立式精鍛機自動上料機械手手部結構的設計

立式精鍛機自動上料機械手手部結構的設計,立式,精鍛機,自動,機械手,結構,設計 認知移動機械手知覺和行動的規(guī)劃 安德烈 加舍爾a 斯維特拉娜a 羅納德 P.A. 彼得里克b 阿洛伊斯 克諾爾a a 德國，慕尼黑，慕尼黑工業(yè)大學，富通學院 b 英國，愛丁堡，愛丁堡大學，信息科學學院 摘要 本文提出一個通用的方法來實現(xiàn)感知運動機械手的知覺和操作的規(guī)劃，相比較于硬編碼專用機器人應用,機器人應該能夠推斷其基本技能以自主解決復雜問題。對于實際場景的抽象問題人類根據(jù)他們的經驗通過分解為更小的子任務和試探法直觀地解決任務，我們把類似的方法應用到感知運動機器人知覺和操作的規(guī)劃。我們的方法以偶然性規(guī)劃和運行時傳感為基礎，集成在我們的“知識卷”中規(guī)劃框架，稱為KVP。在信息采集活動時我們模擬了運行時許多可能發(fā)生的結果。結果是，知覺和感覺取決于必要的操作先決條件，而不是硬編碼的任務本身。我們展示的是一個真正的移動機械手在視覺和力傳感兩個場景中的有效性。 關鍵詞：機器人任務規(guī)劃；移動操作 1.引言 在實際環(huán)境中控制移動機械手本質上是一個具有挑戰(zhàn)性的任務，因此它通常需要推理出對不確定條件下的感知和行動。為了解決這些困難，我們提出一個能作為機器人知覺和行動之間的中間代碼并結合了象征性人工智能進行有效計算的名叫“知識卷”的應用程序以實現(xiàn)機器人的任務規(guī)劃。 KVP方法主要有兩個原則使之能特別應用于機器人的知覺和操縱與不確定的或不完全的知識，真實世界幾何學，多元機器人和傳感器。首先,我們使用規(guī)劃知識和遙感作為底層象征性的計劃系統(tǒng)[1,2]。相比其他許多現(xiàn)成的計劃引擎，PKS運行在能代表已知和未知的信息知識水平，使其能清晰和簡潔地模擬在域內的運動，原因在于部分已知的環(huán)境是典型的移動操作。第二，與其離散搜索空間，我們表述許多基于先決條件感知和操縱連續(xù)卷，特別設置的幾何凸多面體[3,4]。這卷的概念在幾何級和象征性的水平作為模擬知覺和行動一個強大的中間表示。我們的方法是最早設置一個介于連續(xù)機器人運動和視覺錐細胞之間的凸多面體中介表示，離散象征性運動，建立一個結合幾何和符號認知體系結構。 在以往的研究中，我們介紹了通用KVP框架[4,5]，并細節(jié)性的描述了集凸多面體容積排量的計算[3]和規(guī)劃的突發(fā)事件[6]。這個工作改為集中在一個移動操作 方案，其中演示了KVP處理的幾個關鍵特性的方法(見圖1)，即以傳感器行動計劃（感知），離散不確定（不完整的知識）和操作。 (a) 我們評估一個工廠設置中的一個 （b）行動的幾何條件和影響，機器人動武士刀五自由度機械手移動 作的工作空間（紅色）和凸多面體 平臺的機器人任務規(guī)劃 的對象邊界建模。（藍色為可移動的物體，灰色為靜態(tài)障礙物） 圖1 移動操縱場景 1.1相關工作 早期認知移動機械手系統(tǒng)工作要追溯到1984年如機器人沙基[7]。從那時起,這一領域已經取得了重大進展,且認知規(guī)劃架構已經從不同的研究視角被提出，包括來自人工技能的概率技術[8]，趨近世界的象征性規(guī)劃[9-11]，中繼合成[12,13]，抽檢操作計劃[14,15]。 一個與我們方法密切相關的貢獻是來自于信任空間規(guī)劃師 Kaelbling和Lozano-Pérez[8,16]，他們模擬信任空間的概率分布狀態(tài)，使其有強大的應對未知和挑戰(zhàn)的能力。與信任區(qū)域形成對照的是，我們的工作反而依靠的是離散的知識和設計成不完全信息和傳感的結構化環(huán)境。此外，盡管Kaelbling和Lozano-Pérez使用八叉樹代表機器人姿態(tài)容積排量，我們使用凸多面體，允許在確定性情況下非常有效的碰撞檢測[3]。在這兩種情況下,知覺是制定操作的必要前提,而不是硬編碼為一個任務本身。 在其他重要的方面我們的工作也不同于Kaelbling Lozano-Pérez。特別是我們的方法是新穎的，在規(guī)劃不完整的信息和傳感時應用3D幾何容積作為象征性規(guī)劃和運動規(guī)劃的基本代表，同時結合現(xiàn)成的多用途的人工智能的支持確定。這允許我們定義幾何先決條件和操作行為，涉及到知識的得失，并產生解決交錯傳感和操縱行為的方案[6]，是之能成為一個有希望的方案解決移動機械手合并知覺和行動規(guī)劃的問題。此外,我們可以很容易地集成未來改進新計劃引擎,有效利用人工智能社區(qū)。最后,我們的工作是展示了移動機械手，兩個實驗場景執(zhí)行在一個真正的武士刀機械手移動平臺,而不是僅僅在一個模擬的環(huán)境。 2.方法 KVP機器人試圖應對固有的困難推理對象征性的行動和幾何條件和效果任務規(guī)劃方法的兩個重要的原則,:知識的表示和卷的表示[4,5]。知識的概念被用來模擬規(guī)劃者的信任狀態(tài)的性能，而不是直接代表世界的狀態(tài)。這種方法是由我們在2.1節(jié)描述的知識型象征性規(guī)劃者（規(guī)劃知識和傳感）[1,2]來實現(xiàn)的。從符號層,我們考慮幾何條件和效果的評估使用套凸多面體的表示。 這個過程的細節(jié)在2.2節(jié)給出。之間的聯(lián)系這兩個級別的表示是闡明在2.3節(jié),我們簡要描述的認知體系結構和軟件實現(xiàn)。在本文的其余部分我們將討論KVP框架在評價機動操縱和力傳感兩個任務規(guī)劃情節(jié)中的應用。 2.1知識遙感規(guī)劃 KVP中的象征性規(guī)劃有由多用途的可以構造離散的不確定規(guī)劃過程知識系統(tǒng)規(guī)劃者提供[1,2]。特別的是，過程知識系統(tǒng)可以模擬知識的獲取和知識的損失，使其適合表示傳感和感知行為。不同于許多規(guī)劃者，過程知識系統(tǒng)運用“知識水平”推出如何策劃知識狀態(tài)，而不是世界的狀態(tài)，因為行動是變化的。為此，過程知識系統(tǒng)使用一個擴展基于一個組5個數(shù)據(jù)庫的斯坦福研究院問題解決系統(tǒng)，每個模型有一種特殊的可以解釋模態(tài)邏輯的知識。不同于那些使用世界模型或者陳述信任空間的規(guī)劃者，過程知識系統(tǒng)運用一個第一語言受限制的子集，支持函數(shù)和運行時變量,來幫助改善其推理和計劃生成過程的效率。 在這項工作中,我們使用在過程知識系統(tǒng)中的三個可用的數(shù)據(jù)庫：Kf，Kw和Kv，Kf數(shù)據(jù)庫包含已知的被用于模擬物理行為改變世界的影響的事實。更正式地,公式φ∈Kf表示“規(guī)劃師知道φ”這一事實。第二個數(shù)據(jù)庫Kw模擬運行獲取信息時可以返回兩個值中的一個的行為影響。規(guī)劃期間,一個公式φ∈Kw代表規(guī)劃師知道φ的想法或?φ,然而,實際在執(zhí)行計劃時的二進制值只會變得已知,即當一個物理傳感器使用。最后，Kv數(shù)據(jù)庫代表在執(zhí)行時間知識函數(shù)值。因此，Kv能模擬影響感應動作返回一般常量（Kw相比,這只能模型傳感器與二進制的結果）。過程知識系統(tǒng)的更多細節(jié)，請讀者參考之前描述的過程知識系統(tǒng)[1,2]和它在機器人學中的應用[5]。 2.2建立凸多面體的幾何問題 除了知識的概念，我們KVP方法的原則基礎是代表所有幾何對象的想法和機器人臂套凸多面體[6]。這種數(shù)據(jù)結構可以消除離散符號和連續(xù)的幾何規(guī)劃之間的差距，有效地評估一個范圍廣泛的幾何條件和影響。 然而，在一般情況下，任意一個非凸網格，分解成一個小的（或最?。┑耐苟嗝骟w是一個具有挑戰(zhàn)性的問題。雖然確切的分解問題是眾所周知的NP-hard問題，馬和公司最近提出的近似算法[18]，對于我們的問題實例的類型是足夠的效率，即分解場景中的機器人和對象的CAD模型。 正如我們先前描述的工作[3,6]，我們首先應用Garland和Heckbert[19]的網格簡化算法減少過度的CAD模型104-105的懲罰三角形。分層近似凸分解可自動分解這些模型為≈10凸模型的20個頂點[18]，在≈30毫米的精度，并在幾秒鐘的時間計算。分解是一個迭代的方式進行，搜索“三角形的對偶圖的邊凹”。搜索是由混合成本的功能為導向，有利于較高的局部凹凸的三角形，高寬比。然后，網格頂點的分層分割為多個凸體。實際分解后，另一個小網格簡化可能進一步減少頂點的數(shù)目。 這種表示的機器人和對象模型在手，我們可以有效地執(zhí)行所有的幾何查詢，在一個典型的機器人任務規(guī)劃方案需要（見圖1）。對象或對象和靜態(tài)機器人之間的碰撞和夾雜物的查詢，我們可以直接利用的吉爾伯特約翰遜算法實現(xiàn)[20]（GJK）。對對象之間的碰撞查詢和掃頻連續(xù)機器人運動量，我們第一次品嘗機器人的姿勢和計算所涉及的掃過容積在二次收斂速度的凸分解[3]；一旦掃過容積是可用的，這個問題同樣降低了純凸碰撞檢查。作為一個結果，我們的kVp的結構特征的一種非常有效的所有幾何查詢我們的領域出現(xiàn)的實現(xiàn)。 圖2 所實現(xiàn)的kVp軟件體系結構概述 2.3 kVp的認知體系結構 我們的kVp的機器人任務規(guī)劃軟件的實現(xiàn)分為幾個部分，執(zhí)行或被稱為庫函數(shù)，如圖2所示。首先，機器人和對象的幾何量簡化和分解過程中的域定義。在這個時候，機器人和對象位置的具體問題的實例是不知道只涉及的所有卷的CAD模型，靜態(tài)參數(shù)（如機器人運動學），和符號域定義的謂詞，行動，和目標是使用。 在計劃的生成時間，PKS規(guī)劃師搜索動作序列的符號和幾何條件的規(guī)劃師的知識狀態(tài)，滿足，和其執(zhí)行的狀態(tài)，實現(xiàn)目標的條件。評估幾何條件和影響，PKS進行直接的函數(shù)調用特定于域的運動規(guī)劃和碰撞檢測等功能。一個有效的象征性的行動和機器人運動路徑的順序產生作為輸出。在運行時，機器人運動路徑是通過一個簡單的軌跡發(fā)生器和物理機器人實時控制的內插。千伏峰值也允許運行時檢測和分辨率的支鏈的計劃，在力傳感方案在3.2節(jié)后來證明。 3.評價 在我們的評價，我們實現(xiàn)了與羅勃提諾的全方位移動平臺和武士刀五自由度機械手在移動操作的情況下測試我們的方法，如圖1a所示。相比之下,我們簡要概括的結果力傳感場景從早些時候的工作[6],第二個場景顯示了另一個有趣的交互之間相互依存的感知和操縱行為。 3.1移動操縱場景 在移動操作的情況下，一個單一的移動機器人必須移動一塊新的一堆n塊在保持原有秩序下（見圖4）。這項任務是定義在kVp作為移動操縱問題包括抓取，放置，和移動的動作。為PKS規(guī)劃師象征行動定義在圖3（和一些輔助功能略為簡潔）。特別是，動作拿起和放下的先決條件，包括機器人接近的位置，并可以通過移動接近行動了。同時，這些行動的前提條件和效果，確保只有一個對象可以在任何一個時間，在機器人的夾持器。謂詞是可到達的位置是一個特定于域的屬性，通過調用運動規(guī)劃和碰撞檢測庫評價實例，提供了象征性的規(guī)劃和運動控制之間的聯(lián)系。該域的在實施工作所有細節(jié)都由諾金描述[21]。 這一領域的目標的條件是，所有的對象都是放在現(xiàn)場留下的位置在一個特定的順序棧（見圖4）。為了評估，但最低的對象已經放在堆棧（圖4），所以在這種情況下，任何解決方案，包括移動所有對象到一個不同的位置（圖4B），插入新的對象，并建立堆棧中定義的順序（圖4c）。 圖3 移動操縱場景：象征性的行動定義 表1：移動操作方案的評價，其中n是被堆放在一個給定的順序。盡管這個問題看似簡單的解決了，找到一個正確的計劃需要一個系統(tǒng)性的搜索，任何動作的正確順序的偏差將使目標不可行。 這一提法，移動操作的情況下是蘇斯曼的異常的一個典型例子[22]，正確的解決方案不能由一個本地搜索。如表1所示的評價領域，變得不可行，n＞8，由于一個普通的臺式電腦內存有限。我們特意為這個例子來說明KVP目前的限制，并激勵我們今后的工作旨在改善我們的規(guī)劃算法。 3.2力傳感方案 相反，移動操作的情況下，為了證明的感知和操作之間的相互作用，根據(jù)我們以前的工作[6]，我們提出的第二個域。在力傳感方案（圖5A），柔性機器人有把握，提升能力，和轉移的飲料容器并定位在桌子。當一個容器時，機器人可以感覺到它的重量，由此，原因是飲料必須直立為了避免溢出。我們的目標是將所有容器放到第二個桌子上，如果需要機器人可以在這些運動過程中保持其夾立。 正式地，域的重要作用被定義如圖5b所示。只有當一個對象被確認不會溢漏機器人用行動傳遞速度快可能不保持直立，。然而，由于這方面的知識，運行時不可用，要建立感應重力的支（分支），記錄在PKS Kw的數(shù)據(jù)庫知識建模，這是它一個對象可以溢出，以及不溢漏的情況下一個對象的原因，我們的軟件框架（圖2）執(zhí)行行動計劃和選擇合適的分支遵循基于以前的感知行動的運行結果。這個方案是實現(xiàn)聯(lián)合阻抗控制和力控制輕七自由度機器人手爪的平行測試，如圖5所示。用內轉矩傳感物體的重量的外力。 4.結論 在本文中，我們在移動操作領域提出一個應用我們的“知識卷”的機器人任務規(guī)劃方法（KVP）。特別是，我們描述了為何認知移動機器人對知識的獲取和知識流失的原因，我們制定的有符號和幾何條件影響的感知和操作行為。我們的kVp的框架用結合的知識層面的規(guī)劃和凸多面體幾何判定評估的方法解決這類問題。 致謝 作者希望感謝基蘭菲舍爾和索倫對他們進行實施和評估的幫助，以及馬庫斯李凱爾特他的手稿上的評論。由歐盟第七框架計劃支持這項研究的部分通過杰姆斯項目。 圖4 由一個三自由度機械手實現(xiàn)的移動操作場景 圖5 在力傳感的場景中, 如果飲料容器被填滿柔性機器人能感覺到，并能保持直立移動的同時防止溢出，除非他們是完全空的或不開。 參考文獻 1. R. P. A.彼得里克 和F.巴克斯,基于知識型的方法不完整的信息和傳感的規(guī)劃在學報國際會議人工智能規(guī)劃. 212–221, 2002. 2. R. P. A.彼得里克 and F.巴克斯, 擴展知識的方法和不完整的信息和遙感計劃國際會議論文自動規(guī)劃和調度. 2–11, 2004. 3. A. Gaschler, R. P. A.彼得里克, T.克羅格, O.哈提卜, and A.克諾爾,機器人的任務和運動規(guī)劃與凸多面體的建立,機器人學:科學和系統(tǒng)結合的機器人運動規(guī)劃和人工智能規(guī)劃的實際應用的研討會, 2013. 4. A. Gaschler, R. P. A.彼得里克, O.哈提卜, and A.克諾爾,知識卷的機器人任務規(guī)劃方法, 2014.審稿中. 5. A. Gaschler, R. P. A.彼得里克, M.茱莉亞尼, M. t里克特, 和 A.克諾爾,一個機器人任務規(guī)劃方法的知識卷, 電氣與電子工程師協(xié)會國際智能機器人和系統(tǒng)(IROS),2013. 6. A. Gaschler, R. P. A.彼得里克, T.克羅格, A.克諾爾, 和O.哈提卜,機器人任務規(guī)劃與運行時的意外傳感,電氣與電子工程師協(xié)會國際機器人與自動化相結合(ICRA)車間任務和運動計劃, 2013. 7. N. J.尼爾森, “機器人沙基” 323年科技。眾議員,人工智能中心,國際,四月. 1984. 8. L. P. Kaelbling和T. Lozano-Pérez,統(tǒng)一的看法,估計移動操作通過信任和行動空間規(guī)劃,在電氣與電子工程師協(xié)會機器人與自動化國際會議上, 2012. 9. S.康邦, R.阿拉米,和F. Gravot,復雜的運動的混合方法,操作和任務規(guī)劃,機器人技術研究28(1). 104–126, 2009. 10. E.普拉庫 和 G. D. r海格,以抽樣為基礎的運動規(guī)劃與象征、幾何和微分約束,電氣與電子工程師協(xié)會機器人和自動化會議, 2010. 11. C. Dornheg, M.吉斯勒, M. Teschner, and B.內貝爾,積分符號和幾何規(guī)劃移動操作,”電氣與電子工程師協(xié)會安全研討會安全與救援機器人. 1–6, 2009. 12. H.克雷斯-賈啟特 和 G. J.帕帕斯,國防高級研究計劃局城市挑戰(zhàn)賽自動綜合的計劃和控制子系統(tǒng),自動化科學與工程(CASE).電氣與電子工程師協(xié)會國際會議. 766–771, 2008. 13. C.-H.成, M. r蓋辛格, H.呂斯, C. Buckl,和 A.克諾爾,游戲工業(yè)自動化和控制解決,電氣與電子工程師協(xié)會機器人和自動化會議. 4367–4372, 2012. 14.F.撒加利亞, C.博斯特, 和 G. Hirzinger,彌合任務規(guī)劃和路徑規(guī)劃的差距,”電氣與電子工程師協(xié)會國際智能機器人和系統(tǒng). 4490–4495, 2006. 15. J. L.巴里,操作以不同的行動.博士論文,麻省理工學院, 2013. 16. L. P. Kaelbling 和T. Lozano-Pérez,在信念空間集成任務和運動計劃,” h國際機器人研究期刊32(9–10). 1194–1227, 2013. 17. R. E. 福克斯和 N. J.尼森,應用定理證明的新方法來解決問題,”人工智能2. 189–208, 1971. 18. K.馬穆和F. Ghorbel,一個簡單而有效的方法對3D網格近似凸分解,”圖像處理電氣與電子工程師協(xié)會國際會議(ICIP). 3501–3504, 2009. 19. M.加蘭和P. S.赫伯特, s使用二次誤差度量表面簡化,”計算機圖形學和互動技術. 209–216, 1997. 20. E. G.吉爾伯特, D. W.約翰遜, 和S. S. Keerthi,一個快速計算復雜的三維空間中的對象之間距離的過程,”機器人與自動化,電氣與電子工程師協(xié)會日報 4(2). 193–203, 1988. 21. S. Nogina,任務規(guī)劃移動操作場景. s碩士論文,慕尼黑工業(yè)大學, 2013. 22. G. J.薩斯曼,獲得技能的計算模型.博士論文,麻省理工學院, 1973.虛擬目錄.相比卷. 9025 90250D-7