基于視覺的冗余型機械臂在按摩理療業的應用探討

何源 羅金良 嚴慶

摘 要：本文主要研究探討了冗余型機械臂在按摩、推拿這樣的醫療保健服務上的可操作性，針對OpenCV實現地機器視覺和工業機器人目前這兩大熱門技術進行有機結合，以實現工業機器人在攝像頭的監督下，能夠檢測、識別出人的背部位置，從而以此為基礎，機器人可以自動的為客人進行按摩服務，以節省人力成本。

關鍵詞：工業機器人；機器視覺；OpenCV；保健服務

隨著我國經濟快速而又持續的發展，各式各樣的服務業正在快速地發展開來，其中又以按摩、推拿這樣全靠人工的服務最為典型。但伴隨著我國經濟發展的是勞動力價格的逐年上升，經營一家按摩店，其中的人力成本要占去一塊很大的比例；并且從事按摩服務的服務員素質參差不齊，難以保證按摩服務在整個服務期間的質量。為了解決其中的矛盾，利用工業機器人來代替人的手臂去從給人從事按摩服務，不僅能夠把機器人穩定、精確和靈活性強的特點充分展現出來了，還大大降低了整個按摩理療業的經營成本，可以讓越來越多的人可以享受到按摩理療給人帶來的愉悅和健康。

1 機器臂的逆運動學

機器臂的運動學最關鍵、最重要的莫過于它的逆運動學的求解，這也是有關機械臂的研究中較熱門的領域。對于自由度數目不超過6的非冗余機械臂來說，對方程：r（t）=f（θ（t））進行求逆得到一個封閉形式的解：

其中r（t）、θ（t）分別對應的是機械臂末端執行器在t時刻的位姿、機械臂各關節在t時刻的旋轉角。直接利用（1）式對機械臂的關節角進行求解存在著形式復雜、計算量大以及不容易求得等的情況出現。且對于那些冗余型機械臂來說，一個末端執行器的位置可以求解出不止唯一一組對應的關節坐標，而Jun Wang等人在2001年發表的一篇文獻就很好地用雙神經網絡解決了有關冗余機械手逆運動學求解的問題[1]。它的方程形式為：

以（2）、（3）為基礎，通過設計好的神經網絡可快速地計算出各關節的關節坐標值。

2 機械臂視覺伺服控制

通過視覺來控制機械臂運動的核心是相機對目標體進行的位姿估計。在這個工程中，對相機來說，需要知道它的內在參數（焦距、感光器件上每個像素在水平和豎直兩個方向之間的距離、圖像平面與光軸的交點坐標）及其相對地面的位姿。對目標體來說，需要知道目標體上的若干個點相對于目標體坐標系的坐標值（即目標體的幾何形體），再通過算法計算出目標體上的這些點在圖象平面上對應的圖象坐標值。知道了上述的幾個參數，可以完成相機對目標體的位姿估計。

確定相機和目標體之間的位姿后，根據相機和機械臂之間具體的位置關系（相機固定在機械臂末端上的閉環結構或相機固定在周圍的環境里使相機和機械臂兩者互不干擾），得到機械臂末端執行器和目標體之間位姿。隨后就要通過機械臂的控制系統發送相應的指令使末端執行器移動到下一個位姿狀態，末端執行器此時就朝著目標體的方向移動一小段距離。在使末端執行器移動到一個已知的位姿時，必須要利用到上面的章節“機械臂逆運動學”里提到地逆運動學求解方法來快速地求得運動所需的各關節轉動角度。同時在這個過程中，相機對目標體和機械臂觀測得到的參數會不斷地傳輸給控制系統，直到末端執行器到達目標體所在位置為止。

3 人體背部的識別和確定

以上的兩個章節是事先知道目標在圖像平面里的坐標位置的前提條件下，我們的機械臂才能通過上面的方法運動到目標位置。事實上，我們是要自己想辦法去識別確定出相機所拍攝圖像里目標所對應的像素位置，為此我們可以利用OpenCV提供的圖像識別算法來對相機所得到的圖像進行處理、訓練，再到最后的識別確認。具體來講，對圖片的處理主要涉及到對圖片進行縮放、邊緣檢測、區域分割篩選等步驟，將分割篩選出的圖片用SVM進行歸類，判斷被歸類的圖片是否包含人體。如果圖片被判斷是包含人體的，則記錄這一圖片在原圖上所在的位置和區域，這一位置區域所對應的空間范圍就是機械臂末端執行器在進行按摩服務時所處的范圍。至此，整個的基于視覺伺服控制的、應用于按摩理療服務業的機械臂所需要的關鍵技術點被構建出來了。

4 總結

本文所設計地用于按摩理療的機械臂結合了機械臂逆運動學求解、機械臂視覺伺服控制和圖像識別這三大熱、難點技術，并針對這三種不同方向的技術難題找到適合我們這種機械臂工作的解決方案。文中所提到的這些方法優點是技術成熟、穩定以及可靠性高，不過由于本文的初衷只是對所設計地機械臂提出大致的解決方向和步驟，很多方法的具體實現過程就沒有被呈現出來了，這些欠缺的部分是需要日后逐步完善的。

參考文獻：

[1]Xia Y， Wang J. A dual neural network for kinematic control of redundant robot manipulators[J]. IEEE Transactions on Systems Man & Cybernetics Part B Cybernetics A Publication of the IEEE Systems Man & Cybernetics Society， 2001， 31（1）：147-154.

[2]Duguleana M， Mogan G. Neural networks based reinforcement learning for mobile robots obstacle avoidance[M]. Pergamon Press， Inc. 2016.

[3]巴焦劉波. 深入理解OpenCV ： 實用計算機視覺項目解析 ： Mastering OpenCV with practical computer vision projects[M]. 機械工業出版社，2015.

[5]Falk J E. Nonlinear Programming. Theory and Algorithms[M]. Wiley， 1979.

[6]Corke P. Robotics， Vision and Control： Fundamental Algorithms in MATLAB[M]. Springer Publishing Company， Incorporated， 2011.