共查询到20条相似文献,搜索用时 156 毫秒
1.
为实现两台工业机器人利用一个增量型编码器跟踪传送带工作,提出一种基于增量型编码器输出信号转换为机器人接收的信号类型,并分配给两台机器人的解决方法.详细介绍了增量型编码器的工作原理及该系统的详细架构,解决了两台机器人在共同区域跟踪作业的问题.为工业机器人在线跟踪方面提供一种解决方案. 相似文献
2.
3.
针对分拣机器人视觉反馈跟踪精度差、耗时较长的问题,研究基于粒子群算法-反向传播(particle swarm optimization-back propagation, PSO-BP)神经网络的分拣机器人视觉反馈跟踪方法,以提升视觉反馈跟踪效果。依据分拣机器人的视觉反馈信息,建立分拣机器人运动学模型,并求解分拣机器人机械臂输出位置和输入位置的误差函数;利用PSO算法优化BP神经网络的权值与偏置;在权值与偏置优化后的BP神经网络内,输入误差函数,预测分拣机器人视觉反馈跟踪控制量;利用预测视觉反馈跟踪控制量,在线调整增量式比例-积分-微分(proportional-integral-derivative, PID)的参数,输出高精度的分拣机器人视觉反馈跟踪控制量,实现分拣机器人视觉反馈跟踪。实验结果表明,该方法可有效视觉反馈跟踪分拣机器人机械臂的关节角;存在干扰情况下,在运行时间为10 s左右时,阶跃响应趋于稳定;有干扰情况下,视觉反馈跟踪的平均误差为0.09 cm,耗时平均值为0.10 ms;无干扰情况下,平均误差为0.03 cm,耗时平均值为0.04 ms。 相似文献
4.
5.
6.
DLR/HIT Ⅱ灵巧手控制系统及基关节同步控制 总被引:2,自引:0,他引:2
针对多传感器、多自由度机器人灵巧手,开发了基于DSP&FPGA的多层控制系统。将手指驱动控制系统和传感器系统集成在手指内部,使得与人手尺寸和活动性相似的DLR/HIT Ⅱ五指机器人灵巧手得以实现。对于手指基关节差分齿轮的运动协调问题,设计了包含速度和加速度前馈项、同步误差和位置误差反馈项以及平滑鲁棒非线性反馈补偿项的交叉耦合同步控制器,该控制器不需要精确的动力学模型。经与传统的非同步控制PD加摩擦力补偿控制和轨迹跟踪控制对比,实验验证了所设计的控制系统及交叉耦合同步控制器的有效性。 相似文献
7.
为了使机器人专家容易掌握机器人抓取技术,Energid正在开发一个图形用户界面(GUI)的工具和可重复使用的软件工具箱,该工具箱包括轻松地创作抓取和快速搜索抓取算法。该方法是通用的,可以应用于任何机器人的手,所有类型机械臂和移动式平台。本文介绍了如何用Energid的系统软件和方便的人机界面创作抓取动作,用新的方式来约束机器人的手,和实时仿真的抓取的过程。特别强调:在创作抓取得过程中,整合使用了力的控制。力的控制包括各种控制算法,这些算法可适用于不同种类的力/力矩传感器;基于视觉的跟踪,提供物体识别和从数据库中抓取的自动选择(视觉系统提供3维跟踪引导抓取的过程)。模拟和硬件验证的研究使用的是Schunk的SDH的手和LWA手臂。 相似文献
8.
针对移动机器人在未知复杂环境中动态目标跟踪存在的数值不稳定、计算量大和精度较差等问题,提出基于平方根容积卡尔曼滤波的移动机器人动态目标跟踪算法(SR-CKF-SLAM-OT)。该算法的系统状态由地图环境特征、机器人和目标作为一个整体构成。建立目标和机器人的动态模型进行预测、数据关联和更新,在更新过程中直接传递目标状态均值和协方差矩阵的平方根因子,降低了计算的复杂度。此外,通过数据关联环节能够有效的降低伪观测值对系统状态估计的影响。仿真结果表明:相比基于EKF的动态目标跟踪算法,所提出的动态目标跟踪算法目标和机器人均方根误差分别降低了36.3%和38.2%,SR-CKF-SLAM-OT算法有效地满足了移动机器人动态目标跟踪的需求。 相似文献
9.
10.
11.
Kiyoshi Ohishi Masanori Ohnishi Toshimasa Miyazaki 《Electrical Engineering in Japan》1997,118(4):58-69
This paper proposes a simple and robust robot motion control method using a robust velocity controller. The robust velocity controller is based on H∞ control theory, and is called H∞ velocity controller. The H∞ velocity controller based motion control method is completely equivalent to the robust acceleration control method using the H∞ acceleration controller, but it has simpler structure. Therefore, the proposed system can realize a fine robot motion control easily. To confirm the validity of the proposed method, this paper realizes the hybrid control of position and force for a multijoint robot manipulator. Further, the simple realization of hybrid control is proposed considering the attitude of the robot manipulator. This system achieves hybrid control of position and force of the robot manipulator while maintaining a perpendicular attitude to the target environment. The experimental results in this paper show that the proposed system has the desired force and position response to the target environment. © 1997 Scripta Technica, Inc. Electr Eng Jpn, 118 (4): 58–69, 1997 相似文献
12.
基于Backstepping时变反馈和PID控制的移动机器人实时轨迹跟踪控制 总被引:10,自引:0,他引:10
根据机器人的运动学模型,采用分层控制的思想将移动机器人的轨迹跟踪控制分为两部分:轨迹跟踪控制器和机器人速度PID控制器。基于Backstepping时变状态反馈方法和Lyapunov理论,引入具有双曲正切特性的虚拟反馈量,提出一种移动机器人全局轨迹跟踪算法:采用PID速度控制器以满足机器人驱动电机实时调速要求。考虑到机器人的动力学约束,引入受限策略以保证其运动平滑。在基于DSP的两轮驱动移动机器人上对算法进行了实时轨迹跟踪试验,取得了满意的控制效果。 相似文献
13.
14.
15.
针对多传感器、多自由度机器人灵巧手,开发了基于DSP&FPGA的多层控制系统.将手指驱动控制系统和传感器系统集成在手指内部,使得与人手尺寸和活动性相似的DLR/HIT II五指机器人灵巧手得以实现.对于手指基关节差分齿轮的运动协调问题,设计了包含速度和加速度前馈项、同步误差和位置误差反馈项以及平滑鲁棒非线性反馈补偿项的交叉耦合同步控制器,该控制器不需要精确的动力学模型.经与传统的非同步控制PD加摩擦力补偿控制和轨迹跟踪控制对比,实验验证了所设计的控制系统及交叉耦合同步控制器的有效性. 相似文献
16.
17.
18.
P. Travis Jardine Michael Kogan Sidney N. Givigi Shahram Yousefi 《International Journal of Adaptive Control and Signal Processing》2019,33(2):410-423
One of the most important steps in designing a model predictive control strategy is selecting appropriate parameters for the relative weights of the objective function. Typically, these are selected through trial and error to meet the desired performance. In this paper, a reinforcement learning technique called learning automata is used to select appropriate parameters for the controller of a differential drive robot through a simulation process. Results of the simulation show that the parameters always converge, although to different values. A controller chosen by the learning process is then ported to a real platform. The selected controller is shown to control the robot better than a standard model predictive control. 相似文献
19.