董元發(fā) 蔣 磊 彭 巍 周 彬 方子帆

1.三峽大學(xué)智能制造創(chuàng)新技術(shù)中心，宜昌，443002 2.三峽大學(xué)機(jī)械與動(dòng)力學(xué)院，宜昌，443002

0 引言

裝配是產(chǎn)品生產(chǎn)過(guò)程中的重要環(huán)節(jié)之一，在現(xiàn)代工業(yè)制造中，裝配工作量平均占整個(gè)產(chǎn)品制造工作量的45%，費(fèi)用占制造總費(fèi)用的20%～30%[1]。靈活、高效的裝配過(guò)程能極大保證產(chǎn)品的生產(chǎn)效率。以水輪機(jī)、飛機(jī)等復(fù)雜產(chǎn)品裝配為例，由于其精度要求高、工序復(fù)雜、品種多、柔性大、批量小，裝配過(guò)程與方法有別于一般的機(jī)械產(chǎn)品，仍然主要由技藝嫻熟的操作人員完成，因此不可避免地存在操作人員在狹小空間、重載、噪聲、振動(dòng)、異味等惡劣環(huán)境下工作帶來(lái)的工效學(xué)問題。采用完全自動(dòng)化的裝備與生產(chǎn)線固然可以提高裝配作業(yè)效率，然而經(jīng)濟(jì)性差且技術(shù)難度很大，因此具備高度靈活性和自動(dòng)化水平的人機(jī)協(xié)作裝配模式逐步成為該領(lǐng)域關(guān)注的熱點(diǎn)和焦點(diǎn)。

隨著機(jī)器人技術(shù)的快速發(fā)展，協(xié)作機(jī)器人被引入裝配系統(tǒng)與人一起協(xié)作完成裝配任務(wù)。在這種人機(jī)協(xié)作(human robot collaboration，HRC)裝配模式下，協(xié)作機(jī)器人負(fù)責(zé)強(qiáng)度大、具有重復(fù)性、準(zhǔn)確度要求高的工作部分，工人負(fù)責(zé)靈活性強(qiáng)、需要?jiǎng)?chuàng)造力、變化性大的工作部分[2]，兩者結(jié)合起來(lái)既能發(fā)揮工人的認(rèn)知能力，減輕其體力負(fù)擔(dān)，又能發(fā)揮協(xié)作機(jī)器人連續(xù)工作能力強(qiáng)、不會(huì)疲勞的特點(diǎn)。與全自動(dòng)裝配或純?nèi)斯ぱb配相比，HRC裝配模式能實(shí)現(xiàn)人與機(jī)器的優(yōu)勢(shì)互補(bǔ)，提高整體裝配效率[3]。HRC裝配過(guò)程首先需要解決的是人機(jī)協(xié)作裝配意圖的識(shí)別問題[4]。

根據(jù)人的意圖信息采集方式的不同，意圖識(shí)別系統(tǒng)一般可分為非穿戴式和穿戴式。非穿戴式系統(tǒng)一般使用在特定場(chǎng)景，如接觸力識(shí)別系統(tǒng)[5]、視覺識(shí)別系統(tǒng)[6]；穿戴式系統(tǒng)通過(guò)收集并解析人體生理電信號(hào)來(lái)獲取意圖信息，如基于腦電信號(hào)和基于肌電信號(hào)意圖識(shí)別系統(tǒng)。協(xié)作意圖的起源來(lái)自大腦的認(rèn)知和決策活動(dòng)，同時(shí)工人在執(zhí)行裝配動(dòng)作時(shí)不可避免地伴隨著大量肢體動(dòng)作，上述活動(dòng)都會(huì)造成人體生理電信號(hào)的變化，這些生理電信號(hào)中蘊(yùn)含著大量的人體運(yùn)動(dòng)意圖信息，能直觀地表達(dá)人的意圖，且能與視覺、力覺等其他意圖來(lái)源組成多模式意圖識(shí)別模式。因此，基于生理電信號(hào)的人機(jī)協(xié)作意圖識(shí)別逐漸成為人機(jī)協(xié)作領(lǐng)域的研究熱點(diǎn)[3]。PRAKAKSITA等[7-9]通過(guò)分析腦電信號(hào)并將其轉(zhuǎn)化成命令去控制機(jī)器人。WANG等[10]將腦電信號(hào)轉(zhuǎn)換成時(shí)頻圖像，再由卷積神經(jīng)網(wǎng)絡(luò)分類觸發(fā)功能塊網(wǎng)絡(luò)進(jìn)行組裝動(dòng)作的命令。LIU等[11]從可佩戴腦電設(shè)備獲取腦電信號(hào)并將其處理后轉(zhuǎn)為控制命令來(lái)遠(yuǎn)程控制機(jī)器人。DING等[12]基于表面肌電信號(hào)和狀態(tài)空間模型對(duì)人體手臂關(guān)節(jié)連續(xù)運(yùn)動(dòng)角度進(jìn)行了預(yù)測(cè)。CALABR等[13]通過(guò)表面肌電信號(hào)獲取人體下肢運(yùn)動(dòng)意圖并用于控制外骨骼機(jī)器人。以上基于單一生理信號(hào)的意圖識(shí)別方法雖然取得了較好的效果，但仍然存在一定的局限性，如腦電信號(hào)的微弱性和信噪比低等特點(diǎn)使得其多模式動(dòng)作識(shí)別準(zhǔn)確率有待提高；此外，隨著肌肉疲勞程度的上升，基于肌電信號(hào)的意圖識(shí)別準(zhǔn)確率逐步降低[14]。鑒于此，文獻(xiàn)[15-17]通過(guò)多信號(hào)融合驗(yàn)證了多模式融合方法具有更好的穩(wěn)定性，文獻(xiàn)[18]證實(shí)了在進(jìn)行肌肉運(yùn)動(dòng)時(shí)腦電信號(hào)和肌電信號(hào)之間存在相關(guān)性。

綜上所述，本文針對(duì)人機(jī)協(xié)作裝配場(chǎng)景下基于單源生理電信號(hào)識(shí)別協(xié)作意圖準(zhǔn)確率不高、穩(wěn)定性不好的問題，同時(shí)獲取工人在進(jìn)行裝配動(dòng)作時(shí)腦電(EEG)信號(hào)和肌電(EMG)信號(hào)，并分別基于支持向量機(jī)(support vector machines，SVM)識(shí)別單源協(xié)作意圖，然后采用D-S證據(jù)理論對(duì)多源協(xié)作意圖進(jìn)行融合，提出一種融合EEG-EMG信號(hào)的人機(jī)協(xié)作裝配意圖識(shí)別方法。

1 人機(jī)協(xié)作裝配意圖識(shí)別問題框架

1.1 人機(jī)協(xié)作裝配場(chǎng)景描述

通常情況下人機(jī)協(xié)作裝配工位包含裝配區(qū)、零件區(qū)、工具區(qū)以及協(xié)作機(jī)器人，圖1所示為一種可能的布局，待裝配零件放置在零件區(qū)，裝配所需要的工具放置在工具區(qū)，工人在裝配區(qū)進(jìn)行裝配作業(yè)，協(xié)作機(jī)器人的運(yùn)動(dòng)范圍涵蓋以上三個(gè)區(qū)域，并與工人在裝配區(qū)有一定的共享區(qū)域，可協(xié)助工人固定待裝配件、遞送零件或工具等。

圖1 人機(jī)協(xié)作裝配工位示意圖Fig.1 Schematic diagram of HRC assembly station

一項(xiàng)裝配任務(wù)往往包含多個(gè)裝配工序，而每個(gè)裝配工序又由工人的一系列元?jiǎng)幼饔袡C(jī)組合完成，如擰、握、推、拉、抬等。不同元?jiǎng)幼鲗?duì)應(yīng)的生理電信號(hào)往往也不同，因此可以借助信號(hào)特征提取與模式識(shí)別的方法分析工人的裝配意圖，并結(jié)合裝配工藝知識(shí)和其他感知手段(如機(jī)器視覺、力反饋等)獲得的上下文信息(如工件位置與空間拓?fù)潢P(guān)系、機(jī)器人狀態(tài)、人體姿態(tài)等)推理出目前所處的裝配階段及下一步裝配工序，從而引導(dǎo)協(xié)作機(jī)器人配合工人完成裝配作業(yè)。

1.2 人機(jī)協(xié)作裝配意圖識(shí)別系統(tǒng)構(gòu)成

如圖2所示，人機(jī)協(xié)作裝配意圖識(shí)別系統(tǒng)一般由4個(gè)模塊組成。模塊1由可內(nèi)置在工人安全帽的腦電儀及便攜式肌電儀收集工人在進(jìn)行裝配動(dòng)作時(shí)的生理電信號(hào)，并通過(guò)儀器內(nèi)置藍(lán)牙或無(wú)線協(xié)議將信號(hào)傳輸至模塊3；模塊2為用戶界面，允許工人啟停生理儀器，觀察協(xié)作機(jī)器人狀態(tài)；模塊3接收到信號(hào)后進(jìn)行特征提取并基于多源生理電信號(hào)識(shí)別人機(jī)協(xié)作裝配意圖，結(jié)合意圖識(shí)別結(jié)果和其他裝配信息通過(guò)推理決策生成協(xié)作機(jī)器人運(yùn)動(dòng)控制指令并發(fā)送至模塊4，以控制機(jī)器人并執(zhí)行裝配任務(wù)。

圖2 人機(jī)協(xié)作裝配意圖識(shí)別系統(tǒng)框架圖Fig.2 Frame diagram of HRC assembly intention recognition system

2 人機(jī)協(xié)作裝配意圖識(shí)別關(guān)鍵技術(shù)

2.1 EEG信號(hào)特征提取

人機(jī)協(xié)作裝配場(chǎng)景下的腦電信號(hào)通常包含較多的噪聲干擾，如外部環(huán)境及腦電設(shè)備的噪聲，眼電、肌電偽跡等，在進(jìn)行特征提取前應(yīng)進(jìn)行預(yù)處理。已有研究表明[19-20]，采用事件相關(guān)去同步化(event related desynchronization，ERD)和事件相關(guān)同步化(event related synchronization，ERS)分析方法得到的腦電運(yùn)動(dòng)想象特征主要集中在8～30 Hz，主要為Alpha頻段(8～13 Hz)、Beta頻段(13～30 Hz)，因此對(duì)腦電信號(hào)采用5～45 Hz的帶通濾波，以消除基線漂移產(chǎn)生的噪聲干擾。此外，通過(guò)獨(dú)立分量分析(independent component analysis，ICA)去除腦電信號(hào)中的眼電、肌電等偽跡。

采用共空間模式(common spatial pattern，CSP)算法對(duì)ERS/ERD的腦電信號(hào)進(jìn)行二分類特征提取時(shí)非常有效[19]，它的運(yùn)行原理是將腦電信號(hào)進(jìn)行空間投影并找到一組空間濾波器，使得其中一類信號(hào)在這組空間濾波器的作用下方差達(dá)到最大，而另一類信號(hào)方差達(dá)到最小，從而達(dá)到分類的目的，二分類CSP運(yùn)算過(guò)程詳見文獻(xiàn)[21]，此處不再贅述。針對(duì)n分類任務(wù)，可采用“一對(duì)一”的CSP策略[22-23]，將其轉(zhuǎn)化為n(n-1)/2個(gè)二分類任務(wù)，對(duì)n類信號(hào)分別兩兩做CSP算法運(yùn)算，得到n(n-1)/2個(gè)投影矩陣后將它們組合起來(lái)形成1個(gè)共空間濾波器，使用此共空間濾波器濾波后的數(shù)據(jù)即可作為區(qū)分n類信號(hào)的特征矩陣，其中行代表Trial(試次)，列代表特征。

2.2 EMG信號(hào)特征提取

工人進(jìn)行裝配動(dòng)作時(shí)產(chǎn)生的肌電信號(hào)的有效頻率成分一般分布在0～500 Hz。對(duì)肌電信號(hào)特征提取前先進(jìn)行如下預(yù)處理：采用巴特沃斯6階濾波器進(jìn)行10～450 Hz的帶通濾波，采用50 Hz的陷波濾波器消除工頻干擾，并進(jìn)行去中值平滑處理。

首先對(duì)采集到的肌電信號(hào)作“加窗”處理。設(shè)一個(gè)時(shí)間窗長(zhǎng)度為T，分別對(duì)每個(gè)T時(shí)間長(zhǎng)度里的肌電信號(hào)xi(i=1，2，…)進(jìn)行特征提取。本文選取平均絕對(duì)值、均方根值、波形長(zhǎng)度等3個(gè)變量表征肌電信號(hào)特征。

平均絕對(duì)值(MAV)計(jì)算公式為

(1)

均方根值(RMS)計(jì)算公式為

(2)

波形長(zhǎng)度(WL)計(jì)算公式為

(3)

在每一個(gè)時(shí)間窗里分別提取MAV、RMS、WL三個(gè)特征變量組成特征向量

vi=(eMAV，i，eRMS，i，LW，i)

(4)

則N個(gè)時(shí)間窗的特征向量組成特征向量組

V=(v1，v2，v3，…，vN)T

(5)

2.3 多源協(xié)作意圖識(shí)別與融合

人機(jī)協(xié)作裝配過(guò)程中，每一類生理電信號(hào)均可用于識(shí)別工人的裝配意圖，只是存在識(shí)別精度和穩(wěn)定性的差異，故需要對(duì)多源協(xié)作裝配意圖識(shí)別結(jié)果進(jìn)行融合以提高識(shí)別精度。如圖3所示，首先采用2.1節(jié)和2.2節(jié)的方法分別對(duì)人機(jī)協(xié)作裝配時(shí)采集到的EEG和EMG信號(hào)進(jìn)行預(yù)處理和特征提取，然后基于SVM分別構(gòu)建EEG和EMG信號(hào)的特征分類器并用于單源協(xié)作意圖識(shí)別。SVM理論相對(duì)比較成熟，此處不再贅述。特別要說(shuō)明的是，對(duì)于n分類任務(wù)可采用“一對(duì)一”的SVM策略[24]，在任意兩類樣本間各構(gòu)建n(n-1)/2個(gè)SVM分類器，用構(gòu)建的分類器對(duì)測(cè)試數(shù)據(jù)進(jìn)行測(cè)試，在得到的測(cè)試結(jié)果中采用投票的形式，票最多者為最終結(jié)果。由于人機(jī)協(xié)作裝配場(chǎng)景下采集到的EEG和EMG信號(hào)易受到汗水、大幅度動(dòng)作或工人精神不集中等影響，而且采用訓(xùn)練好的SVM分類器識(shí)別單源協(xié)作意圖本身也存在較大不確定性，本文借助D-S證據(jù)理論處理各單源協(xié)作意圖識(shí)別結(jié)果中的不確定性。

圖3 多源協(xié)作意圖融合流程圖Fig.3 Flow chart of multi-source collaboration intention fusion

D-S理論是在概率論的基礎(chǔ)上，將單個(gè)事件的不確定性問題轉(zhuǎn)化為以多個(gè)事件為一個(gè)集合的集合不確定性問題。設(shè)Ω為人機(jī)協(xié)作裝配意圖所有可能取值的有限集合，且Ω中的每個(gè)元素都相互獨(dú)立，則由Ω的所有子集構(gòu)成的冪集記為2Ω。當(dāng)Ω中的元素個(gè)數(shù)為N時(shí)，則其冪集2Ω的元素個(gè)數(shù)為2N，且其中的每一個(gè)元素A都對(duì)應(yīng)一個(gè)關(guān)于協(xié)作意圖識(shí)別結(jié)果的命題，稱該命題為“協(xié)作意圖識(shí)別結(jié)果在A中”。例如，A={擰}表示“協(xié)作意圖識(shí)別結(jié)果為擰”；若A={擰，推}，則表示“協(xié)作意圖識(shí)別結(jié)果為擰或者推”。

設(shè)函數(shù)m：2Ω→[0，1]，且滿足：

(6)

則稱m為2Ω上的概率分配函數(shù)，可通過(guò)SVM的預(yù)測(cè)函數(shù)得到；m(A)為協(xié)作意圖識(shí)別結(jié)果A的基本概率數(shù)，表示對(duì)通過(guò)SVM分類器判定協(xié)作意圖識(shí)別結(jié)果為A的信任程度。對(duì)于同一個(gè)識(shí)別結(jié)果，由于其證據(jù)的來(lái)源不同，可能會(huì)出現(xiàn)不同的概率分配函數(shù)，因此需要對(duì)它們進(jìn)行組合。

設(shè)m1、m2分別為通過(guò)EEG和EMG兩種生理電信號(hào)識(shí)別得到的協(xié)作意圖概率分配函數(shù)，則其正交和m=m1⊕m2滿足：

(7)

(8)

如果K≠0，則正交和m也是一個(gè)協(xié)作意圖概率分配函數(shù)；如果K=0，則不存在正交和m，稱m1和m2矛盾。

對(duì)于組合EEG信號(hào)和EMG信號(hào)識(shí)別結(jié)果后形成的新概率分配函數(shù)m，需要將其轉(zhuǎn)換為協(xié)作意圖識(shí)別結(jié)果A的類概率函數(shù)f(A)，取具有最大類概率的A為最終協(xié)作意圖識(shí)別結(jié)果。對(duì)于任意A，其類概率f(A)按如下方法計(jì)算：

(9)

(10)

Pl(A)=1-Bel(┐A)

(11)

┐A=Ω-A

(12)

式中，|A|、|Ω|分別為A和Ω中包含元素的個(gè)數(shù)；信任函數(shù)Bel(A)表示對(duì)協(xié)作意圖識(shí)別結(jié)果為A的信任程度，其值為A的所有子集的基本概率之和；似然函數(shù)Pl(A)表示對(duì)協(xié)作意圖識(shí)別結(jié)果為A非假的信任度。

3 實(shí)驗(yàn)及結(jié)果分析

3.1 實(shí)驗(yàn)環(huán)境

減速器廣泛應(yīng)用在各類機(jī)械設(shè)備的傳動(dòng)系統(tǒng)中，其裝配工藝目前仍然以手動(dòng)或半自動(dòng)為主。通過(guò)動(dòng)素分析，抓(握)、推(入)、擰(緊)是減速器裝配過(guò)程中最常見的三類元?jiǎng)幼?，本文以某減速器軸承蓋和窺視孔蓋的裝配過(guò)程為例驗(yàn)證所提理論方法的可行性。實(shí)驗(yàn)環(huán)境如圖4所示，由被試者、UR5協(xié)作機(jī)器人、待裝配零部件、腦電儀、肌電儀、數(shù)據(jù)處理服務(wù)器等構(gòu)成，被試者與一臺(tái)UR5協(xié)作機(jī)器人在同一空間內(nèi)共同完成指定裝配任務(wù)。其中腦電信號(hào)采用Emotiv無(wú)線便攜式腦電儀采集，采樣頻率為128 Hz，電極按照國(guó)際10-20標(biāo)準(zhǔn)電極安放法安放，其安放位置如圖5a所示，其中“CMS”和“DRL”為參考電極。肌電信號(hào)采用Cometa無(wú)線表面肌電測(cè)試儀采集，其采樣頻率為2 kHz，肌電電極采用環(huán)式貼法，共采集4個(gè)通道的肌電數(shù)據(jù)，電極布置如圖5b所示。

圖4 實(shí)驗(yàn)場(chǎng)景圖Fig.4 Experimental scene

(a)腦電電極放置位置 (b)肌電電極放置位置圖5 電極放置位置Fig.5 Electrode placement position

3.2 數(shù)據(jù)采集

本次實(shí)驗(yàn)共招募被試者8名，其中男性5名，女性3名，年齡23～26歲，在實(shí)驗(yàn)前每名被試者都知曉實(shí)驗(yàn)內(nèi)容并簽署了知情同意書。如圖6所示，8位被試者按照?qǐng)D中的順序依次做出抓、推、擰的裝配動(dòng)作，每個(gè)元?jiǎng)幼髟? s內(nèi)完成，完成后休息2 s切換至下一元?jiǎng)幼?，整套?dòng)作重復(fù)50次。被試者執(zhí)行上述動(dòng)作的同時(shí)同步采集被試者的EEG和EMG信號(hào)并加上動(dòng)作標(biāo)簽，形成用于后續(xù)分析的數(shù)據(jù)集。

圖6 實(shí)驗(yàn)數(shù)據(jù)采集流程圖Fig.6 Experimental data collection flowchart

3.3 結(jié)果分析

3.3.1單源協(xié)作意圖識(shí)別結(jié)果分析

在3.2節(jié)的實(shí)驗(yàn)中共采集400組數(shù)據(jù)，隨機(jī)選取其中70%作為訓(xùn)練集，30%作測(cè)試集，將數(shù)據(jù)分別進(jìn)行預(yù)處理和特征提取后，基于SVM進(jìn)行單源協(xié)作意圖識(shí)別?；贓EG信號(hào)的協(xié)作意圖識(shí)別準(zhǔn)確率如表1所示，被試者S1～S8在三種協(xié)作裝配意圖中最高識(shí)別準(zhǔn)確率分別可達(dá)到79.43%、80.53%、81.12%，平均準(zhǔn)確率分別為76.95%、76.37%、76.92%。雖然協(xié)作意圖識(shí)別準(zhǔn)確率略有波動(dòng)，但波動(dòng)幅度不大，在平均識(shí)別準(zhǔn)確率的上下波動(dòng)率分別為2.96%±0.48%、3.40%±0.76%、3.38%±0.82%，說(shuō)明CSP+SVM的腦電處理方法泛化性較好，適合用于人機(jī)協(xié)作裝配意圖的識(shí)別。

表1 基于EEG信號(hào)的協(xié)作裝配意圖識(shí)別準(zhǔn)確率Tab.1 Accuracy of collaborative assembly intention recognition based on EEG signals %

基于肌電信號(hào)的協(xié)作意圖識(shí)別準(zhǔn)確率如表2所示，基于肌電信號(hào)的整體意圖識(shí)別準(zhǔn)確率要高于基于腦電信號(hào)的準(zhǔn)確率，三種協(xié)作裝配意圖中最高識(shí)別準(zhǔn)確率分別可達(dá)到95.61%、94.12%、95.95%，平均準(zhǔn)確率分別為93.56%、92.66%、92.93%。為了探究不同肌電特征組合對(duì)于識(shí)別準(zhǔn)確率的影響，本文對(duì)不同肌電特征組合進(jìn)行了驗(yàn)證。不同肌電特征組合的識(shí)別準(zhǔn)確率如表3所示，MAV+RMS+WL特征組合的識(shí)別準(zhǔn)確率最高，說(shuō)明本文肌電特征指標(biāo)的選取是有效的。

表2 基于EMG信號(hào)的協(xié)作裝配意圖識(shí)別準(zhǔn)確率Tab.2 Accuracy of collaborative assembly intention recognition based on EMG signals %

表3 不同肌電特征組合下的協(xié)作裝配意圖識(shí)別準(zhǔn)確率Tab.3 Accuracy of collaborative assembly intention recognition under different EMG feature combinations %

3.3.2多源協(xié)作意圖融合結(jié)果分析

基于D-S理論的多源協(xié)作意圖融合識(shí)別結(jié)果與單源協(xié)作意圖識(shí)別結(jié)果準(zhǔn)確率對(duì)比如表4所示，采用多源協(xié)作意圖識(shí)別與融合方法的平均準(zhǔn)確率較基于單一EEG信號(hào)的協(xié)作意圖識(shí)別平均準(zhǔn)確率有較大提高(19.38%)，說(shuō)明EMG信號(hào)的融入能有效提高基于EEG信號(hào)的意圖識(shí)別準(zhǔn)確率；較基于EMG信號(hào)的協(xié)作意圖識(shí)別平均準(zhǔn)確率提高3.07%，識(shí)別準(zhǔn)確率的上下波動(dòng)從2.54%±0.08%降至1.21%±0.23%，說(shuō)明EEG信號(hào)的融入能提高基于EMG信號(hào)的協(xié)作意圖識(shí)別的穩(wěn)定性。為對(duì)上述結(jié)果進(jìn)行交叉驗(yàn)證，隨機(jī)選取400組數(shù)據(jù)的70%作為訓(xùn)練集，30%作為測(cè)試集，協(xié)作意圖識(shí)別準(zhǔn)確率如圖7所示，可以看出多源協(xié)作意圖融合方法的識(shí)別準(zhǔn)確率要顯著優(yōu)于單源協(xié)作意圖識(shí)別方法。

表4 單源與多源融合識(shí)別準(zhǔn)確率對(duì)比Tab.4 Comparison of recognition accuracy between single source and multi-source fusion %

3.4 實(shí)驗(yàn)效果

基于EEG-EMG多源融合的方法開發(fā)了人機(jī)協(xié)作裝配意圖識(shí)別原型系統(tǒng)，該系統(tǒng)實(shí)時(shí)采集被試者的EEG和EMG信號(hào)并進(jìn)行1 s的“加窗+滑窗”，采用3.3.2節(jié)訓(xùn)練得到的預(yù)測(cè)模型識(shí)別被試者的裝配意圖，從而支持后續(xù)結(jié)合其他場(chǎng)景識(shí)別信息和裝配工藝知識(shí)庫(kù)自動(dòng)推理得到協(xié)作機(jī)器人的控制指令，完成人機(jī)協(xié)作裝配。圖8所示為某被試者在完成減速器裝配過(guò)程中的實(shí)時(shí)識(shí)別結(jié)果，可以看到基于EEG-EMG多源融合的方法在實(shí)際人機(jī)協(xié)作裝配過(guò)程中具有較好的可行性和識(shí)別準(zhǔn)確率。

圖8 原型系統(tǒng)實(shí)驗(yàn)效果Fig.8 Experimental effect of prototype system

4 討論和結(jié)論

在人機(jī)協(xié)作裝配場(chǎng)景下，利用生理電信號(hào)進(jìn)行協(xié)作意圖識(shí)別有如下優(yōu)點(diǎn)：①可與其他意圖識(shí)別方式(語(yǔ)音、手勢(shì)、觸覺)形成多模式意圖識(shí)別；②生理電信號(hào)采集設(shè)備輕便，可集成在工作服上，操作員可自由移動(dòng)而不受設(shè)備的限制。但由于生理信號(hào)自身的特點(diǎn)，在人機(jī)協(xié)作裝配場(chǎng)景下想要保持較好的識(shí)別準(zhǔn)確率與穩(wěn)定性是一項(xiàng)具有挑戰(zhàn)性的工作。

基于單一EEG信號(hào)的協(xié)作裝配意圖識(shí)別準(zhǔn)確率較低(76%)，因?yàn)椴煌辉囌咴谶M(jìn)行運(yùn)動(dòng)想象時(shí)大腦產(chǎn)生的ERD/ERS現(xiàn)象存在差異性，且裝配過(guò)程中大量的手部裝配動(dòng)作會(huì)對(duì)工人的注意力分配產(chǎn)生影響。為探究注意力集中程度對(duì)協(xié)作裝配意圖識(shí)別準(zhǔn)確率的影響，將同一被試者的EEG信號(hào)前半段和后半段分別用于協(xié)作裝配意圖識(shí)別，由于剛開始實(shí)驗(yàn)時(shí)被試者注意力集中程度較高，前半段數(shù)據(jù)的協(xié)作意圖識(shí)別準(zhǔn)確率明顯優(yōu)于后半段數(shù)據(jù)；加入EMG信號(hào)后，協(xié)作意圖識(shí)別的準(zhǔn)確率顯著提高(96%)。

基于單一EMG信號(hào)的協(xié)作裝配意圖識(shí)別準(zhǔn)確率較好(93%)。根據(jù)謝平[14]等的研究，隨著肌肉疲勞程度的增加，意圖識(shí)別準(zhǔn)確率將明顯下降，在肌電信號(hào)將近缺失時(shí)將降至70%以下。將同一被試者的肌電信號(hào)截段后進(jìn)行協(xié)作意圖識(shí)別，其識(shí)別準(zhǔn)確率按先后順序呈現(xiàn)下降的趨勢(shì)，符合謝平[14]等的研究結(jié)果。另外，由于人的動(dòng)作具有不確定性，即使是同一個(gè)實(shí)驗(yàn)動(dòng)作，被試者在執(zhí)行時(shí)也存在差異，因此在裝配過(guò)程中依靠單一EMG信號(hào)進(jìn)行協(xié)作意圖識(shí)別可能存在肌電信號(hào)類似卻不是目標(biāo)動(dòng)作而發(fā)生誤判的現(xiàn)象。本文結(jié)合EEG信號(hào)與EMG信號(hào)，首先分別進(jìn)行單源協(xié)作意圖識(shí)別，再在決策層進(jìn)行多源協(xié)作意圖融合得到最終協(xié)作裝配意圖識(shí)別結(jié)果，有效地提高了人機(jī)協(xié)作裝配意圖識(shí)別的準(zhǔn)確率和穩(wěn)定性。