机器人手爪数据采集、融合和传输系统的研制.doc

合肥工业大学硕士学位论文机器人手爪数据采集、融合和传输系统的研制姓名：李巧利申请学位级别：硕士专业：检测技术与自动化装置指导教师：徐科军2003.5.1，（），（），：，独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。据我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得合肥黑业大学或其他教育机构的学位或证书而使用过的材料。与我一同工作过的同志所做的任何贡献均已在论文中作了明确的说明并表示致谢。学位论文作者，：烈签字日期：，年学位论文版权使用授权书本学位论文作者完全了解洲口比色有关保留、使用学位论文的规定，有权保留并向国家有关部门或机构递交论文的复印件和磁盘，允许论文被查阅和借阅本人授权出江业左乞可以将学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。（保密的学位论文在解密后适用本授权书）学位论文作者签名：私签字日期：年犷月日导师签签字日期年夕月乡日学位论文作者毕业后去向：工作单位：通讯地址：致谢感谢我的导师徐科军教授在研究生三年内对我的指导、关心和帮助，感谢徐老师给我提供丰富的实践机会和良好的实验条件。在徐老师的悉心指导下我顺利地完成了研究生地课题研究和论文撰写。徐老师严谨的治学态度、以身作则的工作作风、虚怀若谷的学者风范是我终生的榜样。感谢我的师兄童利标博士给我的课题提供了很好的研究基础，与他在一起进行了安全连接标定实验、六维力标定实验，使我从中收到了很多的启发和灵感。中科院合肥智能机械研究所的梅涛研究员和孙怡宁研究员，国家高技术航天领域空间机器人一程研究中心的梁斌主任和李成博十在我的课题研究期间都给予了关心和支持，还对课题的研究提供了很好的意见，在此表示感谢。中科院合肥智能机械研究所的研究生刘扬、博十生张涛、周旭和我在课题研究中进行合作，给我提供了很大的帮助，促进了课题的进展。感谢本实验室的师如黄云志，师兄倪伟在这三年中给我各方面的关心、帮助和照顾。还有，感谢博十生盛磊，研究生李永三、贾林、徐文福、王肖芬、吴婷、袁波，我们一起讨论、学习，度过了快乐的时光。最后感谢我的父母和家人，他们的理解和支持使我能安心地学习，顺利地完成研究生期间的学业！目的和意义第一章综述空间机器人在航空航天领域有着重要的应用。空问机器人在太空作业的时候，有一项很重要的任务就是抓住浮游物体，这主要靠多传感器手爪来完成。空间机器人多传感器手爪的研究已经成为机器人领域中一个重要的研究主题【。空间机器人手爪上安装有多种传感器，例如：力传感器、触觉传感器、接近觉传感器和位移传感器等，这些传感器组成了机器人手爪的感觉系统【。手爪在进行各种操作时，手爪腕部所受的力是有一定限制的，若此力过大，就可能导致手爪根部撕裂，从而造成严重的事故。因此，测量腕部所受的力就显得非常的重要。理论上讲，机器人腕力传感器能精确地测出腕部所受的力，但是，目前因为安装空间的限制，不能在空问机器人上直接安装腕力传感器，故难以监测腕部受力的大小。我们提出利用手爪指力传感器的信息，通过多传感器数据融合的方法来估计出手爪腕部所受的多维力。由于机器人手爪系统是一不确定系统，很难得出解析表达式。而传统上对不同传感器采用单独孤立的处理方式存在这样的两个缺陷：一是割断了信息之间的内在联系，丢失了信息有机组合后蕴含的进一步信息；二是单凭某个传感器的信息做判断，得出的决簸可能是不充分的或不全面的。而在同一环境下，多个传感器感知的信息中存在着内在的联系，。因此采用多传感器数据融合方法，合理选择、组织、分配、协调系统中的手指多传感器资源，并对它们输出的信息进行融合处理，就可以得到腕部受力的情况，以保证空间机器人操作的安全。多传感器数据融合技术的研究和应用越来越深入和广泛。其中，目前正处于研究和发展阶段的智能机器人就是多传感器数据融合技术一个重要应用领域。利用多传感器数据融合技术将多个传感器探测到的信息综合利用，使机器人更准确、全面、低成本的获取所处环境的信息。多传感器数据融合也是人类或其他逻辑系统中常见的基本功能。多传感器数据融合的基本原理是充分利用多传感器资源，采用计算机技术对按时序获得的多传感器观测信息在一定准则下加以自动分析、综合、支配和使用，获得对被观测对象的一致性解释与描述，以完成所需的决策和估计任务，使系统获得比它的各组成部分更优越的性能【，数据融合的方法有很多种，由于神经网络具有很强的容错性及其自学习、自组织和适应能力，还有神经网络具有独特的非线性映射能力和独特的联想、记忆、储存能力，我们采用神经网络来融合“。径向基函数（）网络有很好的逼近能力、分类能力和学习速度，所以选用径向基网络来融合多维腕力。为了满足“舱外移动机器人地面实验系统”的总体要求，中科院合肥智能机械研究所重新研制了多传感器手爪。我们研制一套多传感器数据采集、融合和传输系统。该套系统能实时地采集和融合多传感器信息，得出手爪与工件的安全连接状态，然后把这一状态传输给主控计算机。空间机器人由于节点多、距离长，要求选择一种可靠性好、通信速率高的通信方式以实现机器人各关节模块与上位机的实时通信，达到实时监测、实时控制的目的。并且支持通过添加或拆除模块的操作来完成系统重构，无需蒋次整体设计。基于以上目的，就要求各模块之间能够实现双向多节点的数字通信，而且性能可靠。而（）总线就是一种能满足上述要求的通信方式。我们新设计的数据采集、融合和传输系统就是采用总线来完成与上位机或其它节点的数据传输。对多传感器信息采集、融合和传输子系统的改进，我们还希望系统体积更小，性能更好，运行更可靠。由此，我们选用公司的（数字信号处理器）芯片来作为系统的核心，该芯片内部集成有很多的外设模块，如：转换器，控制器，两个事件管理器，数据输入输出模块等【】。这些功能完全能满足我们的需求，几乎不用扩展其它的外设模块。而且芯片的体积很小，这可以大大缩小系统的体积。由于上述优点，我们研制了基于的数据采集、融合和传输系统。此外，编程方便，既可以用自带的汇编语言，也可以用标准语言。等到程序调试全部完成后，就可以把程序烧写到片内的内存中去，然后只要给系统上电就会自动运行烧写进去的程序。国内外研究现状，近年来，机器人多传感器手爪技术已经成为当前国际上研究的热点之一，其中最有代表性的是德国的舱内机器人的多传感器手爪和日本中精密操作机器人的三指多传感器灵巧手。国内有关高校和科研院所也开展了机器人手爪的研究，如中科院合肥智能机械研究所、北京航空航天大学、哈尔滨工业大学等。计划中多传感器智能手爪的重要特征是多传感器集成，其手爪上安装有个传感器，它是一个高度集成化、智能化的传感器系统可以说是目前世界上最复杂的一个手爪，如图所示。该手爪安装在一个工作空间为立方米的六自由度机器人上，全部实验在航天飞机的空间实验舱进行。图为机器人及实验配置。图手爪图卜机器人及实验配置为执行更为很复杂的操作任务，空间机器人需要多指机器人灵巧手。在之后，德国研制了三指灵巧手，现已研制成功了四指灵巧手，如图所示，它具有十二个自由度。每指有四个关节，具有三个自由度，具有个传感器。每个关节装有一个关节角度传感器和一个关节力矩传感器。四个触觉传感器探测外部受力的大小。手掌中的微相机系统提供了光学位置传感器，同时，还有一些温度传感器和每个马达的转予位嚣传感器等。幽四指灵巧手日本通产省及其电子技术试验室（）研制刀：发了一种精巧的遥机器人系统，带有一只三指多传感器手，称为“先进机器人手”（：）。日本学者认为多自由度多指手爪缺乏机械的可靠性和实用性，并且存在着抓取稳固性和控制复杂性的问题，在空间手爪必须可靠地抓取和作业，不能出差错，在微处理器防辐射能力有限的情况下，很难可靠地控制多自由度多指手爪。从这点出发，研制了一种使用简单、可靠的机械机构称之为半灵活性（）三指手爪【，如图所示。在的灵巧手中，安装的传感器有：一台手眼摄像机，三个接近觉传感器，一对夹持力传感器，一个柔顺力力矩传感器，一个六自由度力力矩传感器。柔顺装置图多传感器智能手爪虽然国外在机器手的研制中做了大量的工作，但是，在我们所查到的资料中，均未见到德国和日本在其手爪上进行多传感器数掘融合的具体方案和方法。美国的和在由机器手臂控制的央持型手爪的基础上提出了视觉、艮在手上的视觉、接近觉、触觉、位罱、力力矩、滑觉等多传感器信息融合方法。多传感器信息的融合过程（最佳估计）分为三步：首先采集多传感器的原始数据，并用模型进行局部估计：第二，对统一格式的传感器数掘进行比较，发现可能存在误差的传感器，进行置信距离测试，从而建立距离矩阵和相关矩阵，得到最接近最一致的传感器数据，并用图形表示；第三，运媚叶斯模型进行全局估计（最佳估计），融合多传感器数据。同时对其它不确定的传感器数据进行误差检测，修正传感器的误差，。国内有关高校和科研院所，如哈尔滨工业大学、北京航空航天大学、中科院合肥智能机械研究所和杭州电子工业学院等开展了机器人手爪的研究，取得重要进展【。中科院合肥智能机械研究所解传芬硕士在研制多传感器手爪过程中，对多传感器数据融合做了较多的研究工作，主要是如下三个方面：）由于研制的接近觉传感器受温度和被测物体反射特性的影响较大，采用网络对接近觉传感器和温度传感器的信息进行融合，提高了测量精度；）采用网络对个指力传感器的信息进行融合，得到握紧力的大小：（）采用网络对握紧力、接近觉和距离信息进行融合，得到手爪与工件的安全连接状态。本课题组童利标博士在解传芬硕士的基础上进一步做了多传感器融合工作：（）对多种传感器的输出进行数据融合得出手爪与工件的安全连接状态；（）对个指力传感器数据进行融合，得出手爪腕部所受的多维力”。但是，网络学习速度慢，可能陷入局部极小，有时融合结果还不尽如人意。中科院合肥智能机械研究所研制了多传感器手爪的数据采集、融合和传输系统。该系统是以机为核心，手爪上力觉、接近觉、温度和距离传感器的输出信号经过调理，送到电压电流变换模块，转换成电流信号，再经过电缆送至数据采集卡，该卡直接插在机的总线槽中。在机中对采集来的传感器信号进行数据融合，数据融合的结果通过局域网传输给主控计算机。该系统的示意罔如图所示。！江卜，电瓦萋电压土流转换模块。篷电缆电缆器幽多传感器手爪数据采集系统示意剀课题来源和主要内容课题来源于航天项目“基于的空间机器人总线控制”（编号：）的予项目“空间机器人一体化关节总线通讯系统研制”以及航天项目“舱外移动机器人手眼系统”。本课题的主要内容：（）为了监测手爪腕部的受力情况，避免意外事故的发生，采用径向基函数（）神经网络，根据手爪上的个指力传感器数据融合出手爪腕部所受的多维力信息，给整个机器人的安全操作提供决策的依据，增强机器人的安全性和可靠性。（）研制一套基于的数掘采集、融合平传输的系统，：发相应的软件。得到最接近最一致的传感器数据，并用图形表示；第三，运用贝叶斯模型进行全局估计（最佳估计），融合多传感器数据。同时对其它不确定的传感器数据进行误差检测，修正传感器的误差，国内有关高校和科研院所，如哈尔滨工业大学、北京航空航天大学、中科院合肥智能机械研究所和杭州电子工业学院等开展了机器人手爪的研究，取得重要进展中科院合肥智能机械研究所解传芬硕士在研制多传感器手爪过程中，对多传感器数据融合做了较多的研究工作，主要是如下三个方而：（）由于研制的接近觉传感器受温度和被测物体反射特性的影响较大，采用网络对接近觉传感器和温度传感器的信息进行融合，提高了测量精度；（）采用网络对个指力传感器的信息进行融合，得到握紧力的大小：（）采用网络对握紧力、接近觉和距离信息进行融合，得到手爪与工件的安全连接状态。本课题组童利标博士在解传芬硕士的基础上进一步做了多传感器融合工作：（）对多种传感器的输出进行数据融合得出手爪与工件的安全连接状态；（）对个指力传感器数据进行融合，得出手爪腕部所受的多维力。但是，网络学习速度慢，可能陷入局部极小，有时融合结果还不尽如人意。中科院合肥智能机械研究所研制了多传感器手爪的数据采集、融合和传输系统。该系统是以机为核心，手爪上力觉、接近觉、温度和距离传感器的输出信号经过调理，送到电压电流变换模块，转换成电流信号，再经过电缆送至数据采集卡，该卡直接插在机的总线槽中。在机中对采集来的传感器信号进行数据融合，数据融合的结果通过局域网传输给主控计算机。该系统的示意图如图一所示。位移传感器脉冲信弓机器人多传感器手爪缆电肠一叹！电压电流转换。电缆机数据采集卜一一图一多传感器手爪数据采集系统示意图课题来源和主要内容课题来源于航天项目“基于的空间机器人总线控制”（编号：）的子项目“空间机器人一体化关节总线通讯系统研制”以及航天项目“舱外移动机器人手眼系统”。本课题的主要内容：（）为了监测手爪腕部的受力情况，避免意外事故的发生，采用径向基函数（）神经网络，根据手爪上的个指力传感器数据融合出手爪腕部所受的多维力信息，给整个机器人的安全操作提供决策的依据，增强机器人的安全性和可靠性。（）研制一套基于的数据采集、融合和传输的系统，开发相应的软件。该系统能实时采集手爪上各种传感器的数据，然后用神经网络实时融合出手爪与工件的连接状态，并将这一信息通过总线传送给主控计算机。该套系统体积小，性能可靠。第二章基于数据融合的多维腕力估计在空间机器人行走和操作过程中，监测手爪腕部受力的陆况，对机器人的操作安全性和可靠性、避免意外情况的发生具宵承要的意义。山于舱外移动机器人（）手爪腕部空间限制及空间机器人对霞量和体积的特定要求，日前还无法在手爪上直接安装六维腕力传感器。为解决这一难题，我们利用手爪上个指力传感器输出的变化量来估计手爪腕部所受的多维力。为此，设：卜了实验方案，进行了大量的实验。童利标博士采用神经刚络对手爪上的指力传感器进行数据融合，得出腕部所受的多维力信息，融合结果比较满意。与神经刚络相比，径向基函数（）神经网络在逼近能力、分类能力和学习速度等方有优势。我们采用神经刚络重新融合实验数据。融合出的多维腕力为整个机器人的安全操作提供了决策的依据，增强了机器人的安全性和可靠性。实验手爪及实验装置实验的对象是中科院合肥智能机械研究所研制的舱外行走机器人（）手爪，它由夹持机构和感觉机构两大部分组成。夹持机构是实现手爪开闭功能的单自由度执行机构。感觉系统以感知与手爪有关的各种外界和内部信息为口的，以手爪内部的力觉、接近觉、触觉、滑觉和距离传感器为基础，同时结合机器人状态信息，为机器人准确可靠地移动和抓取提供反馈信息。手爪在结构上主要由驱动结构、手指结构和外部电气接口组成。驱动结构包括微型伺服电机和距离传感器两部分。手指结构的主要组成是型槽、力传感器、接近觉传感器和触觉传感器。外部电气接口包括处理电路、电气接口和腕部接口法兰。手爪的具体形状如图所示（该照片由中科院合肥智能机械母究所提供）。图机器人下爪结构图为了进行指力传感器输出与手爪腕力之问的标定实验，中科院合肥智能机械研究所对六维腕力传感器的标定台进行了改造，研制出了多维力融合的实验装置。它是一方形的实验平台，正中间同定有一个宁梁，四周符同定有滑轮，如图所示。幽】二爪标定艾验装置图整个实验系统由以下几部分组成：手爪、专门设计的法兰接口（用于加载多维腕力）、改造过的六维腕力传感器标定台、多传感器数据采集系统、电机控制模块、砝码以及数据采集软件等。其中，数据采集系统包括一台机、插在机中的数据采集卡、电压电流的转换模块和相应的软件。该系统的示意图如图所示。实验过程譬。缆电慷，电立转换模块电缆茎！呦删拧制模块采用于实验的手爪有两只，用直流稳压电源驱动手爪，的小电机，驱动电乐分为和。具体步骤如下：（）驱动电机使手爪抓紧字粱直至达到稳定状态，测量乎爪在安全连接状态下的个指力传感器的输出。把它们作为原始基准值保存下来。（）分别沿、方向，在手爪的法兰接口圆盘上吊砝码，施加力、和力矩、具体过程如下：将绳子绕到腕部轴上，使之与滑轮处于同一水平线，绳子经过滑轮下垂，在绳子的末端挂上砝码。实验中先是加载过程，腕部受力依次为、。接着是卸载过程，腕部受力依次为、。这样就完成了一个循环。呲数据采集，图（）对每个方向作四个循环，分别记录下像次加载砝码平卸城砝码时力传感器的输出。通过反复地加载和卸载实验，得到了大量的实验标定数捌。图所示为方向的标定，图所示为方向的标定，图所示为方向的标定，图所示为方的标定，图所示为方向的标定，图、图所示分别为方向的标定。，厂、上会蔫，圈方向标定意图图办向标定：意图图方向标定意圈图方向标定示意图图方柚标定示意图图方向标定爪意图一图方向标定意图数据融合方法数据融合方法有多种。神经嘲络具有很强的容错性发其自学习、自组织和适加载盘，厂丫派义户名产丈伙多传感器手爪工字梁图方向标定示意图图方向标定示意图口：广几、一一岁一刁匕月：宜二汽。袱、上少一一丁落图方向标定示意图一二乙入、丫、二二：一丫乡一一图方向标定示意图数据融合方法数据融合方法有多种。神经网络具有很强的容错性及其自学习、自组织和适应能力，具有的非线性映射能力和独特的联想、记忆、储存能力。因此，我们选用神经网络来进行数据融合。函数逼近是神经网络的一个主要功能，从逼近方式来讲，神经网络分为全局逼近神经网络和局部逼近神经网络。全局逼近神经网络是网络的权系数或自适应可调函数在输入空间的每一点对任何一个输出都有影响，神经网络是全局逼近网络。若对输入空间中的某个局部区域，只有少数几个连接权影响网络输出，则称该网络为局部退近网络。在全局逼近中，对输入空间中的每个值，网络的权值均要调整，因而学习速度很慢。而在局部逼近中，对于每个输入输出数据对，只有少量的连接权值需要调整，因而学习速度快。径向基函数（）神经网络就是一种典型的局部逼近网络。此外，神经网络用于函数逼近时，使用梯度下降法进行权值的调整，存在局部极小和收敛速度慢等缺点。而神经网络在逼近能力、分类能力和学习速度等方面均优于神经网络。我们选用神经网络来融合数据。网络结构神经网络由两层组成：隐含层是含有个神经元的径向基函数层，输出层是含有个神经元的线性层，结构如图所示。币向基层线性层图径向基函数网络的结构图”中，是输入向量的元素个数线性输出层的神经元个数。输入向量有是径向基层的神经元个数，是个元素，即个节点，代表个指力传感器的输出值。输入权值矩阵是行列的矩阵，表示输入向量和权值矩阵之间的欧式距离，第个径向基函数的欧式距离为寸菩（一，二，一，（），。和分别为权值矩阵和输入向量的元素。一个基向量含有个元素，第个基向量的表达式为：寸（），二二一立（），式中，是第个径向基函数的分布常数。欧式距离的输出和基向量相点乘，得到一个向量，点乘即元索和元素相乘：沁（）第一层网络的输出为（一（）（）线性层中的向量为（）式中，是线性层的权值矩阵，大小为行列，是线性层的基向量，有个元素。因此，径向基网络的输出为（）式中，由个元素组成，也就是个代表不同方向所受的腕力的输出节点。网络训练的步骤编写的网络程序是在下运行的，当预测结果误差满足要求时，网络训练结束，把此时网络的结构保存下来，既把此时的网络参数，以文件的形式保存下来。训练时，用机器人手爪指力传感器的个输出值作为网络的个输入节点；腕部在，二个方向所受的力和力矩作为网络的输出节点。当融合腕部在，三个方向所受的力时，输出节点数为个；当融合腕部在，三个方向所受的力和力矩时，输出节点数为个。用网络来融合腕力的步骤如下，也可用流程图来表示。始、对输入输出数据分别进行归化从输入数据取少量样木用于预测对剩余大量输入样木进行训练对预测样木进行仿真反归化仿真结果并训算误差一、尸上束结火图网络融合多维力的步骤）首先对传感器的输出值进行处理：选手爪抓紧工字梁时的各传感器输出数据作为原始基准值（此时手指各传感器有确定的输出值，但是腕部并没有受力），加载后各传感器的输出值数据减去原始基准值，得到差值作为网络的输入。各个方向力和力矩值作为网络的输出。）对网络的输入和输出值进行归一化处理。输入样本归一化到，归一化的公式为（。一）。一一，、，（）式中，。是归一化之前第个输入节点的第个采样值，、是归一化之后第个输入节点的第个采样值，。、是第个输入节点的最大采样值，、是第个输入节点的最小采样值，是总的采样点数。输出节点归一化到，归一化公式为；式中，（；），卜，二，一（）；、是归一化之前第个输出节点的第个采样值，是归一化之后第个输出节点的第个采样值，；是第个输出节点的最大采样值，是第个输出节点的最小采样值，是总的采样点数。）将归一化的实验数据分为两部分，组（大部分）用于训练神经网络，组（一小部分）用来预测。）训练网络。在训练过程中不断调整各参数，其中，主要是调整径向基函数的分布常数。它对训练结果会产生较大的影响。）当训练出网络的权值矩阵和基向量后，用选取的预测样本数据进行数据融合。）为了将融合结果与预测样本中的输出值进行比较，要对融合结果进行反归一化处理。反归一化的公式为盆（一）（二一，）尹，一一二。，二，（一）式中，是反归一化之前第个节点的第个输出，是反归一化之后第个节点的第个输出。）数据融合结果与实际值之间的误差为一，（一）一式中，表示第个输出节点的第个标定值，表示第个输出节点的第个融合结果，、是第个节点的满量程范围。数据融合结果在求