0 引言

电商物流配送行业作为现代经济体系的重要组成部分，特别是分拣环节[1],作为物流配送中心的核心流程，其效率和准确性直接影响到整个物流系统的性能[2]。在电商物流行业，由于订单量波动大，季节性高峰期经常出现人力短缺的问题[3]。引入分拣机器人控制系统可以在高峰期提高分拣能力，缓解人力短缺问题。通过减少人力干预，降低能源消耗，减少废料产生等手段[4][5],分拣机器人控制系统可以促进电商物流行业的绿色发展。苏建等人通过引入以太网技术，实现了机器人与上位机之间的实时通信，提高了分拣和装配的效率。同时，结合机器视觉技术，机器人可以识别并抓取目标物体，进一步提升了系统的智能化水平。详细介绍了该系统的硬件组成、软件设计以及实验验证，结果表明该系统具有良好的可行性和实用性[6]。霍桂利等人设计仓库物流搬运机器人控制系统，该系统的硬件组成包括机器人本体、传感器、控制器和执行器等。其中，传感器用于获取货物的位置和状态信息，控制器则根据这些信息对机器人进行精确控制和调度，执行器则根据控制器的指令，驱动机器人完成货物的搬运和管理任务[7]。但上述方法由于计算过程烦琐，对环境要求较高，容易降低机器人导航路线的跟踪精度，影响控制能力，均不适用于复杂与特殊的仓库环境，机器人控制的自适应性与鲁棒性较差。

RBF神经网络作为人工智能领域的一个重要分支，它能够有效地处理大规模的数据，并能够自动地学习和优化模型参数，从而提高控制的自适应性[8][9]。SLAM(Simultaneous Localization and Mapping, 同时定位与地图构建)技术是人工智能领域的一个重要分支，被广泛应用于机器人导航、自动驾驶等领域，是实现自主移动和智能导航的关键技术之一。扩展卡尔曼滤波算法(EKF)在处理非线性、非高斯系统时具有较高的精度和效率，因此在人工智能领域也得到了广泛的应用。

因此，为实现对机械臂的有效控制，精准地对导航路线进行跟踪，设计基于人工智能的电商物流配送分拣机器人控制系统，以期通过自动化和智能化的手段，推动电商物流配送的持续发展。

1 电商物流配送分拣机器人控制系统

1.1电商物流配送分拣机器人控制系统功能架构

基于人工智能的电商物流配送分拣机器人控制系统中，主要包含三个功能单元，分别是监控终端、主控软件与控制子系统，该系统的功能结构如图1所示。

图1电商物流配送分拣机器人控制系统的功能框图

(1)监控终端的作用为完成用户与电商物流配送分拣机器人间的访问和操作，用户利用监控终端实时查看分拣机器人的状态信息，同时还可以向分拣机器人发送货物识别与抓取、移动与运输、分拣与分类等任务指令。

(2)主控软件中利用任务执行子系统完成分拣机器人全局任务的执行，完成包裹识别与抓取、移动与运输、分拣与分类等任务。导航子系统利用EKF-SLAM算法，构建电商物流仓库的环境地图，估计分拣机器人在地图上的位姿，实现分拣机器人在电商物流仓库内的导航。

(3)控制子系统中底盘运行控制器，利用线性控制算法，得到左右底盘驱动电机的速度控制量，完成分拣机器人运行控制；机械臂运动控制器，利用RBF神经网络算法，逼近与补偿分拣机器人机械臂的不确定性，得到分拣机器人机械臂的总控制律，完成机械臂包裹抓取与分拣控制。

1.2基于人工智能的物流配送分拣机器人导航子系统

EKF-SLAM算法是一种扩展卡尔曼滤波器与SLAM技术的结合。由于物流配送分拣机器人工作环境复杂，存在大量非线性因素，并且物流配送分拣机器人需要快速、准确地完成任务。而EKF-SLAM算法能够通过扩展卡尔曼滤波器对非线性系统进行建模和估计，提高机器人的定位精度和稳定性，同时，能够快速处理数据并给出机器人的位姿估计，实现机器人的实时定位和导航。EKF-SLAM算法利用卡尔曼滤波器对机器人位姿进行估计，并利用SLAM技术构建机器人工作环境地图，实现机器人的定位和导航。该算法能够处理非线性问题，并且具有较好的实时性。电商物流配送分拣机器人控制系统中，导航子系统利用EKF-SLAM算法，建立电商物流仓库环境地图，确定分拣机器人在地图上的位姿。导航子系统的实现流程如图2所示。

图2导航子系统的实现流程

利用EKF-SLAM算法，建立电商物流仓库环境地图，实现分拣机器人位姿更新的具体步骤如下：

步骤1:电商物流配送分拣机器人状态预测。按照分拣机器人的运动方程，结合里程计与陀螺仪采集的分拣机器人运行数据，预测分拣机器人的当前状态[10]。

步骤2:特征提取和数据关联。激光雷达采集的数据，得到电商物流仓库环境路标的中心位置[11]。假设路标是点特征，则提取特征中心点，便可获取分拣机器人位置。利用激光雷达采集的数据，能够得到路标点至分拣机器人的距离与角度[12]。令激光雷达测量的最大距离是maxD,剔除超过maxD的点的数据，通过中值滤波处理每排数据，剔除部分孤立点与错误点，并搜索点特征的左右两个边缘，计算均值，便能获取中心点坐标，即分拣机器人位置[13]。

通过数据关联可搜索和当下特征最匹配的电商物流仓库环境特征。在EKF-SLAM算法内，通过最小数据关联法解决数据关联问题[14]。通过求解Mahalanobis距离，将位于设置的关联门阈值中，同时和被预测目标的位置的最近邻的观测获取的特征，为最佳匹配特征。

步骤3:扩充新路标。若并未检测获取相匹配的路标，那么以测量获取的路标为新路标L,并添加至特征库内，通过EKF对分拣机器人状态向量与协方差矩阵实施增广。

步骤4:利用L更新分拣机器人状态与协方差矩阵，得到分拣机器人定位结果，完成电商物流仓库环境地图的更新。

1.3基于人工智能的分拣机器人控制子系统

电商物流配送分拣机器人控制子系统，主要包含两部分，分别是分拣机器人底盘行进控制与机械臂运动控制。分拣机器人控制子系统的电路布局和接口示意图如图3所示。

图3分拣机器人控制子系统的电路布局和接口示意图

激光雷达接口用于连接分拣机器人机械臂末端安装的激光雷达，用于传输目标检测数据。RS232接口负责连接分拣机器人内部的路由器，为分拣机器人提供网络连接，实现数据传输和远程控制等功能。红外传感器接口的作用为连接机械臂四路光电门传感器，用于传输分拣机器人的关节角度和速度数据，帮助实现精准的运动控制。通过陀螺仪接口连接分拣机器人内的陀螺仪，用于传输陀螺仪采集的分拣机器人姿态数据。里程计接口用于连接分拣机器人内的里程计，用于传输分拣机器人运动距离和速度的估计数据。气压传感器接口的作用为连接气压计，用于传出分拣机器人所处电商物流仓库环境的大气压强数据。继电器接口的作用为连接继电器，通过接收信号来控制电路的通断，从而控制分拣机器人的动作。伺服驱动接口的作用为连接底盘伺服电机驱动器，依据分拣机器人左右底盘确定电机的速度控制量，驱动底盘伺服电机，完成分拣机器人底盘行进控制。舵机信号接口的作用为连接底盘转向舵机，完成分拣机器人底盘转向控制。步进电机驱动器接口的作用为连接分拣机器人机械臂步进电机驱动器，依据机械臂控制律，驱动机械臂，完成分拣机器人的机械臂控制。

1.3.1 电商物流配送分拣机器人底盘行进控制

电商物流配送分拣机器人控制子系统内，底盘行进控制器，利用线性控制算法，得到分拣机器人左右底盘驱动电机的速度控制量，驱动底盘伺服电机，实现分拣机器人底盘行进控制，确保分拣机器人按照电商物流仓库环境地图的导航路线行进。令电商物流配送分拣机器人左右驱动轮的速度是v1、v2;通过控制与，便可调整分拣机器人的线速度v与角速度ω,确保分拣机器人能够依据电商物流仓库环境地图内的导航路径行进至目标位置。为此，在线性控制算法内，仅需计算v1与v2,便可实现分拣机器人底盘行进控制。令分拣机器人起点与目标点间的连线是向量 $\hat{?}, ?$ 与ω的计算公式如下：

v=gρρ

ω=gαα+gββ(1)

其中，起点与目标点间的距离是ρ;起点与目标点行进方向的夹角是α;起点和 $\hat{?}$ 间的夹角是β;比例常数是gρ、gα、gβ。

依据式(1)可获取v1与v2的计算公式如下：

\begin{array}{l} ?_{1} = ? + 0.5 ? ? = ?_{?} ? + 0.5 ? (?_{?} ? + ?_{?} ?) \\ ?_{2} = ? - 0.5 ? ? = ?_{?} ? - 0.5 ? (?_{?} ? + ?_{?} ?) (2) \end{array}

其中，分拣机器人转弯半径是L。

1.3.2 基于人工智能的分拣机器人机械臂控制

RBF网络能够有效地逼近任何非线性函数，这使得它非常适合用于处理分拣机器人机械臂中的非线性控制问题，并且能够根据输入数据的分布特性进行自适应调整，使得控制算法具有更好的鲁棒性和适应性，实现对新输入数据的快速响应，也具有良好的泛化能力。因此，在电商物流配送分拣机器人控制子系统内，利用RBF网络逼近与补偿分拣机器人机械臂的不确定性，提升机械臂运动控制的鲁棒性。

令机械臂末端位置是y; 速度是 $\dot{?}$ ;加速度是 $\ddot{?}$ ;则电商物流配送分拣机器人的动力学模型为：

? (?) \ddot{?} + ? (?, \dot{?}) \dot{?} + ? (?) + ?_{?} + ? (\dot{?}) = ? (3)

其中，惯性矩阵是 $? (?)$ ;重力项是 $? (?)$ ;摩擦系数是 $? (\dot{?})$ ;向心力与哥氏力矩阵是 $? (?, \dot{?})$ ;外部扰动是lS;机械臂力矩是l。

令分拣机械人机械臂的标称模型参数是 $?_{0} (?)$ 、 $?_{0} (?, \dot{?})$ 、 $?_{0} (?)$ ;不确定模型参数是 $? ? (?)$ 、 $? ? (?, \dot{?})$ 、 $? ? (?)$ ;则分拣机械人机械臂的实际闭环系统为：

\ddot{?} + ?_{?} \dot{?} + ?_{?} ? = ?_{0}^{- 1} (?) (? ? \ddot{?} + ? ? \dot{?} + ? ? - ? - ? - ?_{?}) (4)

其中，机械臂跟踪误差是e; e的一阶、二阶导数是 $\dot{?}$ 、 $\ddot{?}$ ;正定增益矩阵是Kr、Kp;可调参数是μ。

令分拣机器人机械臂非线性反馈的控制律是l0,RBF网络补偿的控制律是la,用于补偿机械臂的不确定性，通过结合l0与la,可确保分拣机器人机械臂稳定跟踪期望轨迹，提升机械臂控制的鲁棒性。分拣机器人机械臂的总控制律为：

l=l0+la(5)

l0的计算公式如下：

?_{0} = ?_{0} (?) (\ddot{?}_{?} - ?_{?} \dot{?} - ?_{?} ?) + ?_{0} (?, \dot{?}) \dot{?} + ?_{0} (?) (6)

其中，期望加速度是 $\ddot{?}_{?}$ 。

补偿控制律为：

?_{?} = - \hat{?} (?) + ? (7)

其中，RBF网络估计的机械臂不确定性估计值是 $\hat{?} (?)$ ;鲁棒项是λ。

通过添加λ可降低RBF网络的逼近误差，λ的计算公式如下：

? = - \frac{∥ ? ? ∥^{2}}{∥ ? ? ∥ ∥ ?^{Τ} ? ? ∥ + ? \exp (- \partial ?)} ?^{Τ} ? ? (8)

其中，分拣机器人机械臂状态是x; 转置符号是T;控制参数是∂、η;自适应调节律是ξ;对称正定矩阵是P;任意正定矩阵是P;单位矩阵是B;径向基函数是h。

利用RBF网络估计 $\hat{?} (?)$ 的计算公式如下：

\hat{?} (?) = ϖ^{*} ? (?) (9)

其中，最佳权重是?*。

2 结果与分析

以某电商物流配送分拣机器人为实验对象，利用本系统对其进行控制，验证本系统分拣机器人控制的可行性。该电商物流配送分拣机器人的相关参数如表1所示。

表1电商物流配送分拣机器人相关参数
参数名称	参数值
定位精度	±5 mm
额定载荷	1 500 kg
最大行驶速度(前进/后退)	1.38/0.6 m/s
举升行程	1 600/2 000/2 500/3 000 mm
直堆垛通道宽(托盘L1200*W1000)	2 540 mm
最大升、降速度(空载/满载)	130/120 mm/s
爬坡能力	3.4°
电池电压/容量	24 V/160 Ah
充电次数(磷酸铁锂)	>1 500
充电方式	手动+自动
分拣效率	>1 000件/小时
分拣准确率	高达100%
同时覆盖目的地流向数	>100个
单个包裹分拣负载	10 kg

该分拣机器人实验环境如图4所示。

图4分拣机器人实验环境

利用本系统构建该电商物流仓库的环境地图，共设置20个电商物流仓库环境路标，电商物流仓库环境地图构建结果如图5所示。分析图5可知，本系统可有效定位电商物流仓库内的路标，且定位结果与实际路标非常接近，说明本系统可精准定位路标，得到规划的导航路线，完成电商物流仓库环境地图构建。

图5电商物流仓库环境地图

令分拣机器人底盘行进初始速度是0 m/s, 目标底盘行进速度是1.5 m/s, 利用本系统控制该分拣机器人，按照规划的导航路线，控制分拣机器人底盘行进路线，底盘行进路线控制结果如图6所示。分析图6(a)可知，本系统可有效完成分拣机器人底盘行进控制，底盘行进控制路线与规划的导航路线非常接近，说明本系统的分拣机器人底盘行进路线控制精度较高。分析图6(b)可知，经过本系统控制后，底盘舵机的角度变化情况，与期望角度差距较小，且角度变化曲线较为平滑，并未抖动问题，说明本系统具备较优的分拣机器人底盘行进控制效果。

图6 分拣机器人底盘行进控制效果

利用本系统逼近分拣机器人机械臂的不确定项，以该机械臂的两个关节为例，逼近结果如图7所示。分析图7可知，分拣机器人的机械臂在运动过程中会受到各种不确定因素的影响，例如外部干扰、关节摩擦、重力变化等。这些不确定因素可能导致机械臂的实际运动轨迹与期望轨迹存在偏差，从而影响分拣的精度和效率。而本系统通过逼近机械臂的不确定项，能够更好地补偿这些不确定因素的影响，使得机械臂在实际运行中更加稳定和准确。

图7分拣机器人机械臂不确定项逼近结果

利用本系统控制该分拣机器人的机械臂，以该机械臂的两个关节为例，控制结果如图8所示。分析图8可知，本系统可有效控制分拣机器人机械臂，且该机械臂两个关节的变化曲线较为平缓，且并无抖振现象，可有效避免机械臂受执行机构力矩影响，而降低其使用寿命。实验证明：本系统具备较高的分拣机器人机械臂控制鲁棒性。

图8分拣机器人机械臂运动控制结果

利用本系统控制该分拣机器人，进行分拣操作，分拣控制结果如图所示9所示，图9中，红色矩形框为需要分拣的目标包裹。通过分析图9,可以清楚地看到本系统在控制分拣机器人完成目标包裹分拣方面的有效性。整个控制过程仅需12 s, 显示出较快的分拣控制效果。这种高效的控制过程对于提升电商物流配送的分拣效率具有重要意义。