基于AI深度學習的機器人碰撞預估計控制器設計

王 敏

(陜西郵電職業技術學院，陜西 咸陽 712000)

0 引言

機械自動化進程不斷加快，工業生產過程中的各種設備也在不斷更新，很多行業已經實現從手工作業到智能化作業的轉換。在工業制造過程中，智能機器的工作效率高于人工工作形式，機器人能夠精確地接收指令，實現自動化，具有高度的智能性和高效性。

AI深度學習是結合人工智能與深度學習思想的應用技術，可以在分析樣本數據內在規律與表示層次的同時，提出更加智能化的處理方法。深度學習技術是在傳統機器學習理論基礎上，衍生出來的新型應用技術，其應用目標在于為人工智能技術服務，可以通過分析文字、圖片、視頻、音頻等信息的方式，挖掘待學習的數據樣本，再借助計算機網絡或其他設備結構，實現對潛在信息的處理[1-2]。然而單純的人工智能和深度學習都不足以保證機器能夠像人一樣具有學習或是分析的能力，這也直接導致了誤差學習行為的出現。AI深度學習技術的出現，將AI技術、深度學習技術結合起來，既實現了對數據樣本的挖掘與處理，也可以確保機器能夠具有與人類似的學習能力。

隨著工業機器人的不斷發展，如何避免運動碰撞，從而延長機器零件的使用壽命成為了一項亟待解決的問題。隨著機器人工業的不斷發展，如何避免運動碰撞，從而延長機器零件的使用壽命成為了一項亟待解決的問題。文獻[3]提出基于ARM+DSP和視覺傳感器的控制系統。以視覺體系為基礎，利用MatLab 7.0軟件模擬機器人運動行為，又通過全面規劃避障路徑的方式，確定在發生碰撞時，障礙物與機器人實際碰撞部位的具體接觸面積。文獻[4]提出基于EtherCAT總線的控制系統.首先聯合工控PC機、AM4377設備和EtherCAT主站，建立了硬件平臺結構，然后又借助Windows系統開發人機交互模式，最后經由“Linux+XenomAI”雙模式平臺，輸出核心控制指令。

上述兩種系統可以有效控制機器人運動速率，從而使碰撞過程中的力學作用效果不至于太過明顯，然而卻不能有效控制機器人與障礙物碰撞部位的接觸面積，很難保證機器零件不受到磨損影響。針對上述情況，設計基于AI深度學習的機器人碰撞預估計控制器，并通過對比實驗的方式，突出該系統的實用性價值。

1 預估計控制器整體結構設計

預估計控制器整體結構的設計以主控板電路為基礎，借助伺服電機設備，對運動控制器與 PC感應裝置進行直接調度，本章節將針對相關設備元件之間的連接方式展開深入分析。

1.1 主控板電路

預估計控制器的主控板電路由人機交互電路、串口通信電路兩部分組成，前者提供伺服電機與運動控制器連接所需的直流電信號，后者提供 PC感應裝置與核心控制主機連接所需的交流電信號。

1)人機交互電路：

人機交互電路具有較強的電量互感能力，可以將+VDD端輸入的高壓交流電轉換成與之傳輸功率完全相同的低壓直流電，并可以借助SG設備與DG設備，將這些電量信號按需分配至下架用電元件之中[5]。所謂人機交互就是指機器人與電動機設備之間的電量交互關系，對于機器人碰撞預估計控制器而言，人機交互電路的存在能夠避免電流、電壓負載量過大情況的出現，且由電路內包含一個PC7/SCLK設備，未被完全利用的電量信號可被暫時存儲起來，不但節約了大量的電信號，也可以避免信號傳輸功率不平均情況的出現。分布于PC7/SCLK設備左端電阻的數值水平不完全相等，其中阻值水平較高的電阻負責承擔高壓傳輸電流，阻值水平較低的電阻負責承擔低壓傳輸電流，一般情況下，二者不會同時接入人機交互電路中，故而電路體系內電量傳輸信號不會出現混亂分配的情況，這也是機器人碰撞預估計控制器運轉過程中始終能夠得到良好電量供應的主要原因[6]。具體的人機交互電路連接結構如圖1所示。

圖1 人機交互電路示意圖

SG設備、DG設備同屬于變頻調節裝置，但兩者的工作模式完全相反，SG設備負責將交流信號拆分成直流信號，DG設備負責將未被消耗的直流信號整合成交流信號，從而避免了電量資源的浪費。

2)串口通信電路：

串口通信電路負責輸出交流電信號，以供核心控制主機與PC感應裝置的應用，該結構對人機交互電路輸出的直流電量信號進行二次處理，直至信號屬性被恢復為交流狀態，但其輸出頻率則會明顯低于外接電源設備的初始輸出標準[7]。SP3232EEN設備包含多個外部負載結構，允許多個交流電量的同時接入，可以在單位時間內，快速完成對電量信號的轉換處理。USART設備是具有多線路整合能力的變電裝置，且經其整合處理后，傳輸信號的帶電量得到累計，對于機器人碰撞預估計控制器而言，執行控制指令時，可供選擇信號的總量增大，非可控行為的出現幾率也就明顯減小。具體的電路連接結構如圖2所示。

圖2 串口通信電路示意圖

由于電路內同時負載兩個+VDD端口與兩個-VCC端口，所以電量信號的傳輸通路不唯一，機器人碰撞預估計控制器設備在運行過程中不會出現電量供應受阻的情況[8]。

1.2 伺服電機設備

伺服電機設備作為人機交互電路、串口通信電路的下級負載元件，由主軸承、電動元件兩部分組成。為避免機器人碰撞預估計控制器外表面帶電，在主軸承元件、電動元件外部設置加大加厚的塑料外殼，一方面為內部結構提供保護，另一方面也起到隔絕電流的作用。主軸承部分包括一個出軸、一個軸封、一個定子和一個轉子[9]。其中，軸封外表面遠大于出軸結構，后者具有自動旋轉的能力，且在其轉動過程中會產生大量的直流電信號，這些電信號可供機器人碰撞預估計控制器元件直接利用，以使其完成整個運動流程。定子、轉子是兩個完全固定的設備元件，前者只能暫時承載電流信號，后者則可以根據電流信號強度，對軸封設備與出軸元件之間的連接緊密程度進行調節[10]。伺服電機設備的結構簡圖如圖3所示。

圖3 伺服電機設備的結構簡圖

主軸承部分、電動元件部分之間留有狹縫，當伺服電機設備所提供電流信號過多時，塑料外殼可能會在電流同化作用下，呈現帶電狀態，而狹縫結構則可以在臨界帶電情況下，將多余電流信號導出，以維持塑料外殼的絕緣屬性。

1.3 運動控制器

運動控制器提供機器人碰撞預估計控制器運行所需的動力信號，可以同時驅動X軸、Y軸、Z軸3個方向上的電機動力裝置，從而使得控制器元件具有全方位運動的能力，結構模型如圖4所示。

圖4 運動控制器連接結構

三軸電機驅動器同時控制PC104主板。當X軸驅動器作用效應較為明顯時，機器人碰撞預估計控制器保持橫向運動狀態，PC104總線接口輸出橫向運動的指令，伺服電機設備所輸出電量信號也就更趨近于橫軸位置[11-12]；當Y軸驅動器作用效應較為明顯時，機器人碰撞預估計控制器保持縱向運動狀態，PC104總線接口輸出縱向運動的指令，伺服電機設備所輸出電量信號也就更趨近于縱軸位置；當Z軸驅動器作用效應較為明顯時，機器人碰撞預估計控制器保持轉環式運動狀態，PC104總線接口輸出轉環式運動的執行指令，伺服電機設備當前情況下會輸出大量的電壓與電流信號，但由于轉環式運動不具有明顯方向性，所以這些信號也就不會呈現出方向性堆積的表現特征。

1.4 PC感應裝置

PC感應裝置負責處理機器人碰撞預估計控制器運行過程中可能出現的指令程序，由信號獲取子模塊、核心感應子模塊兩部分組成，可以根據運動控制器元件的運行特點，更改機器人運動曲線，從而避免機器人設備與外部障礙物發生嚴重碰撞行為，達到延長機器零件使用壽命的目的[13]。控制指令輸入位置為信號獲取區域，MRPC端口、MVPC端口同時獲取指令文件進行服務，前者主要負責判斷機器人當前所處運動位置，后者則負責判斷障礙物節點與機器人節點之間的具體間隔距離。完成處理的指令文件經由ACJ主芯片進入N470感應裝置之中。ACJ主芯片具有較強的信息預處理能力，可以根據反饋信息實現對指令執行步長的估計，從而避免電量信號發生冗余現象。PC電極板、電池包負責存儲主控板電路、伺服電機設備輸出的電量信號，并可以根據機器人碰撞行為的可能表現強度，完成對電量信號的按需分配[14]。PC感應裝置連接簡圖如圖5所示。

圖5 PC感應裝置應用原理

為避免PC感應裝置出現不及時響應的情況，指令程序信息的傳輸方向只能由信號獲取區域指向核心感應區域。

2 目標對象檢測

機器人碰撞預估計控制器對于目標對象的檢測，需在PyTorch深度學習框架的基礎上，推導激活函數，并根據預估計參數取值范圍，實現對障礙物目標的精準定位。

2.1 PyTorch深度學習框架

PyTorch架構是實現AI深度學習技術的基礎，可以針對機器人運動碰撞數據進行定向提取，并借助激活函數條件，確定預估計參數的取值范圍，以便于主機元件制定可供控制器元件直接執行的控制指令程序。PyTorch是一個保持開源狀態的機器學習庫結構，能夠長期存儲算法執行所需的數據信息參量，可以按照函數表達式的具體制定要求，更改信息與信息之間的映射關系，從而在保證主機運行速率的同時，準確求解指標參量的具體數值[15-16]。對于AI深度學習理論而言，PyTorch架構的目的是根據已獲取的機器人運動碰撞數據，求解得到準確的預估計參數，并通過執行指令的程序，確定控制器設備的實際運動趨勢，從而使得主機元件能夠準確掌握機器人碰撞預估計控制器的運行能力。PyTorch深度學習框架的定義形式如圖6所示。

圖6 AI深度學習技術的PyTorch架構

PyTorch框架對于機器人運動碰撞數據的存儲能力并不能達到無窮大，因此利用AI深度學習技術提取數據樣本時應滿足如下表達式：

(1)

2.2 激活函數

激活函數就是遵循AI技術與深度學習技術推導出的機器人運動碰撞數據標準取值表達式，在PyTorch架構體系中，該項函數條件決定了主機元件對于預估計參數的求解能力，對于控制器設備而言，激活函數所包含的定義條件越完善，其在執行控制程序指令時可能出現碰撞運動行為的幾率就越小[17-18]。完整的函數求解流程包含如下幾個環節。

1)激活系數：

激活系數決定了PyTorch架構對于機器人運動碰撞數據的處理標準，定義式為：

Z=αb+δ2

(2)

其中，α表示偏向度指標，b表示數據傳輸周期，δ表示數據處理參數。

2)值域指標：

值域指標可以理解為機器人運動碰撞數據的取值范圍，其求解結果與PyTorch框架對于數據樣本的承載能力直接相關，定義式如下：

(3)

3)激活函數標準定義式：

(4)

導向量取值等于零表示PyTorch架構未對機器人運動碰撞數據進行取值，但預估計控制器元件的設計默認碰撞行為存在，所以公式4)中β≠0的不等式條件恒成立。

2.3 預估計參數

預估計參數是主機元件綜合PyTorch架構存儲能力、激活函數條件所得到的數據處理結果，基于AI深度學習設計控制器元件時，為避免對機器人運動碰撞數據進行重復處理，應將預估計參數取值控制在低水平狀態[19]。所謂預估計就是指在正式執行控制程序指令時所得到的數據樣本判別條件，具有一定的不確定性，但由于控制器設備的運動行為沒有明顯方向性，所以這種不確定因素也并不會影響主機元件對機器人運動碰撞數據的處理結果[20]。設φ表示基礎判別參數，φ表示機器人運動碰撞數據預處理權限，sφ表示與φ參數對應的數據樣本取值，sφ-1表示與φ-1參數對應的數據樣本取值，聯立公式(4)，推導預估計參數求解表達式為：

表達式取值小于零，表示PyTorch架構當前所存儲機器人運動碰撞數據總量過大，此時需調整數據樣本取值，濾除冗余數據，使激活函數求解結果滿足精準調試控制器設備的應用需求。

3 機器人防碰撞運動路徑規劃

在AI深度學習算法的基礎上，分別求解力矩控制條件與碰撞強度指標，實現對機器人碰撞預估計控制器運動路徑的精準規劃。

3.1 力矩控制條件

(6)

如果最遠端力學作用距離、最近端力學作用距離沒有明顯數值差，則表示碰撞區域的相互作用面積較小，為保證力矩控制條件求解結果的精確性，可以求解上述兩項物理指標的平均值作為實際計算參數[22]。

3.2 碰撞強度

碰撞強度就是指單位作用區域內，外力碰撞作用的表現強度，受到接觸區域面積的直接影響。強度水平較低，表示當前碰撞力度不會對機器零件造成損壞，但為提升控制器設備的應用能力，在設計過程中，可適當增大碰撞強度指標的求解結果[23-24]。對于碰撞強度指標的求解滿足公式(7)。

(7)

其中，y表示彈性碰撞系數，λ表示運動曲線規劃系數，κ表示接觸區域評級標準，q′表示單位接觸區域內的碰撞力學作用系數。根據碰撞強度求解結果，規劃機器人防碰撞運動路徑，控制單位面積上的外部力學負載作用，降低機器人碰撞作用力。

4 實驗分析

本次實驗為驗證基于AI深度學習的機器人碰撞預估計控制器的有效性，以基于ARM+DSP和視覺傳感器的控制系統(文獻[3]方法)、基于EtherCAT總線控制系統(文獻[4]方法)作為實驗對比方法，針對因碰撞作用力所帶來的機器零件損壞問題進行研究。

4.1 實驗原理

選擇T9Power3D型全自動機器人作為實驗對象，將3種不同的控制器執行程序輸入Windows主機之中，其中實驗組程序采取基于AI深度學習算法的編碼原則，將伺服電機設備、運動控制器、PC感應裝置通過人機交互電路與串口通信電路相連，根據PyTorch深度學習框架實現對目標機器人對象的檢測。通過力矩控制條件表達式規劃機器人的運動路徑，實現機器人碰撞預估計控制器設計。對照(1)組程序采取基于ARM+DSP和視覺傳感器算法的編碼原則，對照(2)組采取基于EtherCAT算法的編碼原則，分別將三組機器人置于相同的實驗環境中，如圖7所示，記錄在其他實驗條件保持一致的情況下，機器人與障礙物碰撞部位接觸面積的具體數值。

圖7 實驗原理簡圖

機器人在運動區域內保持自主行進狀態，3個障礙物所處位置在實驗過程中不會發生變化，所采用的控制器元件從開始運行直至實驗結束，其對于機器人與障礙物之間碰撞行為發生幾率的預測能力始終恒定，本次實驗默認不考慮其他外界干擾因素。

對于T9Power3D型全自動機器人而言，其在運動過程中與障礙物之間碰撞行為的表現強度可以用碰撞部位接觸面積來表示。根據公式：

F=μ×ΔR

(8)

可知，摩擦系數(μ)取值保持不變的情況下，碰撞部位接觸面積(ΔR)數值越大，力學作用強度(F)的計算數值就越大。本次實驗所選用障礙物最大面積為0.5 m2，規定：發生碰撞行為時，機器人與障礙物碰撞部位接觸面積小于最大面積的50%，可認為當前情況下，碰撞作用力可控，機器零件不會出現損壞。

4.2 結果分析

分別針對3個不同的障礙物對象進行實驗，具體實驗結果如圖8所示。

圖8 碰撞部位接觸面積(1)

分析圖8可知，實驗過程中，實驗組出現了2次不碰撞行為，對照(1)組、對照(2)組都出現1次不碰撞行為；發生碰撞時，實驗組碰撞部位接觸面積最大值僅為0.1 m2，小于對照組實驗數值。

分析圖9可知，實驗組又出現了2次不碰撞行為，對照(1)組沒有出現不碰撞行為，對照(2)組出現了1次不碰撞行為；發生碰撞時，實驗組碰撞部位接觸面積最大值為0.13 m2，依然小于對照組實驗數值。

分析圖10可知，實驗組僅出現了1次不碰撞行為，對照(1)組、對照(2)組則都沒有出現次不碰撞行為；發生碰撞時，實驗組碰撞部位接觸面積最大值相較圖8、圖9有一定程度的提升，但也僅能達到0.24 m2，仍然小于對照組實驗數值。

圖10 碰撞部位接觸面積(3)

綜上可知本次實驗結論如下：

1)基于ARM+DSP和視覺傳感器的控制系統、基于EtherCAT總線控制系統對于機器人與障礙物碰撞部位接觸面積的控制能力相對較弱，對于碰撞作用力的控制效果也就不能完全滿足實際應用需求；

2)基于AI深度學習的機器人碰撞預估計控制器在一定情況下可以避免碰撞行為的出現，對3個不同的障礙物碰撞部位接觸面積最大值分別為0.1 m2、0.13 m2、0.24 m2，能夠帶來較好的碰撞作用力控制效果，可以解決因強烈碰撞而造成的機器零件損壞的問題。

5 結束語

機器人碰撞預估計控制器設備的設計遵循AI深度學習算法，利用主控板電路，調節伺服電機設備、運動控制器等下級應用元件的運行，又根據激活函數條件，確定預估計參數的取值范圍，從而在合理控制力矩作用效果的同時，實現對碰撞強度指標的精準求解。與其他類型的控制設備與控制系統相比，AI深度學習算法較好解決了碰撞作用力過大的問題，對于延長機器零件使用壽命可以起到一定的促進性影響作用。