机器人气动夹持力的CNN-LSTM建模估计方法

由于气动系统具有迟滞、强非线性特性,难以直接依据气压信号实现气动夹持力的有效控制,因此采用建模估计夹持力是实现无力传感器低成本控制的有效途径。为此,提出一种基于卷积神经网络(CNN)优化的长短期记忆神经网络(LSTM)低成本气动夹持力估计方法。根据工业机器人末端气爪夹持力与气路历史输入/输出有关的特点,采用了具有记忆特性的LSTM网络建立无传感器气压/压力估计模型;针对直接采用LSTM网络进行建模存在误差大的问题,利用CNN提取输入信息中气压和夹持力的非线性关系,进一步对LSTM网络结构进行优化,提高模型描述气压和夹持力之间多值对应特性与非线性迟滞特性的能力,实现气爪的夹持力有效估计。实验结果表明:相比LSTM预测模型,所提模型的建模估计与验证估计均方根误差分别减少77.14%和70.83%,最大误差分别减少79.80%和78.84%,证明了所提建模估计方法的有效性。

无力传感器的机械手爪力控制研究

针对当前基于被动力控制机械手爪的结构复杂问题,以及基于力传感器主动力控制机械手爪的安装局限问题,提出了一种无力传感器的机械手爪力控制方法。运用闭链结构机械手爪的静力学二元性概念计算驱动关节力矩。基于广义动量,设计驱动关节干扰力矩观测器估计干扰力矩。利用虚位移原理,建立驱动关节干扰力矩和夹持力的关系,通过仿真验证了估计夹持力的正确性;控制仿真采用速度和力控制切换的方式,实现了低振荡且仅仅一次碰撞的无力传感器的机械手爪力控制。