摘要
随着海洋石油开采技术的快速迭代，水下ROV机器人正在朝着智能化的方向发展。然而，目前的ROV机器人抓取操作仍然处于遥控操作阶段，容易产生碰撞损坏等问题。尽管已有使用双目视觉深度学习方法研究机械臂抓取的相关工作，但对机器人的运动方式进行优化的研究不多，因此很难解决抓取时机器人晃动和极端环境带来的影响。针对目前国内外关于水下机器人抓取方面存在的问题，本文研究了一种基于双目视觉的水下ROV机器人识别和抓取方法，并对不停产维修仿真系统进行了改进。 首先，针对机器人水下工作时遇到的晃动问题和深海环境影响的问题，本文研究了基于可逆法的高阶滑模控制推进器分配方式。利用伪逆法求解8个螺旋桨的动力分配矩阵，根据矩阵优化螺旋桨运行参数，降低了螺旋桨工作时能源消耗，同时提高了ROV机器人的行进速度。当出现恶劣环境，如洋流影响时，利用高阶滑模控制的方法对ROV机器人的平衡进行调整，降低环境对ROV机器人行进路线的影响。同时，当一个或多个螺旋桨损坏时，采用计算分配矩阵的方法，确保ROV能够正常完成既定任务，提升其在恶劣环境下的工作韧性，并为双目视觉机械臂的平面抓取位姿提供必要条件。 其次，针对人工抓取面临的难度大、成本高和准确率低等问题，本文提出了基于深度学习的双目视觉抓取策略。通过soildworks构建了新型机械臂的URDF模型，利用OpenCV技术中的StereoSGBM双目视觉立体匹配网络生成深度图和深度序列，再利用生成的深度图进行机器手臂抓取的训练工作。同时，结合水下动力学分配方式，将传统机械臂的七维抓取模式优化为平面抓取，减少了两个维度的判断量。相对于传统方法，这种优化方法提高了约30%的抓取训练分析速度。实验结果表明，基于深度学习的双目视觉机械臂能够提高水下抓取的准确率，并降低了人工成本。 最后，结合双目视觉和螺旋桨动力分配方法，设计了一套完整的ROV机器人抓取系统。并将该系统成功应用于水下石油开采中的不停产维修仿真案例，为水下石油开采领域的智能化抓取提供了新的思路。
NETL