基于Q-Learning的变阻抗控制

针对机器人力控磨抛系统在作业时与不确定环境接触的接触力控制问题,提出了一种基于Q-Learning的变阻抗控制算法。首先,根据获取的系统输入检查Q函数的迭代评估控制策略并沿Q函数的梯度更新参数集至收敛,获得近似Q函数;然后,对近似Q函数求导得到最佳的阻尼系数;最后,通过阻抗控制调整力控打磨平台,从而对接触力进行实时准确控制。仿真实验表明,基于Q-Learning的变阻抗控制算法具有响应速度快、超调量低和稳定性好等特点,此外对于环境变化能快速调整适应并对期望接触力进行准确跟踪,可以有效提高机器人力控磨抛系统的接触力控制性能。

适合一类动目标插拔操作的机械臂变阻抗控制方法

以在轨服务空间机械臂执行一类动目标精细盲插拔操作为研究对象,针对机械臂末端与不确知动态变化插拔位置的柔顺跟随问题,提出了一种根据实际接触力与期望接触力的关系动态调整阻尼参数的变阻抗柔顺随动控制算法,实现了对不确知动态变化插拔位置的柔顺跟随。针对机械臂末端与插座底部接触后的反复碰撞问题,提出了一种根据碰撞次数实时改变惯性参数和阻尼参数的变阻抗稳定接触控制算法,实现了机械臂末端的快速稳定并保持在期望接触力范围之内。数学仿真和地面六自由度机械臂实验验证表明,与固定参数的阻抗控制相比,两种新算法分别能有效降低插拔目标动态变化给系统造成的两个不利影响,有助于顺利完成柔顺盲插拔操作任务。

概率预测强化学习下非结构环境机械臂变阻抗力跟踪控制

针对非结构环境下末端实时移动机械臂阻抗控制力跟踪问题,通过动态调节阻尼系数以应对接触环境的不确定性。为确保阻抗策略的高效搜索,利用机械臂与接触环境交互产生状态-动作序列构建概率预测模型(PPM)。学习过程中,机械臂仅需与非结构接触环境进行少量交互即可获得最优变阻抗策略,这使得该过程在真实机械臂上直接训练成为可能。仿真实验表明,在几种非结构环境下,所提出的方法使力跟踪动态和稳态性能均明显优于传统阻抗控制和自适应变阻抗控制。

基于自适应变阻抗的工业机器人双机械臂控制

为了实现对工业机器人双机械臂位置/力的精准控制,提出了一种自适应变阻抗控制算法。首先建立了阻抗模型,并对双机械臂系统进行了受力分析,将接触力分解为外力和内力,并分别针对外力和内力设计了自适应变阻抗控制算法来实现对位置/力的协同控制;然后通过仿真验证了自适应变阻抗控制算法能够实现对工业机器人双机械臂位置/力的协同控制,运动轨迹跟踪最大误差仅为0.3 cm,接触力跟踪最大误差仅为0.2 N,表现出了更优的控制效果;最后在定点控制测试平台上得到位置定位的最大误差仅为0.17 cm,接触力跟踪最大误差仅为0.22 N,表现出了更优的工程实用性。

并联机器人夹持机构水果夹取控制研究

为实现并联机器人对水果的无损夹取,提出了水果分拣并联机器人夹持机构的自适应变阻抗控制算法。针对该夹持机构,采用拉格朗日法建立了具有诸多不确定性的动力学模型;设计了并联机器人夹持机构光滑滑模位置控制的内环位置控制器及外环力变阻抗控制器,提高系统对夹持速度和夹持负载变化的自适应性;运用劳斯判据证明该算法的稳定性。仿真和试验结果验证了所提出的控制方法的优越性,该算法可实现水果分拣并联机器人对水果的无损夹取控制。

面向复杂力交互任务的操作技能传递与控制研究

如何让机器人拥有像人一样强大的感知能力并执行复杂操作,尤其是带有力交互的复杂操作是机器人学界一直探索的问题。这个问题的解决,能够帮助机器人实现从“设备”向“助手”的转化。而面向复杂力交互任务的操作技能传递与控制作为当前人-机技能传递领域研究的前沿方向之一,其研究核心是实现对熟练操作者力交互操作过程中的多模态技能数据进行示教学习,并通过设计合理的技能模型,结合先进的控制理论以及机器人感知能力,实现机器人自主执行复杂力交互任务的目的,从而让机器人真正的可以协助甚至代替人类执行生活中常见的复杂任务。总结该领域较为重要的三个问题:(1)多模态信息融合的示教方式;(2)针对力交互任务的技能学习;(3)基于机器人柔顺控制的技能控制与基于机器人感知的智能技能切换;并对该领域的研究现状展开分析和讨论。