基于迭代学习的机械手操作空间力/位置混合控制算法

基于对常规机械手操作空间力／位置混合控制算法的简单回顾，及对该算法所遇到困难的分析，提出了一种基于迭代学习的机械手操作空间力／位置混合控制算法，来改善机械手同高刚度环境接触时，机械手力／位置混合控制的动态控制性能．给出了学习算法的收敛条件及其证明．实验表明该算法具有快速的收敛性，能达到很高的力／位置动态控制精度．     

PUMA760切割作业力与位置混合控制

本文介绍在 PUMA760 上实现了的切割作业控制系统。我们在 PUMA760 控制系统中引进了力传感器信号,加入了力控制算法,通过调整机器人手部位置,控制机器人与环境物体间的相互作用力。在 VAL 系统中加入了根据传感器信号动作的指令,实现了一种机器人力与位置的混合控制。用扩充后的 VAL 系统编程,成功地使 PUMA760完成了多种材料的切割作业。     

双机械手对称协调力/位混合控制--模型、控制算法与实现

该文研究双手协调运动和力控制方法.基于一组面向对象的广义运动和力向量的定义,考虑对象动力学,建立了面向对象的双手对称协调运动方程,该运动方程显式地表示了对象的运动、内力及环境接触力与双手关节力矩间的关系.据此设计出广义工作空间一级的双手对称协调力/位混合控制算法,并解决了算法的分解与并行实现问题.在两台PUMA562机械手上进行的实验表明,本文研究的方法,可以在双手协调运动过程中实现对被操作对象的运动、内力和环境接触力的混合控制.     

神经网络在机器人位置和力混合控制中的应用

本文首次将神经网络应用于完成周期性任务的机器人力和位置混合控制。在研究系统动力学和系统稳定性基础上，提出了一种学习算法。最后进行了系统仿真实验以证明这种方法的可行性。     

双臂协调搬运过程中基于变阻抗模型的位置/力混合控制

针对双臂协调搬运中同时存在外部干扰和内力约束的复杂耦合运动,提出了一种基于变阻抗模型的内外位置/力混合控制策略.首先,分析了闭链系统下面向被操作对象的运动规划和动力学模型.然后,根据协调搬运特性将任务空间正交解耦为外环的位置自由子空间和内环的力约束子空间,对于位置子空间中的外部干扰采用阻抗模型进行轨迹跟踪,对于力约束子空间中的内力约束采用变阻抗模型进行力跟踪.最后,在搭建的仿真环境和物理环境中对双臂协调搬运物体进行实验验证,实验结果表明所提算法对于外部干扰表现出柔顺性并满足内力约束条件.     

一种通过模糊自调整应用于机械手广义力/位置控制的稳定系统研究

提出一种基于模糊自调整的机械手控制结构,并针对机械手与外界环境接触时产生的作用力,定义了一种广义力,它是机械手执行机构输出力与机械手末端受到外界力的合力。那么,就可以用类似于机械手位置控制的方法达到力/位置控制目的,通过模糊自调整方法实现。在机械手受到的外力是有界限的前提下,考虑机械手非线性、耦合和多变量的动态特征,证明了整个闭环系统是全局稳定的。     

基于混合灵敏度设计的鲁棒迭代学习控制

提出一种鲁棒迭代学习控制的设计方法．利用混合灵敏度设计方法,控制器满足一定鲁棒性条件时就可以直接获得收敛更新规则．此外,只要学习滤波函数满足一定条件,系统跟踪误差将显著降低．仿真结果表明该方法有效性较高．     

接触作业型飞行机械臂系统的力/位置混合控制

针对飞行机械臂系统移动接触作业问题,使用了一个力/位置混合控制框架,用以控制飞行器系统持续可靠地接触外部环境同时保持一定大小的接触力,并实现在接触过程中的期望轨迹跟踪.首先将作业空间分成2个子空间——约束空间和自由空间,并分别进行力控制和位置控制.对于力控制问题,证明闭环无人机系统是一个类弹簧-质量-阻尼系统,然后在约束子空间中设计逆动力学控制器来实现接触力控制.自由飞行空间中的运动控制依靠轨迹规划和位置控制器来实现.最后,开发了基于六旋翼飞行机器人的单自由度飞行机械臂系统,在飞行状态下进行接触墙面并跟踪倾斜直线轨迹的实验.结果显示本文所使用方法能够保证在平稳移动的同时控制期望的接触力.     

一类基于几何分析的迭代学习控制算法

基于几何分析，对迭代学习控制方法的几何框架进行探索．首先通过对Arimoto算法所构成的向量图进行几何分析，导出了一类新的迭代学习算法结构；然后从理论上对所导出的算法进行完整的收敛性分析．该算法结构与已有算法完全不同，但其收敛速度和精度明显提高．仿真结果表明了新算法的有效性和优越性．     

基于遗传算法的模糊迭代学习控制算法

为了提高被控系统的控制精度及加快迭代域内的收敛速度,提出一种基于遗传算法的模糊PD型迭代学习控制算法。该算法通过模糊TSK模型设计迭代学习控制器,TSK模型中THEN部分的未知参数由遗传算法离线计算确定,进而产生合理的迭代学习律。针对被控系统,设计相应的迭代学习控制算法进行仿真分析,并与传统PD型迭代学习控制算法、模糊PID迭代学习控制算法相比较,进而将该算法用于双关节机械手进行仿真研究,仿真结果表明该算法的有效性。     

Robot Position/Force Control in Unknown Environment Using Hybrid Reinforcement Learning

Abstract

Robot position/force control provides an interaction scheme between the robot and the environment. When the environment is unknown, learning algorithms are needed. But, the learning space and learning time are big. To balance the learning accuracy and the learning time, we propose a hybrid reinforcement learning method, which can be in both discrete and continuous domains. The discrete-time learning has poor learning accuracy and less learning time. The continuous-time learning is slow but has better learning precision. This hybrid reinforcement learning learns the optimal contact force, meanwhile it minimizes the position error in the unknown environment. Convergence of the proposed learning algorithm is proven. Real-time experiments are carried out using the pan and tilt robot and the force/torque sensor.     

基于遗传算法的双臂机器人模糊力/位混合控制

近年来,适用于空间站操作的冗余度双臂机器人系统技术研究得到了较多的重视．结合已有的 研究基础和研究条件,本文开展了面向空间舱内作业的冗余度双臂机器人协调控制应用研究．针对双臂机器 人协调操作过程中的受力问题,提出了一种基于遗传算法的双臂机器人模糊力/位混合控制策略．该方法把机 器人末端的力误差通过模糊控制转变为机器人位置控制器的修正值,在不改变机器人原有位置控制器的前提 下,实现力/位混合控制．利用遗传算法离线优化模糊控制规则,为了提高遗传算法的性能,总体交叉概率和 变异概率都采用了自适应控制策略．最后,以冗余度双臂机器人合力协调搬箱为例,进行了力跟踪的三维仿 真和实验,验证了所提出控制策略的有效性和可靠性．     

一种受限机械手的自适应力/位置控制方法*

对于受限机械臂,本文提出了一种自适应的力/位置控制方法。其实现是基于给出的新的降阶动力学模型,在反馈信号中引入力的累积误差信号,利用降阶模型的本身特性从而达到自适应力/位置控制的目的。给出的自适应律是通过跟踪误差信号来调节的。仿真结果证实了本方法的正确性。     

机械臂的位置与力的混合控制方法

本文研究关于机械臂的位置与力的混合控制方法.为了实现混合控制,首先应用一对被称为"任务规范投影算子"建立了机械臂混合控制的动态方程.在此基础上,提出了两种控制器的设计方法,一种是计算力矩方法控制器,另一种是动态补偿变结构控制器.后者不但具有更好的鲁棒性,并且可以分别调整运动与约束力的跟踪精度.     

基于模糊自适应滑模算法的多机械臂力/位混合控制

针对多机械臂力/位混合控制受摩擦力等不确定因素影响的问题,该文提出了一种基于模糊自适应鲁棒滑模算法的控制方法。首先,根据机械臂及物体的动力学方程,构建多机械臂系统模型,并将模糊算法与自适应滑模算法相结合;然后,对不确定因素及未知非线性项进行补偿,利用鲁棒算法对系统可靠性进行提升;最后,基于李雅普诺夫方法,证明了该系统的稳定性。仿真结果显示,该方法可显著提升控制器的控制精度和系统响应速度。     

机器人力／位置自适应模糊控制

在机器人力／位置混合控制的基础上，本文提出了一种对力控制回路采用自适应模糊控制的方法，有利于提高系统对机器人末端操纵器五外界工作环境接触时，其接触刚度不确定性的自适应能力，仿真结果表明，该控制方法与常规ＰＩＤ控制相比，系统的自适应能力和鲁棒性有显著的改善。     

机械臂变长度误差跟踪迭代学习控制

针对任意初始状态下机械臂轨迹跟踪问题, 提出一种变长度误差跟踪迭代学习控制(Iterative learning control, ILC)方法. 首先, 构造不依赖于期望轨迹的双曲余弦型期望误差轨迹, 放宽经典迭代学习控制初始状态要求严格一致的条件. 由于该误差轨迹只需设置一个常数项, 因而能够有效减少计算量, 使得期望误差轨迹的设计更为简单. 其次, 考虑机械臂运行区间随迭代次数变化的问题, 构建虚拟误差变量补偿机制, 通过定义虚拟误差变量对未运行区间进行信息补偿, 放宽经典迭代学习控制的迭代长度不变条件. 在此基础上, 基于Lyapunov-like理论设计迭代学习控制器和全限幅学习律, 实现机械臂关节位置在指定区间上跟踪给定的期望轨迹和保证未知参数估计值的有界性. 最后, 仿真结果验证了所提方法的有效性.     

Position and Force Control of Two Constrained Robotic Manipulators

In this paper, the problem of controlling two robotic manipulators handling a constrained object is addressed. First, a reduced order dynamic model of the system is obtained. Using this model, a controller that guarantees the asymptotic convergence of the position, the internal force, and the constraint force to their desired values is proposed. Simulation results for two three-link planar manipulators moving a constrained object demonstrate the effectiveness of the proposed controller.