采摘機械手結構和控制系統優化—基于神經網絡武術套路訓練

巴 旭

(河南科技學院新科學院，河南 新鄉 453003)

0 引言

武術套路訓練時，動作誤差的糾正有助于學習者快速地掌握武術動作要領，使攻防動作能夠快速、準確地命中目標。采摘機械手的設計主要需要考慮兩方面的問題：一是機械結構，要求外形簡單、美觀大方、經濟實用；二是機械手的作業性能，需要能夠很好地躲避障礙物，具有最佳的工作空間、盡量少的自由度及合理的結構，而且在作業的過程中能夠很好地避開運動死區的位置。為了實現這個目標，可以將武術動作誤差訓練過程引入到采摘機械手控制系統設計和機械結構優化中，如利用勾拳形狀優化機械手手指結構，使其具有更加靈活的動作。因此，采用武術動作誤差訓練的神經網絡PID控制算法對系統進行設計，將明顯提高機械手的設計效率，對于現代化自動作業機器人的改進和升級具有重要的意義。

1 武術動作套路訓練及其在機械手結構優化中的應用

沖拳是武術動作中最常用的動作之一，此動作較容易犯錯誤，包括沖拳無力、動作不規范、拳屈腕嚴重及出拳時在肩部沖出等，在進行武術沖拳動作訓練時需要對這些容易犯的錯誤進行糾正。針對沖拳無力，可以對學生強調出拳的快速性，進行擰腰順肩等技術動作訓練；針對沖拳目標不準，可以對學生進行擊靶訓練；針對拳面不平屈腕問題，可以講解沖拳的作用力分析等。

手形關鍵動作部位是勾尖和勾頂，動作訓練時需要五指撮攏成勾、屈腕，其動作誤差主要是松指，腕沒有扣緊，因此在進行修正誤差訓練時需要著重講解勾手的攻防作用。沖拳和勾拳都是較為精準的動作，其完整的武術動作套路訓練可以使學習者達到精準攻防的目的，如果將這些動作套路及誤差訓練方法應用在采摘機械手的結構優化和控制系統設計中，如利用沖拳關鍵動作設計機械結構，使機械手可以在較小的動作范圍內精準的采摘到果實作物，采用勾拳形狀可以使采摘機械手終端采摘果實更加靈活，從而有效地提高采摘機械手的設計效果。

2 基于神經網絡的動作誤差訓練算法

武術套路對于采摘機器人動作的精準控制具有重要的影響，特別是沖拳的關節動作和勾拳的拳形，有助于采摘機械手機械結構和控制系統的優化。使用武術套路對采摘機械手進行動作訓練時，往往會產生較大的誤差，使機械手動作偏離采摘目標，而采用PID控制算法可以通過反饋調節的方式降低誤差。其控制原理如圖1所示。

運用PID控制器可以對采摘機器人的武術動作訓練誤差進行校準，通過對誤差的反復校驗，達到精確控制的目的。其控制方程為

(1)

圖1 PID控制器原理圖Fig.1 The schematic diagram of PID controller

其中，kp表示積分系數；ki表示微分系數；T表示采樣周期；e表示計算誤差。為了進一步提高控制精度，降低控制誤差，可以采用神經網絡訓練算法對PID參數進行調節。調節原理如圖2所示。

圖2 神經網絡算法PID控制原理Fig.2 The PID control principle of neural network algorithm

神經網絡算法PID算法的控制結構包括神經網絡輸入層、輸出層及隱含推理層。輸出層的控制采用增量式PID算法進行控制，其表達式為

Δu(Q)=kp[e(Q)-e(Q-1)]+kie(Q)+
kd[e(Q)-2e(Q-1)+e(k-2)]

u(Q)=u(Q-1)+Δu(Q)

(2)

基于神經網絡PID控制算法的具體步驟如下：

1)確定神經網絡結構。其中，包括各種權重系數、輸入輸出節點、隱含層數及各種系數。

2)計算神經網絡的實時控制誤差error(k)=rin(k)-yout(k)。

3)采用預設參數的方法，對kp、ki、kd等3個參數進行調整，使控制響應達到最佳狀態。

4)計算PID控制器的輸出u(k)。

5)進行設計網絡訓練，反復調整權重系數，實現PID參數的自動調控。

6)置k=k+1，返回到第1步。

算法流程圖如圖3所示。

圖3 神經網絡算法流程圖Fig.3 The flowchart of neural network algorithm

根據武術動作套路的動作規范，在對采摘機械手進行訓練時，首先可以對動作樣本進行預設，然后通過計算實時誤差，采用神經網絡PID算法對誤差進行調節，并達到迅速響應的目的，最后提高動作控制的精度。

3 基于武術套路訓練的采摘機械手結構優化和控制系統測試

本節中主要結合第1節的武術動作的勾拳沖拳和勾拳形狀，對采摘機械手進行結構優化，依據神經網絡誤差訓練方法，對控制系統進行測試。沖拳動作機械手結構優化如圖4所示。

圖4 沖拳動作機械手結構優化Fig.4 The structure optimization of punching manipulator

根據武術訓練的沖拳動作，對采摘機器人的關節進行了優化設計。優化過程主要根據果實的位置信息，結合勾拳得動作形狀，對關節的彎曲角度進行了優化，從而使采摘機械手的動作更加準確。

勾拳手形結構優化如圖5所示。在進行較小作物果實的采摘時，采摘手形對采摘質量的影響較大，采用勾拳手形動作可以降低果實的破損率，且通過反復訓練，可以提高采摘速度。為此，對機械手的采摘范圍進行了測試。

圖5 勾拳手形結構優化Fig.5 The hook shape structure optimization

圖6為通過測試得到的采摘范圍二維平面圖。測試結果表明：采摘機器人可以對左右浮動30cm×100cm范圍內的果實進行采摘。

圖6 采摘范圍二維測試結果Fig.6 The two dimensional test results of picking range

采摘機械手的三維動作測試范圍如圖7所示。測試結果表明：采摘機械手可以實現三維的空間動作，并且動作范圍滿足果實采摘的需求。為了進一步驗證神經網絡訓練算法的效果，對普通PID控制和神經訓練PID的參數進行了測試，分別得到了如圖8和圖9所示的結果。

圖7 采摘機械手三維動作范圍Fig.7 The three-dimensional range of motion of a picking manipulator

圖8 PID控制參數變化曲線Fig.8 The change curve of PID control parameters

圖9 神經PID參數變化曲線Fig.9 The change curve of neural PID parameters

由圖8可以看出：采摘機器人的動作響應較為迅速，最大響應時間僅為1s，1s之后便可以達到穩定的狀態。

由圖9可以看出：采用神經網絡算法訓練后，采摘機械手的控制僅在600s內就可以達到穩定狀態，有效地提高了機械手的反應速度。

圖10為神經網絡訓練次數對應的動作誤差曲線。圖10表明：隨著神經網絡訓練次數的增多，采摘機械手的動作呈現下降的趨勢，最后使誤差降低到最小，從而驗證了基于武術套路訓練的神經網絡算法對采摘機械手控制系統的優化作用，提高了采摘機械手的作業性能。

圖10 誤差響應曲線測試Fig.10 The curve test of error response

4 結論

為了使采摘機械手具有更好的靈活性，提高其作業性能，將武術套路誤差糾正訓練算法引入到了采摘機械手的設計過程中，通過勾拳拳形對機械手的末端進行了結構優化。通過神經網絡PID控制算法，對機械手控制系統進行了優化升級，從而提高了機械手的動作速度和準確性。為了驗證設計方法的可靠性，對采摘機械手進行了動作范圍和動作誤差的實驗，結果表明：采用神經網絡誤差訓練方法對采摘機械手進行訓練后，其二維和三維空間動作范圍都可以滿足采摘需求；同時，利用設計網絡PID控制器后，其動作響應速度有了明顯的提高，動作誤差也隨著訓練次數的增多而降低，從而有效地提高了機械手的作業性能，可以滿足高精度復雜環境下作業的需求。