全程恒定基座姿态零扰动的空间机械臂轨迹规划

本文研究了全程恒定基座姿态零扰动的自由漂浮空间机器人(FFSR)末端位姿轨迹规划的问题。针对无运动学冗余自由度的三关节平面FFSR系统,首先建立了其末端位姿与关节角之间的状态变换关系,然后给出了以基座姿态和关节角为状态变量的系统方程。根据该系统方程,利用非线性系统的可控性判据证明了在保证全程恒定基座姿态零扰动的前提下,对FFSR系统的末端位置和姿态同时作轨迹规划的可行性;再利用最优控制策略,将轨迹规划问题转换为最优控制问题,设计了一种全程恒定基座姿态零扰动的末端位姿轨迹规划方法。数值仿真验证了结论的正确性和设计方法的有效性。

冗余空间机器人基座姿态无扰动路径规划

在研究冗余空间机器人基座姿态无扰动路径规划以实现在空间机器人末端进行连续路径跟踪的过程中基座姿态无扰动。提出一种具有奇异鲁棒特性的反作用零空间算法以完成冗余空间机器人关节运动与基座姿态扰动的解耦控制,其克服了传统基于反作用零空间算法中的算法奇异问题,且结合奇异鲁棒逆以及变阻尼系数克服动力学奇异,进而得到奇异鲁棒的空间机器人基座姿态无扰动路径规划算法。建立基于MATLAB/Simulink的空间机器人数值仿真系统以验证所提出算法的实用性以及可靠性,仿真结果表明提出的算法具有可行性。

冗余空间机器人基座姿态调整的笛卡尔路径规划

空间机器人系统的机械臂和基座之间存在着动力学耦合。为了保证笛卡尔路径规划的同时可以调整基座的姿态,以冗余自由度空间机器人为研究对象,首先建立了空间机器人系统的运动学方程;由于存在一定的冗余度,通过将基座姿态运动方程与广义雅可比矩阵组合得到扩展后的雅可比矩阵,实现了基座和机械臂运动的协调规划;讨论了基座姿态无扰路径规划,并与零空间法进行了对比。建立平面三自由度空间机器人系统,分别采用零空间法和扩展雅可比矩阵法进行了基座姿态无扰路径规划和基座姿态跟踪路径规划,仿真结果验证了方法的有效性。

动基座视觉双惯性姿态测量数据融合方法研究

由于视觉传感器与惯性传感器的高度互补性,视觉和惯性融合是一种常见的姿态测量手段。随着机载、车载等仪器设备的迅速发展,传统静止基座下的姿态测量已无法满足一些实际应用场景的需求。由于受到基座运动信息的干扰,很难对动基座上的目标物进行准确、快速的姿态测量。为了发挥视觉和惯性融合的优势,并实现动态基座下的目标物相对姿态测量,提出了一种基于单目视觉与双陀螺仪的姿态测量系统。分析了测量系统中坐标系的建立以及坐标系之间相对关系,提出了坐标系归一化方案,并利用容积卡尔曼滤波对视觉和惯性结果进行融合,实现了高精度、大范围、快速、稳定的姿态测量。在搭建的视觉和惯性融合姿态测量系统平台上进行了实验验证,结果证明该系统坐标系归一方案与融合算法的有效性。实验结果表明,所搭建系统具有较高的准确度,融合后的俯仰角和方位角的均方根误差(RMSE)均不超过0.1°。

双臂式空间机械臂捕捉目标问题

基于动量守恒关系,分析了空间机械臂抓取目标过程中的碰撞问题.针对单臂式系统提出了直臂抓取与广义直臂抓取构型,并将后者推广到双臂式空间机械臂系统.利用广义直臂抓取方法得到的空间机械臂构型,可有效减少碰撞作用对于空间机械臂系统角冲量、基座姿态的影响,保证了系统的稳定性,克服了控制算法中存在的构件转角和执行机构力矩限制问题.仿真证明了方法的有效性.

空间机器人捕获目标的自适应控制

本文首先推导了基座姿态受控空间机器人系统运动学关系,得到了广义雅可比矩阵。根据目标的运动来规划机械臂末端在惯性空间的期望轨迹。对机器人动力学和运动学关系式进行线性参数化,分别对动力学待估参数和运动学待估参数设计在线修正律,在关节空间采用自适应控制。对于存在动力学参数不确定性的机器人系统,该自适应控制算法保证了系统的渐近稳定,在完成目标捕获任务的同时,控制基座姿态保持在期望范围之内。以平面两关节空间机器人系统为对象进行了仿真,结果表明了算法的可行性和有效性。

空间机器人动力学奇异回避的笛卡尔轨迹规划

针对空间机器人动力学奇异的回避问题,提出一种基于组合函数的笛卡尔轨迹规划方法。将梯形规划与正弦函数相结合,对机械臂末端的位姿进行参数化。机械臂沿着某一轨迹运动时,根据阻尼最小方差法(DLS)的特点,提出一种判断是否发生动力学奇异的方法,并据此进行轨迹规划。该方法可以保证空间机械臂运动过程中不会遇到动力学奇异。此外,将基座姿态扰动和机械臂运动时间作为目标函数的一部分,最终,轨迹规划问题转化为多目标优化问题,并利用混合整数规划的混沌粒子群优化算法(CPSO)进行求解。该优化算法能够改善标准粒子群算法(PSO)的"早熟"现象。仿真结果表明,新方法能够有效处理动力学奇异问题,减小基座姿态扰动及运动时间。

空间机械臂运动轨迹规划研究

文章以基座姿态扰动对机械臂控制影响为基础进行探讨,并对卡迪尔轨迹进行了合理的优化,让基座姿态扰动达到了最小化。