0 引言

電商物流配送行業(yè)作為現(xiàn)代經(jīng)濟體系的重要組成部分，特別是分揀環(huán)節(jié)[1],作為物流配送中心的核心流程，其效率和準(zhǔn)確性直接影響到整個物流系統(tǒng)的性能[2]。在電商物流行業(yè)，由于訂單量波動大，季節(jié)性高峰期經(jīng)常出現(xiàn)人力短缺的問題[3]。引入分揀機器人控制系統(tǒng)可以在高峰期提高分揀能力，緩解人力短缺問題。通過減少人力干預(yù)，降低能源消耗，減少廢料產(chǎn)生等手段[4][5],分揀機器人控制系統(tǒng)可以促進電商物流行業(yè)的綠色發(fā)展。蘇建等人通過引入以太網(wǎng)技術(shù)，實現(xiàn)了機器人與上位機之間的實時通信，提高了分揀和裝配的效率。同時，結(jié)合機器視覺技術(shù)，機器人可以識別并抓取目標(biāo)物體，進一步提升了系統(tǒng)的智能化水平。詳細(xì)介紹了該系統(tǒng)的硬件組成、軟件設(shè)計以及實驗驗證，結(jié)果表明該系統(tǒng)具有良好的可行性和實用性[6]?；艄鹄热嗽O(shè)計倉庫物流搬運機器人控制系統(tǒng)，該系統(tǒng)的硬件組成包括機器人本體、傳感器、控制器和執(zhí)行器等。其中，傳感器用于獲取貨物的位置和狀態(tài)信息，控制器則根據(jù)這些信息對機器人進行精確控制和調(diào)度，執(zhí)行器則根據(jù)控制器的指令，驅(qū)動機器人完成貨物的搬運和管理任務(wù)[7]。但上述方法由于計算過程煩瑣，對環(huán)境要求較高，容易降低機器人導(dǎo)航路線的跟蹤精度，影響控制能力，均不適用于復(fù)雜與特殊的倉庫環(huán)境，機器人控制的自適應(yīng)性與魯棒性較差。

RBF神經(jīng)網(wǎng)絡(luò)作為人工智能領(lǐng)域的一個重要分支，它能夠有效地處理大規(guī)模的數(shù)據(jù)，并能夠自動地學(xué)習(xí)和優(yōu)化模型參數(shù)，從而提高控制的自適應(yīng)性[8][9]。SLAM(Simultaneous Localization and Mapping, 同時定位與地圖構(gòu)建)技術(shù)是人工智能領(lǐng)域的一個重要分支，被廣泛應(yīng)用于機器人導(dǎo)航、自動駕駛等領(lǐng)域，是實現(xiàn)自主移動和智能導(dǎo)航的關(guān)鍵技術(shù)之一。擴展卡爾曼濾波算法(EKF)在處理非線性、非高斯系統(tǒng)時具有較高的精度和效率，因此在人工智能領(lǐng)域也得到了廣泛的應(yīng)用。

因此，為實現(xiàn)對機械臂的有效控制，精準(zhǔn)地對導(dǎo)航路線進行跟蹤，設(shè)計基于人工智能的電商物流配送分揀機器人控制系統(tǒng)，以期通過自動化和智能化的手段，推動電商物流配送的持續(xù)發(fā)展。

1 電商物流配送分揀機器人控制系統(tǒng)

1.1電商物流配送分揀機器人控制系統(tǒng)功能架構(gòu)

基于人工智能的電商物流配送分揀機器人控制系統(tǒng)中，主要包含三個功能單元，分別是監(jiān)控終端、主控軟件與控制子系統(tǒng)，該系統(tǒng)的功能結(jié)構(gòu)如圖1所示。

(1)監(jiān)控終端的作用為完成用戶與電商物流配送分揀機器人間的訪問和操作，用戶利用監(jiān)控終端實時查看分揀機器人的狀態(tài)信息，同時還可以向分揀機器人發(fā)送貨物識別與抓取、移動與運輸、分揀與分類等任務(wù)指令。

(2)主控軟件中利用任務(wù)執(zhí)行子系統(tǒng)完成分揀機器人全局任務(wù)的執(zhí)行，完成包裹識別與抓取、移動與運輸、分揀與分類等任務(wù)。導(dǎo)航子系統(tǒng)利用EKF-SLAM算法，構(gòu)建電商物流倉庫的環(huán)境地圖，估計分揀機器人在地圖上的位姿，實現(xiàn)分揀機器人在電商物流倉庫內(nèi)的導(dǎo)航。

(3)控制子系統(tǒng)中底盤運行控制器，利用線性控制算法，得到左右底盤驅(qū)動電機的速度控制量，完成分揀機器人運行控制；機械臂運動控制器，利用RBF神經(jīng)網(wǎng)絡(luò)算法，逼近與補償分揀機器人機械臂的不確定性，得到分揀機器人機械臂的總控制律，完成機械臂包裹抓取與分揀控制。

1.2基于人工智能的物流配送分揀機器人導(dǎo)航子系統(tǒng)

EKF-SLAM算法是一種擴展卡爾曼濾波器與SLAM技術(shù)的結(jié)合。由于物流配送分揀機器人工作環(huán)境復(fù)雜，存在大量非線性因素，并且物流配送分揀機器人需要快速、準(zhǔn)確地完成任務(wù)。而EKF-SLAM算法能夠通過擴展卡爾曼濾波器對非線性系統(tǒng)進行建模和估計，提高機器人的定位精度和穩(wěn)定性，同時，能夠快速處理數(shù)據(jù)并給出機器人的位姿估計，實現(xiàn)機器人的實時定位和導(dǎo)航。EKF-SLAM算法利用卡爾曼濾波器對機器人位姿進行估計，并利用SLAM技術(shù)構(gòu)建機器人工作環(huán)境地圖，實現(xiàn)機器人的定位和導(dǎo)航。該算法能夠處理非線性問題，并且具有較好的實時性。電商物流配送分揀機器人控制系統(tǒng)中，導(dǎo)航子系統(tǒng)利用EKF-SLAM算法，建立電商物流倉庫環(huán)境地圖，確定分揀機器人在地圖上的位姿。導(dǎo)航子系統(tǒng)的實現(xiàn)流程如圖2所示。

利用EKF-SLAM算法，建立電商物流倉庫環(huán)境地圖，實現(xiàn)分揀機器人位姿更新的具體步驟如下：

步驟1:電商物流配送分揀機器人狀態(tài)預(yù)測。按照分揀機器人的運動方程，結(jié)合里程計與陀螺儀采集的分揀機器人運行數(shù)據(jù)，預(yù)測分揀機器人的當(dāng)前狀態(tài)[10]。

步驟2:特征提取和數(shù)據(jù)關(guān)聯(lián)。激光雷達采集的數(shù)據(jù)，得到電商物流倉庫環(huán)境路標(biāo)的中心位置[11]。假設(shè)路標(biāo)是點特征，則提取特征中心點，便可獲取分揀機器人位置。利用激光雷達采集的數(shù)據(jù)，能夠得到路標(biāo)點至分揀機器人的距離與角度[12]。令激光雷達測量的最大距離是maxD,剔除超過maxD的點的數(shù)據(jù)，通過中值濾波處理每排數(shù)據(jù)，剔除部分孤立點與錯誤點，并搜索點特征的左右兩個邊緣，計算均值，便能獲取中心點坐標(biāo)，即分揀機器人位置[13]。

通過數(shù)據(jù)關(guān)聯(lián)可搜索和當(dāng)下特征最匹配的電商物流倉庫環(huán)境特征。在EKF-SLAM算法內(nèi)，通過最小數(shù)據(jù)關(guān)聯(lián)法解決數(shù)據(jù)關(guān)聯(lián)問題[14]。通過求解Mahalanobis距離，將位于設(shè)置的關(guān)聯(lián)門閾值中，同時和被預(yù)測目標(biāo)的位置的最近鄰的觀測獲取的特征，為最佳匹配特征。

步驟3:擴充新路標(biāo)。若并未檢測獲取相匹配的路標(biāo)，那么以測量獲取的路標(biāo)為新路標(biāo)L,并添加至特征庫內(nèi)，通過EKF對分揀機器人狀態(tài)向量與協(xié)方差矩陣實施增廣。

步驟4:利用L更新分揀機器人狀態(tài)與協(xié)方差矩陣，得到分揀機器人定位結(jié)果，完成電商物流倉庫環(huán)境地圖的更新。

1.3基于人工智能的分揀機器人控制子系統(tǒng)

電商物流配送分揀機器人控制子系統(tǒng)，主要包含兩部分，分別是分揀機器人底盤行進控制與機械臂運動控制。分揀機器人控制子系統(tǒng)的電路布局和接口示意圖如圖3所示。

激光雷達接口用于連接分揀機器人機械臂末端安裝的激光雷達，用于傳輸目標(biāo)檢測數(shù)據(jù)。RS232接口負(fù)責(zé)連接分揀機器人內(nèi)部的路由器，為分揀機器人提供網(wǎng)絡(luò)連接，實現(xiàn)數(shù)據(jù)傳輸和遠(yuǎn)程控制等功能。紅外傳感器接口的作用為連接機械臂四路光電門傳感器，用于傳輸分揀機器人的關(guān)節(jié)角度和速度數(shù)據(jù)，幫助實現(xiàn)精準(zhǔn)的運動控制。通過陀螺儀接口連接分揀機器人內(nèi)的陀螺儀，用于傳輸陀螺儀采集的分揀機器人姿態(tài)數(shù)據(jù)。里程計接口用于連接分揀機器人內(nèi)的里程計，用于傳輸分揀機器人運動距離和速度的估計數(shù)據(jù)。氣壓傳感器接口的作用為連接氣壓計，用于傳出分揀機器人所處電商物流倉庫環(huán)境的大氣壓強數(shù)據(jù)。繼電器接口的作用為連接繼電器，通過接收信號來控制電路的通斷，從而控制分揀機器人的動作。伺服驅(qū)動接口的作用為連接底盤伺服電機驅(qū)動器，依據(jù)分揀機器人左右底盤確定電機的速度控制量，驅(qū)動底盤伺服電機，完成分揀機器人底盤行進控制。舵機信號接口的作用為連接底盤轉(zhuǎn)向舵機，完成分揀機器人底盤轉(zhuǎn)向控制。步進電機驅(qū)動器接口的作用為連接分揀機器人機械臂步進電機驅(qū)動器，依據(jù)機械臂控制律，驅(qū)動機械臂，完成分揀機器人的機械臂控制。

1.3.1 電商物流配送分揀機器人底盤行進控制

電商物流配送分揀機器人控制子系統(tǒng)內(nèi)，底盤行進控制器，利用線性控制算法，得到分揀機器人左右底盤驅(qū)動電機的速度控制量，驅(qū)動底盤伺服電機，實現(xiàn)分揀機器人底盤行進控制，確保分揀機器人按照電商物流倉庫環(huán)境地圖的導(dǎo)航路線行進。令電商物流配送分揀機器人左右驅(qū)動輪的速度是v1、v2;通過控制與，便可調(diào)整分揀機器人的線速度v與角速度ω,確保分揀機器人能夠依據(jù)電商物流倉庫環(huán)境地圖內(nèi)的導(dǎo)航路徑行進至目標(biāo)位置。為此，在線性控制算法內(nèi)，僅需計算v1與v2,便可實現(xiàn)分揀機器人底盤行進控制。令分揀機器人起點與目標(biāo)點間的連線是向量xˆ,v$\widehat{?},?$與ω的計算公式如下：

v=gρρ

ω=gαα+gββ(1)

其中，起點與目標(biāo)點間的距離是ρ;起點與目標(biāo)點行進方向的夾角是α;起點和xˆ$\widehat{?}$間的夾角是β;比例常數(shù)是gρ、gα、gβ。

依據(jù)式(1)可獲取v1與v2的計算公式如下：

其中，分揀機器人轉(zhuǎn)彎半徑是L。

1.3.2 基于人工智能的分揀機器人機械臂控制

RBF網(wǎng)絡(luò)能夠有效地逼近任何非線性函數(shù)，這使得它非常適合用于處理分揀機器人機械臂中的非線性控制問題，并且能夠根據(jù)輸入數(shù)據(jù)的分布特性進行自適應(yīng)調(diào)整，使得控制算法具有更好的魯棒性和適應(yīng)性，實現(xiàn)對新輸入數(shù)據(jù)的快速響應(yīng)，也具有良好的泛化能力。因此，在電商物流配送分揀機器人控制子系統(tǒng)內(nèi)，利用RBF網(wǎng)絡(luò)逼近與補償分揀機器人機械臂的不確定性，提升機械臂運動控制的魯棒性。

令機械臂末端位置是y; 速度是y˙$\dot{?}$;加速度是y¨$\ddot{?}$;則電商物流配送分揀機器人的動力學(xué)模型為：

其中，慣性矩陣是M(y)$?\left(?\right)$;重力項是M(y)$?\left(?\right)$;摩擦系數(shù)是F(y˙)$?\left(\dot{?}\right)$;向心力與哥氏力矩陣是C(y,y˙)$?\left(?,\dot{?}\right)$;外部擾動是lS;機械臂力矩是l。

令分揀機械人機械臂的標(biāo)稱模型參數(shù)是M0(y)$?{}_0\left(?\right)$、C0(y,y˙)$?{}_0\left(?,\dot{?}\right)$、G0(y)$?{}_0\left(?\right)$;不確定模型參數(shù)是ΔM(y)$??\left(?\right)$、ΔC(y,y˙)$??\left(?,\dot{?}\right)$、ΔG(y)$??\left(?\right)$;則分揀機械人機械臂的實際閉環(huán)系統(tǒng)為：

其中，機械臂跟蹤誤差是e; e的一階、二階導(dǎo)數(shù)是e˙$\dot{?}$、e¨$\ddot{?}$;正定增益矩陣是Kr、Kp;可調(diào)參數(shù)是μ。

令分揀機器人機械臂非線性反饋的控制律是l0,RBF網(wǎng)絡(luò)補償?shù)目刂坡墒莑a,用于補償機械臂的不確定性，通過結(jié)合l0與la,可確保分揀機器人機械臂穩(wěn)定跟蹤期望軌跡，提升機械臂控制的魯棒性。分揀機器人機械臂的總控制律為：

l=l0+la(5)

l0的計算公式如下：

其中，期望加速度是y¨d$\ddot{?}{}_{?}$。

補償控制律為：

其中，RBF網(wǎng)絡(luò)估計的機械臂不確定性估計值是fˆ(x)$\widehat{?}\left(?\right)$;魯棒項是λ。

通過添加λ可降低RBF網(wǎng)絡(luò)的逼近誤差，λ的計算公式如下：

其中，分揀機器人機械臂狀態(tài)是x; 轉(zhuǎn)置符號是T;控制參數(shù)是∂、η;自適應(yīng)調(diào)節(jié)律是ξ;對稱正定矩陣是P;任意正定矩陣是P;單位矩陣是B;徑向基函數(shù)是h。

利用RBF網(wǎng)絡(luò)估計fˆ(x)$\widehat{?}\left(?\right)$的計算公式如下：

其中，最佳權(quán)重是?*。

2 結(jié)果與分析

以某電商物流配送分揀機器人為實驗對象，利用本系統(tǒng)對其進行控制，驗證本系統(tǒng)分揀機器人控制的可行性。該電商物流配送分揀機器人的相關(guān)參數(shù)如表1所示。

該分揀機器人實驗環(huán)境如圖4所示。

利用本系統(tǒng)構(gòu)建該電商物流倉庫的環(huán)境地圖，共設(shè)置20個電商物流倉庫環(huán)境路標(biāo)，電商物流倉庫環(huán)境地圖構(gòu)建結(jié)果如圖5所示。分析圖5可知，本系統(tǒng)可有效定位電商物流倉庫內(nèi)的路標(biāo)，且定位結(jié)果與實際路標(biāo)非常接近，說明本系統(tǒng)可精準(zhǔn)定位路標(biāo)，得到規(guī)劃的導(dǎo)航路線，完成電商物流倉庫環(huán)境地圖構(gòu)建。

令分揀機器人底盤行進初始速度是0 m/s, 目標(biāo)底盤行進速度是1.5 m/s, 利用本系統(tǒng)控制該分揀機器人，按照規(guī)劃的導(dǎo)航路線，控制分揀機器人底盤行進路線，底盤行進路線控制結(jié)果如圖6所示。分析圖6(a)可知，本系統(tǒng)可有效完成分揀機器人底盤行進控制，底盤行進控制路線與規(guī)劃的導(dǎo)航路線非常接近，說明本系統(tǒng)的分揀機器人底盤行進路線控制精度較高。分析圖6(b)可知，經(jīng)過本系統(tǒng)控制后，底盤舵機的角度變化情況，與期望角度差距較小，且角度變化曲線較為平滑，并未抖動問題，說明本系統(tǒng)具備較優(yōu)的分揀機器人底盤行進控制效果。

利用本系統(tǒng)逼近分揀機器人機械臂的不確定項，以該機械臂的兩個關(guān)節(jié)為例，逼近結(jié)果如圖7所示。分析圖7可知，分揀機器人的機械臂在運動過程中會受到各種不確定因素的影響，例如外部干擾、關(guān)節(jié)摩擦、重力變化等。這些不確定因素可能導(dǎo)致機械臂的實際運動軌跡與期望軌跡存在偏差，從而影響分揀的精度和效率。而本系統(tǒng)通過逼近機械臂的不確定項，能夠更好地補償這些不確定因素的影響，使得機械臂在實際運行中更加穩(wěn)定和準(zhǔn)確。

利用本系統(tǒng)控制該分揀機器人的機械臂，以該機械臂的兩個關(guān)節(jié)為例，控制結(jié)果如圖8所示。分析圖8可知，本系統(tǒng)可有效控制分揀機器人機械臂，且該機械臂兩個關(guān)節(jié)的變化曲線較為平緩，且并無抖振現(xiàn)象，可有效避免機械臂受執(zhí)行機構(gòu)力矩影響，而降低其使用壽命。實驗證明：本系統(tǒng)具備較高的分揀機器人機械臂控制魯棒性。

利用本系統(tǒng)控制該分揀機器人，進行分揀操作，分揀控制結(jié)果如圖所示9所示，圖9中，紅色矩形框為需要分揀的目標(biāo)包裹。通過分析圖9,可以清楚地看到本系統(tǒng)在控制分揀機器人完成目標(biāo)包裹分揀方面的有效性。整個控制過程僅需12 s, 顯示出較快的分揀控制效果。這種高效的控制過程對于提升電商物流配送的分揀效率具有重要意義。

3 結(jié)論

電商物流配送分揀機器人的控制系統(tǒng)設(shè)計是實現(xiàn)自動化、智能化的關(guān)鍵。通過人工智能技術(shù)，可以大幅提高分揀效率，減少人力成本和人為錯誤，滿足電商物流行業(yè)對快速、準(zhǔn)確配送的需求。在未來的發(fā)展中，隨著技術(shù)的不斷進步和應(yīng)用場景的不斷擴展，電商物流配送分揀機器人控制系統(tǒng)將會發(fā)揮越來越重要的作用。