[发明专利]用于离线示例学习的机器人装配演示轨迹提取方法及装置

权利要求书

1.一种用于离线示例学习的机器人装配演示轨迹提取方法，其特征在于，所述方法包括以下步骤：

A、通过光学动作捕捉装置采集装配演示人员手臂及手部的演示装配轨迹；

B、对采集的手臂及手部运动轨迹进行离线预处理，排除噪声数据和无关数据，融合多次演示装配轨迹，获得采用高斯混合模型建模的装配运动模型，并且为装配动作匹配夹具；

C、根据所获得的装配运动模型及装配夹具信息，由轨迹生成模块生成离线优化的轨迹，并将所述离线优化的轨迹提供到机器人进行仿真装配验证；

所述步骤A还包括以下步骤：

A1、建立光学动作捕捉装置中的多个红外运动捕捉摄像机与计算设备的数据连接通道；

A2、配置每个红外运动捕捉摄像机的视场集中到同一个的立体区域，并且标定每个红外运动捕捉摄像机；

A3、采集该立体区域中的装配演示人员的手臂及手部关键位置上的反光标记点的图像；

A4、触发所有红外运动捕捉摄像机实时读取每个反光标记点的位置数据；

所述步骤B包括以下步骤：

使动作路径末端限定在装配夹台和装配件存放区的范围，一些超出该范围的路径数据或者引起装配干涉的路径数据则被作为异常数据来排除；

通过捕捉反光标记点的速度和运动类型来划分不同的装配步骤，以将人工装配轨迹进行分段，其中：对于手指的运动以空间平移为主并且肘部和肩部有明显运动，则将这一组运动轨迹划分为拾放轨迹；对于手指和手臂都夹住导轨并维持给定时间不动，则将这一组运动轨迹划分为定位轨迹；当采集的轨迹数据表明只有手掌和手指操作工具进行局部扭动时，则将这一组运动轨迹划分为紧固件安装轨迹；

所述步骤B还包括以下步骤：

B1、通过基于局部异常因子的异常检测算法处理数据采集模块获取每一次装配演示中各个反光标记点在每个采样时刻的位置信息，计算每个反光标记点每个采样时刻的局部异常因子，将局部异常因子大于预设阈值的点视作采样噪点并从演示数据集中排除；

B2、通过密度聚类算法，以每一次装配演示中每个反光标记点在每个采样时刻的速度作为该采样时刻的特征进行密度聚类；

B3、采用高斯混合模型对数据预处理模块得到的多次装配演示的装配轨迹进行建模，根据最大化贝叶斯信息准则的方法指定高斯核的数量，采用期望最大化方法学习多段装配轨迹，得到每个高斯核的参数，从而得到由高斯混合模型建模的、能够反映装配动作关键信息的装配运动模型；

所述步骤B1还包括以下步骤：

提供一组样本集合{x_i}，i＝1,2,3...,定义：

RD_k(x,x′)＝max(||x-x^(k)||,||x-x′||)

作为可达距离，其中x^(k)是集合{x_i}中最接近x的第k个样本，k是手动选择的整数参数；

提供局部可达性密度

如果其中的样本x使得局部异常因子

大于预设阈值，则将对应的样本x从演示数据中消除。

2.根据权利要求1所述的方法，其特征在于，所述步骤B还包括以下步骤：

B4、对手部关节和指尖处的反光标记点轨迹进行分析，得到手部的装配动作，然后对手部的装配动作进行数据匹配，得到最适合此装配动作的夹具类型。

3.根据权利要求2所述的方法，其特征在于，所述步骤B4还包括以下步骤：

将划分的装配轨迹识别成一个或多个离线装配步骤；

在每一个离线装配步骤之间配置夹具节点，用于匹配或更换夹具；

与机器人控制器及其夹具库的数据同步，引入机器人末端运动到工具存放区以安装或更换夹具的路径。

4.根据权利要求1所述的方法，其特征在于，所述步骤C还包括以下步骤：

C1、将轨迹生成模块离线优化的轨迹导入一个机器人仿真平台V-REP的仿真环境；

C2、匹配机器人系统模型，导入装配零件的三维模型，然后在仿真环境控制机器人沿离线装配轨迹模拟装配，并且验证装配后的零件是否达到期望的位置和姿态。