基于RGB-D数据的机械手臂动态碰撞避免系统外文翻译资料

 2021-11-29 22:32:00

英语原文共 13 页

基于RGB-D数据的机械手臂动态碰撞避免系统

Thadeu Brito, Jose Lima, Pedro Costa, and Luis Piardi

摘要

工业4.0的新模式要求机器人和人类之间的合作。与其他机械手臂不同,他们可以在没有任何额外安全措施的情况下互相帮助和协作。机器人应具备获取周围环境的能力,并在运动过程中规划路线(或重新规划)避开障碍物和人。本文提出了一种基于kinect传感器获取环境空间的系统,基于kinect的点云,执行UR5机械手臂的路径规划,用于拾取和放置任务,同时避开对象。实验结果可以验证我们所提出的系统。

关键词:协作机器人,机械手臂路径规划,碰撞避免,RGB-D。

1 引言

对于机器人机械手臂,在工业4.0中与合作相关的最重要任务之一是能够评估和避免碰撞。协作机器人是工业4.0中讨论的主题,协作机器人让人类和机器人可以以合作的方式共享和互相帮助。与其他操纵器不同,协作机器人可以在没有任何额外安全性措施的情况下使用。这意味着,机器人应具备获取环境的能力,并规划路线避开障碍物和人。人与机器人之间的合作要求机器人可以重新规划到达目标位置的路径,以实时避免与人体部位和障碍物的碰撞,即在手臂移动的同时进行。这种过程称为动态碰撞避免。

如今,RGB-D传感器可用来实现这种环境采集和感知,因此系统可以通过约束来进行路径规划。深度相机越来越便宜,也越来越受欢迎,例如众所周知的kinect传感器。本文提出了一种基于kinect传感器获取环境空间的系统,在避开物体的同时执行UR5机械手臂的路径规划。使用仿真UR5机器人在真实获取情况下测试了两种算法,结果指出了这种方法的优点。

2 相关工作

在开发机械手系统时,路径规划是要考虑的一个重要步骤。路径规划是机器人技术的关键领域。它包括规划算法,配置空间离散化策略和相关约束。众所周知,具有多个自由度的机器人路径规划是一项复杂的工作。1991年,Barraquand和Latombe[1]考虑到具有多个自由度的机器人,提出了一种新的机器人路径规划方法,包括构建和搜索连接机器人配置空间上定义的潜在函数的局部最小值的图形。后来Ralli和Hirzinger [2]改进了相同的算法来加速系统,计算出具有较低预算执行时间的解决方案。Kavraki等人[3]引入了概率方法,目的是减少配置自由空间的复杂性。该方法不适用于动态环境,因为环境的变化往往会导致整个图的重建。之后又有学者提出了这些方法的几种变体:基于可见性的PRM [4],中轴PRM [5],Lazy PRM [6]和基于采样的树木路线图[7]。Helguera等人使用局部方法来规划机械手机器人的路径,并通过使用A*算法在描述局部环境的图形中进行搜索来解决局部最小值问题,直到局部最小值得到避免[8]。当在给定环境中插入障碍物时,路径规划会变得更加复杂。Blackmore和Williams在2006年提出了一个完整的算法,将问题视为析取编程。他们能够使用现有的约束优化方法来生成存在障碍物的机械手路径规划的最佳轨迹[9]。Samir等人于2006年在动态环境中引入了实时路径规划。这种方法基于约束方法,结合使用边界跟随策略绕过障碍物来避免局部最小值的过程[10]。最近的Tavares等人都使用双A*算法用于多工业机械手臂。其中一个A*算法用于接近目标,另一个A*算法用于优化以减少误差[11]

3 系统架构

我们已经做了许多努力来实现通过RGB-D传感器获取环境的系统,规划UR5机械手臂避开障碍物到达其终点的方式。 图1给出了系统的简化框图。

图1 系统功能图[22]

3.1 ROS

机器人操作系统(ROS)是一个包含广泛用于开发机器人程序的框架。ROS使机器人的功能(包括传感器,运动,视觉,导航和位置)与算法库和服务的贡献相互作用,促进机器人的应用。

其理念是制作一款仅需要对代码进行少量更改就可以在其他机器人中工作的软件16。在当前的工作中使用了几个ROS模块。下一小节将讨论这一主要内容。

3.2 Rviz

ROS框架附带了大量强大的工具,可以帮助用户和开发人员调试代码,并检测硬件和软件的问题。这包括调试设备,如日志消息以及可视化和检查功能,使用户可以轻松查看系统中正在发生的事情[16]

Rviz,如图2所示,是一个3D可视化工具,用于对ROS中的机器人模型进行虚拟仿真。在模拟期间,可以创建具有障碍物的场景,改变机器人姿势的位置或者通过虚拟“世界”移动它们。也可以插入传感器,例如Kinect,更换传感器或机器人的位置。通过这种方式,可以确认应用程序是否已准备好在实际应用程序中应用,从而避免了在现实世界中机器人中可能出现的问题。

图2 带有简单应用程序的Rviz 3D可视化工具的屏幕截图。 左侧是显示面板,中间是模拟的UR5,右侧是视图面板。

3.3 RGB-D传感器

开发机器人应用程序需要使用传感器。ROS目前有几种支持的设备。该软件包分为不同的类别:2D测距仪,3D传感器,姿态估计,摄像机,传感器接口和其他类型[20]。3D传感器包,包含RGB-Depth(RGB-D)传感器,如Kinect。

RGB-D相机由RGB和深度传感器组成,可捕获彩色图像以及每像素深度信息(深度图)。这些功能促进了低成本RGB-D摄像机在众多家庭应用中的广泛应用,例如身体跟踪,远程康复步态监控,面部表情跟踪,对象和手势识别等[12]

3.4 MoveIt!

MoveIt!是一个众所周知的软件,用于规划移动操纵运动,它结合了运动规划,操纵,3D感知,运动学,控制和导航等领域的最新技术,提供了一个易于使用的平台,用于开发先进的机器人应用,评估新的机器人设计,并为工业、商业、研发和其他领域构建集成机器人产品[13]。图3显示了MoveIt!执行路径规划时的屏幕截图。

图3 MoveIt!执行路径规划时的屏幕截图

该软件的主要节点是移动组(move_group),它集成了其他几个工具。路径规划是展示移动组如何工作的一个很好的例子,其中从点云收集信息并将其转化为模拟中的障碍是很重要的一步。 MoveIt!使用C 或Python语言,可以在查看某些动作时轻松建立命令和创建3D界面。MoveIt!中嵌入的算法,可供许多规划开发人员使用:开放式运动规划库(OMPL),运动规划的随机轨迹优化(STOMP),基于搜索的规划库(SBPL)和用于运动规划的协变哈密顿量优化(CHOMP)。

3.5摄像机校准

自2010年第一代Kinect发布以来,消费级深度传感器的校准已经得到了广泛的研究。不同的研究小组研究了各种校准方法,尤其是对于深度传感器的校准方法[14]

经济实惠的深度传感器与普通RGB相机(即使在同一设备中,例如Microsoft Kinect)完整和实时地为机器人提供了当前环境的外观和3D结构表示。这种类型的信息使机器人能够感知并积极地与工作环境内的其他代理进行交互。为了获得可靠和精确的测量,应精确校准每个传感器的固有参数,并且还应精确地知道与两个传感器相关的外部参数。校准的必要性在于没有集成的传感器能够同时提供颜色和深度信息(传感器是独立的)。

由于相机和深度传感器之间的非完美对准,这些传感器提供了深度和RGB数据之间的非精确关联的彩色点云。此外,深度图像由于几何失真,通常是不规则的和依赖于位置的。这些设备在出厂时已经过校准,因此每个传感器都有自己的校准参数集,并存储在非易失性存储器中。另一方面,深度失真是不会在工厂校准中建模的。因此,对于鲁棒机器人应用程序,合适的校准方法应该同时精确地估计未对准误差以及系统和失真误差[15]。图4展示了校准程序。

图4 获取本征和外征参数的校准程序

4 路径规划

可以在机器人机械臂的应用中利用不同的路径规划方法。一个有趣的规划器是OMPL——一个用于许多轨迹计算算法的库。但是,为了检查冲突,我们使用FCL库(Flexible Collision Library,包含在MoveIt!中)。

OMPL规划器使用两种方式来创建路径,一种使用差异约束(基于控制的规划器),另一种通过系统的几何和运动约束(几何规划器)建立路径,也是本文讨论的这种约束[23]

广泛使用的算法是从环境中创建出的脚本的多重查询,称为PRM(概率路线图方法)。这些多脚本基于采样算法,具有更高的成本框架。另一个好的算法是RRT(快速探索随机树),它实现起来非常简单:具有低成本的框架并具有良好的输出,通过创建状态树来完成其工作。

因此,利用这些算法,可以执行从初始姿势到最终姿势的路径规划。执行此路径规划的步骤如图1所示,通过使用Kinect生成的RGB-D图像可以检查可能的障碍。

图像通过互连节点引入系统,必须通过计算实现在开头和目的地之间的无碰撞路径。最后,如果存在没有碰撞的轨迹规划,则执行移动。否则MoveIt!通知不可能进行无碰撞运动。如果环境发生变化,例如障碍物位置改变或新的障碍物插入到工作环境中,系统(OMPL)将重新计算路径以达到最终目的地,通过这种方式,实现动态碰撞避免系统,即整个碰撞避免系统根据环境规划路线。

5 结果

为了验证动态碰撞避免系统的工作原理,我们使用Kinect传感器和UR5机械手臂的虚拟模型进行了实验室模拟。这样的话,目的是创建一个具有真正障碍的场景来保证系统的正常运行。主要想法是让Kinect传感器创建一个真正障碍物的点云,并指示MoveIt!虚拟操纵器不能碰撞的地方,也就是操纵者可以移动到达目标物的位置。动态防撞系统验证的工作环境是用一个简单的桌子作为一个箱子的基础,形成真正的障碍。虚拟操纵器模型固定在工作台的中心,以便机械手臂保持在盒子和人之间,而不与它们接触。在此阶段,RGB-D传感器对于生成点云并且对所有对象的定位进行校准是非常重要的。为了避免点云生成中的阴影干扰,最好的RGB-D传感器固定位置位于工作环境的顶部。在图5中,可以观察到真实的工作环境并将此环境转换为MoveIt!中的点云,以便在UR5机械手臂的虚拟模型中执行真实障碍物的感知并且在无碰撞的情况下进行路径规划的模拟。

对于MoveIt!要执行路径规划,必须配置将执行机械手臂路由的算法。对于测试,选择了两种算法PRM和RRT。选择这两种算法是因为它们广泛用于路径规划,因此可以将这些算法插入到动态防撞系统中。

为了保证两种算法之间比较的一致性,在每种算法的测试中进行了相同的路径规划配置。只有两个参数被更改,计划时间和计划尝试次数,而其他参数保留在MoveIt!的默认配置中。

计划时间设定为10秒。此参数指示系统查找路径规划所需的时间限制。在参数规划中,尝试次数设置为15。此参数向系统指示应在设定时间内完成多少路径规划。如果系统在超时内没有找到路径规划,系统将不会移动机械手臂。在两种算法中使用相同的机械手臂姿势配置(开始和目标姿势)。起点和目标姿势如图所示。

图5 该图显示了创建的场景,现实世界中的障碍以及以软件感知的方式转换场景的步骤。

图6 UR5操纵器透明的状态是起始姿势,因为操纵器是橙色的状态是目标姿势。

因此,在每次测试期间,算法必须在规定时间内找到路线解决方案并创建状态(或姿势)以实现轨迹规划。 每个要查找的算法所期望的状态序列可以在图中可视化如下。

图7 形成轨迹的一系列状态的示例

第一个测试使用PRM算法。图8显示了创建的真实场景以及将此场景转换为软件的感知。 它包括:转换为八叉树(蓝色和紫色框)的点云,规划轨迹(灰色),其余点是未考虑模拟的点云。

图8 使用PRM算法的路径规划。

为确保第一次测试不会干扰下一次测试,所有节点都已重新启动。第二个测试,使用图9中显示的RRT算法,显示了创建的相同场景以及规划者选择达到目标姿势的路径。

图9 使用RRT算法的路径规划

在算法通过MoveIt!执行的每个路径规划的最后,通过状态(或姿势)的时间和数量找到到达最终姿势的路线。 这些数据以图形格式收集和分析,如图10所示。虽然两种算法都找到了一定数量的状态来执行路径规划,但并没有必要使用所有找到的状态。

图10 系统生成的日志结果

以图形格式显示的日志显示了算法PRM使用了配置的所有时间来查找路径规划,这导致姿势状态的数量更多。但是,RRT算法使用较少的时间来查找路径规划解决方案,从而导致较少数量的姿势状态。

6 结论和未来的工作

在本论文中,根据工业4.0,强调并比较了协作机械手臂和两个路径规划算法,从而开发了一个帮助和与人协作的系统。系统使用ROS和RGB深度传感器(Kinect)来获取物体和人体位置等环境信息。实施的系统允许重新规划运动以避免碰撞,同时保证操作的执行。系统生成的日志显示了分析算法之间的差异。虽然RRT使用敏捷性来寻找计划目标姿势路径的解决方案,但PRM会一直使用它来分配轨迹。因此,这些算法的使用必须足以实现其实施的项目的目标。具有采集点云的UR5机器手臂的仿真验证了两种算法,在未来的工作中,可以优化系统的点云,以便更快地响应UR5机械手臂工作环境

原文和译文剩余内容已隐藏,您需要先支付 30元 才能查看原文和译文全部内容!立即支付

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。