[发明专利]布料处理方法、系统及缝制机器人

权利要求书

1.一种布料处理方法，其特征在于，包括：

获取布料的特征向量；

利用训练好的模型对特征向量进行分析，确定所述布料的延展性；其中，所述模型为使用多组训练数据训练得出，所述多组数据中的每组数据均包括：布料的特征向量和标识该特征向量下对应的布料的延展性；其中，所述特征向量包括布料的张力和布料的拉伸应变；

根据所述布料的延展性，对所述布料施加外部张力；

将布料张力和拉伸应变组成特征向量包括：

绘制多种所述布料的张力-拉伸应变曲线图；

当压板运动到布料绷紧时，为测量的力设置变化范围，采集达到恒定摩擦力时的拉伸应变；

每个输入集的特征向量由当前点的张力、当前点的拉伸应变、前一个点的张力、前一个点的拉伸应变以及对应的布料种类五个元素组成；

使用Levenberg-Marquardt算法对BP神经网络进行训练，Levenberg–Marquardt算法是对高斯牛顿的改进，在迭代步长上略有不同，性能函数是所有输入的误差平方和；当迭代参数使性能函数变大时，变为梯度下降法；在每次成功的迭代之后性能函数减小，变为高斯牛顿法。

2.根据权利要求1所述的布料处理方法，其特征在于，训练所述模型包括：

利用机械臂末端六维力传感器采集力和对应的力矩数据，获得布料张力；

根据机械臂拉伸布料时末端位姿的变化，获得布料拉伸应变；

布料张力和拉伸应变组成特征向量，作为神经网络的输入集，输出布料的延展性；

将专家估计的该特征向量下对应的作为神经网络的训练标签，与输出的布料延展性进行比较，直至误差最小，得到所述模型。

3.根据权利要求2所述的布料处理方法，其特征在于，获取布料的张力包括：

准备多个不同材质的布料样本；

将机械臂末端tcp的姿态调整到与工具坐标系一致，布料一端由安装在机械臂末端的压板压紧，另一端由压脚固定在缝纫机上；

测量压脚与末端之间的布料长度，将末端在基坐标系下的位姿作为运动起点，改变末端横轴的大小，使机械臂压紧布料向外水平移动与布料长度相等的距离，将此时机械臂的末端位姿作为运动终点，通过六维力传感器记录机械臂压紧布料向外水平移动过程中测量到的力和力矩；

分别对力和力矩进行卡尔曼滤波，去除噪声后，对力和力矩合成，得到布料张力；

保持机械臂末端运动的起点和终点不变，对多个布料分别拉伸多次，采集布料张力数据。

4.根据权利要求3所述的布料处理方法，其特征在于，获取布料的拉伸应变包括：

机械臂从起点运动到终点的过程中，布料的拉伸应变由0增加到100%，根据位姿的变化量，计算此时的拉伸应变；

保持机械臂末端运动的起点和终点不变，对多个布料分别拉伸多次，采集拉伸应变数据。

5.根据权利要求4所述的布料处理方法，其特征在于，将专家估计的延展性作为神经网络的训练标签，对神经网络进行监督训练包括：

通过定性的语言值来表达对布料延展性的评价，得到五个不同的延展性区域：“非常低”、“低”、“中等”、“高”和“非常高”，对应的延展性分别用0.1、0.3、0.5、0.7和0.9表示；

将所有布料的张力-拉伸应变曲线划分五个不同的延展性区域中，赋予期望的延展性数值；

将输入集和期望延展性输出作为训练库的一个样本，使用Levenberg-Marquardt算法对BP神经网络进行训练，性能函数是所有输入的误差平方和；

当迭代参数使性能函数变大时，变为梯度下降法；在每次成功的迭代之后性能函数减小，变为高斯牛顿法；

对于每个输入集，计算网络输出估计的延展性，与期望延展性输出进行比较，产生误差，以训练网络。