机器人的高精度抓取和装配

在G精度的抓取和装配工作中，仅仅依靠机械手本身的精度不能满足任务要求。近期在IEEE TRANSACTIONS ON MECHATRONICS 上发表的一篇名为《A Survey of Methods and Strategies for High-Precision RoboticGrasping and Assembly Tasks—Some New Trends》的文章对近年来在机器人G精度抓取和装配方面的研究工作进行了分类、回顾和比较，并阐述了该L域的研究趋势。

文章介绍了G精度机器人操控的五类方法:（1）基于传感信息的方法（2）基于柔顺机构的方法（3）基于环境约束的方法（4）基于感知约束集成的方法（5）仿生的方法。如图1所示，示意图展示了五类方法之间的差异。在机器人操控中，主体是机器人的手臂和手，客体是环境和被操控的对象。虚线表示传感信息，回路表示传感器感知到的新状态。                           

图1 G精度机器人操控方法类型（1）基于传感信息的方法（2）基于柔性机构的方法（3）基于环境约束的方法（4）基于感知约束集成的方法（5）仿生的方法

1、基于感知信息的G精度机器人操控方法

典型的用于机器人操控任务的传感器主要包括视觉传感器、距离传感器和力/扭矩传感器，如图2所示。

图2 应用在机器人操控任务中的典型传感器（1）G速工业相机（2）智能工业摄像头（3）激光距离传感器（4）立体相机（5）结构光传感器（6）飞行时间相机（7）关节扭矩传感器（8）腕力/扭矩传感器（9）手指压力传感器（10）手指触觉阵列

1）视觉传感器

先，视觉传感器可用于目标识别和姿态估计，许多计算机视觉算法被用于机器人操控[1]-[7]。其次，视觉传感器可以用于测量和定位。根据双目或多目视觉系统的视差原理，可以计算出目标物体的位置和方向。在[8]中开发了一种基于多功能立体视觉系统的立体视觉分割方法，它可以测量和跟踪具有曲面的物体的位置和方向[9]。在[10]中提出了一种用于已知目标三维姿态估计的视觉引导机器人系统，可以有效地抓取3-D目标。[11]中设计了一个G精度视觉伺服微装配系统，该系统能够做到微轴孔对准与轴孔装配同时进行。研究人员利用视觉信息，提出了一种基于支持向量机(SVM)与主元分析(PCA)融合的区间估计优化算法，根据实验数据[12]训练机器人终端运动参数，规划运动轨迹。

2）距离传感器

距离传感器可以感知目标点和传感器之间的距离，采用如立体三角测量、光片三角测量、结构光、飞行时间、干涉测量、编码孔径测量等方法获取数据。

以下是机器人操控任务中常用的几种距离传感器：（1）激光测距传感器可以快速准确地获取传感器与目标[13]之间的距离，主要缺点是成本G。（2）立体相机：使用两台相机拍摄图像，使用匹配算法或三角测量[14]-[17]计算距离。它的硬件复杂度适中，但计算复杂度较G且在弱光或图像特征不清晰的情况下不能正常工作。（3）结构光传感器，通过计算光的变形，向物体发射可控结构光，获取目标参数。结构光的优点是d立于场景，降低了匹配的难度。缺点是多个传感器的相互干扰，不能在强光下工作。（4）飞行时间相机，通过连续发送光脉冲，接收物体返回的光，记录光的飞行时间，得到距离。与激光测距传感器相似，这种传感器具有良好的精度和鲁棒性但部署成本G。

距离传感器(图2，图片3-6所示)可以进行目标测量和姿态估计。在[18]中利用立体三角测量法实现了基于手眼立体相机的目标三维建模，并提出了一种分析方法来判断给定对象在真实环境下的局部和全局可达性。

3）力传感器

在机器人操控中，力/扭矩信息被广泛用于消除零部件的微小位姿误差。机器人操控中常用的力传感器（图2，图片7-10所示），包括六轴力/扭矩传感器和触觉传感器。前者通常安装在机器人的关节和手腕上，通过刚性连接感知物体上的力或扭矩；后者主要安装在机械手指尖或手掌上，用来感知对应机械部分的正压力。

（1）关节扭矩传感器：将传感器安装在机器人的关节上，获取机器人运动时的扭矩信息。一方面，利用关节扭矩来识别机器人与物体之间的接触关系。另一方面，关节扭矩信息常用于机械手的柔性控制。在[19]中提出了一种利用模糊推理机(FIM)进行装配的方法，该方法可以根据装配过程中的接触信息快速推断出当前的接触状态。研究人员设计了一种基于关节扭矩信息的柔性控制器，在关节机械阻抗未知的情况下调节末端执行器的柔性。[20]将主动柔度控制算法与被动柔度机制相融合，在基于肌腱驱动的机械手平台上实现了安全的人机交互。研究人员利用关节力矩信息设计了平衡前馈控制器，通过迭代学习控制[21]实现类人运动。

（2）腕力/扭矩传感器:与关节扭矩传感器类似，腕部传感器既可用于确定机器人与物体之间的接触状态[22]，也可用于确定机器人操控系统的惯性参数[23]。在[24]中提出了一种利用力或扭矩信息准确识别在位置/方位不确定条件下的接触状态的方法。[25]实现了一种基于力/扭矩传感信息的准静态分析方法。当机器人遇到较大的方向误差时，该方法可以有效地调整力/扭矩。由于力/扭矩信息在装配过程中是局部和瞬态的，研究力矩信息与其他全局信息如何融合在一起是一个很有价值的发展方向。如何平衡准确性和灵敏度之间的矛盾[26]，以及如何实现各种接触/非接触状态之间的有效切换[27]也是人们感兴趣的问题。

（3）手掌和指尖触觉传感器:将触觉传感器安装在手掌或手指的末端，获取接触力或压力。它们通常用于接触状态识别[28]，用于摩擦估计[29]，或用于抓取过程中的滑移检测[30]。为了解决抓取问题，研究人员对抓取接触模型做了大量基础性工作[31]-[33]。[34]-[36]中对机器人柔性手指抓取模型进行了一系列研究。研究者使用安装在灵巧手上的接触传感器来G精度、G速地估计平面物体的位置和方向。[37]设计了一种利用触觉信息作为反馈来分析抓取成功率的算法。利用人工智能方法分析触觉传感器获取的信息是一种趋势。清华大学孙富春教授团队提出的基于J限学习机(ELM)的触觉感知识别方法[38]。此外，[39]使用监督学习方法，预测抓取过程中发生的滑移情况。[40]利用视觉信息和电子信息设计了一种触觉传感器的替代品，将循环神经网络(RNN)和长短时记忆(LSTM)网络相结合，来识别可变形和不可变形物体的变化模式。

2、基于柔性机构的G精度机器人操控

在机械工程中，柔性机构是通过弹性体的变形来传递或转换运动、力或能量的柔性机构。使用柔顺机构可以实现机器人手臂或手的被动柔性运动，从而允许在这种运动过程中消除装配部件之间的位姿误差。典型的装置包括远端柔性中心(RCC)和可变阻抗执行器(VIA)。

图3 一般RCC的机械结构

 （1）远端柔性中心(RCC)

RCC是由Whitney和Nevins发明的，用于帮助机器人完成插入和装配任务[41]。在他们的研究中，他们广泛地讨论了机器人的插入过程[42]。在插入过程中，销钉会在轴向旋转夹持器下倾斜，这称为柔性中心。如图3所示，RCC装置实际上是一个有6个自由度的弹性机构，可以改变系统柔度中心的位置。在[43]中开发了一种具有计算机可调阻抗的主动柔性末端执行器。目前，将RCC与其他设备或控制方法相结合是非常有研究价值的课题。

图4  单自由度VSA与环境相互作用的质量模型

（2）可变刚度执行机构（VSA）

一种新型执行器VSA被引入实现与环境的柔性交互，如图4所示。目前，[44]提出了一种利用VIAs进行轴孔装配的低成本解决方案。[45]中提出了一种新的VSA设计，该设计考虑了在运动执行过程中改变传动刚度的可能性，因此，在保持低伤害风险水平的同时，允许大幅度的运动加速。目前，许多使用VSAs代替刚度电机的机器人手臂和手的原型正在开发[46]-[48]。

VSA对于机器人抓取和装配特别有用，它将执行柔性运动的能力整合到执行器中，这大大降低了设计带有外力或扭矩传感器的柔性控制器的难度。目前关于VSA的讨论主要集中在如何达到给定目的的优设计方案。

3、基于环境约束的G精度机器人操控

除了使用柔性机构来提供机器人G精度操控所需的柔度外，机器人与被操控对象之间还存在广泛的约束条件，如配置约束和力约束。利用这些约束条件，特别是在给定系统中的传感信息未知或部分未知的情况下可以为机器人设计一个有效的操控策略，典型的方法包括环境吸引区(ARIE)和笼型。

（1）环境吸引区

ARIE是环境形成的约束区域，存在于机器人系统的构型空间中。ARIE的概念早在[49]中提出。[50]进一步讨论了在生产中实现无传感器G精度操控机器人的概念。通过利用构型空间中的环境约束，无需力传感器即可在物理空间中进行G精度装配（参见图5）。

图5  R3空间中的两个复杂部分及其对应的ARIE 

左：复杂零件的接触状态 右：ARIE中的相应点

 基于该理论，目前完成了多个G精度的机器人操控任务。例如，在汽车制造业，利用基于ARIE的方法设计了一种偏心的无钉孔传感器组装系统[51]。研究人员还开发了一种基于视觉的三维抓取规划方法，仅需要一张[52]图像。在近的研究中，[53]不仅讨论了ARIE的定义和广义条件，给出了ARIE的一般数学描述，分析了在不同构型空间中ARIE存在的条件，而且重点讨论了G、低维空间中ARIE的关系。

（2）笼型

提出笼型问题是为了找到一组手指的放置点，该手指的放置可以防止多边形任意移动远离其给定位置[54]。笼形理论可以应用于机器人抓取L域。[55]研究了笼型构型与抓取构型之间的关系。[56]将抓握的工作扩展到了笼形，使用特征形状来降低灵巧手的维度，还利用空间映射有效地测量了笼型的鲁棒性。[57]-[59]提出了一种基于视觉的工业夹持器的笼型抓取算法。[60]结合了笼式抓取和强制闭合抓取的优点，使不同的抓取器能够快速抓取未知的平面物体。在[61]中提出了一种受绳索启发的笼式抓握方法，可以保证局部稳定抓握。

4、基于感知约束集成的G精度机器人操控

从不同的空间将感知信息和环境约束集成到一个统一的框架中，引入环境约束区域(CRIE)概念。CRIE有两个基本功能: 因为环境约束细化并揭示了一些状态，它可以作为隐含传感器来检测系统的当前状态；由于传感信息利用了理想场景和真实场景之间的差异，因此它可以作为一个错误检测器。[62]通过分析人手的解剖结构及其控制机制来探讨机器人手的柔顺性。[63]提出了一种具有环境约束区域的柔性机器人抓取策略，该策略可以根据近似的接触力方向调整抓取构型。

除了将传感信息与环境约束结合在一个空间之外，还可以采取传感信息对环境约束（或环境约束对传感信息）进行补偿的方式。[64]提出了一种综合抓取问题的解决方案，该方案在满足所有必要约束条件的情况下，可以为特定的任务找到抓取给定对象的优手构型。[65]研究了一种人手和人造手抓取和主动触摸的建模方法。[66]研究了人类如何决定操控未知物体所需的抓取力，从而将人类抓取物体的策略应用到机器人系统中。

5、仿生的方法

人手的灵活性可以实现G精度的操作，因此研究人手的结构和控制机制可以改进现有机器人系统的设计，提G机器人操控的柔顺性。文中提出了两点：

       （1）机器人末端执行器的耦合冗余结构:目前，大多数机器人的手臂和手都采用了解耦控制，然而，手部运动是三维空间中各运动位置的叠加，运动误差是各电机误差的叠加。如果机器人的末端执行器能够以适当的方式实现耦合和冗余结构，则可以使运动更加柔顺。 一些研究者设计了具有肌腱结构的新型机器人手，可以在未知环境下更好与目标进行交互。在[67]中提出了一个具有冗余肌腱驱动和多边约束的机器人操控系统建模的通用框架。在[68]中介绍了一种由肌腱驱动手指的仿生机器人手。在[69]中提出了一种基于肌腱驱动的机械手优化方法，该方法可以优化肌腱驱动结构的设计，以获得大的承载力。

（2）柔性控制策略:通过上述手臂和手的耦合冗余结构，学习通过柔性控制策略实现G精度的操控。文中讨论了两种主要的控制策略。

策略1:系统需要大致了解手臂、手腕和手的准确程度。通过对手指的适当控制，对手臂和手腕的运动误差进行补偿。

策略2: 人类学习控制手主要是基于经验。如果耦合冗余结构在机械手上实现，可以利用深度神经网络，通过强化学习和转移学习来实现柔性控制策略。

6、总结

五类操控G精度机器人的方法及每种方法的特点如图6所示。目前，对G精度机器人控制的研究仍集中在基于传感器信息的方法上。力或扭矩信息在较低层次的控制方案实现中起着重要作用，基于视觉和距离的信息方法在较G层次的识别、测量和学习中发挥了重要的作用。一般来说，这些方法的精度主要取决于所用传感器的精度，因此，对传感器的改进有很多研究工作要做。

图6 在利用传感器和约束方面每种方法的特点

 基于柔性机构的方法是解决机器人G精度轴孔装配问题的经典方式。RCC设备为标准的轴孔装配任务提供了一种实用的解决方案，而VSA通过增强驱动机制，为实现柔顺运动提供了另一种可能方式。用基于环境约束的方法来实现G精度机器人的控制是一种新思路。这种方法利用操控过程中的内在信息，避免了额外信息的干扰。感知约束集成方法和仿生方法也提供了实现柔顺灵巧操控系统的可能性，非常具有研究价值。未来在以下三个方面仍有深入研究的价值，包括：用基于学习的操控方法，提G机器人系统的智能；用感知约束集成方法，减少机器人系统对G精度传感信息的依赖；用仿生的方法，增强机器人系统的柔顺性。