欧美日韩激情视频-欧美日韩黄色-欧美日韩国产综合在线-欧美日韩国产综合一区二区三区-欧美日韩国产中文字幕-欧美日韩国产中文高清视频

（二）方法概述

本文提出的基于時間序列力信息的多分類1DCNN-GRU接觸狀態識別模型方法框架如圖2所示，由接觸狀態識別和導納控制與狀態機切換兩部分核心模塊組成。

（1）接觸狀態識別：以六維力/力矩傳感器的時序數據為輸入，經重力補償與坐標變換后送入多分類1DCNN-GRU模型，輸出姿態調整方向對應的導納參數。

（2）導納控制與狀態機切換：基于導納控制器執行姿態調整，并通過狀態機在接近 (S1)、接觸 (S2)、對準 (S3)、擬合 (S4)、插入 (S5)與完成 (S6)這6個階段之間無縫切換，在線更新導納參數以保證平滑且安全的裝配過程。

為確保機械臂與環境間的柔順交互，采用基于速度的導納控制：

其中， V_d 和 V分別為期望速度和當前實際速度，和分別為期望加速度和當前實際加速度，F_d 和 F 分別為期望接觸力和當前實際接觸力，M_d 和 B_d 分別表示期望慣性參數和阻尼參數。

離散化處理后，對速度采用后向差分：

其中，和分別為k時刻的期望速度和當前實際速度，和分別為k-1時刻的期望速度和當前實際速度，和分別為k時刻的期望接觸力和當前實際接觸力，T 是離散控制周期。通過基于速度的導納控制獲得后，將其發送至機械臂的速度控制接口進行實際控制。

整個裝配過程主要通過狀態機執行，依據接觸力與位置誤差判定狀態切換條件，實現自動化流程。各狀態的切換條件如圖 4 所示，其中S1-S6代表不同狀態，C1-C5代表每個狀態的切換條件，虛線箭頭表示軸的運動方向。 

圖4 基于狀態機的整體裝配過程可視化

圖5 基于1DCNN-GRU的多分類接觸狀態預測模型結構圖

表1 1DCNN-GRU 模型參數 

為對比不同分類方法的有效性，本研究評估了1DCNN、LSTM、GRU、1DCNN-LSTM及1DCNN-GRU模型的性能。圖6展示了各類方法在訓練過程中損失函數與準確率的變化過程。表2呈現了不同分類模型在測試集上的性能，結果表明1DCNN-GRU模型在測試集上的分類性能顯著優于傳統SVM方法和其他深度學習分類方法。

圖6 不同分類模型的訓練過程對比。(a) 損失函數；(b)準確率 

表2 各種方法在測試集上的分類性能

狀態機被用于物理驗證，實驗過程如圖7和圖8所示。接近階段 (S1)采用位置控制，接觸階段到完成階段(S2-S6)采用導納控制。在接觸狀態 (S2)，銷以適當的慣性和阻尼垂直向下移動，直至銷與孔接觸；在姿態調整狀態 (S3)，減小力矩的慣性和阻尼參數，根據 1DCNN-GRU 接觸狀態識別模型設置力矩參數；在貼合狀態(S4)，增大力矩的慣性和阻尼參數以減緩姿態調整過程，同時提高預期z軸力到12 N，確保銷與孔的穩定接觸；在插入狀態 (S5)，進一步增大力矩的慣性和阻尼參數以減緩姿態調整過程，同時提高預期z軸力到20 N，使銷與孔接觸更緊密；在完成狀態 (S6)，力參數F_d 設置為0，停止銷的運動，表示銷插入過程結束。

圖 7 門鎖解鎖實驗快照：(1) 接觸孔，(2) (3) 使用 1DCNN-GRU 接觸狀態識別模型進行姿態調整，(4) 貼合，(5) 插入，(6) 鎖已打開

圖 8 自行車鎖解鎖實驗快照：(1) 接觸孔，(2) (3) 使用 1DCNN-GRU 接觸狀態識別模型進行姿態調整，(4) 貼合，(5) 插入，(6) 鎖已打開

為評估所提方法的有效性，進行了雙臂鑰匙解鎖裝配實驗。實驗中，左臂以-35°~35°的傾斜角度夾持鎖孔底座，右臂夾持鑰匙進行解鎖裝配。隨機選擇了4種不同的鎖孔底座姿態，每種姿態測試 100次。實驗結果如表 5 所示，基于 1DCNN-GRU 的方法可以完成傾斜孔的裝配任務，平均成功率為94%，顯著高于SVM方法84%的成功率。

表 5 在400 次銷入孔實驗中兩種方法裝配成功率對比

綜上所述，本文提出了一種面向任意傾角孔的學習型裝配策略，以時序力信息驅動的1DCNN-GRU接觸識別模型結合自適應導納控制與狀態機，實現了自動化、安全且高效的插銷裝配。在門鎖與自行車鎖場景中，裝配成功率最高達94%，顯著高于傳統方法，展示了其在復雜傾角結構裝配中的應用潛力。