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

技术特征：

1.一种基于触觉阵列信息的机械手抓取稳定性判断方法，其特征在于，该方法包括以下步骤：

(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S_tr，设训练样本集的个数为N，则训练样本集S_tr的表达式为：

S_tr＝{S_tr1,S_tr2,…,S_{tr k}，...,S_{tr N}}

其中，S_tr1,S_tr2,…,S_{tr k},...,S_{tr N}分别表示训练样本集S_tr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S_J；

(4)对上述步骤(2)得到的训练样本集S_tr进行数据处理，具体过程如下：

(4-1)记训练样本集S_tr中的任意一个训练样本为S_I，1≤I≤N，S_I由三个触点阵列数据组成，即：S_I＝[S_I,F1,S_I,F2,S_I,F3]，其中S_I,F1,S_I,F2,S_I,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m_pq：

$m_{pq}=\underset{x=1}{\overset{C}{\Σ}}\underset{y=1}{\overset{R}{\Σ}}{x}^p{y}^{q}f(x,y),(p+q=0,1,2)$

其中，p+q＝0时，m_pq为触觉时间序列的0阶图像矩，p+q＝1时，m_pq为触觉时间序列的1阶图像矩，p+q＝2时，m_pq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S_I经上述步骤(4-2)求图像矩m_pq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S_I'：

S_I'＝[S_I,F1',S_I,F2',S_I,F3']＝[s_I1',s_I2',...,s_Ii',...,s_In']

其中，S_I,F1',S_I,F2',S_I,F3'分别为经求图像矩后得到的6×t₁的触觉时间序列，s_I1',s_I2',...,s_Ii',...,s_In'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S_I'中的触觉向量数；

进而得到训练样本集S_tr'：

S_tr'＝{S_tr1',S_tr2',…,S_{tr k}',...,S_{tr N}'}

其中，S_tr1',S_tr2',…,S_{tr k}',...,S_{tr N}'分别表示经求图像矩后得到的测试训练集S_tr'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S_J进行数据处理，具体过程如下：

(5-1)待抓取物触觉数据S_J由三个触点阵列数据组成，即：S_J＝[S_J,F1,S_J,F2,S_J,F3]，其中S_J,F1,S_J,F2,S_J,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g_ab：

$q_{ab}=\underset{c=1}{\overset{G}{\&Sigma;}}\underset{d=1}{\overset{H}{\&Sigma;}}{c}^a{d}^{b}f(c,d),(a+b=0,1,2)$

其中，a+b＝0时，g_ab为触觉时间序列的0阶图像矩，a+b＝1时，g_ab为触觉时间序列的1阶图像矩，a+b＝2时，g_ab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S_J经上述步骤(5-2)求图像矩g_ab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S_J'：

S_J'＝[S_J,F1',S_J,F2',S_J,F3']＝[s_J1',s_J2',...,s_Jj',...,s_Jm']

其中，S_J,F1',S_J,F2',S_J,F3'分别为经求图像矩后得到的6×t₂的触觉时间序列，s_J1',s_J2',...,s_Jj',...,s_Jm'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S_J'中的触觉向量数；

(6)根据上述步骤(4)得到的测试训练S_I'和步骤(5)得到的待抓取物触觉数据S_J'，构建一个n×m的欧氏距离矩阵网格，n为测试训练S_I'的触觉向量数，m为待抓取物触觉数据S_J'的触觉向量数，矩阵元素(e,f)表示触觉向量s_Ie'与触觉向量s_Jf'之间的欧式距离d(s_Ie',s_Jf')：

d(s_Ie',s_Jf')＝(s_Ie'-s_Jf')²

其中，s_Ie'为训练样本S_I'中的第e个向量，s_Jf'为待抓取物触觉数据S_J'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s_Iu'和s_Jv'的欧式距离d(s_Iu',s_Jv')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(s_Iu',s_Jv')+min{γ(u-1,v-1),γ(u-1,v),γ(u,v-1)}

其中，s_Iu'为训练样本S_I'的第u个向量，s_Jv'为待抓取物触觉数据S_J'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S_I'和待抓取物触觉数据S_J'之间的最小累加距离γ(n,m)；

(8)遍历训练样本集S_tr'，重复步骤(6)和步骤(7)，分别计算待抓取物触觉数据S_J'和训练样本集S_tr'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D_Q，D_Q的表达式为：

其中，分别表示待抓取物触觉数据S_J'与训练样本集S_tr′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D_Q表达式中的最小值D_QO，其中第二个下标O的范围为：1≤O≤N，N为训练样本数量，D_QO为待抓取物触觉数据S_J'与训练样本集S_tr′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D_QO为最小累加距离集合D_Q中的最小值时，表示待抓取物触觉数据S_J'与训练样本集S_tr′中的第O个训练样本之间的距离最短，训练样本集S_tr′中的第O个训练样本即为待抓取物触觉数据S_J'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。