基于模型预测控制的工业机器人曲面跟踪方法研究

工业机器人执行接触性作业任务时,通常需要稳定控制接触力,比如在磨抛过程中,不平稳的法向接触力容易影响表面质量。为解决力跟踪控制时法向控制速度易超调和不确定环境造成法向接触力不平稳的问题,提出一种基于模型预测控制的工业机器人曲面跟踪方法。首先,根据工件模型几何信息计算出末端工具的运动轨迹,再结合机器人当前位姿求解末端工具的笛卡儿速度;然后,建立末端工具与工件接触时的状态空间模型,并依据末端工具的姿态变化对法向阻尼系数进行在线调节;最后,根据实时力信号的反馈,利用模型预测控制算法对法向速度进行修正,实现曲面恒力跟踪。基于Staubli TX90工业机器人,在末端工具姿态不变和姿态改变的情况下分别进行了曲面跟踪实验,结果显示法向接触力波动范围分别为±1 N和±2 N,方差分别为0.038 1 N²和0.105 9 N²,能够达到较好的力跟踪效果。     

基于力-位图像学习的工业机器人柔顺装配方法研究

利用机器人进行自动装配操作时,控制装配过程的接触力和柔顺性对于保证装配质量具有重要意义。为此提出一种基于力-位图像学习的柔顺装配方法,将装配过程中的位姿和接触力信息转化为力-位图像,然后通过对力-位图像的分类学习,获得不同初始位姿情况下的柔顺装配动作策略,从而控制机器人实现柔顺装配。首先,控制机器人完成多次装配,并在装配过程中收集机器人位姿以及装配力和力矩信息;然后,利用这些信息绘制力-位曲线并将其组合成为力-位图像,基于运动方向判定算法为力-位图像自动标记装配动作标签,以构建力-位图像数据集;最后,在力-位图像数据集上对深度学习模型进行训练,并基于深度学习模型控制机器人进行柔顺装配。为了验证该方法的有效性,以RJ45连接头和连接口间的装配为例,采集了2 500次装配操作的力-位数据,共生成92 328张力-位图像及对应标签,然后基于ResNet50网络训练力-位图像分类模型,并基于该模型控制机器人进行装配实验,装配成功率达到96.7%。