基于Deep Q Networks的机械臂推动和抓握协同控制

针对目前机械臂在复杂场景应用不足以及推动和抓握自主协同控制研究不多的现状,发挥深度Q网络(Deep Q Networks)无规则、自主学习优势,提出了一种基于Deep Q Networks的机械臂推动和抓握协同控制方法.通过2个完全卷积网络将场景信息映射至推动或抓握动作,经过马尔可夫过程,采取目光长远奖励机制,选取最佳...     

基于隐马尔可夫的机械臂浅深度插入控制策略

针对浅深度插入装配机械臂难以操控的问题,提出了一种基于隐马尔可夫的机械臂浅深度插入控制策略。首先,对浅深度插入操作进行了分析,通过采集人工操作数据,获得了力控的参数;其次,基于实测的人工操作数据,识别了力控参数的时序数据,并采用阻尼控制律对人工操作过程进行了建模;然后,利用隐马尔可夫模型对力控参数的时间序列数据进行了建模,得到了适用于机械臂浅深度插入的控制策略(该策略以隐马尔可夫模型在各个状态下的符号输出概率表示);最后,在多种应用场景中,采用UR10 6自由度机械臂分别开展了机械臂浅深度插入实验。研究结果表明：在机械臂装配过程中,采用该策略能够精准获得人工操作过程的阻尼控制参数情况,得到隐马尔可夫相对于各控制参数的标准差均值分布,从而实现其对多种应用场景的自如操控,这将对机械臂浅深度插入装配的自主执行提供有效的理论基础。     

机械臂气动关节柔性抓取操控

针对机械臂不便于从物件上方直接进行抓取的情况,提出一种机械臂气动关节柔性抓取操控技术。分析机械臂常规抓取方式,剖析机械臂与物件接触间的几何约束关系,开展物件一边被抬起的受力情况。在此基础上,分析气动关节曲率和内压之间的线性关系,构建控制关节内压的机械臂柔性抓取操控技术。通过实物测试验证,采集物件曲率变化所对应手指内压变化情况,获取不同曲率下抓握平衡所需摩擦系数变化情况,通过手指和地面“相互对抗”,使纸条曲率变大且重心右移,从而成功实现了机械臂柔性抓取柔软物件,达到设计目标要求。