基于機器學習與自適應PID調節的工業機器人路徑跟蹤方法

歐群雍，張吉同，李喜華

（鄭州工業應用技術學院 信息工程學院，鄭州 451150）

0 引言

在機械制造業領域技術裝備改造和升級的當下，工業機器人因具有較高的智能性和可控性而得到了廣泛的應用。在制造生產線上，全自動工業機器人能夠替代人工完成重復性工作，不僅有效提高了制造效率，還能節省資源、降低成本[1]。

路徑跟蹤技術是工業機器人的核心技術之一。路徑跟蹤配合路徑控制能夠保證機器人按既定路線移動。為此，文獻[2]中提出了一種基于模糊算法的機器人路徑跟蹤方法，該方法根據機器人所處的環境動態規劃其移動路徑，然后通過構建函數關系計算路徑中各點的曲率，再利用信號產生器、反饋控制器實時跟蹤機器人的移動路徑。文獻[3]中提出了一種基于激光雷達的移動機器人路徑自動跟蹤方法，該方法通過舵機模塊和速度檢測模塊來監測機器人的移動速度，從而分析其在移動時受到的影響，然后通過采集相關的激光數據，可視化監測機器人的真實移動路徑。

基于上述研究，本文將機器學習技術應用到機器人移動路徑自動跟蹤工作中，配合自適應PID調節技術控制移動路徑跟蹤時偏差，從而獲得更準確的移動路徑跟蹤結果。

1 工業機器人路徑跟蹤方法設計

本研究首先利用機器學習技術中的卷積神經網絡得到工業機器人路徑的初步跟蹤結果，然后利用自適應PID調節技術智能調整跟蹤誤差，從而獲得精確的路徑跟蹤結果。

1.1 基于機器學習技術跟蹤工業機器人路徑

1.1.1 采集工業機器人移動場景圖像

采用分辨率為2048×1536的自動曝光模式，利用 CCD相機對工業機器人移動場景圖像進行采集，并將采集到的場景圖像保存至統一的環境中。具體的采集步驟如圖1所示。

圖1 工業機器人移動場景圖像采集方案

如圖1所示，將圖像采集卡與CCD相機和嵌入式板相連接，利用圖像傳輸天線和圖像接收天線組成圖像傳輸模塊，通過圖傳與數傳兩個渠道同時完成對工業機器人移動場景圖像的準確采集。

在使用CCD相機拍攝圖像時，盡可能使相機鏡頭與機器人所移動平面平行，防止采集到的路徑信息出現明顯的變形[4]。采集到的場景圖像如圖2所示。

圖2 工業機器人移動場景圖像示例

1.1.2 工業機器人移動場景圖像預處理

圖像歸一化處理是卷積神經網絡模型訓練前的重要預處理步驟。采用歸一化操作對采集到的圖像數據實施統一的量化處理后，可以有效降低某些圖像特征被忽略的情況。且輸入歸一化圖像數據集后，卷積神經網絡訓練過程的收斂速度將大大提高。

對工業機器人移動場景圖像實施歸一化處理的作用是呈現樣本的統計分布，將數據區間歸一化為[0，1]，則區間呈現坐標分布。為此，本研究采用Z-score方法將工業機器人移動場景圖像數據歸一化至[0，1]區間內，以滿足卷積網絡模型對輸入數據的要求，過程如下：

式(1)中，X表示工業機器人移動場景圖像數據，v表示圖像中有效數據的均值，參數σ2表示圖像數據的方差。

1.1.3 利用卷積神經網絡初步跟蹤工業機器人路徑

本研究利用機器學習技術中的卷積神經網絡提取業機器人路徑特征，從而得到工業機器人路徑的初步跟蹤結果。

從結構上看，卷積神經網絡由輸入層、特征提取層和輸出層組成。其中，特征提取層包括一個或多個卷積層、池化層和全連通層，輸出層包括全連通層和分類器。

淫羊藿總黃酮提取物的HPLC指紋圖譜建立及其中8種成分的含量測定 ………………………………… 牛曉靜等（24）：3376

在機器人路徑特征提取過程中，卷積層會接收前一層的特征映射，并利用當前層的卷積對其進行仿射。計算運算結果，通過激活函數得到該層的特征映射：

式(3)中，down(·)表示下采樣函數，ωn`i表示第n下采樣層第i個卷積核的權重。基于此，重新代入提取到的工業機器人路徑特征Z(X)，通過網絡訓練和迭代，即可得到初步的工業機器人路徑跟蹤信息。

識別工業機器人路徑信息需要設置一個對比標準，明確路徑信息與背景信息之間的區別，并按照之前提取的路徑特征設置具體的對比標準圖譜。然后計算圖譜中的標準路徑特征與卷積神經網絡中提取的路徑特征之間的相似度，實現路徑特征的匹配，過程如下：

式(4)中，cx和cy分別表示卷積神經網絡中提取的路徑特征和圖譜中的標準路徑特征。在此基礎上，對與圖譜中的標準路徑特征高度相似的路徑信息Cx做融合處理，得到初步的工業機器人路徑跟蹤信息Cx。

1.2 跟蹤結果的自適應PID調節

在上述的研究過程中，在采集機器人移動場景圖像信息后，將其輸入到卷積神經網絡中，借助于機器學習技術獲得了初步的工業機器人移動路徑跟蹤結果。

圖3 自適應PID調節過程示意圖

由于被調節對象為工業機器人，誤差收斂趨勢會影響輸出移動路徑偏差值，因此，需指明參考路徑，并依照評估結果調整新的收益參數，傳輸給PID執行端，從而獲得較快的收斂效果。自適應PID的增益為：

式(5)中：K(t)表示自適應PID增益，K0表示常數，ΔK表示自適應PID增益變化值。

卷積神經網絡的收斂速度相對較好，但依舊存在路線誤差，為此，設計如下自適應PID路徑調節規律：

式(6)中：PID增益常數部分為kP0、kI0、kD0。

由于工業機器人移動路徑信息輸出結果不是單一變量，所以跟蹤過程會根據外界環境而自適應隨機變化。因此，本文利用Actor-Critic網絡選擇高斯分布明確隨機路徑跟蹤概率，則存在：

依據式(6)所示的路徑調節規律，由Actor-Critic網絡構建卷積神經網絡調節器模塊，可根據參考路徑預測和實際誤差的輸入，判斷輸出的增益值函數值，自學習調整增益輸出。增益部分的信息可變部分使用隨機測試，從而得到最終工業機器人路徑跟蹤結果如下：

2 實驗與分析

為了驗證上述設計的基于機器學習與自適應PID調節的工業機器人路徑跟蹤方法的實際應用效果，設計如下仿真實驗過程。

2.1 實驗設計

實驗設定采用MATLAB仿真平臺跟蹤工業機器人的移動路徑。設置直線移動和曲線移動兩種移動方式：

1）直線移動時工業機器人范圍為10m×10m，其移動初始點(0，0)、結束點(10，10)，輸入角速度為0.5rad/s，線速度為0.15m/s。

2）曲線移動時：工業機器人在圓x2+y2=r2(r=3m)范圍內移動，工業機器人初始和終止位置都為(-2，2)，輸入角速度為0.1rad/s，線速度為0.3m/s。

2.2 路徑跟蹤效果分析

利用本文方法跟蹤工業機器人在直線移動和曲線移動情況下的路徑，并與其真實路徑進行對比，得到測試結果如圖4、圖5所示。其中，實線為跟蹤得到的機器人移動路徑，虛線為機器人的實際移動路徑。

通過觀察圖4、圖5可以看出，兩條跟蹤路徑基本吻合，說明本文方法跟蹤得到機器人移動路徑與真實路徑之間的差距較小，實現了有效降低跟蹤偏差的目的。這是因為本文方法在利用機器學習技術中的卷積神經網絡得到工業機器人路徑的初步跟蹤結果后，又通過自適應PID調節技術智能調整跟蹤誤差，在實際跟蹤結果與真實值之間存在偏差時，按定額或標準來進行糾正，從而獲得了更為精確的路徑跟蹤結果。

圖4 直線移動路徑跟蹤效果圖

圖5 曲線移動路徑跟蹤效果圖

在此基礎上，為了進一步驗證本文方法的應用效果，以跟蹤數據傳輸耗時為指標，對本文方法、文獻[2]方法、文獻[3]方法的時效性展開檢驗，得到結果如圖6所示。

圖6 不同方法跟蹤數據傳輸耗時測試結果

通過觀察圖6所示結果可以看出，隨著工業機器人移動場景圖像數據量的增加，不同方法跟蹤數據傳輸耗時也隨之增加。但相比之下，本文方法的跟蹤數據傳輸耗時始終少于兩種傳統方法。這是因為本文方法在采集工業機器人移動場景圖像后對其實施了歸一化處理，以滿足卷積網絡模型對輸入數據的要求，然后針對輸入到模型中的路徑信息，將其與圖譜中的標準路徑特征高度相似的路徑信息做融合處理，快速得到工業機器人路徑跟蹤信息。

3 結語

現代社會制造業離不開工業機器人的技術發展，針對工業生產中應用廣泛，重復性的任務操作，機器人的路徑跟蹤問題成為重要關注點。為此，本文分析了工業機器人移動路徑自動跟蹤及軌跡誤差問題，利用機器學習中的卷積網絡模型和自適應PID調節技術，得到了精準的工業機器人路徑跟蹤信息，有效降低了學習時間和跟蹤偏差，使機器人的工作效率明顯提高。

仿真實驗中，無論是直線還是曲線移動路徑任務，本文方法控制下機器人均能實現精準的跟蹤，且數據傳輸過程的時效性較高，證明本文方法具有較高的應用優勢。