机器人轴孔装配是一种经典的机器人装配操作任务
[1-4]
。机器人在进行轴孔装配操作的
过程中,即装载在机器人末端的轴在孔中进行接触运动时,轴孔之间呈现出不同的相对位
姿和相互接触力状态,即接触状态。它体现了轴孔之间的几何相对关系及接触中的力信
息。
在装配过程中,轴孔之间一般存在多种接触状态类型。而在不同的接触状态类型下,
其接触动力学模型是不同的,即接触状态不同,要控制的系统的状态方程也不同。因此,
接触状态是一个典型的混合系统,而该交互过程所对应的控制系统是一个典型的切换系
统。在装配过程中,通过对接触状态类型的实时监控与辨识,可以选择更有针对性的控制
律,也可以增强针对装配事件的安全监控。因此,如何有效地利用接触过程中的信息对接
触状态进行分类和辨识,是装配成功与否的关键。
文献[5]通过模糊集来建立力信息的不确定性,提出了基于神经网络来生成每一个接触
形式的置信级别,实现对力传感器信号的分类,计算效率较高。文献[6]提出了使用隐马尔
可夫模型进行接触状态的辨识。其中首先将力作为观测信号,通过训练隐马尔克夫模型使
观测信号的出现概率最大,再使用该模型进行在线的接触状态辨识。该方法需要针对不同
的基本接触,建立不同的隐马尔可夫模型。文献[7-8]使用基于定性的小波特征和支持向量
机的方法,对接触状态进行了辨识。从力的准静态模型出发,使用离散的小波变换提取离
线特征,然后使用支持向量机(support vector machines, SVM)方法进行在线分类。文献[9]进
一步通过 SVM 分类构建了模糊推断机制,从而实现对接触状态的层次化分类。
另外,大量研究基于高斯混合模型(Gaussian mixture models, GMMs),通过分布的角度
认识信号数据。文献[10]使用基于期望最大化的高斯混合模型(GMMs)的方法监控装配任务
的接触状态。采集的监督信号按照接触类别被分成多段,然后针对于每一接触状态建立不
同的高斯混合模型。文献[11]提出一种基于分布相似性测量的高斯混合模型方法建模柔性
零件在装配工程中的接触状态。该研究通过分布相似性测量优化高斯混合模型的组件个数
来提高适应性。
文献[12]使用了支持向量回归(support vector Regression, SVR)算法对不同的装配运动行
为下的接触状态进行了分类,并使用粒子蚁群算法(particle swarm optimization, PSO)优化了
SVR 中的一些参数,使得分类效果得到提升。
传统的接触状态辨识方法都是通过监督数据的方式对装配过程中所产生的接触信号特
征和接触状态类别之间建立映射关系,从而对接触状态进行分类。这种方法的局限性是依
赖监督数据的获取,且通常依赖于准静态接触模型,对于复杂形状的装配任务,模型分析
的复杂度也会增加。此外,传统的几何接触状态方式,在轴孔间隙很小的情况下判定的接
触状态比较单一,无法充分发现装配过程中的接触状态在复杂度上的不同。为了发现更多
的隐藏接触类型,本文将对装配过程中的力或轴孔相对位姿信号构成的多变量时间序列,
按时间步长等分成多段时间序列片段后,依据一定的度量,利用无监督的方式,给出这些
时间片段对应的类别标签。