Cabin local space noise detection method based on 6-DOF manipulator
-
摘要:目的 为解决舰艇舱室内部空间复杂狭小导致人工检测噪声困难的问题,提出基于目标导向RRT算法的机械臂局域空间规划方法。方法 以六自由度机械臂为载体,在机械臂末端安装工装夹具,并以舱室内部的4个固定点为基准点,研究机械臂在局域空间内的遍历轨迹规划。其中,以基准点1为例,对其6个测量面、147个测点的噪点进行测量。通过噪声信号与空间待测点位姿信息的匹配分析,反馈当前测点的环境噪声,形成声压云图。结果 结果显示,针对4个基准点所对应的测点,机械臂可以实现对所有测点的轨迹规划与噪声测量,且无碰撞发生。结论 所提方法能够实现在狭小舱室局域空间内的智能规划以及内部噪声检测,具有实用价值。Abstract:Objective In order to solve the problem that noise detection inside a cabin is difficult due to the complexity and narrow space, a local space planning method of a manipulator based on the goal-oriented rapidly-exploring random tree (RRT) algorithm is proposed.Method A six-degrees-of-freedom (6-DOF) manipulator is used as the carrier, and a fixture is installed at the end of the manipulator. The four fixed points inside the cabin are used as the reference points to study the mechanical arm in the local space. The trajectory planning is traversed and the reference point-1 is taken as an example to measure the noise of its 6 measurement surfaces and 147 measurement points. The noise signal and the position and attitude information of the space to be measured are matched and analyzed, and the environmental noise of the current measurement point is fed back to form a sound pressure cloud map.Results The experimental results show that the robotic arm can realize trajectory planning and noise measurement for all measurement points corresponding to the four reference points without collision.Conclusion The proposed method has practical value in being able to realize intelligent planning and internal noise detection in narrow cabin areas.
-
0. 引 言
舰艇舱室内噪声的大小是衡量其居住性的一个重要指标。从噪声来源看,主辅机机电设备、空调通风管路系统、水管路系统、结构振动等都是影响舱室噪声不可忽视的部分,而这些设备遍布全船的各个角落[1]。噪声易引起人员身体疲劳、影响仪表设备正常工作,最终会大幅度减少舰艇日常使用寿命[2]。因此,对舰艇舱室内部噪声的检测及其控制具有重要意义。
在噪声检测方面,Vecchio[3]设计了一种新型阵列声探头,用于快速生成噪声云图,并可测试直升机运行状态下机舱内的噪声。付佳等[4]利用BK2250型多功能声级计对建造完成后的船舶海上噪声进行测试,噪声测试的测点位置满足甲板以上1.2 m(人员坐姿高度)和1.6 m(人员站姿高度)之间高度的要求。蔡旭东等[5]搭建了一套基于DASP (data auto sample and process )系统的船舶舱内噪声信号采集系统,该系统能够准确地测试航行中的船舶舱内噪声信号,为舱内噪声的监测和研究提供了便利。董秋苏[6]针对在机舱这种狭小舱室内采用标准测试方法无法有效测量应急柴油发电机组噪声的难题予以了研究,提出了一种既简便优化又适合在狭小空间内进行噪声检测的方法,可根据实际情况确定测点,评定实际噪声。张鹏[7]针对冰区航行船舶的冰激船舶舱室噪声问题,合理布置船舶舱室内的噪声测点,开展了破冰测试试验,通过测量破冰船主要舱室内的噪声信号,考察冰激船舶舱室噪声的特性,分析影响舱室噪声变化的主要因素。杨波等[8]为研究装甲车辆舱室噪声特性,将声级计安装在待测点上,测量分析了某型装甲车辆在各个工况下舱室内不同测点的噪声水平。
综上所述,现有舱室噪声检测方法大多为操作人员手持声级计对各个测点噪声进行测量,或者提前在各个检测点布置噪声传感器来完成噪声检测工作。但船舶内部环境复杂、封闭、潮湿,且安装有其他辅助设备,导致舱室内部空间狭小,在噪声检测过程给操作人员带来了诸多影响[9]。同时,这种通过手持声级计或者提前在各个检测点布置噪声传感器的检测方式,无法适用于包括舱室这种空间狭小且前期布点工作复杂的环境。鉴于机械臂操作灵活且具有较大操作空间和较高效率以及响应快速准确的独特优点[10],机械臂成为了实现局域空间内噪声检测的一种途径。
本文拟利用机械臂替代操作人员,研制高精度机器人辅助噪声检测装置,提出基于目标导向RRT算法的机械臂局域空间遍历轨迹规划方法,使机械臂携带噪声传感器能够以任意位姿遍历测试空间进行噪声测量,以此来增强检测系统对于环境的适应能力,提高检测系统的灵活性和精确性,从而满足船舶航行环境下舱室噪声自主高精度检测的需求。
1. 机械臂检测系统组成
图1所示为机械臂噪声检测系统硬件设备组成图,包括智能操作单元机械臂、便携式基座、工装夹具、信号采集单元等硬件。轻量型机械臂安全性能高并具有开放式的末端接口,用于夹持噪声检测传感器。便携式基座上平台设置有快速夹紧机构,便于机器人的快速安装布置,下平台则设置有万向轮,便于基座在多个位置开展测试。工装夹具采用轻质铝制(或尼龙)支架,可与机械臂法兰稳定衔接,使得传感器安装位置可调,方便拆卸。信息采集单元用于数据浏览、数据管理及简单处理、报告输出及分析。
2. 舱室局域检测空间分析及检测点布局
2.1 局域检测空间分析
利用Adams软件搭建图2所示局域检测空间仿真环境进行机械臂检测空间分析,以获取合适的基座高度及夹具长度(含传声器)。图中的数值单位为mm。结合舱室空间尺寸,对不同工装夹具长度下传声器所达检测空间进行仿真。随着工装夹具长度的增加,检测空间覆盖率增大,仿真效果更好。但因工装夹具过长会导致规划难的问题,需要对基座高度和工装夹具长度进行仿真分析。从仿真结果可见,当基座高度为600 mm、工装夹具长度为200 mm时,机械臂对空间覆盖率较大且机械臂的运动轨迹规划不会过于复杂。经综合考虑舱室内空间覆盖率和机械臂运动轨迹规划所涉及的因素,选定基座高度为600 mm、工装夹具长度为200 mm最合适。
针对不同数目的基准点(机械臂底座不同的固定位置),随机给定机械臂6个关节共10000组关节角度,生成10000个机械臂末端位置的点集,作为机械臂舱室内部空间覆盖点云,如图3所示。图中,灰、白、绿、粉红4个覆盖区域为机械臂的可达空间。由图3可见,这4个基准点带来的机械臂的空间覆盖率大且效果良好,因此选择基准点数目为4。图中,数值单位为mm。
2.2 检测点布局
针对舱室局部空间噪声检测,采取移动式底座和机械臂的方式,依次检测空间中已规划好的具有相同间隔的待测点。选取舱室角落作为初始待测点,相邻待测点间沿任意轴(x, y, z)方向相距250 mm,顶部待测点距离舱壁200 mm。如图4所示,舱室按间距为250 mm且平行于xy,xz,yz平面进行分割,分割后平面间的交点即为待测点。
3. 基于机械臂空间规划的噪声检测
3.1 舱室局域空间噪声检测流程
经过上述检测空间分析,采用4个基准点进行舱室局部空间噪声检测工作。首先,做好舱室内部的待测点布局,测量得到机械臂在静止状态下的舱室背景噪声及硬件系统自身噪声,共计20 dB。随后,移动机械臂至基准点1,机械臂携带传感器检测该基准点内的全部待测点,在完成全部待测点的测量后,再将机械臂移动到下一个基准点继续测量。最后,在完成全部基准点的测量后,将数据进行处理与分析,生成声压云图。具体检测流程如图5所示。
3.2 机械臂局域空间规划方法
为了验证机械臂是否对待测点有良好的噪声测量效果,在Gazebo开源多机器人仿真环境中进行仿真。Gazebo仿真环境拥有良好的物理引擎,可以更清楚地检测机械臂在进行轨迹规划时是否发生碰撞。
将舱室模型导入Gazebo仿真环境中,设置好检测点以及基准点。机械臂初始末端位置作为初始点,将待测点作为目标点,碰撞检测作为约束条件。机械臂通过MoveIt内置算法进行运动规划,若机械臂在轨迹规划过程中没有发生碰撞,则意味着运动规划成功。当机械臂完成所有基准点全部待测点的测量后,随后将数据导出及进一步予以处理和分析,并生成声压云图。
3.2.1 机械臂碰撞检测
机械臂碰撞检测是轨迹规划的前提,机械臂碰撞检测主要分为机械臂连杆间碰撞检测以及机械臂与外界环境的碰撞检测。本文采用Gazebo仿真环境,在此环境下可以将机械臂和环境中障碍物信息集成的URDF文件作为物理参数进行碰撞检测,故检测更加精确。
3.2.2 基于目标导向RRT算法的局域空间规划
RRT算法是一种基于概率采样的搜索方法,该方法的特点是能够快速有效地搜索高维空间,通过状态空间的随机采样点,将搜索导向空白区域,从而寻找到一条从起始点到目标点的规划路径。但传统的RRT 算法随机性大,导致从起始点到目标点扩展时间较长,冗余点较多,对机械臂而言并不友好,因此本文提出基于目标导向RRT算法的机械臂局域空间规划方法[11]。机械臂模型导入到Gazebo仿真环境后,将机械臂初始位置作为起始点,当前基准点对应的待测点作为目标点。初始化结构树,将初始点作为结构树的第1个点,并在工作空间内随机选取一个点xrand,通过迭代搜索结构树上全部的点来寻找与xrand距离最近的点xnear,确定方向为→xnearxrand与→xnearxgoal的加权夹角(其中权系数为u1和u2),长度为距xnear步长为S的新节点xnew。判断xnear与xnew之间是否有障碍物,若有,则删除新节点xnew并重新选取随机点xrand;若无,则将新点xnew作为结构树的一员。当xnew与目标点之间的距离小于阈值时,xnew此时为目标点,算法迭代完成[12]。
基于目标导向RRT算法节点的扩展示意图如图6所示。
新节点计算公式如式(1)所示:
xnew=xnear+u1xrand−xnear‖ (1) 式中:{u_1},{u_2}为步长S的分项权系数,满足 \sqrt {u_1^2 + u_2^2} = S ; \| {{x_{\rm{rand}}} - {x_{\rm{near}}}} \| 和 \| {{x_{\rm{goal}}} - {x_{\rm{near}}}} \| 代表{x_{\rm{rand}}},{x_{\rm{goal}}}与{x_{\rm{near}}}之间的欧氏距离。
经过上述算法可以得到从机械臂初始位置到目标位置的一系列规划点的集合,但是RRT算法在进行路径搜索时会有一些冗余点,且规划点之间转折过大,导致了机械臂运动的不连续。因此,在路径规划后还需要对规划好的路径进行平滑处理。
3.2.3 冗余节点处理
如图7所示,基于目标导向RRT算法在寻找路径的过程中虽然迭代时间缩短了很多,但是路径长度变化不大。基于上述问题,本文对每个点进行了冗余点检测,具体操作如下:
1) 记起始点为头结点,下一个节点为尾节点。
2) 连接头结点和尾节点,判断连接线是否与障碍物发生碰撞。
3) 若发生碰撞则头结点不变,尾节点变为当前尾节点的下一个节点;若不碰撞,将头结点记为尾节点,尾节点记为当前尾节点的下一个节点。
4) 将所有节点检测完成后,生成一个由所有头结点和当前尾节点生成的优化随机树。
由图7可知,基于目标导向RRT算法规划后的路径为1-2-3-4-5-6-7-8,经过冗余点处理后的路径为:1-4-6-8。可见,这极大地缩短了路径长度。
3.2.4 路径平滑处理
优化后的路径,虽然减少了不必要的转折点,但是依旧存在点与点之间拐角过大的问题,机械臂在依据此路径点运动时势必会引起振动和冲击。为了减少机械臂在运动过程中的抖动过大问题,需要将得到的路径点进行平滑处理。
为了保证关节速度与加速度的连续性,本文采取的是基于三次均匀B样条曲线构造机械臂关节轨迹。当所有节点区间长度相同,即满足{\varDelta _i} = {u_{i + 1}} - {u_i} = \varDelta > 0\;(i = 0,1,...,n + k)时节点矢量中的节点沿参数轴均匀分布,其中\varDelta为某一确定的常数。
定义k次B样条曲线的表达式为
P(u) = \sum\limits_{i = 0}^n {{d_i}{N_{i,k}}(u)}, \;\;\; u \in [u_{k-1},u_k) (2) 式中:P(u)为B样条曲线上点的坐标;di代表每个控制点;Ni,k(u) 为B样条基函数。
B样条曲线基函数是以一个非递减的参数为u
的序列所决定的k阶分段多项式,采用德布尔−考克斯递推公式定义B样条表达式如下: \left\{ \begin{aligned} & {N}_{i,0}(u)=\left\{ \begin{aligned} & 1,\qquad {u}_{i}\le u\le {u}_{i+1}\\& 0,\qquad 其他 \end{aligned}\right.\\& {N}_{i,k}(u)=\frac{u-{u}_{i}}{{u}_{i+k}-{u}_{i}}{N}_{i,k-1}(u)+\\&\qquad \frac{{u}_{i+k+1}-u}{{u}_{i+k+1}-{u}_{i+1}}{N}_{i+1,k-1}(u)\\& 规定:\frac{0}{0}=0 \end{aligned}\right. (3) 由B样条曲线方程可知,当k=3以及i=0,1,2,3时三次均匀B样条曲线的基函数表示为
\left\{ \begin{gathered} {N_{0,3}}(u) = \frac{1}{6}( - {u^3} + 3{u^2} - 3u + 1) \\ {N_{1,3}}(u) = \frac{1}{6}(3{u^3} - 6{u^2} + 4) \\ {N_{2,3}}(u) = \frac{1}{6}( - 3{u^3} + 3{u^2} + 3u + 1) \\ {N_{3,3}}(u) = \frac{1}{6}{u^3} \\ \end{gathered} \right. (4) 将式(4)代入式(2)可得三次均匀B样条曲线方程:
\begin{split} & \qquad\qquad\qquad {P_i}(u) = \sum\limits_{i = 0}^3 {{d_{i + l}}{N_{l,k}}(u)} = \\& \frac{1}{6}[{u^3}\;{u^2}\;u\;1]\left[ {\begin{array}{*{20}{c}} { - 1}&3&{ - 3}&1 \\ 3&{ - 6}&3&0 \\ { - 3}&0&3&0 \\ 1&4&1&0 \end{array}} \right]\left[ {\begin{array}{*{20}{c}} {{d_i}} \\ {{d_{i + 1}}} \\ {{d_{i + 2}}} \\ {{d_{i + 3}}} \end{array}} \right],u \in [0,1] \end{split} (5) 空间机械臂关节轨迹的构造过程是在给定相邻的型值点之间分别插入一段B样条曲线,并已知型值点 {P}_{i} 的值为式(5)中取 u=0 时的值,即
{d_i} + 4{d_{i + 1}} + {d_{i + 2}} = 6{P_i}\;\;(i = 0,1,2,...,n - 2) (6) 以上共n−1个方程,再补充如下2个条件[13]:
{d_0} = {d_1}, {d_{n - 1}} = {d_n} (7) 由式(6)和式(7)即可求出三次均匀B样条曲线的所有n+1个控制点 {d}_{i}(i=\mathrm{0,1},\dots ,n) 。
4. 舱室局部空间噪声检测性能测试
通过上述方法得到机械臂在每个时刻的关节角度,并监控机械臂在运动过程中每个途径点的各关节的转角,这些转角将进行角度转换等后处理,发送给真实的机械臂。
4.1 基于目标导向RRT算法的轨迹规划仿真验证
为了验证基于目标导向RRT算法在路径搜索过程中的搜索效率,本文在简单和复杂这两种环境下对RRT和基于目标导向RRT算法(以下简称“改进RRT算法”)进行对比试验。由于RRT算法具有随机性,因此对RRT及改进RRT这两种算法进行20次的重复试验[14],并统计每个指标的平均值,仿真结果如图8所示,其中,左图为RRT算法环境,右图为改进RRT算法环境。
图8中,红色细线条表示搜索树的分支,黑色圆球表示障碍物,绿色粗线表示搜索到的路径。从规划后的结果可以看出,改进RRT算法具有更高的导向性,显著减少了采样过程中的冗余样点,提高了搜索效率。两种算法平均采样点数以及搜索时间如表1所示。
表 1 两种算法在不同仿真环境下的指标Table 1. The indexes of two algorithms for different simulation environments环境 算法 平均采样点数 平均采样时间/s 简单环境 RRT 961 2.44 改进RRT 417 0.76 复杂环境 RRT 1 031 3.01 改进RRT 491 1.21 4.2 舱室噪声测试
针对舱室的噪声检测,选择两个基准点进行测试,每个基准点都包含不同数量的待测点。在仿真环境对不同的测点进行轨迹规划后,将规划好的轨迹发送到真实机械臂,以完成所有噪声点的测量工作。最后,通过整合两个基准点的测量结果绘制声压图。
以基准点1为例,规划了6个测量面(总共含 147个测点),并对这6个测量面分别进行测量,图9所示为部分规划过程。
基于仿真规划出机械臂的运动轨迹,并将运动轨迹发送给真实机械臂,机械臂接收到上位机的指令后移动到目标位置并停顿3 s,以保证自噪声不会对测量结果产生影响后再开始测量。图10所示为实际测量过程中机械臂的测量轨迹。
整合基准点1的测量结果绘制声压图, 6个测量面声压云图如图11所示。图中:坐标单位为cm,噪声单位为dB。人工测量舱室内噪声的前期布线十分复杂,特别是在狭小复杂环境下尤为困难,本文在实验中的人工噪声测量平均耗时为10 min,而利用机械臂测量每个待测点的噪声平均耗时为5 s,极大程度地克服了在狭小舱室空间内采用手动方式测量噪声所面临的困难,也避免了前期布线困难的问题,保证了舱室内噪声点测量的实时性,降低了噪声测量过程中对大量人力物力的需求。
5. 结 语
本文首先对舰艇舱室内部进行建模,分析了内部设置的基准点,得出了当基准点数目为4时测量覆盖率较高的结果。在Gazebo仿真环境中对全部测点进行机械臂末端轨迹规划,使用改进RRT算法规划机械臂的路径,并进行碰撞检测,实现了全部测点的仿真测量,测量结果较好且无碰撞发生。基于仿真规划的机械臂运动轨迹并发送至真实的机械臂,完成了所有测点的噪声测量,最后通过整合2个基准点的测试结果绘制出了声压图。实验效果表明,本文所提机械臂局域空间检测方法的噪声检测效果较好,可以避免提前布置传感器的繁琐工作,为舱室内的噪声检测提供了一种新型和便捷的检测方案。
-
表 1 两种算法在不同仿真环境下的指标
Table 1 The indexes of two algorithms for different simulation environments
环境 算法 平均采样点数 平均采样时间/s 简单环境 RRT 961 2.44 改进RRT 417 0.76 复杂环境 RRT 1 031 3.01 改进RRT 491 1.21 -
[1] 严斌, 刘文章, 黄河. 大深度载人潜水器舱室噪声研究[J]. 船舶力学, 2021, 25(11): 1572–1579. doi: 10.3969/j.issn.1007-7294.2021.11.015 YAN B, LIU W Z, HUANG H. Study on deep-sea manned submersible cabin noise[J]. Journal of Ship Mechanics, 2021, 25(11): 1572–1579 (in Chinese). doi: 10.3969/j.issn.1007-7294.2021.11.015
[2] 郭志强. 船舶舱室噪声的预报及控制[J]. 船舶物资与市场, 2020(10): 51–52. doi: 10.19727/j.cnki.cbwzysc.2020.10.022 GUO Z Q. Prediction and control of ship cabin noise[J]. Marine Equipment/Materials & Marketing, 2020(10): 51–52 (in Chinese). doi: 10.19727/j.cnki.cbwzysc.2020.10.022
[3] VECCHIO A, VALENT L, BERTHE A, et al. The Microflown, a novel approach to helicopters interior noise testing[C]//Proceedings of 2006 IEEE Instrumentation and Measurement Technology Conference. Sorrento, Italy: IEEE, 2006.
[4] 付佳, 王铭, 张伟. 超大型集装箱船的舱室噪声预报与测试[J]. 舰船科学技术, 2019, 41(6): 62–65. doi: 10.3404/j.issn.1672-7649.2019.06.013 FU J, WANG M, ZHANG W. Noise prediction and measurement of ultra-large container vessel[J]. Ship Science and Technology, 2019, 41(6): 62–65 (in Chinese). doi: 10.3404/j.issn.1672-7649.2019.06.013
[5] 蔡旭东, 崔滋刚, 曲丰, 等. 基于DASP的船舶舱内噪声信号测量系统研究[J]. 舰船电子工程, 2011, 31(10): 150–151, 172. doi: 10.3969/j.issn.1627-9730.2011.10.043 CAI X D, CUI Z G, QU F, et al. Data acquisition system for the ship cabins' noise measure based on DASP[J]. Ship Electronic Engineering, 2011, 31(10): 150–151, 172 (in Chinese). doi: 10.3969/j.issn.1627-9730.2011.10.043
[6] 董秋苏. 狭小舱室内柴油发电机组噪声测量及评定[J]. 船舶标准化工程师, 2017, 50(4): 59–63. doi: 10.14141/j.31-1981.2017.04.012 DONG Q S. Noise measurement and evaluation of diesel generator set in narrow cabin[J]. Ship Standardization Engineer, 2017, 50(4): 59–63 (in Chinese). doi: 10.14141/j.31-1981.2017.04.012
[7] 张鹏. 内河破冰船的冰激船体结构振动与舱室噪声试验研究[D]. 哈尔滨: 哈尔滨工程大学, 2017. ZHANG P. The experimental research of shiphull structure vibration and noise caused by icebreaking work for a river icebreaker[D]. Harbin: Harbin Engineering University, 2017 (in Chinese).
[8] 杨波, 刘维平, 金毅, 等. 装甲车辆舱室噪声试验与评价[J]. 装甲兵工程学院学报, 2017, 31(4): 52–55. doi: 10.3969/j.issn.1672-1497.2017.04.010 YANG B, LIU W P, JIN Y, et al. Noise test and evaluation of armored vehicle cabin[J]. Journal of Academy of Armored Force Engineering, 2017, 31(4): 52–55 (in Chinese). doi: 10.3969/j.issn.1672-1497.2017.04.010
[9] 徐羽洁. 船舶舱室噪声预报与控制研究[D]. 广州: 华南理工大学, 2019. XU Y J. Research on noise prediction and control of ship cabin[D]. Guangzhou: South China University of Technology, 2019(in Chinese).
[10] 孟韶南. 六自由度机械臂运动控制系统研究[D]. 西安: 中国科学院大学, 2017. MENG S N. The study on motion control system of a six DOF manipulator[D]. Xi'an: University of Chinese Academy of Sciences, 2017 (in Chinese).
[11] 张婷婷, 柳林燕, 汪惠芬. 基于改进RRT的关节机械臂路径规划[J]. 组合机床与自动化加工技术, 2022(5): 11–14. ZHANG T T, LIU L Y, WANG H F. Joint robotic arm path planning based on improved RRT[J]. Modular Machine Tool & Automatic Manufacturing Technique, 2022(5): 11–14 (in Chinese).
[12] 赵惠, 李庆党, 张明月. 基于改进RRT算法的机械臂路径规划方法[J]. 电子测量技术, 2021, 44(16): 45–49. doi: 10.19651/j.cnki.emt.2106980 ZHAO H, LI Q D, ZHANG M Y. Path planning method of manipulator based on improved RRT algorithm[J]. Electronic Measurement Technology, 2021, 44(16): 45–49 (in Chinese). doi: 10.19651/j.cnki.emt.2106980
[13] 万传恒. 六自由度工业机器人轨迹规划算法研究[D]. 广州: 华南理工大学, 2012. WAN C H. Research on trajectory planning algorithm of six degrees of freedom industrial robot[D]. Guangzhou: South China University of Technology, 2012 (in Chinese).
[14] 张建冬, 王东, 马立东, 等. 基于改进RRT算法的移动机械臂路径规划[J]. 电子测量技术, 2021, 44(23): 48–53. doi: 10.19651/j.cnki.emt.2107666 ZHANG J D, WANG D, MA L D, et al. Obstacle avoidance planning of mobile manipulator based on improved RRT algorithm[J]. Electronic Measurement Technology, 2021, 44(23): 48–53 (in Chinese). doi: 10.19651/j.cnki.emt.2107666