基于模仿学习的变刚度人机协作搬运控制

针对人-机器人协作搬运,现有的控制策略难以同时保证搬运过程的柔顺性和搬运终点位置的精确性,而且对不同搬运任务适应性不够.基于模仿学习提出变刚度协作搬运控制策略.使用任务参数化的高斯混合模型(TP-GMM)对多次搬运示教数据进行编码,学习不同搬运工况下的搬运轨迹概率模型;结合导纳控制建立机械臂末端变刚度交互模型,实现柔性搬运操作,并基于交互力阈值实现不同搬运任务的切换;搭建协作搬运平台进行实验验证.实验结果表明,提出的策略在实现柔性协作搬运的同时将特定搬运任务的终点位置精度提高到1.9 mm,且保证了特定搬运任务中机械臂末端在期望区域内运动以及搬运任务的切换.

基于动态系统稳定估计器的机器人变刚度轨迹规划

针对现有基于动态系统稳定估计器(SEDS)的机械臂轨迹规划中无法兼顾运动精度和能量消耗的问题,提出变刚度轨迹规划的方法。首先,采用SEDS对示教轨迹进行拟合,得到从空间任一起点到终点的收敛轨迹。然后,基于人体上肢刚度模型,通过实验得到肌电信号与上肢末端刚度的映射关系,并使用高斯混合模型GMM和高斯混合回归GMR学习示教的刚度。最后,结合学习到的轨迹和刚度进行阻抗控制,然后进行抗干扰和变刚度实验。研究结果表明:与定刚度轨迹规划方法相比,本文所提方法位置误差减小了78.1%,能耗降低16.1%。机械臂能在到达目标点的位置精度与能量消耗之间取得较好的平衡,且当其受到外界干扰后,会根据控制器发出的期望位置调整自身运动,最终仍能收敛到目标点,具有较强的抗干扰能力。