白成超，晏 卓，宋俊霖

（1.哈爾濱工業(yè)大學(xué)航天工程系，哈爾濱150001；2.西安航空動(dòng)力試驗(yàn)技術(shù)研究所，西安710000）

1 引言

人類航天活動(dòng)產(chǎn)生了大量的空間碎片和太空垃圾，嚴(yán)重威脅航天器的正常運(yùn)行，有必要對(duì)其進(jìn)行監(jiān)控管理和回收［1］。機(jī)械臂是完成這個(gè)任務(wù)的重要工具，可以抓取接近航天器的太空垃圾，使其脫離軌道，從而有效地保護(hù)航天器［1］。機(jī)械臂抓取目標(biāo)首先需要知道目標(biāo)的位置，這就需要利用傳感器檢測(cè)與識(shí)別技術(shù)識(shí)別出目標(biāo)，同時(shí)計(jì)算出其準(zhǔn)確的空間位置，因傳感器的類型不同，識(shí)別原理也不同，本文主要基于相機(jī)來研究視覺精確識(shí)別。

機(jī)械臂視覺抓取在常規(guī)的機(jī)器人學(xué)、控制理論的基礎(chǔ)上，融合了計(jì)算機(jī)視覺理論、深度學(xué)習(xí)和人工智能等學(xué)科，具有重要的科研和應(yīng)用價(jià)值［2］。其中涉及的目標(biāo)檢測(cè)技術(shù)在視覺領(lǐng)域是現(xiàn)在非常熱門的研究方向，傳統(tǒng)目標(biāo)檢測(cè)通常是靜態(tài)檢測(cè)，而且目標(biāo)單一，目標(biāo)檢測(cè)受到外形、大小、視角的變化以及外部光照的變化等因素的影響，因而所提取的特征泛化能力不強(qiáng)，魯棒性較差，通常需要對(duì)每一個(gè)特定目標(biāo)都提出相適應(yīng)的算法［2］，難以適應(yīng)新物體。

基于深度學(xué)習(xí)的目標(biāo)識(shí)別與定位是近年來的研究熱點(diǎn)，尤其是深度學(xué)習(xí)中卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展直接促進(jìn)了目標(biāo)識(shí)別和定位任務(wù)的進(jìn)步。近幾年的CVPR、ECCV等國(guó)際計(jì)算機(jī)視覺頂級(jí)會(huì)議不斷有新的深度學(xué)習(xí)網(wǎng)絡(luò)模型提出，并不斷刷新各種大規(guī)模圖像競(jìng)賽的精度。目標(biāo)檢測(cè)的精度和速度是兩個(gè)主要的問題，基于區(qū)域選擇的R?CNN系列網(wǎng)絡(luò)與 End?to?End的 YOLO、SSD 等網(wǎng)絡(luò)在速度和精度上均有較大的進(jìn)步［3］。

機(jī)械臂視覺抓取系統(tǒng)中基于深度學(xué)習(xí)的視覺識(shí)別可通過對(duì)深度卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練實(shí)現(xiàn)多目標(biāo)快速識(shí)別而不必更改識(shí)別算法。這需要搜集被檢測(cè)目標(biāo)的大量圖像制作標(biāo)準(zhǔn)的訓(xùn)練集，利用前述基于深度神經(jīng)網(wǎng)絡(luò)的目標(biāo)識(shí)別算法對(duì)數(shù)據(jù)集進(jìn)行離線訓(xùn)練，將得到的模型用于在線識(shí)別。R?CNN系列算法［3?4］是目前主流的用于機(jī)械臂抓取的深度學(xué)習(xí)目標(biāo)檢測(cè)算法，但是速度上并不能滿足實(shí)時(shí)的要求。本文基于回歸的思想搭建深度神經(jīng)網(wǎng)絡(luò)，并通過改進(jìn)YOLO算法進(jìn)行識(shí)別率及實(shí)時(shí)性的驗(yàn)證，即在小樣本環(huán)境下，給定輸入圖像，直接在圖像上回歸出目標(biāo)位置和目標(biāo)類別，并同時(shí)滿足實(shí)時(shí)檢測(cè)的要求。

2 基于深度學(xué)習(xí)的多目標(biāo)識(shí)別算法

本文用于機(jī)械臂待抓取目標(biāo)識(shí)別的深度學(xué)習(xí)多目標(biāo)識(shí)別算法使用YOLO算法［3］，其流程如圖1所示：

1）采集攝像頭原始圖像，將原圖劃分為S×S的網(wǎng)格。

2）每一個(gè)網(wǎng)格會(huì)預(yù)測(cè) B個(gè) bounding box（Object在圖片所占的矩形框，下面記為bbox）和confidence（置信度）得分，記錄的五元素具體為（x，y，w，h，P（Object）?IOU）， 其中 P（Object） 表示當(dāng)前位置是一個(gè)Object的概率，IOU預(yù)測(cè)的是重疊概率。其中x、y是中心坐標(biāo)；w、h是bbox的寬度和高度。

3）計(jì)算每一個(gè)網(wǎng)格預(yù)測(cè)的類別概率Ci＝P（Classi｜Object）。

圖1 YOLO算法流程Fig.1 Flow chart of YOLO algorithm

YOLO算法利用卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)目標(biāo)識(shí)別模型，并在PASCAL VOC數(shù)據(jù)集上進(jìn)行評(píng)估。網(wǎng)絡(luò)的初始卷積層從圖像中提取特征，而全連接層預(yù)測(cè)輸出類別概率和相應(yīng)圖像坐標(biāo)。網(wǎng)絡(luò)結(jié)構(gòu)參考同樣應(yīng)用于圖像分類的GoogLeNet模型［4］，有24個(gè)卷積層，然后是2個(gè)全連接層，如圖2所示。

在網(wǎng)絡(luò)訓(xùn)練誤差中，大bbox和小bbox權(quán)值相同。另外，網(wǎng)絡(luò)訓(xùn)練誤差的度量方式應(yīng)該反映出大bbox的小偏差與小bbox的小偏差相比更不顯著。為了解決這個(gè)問題，回歸的是bbox寬度和高度的平方根，而不是直接的寬度和高度。YOLO在每個(gè)網(wǎng)格中預(yù)測(cè)出多個(gè)bbox。在訓(xùn)練網(wǎng)絡(luò)時(shí)，對(duì)每個(gè)類別，只需要用一個(gè)bbox來負(fù)責(zé)該類別的所示，涉及的D?H參數(shù)及各軸慣性參數(shù)可參考用戶手冊(cè)［5］。

圖2 YOLO算法使用的卷積網(wǎng)絡(luò)［3］Fig.2 Convolution networks for YOLO algorithms［3］

回歸［3］。網(wǎng)絡(luò)輸出得到的代價(jià)函數(shù)如式（1）：

如果目標(biāo)在網(wǎng)格，損失函數(shù)會(huì)懲罰分類錯(cuò)誤。如果預(yù)測(cè)器起作用，該損失函數(shù)也懲罰bbox的坐標(biāo)誤差。訓(xùn)練結(jié)束后通過該回歸方程便可以實(shí)時(shí)預(yù)測(cè)目標(biāo)類別及目標(biāo)在圖像坐標(biāo)系中的坐標(biāo)，通過計(jì)算其中心深度得到目標(biāo)在相機(jī)坐標(biāo)系中的三維位置。

圖3 WAM 的 4?DOF 和 D?H 坐標(biāo)系［5］Fig.3 WAM 4?DOF dimensions and D?H frames［5］

3 機(jī)械臂控制系統(tǒng)設(shè)計(jì)

3.1 機(jī)械臂系統(tǒng)

本文所用到的機(jī)械臂是4自由度Barrett WAM機(jī)械臂，其結(jié)構(gòu)（未安裝機(jī)械手時(shí)）如圖3

3.2 相機(jī)與機(jī)械臂標(biāo)定

上述基于深度學(xué)習(xí)的目標(biāo)識(shí)別算法獲得目標(biāo)坐標(biāo)在相機(jī)坐標(biāo)系下，而機(jī)械臂的運(yùn)動(dòng)和控制基于的自身參考坐標(biāo)系，因此需要將相機(jī)坐標(biāo)系下的三維點(diǎn)轉(zhuǎn)化為機(jī)械臂坐標(biāo)系下的三維點(diǎn)，這個(gè)過程需要進(jìn)行標(biāo)定。

在機(jī)械臂與攝像機(jī)標(biāo)定問題中，可由機(jī)械臂內(nèi)部傳感器得到機(jī)械臂末端執(zhí)行器在機(jī)械臂坐標(biāo)系下的三維坐標(biāo)，通過雙目立體視覺計(jì)算出末端執(zhí)行器在攝像機(jī)坐標(biāo)系下的三維坐標(biāo)（通過第二章得到）。操作機(jī)械臂改變末端執(zhí)行器位置我們便可以得到一組點(diǎn)在不同坐標(biāo)系下的坐標(biāo)值。

問題轉(zhuǎn)化為已知空間中的同一組點(diǎn)在不同坐標(biāo)系（攝像機(jī)坐標(biāo)系、機(jī)械臂坐標(biāo)系）下的坐標(biāo)?＝ ｛（Xi，X′i）｝， 計(jì)算兩個(gè)坐標(biāo)之間的變換矩陣。Xi是由齊次向量表示的第i個(gè)三維點(diǎn)，X是4×N矩陣包含了N個(gè)點(diǎn)，這些點(diǎn)均由齊次向量表示。得到一組對(duì)應(yīng)點(diǎn)后，問題變成在3D剛性場(chǎng)景的找最優(yōu)Γr的點(diǎn)云配準(zhǔn)問題，可以為式（2）所示最小二乘問題：

Γr需要滿足SE（3）的所有約束。利用李群結(jié)構(gòu)SE（3）及其相關(guān)李代數(shù)se（3）可以將約束問題可以轉(zhuǎn)化為無(wú)約束優(yōu)化問題。定義代價(jià)函數(shù)如式（3）：

其中 C（ω，v） ＝d（exp（ω，v）Xi，X′）， 為了后面計(jì)算 Jacobian矩陣方便，令 d（·，·） ＝‖·‖2L2。

在對(duì)代價(jià)函數(shù)化簡(jiǎn)之前，有必要對(duì)輸入數(shù)據(jù)進(jìn)行規(guī)范化操作。這有利于防止收斂到錯(cuò)誤的解，且減少所需的迭代次數(shù)。分別對(duì)點(diǎn)集X和X′計(jì)算如下轉(zhuǎn)換矩陣：

對(duì)所有點(diǎn)進(jìn)行規(guī)范化操作i＝ wXi，′i＝w′X′i。對(duì)規(guī)范化后的點(diǎn)進(jìn)行后續(xù)優(yōu)化操作，當(dāng)找到最優(yōu)的 （，）?時(shí)，真實(shí)的最優(yōu)解可通過式（4）計(jì)算：

求代價(jià)函數(shù)對(duì) se（3）的Jacobian矩陣如式（5）：

將上述算法記為算法3，其流程總結(jié)如下：

1）將X和X′標(biāo)準(zhǔn)化，并且計(jì)算w和w′；

2）生成標(biāo)準(zhǔn)化后的點(diǎn)集，?i＝ wXi，′i＝ w′X′i；

3）利用標(biāo)準(zhǔn)化后的點(diǎn)集X和X′計(jì)算M；

4）x隨機(jī)取一組數(shù)x0∈R R6，滿足‖x0‖ ＜π，其中x為優(yōu)化變量 ω，v( )；

5）利用梯度下降法優(yōu)化代價(jià)函數(shù)，不斷迭代x直到它收斂于x?；

6） 利用 exp將 x?映射到 SE（3），得到（，）?。

（R，T）?＝ w′－1（，）?w， 算法結(jié)束，得到攝像機(jī)坐標(biāo)系與機(jī)械臂坐標(biāo)系之間的變換關(guān)系。在第二章通過深度學(xué)習(xí)算法可以獲得目標(biāo)在攝像機(jī)坐標(biāo)系下的三維坐標(biāo)，利用這里的位姿變換關(guān)系可以轉(zhuǎn)化為機(jī)械臂坐標(biāo)系的三維坐標(biāo)，這樣便可以用于后續(xù)機(jī)械臂的路徑規(guī)劃即期望軌跡的計(jì)算。

3.3 期望軌跡計(jì)算

利用前述系列算法已經(jīng)可以獲得目標(biāo)在機(jī)械臂坐標(biāo)系下的三維坐標(biāo)，現(xiàn)在將為機(jī)械臂從初始點(diǎn)到目標(biāo)點(diǎn)規(guī)劃一條合理的路徑，這里采用MoveIt！工具包［6］，運(yùn)動(dòng)規(guī)劃算法基于第三方運(yùn)動(dòng)學(xué)庫(kù) OMPL（Open Motion Plan Library）。

利用Rviz和MoveIt！使模型在ROS系統(tǒng)進(jìn)行運(yùn)動(dòng)仿真時(shí)可視，這樣的話，給定機(jī)械臂末端執(zhí)行器的起點(diǎn)和終點(diǎn)位置及姿態(tài)，OMPL庫(kù)就可以在線完成運(yùn)動(dòng)規(guī)劃。機(jī)械臂模型利用MoveIt！在從初始位姿到目標(biāo)位姿的運(yùn)動(dòng)規(guī)劃仿真如圖4所示。

3.4 基于李群李代數(shù)的機(jī)械臂動(dòng)力學(xué)模型

機(jī)械臂逆動(dòng)力學(xué)通常用于計(jì)算使動(dòng)力學(xué)系統(tǒng)沿著規(guī)定的關(guān)節(jié)軌跡運(yùn)動(dòng)所需的關(guān)節(jié)力矩，假設(shè)機(jī)械臂各關(guān)節(jié)角及角速度（θ，θ·）已知（期望軌跡計(jì)算）。通過給定的關(guān)節(jié)加速度θ¨計(jì)算關(guān)節(jié)力矩τ。另一方面，機(jī)械臂正動(dòng)力學(xué)通常用于積分加速度得到系統(tǒng)下一個(gè)時(shí)間步長(zhǎng)的狀態(tài)（θ，）仿真系統(tǒng)的運(yùn)動(dòng)［7－9］，利用給定的關(guān)節(jié)力矩 τ 計(jì)算關(guān)節(jié)加速度。定義如下變量：

圖4 利用MoveIt！完成運(yùn)動(dòng)規(guī)劃Fig.4 Motion planning made by MoveIt！

i：第i個(gè)關(guān)節(jié)的索引；

λ（i）：第i個(gè)關(guān)節(jié)父關(guān)節(jié)的索引；

μ（i）：第i個(gè)關(guān)節(jié)子關(guān)節(jié)的索引；

{i}：第i個(gè)關(guān)節(jié)的固連坐標(biāo)系；

T：坐標(biāo)變換矩陣；

Ii：第i個(gè)關(guān)節(jié)的廣義慣量；

Vi：{i}系下第i個(gè)關(guān)節(jié)的廣義速度；

Fi：第i個(gè)關(guān)節(jié)所受的廣義力；

令將逆動(dòng)力學(xué)算法記為算法1，計(jì)算逆動(dòng)力學(xué)的算法包含下面兩個(gè)遞推過程，總結(jié)如下：

1）前向遞推

2）反向遞推

將正動(dòng)力學(xué)算法記為算法2，計(jì)算系統(tǒng)正動(dòng)力學(xué)的算法包含三個(gè)遞推過程。假設(shè)機(jī)械臂各關(guān)節(jié)角及角速度已知（期望軌跡計(jì)算）。通過給定的關(guān)節(jié)加速度計(jì)算關(guān)節(jié)力矩。

遞推過程如下：

1）前向遞推

2）反向遞推

3）前向遞推

3.5 滑?？刂坡?/h3>

相比于其他非線性控制方法，滑?？刂浦饕獌?yōu)點(diǎn)是對(duì)動(dòng)力學(xué)建模誤差和外部干擾具有良好的魯棒性［10］。 將機(jī)械臂動(dòng)力學(xué)方程（6）、（7）總結(jié)如式（11）：

其中d為干擾力矩向量，表示機(jī)械臂真實(shí)動(dòng)力學(xué)模型與名義動(dòng)力學(xué)模型的偏差。下面給出兩個(gè)假設(shè)［11］：

1）‖M－1（θ）‖≤α，這里α為有界正常數(shù)。

2）干擾力矩向量d＝ [d1d2d3d4]T也是有界的，即 ‖di‖ ≤ βi，i ＝ 1，2，3，4。

這樣機(jī)械臂動(dòng)力學(xué)模型可以用式（12）表示：

定義跟蹤誤差：e?x－xd，設(shè)滑模面為式（13）：

這里 λ ＝ diag（λ1，λ2，λ3，λ4），λ1、λ2、λ3、λ4為正常數(shù)。首先需要設(shè)計(jì)控制律u使得S趨于O。設(shè)計(jì)Lyapunov函數(shù)如式（14）：

這里 Κ ＝ diag( k1，k2，k3，k4)，k1、k2、k3、k4為正常數(shù)。將u代入得式（17）：

對(duì)時(shí)間求導(dǎo)得加速度矩陣如式（15）：

從而控制律可設(shè)計(jì)為式（16）：

如果滿足 ki＞ αβi， 將有V·＜ O， 這樣便保證了系統(tǒng)在Lyapunov意義下是穩(wěn)定的，即保證跟蹤誤差會(huì)收斂于0。代入公式（16）可得式（18）：

滑?？刂朴幸粋€(gè)非連續(xù)項(xiàng)K sgn（S），當(dāng)選取合適的K時(shí)它將使得滑模控制對(duì)干擾具有魯棒性。但是，另一方面，該項(xiàng)也帶來了抖震，為了減小抖震，使用邊界層方法，即用si／( si＋ε)代替sgn（si），這里ε代表邊界層寬度。

4 機(jī)械臂抓取試驗(yàn)系統(tǒng)的相關(guān)驗(yàn)證

4.1 抓取系統(tǒng)簡(jiǎn)介

本系統(tǒng)設(shè)計(jì)方案考慮到雙目攝像機(jī)能夠從不同角度實(shí)時(shí)獲取目標(biāo)物體的圖像信息，以便可以較為容易地得到目標(biāo)的三維坐標(biāo)，故而采用雙目視覺系統(tǒng)。從系統(tǒng)工作的實(shí)時(shí)性考慮，采用固定攝像機(jī)的結(jié)構(gòu)，減少系統(tǒng)的計(jì)算壓力，提高相應(yīng)速度，并且將雙目相機(jī)固定在機(jī)械臂工作臺(tái)的一側(cè)，并且從安全穩(wěn)定性考慮，將其放在機(jī)械臂操作空間之外。搭建的基于視覺的機(jī)械臂控制系統(tǒng)如圖5所示，主要由兩大核心部分組成：視覺目標(biāo)識(shí)別系統(tǒng)和機(jī)械臂控制系統(tǒng)。

圖5 抓取系統(tǒng)方案Fig.5 Scheme of capture system

在操作機(jī)械臂前提前利用深度學(xué)習(xí)算法訓(xùn)練好多目標(biāo)識(shí)別模型，采集需要辨識(shí)的目標(biāo)圖像，構(gòu)建數(shù)據(jù)集，利用數(shù)據(jù)集對(duì)深度卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練，并通過正則化及非凸優(yōu)化調(diào)整網(wǎng)絡(luò)權(quán)值，提高網(wǎng)絡(luò)泛化能力。系統(tǒng)上電后，雙目攝像頭采集視頻信號(hào)將圖像信息傳送至上位機(jī)，上位機(jī)對(duì)采集的圖像信號(hào)分析，利用已經(jīng)訓(xùn)練好的深度卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)目標(biāo)的識(shí)別，通過雙目視覺系統(tǒng)得到所需的目標(biāo)物體的位置信息，上位機(jī)在得到目標(biāo)位置信息后通過機(jī)械臂運(yùn)動(dòng)學(xué)逆解或者軌跡優(yōu)化算法計(jì)算得到機(jī)械手欲達(dá)到這個(gè)位置每個(gè)關(guān)節(jié)需要轉(zhuǎn)動(dòng)的角度，根據(jù)控制算法實(shí)時(shí)計(jì)算控制器輸出，通過上位機(jī)軟件發(fā)出相應(yīng)的控制指令驅(qū)動(dòng)機(jī)械臂控制系統(tǒng)的控制器使各關(guān)節(jié)轉(zhuǎn)動(dòng)相應(yīng)的角度，以使機(jī)械手準(zhǔn)確抓取指定物體。

下面主要驗(yàn)證基于深度神經(jīng)網(wǎng)絡(luò)的多類目標(biāo)識(shí)別與定位、機(jī)械臂的滑?？刂埔约氨苷献ト∧繕?biāo)。

4.2 目標(biāo)識(shí)別試驗(yàn)

考慮NVIDIA公司的 Jetson TX1（圖6）具有Teraflops級(jí)的浮點(diǎn)計(jì)算能力和強(qiáng)大的軟件堆棧以及超低能耗，足以負(fù)載實(shí)時(shí)目標(biāo)識(shí)別的應(yīng)用和開發(fā)，因此本文所用基于深度學(xué)習(xí)的YOLO算法使用此板卡實(shí)現(xiàn)。

圖6 TX1的GPU板卡及開發(fā)者套件［12］Fig.6 TX1 GPU board and Developer Suite［12］

YOLO所依賴的深度學(xué)習(xí)框架為darknet，模型訓(xùn)練所需的超參數(shù)設(shè)置如下：1）基礎(chǔ)學(xué)習(xí)率learning＿rate 為 0.001；2） 學(xué)習(xí)率的衰減策略 pol?icy為“steps”，步長(zhǎng) stepsize 為 40000；3） 學(xué)習(xí)率的變化比率 scales為0.1；4）最大迭代次數(shù) max＿batche為 80200；5） 動(dòng)量 momentum 為 0.9；6） 權(quán)重衰減項(xiàng) decay為0.0005。

識(shí)別算法神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如表1所示。

表1 網(wǎng)絡(luò)結(jié)構(gòu)Table 1 Network structure

訓(xùn)練過程如下：

1）首先是數(shù)據(jù)的準(zhǔn)備，目前驗(yàn)證目標(biāo)識(shí)別算法可以通過一些標(biāo)準(zhǔn)數(shù)據(jù)集，如Kitti數(shù)據(jù)集。如果數(shù)據(jù)集不標(biāo)準(zhǔn)，需要將數(shù)據(jù)集轉(zhuǎn)化為標(biāo)準(zhǔn)數(shù)據(jù)集的形式，常見的有VOC格式。

2）然后通過YOLO算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)連接權(quán)值，生成權(quán)值文件，這個(gè)訓(xùn)練過程可以通過TX1的GPU加速。

通過圖7所示結(jié)果可以看出，YOLO算法識(shí)別出了包括顯示屏、椅子、杯子、人等對(duì)象，對(duì)多類目標(biāo)實(shí)現(xiàn)了較好的識(shí)別與較精準(zhǔn)的定位。

圖7 測(cè)試結(jié)果Fig.7 Test results

4.3 滑?？刂乞?yàn)證

針對(duì)本文所用滑?？刂坡?，首先設(shè)計(jì)一個(gè)仿真算例。該示例用于跟蹤一個(gè)參考軌跡 θd（t），其表達(dá)式為： θd（t） ＝ ［0.1 ＋ 0.5sin0.6 t －1.5708 0 3.14］T， 設(shè) 初 始 條 件 為 θ（0） ＝[0 － 1.5708 0 3.14]T， 控制律的相關(guān)參數(shù)為： λ ＝ 20Ι4×4、Κ ＝ 25Ι4×4、ε ＝ ［0.5 0.5 0.5 0.5］T， 仿真的采樣時(shí)間為 0.001 s。 得到圖 8 所示結(jié)果。

圖8 關(guān)節(jié)角1參考軌跡跟蹤仿真結(jié)果Fig.8 Simulation results of joint angle 1 in trajectory tracking experiments

由上圖可知滑?？刂圃诟櫿臆壽E時(shí)響應(yīng)速度很快，在0.21 s時(shí)誤差即在2%。控制力矩在初始時(shí)刻較大，隨著實(shí)際關(guān)節(jié)軌跡趨近于期望關(guān)節(jié)軌跡，控制力矩將趨于0。

通過該仿真試驗(yàn)可知該控制律控制精度滿足控制要求，下面完成實(shí)物試驗(yàn)。

在WAM機(jī)械臂的Ubuntu12.04實(shí)時(shí)操作系統(tǒng)上用C＋＋編寫控制程序?qū)崿F(xiàn)上述控制算法。由PC機(jī)通過Socket協(xié)議向機(jī)械臂發(fā)出控制指令，從而實(shí)現(xiàn)對(duì)機(jī)械臂的實(shí)時(shí)控制。本試驗(yàn)用于跟蹤一個(gè)參考軌跡θd（t），其表達(dá)式為：θ （t）

d初始條件為θ（0） ＝ [0.1 － 0.6854 0.1 1.6708]T， 控制律的相關(guān)參數(shù)設(shè)為 λ ＝ 70Ι4×4、Κ ＝ 50Ι4×4、ε＝ [0.5 0.5 0.5 0.5]T。 得到如圖9所示結(jié)果。

由多關(guān)節(jié)聯(lián)動(dòng)試驗(yàn)可知，滑模控制可以對(duì)多關(guān)節(jié)同時(shí)進(jìn)行高精度跟蹤。

4.4 避障抓取試驗(yàn)

如圖10～11所示，在完成目標(biāo)識(shí)別與定位后，通過期望軌跡計(jì)算得到有效關(guān)節(jié)軌跡，控制機(jī)械臂跟蹤該路徑，同時(shí)還需要避免各關(guān)節(jié)與障礙物的碰撞，在空間足夠的地方，張開Bhand?280機(jī)械手，然后在接近目標(biāo)的位置處實(shí)施抓取動(dòng)作。在目標(biāo)位置完成抓取后，機(jī)械臂需要收回到基座，這時(shí)同樣需要避免各關(guān)節(jié)與障礙物的碰撞。最終的抓取試驗(yàn)是成功的。

5 結(jié)論

本文通過仿真驗(yàn)證及實(shí)物抓取驗(yàn)證，實(shí)現(xiàn)了基于深度學(xué)習(xí)的的目標(biāo)快速精確識(shí)別，能在小樣本環(huán)境下快速給出目標(biāo)的分類及定位信息，為抓取規(guī)劃控制提供了前提。同時(shí)從實(shí)際機(jī)械臂運(yùn)行精度可以得出所設(shè)計(jì)滑?？刂坡删哂惺褂每煽啃浴５壳皩?shí)驗(yàn)環(huán)境相對(duì)單一，驗(yàn)證任務(wù)相對(duì)簡(jiǎn)單，后續(xù)將在本文的基礎(chǔ)上在高動(dòng)態(tài)環(huán)境下復(fù)雜多目標(biāo)識(shí)別，協(xié)同抓取等方面展開進(jìn)一步研究。

圖10 機(jī)械臂避障抓取目標(biāo)過程Fig.10 The process of obstacle avoidance and target capture by the robotic arm

圖11 機(jī)械臂抓取目標(biāo)后返回避障過程Fig.11 The process of obstacle avoidance and retur?ning after target grasping of the robotic arm

［1］ 鄧樺.機(jī)械臂空間目標(biāo)視覺抓取的研究［D］.哈爾濱：哈爾濱工業(yè)大學(xué)，2013.

Deng Hua.Research on Visual Capture of Robot Arm with Spatial Target［D］.Harbin： Harbin Institute of Technology，2013.（in Chinese）

［2］ 于灝洋.基于雙目視覺的伺服機(jī)械臂運(yùn)動(dòng)控制研究［D］.大連：大連理工大學(xué)，2016.

Yu Haoyang.Research on Motion Control of Servo Arm based on Binocular Vision ［D］.Dalian： Dalian University of Tech?nology， 2016.（in Chinese）

［ 3 ］ Redmon J， Divvala S， Girshick R， et al.You only look once： Unified， real?time object detection［C］ ／／Proceedings of the IEEE Conference on Computer Vision and Pattern Rec?ognition.2016： 779?788.

［ 4 ］ Redmon J， Farhadi A.YOLO9000： better， faster， stronger［J］.arXiv preprint arXiv： 1612.08242， 2016.

［5］ The WAMTMArm ［EB／OL］.https：／／www.barrett.com／wam?arm／.

［6］ 孟韶南，梁雁冰，師恒.基于ROS平臺(tái)的六自由度機(jī)械臂運(yùn)動(dòng)規(guī)劃［J］.上海交通大學(xué)學(xué)報(bào)， 2016（S1）：94?97.

Meng Shaonan， Liang Yanbing， Shi Heng.Motion planning of six degree of freedom robot arm based on ROSplatform［J］.Journal of Shanghai Jiao Tong University， 2016（S1）： 94?97.（in Chinese）

［7］ 劉鵬，王強(qiáng)，張偉.機(jī)械臂動(dòng)力學(xué)建模及控制仿真［J］.自動(dòng)化與儀表， 2017（03）： 9?12.