一种基于触觉阵列信息的机械手抓取稳定性判断方法与流程
本发明涉及一种基于触觉阵列信息的机械手抓取稳定性判断方法，属于机械手对物体抓取稳定性判断方法领域。
背景技术：
触觉信息在机器人精细操作过程中的作用非常重要，也是目前机器人感知领域的研究焦点。对机器人而言，触觉是获取环境信息的一种重要感知方式。触觉本身有很强的敏感性，可直接测量对象和环境的多种性质特征。同时，触觉也是人类感知外部环境的一种基本模态。因此，为机器人引入触觉感知模块，不仅在一定程度上模拟了人类的感知与认知机制，又符合实际操作应用的强烈需求。
一般来说，机器人触觉传感器主要有检测和识别功能。其中检测功能包括对操作对象的状态、机械手与操作对象的接触状态、操作对象的物理性质进行检测；识别功能是在检测的基础上提取操作对象的形状、大小、刚度、纹理、温度等特征，以进行分类和物体识别。
随着现代传感器、控制和人工智能技术的发展，科研人员对包括灵巧手触觉传感器，以及使用所采集的触觉信息结合不同算法实现对于灵巧手抓取稳定性的分析开展了广泛的研究。
技术实现要素：
本发明的目的是提出一种基于触觉阵列信息的机械手抓取稳定性判断方法，通过对触觉信息的分析和整理，在最近邻算法的基础上，实现基于触觉阵列信息的机械手对物体的稳定抓取。
本发明提出的基于触觉阵列信息的机械手抓取稳定性判断方法，包括以下步骤：
(1)在机械手的三根手指上各设置24个触觉传感器，24个触觉传感器组成一个3x8的触点阵列；
(2)用步骤(1)的机械手抓取训练目标抓取物，获取触觉数据，以得到训练样本集Str，设训练样本集的个数为N，则训练样本集Str的表达式为：
Str＝{Str 1,Str 2,…,Str k，...,Str N}
其中，Str1,Str 2,…,Str k,...,Str N分别表示训练样本集Str中的第一个训练样本、第二个训练样本、…、第k个训练样本、…、第N个训练样本；
(3)用步骤(1)的机械手抓取待抓取物，获取待抓取物触觉数据SJ；
(4)对上述步骤(2)得到的训练样本集Str进行数据处理，具体过程如下：
(4-1)记训练样本集Str中的任意一个训练样本为SI，1≤I≤N，SI由三个触点阵列数据组成，即：SI＝[SI,F1,SI,F2,SI,F3]，其中SI,F1,SI,F2,SI,F3分别表示一个3×8×t1的触觉时间序列，t1为训练样本触觉数据采集时间；
(4-2)通过下式，求上述步骤(4-1)得到的3×8×t1的触觉时间序列的图像矩mpq：
其中，p+q＝0时，mpq为触觉时间序列的0阶图像矩，p+q＝1时，mpq为触觉时间序列的1阶图像矩，p+q＝2时，mpq为触觉时间序列的2阶图像矩；x为3×8×t1的触觉时间序列的行坐标，0<x≤3；y为3×8×t1的触觉时间序列的列坐标，0<y≤8，x,y取正整数；f(x,y)为对应坐标点处的触觉时间序列的值，R,C分别代表3×8×t1的触觉时间序列的行数和列数，R＝8,C＝3；p+q＝0,1,2，p和q有如下6种取值情况：p＝0，q＝0；p＝0，q＝1；p＝1，q＝0；p＝1，q＝1；p＝0，q＝2；p＝2，q＝0；
(4-3)训练样本SI经上述步骤(4-2)求图像矩mpq后，3×8×t1的触觉时间序列变为6×t1的触觉时间序列，得到训练样本SI'：
SI'＝[SI,F1',SI,F2',SI,F3']＝[sI1',sI2',...,sIi',...,sIn']
其中，SI,F1',SI,F2',SI,F3'分别为经求图像矩后得到的6×t1的触觉时间序列，sI1',sI2',...,sIi',...,sIn'分别为经求图像矩后后得到的触觉时间序列的第一个触觉向量、第二个触觉向量、…、第i个触觉向量、…、第n个触觉向量；n为训练样本SI'中的触觉向量数；
进而得到训练样本集Str'：
Str'＝{Str1',Str 2',…,Str k',...,Str N'}
其中，Str1',Str 2',…,Str k',...,Str N'分别表示经求图像矩后得到的测试训练集Str'中的第一个训练样本、第二个训练样本、…、第k个训练样本、…、第N个训练样本，N为训练样本数；
(5)对上述步骤(3)得到的待抓取物触觉数据SJ进行数据处理，具体过程如下：
(5-1)待抓取物触觉数据SJ由三个触点阵列数据组成，即：SJ＝[SJ,F1,SJ,F2,SJ,F3]，其中SJ,F1,SJ,F2,SJ,F3分别表示3×8×t2的触觉时间序列，t2为待抓取物触觉数据采集时间；
(5-2)通过下式，求上述步骤(5-1)得到的3×8×t2的触觉时间序列的图像矩gab：
其中，a+b＝0时，gab为触觉时间序列的0阶图像矩，a+b＝1时，gab为触觉时间序列的1阶图像矩，a+b＝2时，gab为触觉时间序列的2阶图像矩；c为3×8×t2的触觉时间序列的行坐标，0<c≤3；d为3×8×t2的触觉时间序列的列坐标，0<d≤8，c,d取正整数，f(c,d)为对应坐标点处的触觉时间序列的值，G,H分别代表3×8×t2的触觉时间序列的行数和列数，G＝8,H＝3；a+b＝0,1,2，a和b有如下6种取值情况：a＝0，b＝0；a＝0，b＝1；a＝1，b＝0；a＝1，b＝1；a＝0，b＝2；a＝2，b＝0；
(5-3)待抓取物触觉数据SJ经上述步骤(5-2)求图像矩gab后，3×8×t2的触觉时间序列变为6×t2的触觉时间序列，得到待抓取物触觉数据SJ'：
SJ'＝[SJ,F1',SJ,F2',SJ,F3']＝[sJ1',sJ2',...,sJj',...,sJm']
其中，SJ,F1',SJ,F2',SJ,F3'分别为经求图像矩后得到的6×t2的触觉时间序列，sJ1',sJ2',...,sJj',...,sJm'分别为经求图像矩后得到的触觉时间序列的第一个触觉向量、第二个触觉向量、…、第j个触觉向量、…、第m个触觉向量；m为待抓取物触觉数据SJ'中的触觉向量数；
(6)根据上述步骤(4)得到的测试训练SI'和步骤(5)得到的待抓取物触觉数据SJ'，构建一个n×m的欧氏距离矩阵网格，n为测试训练SI'的触觉向量数，m为待抓取物触觉数据SJ'的触觉向量数，矩阵元素(e,f)表示触觉向量sIe'与触觉向量sJf'之间的欧式距离d(sIe',sJf')：
d(sIe',sJf')＝(sIe'-sJf')2
其中，sIe'为训练样本SI'中的第e个向量，sJf'为待抓取物触觉数据SJ'中的第f个向量；
(7)从上述步骤(6)中构建的n×m的欧氏距离矩阵网格的(1,1)点开始，按下式计算出每一个矩阵格点的最小累加距离，构造成一个n×m的最小累加距离矩阵网格，最小累加距离γ(u,v)为向量sIu'和sJv'的欧式距离d(sIu',sJv')与到达该点的最小邻近累加距离min{γ(u-1,v-1),γ(u-1,v),γ(u,v-1)之和：
γ(u,v)＝d(sIu',sJv')+min{γ(u-1,v-1),γ(u-1,v),γ(u,v-1)}
其中，sIu'为训练样本SI'的第u个向量，sJv'为待抓取物触觉数据SJ'的第v个向量，γ(u-1,v-1)为从斜下方矩阵格点(u-1,v-1)到达当前矩阵格点(u,v)的累加距离，γ(u-1,v)为从左侧矩阵格点(u-1,v)到达当前矩阵格点(u,v)的累加距离，γ(u,v-1)为下方矩阵格点(u,v-1)到达当前矩阵格点(u,v)的累加距离；0<u≤n，0<v≤m；
到达n×m的矩阵网格的终点(n,m)后，得到训练样本SI'和待抓取物触觉数据SJ'之间的最小累加距离γ(n,m)；
(8)遍历训练样本集Str'，重复步骤(6)和步骤(7)，分别计算待抓取物触觉数据SJ'和训练样本集Str'中的每一个训练样本之间的最小累加距离，构建一个最小累加距离矩阵集合DQ，DQ的表达式为：
DQ＝[DQ，1，,，DQ2,…,DQN]
其中，DQ，1，,，DQ2,…,DQN分别表示待抓取物触觉数据SJ'与训练样本集Str′中的第一个训练样本之间的最小累加距离、第二个训练样本之间的最小累加距离、...、最后一个训练样本之间的最小累加距离，求出最小累加距离集合DQ表达式中的最小值DQ O，其中第二个下标O的范围为：1≤O≤N，N为训练样本数量，DQ O为待抓取物触觉数据SJ'与训练样本集Str′中的第O个训练样本之间的最小累加距离，当最小累加距离DQ O为最小累加距离集合DQ中的最小值时，表示待抓取物触觉数据SJ'与训练样本集Str′中的第O个训练样本之间的距离最短，训练样本集Str′中的第O个训练样本即为待抓取物触觉数据SJ'的最佳匹配样本，根据最近邻算法，若第O个训练样本稳定，则判定该次抓取稳定，若第O个训练样本不稳定，则判定该次抓取不稳定，完成基于触觉阵列信息的机械手对待抓取物抓取稳定的判断。
本发明提出的基于触觉阵列信息的机械手抓取稳定性判断方法，通过对触觉信息的分析和整理，在最近邻算法的基础上实现基于触觉阵列信息的机械手对物体的稳定性抓取判断，大大提高了机械手对抓取物体稳定判断的鲁棒性和准确率。而且本发明方法简单可靠，具有很强的实用性。
附图说明
图1是本发明方法中涉及的训练样本SI'和待抓取物触觉数据SJ'构建的n×m的欧氏距离矩阵网格图；
图2是本发明方法中涉及的训练样本SI'和待抓取物触觉数据SJ'构建的n×m的最小累加距离矩阵网格图；
具体实施方式
本发明提出的基于触觉阵列信息的机械手抓取稳定性判断方法，包括以下步骤：
(1)在机械手的三根手指上各设置24个触觉传感器，24个触觉传感器组成一个3x8的触点阵列；
(2)用步骤(1)的机械手抓取训练目标抓取物，获取触觉数据，以得到训练样本集Str，设训练样本集的个数为N，则训练样本集Str的表达式为：
Str＝{Str 1,Str 2,…,Str k，...,Str N}
其中，Str1,Str 2,…,Str k,...,Str N分别表示训练样本集Str中的第一个训练样本、第二个训练样本、…、第k个训练样本、…、第N个训练样本；
(3)用步骤(1)的机械手抓取待抓取物，获取待抓取物触觉数据SJ；
(4)对上述步骤(2)得到的训练样本集Str进行数据处理，具体过程如下：
(4-1)记训练样本集Str中的任意一个训练样本为SI，1≤I≤N，SI由三个触点阵列数据组成，即：SI＝[SI,F1,SI,F2,SI,F3]，其中SI,F1,SI,F2,SI,F3分别表示一个3×8×t1的触觉时间序列，t1为训练样本触觉数据采集时间；
(4-2)通过下式，求上述步骤(4-1)得到的3×8×t1的触觉时间序列的图像矩mpq：
其中，p+q＝0时，mpq为触觉时间序列的0阶图像矩，p+q＝1时，mpq为触觉时间序列的1阶图像矩，p+q＝2时，mpq为触觉时间序列的2阶图像矩；x为3×8×t1的触觉时间序列的行坐标，0<x≤3；y为3×8×t1的触觉时间序列的列坐标，0<y≤8，x,y取正整数；f(x,y)为对应坐标点处的触觉时间序列的值，R,C分别代表3×8×t1的触觉时间序列的行数和列数，R＝8,C＝3；p+q＝0,1,2，p和q有如下6种取值情况：p＝0，q＝0；p＝0，q＝1；p＝1，q＝0；p＝1，q＝1；p＝0，q＝2；p＝2，q＝0；
(4-3)训练样本SI经上述步骤(4-2)求图像矩mpq后，3×8×t1的触觉时间序列变为6×t1的触觉时间序列，得到训练样本SI'：
SI'＝[SI,F1',SI,F2',SI,F3']＝[sI1',sI2',...,sIi',...,sIn']
其中，SI,F1',SI,F2',SI,F3'分别为经求图像矩后得到的6×t1的触觉时间序列，sI1',sI2',...,sIi',...,sIn'分别为经求图像矩后后得到的触觉时间序列的第一个触觉向量、第二个触觉向量、…、第i个触觉向量、…、第n个触觉向量；n为训练样本SI'中的触觉向量数；
进而得到训练样本集Str'：
Str'＝{Str1',Str 2',…,Str k',...,Str N'}
其中，Str1',Str 2',…,Str k',...,Str N'分别表示经求图像矩后得到的测试训练集Str'中的第一个训练样本、第二个训练样本、…、第k个训练样本、…、第N个训练样本，N为训练样本数；
(5)对上述步骤(3)得到的待抓取物触觉数据SJ进行数据处理，具体过程如下：
(5-1)待抓取物触觉数据SJ由三个触点阵列数据组成，即：SJ＝[SJ,F1,SJ,F2,SJ,F3]，其中SJ,F1,SJ,F2,SJ,F3分别表示3×8×t2的触觉时间序列，t2为待抓取物触觉数据采集时间；
(5-2)通过下式，求上述步骤(5-1)得到的3×8×t2的触觉时间序列的图像矩gab：
其中，a+b＝0时，gab为触觉时间序列的0阶图像矩，a+b＝1时，gab为触觉时间序列的1阶图像矩，a+b＝2时，gab为触觉时间序列的2阶图像矩；c为3×8×t2的触觉时间序列的行坐标，0<c≤3；d为3×8×t2的触觉时间序列的列坐标，0<d≤8，c,d取正整数，f(c,d)为对应坐标点处的触觉时间序列的值，G,H分别代表3×8×t2的触觉时间序列的行数和列数，G＝8,H＝3；a+b＝0,1,2，a和b有如下6种取值情况：a＝0，b＝0；a＝0，b＝1；a＝1，b＝0；a＝1，b＝1；a＝0，b＝2；a＝2，b＝0；
(5-3)待抓取物触觉数据SJ经上述步骤(5-2)求图像矩gab后，3×8×t2的触觉时间序列变为6×t2的触觉时间序列，得到待抓取物触觉数据SJ'：
SJ'＝[SJ,F1',SJ,F2',SJ,F3']＝[sJ1',sJ2',...,sJj',...,sJm']
其中，SJ,F1',SJ,F2',SJ,F3'分别为经求图像矩后得到的6×t2的触觉时间序列，sJ1',sJ2',...,sJj',...,sJm'分别为经求图像矩后得到的触觉时间序列的第一个触觉向量、第二个触觉向量、…、第j个触觉向量、…、第m个触觉向量；m为待抓取物触觉数据SJ'中的触觉向量数；
(6)根据上述步骤(4)得到的测试训练SI'和步骤(5)得到的待抓取物触觉数据SJ'，构建一个n×m的欧氏距离矩阵网格，如图1所示，n为测试训练SI'的触觉向量数，m为待抓取物触觉数据SJ'的触觉向量数，矩阵元素(e,f)表示触觉向量sIe'与触觉向量sJf'之间的欧式距离d(sIe',sJf')：
d(sIe',sJf')＝(sIe'-sJf')2
其中，sIe'为训练样本SI'中的第e个向量，sJf'为待抓取物触觉数据SJ'中的第f个向量；
(7)从上述步骤(6)中构建的n×m的欧氏距离矩阵网格的(1,1)点开始，按下式计算出每一个矩阵格点的最小累加距离，构造成一个n×m的最小累加距离矩阵网格，如图2所示，最小累加距离γ(u,v)为向量sIu'和sJv'的欧式距离d(sIu',sJv')与到达该点的最小邻近累加距离min{γ(u-1,v-1),γ(u-1,v),γ(u,v-1)之和：
γ(u,v)＝d(sIu',sJv')+min{γ(u-1,v-1),γ(u-1,v),γ(u,v-1)}
其中，sIu'为训练样本SI'的第u个向量，sJv'为待抓取物触觉数据SJ'的第v个向量，γ(u-1,v-1)为从斜下方矩阵格点(u-1,v-1)到达当前矩阵格点(u,v)的累加距离，γ(u-1,v)为从左侧矩阵格点(u-1,v)到达当前矩阵格点(u,v)的累加距离，γ(u,v-1)为下方矩阵格点(u,v-1)到达当前矩阵格点(u,v)的累加距离；0<u≤n，0<v≤m；
到达n×m的矩阵网格的终点(n,m)后，得到训练样本SI'和待抓取物触觉数据SJ'之间的最小累加距离γ(n,m)；
(8)遍历训练样本集Str'，重复步骤(6)和步骤(7)，分别计算待抓取物触觉数据SJ'和训练样本集Str'中的每一个训练样本之间的最小累加距离，构建一个最小累加距离矩阵集合DQ，DQ的表达式为：
DQ＝[DQ，1，,，DQ2,…,DQN]
其中，DQ，1，,，DQ2,…,DQN分别表示待抓取物触觉数据SJ'与训练样本集Str′中的第一个训练样本之间的最小累加距离、第二个训练样本之间的最小累加距离、...、最后一个训练样本之间的最小累加距离，求出最小累加距离集合DQ表达式中的最小值DQ O，其中第二个下标O的范围为：1≤O≤N，N为训练样本数量，DQ O为待抓取物触觉数据SJ'与训练样本集Str′中的第O个训练样本之间的最小累加距离，当最小累加距离DQ O为最小累加距离集合DQ中的最小值时，表示待抓取物触觉数据SJ'与训练样本集Str′中的第O个训练样本之间的距离最短，训练样本集Str′中的第O个训练样本即为待抓取物触觉数据SJ'的最佳匹配样本，根据最近邻算法，若第O个训练样本稳定，则判定该次抓取稳定，若第O个训练样本不稳定，则判定该次抓取不稳定，完成基于触觉阵列信息的机械手对待抓取物抓取稳定的判断。
- 还没有人留言评论。精彩留言会获得点赞！