具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

实施例一

该实施例公开了一种机器人精密装配方法,正如背景技术所介绍的，在BTB 连接器的微精密装配中，装配深度仅为0.5mm，几乎不存在初期姿态差异较大引起的卡阻、楔紧等问题，但通常视觉传感忽略了卡合瞬间内部信息，而仅设置力阈值判断是否装配完成存在潜在风险，所以插入过程中的力需要被感知。

本发明依据BTB装配工艺流程特性，将装配过程分为外部接触阶段、内部接触阶段2个阶段，通过分析装配各个阶段力学特性，建立了机器人两阶段力感知模型。通过获取末端六维力信息，实现机器人力位混合控制，并提出了直觉搜索策略和卡扣状态感知方法。在第一阶段，基于环境反馈的力觉信息，通过直觉搜索策略可引导插头达到对准插座的状态；在第二阶段，由于结构影响，需在装配方向施加力，获取实时采集的力序列，通过卡扣状态感知网络检测装配动作是否完成，从而实现机器人的BTB装配。

如图1所示，本申请提供了一种机器人精密装配方法，该方法包括以下步骤：

依据板对板连接器(BTB)装配的工艺流程特性，将装配过程分为外部接触阶段和内部接触阶段；

步骤A1：在外部接触阶段，基于环境反馈的力觉信息，通过直觉搜索策略，发出配对指令，逐步引导装配插头与插座达到配对位姿，实现对准操作；

步骤A2：在内部接触阶段，在装配方向施加力，获取卡扣力序列，输入训练好的卡扣状态感知网络，输出装配状态值，根据装配状态值判断检测装配动作是否完成，实现机器人对板对板连接器工件的装配，图2A为板对板连接器插座模型，图2B为板对板连接器插头模型。

其中，步骤A1中，在外部接触阶段中，所述直觉搜索策略建立的过程如下：

获取待装配工件的初始目标位姿；

具体的，所述步骤A1在装配之前，通过装配模型分析得出装配力与配对扭矩通过视觉传感器或者已知的CAD模型获取待装工件的初始目标位姿 P₀＝(x₀,y₀,z₀,a₀,b₀,c₀)，初始搜索范围长度a以及初始搜索范围宽度b。

执行接近动作，根据初始位姿判断装配件是否接触，如果接触，执行搜索动作，否则机器人通过笛卡尔空间位置控制装配件到达接触位置；

其中，执行搜索动作的步骤包括：

判断到达接触位置的装配工件是否配对成功，若是，则进入内部接触阶段，否则进行力位混合模型控制机器人公转和自转直至装配工件配对成功。

具体的，机器人通过笛卡尔空间位置控制装配件到达接触位置，具体包括：机器人通过逆运动学解算得到机器人关节的各关节的集合Θ，其中Θ＝(θ₁,θ₂,θ₃,θ₄,θ₅,θ₆)，θ_i为六个关节的各关节值，当接触力大于恒力时，到达接触状态。

其中，力位混合模型控制机器人公转和自转的步骤包括：

图3为公转搜索路径原理图，如图3所示，该搜索路径为阿基米德螺旋线，运动过程中机器人的跨距小于装配精度，所述跨距包括长轴方向连续匝数跨距和短轴方向连续匝数跨距。

运动平面为世界坐标系下的XY平面，定义为公转运动：

所述笛卡尔空间坐标方程为：

其中max(α)＝a,max(β)＝b，角速度长轴方向连续匝数跨距为e_a，短轴方向连续匝数跨距为e_b；

根据长轴方向连续匝数跨距和短轴方向连续匝数跨距得到：

图4为基于直觉搜索策略的搜索动作模型，如图4所示，为保证配对点处于运动路径上，运动过程中机器人的跨距小于装配精度，所述跨距包括长轴方向连续匝数跨距和短轴方向连续匝数跨距。

跨距e应小于装配精度e_r，即同时机器人基于工具坐标系O_e的Z_e轴方向进行自转运动，所述自转运动为周期旋转运动，最大运动角度为角速度在最大角度状态进行反向运动，如此往复。

其中，所述判断到达接触位置的装配工件是否配对成功包括：

在搜索过程中，利用力位混合模型对机器人进行控制，装配方向Z轴上力控采用导纳模型，恒力进行接触，其余轴向采用位置控制，当工具坐标Z轴扭矩τ_z大于目标Z轴扭矩工具坐标X轴力f_x大于目标X轴力工具坐标Y轴力f_y大于目标Y轴力判定为配对成功。

其中，图5为卡扣状态感知网络训练流程图，如图6所示，步骤A1中，在外部接触阶段中，所述卡扣状态感知网络训练过程包括如下步骤：

(1)获取100个工具坐标系Z轴力序列，建立样本数据S＝[P,y]；

式中，P为窗口截取与滤波后的数值序列，y为样本标签，y＝{0,1}，0表示未完成装配，1表示装配完成。

装配接触力信息s_f＝(f_x,f_y,f_z,τ_x,τ_y,τ_z)，有卡扣装配力序列 F＝{s_f(t₁),s_f(t₂),s_f(t₃),…s_f(t_n)}，窗口截取后窗口宽度为T，经过滤波得到：

P_j＝A_j+D_j，

其中A_j为第j个样本的低频子带信号，D_j为第j个样本的高频子带信号。

(2)训练卡扣状态感知网络；具体包括：

具体的卡扣状态感知网络结构如图6所示，所述卡扣状态感知网络包括输入层、隐藏层以及输出层；

所述卡扣状态感知网络采用循环网络(RNN)结构；

①输入层输入装配接触力信息序列；

②对装配接触力信息序列进行归一化处理，得到：

式中，μ为所有样本值的均值，σ为所有样本值的标准差，

③随机初始化网络权重值W_i；

将U_i＝W_i-1·h^(i-1)+x⁽ⁱ⁾输入隐藏层，仅U₁＝x⁽¹⁾，激活函数隐藏层各节点为残差结构，仅U₁＝x⁽¹⁾，输出为h⁽ⁱ⁾＝tanh(U_i)+x⁽ⁱ⁾，仅第T 层隐藏节点的输出h^(T)作为影响输出层，有o^(T)＝h^(T)·V，输出层输出预测值y^∧＝o^(T)。

其中，输入层节点数与隐藏层节点数均为窗口宽度为T。

④将输出的装配状态预测值y^∧与样本标签y比对，通过交叉熵计算得到损失值。其中，交叉熵为：其中， N为样本标签种类数，y_i为第i类标签值，p_i为预测为第i类的概率值。

(3)确定学习率r，进行m次的周期训练，并根据每次训练所得损失值，更新网络权重值。

(4)使用训练好的网络模型进行实时力感知，通过输出状态值控制机器人是否停止施加压力，并离开装配件，结束装配任务。

本实施例通过一种机器人精密装配方法，根据不同装配阶段的力特点，结合模型结构，做到机器人自主微精密装配；通过位置控制与力和力矩控制相结合，形成不同阶段的装配动作，机械臂使用力位混合控制完成装配动作，从而使机器人在小范围内快速实现装配。机器人的直觉策略可适配多种装配件，并且利用深度学习掌握装配状态感知技能，可以主动适应环境的变化，从而使装配操作更具备柔性泛化能力。

实施例二

本说明书实施方式提供一种机器人精密装配系统，通过以下技术方案实现：

包括：

引导对准模块，被配置为：在外部接触阶段，基于环境反馈的力觉信息，发出配对指令，通过直觉搜索策略，逐步引导装配插头与插座达到配对位姿，实现对准操作；

卡扣感知模块，被配置为在内部接触阶段，获取卡扣力序列，将卡扣力序列输入训练好的卡扣状态感知网络，输出装配状态值，根据装配状态值判断检测装配动作是否完成，实现机器人对工件的装配。

实施例三

本说明书实施方式提供一种精密装配机器人，包括：机器人本体和控制器，所述控制器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例一中的一种机器人精密装配方法的步骤。

实施例四

本说明书实施方式提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现实施例一中的一种机器人精密装配方法的步骤。

可以理解的是，在本说明书的描述中，参考术语“一实施例”、“另一实施例”、“其他实施例”、或“第一实施例～第N实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。