基于机械手触觉信息的物体软硬属性识别

发布时间：2017-04-22 19:13

  本文关键词：基于机械手触觉信息的物体软硬属性识别，，由笔耕文化传播整理发布。

【摘要】：随着智能机器人技术的快速发展,其应用已经遍布医疗、服务业、军事、农业、工业、科研等各个领域,在实际应用中,机器人对物体的抓取能力尤为重要。软硬作为物体的重要物理属性之一,会在一定程度上影响机械手对物体的抓取控制。人手能依靠复杂的触觉感知系统准确地识别物体的软硬程度,然后采取合适的力量进行抓取。然而这个简单的任务对于机械手而言并不容易,大多数机械手只具备基本的压力反馈,很难直接对物体软硬属性进行区分,因而影响了不同软硬物体的抓取控制。本文在仿生机械臂平台上,搭建了触觉信息反馈系统,实现了机械手对目标物体的软硬属性识别,在一定程度上为稳定抓取控制提供了保障。本文具体的研究工作如下：(1)结合物体软硬属性识别的需求,搭建了触觉信息反馈系统,包括手指传感器、传感器信号采集电路、微控制器、机械手运动控制界面和传感器数据显示界面等。触觉信息反馈系统的硬件单元实现了触觉传感器信号采集和数据通信。传感器的电信号经过自行设计的处理电路完成了放大,并通过DMA传输机制实现了实时采集与数字化；微控制器端使用低功耗蓝牙模块进行数据通信,简化了电路连接,实现了触觉信号的无线传输。触觉信息反馈系统的软件部分主要完成了上位机程序的设计。通过上位机程序界面可以实现机械手的抓取控制、触觉传感器数据的实时监测与存储,同时也方便对整个系统进行功能调试。(2)利用触觉信息反馈系统,研究了机械手对目标物体的软硬属性识别能力。实验中先确定了4个软硬等级,作为识别标准。按照该标准各选取一个物体进行多次抓取,将采集到的触觉传感器信号进行分析,选取了三类数据作为识别软硬属性的特征值,然后利用K最邻近算法对这些特征进行融合,在线实现了机械手对未知物体的软硬等级区分,对比单传感器信息,多传感器融合后的信息更为全面,使软硬等级识别的准确率得到了明显提升。最后,结合物体软硬属性的识别,设计了稳定抓取控制系统,通过对软硬物体的多次抓取测试,发现抓取软物体时,物体形变程度明显减少,结果说明该控制系统可以让机械手根据物体软硬属性施加合适的抓取力,从而实现目标物体的稳定抓取。
【关键词】：机械手 触觉 软硬识别 多传感器融合 抓取控制
【学位授予单位】：浙江大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP241
【目录】：

• 致谢5-6
• 摘要6-8
• ABSTRACT8-16
• 第1章 绪论16-28
• 1.1 研究背景16-18
• 1.2 研究意义18-19
• 1.3 研究现状及分析19-24
• 1.3.1 改善机械手传感器结构、性能19-21
• 1.3.2 触觉反馈的基础上,结合视觉进行轮廓跟踪21-22
• 1.3.3 设计算法进行传感器原始数据融合22-23
• 1.3.4 利用软硬识别完成稳定抓握控制23-24
• 1.4 研究目标24-25
• 1.5 研究内容及方法25
• 1.6 论文结构25-27
• 1.7 本章小结27-28
• 第2章 物体软硬属性的定义及数据处理方法综述28-38
• 2.1 引言28
• 2.2 物体软硬属性的基本定义及常用测量方法28-30
• 2.2.1 软硬属性的基本定义28
• 2.2.2 常用的软硬度标准及测量方法28-30
• 2.3 基于触觉感知的物体软硬性识别及其力学原理分析30-33
• 2.4 机械手触觉传感器数据处理方法介绍33-36
• 2.4.1 多传感器信息融合34-35
• 2.4.2 常用传感器融合方法35-36
• 2.5 本章小结36-38
• 第3章 机械手与触觉信息反馈系统的搭建38-60
• 3.1 引言38
• 3.2 机械手及触觉反馈系统概述38-40
• 3.3 系统硬件平台40-48
• 3.3.1 Jaco机械臂平台简介40-41
• 3.3.2 触觉传感器选型41-43
• 3.3.3 传感器的安装43-45
• 3.3.4 传感器采集电路设计45-46
• 3.3.5 微控制器电路设计46-48
• 3.4 系统软件设计48-53
• 3.4.1 系统下位机软件设计48-51
• 3.4.2 系统上位机软件设计51-53
• 3.5 触觉反馈系统功能测试53-57
• 3.5.1 硬件系统测试53
• 3.5.2 传感器数据标定53-56
• 3.5.3 触觉反馈系统的使用流程及数据采集实例56-57
• 3.6 本章小结57-60
• 第4章 软硬属性的识别及机械手稳定抓取控制60-80
• 4.1 引言60
• 4.2 软硬物体的抓取实验60-69
• 4.2.1 实验对象的选择及手指传感器的定性分析60-61
• 4.2.2 实验流程及数据采集61-63
• 4.2.3 传感器原始数据分析及讨论63-69
• 4.3 软硬属性的检测与在线识别69-77
• 4.3.1 传感器的特征选取69-71
• 4.3.2 基于KNN算法的软硬属性识别71-75
• 4.3.3 软硬属性在线识别方法的优化75-77
• 4.4 结合软硬属性识别的稳定抓取控制77-78
• 4.5 本章小结78-80
• 第5章 总结与展望80-82
• 5.1 工作总结80-81
• 5.2 展望81-82
• 参考文献82-88
• 作者简历88

【参考文献】

中国期刊全文数据库 前10条

1 赵忠帅;张公敬;;改进的KNN快速分类算法[J];青岛大学学报(自然科学版);2014年04期

2 严晓明;;基于类别平均距离的加权KNN分类算法[J];计算机系统应用;2014年02期

3 尹德进;王宏力;周志杰;;基于D-S证据理论的多传感器目标识别信息融合方法[J];四川兵工学报;2011年04期

4 苗宝光;;板坯连铸机HZ102F辊材质要求[J];金属世界;2010年06期

5 孙中圣;包钢;李小宁;;基于气动人工肌肉力反馈数据手套的柔性物体力觉再现[J];南京理工大学学报(自然科学版);2009年06期

6 王凤朝;黄树采;韩朝超;;多传感器信息融合及其新技术研究[J];航空计算技术;2009年01期

7 陈保华;赵晓峰;;常用硬度的测试原理及表示方法[J];金属加工(热加工);2008年15期

8 赵蕊;贺建军;;多传感器信息融合技术[J];计算机测量与控制;2007年09期

9 张晓强;高莉;于洪珍;;煤矿监测监控系统信息融合结构的研究[J];工矿自动化;2007年04期

10 熊大容;杨p

本文编号：321092