基于CLF的移动舞台机器人轨迹跟踪预测控制

针对移动舞台机器人的轨迹跟踪和区域受限控制问题,提出一种参数化模型预测控制算法.该算法的主要思想是离线构造移动舞台机器人误差系统的一个控制Lyapunov函数(CLF),再根据CLF主动控制方法设计可调预测控制器,并通过在线滚动优化给定性能指标计算控制器的可调参数,在保证控制器自适应性的同时降低了MPC计算量,保证了优化问题的递推可行性和闭环系统的稳定性.最后,以"圆"为参考轨迹做仿真验证,仿真结果表明:该算法具有快速、精确和全局稳定的良好特性.     

堆叠散乱目标的6D位姿估计和无序分拣

针对目标散乱堆叠场景下的机器人分拣问题,建立一种从目标筛选、识别到6D位姿估计的无序分拣系统。利用局部凸性连接方法将Kinect V2相机采集的堆叠散乱目标点云数据分割成单独的点云子集,定义抓取分数从中筛选出最上层未被遮挡的目标作为待抓取目标,保证机器人分拣目标时能从上至下进行抓取;针对不同种类目标的分拣需求,基于匹配相似度函数对三维目标进行识别并定位抓取点;融合截断最小二乘-半定松弛算法和最近点迭代算法,建立目标6D位姿估计模型,保证目标点云和模型点云重合率低情况下的精确配准。在自采数据上进行目标6D位姿估计实验以及机器人无序分拣实验,结果表明：提出的6D位姿估计方法相较于流行的几种方法,可以更快速、精确地获取目标的6D位姿,均方根距离误差<3.3 mm,均方根角度误差<5.6°;视觉处理时间远小于机械臂运动的时间,在实际场景中实现了机器人实时抓取的全过程。     

工业机器人自动钻孔及锪窝一体化加工

为了提高工业机器人制孔的位姿精度,控制锪窝深度误差,利用激光跟踪仪跟踪机器人位姿,获得位姿偏差,并对机器人位姿偏差进行补偿,提高机器人制孔的位姿精度;利用光栅尺构成闭环控制系统,将制孔过程中机器人与工件变形引起的误差补偿到制孔刀具的进刀位置,从而保证埋头螺栓孔的锪窝深度.采用该跟踪、补偿系统在平面试验件和曲面试验件上进行了工业机器人制孔位置精度和锪窝深度补偿加工试验.结果表明,机器人的位置精度和角度精度达到0.05 mm和0.05°,锪窝深度误差控制在0.03 mm以内.     

基于卷积力矩观测器与摩擦补偿的机器人碰撞检测

针对常规工业机器人在未知环境下运行时可能产生碰撞的安全性问题,提出一种新型的机器人碰撞检测算法. 设计卷积力矩观测器,通过实时观测关节输出力矩与动力学估计力矩的偏差实现机器人碰撞检测. 为了避免机器人处于不同位姿、运动状态等情况下关节摩擦对机器人碰撞检测的干扰,采用静态LuGre模型对关节摩擦进行补偿. 通过对实际工业机器人的运动监测,辨识出更加准确的静态LuGre模型参数. 该碰撞检测算法无需加速度信息,避免了对位置反馈信息二次求导所带来的计算误差. 关节力矩基于关节伺服驱动的电流信息获取,无需安装专门的力/力矩传感器,从而在常规工业机器人无需额外配置的情况下,只需采集机器人关节驱动电机电流和位置信息即可实现碰撞检测. 通过人与机器人交互实验验证了该碰撞检测算法的有效性.     

履带机器人的模糊PID的轨迹跟踪控制研究

履带机器人运行环境复杂,运动轨迹具有多变量、非线性等特点,难以建立精确模型。基于履带机器人的运动学模型,设计了履带机器人行驶过程中的位姿误差控制器,将实时角速度与期望角速度差值及差值变化率作为系统输入,由模糊PID控制器实时输出信号,控制履带机器人的驱动电机角速度。仿真结果表明,在低速环境下,该控制器对于履带机器人轨迹跟踪的响应速度快,稳定性较好。     

无线传感器网络中卡尔曼滤波在移动目标跟踪中的研究

基于无线传感器网络结合卡尔曼滤波理论的方法对单个移动目标的跟踪研究。在实验中,运用MIT的室内定位系统Cricket系统作为硬件验证系统,采用到达时间差(Time Difference of Arrival,TDOA)的方法来测距,然后根据测得的距离采用极大似然估计算法来定位。最后根据移动目标的运行特点,建立目标的跟踪模型,并采用卡尔曼(Kalman)滤波的测量跟踪算法来实现移动目标的跟踪过程。实验结果表明,该方法可以有效地跟踪移动目标,并且误差范围在0～4.5cm内,稳定性也比较高。     

基于摩擦补偿的柔性关节机器人分级滑模控制

针对柔性关节机器人中存在的非线性摩擦问题,提出一种基于摩擦补偿的柔性关节机器人分级滑模控制方法。首先,通过线性化参数的方法对柔性关节机器人受到的摩擦进行建模,并对模型中未知参数设计自适应律以实现摩擦的估计;然后,针对摩擦模型的误差,进一步设计观测器进行估计,结合摩擦的自适应和模型误差估计实现对摩擦的补偿;最后,利用电机侧和关节侧的位置误差和速度误差设计一级滑模面,再根据一级滑模面设计二级滑模面,从而得到分级滑模控制器,进一步实现柔性关节机器人的位置轨迹跟踪控制。通过Lyapunov函数证明了机器人关节轨迹跟踪误差的收敛性。仿真结果表明：该控制方法结合参数自适应和模型误差观测器可以有效地对摩擦进行补偿,在有限时间内实现柔性关节机器人的位置轨迹对期望位置轨迹的跟踪。     

微纳卫星动态剩磁在轨标定技术

为了提高剩磁波动影响下微纳卫星在轨定姿精度,提出一种结合地面剩磁标定数据、采用改进的扩展卡尔曼滤波(EKF)算法对磁强计剩磁偏置进行在轨动态标定的方法.该算法将卫星姿态运动学模型、陀螺模型和磁强计静态测量模型作为系统状态方程,采用太阳敏感器和磁强计实测值进行量测更新,依据地面剩磁标定结果波动量级设计变参数的系统噪声协方差阵,实现剩磁波动条件下磁强计偏置的动态跟踪和实时标定.以浙江大学皮星二号(ZDPS-2)卫星地面剩磁标定数据进行仿真分析,结果表明,该算法可有效实现对动态剩磁的跟踪估计,在剩磁波动条件下收敛时间小于250s,估计结果稳定性优于20nT(1σ);与定常滤波法相比,收敛时间缩短了1 850s左右,姿态确定精度提高了5°.     

微纳卫星动态剩磁在轨标定技术

为了提高剩磁波动影响下微纳卫星在轨定姿精度,提出一种结合地面剩磁标定数据、采用改进的扩展卡尔曼滤波(EKF)算法对磁强计剩磁偏置进行在轨动态标定的方法.该算法将卫星姿态运动学模型、陀螺模型和磁强计静态测量模型作为系统状态方程,采用太阳敏感器和磁强计实测值进行量测更新,依据地面剩磁标定结果波动量级设计变参数的系统噪声协方差阵,实现剩磁波动条件下磁强计偏置的动态跟踪和实时标定.以浙江大学皮星二号(ZDPS-2)卫星地面剩磁标定数据进行仿真分析,结果表明,该算法可有效实现对动态剩磁的跟踪估计,在剩磁波动条件下收敛时间小于250s,估计结果稳定性优于20nT(1σ);与定常滤波法相比,收敛时间缩短了1 850s左右,姿态确定精度提高了5°.     

轮腿式全地形移动机器人位姿闭环控制

轮腿机器人在越障及振动时,不可避免地会出现位姿(质心位置和俯仰、侧倾姿态)的变化。为实现对其位姿的控制,将汽车的多连杆悬挂系统应用到轮腿机器人设计当中,设计了一款新型轮腿式全地形移动机器人,降低复杂地面对轮腿机器人姿态的影响,保证轮腿机器人在复杂环境下自身姿态的稳定性。首先,建立了轮腿机器人的单腿运动学模型,并搭建了单腿试验台架,验证了模型的正确性。接着,针对轮腿机器人的位姿问题分别建立俯仰和侧倾模型,并对轮腿机器人的位姿进行解耦运算,在满足轮腿机器人各质心位置分量(x、y、z)不变的情况下实现其姿态的闭环控制。然后,采用比例控制(P控制)在Simulink中搭建轮腿机器人位姿控制策略。最后,在Adams中创建轮腿机器人虚拟样机,并建立适用于大外倾角的PAC轮胎模型,利用Simulink与Adams联合仿真验证轮腿机器人在立体坡面上的位姿控制效果,仿真结果表明,本文控制算法对轮腿机器人的质心位置和姿态均有很好的跟踪效果,可将质心位置误差、姿态误差分别控制在4.3%和5%以内,验证了本文控制算法的有效性。     

基于空间网格的机器人工作点位姿标定方法

针对工业机器人沿着一定的轨迹在若干个有限的工作点作业的特点,提出基于空间网格精度的机器人工作点位姿校准方法.基于笛卡尔空间和欧拉角空间的空间网格精度,利用反距离权重插值法,实现对机器人位姿误差的标定.该方法具有以下优点:1)提出欧拉角空间概念.在欧拉角空间建立空间网格精度控制模型,用该模型对机器人作定姿误差标定;2)把机器人的位姿误差分为定位误差和定姿误差,分别进行标定,能够提高机器人的定位、定姿精度.实验结果表明,标定以后机器人的定位、定姿精度提高了大约一个数量级,证明了该方法的可行性和有效性.     

采用误差估计补偿的改进型零相位误差跟踪控制

针对伺服系统中零相位误差跟踪控制器(ZPETC)对系统建模误差和参数变化非常敏感的缺点,提出了一种改进型ZPETC设计方法.将信号估计器估计的跟踪误差和系统实时误差作为ZPETC的输入信号,控制器针对系统的跟踪误差进行实时补偿,从而减小零相位误差跟踪控制器受系统参数变化的影响,同时采用低通滤波器(LPF)来消除误差信号中的高频噪声.理论推导与仿真结果表明,该方案在保持伺服系统零相位滞后的同时,减小了系统的跟踪误差,提高了系统的跟踪精度.     

基于混合现实交互的指挥棒位姿跟踪

为解决目前混合现实系统交互的自然性、直观性与准确性不高的问题,提出一种基于指挥棒的交互方式,其实现的关键是能够实时、准确地对指挥棒位姿进行测算与跟踪.为此,重点探讨一种基于双色标的视觉跟踪方法对指挥棒位姿进行测算.具体思路是先对颜色标进行快速轮廓提取,然后采用最小面积矩形法修补轮廓,从而得到颜色标在平面投影的位姿.最后利用双目视觉定位原理计算出颜色标在三维空间上的位姿即为所求的指挥棒的三维位姿.为验证所提方法的有效性,采用实验对该算法的实时性、准确性进行了分析.结果表明,该方法的实时性与准确性均能满足交互需求.     

激光雷达与路侧摄像头的双层融合协同定位

针对非结构化场景中无人驾驶车辆定位误差大的问题,结合车载激光雷达和路侧双目摄像头,采用双层融合协同定位算法实现高精度定位. 下层包含2个并行位姿估计,基于双地图的自适应蒙特卡洛定位,根据位姿偏差的短期和长期估计实现双地图切换,修正激光雷达扫描匹配的累积误差;基于概率数据关联的卡尔曼滤波位姿估计,消除非检测目标对路侧摄像头的干扰,实现目标跟踪. 上层作为全局融合估计,融合下层的2个位姿估计,利用反馈实现自主调节. 实车实验表明,双层融合协同定位的定位精度为0.199 m,航向角精度为2.179°,相比车载激光雷达定位和无反馈的紧融合定位有大幅提升;随着路侧摄像头数量的增加,定位精度可以达到7.8 cm.     

基于深度神经网络的井下无人机视觉位姿估计

无人机将在未来少人或无人采矿中发挥重要作用,而位姿估计则是实现井下无人机自主巡检的关键.针对井下巷道照度分布不均匀和动态复杂环境的特点,提出采用慕尼黑工业大学深度图像(TUM RGB-D)数据集对深度神经网络模型进行预训练的方法,提取巷道特征路标点.为实现具有真实尺度信息的位姿估计,首先利用机载相机三维深度数据流恢复网络特征点深度,然后建立帧间匹配巷道路标点最小二乘模型,最后采用奇异值分解的方法获得无人机位姿.开发了手持移动传感器数据采集系统,完成传感器相对位置标定,采集真实巷道环境数据并进行实验.实验结果表明,相比ORB-SLAM2位姿估计结果,提出的无人机位姿估计方法针对巷道复杂环境数据其定位精度可提高71%以上,定位误差约为13 cm.     

基于运动估计的CamShift移动目标跟踪算法

在采用CamShift算法进行移动目标跟踪时,如果目标快速移动或者有遮挡物干扰时,仅利用移动的颜色信息对进行跟踪时容易导致跟踪失败。为了解决该问题,提出了移动目标运动估计和CamShift算法相结合的目标跟踪算法。通过结合削弱背景中含有的目标颜色直方图信息和进行移动目标的运动估计,从而在存在干扰目标或目标部分被遮挡的情况下,仍能实现有效跟踪。最后通过实验验证该算法的有效性。     

基于粒子优化算法的并联机器人误差建模分析

以6?PTRT并联机器人为研究对象,建立其位姿误差模型,利用单支链闭环矢量法,依据输入输出关系,建立误差方程。依据6?PTRT并联机器人的位姿误差模型,将机构误差转化为驱动杆误差,利用MATLAB软件分析各个驱动杆杆长误差参数对其输出位姿误差的影响;建立并联机器人位姿误差修正的目标函数,利用基于带收缩因子的自适应权重粒子群算法寻优各个驱动杆误差参数,修正末端位姿、提高运动学精度,为6?PTRT并联机器人动力学、位姿标定以及轨迹规划和控制等问题提供理论依据。     

考虑万向轮扭转角扰动轮式移动机器人轨迹跟踪

为了研究轮式移动机器人运动过程中万向轮扭转的扰动对其轨迹跟踪的影响,提出了一种考虑前端万向轮摩擦扰动及其质心与几何中心不重合的轨迹跟踪控制方法。首先,建立了考虑万向轮扭转角扰动的轮式移动机器人动力学模型;其次,根据位姿误差模型,采用反步法设计虚拟速度控制器收敛系统位姿误差;然后,结合扰动观测器对机器人行进过程中万向轮扭转所带来的摩擦扰动进行估计,构造出一种基于积分滑模思想的力矩控制器以保证速度追踪;最后,利用Lyapunov稳定性理论对系统的稳定性和渐近收敛进行证明。仿真及实验结果表明,将万向轮摩擦所带来的扰动反馈给动力学控制器,可以减轻控制器的负载。与忽略万向轮扰动的控制方法相比,轮式移动机器人的位置误差最大值的均方根值降低了37.37%,提高了运动系统的稳定性。     

工业机器人校正技术及软件设计

机器人末端执行器准确到达预先指定位姿的能力是其重要的技术指标之一,而机器人位姿误差校正补偿技术正是提高机器人位姿精度的有效方法.本文采用机器人位姿误差局部校正方法,建立了机器人工作空间位姿转换矩阵及误差模型.以AdeptOne机器人为对象,利用光电检测手段,自行设计研     

基于助老机器人的行人检测与跟踪算法研究

行人检测与跟踪是助老机器人的基本功能之一。针对行人检测中目标需人工标定图像初始帧、目标检测准确性差、行人丢失较难重新跟踪的问题,提出一种基于行人检测和核相关滤波器(KCF)的跟踪算法。通过Kinect2摄像头获取环境视觉信息,采用方向梯度直方图(HOG)提取行人特征,使用支持向量机(SVM)的方法训练模型实现自动检测,应用KCF跟踪算法跟踪行人,并结合深度数据,计算其世界坐标,驱动机器人实现行人稳定跟踪。在Ubuntu16.04系统和ROS平台下搭建软件系统,并在实验Turtlebot移动平台进行实验测试。结果表明,该算法可自动检测行人并在复杂环境中对行人进行稳定跟踪,有效提高了助老机器人的移动、感知性能。