用于机器人抓取的谐振式柔性二维力传感器

现有柔性多维力传感器普遍采用多单元结构组合来监测力输入,信号获取与分析难度大。提出了一种能够无线监测法向力与切向力的谐振式柔性力传感器。传感器由封装层、介质层、电感层以及电阻层构成,其中介质层材料为硅橡胶(Silicone Rubber,SR)与石墨烯(Graphene,GR)组成的柔性复合材料,电阻层材料为调制的炭黑(Carbon Black,CB)油墨。封装后的传感器在有线测试中表现出不错的力、电学性能,在无线测试中对法向力与切向力的灵敏度分别为2.78 MHz/N(0~20 N)与0.43 dB/N(0~5 N)。将传感器安装在机械手上以监测抓取过程中的法向力与切向力变化,研究结果表明该传感器在机器人触觉领域具有应用前景。

握把力传感器的动态解耦补偿

为了研究射手与枪握把之间的相互作用力,获取人—枪握把相互作用的特性,研制了二维握把力传感器。并且建立了相应的标定测试系统,建立了传感器二阶动态特性传递函数。并对握把力传感器进行动态解耦和补偿,通过解耦消除各输出通道之间的干扰,通过补偿校正各个通道的动态特性。

主动态握把力传感器的研究

通过研究射手与枪握把之间的相互作用力来获取人—枪握把相互作用的特性,为主动态模拟试验枪架的研制提供理论基础。研制了双环式握把力传感器,通过ANSYS对传感器弹性体进行有限元分析来确定应变计粘贴的最佳位置,并进行了静态与动态标定。实验结果表明:其结果符合实际测试要求。

并条机罗拉中心距的在线自动调节

针对棉涤等混纺产品存在纤维长度差异,使棉条中纤维分布不匀,引起罗拉钳口控制不当,造成牵伸不匀的问题,介绍了棉纺并条机上按照纤维长度的变化对罗拉中心距进行自动调节的新技术,以适应特殊纤维的需要;调节机构包括快速傅里叶转换器、转换超限定频率宽度的信息及应用逻辑原理的判断、对螺杆的动作发出指令的机构,且每个控制动作的循环迅速;并条机上的中、后罗拉由电子控制的步进电机传动;代替了齿轮传动;在线罗拉隔距的调节可以减少牵伸不匀的产生,减少纺纱质量的波动。

一种球形移动机器人传感系统设计

文章为了解决球形机器人自主控制的问题,根据球形机器人结构和运动的特殊性,设计了一种球形机器人的传感系统。建立了无滑动条件下球形机器人运动模型,根据运动模型由惯性测量系统和光电码盘数据组合得到机器人位姿。利用激光测距传感器获取周围障碍物信息。通过全局CCD视觉传感器跟踪识别目标物体,使用手眼CCD视觉传感器和超声传感器定位目标物体并协调机械臂实现对操作目标准确快速的抓取、放置。

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。

基于压力传感阵列的方向盘握持状态识别

自动驾驶是汽车智能化的重要组成部分,完全的自动驾驶是汽车智能化发展的制高点,但当前自动驾驶技术处于人机共驾的阶段,车辆的控制权需要在驾驶人与系统间来回切换,驾驶人仍是“人-车-路-环”的核心。对驾驶人手部握持状态的实时准确识别是实现车辆控制权安全切换的基础。为此,采用柔性仿生微纳米阵列压力传感器与力反馈方向盘相融合的方法,设计开发出用于驾驶人离手检测(Hands Off Detection,HOD)的智能方向盘系统,利用此系统采集了20名驾驶人在模拟驾驶状态下的握持方向盘压力数据集,并基于此数据集分别建立了方向盘握持位置的逻辑判断识别模型和握持指数识别的L-BP(Logic-Back Propagation)神经网络模型,进一步利用消融试验对L-BP模型的逻辑判断单元与BP(Back Propagation)单元对整体模型表现的贡献度进行量化,将此模型与纯逻辑判断模型、BP神经网络和支持向量机模型进行了对比测试。结果表明:L-BP模型的握持指数识别率为98.90%,比纯逻辑判断模型、BP模型和支持向量机模型的识别率分别提升了34.99%、4.00%与13.60%;握持位置逻辑判断的识别率为99.60%。所设计开发的HOD智能方向盘系统能准确实时地采集握力数据;所提出的识别模型能够准确实现驾驶人握持方向盘的手部位置与握持指数识别,为驾驶人危险驾驶检测、驾驶能力评估研究以及方向盘智能交互设计提供参考。

基于体感识别技术的乒乓球握姿训练系统设计

为了提高乒乓球握姿训练的自动化水平,提出一种基于体感识别技术的乒乓球握姿训练系统,采用图像传感器进行乒乓球握姿的图像信息采集,对采集的乒乓球握姿图像信息进行体感特征监测,提取乒乓球握姿图像的体感动态特征量,采用支持向量机模型进行乒乓球握姿的体感特征分类识别。根据对乒乓球握姿的体感特征识别结果进行乒乓球握姿的自动调节,实现乒乓球握姿训练优化。仿真结果表明,采用该方法进行乒乓球握姿训练的提高特征检测能力较好,识别准确性较高,提高了乒乓球握姿的自动训练水平。