Файл: Федеральное государственное бюджетное образовательное учреждение высшего образования керченский государственный.pdf

СОВРЕМЕННЫЕ НАУКА И ОБРАЗОВАНИЕ: ДОСТИЖЕНИЯ И ПЕРСПЕКТИВЫ РАЗВИТИЯ
87 тестировалась только в симуляции и неизвестно, будет ли качество их работы аналогичным в системах реального времени с физическим оборудованием. В то же время, опыт, представленный во всех научных работах, может быть переложен для повышения эффективности работы именно таких робототехнических комплексов.
Список использованной литературы
1.
Ст анкевич, М. А. Обоснование использования роботизированных средств при проведении метрологической оценки / М. А. Станкевич // Приборостроение - 2021
: материалы 14-й Международной научно-технической конференции. - Минск, 2021. – С.
236-237.
2.
Викторович, П. В. Применение системы технического зрения в задаче автоматизации сборочных процессов при совместной работе робота-манипулятора и человека / П. В.
Викторович, О. С. Александрович // StudNet. – 2022. – № 6 (5). – C. 5468–5481.
3.
Система компьютерного зрения роботизированных комплексов для теплового контроля качества объектов растительного происхождения / А. Г. Дивин [и др.] // Российская робототехника. Формирование профессионального сообщества в области развития робототехники, искусственного интеллекта : сборник тезисов конференции. – 2017. – C.
33–37.
4.
Применение нейронной сети YOLOv5 для распознавания объектов на соревнованиях по автономной подводной робототехнике Singapore Auv Challenge / В. А. Плотников [и др.]
// Вестник МГТУ «Станкин». – 2023. – № 1 (64). – С. 60-66.
5.
Юревич, Е. И. Сенсорные системы в робототехнике : учебное пособие / Е. И. Юревич. –
Санкт-Петербург : Изд-во Политехнического ун-та, 2013. – 100 c.
6.
Abdi, A. Computer Vision-Based Path Planning for Robot Arms in Three-Dimensional
Workspaces Using Q-Learning and Neural Networks / А. Abdi, M. H Ranjbar, J. H. Park//
Sensors. – 2022. – № 5 (22). – Р. 1697.
7.
Arents, J. Smart Industrial Robot Control Trends, Challenges and Opportunities Within
Manufacturing / J. Arents , M. Greitans // Applied Sciences. – 2022. – № 12. – Р. 937.
8.
Chao, Y. Deep learning-based grasp-detection method for a five-fingered industrial robot hand
/ Y. Chao, X. Chen, N. Xiao // IET Computer Vision. – 2019. – № 1 (13). – Р. 61–70.
9.
Cruz C., Sucar L. E., Morales E. F. Real-time face recognition for human-robot interaction
2008.– Р. 1–6.
10. Dönmez, E. Vision-Based Real-Time Mobile Robot Controller Design Based on Gaussian
Function for Indoor Environment / Е. Dönmez, A. F. Kocamaz, M. A. Dirik // Arabian Journal for Science and Engineering. – 2018. – № 12 (43). – Р. 7127–7142.
11. Stereo Vision-Based Object Recognition and Manipulation by Regions with Convolutional
Neural Network / Du Y.-C. [и др.] // Electronics. – 2020. – № 2 (9).– Р. 210.
12. Gulde T., Ludl D., Curio C. RoPose: CNN-based 2D Pose Estimation of Industrial Robots
2018.C. 463–470.
13. Herakovic N. Robot Vision in Industrial Assembly and Quality Control Processes под ред. A.
Ude, InTech, 2010.
14. Coarse-To-Fine Q-Attention : Efficient Learning for Visual Robotic Manipulation via
Discretisation / James S. [и др.]. – 2022.– Р. 13739–13748.
15. Vision-based Robot Manipulation Learning via Human Demonstrations / Jia Z. [и др.]. – Текст
: электронный // arXiv.org [сайт]. – URL: https://arxiv.org/abs/2003.00385v1.
(дата обращения: 10.05.2023).

СОВРЕМЕННЫЕ НАУКА И ОБРАЗОВАНИЕ: ДОСТИЖЕНИЯ И ПЕРСПЕКТИВЫ РАЗВИТИЯ
88 16. Jing C. [и др.]. A comparison and analysis of RGB-D cameras’ depth performance for robotics application 2017.C. 1–6.
17. Computer-Vision Based Object Detection and Recognition for Service Robot in Indoor
Environment / Jot Singh K. [и др.] // Computers, Materials & Continua. – 2022. – № 1 (72). –
Р. 197–213.
18. Le P.-P. [и др.]. Visual-Guided Robot Arm Using Multi-Task Faster R-CNN 2019.C. 1–6.
19. Vision-Based Imitation Learning of Needle Reaching Skill for Robotic Precision Manipulation
/ Li Y. [и др.] // Journal of Intelligent & Robotic Systems. – 2020. – № 1 (101). – Р. 22.
20. Efficient deep network for vision-based object detection in robotic applications / Lu K. [и др.]
// Neurocomputing. – 2017. – № 245. – Р. 31–45.
21. Luo R. C., Wang H. Automated Tool Coordinate Calibration System of an Industrial Robot
2018.C. 5592–5597.
22. Assisted Operation of a Robotic Arm Based on Stereo Vision for Positioning near an Explosive
Device / Montoya Angulo A. [и др.] // Robotics. – 2022. – № 5 (11). – Р. 100.
23. Nascimento H., Mujica M., Benoussaad M. Collision Avoidance in Human-Robot Interaction
Using Kinect Vision System Combined With Robot’s Model and Data 2020.C. 10293–10298.
24. Vision-Based Robotic Arm Control Algorithm Using Deep Reinforcement Learning for
Autonomous Objects Grasping / Sekkat H. [и др.] // Applied Sciences. – 2021. – № 17 (11). –
Р. 7917.
25. Vision-based navigation of an unmanned surface vehicle with object detection and tracking abilities / Shin B.-S. [и др.] // Machine Vision and Applications. – 2018. – № 1 (29). – Р. 95–
112.
26. Shreyas E., Sheth M. H., Mohana 3D Object Detection and Tracking Methods using Deep
Learning for Computer Vision Applications 2021.C. 735–738.
27. Perspectives of RealSense and ZED Depth Sensors for Robotic Vision Applications / Tadic V.
[и др.] // Machines. – 2022. – № 3 (10). – Р. 183.
28. Wan, S. Faster R-CNN for multi-class fruit detection using a robotic vision system / S. Wan ,
S. Goudos // Computer Networks. – 2020. – № 168. – Р. 107036.
29. Yao N. [и др.]. Monocular vision-based human following on miniature robotic blimp 2017.C.
3244–3249.
30. RGB-D-Based Robotic Grasping in Fusion Application Environments / Yin R. [и др.] //
Applied Sciences. – 2022. – № 15 (12). – Р. 7573.
31. Robust Robot Pose Estimation for Challenging Scenes With an RGB-D Camera / Yu H. [и др.]
// IEEE Sensors Journal. – 2019. – № 6 (19). – Р. 2217–2229.
32. Stereo vision based autonomous robot calibration / Zhang X. [и др.] // Robotics and
Autonomous Systems. – 2017. – № 93. – Р. 43–51.
33. Deep Reinforcement Learning for Vision-Based Robotic Grasping: A Simulated Comparative
Evaluation of Off-Policy Methods / Quillen D. [и др.] // IEEE International Conference on
Robotics and Automation (ICRA). – 2018. – Р. 6284–6291.
34. Vision-Based Multi-Task Manipulation for Inexpensive Robots Using End-to-End Learning from Demonstration / Rahmatizadeh R. [и др.] // IEEE International Conference on Robotics and Automation (ICRA). – 2018. – C. 3758–3765.
35. Abiyev R. H. [и др.]. Robot Pathfinding Using Vision Based Obstacle Detection // 3rd IEEE
International Conference on Cybernetics. 2017. C. 1–6.
36. Vision‐based control architecture for human–robot hand‐over applications / Melchiorre, M. [и др.] // Asian Journal of Control. – 2020. – №1 (23). – Р. 105–117

СОВРЕМЕННЫЕ НАУКА И ОБРАЗОВАНИЕ: ДОСТИЖЕНИЯ И ПЕРСПЕКТИВЫ РАЗВИТИЯ
89
УДК 004.354:621.865.8
ОБЗОР ТЕХНОЛОГИЙ ПОЗИЦИОНИРОВАНИЯ В
РОБОТОТЕХНИЧЕСКИХ СИСТЕМАХ
Урбах Эдгар Александрович, аспирант кафедры электропривода, мехатроники и электромеханики
Урбах Екатерина Дмитриевна, аспирант кафедры электропривода, мехатроники и электромеханики
ФГАОУ ВО «ЮУрГУ (НИУ)»,
Южно-Уральский государственный университет, г. Челябинск
Аннотация. Технологии позиционирования широко применяются в робототехнической отрасли. Выбор той или иной технологии обуславливается применением в конкретной задаче для наибольшей эффективности. В данной статье рассматриваются основные технологии позиционирования робототехнических систем.
Ключевые слова: позиционирование, робототехника, робот-манипулятор, точность позиционирования, навигационные системы, компьютерное зрение.
Прогресс не стоит на месте, примерно 30 лет назад начали массово внедряться первые промышленные роботы-манипуляторы, призванные облегчить труд человека на производстве, сократить количество брака и сделать продукт более качественным. В 2016 году немецким экономистом Клаусом
Швабом была изложена концепция четвертой промышленной революции, согласно которой будущее будет определяться широким внедрением кибер- физических систем в промышленность [1]. Концепция предполагает скорую трансформацию производственных линий в автоматические и связанные сетью ячейки, способные к перенастройке и автономной перестройке производственных шаблонов.
Одной из ключевых технологий четвертой промышленной революции, позволяющих достичь этой трансформации, являются автономные роботы.
Важной задачей в создании эффективных и точных роботов, способных действовать автономно, является создание соответствующих систем позиционирования. Целью настоящего исследования является обзор и анализ существующих технологий и компонентов, применяющихся в системах позиционирования роботов.

СОВРЕМЕННЫЕ НАУКА И ОБРАЗОВАНИЕ: ДОСТИЖЕНИЯ И ПЕРСПЕКТИВЫ РАЗВИТИЯ
90
В целом, существующие системы позиционирования можно разделить на следующие группы по уровню локализации [2]:
• глобальные системы, в которых робот определяет свое местоположение относительно абсолютных координат;
• локальные системы, в которых происходит определение координат относительно заданных точек;
• персональные системы, в которых робот определяет свои координаты относительно других частей своей кинематической цепи, например, между шестой и первой осями.
• гибридные системы, использующие комбинации перечисленных методов.
Собственно определение координат при использовании любого из перечисленных типов может осуществляться различными способами. На рисунке 1 изображены основные элементы систем позиционирования. В зависимости от источника данных для позиционирования системы могут быть названы активными или пассивными:
• активная – комплекс «приёмопередающих» датчиков находящиеся непосредственно на борту робота, позволяющие роботу самостоятельно ориентироваться в пространстве;
• пассивная – получение данных о своем местоположении от внешних устройств.
Применение той или иной технологии позиционирования обуславливается сферой деятельности и конкретно применением робототехнического устройства.
Представляет интерес описание и анализ существующих устройств для получения входной информации о среде, применяемых в позиционировании.
Дальномеры. Дальномеры – это класс устройств, предназначенных для измерения расстояния от наблюдателя, до объекта наблюдения. На сегодняшний день существует три вида дальномеров: ультразвуковые, инфракрасные и сканирующие лидары [3].

СОВРЕМЕННЫЕ НАУКА И ОБРАЗОВАНИЕ: ДОСТИЖЕНИЯ И ПЕРСПЕКТИВЫ РАЗВИТИЯ
91
Рисунок 1 – Элементы систем позиционирования робота
Ультразвуковой
дальномер.
Ультразвуковой дальномер или ультразвуковой датчик (рисунок 2) получает данные о расстоянии, излучая короткоимпульсные ультразвуковые волны с частотой 60 – 400 кГц в направлении объекта наблюдения, которые затем возвращаются назад в приемник датчика. К основным достоинствам можно отнести низкую стоимость, работа в тяжелых визуальных условиях, высокая скорость измерения.
Основными недостатками являются низкая точность и ограниченный диапазон измерений.
Рисунок 2 – Ультразвуковой дальномер HC-SR04 и его принцип работы
Инфракрасный дальномер. Датчики такого типа работают в инфракрасном спектре, излучая волны длиной около 850 нм. Аналогично вышеописанному ультразвуковому датчику, получение данных о расстоянии происходит в результате приема отраженной волны. Достоинствами являются низкая стоимость и простота использования, в то время как недостатки – это

СОВРЕМЕННЫЕ НАУКА И ОБРАЗОВАНИЕ: ДОСТИЖЕНИЯ И ПЕРСПЕКТИВЫ РАЗВИТИЯ
92 ограниченный диапазон измерений, снижение точности при попадании солнечного луча на чувствительную часть датчика, сложность определения расстояния до светопоглащающих объектов. Принцип работы представлен на рисунке 3.
Рисунок 3 – Инфракрасный дальномер и его принцип работы
Сканирующий дальномер. Последний вид, самый распространённый в настоящее время – это лидар, представленный на рисунке 4. Лидар испускает короткий световой импульс, освещая объект наблюдения и рассчитывает время, через которое свет вернётся к источнику. В сравнении с другими типами датчиков, в которых измерения производятся в узком диапазоне измерений, лидар является полной противоположностью, световые волны подвержены рассеянию в любых средах, то есть существует возможность определять расстояние не только до непрозрачных объектов, но и детектировать рассеивание светового пучка на прозрачных поверхностях. Основным недостатком такого датчика является его высокая стоимость, что нивелируется быстротой сбора данных, высокой точностью, возможностью работы в любое время суток.
Рисунок 4 – Принцип работы лидара

СОВРЕМЕННЫЕ НАУКА И ОБРАЗОВАНИЕ: ДОСТИЖЕНИЯ И ПЕРСПЕКТИВЫ РАЗВИТИЯ
93
Инерциальная система. Инерциальные навигационные системы (рисунок
5) включают в себя датчики линейного ускорения, т.е. акселерометры и датчики угловой скорости – гироскопы. С их помощью измеряется положение объекта в пространстве, вычисляя отклонения между системой координат объекта с мировой системой координат, для получения углов ориентации: крена, тангажа и рыскания. Алгоритмически ИНС включает в себя курсовой и вертикальный каналы, а также систему определения координат. Курсовой канал позволяет определить ориентацию объекта в мировой системе координат, обеспечивая точность и надежность определения его положения в пространстве. В свою очередь, вертикальный канал обеспечивает стабильность вертикальной составляющей движения объекта во время полета. Совместное использование курсового и вертикального каналов позволяет обеспечить точное и надежное определение положения объекта в трехмерном пространстве.
Рисунок 5 – Лазерный гироскоп
Инерциальная навигационная система обладает несомненными преимуществами перед другими системами позиционирования. Она обеспечивает полную автономность в работе и не зависит от внешних источников данных, что является ее главным достоинством. Кроме того, система обладает высокой информативностью, позволяет передавать данные на высокой скорости и применяется в условиях недоступности других систем позиционирования, например, в глубоком космосе, на глубинах океана или в труднодоступных локациях на земле. Однако, инерциальные системы склонны к

СОВРЕМЕННЫЕ НАУКА И ОБРАЗОВАНИЕ: ДОСТИЖЕНИЯ И ПЕРСПЕКТИВЫ РАЗВИТИЯ
94 накоплению ошибок в процессе измерения ориентации объекта. Для устранения ошибок указанного типа используются интегрированные инерциальные навигационные системы, которые объединяют данные с различных датчиков, таких как акселерометры и гироскопы, и компенсируют ошибки, связанные с неверными измерениями. При этом данные с навигационных систем дополняются данными из внешних источников позиционирования, таких как спутниковые системы [4].
Одометрия. Одометрия с точи зрения позиционирования робота является методом определения положения на основе отданных команд передвижения.
Существует два основных вида датчиков: резольвер и энкодер.
Резольвер. Резольвер является предшественником современных энкодеров и представляет собой электромеханическое устройство, принцип работы которого основан на создании магнитного поля электрическим током вдоль центральной обмотки. Датчик резольвера включает две перпендикулярные обмотки, одна из которых неподвижна, а вторая перемещается в соответствии с движением объекта. Изменение магнитного поля, создаваемого обмотками, позволяет определить движение наблюдаемого объекта. Конструкция резольвера и его внешний вид представлены на рисунке 6.
Рисунок 6 – Конструкция резольвера
Примитивная конструкция обеспечивает датчику высокую надежность в самых экстремальных средах: от высокотемпературных, радиационных до высоковибрирующих. Однако, из-за простоты конструкции, датчик не обладает

СОВРЕМЕННЫЕ НАУКА И ОБРАЗОВАНИЕ: ДОСТИЖЕНИЯ И ПЕРСПЕКТИВЫ РАЗВИТИЯ
95 высокой точностью, также основным минусом является, в отличии от современных энкодеров, получение пользователем аналоговых данных, что требует использования аналого-цифрового преобразователя.
Энкодер. Энкодер позволяет измерить скорость вращения, угловое положение относительно нуля, а также направление вращения наблюдаемого объекта, таким образом энкодер является датчиком обратной связи, цифровой сигнал которого меняется в зависимости от угла поворота. Свое широкое применение нашли в промышленности, в автоматических системах управления, например, на конвейерной ленте, приводе валков, а также в звеньях роботов- манипуляторов.
Все энкодеры можно разделить на два вида – абсолютные и инкрементальные. Конструкция инкрементального проще, чем у абсолютного, и, как следствие, его стоимость ниже. Инкрементальный энкодер представляет собой диск с прорезями, который просвечивается оптическим датчиком. При вращении энкодера диск пропускает свет через прорези, вызывая чередующееся включение и выключение оптического датчика. Это приводит к формированию последовательности дискретных импульсов, частота которых зависит от разрешения устройства и частоты его вращения. Основным недостатком инкрементального энкодера является необходимость инициализации начального положения после подачи напряжения питания.
Абсолютный энкодер является более сложным устройством и позволят определить угол поворота при отсутствии напряжения питания на устройстве.
Выход энкодера кодируется параллельным кодом Грея, разрядность которого определяет разрешение, а значит и точность показаний датчика.