排球運動規劃在采摘機器人識別與定位中的應用

王 剛

(河南藝術職業學院 公共教學部,鄭州 450002)

0 引言

在排球比賽過程中,為了找到最佳的扣球動作,采用排球機器人進行訓練是一種可行的方法,通過該方法可以找到合適位置出手點、角度和力度等優化數據。排球機器人主要由兩部分構成,包括規劃模塊和執行模塊。其中,規劃模塊根據球的運動狀態及扣球策略確定扣球動作,并完成機械臂的軌跡規劃;執行模塊則按照規劃模塊生成的機械臂運動軌跡,執行扣球動作。為了提高機器人的智能化程度,引入了人工智能算法。人工神經網絡是一種智能化的訓練算法,可以實現低誤差的自動反饋調節,將其使用在排球訓練策略上,可以使排球機器人更加迅速地對情景做出反應,從而提高排球運動規劃的決策水平。排球機器人的設計方案完全適合采摘機器人的設計,特別是動作規劃系統可以完全移植到采摘機器人的定位識別系統中,對于提高采摘機器人自主定位和識別能力具有重要的意義。

1 排球機器人動作自主規劃與訓練策略

在排球比賽過程中,扣球和攔網是主要的得分要素,特別是扣球的質量,在比賽的關鍵時間可以決定比賽的勝負。扣球動作規劃要求排球運動員具有較高的反應能力,能在較短時間內合理規劃好扣球動作,使排球即越過球網又能成功拿到分數。為了達到這個目的,需要運動員平時不斷地對動作進行訓練,才能在比賽較短時間內扣球出手時得到合適的角度。為了找到合適的扣球方法,可以采用排球機器人進行訓練,以找到合適位置出手點、角度和力度等優化數據。排球機器人正常扣球時的角度如圖1所示。

圖1 排球扣球正確動作規劃

排球機器人將排球扣球動作正確規劃后排球可以順利越過球網,并根據規劃的動作落到指定位置,如果動作規劃不正確,排球很容易沒有過網而失掉分數,如圖2所示。

排球機器人動作規劃錯誤會造成沒有過網或者出界等錯誤,為了使排球機器人具有較高的扣球得分率,還需要對排球機器人進行不斷的智能化訓練,如利用神經網絡智能化算法。整個排球機器人的設計主要包括4部分,其總體框架如圖3所示。

圖2 排球扣球錯誤動作規劃

圖3 排球動作規劃機器人總體框架

排球動作自主規劃機器人平臺包括處理器系統、傳感器系統、執行機構和通信系統,利用傳感器可以對扣球的一些動作信息進行采集,然后反饋到處理器,以對扣球動作進行相應的調整。扣球動作的主要完成機構是執行機構模塊,且排球機器人還具有通信系統,可以將動作信息傳遞給遠程端,還可以通過遠程控制的方式對機器人進行動作指揮或者應急控制。

2 排球機器人動作規劃在采摘機器人定位系統中的應用

排球機器人可以通過傳感器系統和信息系統對動作規劃進行不斷調整,最后實現最佳的扣球動作。排球機器人和采摘機器人控制系統的工作原理類似,采摘機器人要想達到合理的采摘精度,需要對果實進行高精度的定位,高精度的定位系統離不開采摘信息反饋系統和動作規劃系統,因此可以將排球機器人的設計框架移植到采摘機器人的設計上,并采用智能化算法對其動作進行不斷地訓練。其主要流程如圖4所示。

圖4 采摘機器人設計流程

為了提高采摘機器人的定位和識別精度,還需要利用高效的智能化算法對其動作規劃進行不斷的訓練。人工神經網絡算法是目前常用的一種智能化優化算法,其主要模擬人的神經網絡工作過程,利用電路或者控制程度來實現智能優化過程。人工神經網絡模型如圖5所示。

圖5 人工神經網絡模型

與人類神經元工作模式類似,人工神經網絡可以對輸入的數據進行處理,然后得到合理的決策數據后輸出。在采摘機器人進行定位時,可以假設待采摘果實為凸多邊形,其數學表達式為

(1)

其中,果實的邊數可以用m表示;p1,p2,…,pR為輸入的訓練數據;ω1,ω2,…,ωR表示連接權值;θ表示偏置信值,果實的(x,y)點都在不等式約束的范圍之內。

假設直線上有確定的兩點p1(x1,y2)和p2(x1,y2),則權值和置信值可以分別表示為

(2)

受到風力和采摘環境的影響,待采摘果實往往會發生一些移動,假設待采摘果實做平移動作,各個參數都可以進一步簡化,其中各個邊的ωx、ωy不變,于是可得θM的更新公式為

ΔθM=-ωxpx-ωypy

(3)

其中,px、py分別是平移向量p在x軸、y軸上的投影分量。假設橢圓的兩個端點分別是A1(x1,y2)和A2(x1,y2),其2a長軸可表示為

(4)

長軸與x軸正方向的夾角θ0為

(5)

橢圓的中心C(x0,y0)為

(6)

假設短軸的一個端點為B1(x3,y3),則短軸的長度2b為

(7)

有了a、b、θ0這些參數,就可以對神經網絡參數進行更新,其神經網絡的第一層的偏置值按下面的公式更新,即

(8)

(9)

如果活動的障礙物為其他形狀,還可以根據需要進一步拓展模型。采用神經網絡模型,可以按照一定的規則通過樣本數據進行不斷的訓練,得到合理的識別和定位決策,如圖6所示。

采摘機器人在智能化訓練過程中,可以通過神經網絡的樣本訓練,利用數據分析和訓練動作的不斷優化,形成精度較高的采摘動作規劃方法,最后通過不斷的分析比較,形成思維決策能力。

圖6 采摘機器人智能訓練過程

3 采摘機器人定位識別功能測試

根據排球機器人運動規劃系統的原理,將人工神經網絡算法嵌入到了采摘機器人的軟件模塊中,以實現機器人的快速和高精度的定位識別功能。其軟件系統的基本結構框架如圖7所示。

圖7 采摘機器人軟件結構框架

采摘機器人的主控計算機軟件模塊主要分為4部分,包括視覺處理模塊、路徑規劃計算模塊、機器人主控制模塊和通信模塊。其中,視覺模塊主要功能是對待采摘果實的識別;路徑規劃模塊通過人工神經網絡算法得到最佳的果實定位識別路徑,為采摘機器人的動作行為提供運動策略。軟件模塊采用Windows平臺,圖像處理模塊采用DirectX+OpenCV 開發, 通信模塊采用DSP芯片進行控制,從而實現采摘機器人的智能化定位過程。待采摘蘋果如圖8所示。

圖8 待采摘蘋果示意圖

為了驗證方案的可行性,以采摘蘋果作為試驗目的,通過軟件智能控制采摘機器人的方式對蘋果的識別和定位成功率進行測試,以驗證人工神經網絡算法的可靠性。測試過程中,分別對人工神經網絡、蟻群算法、禁忌搜索算法和貝葉斯算法進行了數據統計,統計結果包括算法的響應時間和響應完成,如表1所示。

表1 決策響應時間和響應誤差表

由表 1可以看出:采用人工神經網絡算法響應時間最短,響應誤差也最小,是最佳可選的智能算法。

表2 定位時間和采摘成功率統計結果

由表2可以看出:采用4種智能算法的果實成功采摘率都較高,人工神經網絡算法是最高的,且定位時間也是最短的,將其使用在采摘機器人定位識別系統中是可行的。

4 結論

為了提高采摘機器人的自主定位和識別能力及采摘效率和準確率,將排球機器人運動規劃方案使用在了采摘機器人控制系統的設計上,并對機器人采摘的效率和成功率進行了測試,以驗證方案的可行性。測試結果表明:對于蘋果的成功采摘率較高,且定位時間也較短,系統的響應誤差較小,響應速度較快,可以滿足果實快速高精度采摘的設計需求。對不同的人工智能算法分別進行了測試,其中4種智能算法的成功采摘率都較高,人工神經網絡的精度是最高的,也是響應最快的。因此,人工智能算法的使用對于提高采摘機器人的智能化和自動化水平具有重要的意義。