本申請涉及振搗施工方法技術領域，具體是一種振搗過程中碰撞物識別方法。本申請通過綜合運用位置與碰撞力數據，結合神經網絡模型進行預測，實現了對碰撞物類型的高精度識別。本發明專利技術不僅實時監測碰撞物的位置和碰撞力，還通過增益矩陣和協方差矩陣動態更新神經網絡模型，提高了碰撞物類型預測的準確性。此技術能夠顯著提升施工過程中的安全性和效率，減少因碰撞物識別錯誤導致的意外停機或損壞，為振搗施工提供了強有力的技術支持。
【技術實現步驟摘要】
本申請涉及振搗施工方法，具體是一種振搗過程中碰撞物識別方法。
技術介紹
1、振搗機器人的應用是混凝土結構澆筑方式轉型升級的關鍵環節之一。由于振搗過程發生在流動濕混凝土的覆蓋下，振搗機器人極易與鋼筋、模板等發生碰撞，與不同碰撞物碰撞時要執行不同的碰撞策略，因此需要設計對應的方法對碰撞物剛度進行識別，從而實現碰撞物類型的識別。
2、近年來智能機器人在混凝土布料、整平、抹光等方面種類繁多，但由于混凝土結構的內部空間狹窄、鋼筋密集、綁扎不規范等特點，導致自動化振搗設備難以發揮性能。同時，針對振搗機器人的研究多為在原有設備上進行改裝，但常見振搗機器人的智能化和集成化水平低，且都需要人工進行協作，振搗過程中不可避免的會與鋼筋籠發生碰撞，由于識別碰撞物體類型困難，從而無法針對不同碰撞物體執行對應避障軌跡規劃，使得市面中的振搗機器人普遍智能化水平較低。基于上述分析，加上對當前市場上智能振搗機器人的調研可知，導致振搗機器人智能化水平低的主要原因為常用的機器人碰撞物體識別方法是通過視覺反饋實現對碰撞物的感知。然而振搗施工現場復雜，操作通常發生在濕混凝土內部，視覺傳感器應用受限。同時，識別碰撞物的方法往往采用最小二乘法，通過迭代來逼近算出碰撞物環境參數，再判斷識別物類型，這種方式識別效率低、響應速度慢且無法直接獲取環境類型。
3、綜上所述，目前在振搗施工中識別碰撞物類型的研究成果較少，且其識別準確性較低。由此可見，當前在振搗環境下環境物體識別物體的方法還需要進一步研究。
技術實現思路
1、為了避免和克服現有技術中存在的技術問題，本申請提供了一種振搗過程中碰撞物識別方法。本申請能夠有效的提高碰撞物種類識別的準確性。
2、為實現上述目的，本申請提供如下技術方案：
3、一種振搗過程中碰撞物識別方法，包括以下識別步驟：
4、s1、獲取振搗施工過程中，各個時刻下各個碰撞物的位置及其碰撞力；
5、s2、基于獲取的碰撞物的位置及其碰撞力，計算各個時刻下各個碰撞物組合構成的增益矩陣和協方差矩陣；
6、s3、按照時間順序，依次將各個時刻下各個碰撞物的位置及其碰撞力輸入到神經網絡中進行訓練，并通過增益矩陣和協方差矩陣更新神經網絡的模型參數，以獲得符合預測精度要求的碰撞力預測模型；
7、s4、獲取振搗施工過程中，各個碰撞物的實時位置，并將該實時位置輸入到碰撞力預測模型中，以預測出對應的實時碰撞力；
8、s5、將實時預測碰撞力輸入到碰撞物剛度計算模型中，以計算出碰撞物的剛度，并通過剛度識別該碰撞物的類型。
9、作為本申請再進一步的方案：步驟s1的具體內容如下：
10、s11、在振搗施工現場建立笛卡爾坐標系，通過超聲波掃描技術對振搗施工現場進行掃描，并將掃描數據輸入到笛卡爾坐標系中，以在笛卡爾坐標系中建立振搗施工現場三維模型；
11、s12、從振搗施工現場三維模型中獲取各個碰撞物的位置和機械臂執行末端的位置，同時通過機械臂執行末端處安裝的力傳感器獲取機械臂執行末端與碰撞物之間的碰撞力；
12、s13、根據步驟s2獲取的位置和對應的碰撞力，建立輸入矩陣和輸出矩陣，具體表示如下：
13、；
14、；
15、；
16、；
17、；
18、式中，表示
t時刻的輸入矩陣；表示機械臂執行末端在
t時刻的位置，下標
v表示機械臂執行末端；表示第1個碰撞物在
t時刻的位置；表示第
e個碰撞物在
t時刻的位置，，表示當前振搗施工過程中碰撞物的總數；表示第
e個碰撞物在
t時刻的位置；表示和之間的距離；表示和之間的距離；表示和之間的距離；表示
t時刻的輸出矩陣；表示在
t時刻機械臂執行末端與第1個碰撞物之間的碰撞力；表示在
t時刻機械臂執行末端與第
e個碰撞物之間的碰撞力；表示在
t時刻機械臂執行末端與第
e個碰撞物之間的碰撞力；為矩陣轉置標志。
19、作為本申請再進一步的方案：增益矩陣表示如下：
20、；
21、式中，表示
t時刻的增益矩陣；表示時刻的協方差矩陣；表示
t時刻的可變遺忘因子；表示單位矩陣；在初始時刻時，，表示單位矩陣的修正參數；
22、協方差矩陣表示如下：
23、；
24、式中，表示
t時刻的協方差矩陣。
25、作為本申請再進一步的方案：步驟s3的具體內容表示如下：
26、s31、以輸入矩陣為特征，以輸出矩陣為標簽，聯合輸入矩陣和輸出矩陣，構建各個時刻的訓練樣本集，且訓練樣本集中的每一行均表示當前時刻下的一條訓練樣本；訓練樣本集具體表示如下：
27、；
28、式中，表示
t時刻的訓練樣本集；
29、s32、將訓練樣本集輸入到神經網絡中進行訓練，并計算模型誤差，若模型誤差小于設定的誤差閾值，則停止訓練，輸出當前神經網絡，該神經網絡即為滿足預測精度要求的碰撞力預測模型；反之，則進行步驟s33的模型參數更新；
30、s33、基于計算得到的增益矩陣和協方差矩陣，根據負反饋調節原理，利用更新公式更新神經網絡的模型參數：更新公式表示如下：
31、；
32、式中，表示神經網絡在
t輪迭代時，各個模型參數的取值組合形成的參數矩陣，一個時刻的數據進行一輪迭代，即
t輪迭代使用的是
t時刻的數據；表示神經網絡在輪迭代時，各個模型參數的取值組合形成的參數矩陣；為的轉置矩陣；在初始迭代時，，表示初始迭代參數；
33、s34、按照步驟s32到步驟s33的操作過程，根據時間順序將各個時刻的訓練樣本集依次輸入到神經網絡中進行訓練，直至得到碰撞力預測模型。
34、作為本申請再進一步的方案：步驟s4的具體內容如下：
35、s41、按照步驟s11到步驟s13的操作過程，獲取當前振搗施工過程中，各個碰撞物的實時位置和機械臂執行末端的實時位置組合形成的輸入矩陣；
36、s42、將步驟s41獲取的輸入矩陣輸入到碰撞力預測模型中，預測出各個碰撞物與機械臂執行末端之間的實時碰撞力；<本文檔來自技高網
...
【技術保護點】
1.一種振搗過程中碰撞物識別方法，其特征在于，包括以下識別步驟：
2.根據權利要求1所述的一種振搗過程中碰撞物識別方法，其特征在于，步驟S1的具體內容如下：
3.根據權利要求2所述的一種振搗過程中碰撞物識別方法，其特征在于，增益矩陣表示如下：
4.根據權利要求3所述的一種振搗過程中碰撞物識別方法，其特征在于，步驟S3的具體內容表示如下：
5.根據權利要求4所述的一種振搗過程中碰撞物識別方法，其特征在于，步驟S4的具體內容如下：
6.根據權利要求5所述的一種振搗過程中碰撞物識別方法，其特征在于，步驟S5的具體內容如下：
7.根據權利要求2-6中任一項所述的一種振搗過程中碰撞物識別方法，其特征在于，可變遺忘因子的計算公式如下：
8.根據權利要求3所述的一種振搗過程中碰撞物識別方法，其特征在于，修正參數的取值范圍為。
9.根據權利要求7所述的一種振搗過程中碰撞物識別方法，其特征在于，可變遺忘因子的初始值。
10.根據權利要求4所述的一種振搗過程中碰撞物識別方法，其特征在于，初始迭代參數的取值為0。
...
【技術特征摘要】
1.一種振搗過程中碰撞物識別方法，其特征在于，包括以下識別步驟：
2.根據權利要求1所述的一種振搗過程中碰撞物識別方法，其特征在于，步驟s1的具體內容如下：
3.根據權利要求2所述的一種振搗過程中碰撞物識別方法，其特征在于，增益矩陣表示如下：
4.根據權利要求3所述的一種振搗過程中碰撞物識別方法，其特征在于，步驟s3的具體內容表示如下：
5.根據權利要求4所述的一種振搗過程中碰撞物識別方法，其特征在于，步驟s4的具體內容如下：
6.根據權利要...
【專利技術屬性】
技術研發人員：浦玉學，盧炳辰，王靜峰，高永新，
申請(專利權)人：合肥工業大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。