激光加工机器人自标定研究

介绍一种机器人自标定方法,通过固定于机器人末端执行器上的探针与工作空间中的约束平面接触,建立运动学约束方程,利用机器人内部传感器读数来辨识机器人运动学参数,约束平面的位置无需准确知道。该方法无需任何外部测量设备,适于定期现场再标定。对某激光加工机器人的仿真结果表明,该方法可以达到其它标定法如几何参数标定法所能达到的标定精度。     

机器人运动学标定综述

从基于运动学模型的几何参数标定、机器人自标定、神经网络的正标定和逆标定三个方面,对机器人运动学标定方法及其研究现状进行了分析总结。详细介绍了每种标定方法的特点、存在的问题以及研究现状。最后对多机器人协作系统的标定以及运动学标定的发展方向进行了简要论述。     

碳纤维镀铜及其对铜基复合材料界面影响

碳纤维与铜之间的润湿性很差，导致碳纤维-铜复合材料的界面问题十分突出，给碳纤维增强铜基复合材料具有的优异性能带来很大的影响.用化学反应法在碳纤维表面镀铜,然后再与铜复合，可以有效地解决上述问题.但由于碳纤维具有纤细疏水、表面惰性的特点，对它镀铜很难.本文以CuSO₄为主盐，锌粉为还原剂，研究了4种不同类型添加剂: A（烷基苯磺酸盐）、B（烷基磺酸盐）、C（十二烷基脂肪酸盐）和D（十二烷基脂肪酸盐+乙酸钠）对碳纤维镀铜的影响.结果表明：D型添加剂最有利于碳纤维镀铜, 它能有效地解决碳纤维镀铜时经常发生的碳纤维束“黑心”问题.在实验中观察到整束碳纤维被均匀、连续地镀上了铜.通过扫描电镜观察：在镀铜碳纤维的断面上可以看到镀层和碳纤维结合得很牢固;在镀铜碳纤维与铜复合所得的复合材料中碳纤维与铜之间的界面结合得十分紧密.     

蚁群遗传算法在移动机器人路径规划中的综合应用研究

针对基本蚁群算法在机器人路径规划搜索初期盲目性大、效率低以及其搜索后期容易陷入局部最优等缺陷,把遗传算法引入到蚁群算法中,提出了基于蚁群遗传算法的移动机器人路径规划方案,在栅格环境下对移动机器人路径规划方案进行仿真测试,仿真结果表明该方案能减少蚁群算法搜索初期的盲目性、缩小最优路径的查找范围,提高搜索最优路径的效率。     

改进蚁群算法在移动机器人路径规划中的研究

移动机器人合理的路径规划是进行探索任务的前提,针对移动机器人路径规划的复杂性,把蚁群算法引入到机器人路径规划中;普通的蚁群算法存在收敛速度慢、效率低和容易陷入局部最优等缺陷,难以直接应用于机器人路径规划中;提出一种在蚁群算法中改进信息素的更新方式、引入最大最小蚁群系统以及改进状态转移规则的移动机器人路径规划方法,在栅格环境下对移动机器人的路径规划进行仿真测试,仿真结果表明该方法能缩小最优路径的查找范围,降低发现最优路径所需的循环次数,能有效提高最优路径的搜索效率,整体性能优于普通蚁群算法。     

基于行为优先与模糊控制的移动机器人导航

由于动态未知环境下自主移动机器人的导航具有较大困难,为实现自主机器人在动态未知环境下的无碰撞运行,文中将行为优先级控制与模糊逻辑控制相结合,提出4种基本行为控制策略:目标寻找、避障、跟踪和解锁.针对'U'型和'V'型障碍物运行解锁问题,提出了行走路径记忆方法,并通过构建虚拟墙来避免机器人再次走入此类区域.仿真实验表明,所提出的控制策略可有效地运用于复杂和未知环境下自主移动机器人的导航,且具有较好的鲁棒性和适应性.     

移动机器人路径规划的模糊人工势场法研究

静态环境下的路径规划是移动机器人领域非常重要的研究课题。人工势场法由于算法简单、计算量小、运算速度快、实时性好等特点,在移动机器人路径规划中得到了广泛应用,但人工势场法也存在目标不可达和局部极小值问题。针对人工势场法存在的不足,将模糊控制思想引入到移动机器人的路径规划中来,对移动机器人的偏转角进行精确控制。仿真实验结果证明了所提方法的有效性。     

移动机器人动态避障的调节发育学习

在环境认知的动态避障过程中,除了预期不确定性事件,移动机器人还可能会遇到非预期不确定性事件.如何高效、灵活地应对非预期不确定性事件是移动机器人动态避障中面临的一个重要挑战.目前关于这方面的研究相对较少,且基于这些研究的移动机器人普遍缺乏自主学习能力,难以快速、灵活地应对突变的外部环境.鉴于此,首先,设计一个新的碰撞危险度指标,该指标不仅考虑障碍物的距离,同时也考虑障碍物速度对移动机器人运动的影响.模拟人脑中乙酰胆碱和去甲肾上腺素在应对环境不确定性时的反应机理,通过碰撞危险度指标引导移动机器人的注意力网络在关注预期刺激的背侧注意力网络和关注新刺激的腹侧注意网络之间切换,使得机器人灵活应对环境中的不确定性事件;然后,设计新的神经元学习率,以增强调节发育网络隐含层神经元的学习能力,提高机器人应对突变环境的快速响应能力;接着,修改突触权值更新规则,以提高移动机器人行为决策的准确性;最后,通过在两种不同场景下的仿真实验以及物理环境中的实验,验证所提出的应对环境中非预期不确定性事件的移动机器人调节发育学习方法的可行性.