-
摘要: 针对工业桥式起重机输入信号存在时滞的问题，本文设计了一种鲁棒跟踪控制器.具体而言，本文通过分析欠驱动桥式起重机的特性，引入辅助系统，将时滞模型等效为不存在时滞的模型.在此基础上，考虑系统参数的不确定性，设计了一种鲁棒跟踪控制器.本文使用基于Lyapunov理论的稳定性分析及证明方法，通过建立Lyapunov-Krasovskii（LK）方程证明了位置跟踪误差以及摆角可以在有限时间内收敛到一个界内，且界的大小与控制增益负相关.完成控制器设计后，将其与工业上常用的比例-积分-微分（Proportion-integration-differentiation，PID）控制方法进行比较.仿真及实验结果表明，本文所设计的控制器优于PID控制器，具有良好的控制性能.
-
关键词:
- 桥式起重机 /
- 输入时滞 /
- 鲁棒控制 /
- Lyapunov方法
Abstract: To solve the problem of input delay of an industrial overhead crane, this paper designs a robust controller. Specifically, based on the analysis of the system model, an auxiliary system is introduced to convert the model of the crane system with input delay to a non-delay system. Based on the new system, considering the parameter uncertainties, a robust tracking controller is constructed. The Lyapunov-Krasovskii (LK) function is applied to complete the stability analysis when using the Lyapunov theory to prove that the trolley tracking error and the swing angle converge to a domain in a finite time. The relationship between the radius of the domain and the control gain is negative correlation. After designing the robust controller, we compare it with the proportion-integration-differentiation (PID) control algorithm, both the simulation results and experiment results show the efficiency of the proposed tracking controller.-
Key words:
- Overhead crane /
- input delay /
- robust control /
- Lyapunov method
-
机器人学习抓取是智能机器人研究的重要内容, 涉及到智能学习、抓取位姿判别、机器人运动规划与控制等问题的研究[1-2].针对抓取位姿判别问题, 过去比较流行的研究思路是, 通过介入人工手动设计目标特征, 用于机器人学习抓取操作, 然而这种学习方式使机器人不具备自助性与灵活性, 而且学习过程非常耗时[3].近年出现的深度学习算法, 在无监督特征学习中取得了显着效果, 深度学习的优越性在于: 1) 不需要介入人为的干预; 2) 该方法提高了网络的深层学习能力, 是一种充满前景的学习算法[4-5].
深度学习首次由Hinton等[6]提出, 其基本观点是采用神经网络模拟人类大脑特征学习过程.这种无监督特性学习方法借鉴大脑多层抽象表达机制, 实现初始特征深层抽象表达, 因此避免了特征抽取过程中人为的干预, 同时深度学习在一定程度上解决了传统人工神经网络局部收敛和过适性问题, 受到业内广泛关注[7-9].当前深度学习具有代表性的研究方向有深度信念网络(Deep belief network, DBN) [6]、深度波尔曼兹机(Deep Boltzmann machine, DBM) [10]、深度能量模型(Deep energy model, DEM) [11]、自动编码器(Auto encoder, AE) [12].鉴于深度网络的强大学习能力, 能够直接从标记或非标记数据集中抽取深层抽象特征, 该技术已成功用于图像识别与检索[13-14]、语音识别[15]、~自然语言处理[16-17]等领域, 而在机器人学习抓取领域还处在起步阶段[18-20].
机器人学习抓取判别研究中, 基于模型的方法保持着较高热度, 如文献[21]对目标3D点云进行分割, 每个分割部分由一个超二次曲面(Superquadrics, SQ)近似表示, 然后用训练好的人工神经网络, 区分每个部分是否为适合的抓取位置.文献[22]同样采用SQ近似表示目标模型, 然后用支持向量机(Support vector machine, SVM)对SQ参数和抓取标记进行离线学习.在线测试中, SVM算法给定SQ参数后, 将自动搜索有效的抓取位置.文献[23]采用马尔科夫场(Markov random field, MRF)对抓取物体进行3D点云建模, MRF的每个节点携带最优和次优两个抓取标记, 该方法通过点云标记的最大后验概率, 实现抓取位置识别.文献[24]研究一种基于局部随机采样鲁棒几何描述的3D匹配与位姿估计方法, 该方法在噪声、遮挡测试环境中取得良好的抓取效果.以上方法依赖于物体3D几何信息, 一方面目标几何模型精度难以保证; 另一方面目标模型计算复杂, 使得整个系统不显优势.与上述基于模型的方法不同, 本文研究多模特征深度学习, 直接从2D图像平面判别抓取位姿, 不失为一种直观简洁的方法.
本文研究多模特征深度学习构建叠层深度网络, 实现机器人抓取位姿最优判别.从问题本质出发, 机器人对目标抓取位置的判别属于机器学习目标识别范畴, 因此本文提出深度学习解决机器人抓取判别问题, 是一种可行有效的方法, 而且避免了传统学习方法耗时、需人工设计特征等缺点.本文研究目标为:给定抓取目标场景图, 机器人视觉系统通过多模特征深度学习推断出最优抓取位姿, 为此, 本文主要研究内容及贡献包括: 1) 采用堆叠降噪自动编码(Denoising auto-encoding, DAE)建立深度网络模型.在网络建模中, 把测试特征分布偏离训练特征视为一类噪化, 通过引入降噪自动编码和稀疏约束条件实现网络权值学习; 在网络学习中, 先对训练数据进行噪化, 再对其进行降噪编码, 提高深度网络对新目标抓取判别的鲁棒性能. 2) 采用Kinect体感传感器获取目标RGB及深度多模数据, 以融合策略处理多模特征的深层抽象表达.实验表明, 与单模相比, 多模特征融合学习大大改善了机器人抓取判别的精确性. 3) 论文研究的多模特征深度学习模型与6自由度机器人相结合, 机器人实现了对不同形状、不同摆放方向物体的抓取判别与定位, 不同情形下的实验结果验证了本文研究方法的实用性.
1. 机器人抓取判别问题描述
给定抓取目标视觉场景图(RGB和深度图), 机器人首先对目标进行感知识别(目标分割、提取有效的初始特征), 然后推断出对其实施抓取的最优位姿(抓取位置和方向), 针对上述研究目标, 机器人抓取判别问题可描述如下:
$t$ 时刻机器人获取抓取目标 $n$ 维特征序列 $X(t)=(x_1(t), x_2(t), \cdots, x_n(t))$ , 假设该目标存在 $\tau$ 个可能的抓取 $G(t)=(g_1(t), g_2(t), \cdots, g_\tau(t))$ , 令“位姿—特征”集 $\Omega_i=(g_i(t), X(t))$ , 其中 $g_i(t), i=1, 2, \cdots, \tau$ 表示第 $i$ 个特定的抓取位姿, 给定二值变量 $\hat{y}_i(t)\in{\{0, 1\}}$ , 有
$ \hat{y}_i(t)=\left\{ \begin{array}{ll} 0, & \Omega_i~\text{为次优集} \\ 1, & \Omega_i~\text{为最优集} \\ \end{array} \right. $
(1) 式(1)指明, 在给定目标特征 $X(t)$ 条件下, $g_i(t)$ 是否为最优抓取位姿.此时, 机器人最优抓取判别问题即转化为以下概率模型的最大化:
$ g^*(t)=\arg {\mathop {\max }\limits_{g_i(t)\in{G(t)}}} \Bigg\{ P(\hat{y}_i(t)=1|\phi(X(t)), W) \Bigg\} $
(2) 式中 $\phi(X(t))\in{{\bf R}^n}$ 为初始特征集 $X(t)$ 的深层抽象表达, $W\in{{\bf R}^n}$ 为判别模型的权值向量.
本文采用 $L$ 层深度学习网络, 构建机器人最优抓取判别模型, 其中输入层的输出量为:
$ h^{[1]}_j(t)=\delta(\sum_{i=1}^n{x_i(t)W_{i, j}^{[1]}}) $
(3) 式中 $\delta(a)=1/(1+{\rm exp}(-a))$ .网络的第 $l-1$ 层输出 $h^{[l-1]}(t)$ 作为第 $l$ 层的输入, 以此类推, 各隐含层输入输出之间关系为:
$ h_{j}^{[l]}(t)=\delta(\sum_{i=1}^{k^{[l-1]}}{h_{i}^{[l-1]}(t)W_{i, j}^{[l]}}), \quad l=2, 3, \cdots, L-1 $
(4) 式中, 上标表示网络层数, 下标表示网络节点, $ k^{[l-1]}$ 为第 $l-1$ 层的节点数.网络的最后一层(第 $L$ 层)为逻辑输出层:
$ P\{\hat{y}(t)=1|X(t), \Theta\}=\delta(\sum_{i=1}^{k^{[l-1]}}{h_{i}^{[L-1]}(t)w_{i}^{[L]}}) $
(5) 式中权值变量 $\Theta=(W^{[1]}, W^{[2]}, \cdots, W^{[L]})$ 通过离线深度学习获取.
2. 基于叠层DAE的多模特征深度参数学习
传统人工神经网络面临一个固有问题, 即测试样本取值分布越接近训练样本, 网络的重建输出效果越好, 而当测试样本分布远离训练样本时, 网络的重建输出效果则不然[25].若一个训练好的网络即便测试样本远离训练样本, 网络的重建误差依然能够保持在较低水平, 那么该网络具备良好的鲁棒性或泛化能力.为了提升网络的鲁棒性能, 实现对新目标的抓取判别, 本文把测试样本异于训练样本看作是被噪声污染后的结果, 在网络训练前对训练特征进行随机噪化, 再对噪化后的特征数据进行降噪编码, 其目的是重建特征的精确复原体.网络的每一层由一个降噪自动编码器组成, 原理如图 1 (a)所示, 假设初始特征集 $X(t)\in{{\bf R}^n}$ 被随机噪声污染后变为 $\widetilde X(t)\in{{\bf R}^n}$ , 噪化过程可看作一种随机映射, 即:
$ \widetilde X(t)\sim {qD(\widetilde{X}(t)|X(t))} $
(6) 式中 $qD$ 为噪声加型函数.降噪自动编码器对噪化后的特征集 $\widetilde X(t)$ 进行降噪编码, 得到:
$ \begin{split} \widetilde Y(t)=~sigm(W\cdot\widetilde X(t)+b^1)=\\ sigm(\sum_{i=1}^{m}\sum_{j=1}^{n}w_{ij}\cdot\tilde x_j(t)+b_i^1) \end{split} $
(7) 式中, $W\in{\bf R}^{m\times n}$ 为 $n$ 个特征的权值矩阵, $b^1\in{\bf R}^{m}$ 为编码偏置向量, $sigm(a)$ 为S型函数, 即 $sigm(a)=(1+{\rm exp}(-a))^{-1}$ .降噪自动编码器再对 $\widetilde Y(t)\in{\bf R}^m$ 进行解码, 得到初始特征集 $X(t)$ 的重建, 即:
$ \begin{split} \widetilde Z(t)=~sigm(V^{\rm T}\cdot\widetilde Y(t)+b^2)=\\ sigm(\sum_{i=1}^{n}\sum_{j=1}^{m}v_{ij}\cdot\tilde y_j(t)+b_i^2) \end{split} $
(8) 式中, $V\in {{\bf R}^{m\times n}}$ 为解码矩阵, $b^2\in{{\bf R}^{n}}$ 为解码偏置向量.
此时, 降噪自动编码器通过极小化重建误差 $\bar{w}(X(t), \widetilde Z(t))$ 实现权值矩阵 $W$ 的学习, 即:
$ \begin{split} \arg {\mathop {\min }\limits_{W} (\bar{w}(X(t), \widetilde Z(t)))}=\\ \quad\arg {\mathop {\min }\limits_{W} (\frac{1}{2}||X(t)-\widetilde Z(t)||^2)}=\\ \quad\arg {\mathop {\min }\limits_{W} (\frac{1}{2}\sum_{i=1}^{n}||x_i(t)-\tilde z_i(t)||^2)} \end{split} $
(9) 为了进一步提升网络的学习效率, 更好地模拟神经元的激活机制, 即神经元只能被感兴趣的视觉特征激活, 本文在权值学习中引入稀疏约束条件, 使得:
$ \begin{split} W^*=\arg {\mathop {\min }\limits_{W} (\bar{w}(X(t), \widetilde Z(t)))}~+\\ \beta \sum_{i=1}^{n}KL(\rho||\hat{\rho}_j)+\lambda \sum_{i} \sum_{j}(w_{ij})^2 \end{split} $
(10) 式中, $\beta$ 为稀疏惩罚权重, $\rho$ 为 $\widetilde Y(t)$ 的期望平均激励响应, $\hat{\rho}_j=\frac{1}{m}\sum_{i=1}^{m}[y_j]_i$ 为第 $j$ 个输入向量 $y_j$ 的平均激励响应, KL为Kullback-Leibler方差, 定义为[26]:
$ \%begin{split} KL(\rho||\hat{\rho}_j)=\rho {\rm log} \frac{\rho}{\hat{\rho}_j}+(1-\rho) {\rm log} \frac{1-\rho}{1-\hat{\rho}_j} \%end{split} $
(11) KL方差实现了稀疏约束, 当 $\rho$ 很小时, 即可得到初始特征的无冗余完备深层抽象特征集.
本文采用叠层DAE构建 $L$ 层深度网络, 其中每一层由一个DAE组成.在叠层学习中, 首先采用DAE学习算法, 根据式(10)初始化输入层权值矩阵 $W^{[1]}$ , 从而重建初始特征向量 $X(t)$ , 然后固定 $W^{[1]}$ , 再次采用DAE学习算法初始化 $W^{[2]}$ , 重建第一层输出向量 $h^{[1]}$ .依次类推, 得到网络权值变量 $\Theta=(W^{[1]}, W^{[2]}, \cdots, W^{[L]})$ .网络的堆叠学习过程如图 1(b)所示, $L$ 个DAE由下往上堆叠构成一个深度网络, 实现从初始输入数据, 逐渐抽取出深层抽象特征.
在堆叠学习中, 我们得到一个单模结构的深度网络, 网络的输入为单模特征.考虑到多模深度网络能够更好地处理多模特征学习问题[11, 27], 本文采用多模视觉特征, 进一步构建多模深度网络.假设 $X_i(t)\in{{\bf R}^n}$ 为第 $i$ 个单模深度网络的输入特征, $g^*_i(t)$ 表示第 $i$ 个单模深度网络输出, 多模深度学习就是要获取 $\lambda$ 个单模深度网络输出的有效融合, 从而有效提高机器人抓取判别精度, 融合方式表示为:
$ \begin{split} g^*(t)=\sum_{i=1}^{\lambda}\theta_i\cdot g^*_i(t) \end{split} $
(12) 式中, $\theta_i \in [0, 1]$ 为第 $i$ 个单模深度网络输出融合权值, 满足 $\sum_{i=1}^{\lambda}\theta_i=1$ .
3. 机器人抓取位姿搜索与判别
为了搜索一个有效的抓取位姿, 使得式(2)最优, 首先需要确定抓取目标所有可能的抓取, 然后利用深度网络对它们各自可能成为最优抓取的概率进行排序, 概率值最大者获胜.文献[28]给出了一种增量快速搜索方法, 认为抓取位姿搜索其本质是像素概率分类问题, 即把概率模型分解成每个像素点属于最优抓取位姿的概率之和, 通过分解计算提高算法的搜索效率.
假设某一已知的抓取位姿 $g(t)$ 对应的概率模型为 $P(g(t))$ , 我们把增量 $\bigtriangleup g(t)$ 合并到 $g(t)$ 中, 得到扩展抓取位姿 $g{'}(t)=g(t)\cup \bigtriangleup g(t)$ , 与此抓取位姿对应的图像特征可表示为:
$ \begin{split} \phi_i(g{'}(t))=~\phi_i(g(t)\cup \bigtriangleup g(t))=\\ \phi_i(g(t))+\phi_i(\bigtriangleup g(t)) \end{split} $
(13) 扩展抓取位姿 $g{'}(t)$ 的最优判别式, 如下:
$ \begin{split} P(g{'}(t))=~P(g(t)\cup \bigtriangleup g(t))=\\ \sum_{i=1}^{k}w_i\phi_i(g(t)\cup \bigtriangleup g(t))=\\ P(g(t))+P(\bigtriangleup g(t)) \end{split} $
(14) 不失一般性, 图像特征满足:
$ \phi_i(g(t))=\sum_{(u, v)\in G}\phi_i(I(u, v)), \quad \forall i=1, \cdots, k $
(15) 式中, $\phi_i(I(u, v))$ 表示像素点 $(u, v)$ 的第 $i$ 个特征值, 通过式(15)可计算出抓取位姿 $g(t)$ 区域内所有像素点的 $k$ 个特征之和, 于是 $P(g(t))$ 的计算公式可表示为:
$ \begin{split} P(g(t))=\sum_{i=1}^{k}w_i\phi_i(g(t))=\\ \sum_{i=1}^{k} \sum_{x=r_G}^{r_G+n_G}\sum_{y=c_G}^{c_G+m_G} w_i\phi_i(I(u, v))=\\ \sum_{x=r_G}^{r_G+n_G}\sum_{y=c_G}^{c_G+m_G} \sum_{i=1}^{k} w_i\phi_i(I(u, v))=\\ \sum_{x=r_G}^{r_G+n_G}\sum_{y=c_G}^{c_G+m_G} F(u, v)\\ \end{split} $
(16) 综上所述, 首先定义一个大小与图像 $I$ 相同的矩阵 $F(u, v)\in {\bf R}^{r\times c}$ , $F(u, v)$ 元素代表图像 $I$ 中各像素属于最优抓取区域的概率, 矩阵 $F$ 称为像素概率矩阵.此时可把最优抓取判别描述为, 给定大小为 $r\times c$ 的像素概率矩阵 $F$ , 在 $F$ 内部查找一个抓取位姿 $g(t)$ , 使得 $g(t)$ 区域内包含 $F$ 子元素之和最大, 其本质是在 $F$ 中查找一个最大和子矩阵 $F{'}$ .本文采用递增查找算法, 使得 $F{'}$ 所有元素之和最大, 算法实现如下:
算法 1. 抓取位姿搜索算法
初始化 $F$ 中子区域 $F{'}$ 的大小, 即 $r_G$ 和 $n_G$ 固定
初始化当前值 $s_y=f(G)=0$ , 最大 $s^*=f(G^*)=0, i=1$
For $y=i:c$
计算: $F{'}(y)=\sum_{x=r_G}^{r_G+n_G}F(x, y)$
$s_y \leftarrow s_y+F{'}(y)$
If $F(x, y) < 0$ then
$s_{y+1}=0 $
$y=i+1$
end If
end For
计算: $s^*={\rm max}(s_y)$
4. 实验结果分析
为了测试本文多模特征深度学习方法在机器人抓取判别中的有效性, 首先采用抓取样本数据, 离线训练所构建的网络模型.网络的输入为多模特征数据集, 输出为目标的最优抓取区域.训练数据集包含日常生活中的180个物体, 总共935幅样本场景图, 每幅图像中的抓取目标都标记了3~5个抓取位置.多模特征包括RGB、YUV以及深度特征D三类特征, 总共7个通道, 我们把标记区域规范化为一个30像素×30像素的图像块, 所以总的多模特征数为30×30×7=6 300.在深度网络学习过程中, 网络包括2个隐含层, 每个隐含层包含300个节点, 网络训练选用Intel Core i5 1.8 GHz处理器, 8 GB RAM, 安装Windows 8操作系统的个人计算机, 在Matlab 2011b环境中训练时间近1.5小时.
在线抓取判别测试中, 采用微软Kinect体感摄像机, 在VS与Matlab交叉编译环境下, 获取抓取目标RGB图像和深度图像, 采集到的部分测试数据如图 2所示, 代表四类目标物:杯子、盘子、矩形盒、工具.针对不同形状、大小、摆放方向的测试目标, 抓取判别试验结果如图 3所示, 从结果中可看出判别模型参照人的抓取习惯, 即矩形盒抓中间、杯子抓杯柄、盘子抓边缘、工具抓把柄, 表明本文研究的多模特征深度学习抓取判别方法具备以下两个特性: 1) 针对不同类别的抓取目标, 学习算法依据人的抓取习惯, 实现抓取位置的最优判别, 说明该方法具有一定的智能学习判别特性. 2) 试验中部分测试目标不同于网络训练样本, 这说明本文构建的多模特征深度学习网具有较好的鲁棒特性, 即机器人在面临新的抓取目标时, 同样能够实现抓取判别.
为了进一步验证本文方法的鲁棒性能与特性, 我们进行以下两种情形的比较试验:
情形 1. 相同训练特征, 不同训练方法试验比较, 网络输入为相同的RGB-YUV-D多模特征, 分别采用自动编码(AE)和本文降噪自动编码(DAE)方法训练网络.在网络权值学习中忽略式(6), 即初始多模特征不进行噪化处理, 从而式(7)退化为常规AE编码, 然后用AE方法训练网络.这种训练模式下, 网络在线测试结果如图 4所示, 其中图 4(a)测试目标“杯子”、“盘子”、“工具”包含在训练样本集中, 此时AE和本文DAE方法的试验结果比较接近, 二者抓取判别效果令人满意. 图 4(b)测试目标“接线导轨”、“订书机”、“测量仪”不包含在训练样本中, 此时本文DAE方法测试结果明显优越于AE方法, 说明当面临新目标时, AE网络的判别效果变差, 不能满足工程要求, 而本文DAE网络依然能够保持良好的判别效果.试验结果表明, 本文把测试特征偏离训练特征视为一类噪化, 通过引入带约束的降噪自动编码方法对目标特征进行学习是一种有效举措, 训练样本先噪化再降噪编码, 有效提高了网络的鲁棒性能.
图 4 AE和本文DAE训练方法结果比较Fig. 4 Results comparison between AE and our DAE training methods情形 2. 相同DAE训练方法, 不同训练特征试验比较.
分别采用RGB-YUV、RGB-D、RGB-YUV-D三种特征训练网络.首先通过设定某个特征的融合权值 $\theta_i$ 为0, 实现从RGB-YUV-D中剔除某一特征数据, 即网络退化为单模深度网络, 再与本文的多模深度网络进行比较.试验结果如图 5所示, 可看出RGB-YUV网络判别效果最差, 其次为RGB-D网络, 而本文RGB-YUV-D多模特征网络判别结果最优, 表明本文采取的多模特征融合策略, 处理多模特征深层抽象表达真实有效, 从而大大改善了网络的判别精度.
本文研究方法与6自由度工业机器人相结合, 构建机器人视觉伺服抓取定位试验平台, 验证本文方法的实际应用效果.在机器人抓取定位实验中, 深度摄像机安放在机器人的基坐标系中, 位置大致为x=200 mm, y=150 mm, z=680 mm, 相机成像平面尽量与机器人坐标系Y-轴平行.相机通过USB接口与PC相连, PC通过RS232串口与机器人控制器相连接, 构成机器人视觉伺服闭环系统. PC作为上位机主要完成图像采集、图像处理及执行抓取判别算法, 机器人控制器作为下位机完成机器人运动学运算, 同时驱动机器人各个关节.
首先, 机器人对不同物体实施抓取判别与定位实验, 结果如图 6所示, 机器人根据深度网络输出的抓取位姿判别结果(图 6(a)), 再实施对其目标抓取定位(图 6(b)), 可看出机器人成功实现了对矩形盒和杯子的抓取判别与定位.其次, 为了进一步验证研究方法的可靠性, 我们对相同物体、不同摆放方向进行测试, 结果如图 7所示, 机器人对摆放方向大致为-5°、35°、270°的同一物体成功实施抓取判别与定位.从以上结果可直观看出, 本文研究方法适用于不同形状、不同摆放姿态物体的抓取判别与定位.值得一提的是, 我们沿用了目标识别一贯表示方式, 用一个矩形框来表示抓取位姿, 同时考虑目标物为刚性物体, 在抓取定位精确情况下机器人即可进行简单的两指挟持操作, 后续工作也将进一步研究机器人多指抓取操作问题.
图 6 机器人对不同物体实施抓取判别与定位Fig. 6 Robot executing grasp recognition and positioning for different targets
图 7 机器人对不同摆放方向物体实施抓取判别与定位Fig. 7 Robot executing grasp recognition and positioning for targets with different poses最后, 我们对图 2中四类不同物体、不同摆放方向进行总计96次机器人抓取定位实验, 结果统计如表 1所示, 从有限代表性实验中得出机器人抓取定位平均成功率为91.7 %, 综上得证本文研究方法的实用性.
表 1 机器人对不同物体、不同摆放方向抓取定位统计结果Table 1 Results of robot grasp positioning for different targets with different poses矩形盒 杯子 盘子 工具 总计 实验总次数 23 21 27 25 96 成功次数 22 18 25 23 88 成功率(%) 95.7 85.7 92.6 92 91.7 5. 结论
本文针对机器人抓取判别与定位问题, 给出了叠层多模特征深度学习与融合抓取判别方法.本文把测试特征偏离训练特征视为一类噪化, 通过引入降噪自动编码和稀疏约束条件实现网络权值学习, 提高了叠层DAE网对新目标抓取判别的鲁棒性能.考虑多模视觉特征, 采取多模特征融合策略处理多模特征的深层抽象表达, 有效改善了网络的判别精度.试验表明判别模型依据人的抓取习惯, 实现了不同摆放姿态、不同形状物体的抓取判别, 6自由度工业机器人抓取定位实验验证了方法的实用性.
-
图 4 不同负载质量下PID控制器控制效果
Fig. 4 The performance of PID controller with different payload mass
图 5 不同负载质量下鲁棒控制器控制效果
Fig. 5 The performance of robust controller with different payload mass
图 6 依据实验平台参数的仿真结果
Fig. 6 Simulation results of the controller with the platform parameters
图 7 PID控制器与鲁棒控制器的实验效果对比
Fig. 7 Comparison of the experiment results between the PID controller and the robust controller
-
[1] Richard J P. Time-delay systems:an overview of some recent advances and open problems. Automatica, 2003, 39(10):1667-1694 doi: 10.1016/S0005-1098(03)00167-5 [2] Wu M, He Y, She J H. Stability Analysis and Robust Control of Time-Delay Systems. Beijing, China:Science Press, 2010. [3] Bresch-Pietri D, Kristic M. Adaptive trajectory tracking despite unknown input delay and plant parameters. Automatica, 2009, 45(9):2074-2081 doi: 10.1016/j.automatica.2009.04.027 [4] Huang C, Yu C B. Global adaptive controller for linear systems with unknown input delay. IEEE Transactions on Automatic Control, 2017, 62(12):6589-6594 doi: 10.1109/TAC.2017.2714858 [5] Cai X S, Bekiaris-Liberis N, Kristic M. Input-to-state stability and inverse optimality of linear time-varying-delay predictor feedbacks. IEEE Transactions on Automatic Control, 2018, 63(1):233-240 doi: 10.1109/TAC.2017.2722104 [6] 杜鑫, 丁大伟.基于平衡截断法的离散时间线性时滞系统的低频域模型降阶.自动化学报, 2015, 41(10):1825-1830 http://www.aas.net.cn/CN/abstract/abstract18756.shtmlDu Xin, Ding Da-Wei. Model order reduction of linear delay systems over low-frequency ranges via balanced truncation based approach. Acta Automatica Sinica, 2015, 41(10):1825-1830 http://www.aas.net.cn/CN/abstract/abstract18756.shtml [7] Wang Y E, Sun M X, Wu B W. Lyapunov-Krasovskii functionals for input-to-state stability of switched non-linear systems with time-varying input delay. IET Control Theory & Applications, 2015, 9(11):1717-1722 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=efee368cd30e706d7427c8413e3ec956 [8] Hu X X, Wu L G, Si X S, Xu B. Adaptive sliding mode control of non-linear non-minimum phase system with input delay. IET Control Theory & Applications, 2017, 11(8):1153-1161 http://cn.bing.com/academic/profile?id=591ed2b329c09c5911638bf89b8f25f5&encoded=0&v=paper_preview&mkt=zh-cn [9] 黄亚欣, 张星慧, 蒋蒙蒙.带有输入和状态时滞的高阶非线性前馈系统的自适应控制.自动化学报, 2017, 43(7):1273-1279 http://www.aas.net.cn/CN/abstract/abstract19101.shtmlHuang Ya-Xin, Zhang Xing-Hui, Jiang Meng-Meng. Adaptive control for high-order nonlinear feedforward systems with input and state delays control. Acta Automatica Sinica, 2017, 43(7):1273-1279 http://www.aas.net.cn/CN/abstract/abstract19101.shtml [10] 文新宇.一类含输入时滞非线性系统的干扰观测器控制.自动化学报, 2014, 40(9):1882-1888 http://www.aas.net.cn/CN/abstract/abstract18457.shtmlWen Xin-Yu. Disturbance observer based control for a class of nonlinear systems with input time-delay. Acta Automatica Sinica, 2014, 40(9):1882-1888 http://www.aas.net.cn/CN/abstract/abstract18457.shtml [11] Sharma N, Bhasin Q, Wang Q, Dixon W E. Predictor-based control for an uncertain Euler-Lagrange system with input delay. In:Proceedings of the 2010 American Control Conference (ACC). Baltimore, USA:IEEE, 2010. 1422-1427 [12] Fischer N, Dani A, Sharma N, Dixon W E. Saturated control of an uncertain nonlinear system with input delay. Automatica, 2013, 49(6):1741-1747 doi: 10.1016/j.automatica.2013.02.013 [13] Liu L, Cao J D, Qian C. pth moment exponential input-to-state stability of delayed recurrent neural networks with Markovian switching via vector Lyapunov function. IEEE Transactions on Neural Networks and Learning Systems, 2018, 29(7):3152-3163 https://ieeexplore.ieee.org/document/7970146/ [14] Chen B, Liu X P, Tong S C, Chong L. Observer-based stabilization of T-S fuzzy systems with input delay. IEEE Transactions on Fuzzy Systems, 2008, 16(3):652-663 doi: 10.1109/TFUZZ.2007.903329 [15] Zavari K, Pipeleers G, Swevers J. Gain-scheduled controller design:illustration on an overhead crane. IEEE Transactions on Industrial Electronics, 2014, 61(7):3713-3718 doi: 10.1109/TIE.2013.2270213 [16] Boschetti G, Caracciolo R, Richiedei D, Trevisani A. Moving the suspended load of an overhead crane along a pre-specified path:a non-time based approach. Robotics and Computer-Integrated Manufacturing, 2014, 30(3):256-264 doi: 10.1016/j.rcim.2013.10.004 [17] Sun N, Fang Y C, Chen H, Lu B. Amplitude-saturated nonlinear output feedback antiswing control for underactuated cranes with double-pendulum cargo dynamics. IEEE Transactions on Industrial Electronics, 2017, 64(3):2135-2146 doi: 10.1109/TIE.2016.2623258 [18] Sun N, Fang Y C, Zhang X B, Yuan Y. Transportation task-oriented trajectory planning for underactuated overhead cranes using geometric analysis. IET Control Theory & Applications, 2012, 6(10):1410-1423 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=f85390ec56775dfe30914f3443cc302a [19] 胡洲, 王志胜, 甄子洋.带输入饱和的欠驱动吊车非线性信息融合控制.自动化学报, 2014, 40(7):1522-1527 http://www.aas.net.cn/CN/abstract/abstract18422.shtmlHu Zhou, Wang Zhi-Sheng, Zhen Zi-Yang. Nonlinear information fusion control for underactuated cranes with input saturation. Acta Automatica Sinica, 2014, 40(7):1522-1527 http://www.aas.net.cn/CN/abstract/abstract18422.shtml [20] Sano H, Ohishi K, Kaneko T, Mine H. Anti-sway crane control based on dual state observer with sensor-delay correction. In:Proceedings of the 11th IEEE International Workshop on Advanced Motion Control. Nagaoka, Niigata, Japan:IEEE, 2010. 679-684 [21] Dey R, Sinha N, Chaubey P, Ghosh S, Ray G. Active sway control of a single pendulum gantry crane system using output-delayed feedback control technique. In:Proceedings of the 11th International Conference on Control, Automation, Robotics and Vision. Singapore:IEEE, 2010. 532-536 [22] Nayfeh N A, Baumann W T. Nonlinear analysis of time-delay position feedback control of container cranes. Nonlinear Dynamics, 2008, 53(1-2):75-88 doi: 10.1007/s11071-007-9297-z [23] Zhao Y, Gao H J. Fuzzy-model-based control of an overhead crane with input delay and actuator saturation. IEEE Transactions on Fuzzy Systems, 2012, 20(1):181-186 doi: 10.1109/TFUZZ.2011.2164083 [24] 何博, 方勇纯, 刘海亮, 孙宁.桥式起重机精准定位在线轨迹规划方法设计及应用.控制理论与应用, 2016, 33(10):1352-1358 doi: 10.7641/CTA.2016.60312He Bo, Fang Yong-Chun, Liu Hai-Liang, Sun Ning. Precise positioning online trajectory planner design and application for overhead cranes. Control Theory & Applications, 2016, 33(10):1352-1358 doi: 10.7641/CTA.2016.60312 [25] De Queiroz M, Hu J, Dawson D M, Burg T, Donepudi S R. Adaptive position/force control of robot manipulators without velocity measurements:theory and experimentation. IEEE Transactions on Systems, Man and Cybernetics, Part B (Cybernetics), 1997, 27(5):796-809 doi: 10.1109/3477.623233 [26] Dixon W E, De Queiroz M S, Zhang F, Dawson D M. Tracking control of robot manipulators with bounded torque inputs. Robotica, 1999, 17(2):121-129 doi: 10.1017/S0263574799001228 [27] Corless M, Leitmann G. Continuous state feedback guaranteeing uniform ultimate boundedness for uncertain dynamic systems. IEEE Transactions on Automatic Control, 1981, 26(5):1139-1144 doi: 10.1109/TAC.1981.1102785 期刊类型引用(9)
1. 邵雪卷，韩雨豪，周亮亮，孙来庆，陈志梅，张井岗. 参数带宽化的双摆桥式起重机线性自抗扰控制. 振动与冲击. 2025(04): 82-90 . 
百度学术2. 宁佳慧，文新宇. 输入时滞系统的多频干扰预测补偿. 太原科技大学学报. 2024(05): 467-473 . 百度学术3. 林海. 基于模糊线性二次型的桥式起重机定位控制方法. 机械研究与应用. 2023(03): 31-33 . 百度学术4. 尤智腾，徐为民，许贤先，朱鑫磊，胡强. 基于视觉反馈的桥吊自适应滑模防摇控制. 控制工程. 2023(06): 1051-1061+1128 . 百度学术5. 王守瑞，靳伍银，芮执元，张霞. 基于快速非奇异终端滑模的三维天车负载摆动控制. 吉林大学学报(工学版). 2023(12): 3508-3517 . 百度学术6. 王子赟，李南江，王艳，纪志成. 基于凸空间收缩滤波的噪声不确定时滞系统状态估计. 控制理论与应用. 2022(12): 2331-2339 . 百度学术7. 曹海昕，郝运嵩，林静正，卢彪，方勇纯. 绳长时变情况下轮胎式集装箱起重机非线性防摆控制算法. 自动化学报. 2021(08): 1876-1884 . 本站查看8. 刘青松. 基于嵌套-伪预估器反馈的时滞控制系统输入时滞补偿. 自动化学报. 2021(10): 2464-2471 . 本站查看9. 邢东峰，陈光武，刘孝博. 基于STM32的姿态感知四轴飞行器的设计. 传感技术学报. 2019(11): 1603-1607 . 百度学术其他类型引用(7)
-
下载:
下载:
计量
- 文章访问数: 2515
- HTML全文浏览量: 368
- PDF下载量: 458
- 被引次数: 16
