31、基于循环神经网络的装配操作分类研究

基于循环神经网络的装配操作分类研究

1. 引言

在全球制造业中，企业为满足客户对高质量定制产品的需求，需要高效且通用的生产结构。不断变化的需求和缩短的产品生命周期，促使现代生产具备高度灵活性，而人机协作能通过让机器人承担繁重且不符合人体工程学的任务来实现这种灵活性。

为实现人机协作，至关重要的是实施一个视觉传感器系统，使机器人能实时对人类的装配步骤进行分类和分析。工业协作机器人虽能检测与人类或其他物体的碰撞并紧急停止，但仍需人类时刻观察机器人以避免碰撞，增加了人类的负担。因此，将这一负担转移给机器人，才能实现真正的协作并降低人类的压力。

本文探讨了能否以及如何使用基于视觉传感器数据的机器学习方法对装配操作进行分类。现有解决方案通常不直接对装配操作进行分类，而是通过跟踪装配区域特定区域的活动来推断装配过程。使用机器学习方法对装配操作进行分类的一个关键挑战是人与工具和物体的交互，由于这种交互未在使用的数据集中得到体现，传统方法往往无法提供有效的解决方案。为了高效地对人工装配操作进行分类，需要探索如何对其进行界定和定义，以实现有意义的分类。

2. 人工装配操作的分类

现有实现方式常基于一些假设来判断产品是否正在装配，例如当工人的手位于工作空间的预定义区域内时，或者通过在手部和物体周围绘制边界框，当边界框相交时认为物体被交互过。但这些方法并未真正对装配操作进行分类，不过它们揭示了人工装配操作检测和分类的挑战，因此有必要对人工装配操作进行详细分析。

对人工装配操作进行详细分析的两种最常用方法是 REFA 和方法时间测量（MTM）。REFA 通过测量执行特定装配任务的实际时间，并据此计算目标时间。而 MTM 将每个手动装配操作分