装配***,其特征在于,所述双机械臂柔性协作模块,具体包括:
约束单元,用于建立双机械臂协作过程中关于运动速度、关节角度、路径长度的约束函数;
决策规划单元,用于根据目标断路器零件的类型信息和主机械臂的夹取位姿信息,采用训练好的双机械臂协作工艺决策模型,确定最优双机械臂协作工艺;其中,双机械臂协作工艺决策模型的训练过程为:结合约束函数和奖惩函数,采用深度确定性策略梯度算法和深度强化学习算法,对双机械臂协作工艺决策模型进行训练;
双臂协作单元,用于根据所述最优双机械臂协作工艺确定断路器零件姿态调整装配指令。
6.根据权利要求1所述的一种面向无序断路器零件的双机械臂协作柔性装配***,其特征在于,主机械臂从对应的末端执行器空间位置移动至目标断路器零件抓取空间位置的执行过程与从机械臂从对应的末端执行器空间位置移动至协作空间位置的执行过程的顺序并行执行顺序。
7.根据权利要求1所述的一种面向无序断路器零件的双机械臂协作柔性装配***,其特征在于,主机械臂夹取目标断路器零件从目标断路器零件抓取空间位置移动至协作空间位置的执行过程与从机械臂夹取具有标准装配姿态的目标断路器零件从协作空间位置移动至装配空间的执行过程的顺序为先后执行顺序。
8.一种面向无序断路器零件的双机械臂协作柔性装配方法,其特征在于,所述双机械臂包括主机械臂和从机械臂;所述主机械臂安装在靠近上料盘的一侧,所述从机械臂安装在靠近装配载具的一侧,且所述主机械臂和所述从机械臂均安装有末端执行器;其中,双机械臂的运动过程分为三个工作空间,分别为抓取空间、协作空间和装配空间;所述双机械臂协作柔性装配方法,包括:
获取上料盘中各类无序摆放的断路器零件的图像,并对所述图像进行处理,确定每个断路器零件的空间位姿信息和类型信息;
根据目标断路器零件的空间位姿信息和类型信息,采用改进快速搜索随机树算法,确定最优避障路径和夹爪类型,并根据所述最优避障路径确定移动指令;所述改进快速搜索随机树算法为在快速搜索随机树算法的基础上引用人工势场,以使节点生长增量由固定步长和势场分量共同决定的算法;所述移动指令用于控制主机械臂从对应的末端执行器空间位置移动至目标断路器零件抓取空间位置、控制主机械臂夹取目标断路器零件从目标断路器零件抓取空间位置移动至协作空间位置、控制从机械臂从对应的末端执行器空间位置移动至协作空间位置、控制从机械臂夹取具有标准装配姿态的目标断路器零件从协作空间位置移动至装配空间;所述目标断路器零件为待抓取的断路器零件;
根据目标断路器零件的类型信息,采用训练好的双机械臂协作工艺决策模型,确定最优双机械臂协作工艺,并根据所述最优双机械臂协作工艺确定断路器零件姿态调整装配指令;所述断路器零件标准装配姿态指令用于控制从机械臂将主机械臂夹取的不符合装配姿态的目标断路器零件调整至具有标准装配姿态的目标断路器零件,并控制从机械臂将具有标准装配姿态的目标断路器零件放入载料模具内。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310859560.1A CN116673963A (zh) | 2023-07-13 | 2023-07-13 | 面向无序断路器零件的双机械臂协作柔性装配***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310859560.1A CN116673963A (zh) | 2023-07-13 | 2023-07-13 | 面向无序断路器零件的双机械臂协作柔性装配***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116673963A true CN116673963A (zh) | 2023-09-01 |
Family
ID=87781151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310859560.1A Pending CN116673963A (zh) | 2023-07-13 | 2023-07-13 | 面向无序断路器零件的双机械臂协作柔性装配***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116673963A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117021113A (zh) * | 2023-09-20 | 2023-11-10 | 苏州诺克汽车工程装备有限公司 | 一种机械臂协作定位装配方法、***及介质 |
CN117798936A (zh) * | 2024-02-29 | 2024-04-02 | 卡奥斯工业智能研究院(青岛)有限公司 | 机械臂集群的控制方法、装置、电子设备及存储介质 |
CN117974794A (zh) * | 2024-04-02 | 2024-05-03 | 深圳市博硕科技股份有限公司 | 一种薄片摆件机精准视觉定位*** |
-
2023
- 2023-07-13 CN CN202310859560.1A patent/CN116673963A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117021113A (zh) * | 2023-09-20 | 2023-11-10 | 苏州诺克汽车工程装备有限公司 | 一种机械臂协作定位装配方法、***及介质 |
CN117021113B (zh) * | 2023-09-20 | 2024-03-19 | 苏州诺克智能装备股份有限公司 | 一种机械臂协作定位装配方法、***及介质 |
CN117798936A (zh) * | 2024-02-29 | 2024-04-02 | 卡奥斯工业智能研究院(青岛)有限公司 | 机械臂集群的控制方法、装置、电子设备及存储介质 |
CN117798936B (zh) * | 2024-02-29 | 2024-06-07 | 卡奥斯工业智能研究院(青岛)有限公司 | 机械臂集群的控制方法、装置、电子设备及存储介质 |
CN117974794A (zh) * | 2024-04-02 | 2024-05-03 | 深圳市博硕科技股份有限公司 | 一种薄片摆件机精准视觉定位*** |
CN117974794B (zh) * | 2024-04-02 | 2024-06-04 | 深圳市博硕科技股份有限公司 | 一种薄片摆件机精准视觉定位*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116673963A (zh) | 面向无序断路器零件的双机械臂协作柔性装配***及方法 | |
CN108818530B (zh) | 基于改进rrt算法的机械臂抓取散乱堆放活塞运动规划方法 | |
CN110170995B (zh) | 一种基于立体视觉的机器人快速示教方法 | |
CN106475999B (zh) | 刚性条件下基于阻抗模型的双臂协调的加速度控制方法 | |
US20220063099A1 (en) | Framework of robotic online motion planning | |
CN109676610B (zh) | 一种断路器装配机器人及其实现工作轨迹优化的方法 | |
CN114571153A (zh) | 一种基于3d点云的焊缝识别与机器人焊缝跟踪方法 | |
CN111152227A (zh) | 一种基于引导式dqn控制的机械臂控制方法 | |
JP2022187983A (ja) | 高次元のロボット作業を学習するためのネットワークモジュール化 | |
Yin et al. | Human-robot collaboration re-manufacturing for uncertain disassembly in retired battery recycling | |
Ranjan et al. | Identification and control of NAO humanoid robot to grasp an object using monocular vision | |
CN116872212A (zh) | 一种基于A-Star算法和改进人工势场法的双机械臂避障规划方法 | |
Vonásek et al. | Motion planning with motion primitives for industrial bin picking | |
CN114800511B (zh) | 一种基于复用结构的双阶段机械臂抓取规划方法和*** | |
Wang et al. | A visual servoing system for interactive human-robot object transfer | |
Tang et al. | Coordinated motion planning of dual-arm space robot with deep reinforcement learning | |
CN113436293B (zh) | 一种基于条件生成式对抗网络的智能抓取图像生成方法 | |
Qi et al. | Reinforcement learning control for robot arm grasping based on improved DDPG | |
CN115194774A (zh) | 一种基于多目视觉的双机械臂抓握***控制方法 | |
Li | A Design of Robot System for Rapidly Sorting Express Carton with Mechanical Arm Based on Computer Vision Technology | |
Pi et al. | Multi-representation multi-heuristic A* motion planning for a dual-arm underwater vehicle manipulation system | |
Tao et al. | An improved RRT algorithm for the motion planning of robot manipulator picking up scattered piston | |
Zhang et al. | An Autonomous Robotic Alignment Strategy Based on Visual Gudiance | |
Kawagoshi et al. | Visual servoing using virtual space for both learning and task execution | |
Hu et al. | Research on Motion Control Strategy of Flexible Manipulator Based on swarm intelligence Optimization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |