A Robot 3C Assembly Skill Learning Method by Intuitive Human Demonstration
随着因特网和计算机技术的发展，对诸如手机的3C产品的需求激增。同时，由于人工成本的不断提高，迫切需要使用工业机器人使3C装配线自动化。本文的目的是提出一种通过演示方法进行3C装配线自动化的有效离线编程。该过程包括两个阶段。在第一阶段，光学运动捕捉设备用于在组装过程中捕捉人手的位置和方向信息。在第二阶段中，学习了一些演示的信息，以得出机器人控制策略。为此，预先利用基于密度的空间聚类启发的基于局部离群因素的异常点检测算法以及轨迹分割算法进行预处理。然后从这些数据中学习以概率策略表示的人类组装技能，以驱动机器人在新环境下完成相同的组装任务。高斯混合模型用于预构建策略。通过演示方法进行离线编程可将人的经验有效地传递给机器人。实验结果证明了该方法的有效性。
为了使工业机器人实现3C装配线的自动化，本文提出了一种“演示编程”方法，该方法可帮助机器人从人类演示中学到装配技术。非专家操作员以传统方式对机器人进行重新编程的高成本和高门槛可以证明所提出方法的实际意义。光学运动捕获平台用于记录粘贴在人手上的反射标记的位置。在多次演示之后，通过基于LOF的异常值识别算法和基于聚类的轨迹分割算法来处理演示数据。有了这些公认的演示数据，就可以基于高斯混合模型的概率策略进行学习，以便为新的装配目标位置和方向生成灵活的运动轨迹。实验结果证明了该方法的灵活性和有效性。将来，应该在如何将反射性标记物分布在人的手上以及红外热像仪的空间分布方面付出更多的努力。更精细地分布的标记将有助于学习更复杂的组装技能。此外，借助更多的反射标记和专门设计的摄像头分布，还可以提高准确性和精度。
为了获取人类演示数据，选择了来自NOKOV科技合作有限公司[15]的光学运动捕获平台，如图3所示，以340fps采样频率。记录粘贴在操作员手上的反射标记的运动。 这样，当操作员执行组装过程时，操作员的手以及手指的亚毫米位置会通过红外摄像机记录下来。考虑到3C组装过程的快速性和复杂性，更好的是，光学运动捕获平台不会干扰操作员的正常组装工作。此外，光学运动捕捉平台能够在正常的工业环境中工作，而不会占用太多空间且设备分布不密集。 然后，通过一系列数据预处理技术，从多个人类装配演示中获得了几条平滑的装配运动轨迹。 最后，通过策略学习算法导出了一种机器人再生装配运动轨迹的策略，该策略可以在陌生的开始，目标位置和方向下实现相同的装配任务。
此外，为了验证通过建议的技能学习方法学习的组装策略，在如图4所示的机器人组装平台中执行由学习的策略生成的机器人运动轨迹。该平台由5kg的通用机器人（UR5）和 3D结构的灯光相机。 摄像头用于估计随机放置在摄像头视野中的待装配组件的初始状态，以模拟3C装配线中的实际情况。
1. 这篇文章解决了什么问题？
本文提出了一种“演示编程”方法，该方法可帮助机器人从人类演示中学到装配技术。
2.这篇文献的创新点在哪里？
a.光学运动捕捉设备用于在组装过程中捕捉人手的位置和方向信息。
b.先利用基于密度的空间聚类启发的基于局部离群因素的异常点检测算法以及轨迹分割算法进行预处理。然后从这些数据中学习以概率策略表示的人类组装技能，以驱动机器人在新环境下完成相同的组装任务。
3.作者的这个创新方法存在什么漏洞？
将来，应该在如何将反射性标记物分布在人的手上以及红外热像仪的空间分布方面付出更多的努力。 更精细地分布的标记将有助于学习更多复杂的组装技能。 此外，借助更多的反射标记和专门设计的摄像头分布，还可以提高准确性和精度。
4.解决这个问题还有什么其它创新的方法麽？
文中采用光学运动捕捉设备用于在组装过程中捕捉人手的位置和方向信息。从设备端来看，如果采用虚拟现实设备是否可以提供更好的手部运动信息估计，如虚拟手套。第二个就是如果在仿真环境下是否可以提供更好的操纵数据获取，同时搭建虚拟环境更方便，成本也较低，能得到更精细的操作。