CN108196447B - 一种利用基于学习遗传进化算法的机器人双轴孔装配方法 - Google Patents

一种利用基于学习遗传进化算法的机器人双轴孔装配方法 Download PDF

Info

Publication number
CN108196447B
CN108196447B CN201711423471.3A CN201711423471A CN108196447B CN 108196447 B CN108196447 B CN 108196447B CN 201711423471 A CN201711423471 A CN 201711423471A CN 108196447 B CN108196447 B CN 108196447B
Authority
CN
China
Prior art keywords
gene
genes
fitness
shaft
double
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201711423471.3A
Other languages
English (en)
Other versions
CN108196447A (zh
Inventor
徐静
侯志民
陈恳
王国磊
杨东超
吴丹
张继文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN201711423471.3A priority Critical patent/CN108196447B/zh
Publication of CN108196447A publication Critical patent/CN108196447A/zh
Application granted granted Critical
Publication of CN108196447B publication Critical patent/CN108196447B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23P—METAL-WORKING NOT OTHERWISE PROVIDED FOR; COMBINED OPERATIONS; UNIVERSAL MACHINE TOOLS
    • B23P19/00—Machines for simply fitting together or separating metal parts or objects, or metal and non-metal parts, whether or not involving some deformation; Tools or devices therefor so far as not provided for in other classes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1679—Programme controls characterised by the tasks executed
    • B25J9/1687—Assembly, peg and hole, palletising, straight line, weaving pattern movement
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D15/00—Control of mechanical force or stress; Control of mechanical pressure
    • G05D15/01—Control of mechanical force or stress; Control of mechanical pressure characterised by the use of electric means

Abstract

本发明涉及一种利用基于学习遗传进化算法的机器人双轴孔装配方法，属于机器人自动化装配技术领域。本发明方法利用回归预测模型，对实际的机器人装配过程的适应度值，进行预测，每次仅对少量的最优的基因进行实际实验的测试，因此本发明方法能够基于少量的实验就对实际环境中的装配控制算法进行优化，从而改善装配过程。本方法利用支持向量机的回归模型，对于复杂的包含噪声的非线性系统具有很强拟合能力，并且可以理论上收敛到最优，避免局部极小的问题，其计算复杂性取决于支持向量机的数目而不是样本空间的维数，一定程度上可以避免了维数灾难问题。

Description

一种利用基于学习遗传进化算法的机器人双轴孔装配方法
技术领域
本发明涉及一种利用基于学习遗传进化算法的机器人双轴孔装配方法，属于机器人自动化装配技术领域。
背景技术
在智能制造快速发展的趋势下，机器人自动化装配技术具有巨大的市场需求，已经被越来越多的应用在工业的各种装配领域中。针对目前工业的装配任务中最基础的双轴孔装配任务，实际效果较好的是清华大学机械系机电所机器人及其自动化研究室的张贶恩在其论文“Force control for a rigid dual peg-in-hole assembly”中提出的基于模糊力控制的方法，该方法基于对双轴孔配合时的接触状态进行详细分析，对不同接触状态下的接触力模型进行分析，针对每种接触力模型分别使用适合的控制方法完成对其装配动作的控制。但是这种基于模糊力控制方法的装配效果依赖于其相关控制参数的选择，其控制参数只能根据经验选定，并且对这种模糊力控制方法的控制参数进行优化需要利用实际装配环境进行实验，但是很多情况比如大部件装配或者某些特殊实际环境无法被用来进行大量的实验以优化参数，加上真实环境中存在噪声，使实际装配环境变成一种复杂的难优化的非线性系统，针对于已经存在的优化算法由于无法大量进行实验获取其实验效果，导致无法对实际机器人装配过程进行优化。虽然遗传进化算法已经被证实是一种针对真实噪声环境具有高鲁棒性的优化算法，但是在实际环境中无法频繁的进行实验来验证待选参数的适应度函数具体数值。因此实际机器人装配环境中无法提供大量的实验的特点，是限制目前已有优化算法如遗传进化算法等在实际环境中使用的主要问题。
发明内容
本发明的目的是提出一种利用基于学习遗传进化算法的机器人双轴孔装配方法，针对已有技术中的缺点，本发明方法利用基于学习的回归预测模型不仅能够有效处理真实环境噪声，并且仅需要少量的实际装配过程的实验，就能够对已有的机器人双轴孔装配方法进行优化，因此本发明方法对于实际机器人的多轴孔装配任务的优化具有重要意义。
本发明提出的利用基于学习遗传进化算法的机器人双轴孔装配方法，包括以下步骤：
(1)在待装配双轴孔上建立三维坐标系X-Y-Z，其坐标原点O位于待装配轴上表面两轴圆心连线的中点，Z轴正向沿轴的轴线向下，X轴正向为沿左侧轴的圆心指向右侧轴圆心，利用右手螺旋定则得到Y轴正向；
(2)将双轴孔的装配过程分为自由状态、接触状态和配对状态，在装配过程中的接触状态和配对状态，利用从待装配双轴上安装的传感器，获得t时刻的轴孔接触力Fx(t),Fy(t),Fz(t)和力矩Mx(t),My(t),Mz(t)，t时刻的接触力和力矩构成一个六维力F(t)＝[Fx(t),Fy(t),Fz(t),Mx(t),My(t),Mz(t)]；
根据模糊力控制方法，利用下式计算出t时刻待装配双轴沿X，Y，Z三个方向的平移量X(t)，Y(t)和Z(t)：
Figure BDA0001523517610000021
忽略X和Y方向的速度，利用式
Figure BDA0001523517610000022
计算Z方向的平移速度
Figure BDA0001523517610000023
其中，F0代表轴孔装配过程中设定的安全预警力，ef(t)＝F(t)-F0，Kv代表待装配双轴在Z方向平移速度的控制参数，Kpz和Kdz代表待装配双轴在Z方向平移量的控制参数；Kpxy和Kdxy代表待装配双轴在X和Y方向平移量的控制参数；
利用公式
Figure BDA0001523517610000024
得到出t时刻待装配双轴在绕X，Y，Z三个方向的旋转动作量Rx(t)，Ry(t)和Rz(t)；
(3)利用基于学习的遗传进化方法，对五个控制参数[Kpz,Kpxy,Kdz,Kdxy,Kv]，根据模糊力控制方法进行优化，以获得最优的控制参数，包括以下步骤：
(3-1)将模糊力控制方法中的五个控制参数作为遗传进化算法中的基因，将与每次装配过程完成时间的相反数作为适应度值；
(3-2)设定基因控制范围参数，在基因控制范围参数内，随机生成多个初始基因，在一个实际装配过程中，利用上述步骤(2)中模糊力控制方法实现机器人双轴孔装配，将与完成装配的时间的相反数作为该初始基因的适应度值；
(3-3)将上述步骤(3-2)产生的基因和与该基因相对应的适应度值添加到一个知识数据集中，利用数学计算软件MATLAB中已有的库函数，建立一个支持向量机回归模型SVM_Reg：
Figure BDA0001523517610000031
其中，svm_x代表输入的基因，svm_y代表与基因对应的适应度值，rbf代表所选择的核函数类型是径向基核函数，利用该知识数据集中的数据，训练该支持向量机回归预测模型；
(3-4)设定初始基因的来源选择比例，根据设定的来源选择比例，从知识数据集中选择多个初始基因作为父代基因；
(3-5)分别设定基因结合率和基因变异率，根据基因结合率和基因变异率，对上述步骤(3-4)的多个父代基因进行结合和变异操作，产生多个子代基因；
(3-6)调用MATLAB中的库函数fitness＝predict(SVM_Reg,gene)，利用训练过的支持向量机回归预测模型SVM_Reg，对上述步骤(3-5)的子代基因适应度进行预测估计，其中gene为输入的待预测子代基因，fitness为输出的与该子代基因对应适应度值；
(3-7)遍历上述步骤(3-5)中的所有子代基因，重复步骤(3-6)，得到多个与各子代基因相对应的适应度值，按照适应度值的大小进行降序排序，选出适应度值最高的前n个子代基因，在真实的装配过程中，利用上述步骤(3-2)中模糊力控制方法，分别对选出的n个子代基因的真实适应度进行测试；
(3-8)将上述步骤(3-7)产生的n个子代基因以及与n个子代基因相对应的适应度值添加到上述步骤(3-3)的知识数据集中；
(3-9)设定迭代次数阈值和适应度阈值，对迭代次数和适应度值进行判断，若迭代次数小于或等于迭代次数阈值，且适应度值大于或等于适应度阈值，则结束迭代计算，并将与该次迭代中的适应度值相对应的子代基因所代表的控制参数作为机器人控制参数，实现机器人的双轴孔装配，若迭代次数和适应度值均不满足上述条件，则返回上述步骤(3-2)。
本发明提出的利用基于学习遗传进化算法的机器人双轴孔装配方法，其优点是：
1、本发明方法，利用回归预测模型对实际的机器人装配环境的适应度值进行预测，每次仅对少量的最优的基因进行实际实验的测试，因此本发明方法能够基于少量的实验就对实际环境中的装配控制算法进行优化，从而改善装配过程。
2、本发明方法的基于学习的优化思路，为实际环境中不能进行大量实验优化问题如飞机大部件的装配以及航天工业中贵重部件的装配等提供了有效的解决方法，均可以利用本发明方法的思路对其控制方法中的参数进行优化。
3、本发明方法中，利用支持向量机的回归模型，对于复杂的包含噪声的非线性系统具有很强拟合能力，并且可以理论上收敛到最优，避免局部极小的问题，其计算复杂性取决于支持向量机的数目而不是样本空间的维数，一定程度上可以避免了维数灾难问题。
附图说明
图1是本发明方法用于机器人装配的双轴孔模型及其轴坐标系定义示意图，其中，1是多轴零件部分，2是多孔零件部分。
图2是双轴孔装配过程中的自由状态示意图。
图3是双轴孔装配过程中的接触状态示意图。
图4是双轴孔装配过程中的配对状态示意图。
图5是本发明方法中模糊力控制方法示意图。
图6是为本发明方法的流程框图。
具体实施方式
本发明提出的利用基于学习遗传进化算法的机器人双轴孔装配方法，包括以下步骤：
(1)在待装配双轴孔上建立三维坐标系X-Y-Z，其坐标原点O位于待装配轴上表面两轴圆心连线的中点，Z轴正向沿轴的轴线向下，X轴正向为沿左侧轴的圆心指向右侧轴圆心，利用右手螺旋定则得到Y轴正向；如图1中所示。
(2)将双轴孔的装配过程分为自由状态(如图2所示)、接触状态(如图3所示)和配对状态(如图4所示)，对于图1中的待装配双轴孔模型的接触状态和三维接触力的空间分析投影到三个二维平面内分别进行平面内的分析。
在装配过程中的接触状态和配对状态，利用从待装配双轴上安装的传感器，获得t时刻的轴孔接触力Fx(t),Fy(t),Fz(t)和力矩Mx(t),My(t),Mz(t)，t时刻的接触力和力矩构成一个六维力F(t)＝[Fx(t),Fy(t),Fz(t),Mx(t),My(t),Mz(t)]；
根据控制原理框图如图5所示的模糊力控制方法，利用下式计算出t时刻待装配双轴沿X，Y，Z三个方向的平移量X(t)，Y(t)和Z(t)：
Figure BDA0001523517610000051
忽略X和Y方向的速度，利用式
Figure BDA0001523517610000052
计算Z方向的平移速度
Figure BDA0001523517610000053
其中，F0代表轴孔装配过程中设定的安全预警力，(根据设备装配要求事先设定)ef(t)＝F(t)-F0，Kv代表待装配双轴在Z方向平移速度的控制参数，Kpz和Kdz代表待装配双轴在Z方向平移量的控制参数；Kpxy和Kdxy代表待装配双轴在X和Y方向平移量的控制参数；
利用公式
Figure BDA0001523517610000054
得到出t时刻待装配双轴在绕X，Y，Z三个方向的旋转动作量Rx(t)，Ry(t)和Rz(t)；
(3)利用基于学习的遗传进化方法，对五个控制参数[Kpz,Kpxy,Kdz,Kdxy,Kv]，根据模糊力控制方法进行优化，以获得最优的控制参数，包括以下步骤：
(3-1)将模糊力控制方法中的五个控制参数作为遗传进化算法中的基因，将与每次装配过程完成时间的相反数作为适应度值；
(3-2)设定基因控制范围参数，在基因控制范围参数内，随机生成多个初始基因，在一个实际装配过程中，利用上述步骤(2)中模糊力控制方法实现机器人双轴孔装配，将与完成装配的时间的相反数作为该初始基因的适应度值；
(3-3)将上述步骤(3-2)产生的基因和与该基因相对应的适应度值添加到如图6所示的一个知识数据集中，利用数学计算软件MATLAB中已有的库函数，建立一个支持向量机回归模型SVM_Reg：
Figure BDA0001523517610000061
其中，svm_x代表输入的基因，svm_y代表与基因对应的适应度值，rbf代表所选择的核函数类型是径向基核函数，利用该知识数据集中的数据，训练该支持向量机回归预测模型；
(3-4)设定初始基因的来源选择比例，根据设定的来源选择比例，从知识数据集中选择多个初始基因作为父代基因；(初始基因的选择来源包括从适应度值高的基因里选择一些，以及随机选择一些，以保证选择的基因能够产生更优的下一代，所以必须有一个根据来源选择的比例)
(3-5)分别设定基因结合率和基因变异率，根据基因结合率和基因变异率，对上述步骤(3-4)的多个父代基因进行结合和变异操作，产生多个子代基因；
(3-6)调用MATLAB中的库函数fitness＝predict(SVM_Reg,gene)，利用训练过的支持向量机回归预测模型SVM_Reg，对上述步骤(3-5)的子代基因适应度进行预测估计，其中gene为输入的待预测子代基因，fitness为输出的与该子代基因对应适应度值；
(3-7)遍历上述步骤(3-5)中的所有子代基因，重复步骤(3-6)，得到多个与各子代基因相对应的适应度值，按照适应度值的大小进行降序排序，选出适应度值最高的前n个子代基因，在真实的装配过程中，利用上述步骤(3-2)中模糊力控制方法，分别对选出的n个子代基因的真实适应度进行测试；
(3-8)将上述步骤(3-7)产生的n个子代基因以及与n个子代基因相对应的适应度值添加到上述步骤(3-3)的知识数据集中；(3-9)设定迭代次数阈值和适应度阈值，(适应度阈值可以设定为：在上述步骤(3-2)的初始适应度值的基础上增加了20％)，对迭代次数和适应度值进行判断，若迭代次数小于或等于迭代次数阈值，且适应度值大于或等于适应度阈值，(即装配时间经过优化下降了20％时)，则结束迭代计算，并将与该次迭代中的适应度值相对应的子代基因所代表的控制参数作为机器人控制参数，实现机器人的双轴孔装配，若迭代次数和适应度值均不满足上述条件，则返回上述步骤(3-2)。

Claims (1)

1.一种利用基于学习遗传进化算法的机器人双轴孔装配方法，其特征在于该方法包括以下步骤：
(1)在待装配双轴孔上建立三维坐标系X-Y-Z，其坐标原点O位于待装配轴上表面两轴圆心连线的中点，Z轴正向沿轴的轴线向下，X轴正向为沿左侧轴的圆心指向右侧轴圆心，利用右手螺旋定则得到Y轴正向；
(2)将双轴孔的装配过程分为自由状态、接触状态和配对状态，在装配过程中的接触状态和配对状态，利用从待装配双轴上安装的传感器，获得t时刻的轴孔接触力Fx(t),Fy(t),Fz(t)和力矩Mx(t),My(t),Mz(t)，t时刻的接触力和力矩构成一个六维力F(t)＝[Fx(t),Fy(t),Fz(t),Mx(t),My(t),Mz(t)]；
根据模糊力控制方法，利用下式计算出t时刻待装配双轴沿X，Y，Z三个方向的平移量X(t)，Y(t)和Z(t)：
Figure FDA0002379867970000011
忽略X和Y方向的速度，利用式
Figure FDA0002379867970000012
计算Z方向的平移速度
Figure FDA0002379867970000013
其中，F0代表轴孔装配过程中设定的安全预警力，ef(t)＝F(t)-F0，Kv代表待装配双轴在Z方向平移速度的控制参数，Kpz和Kdz代表待装配双轴在Z方向平移量的控制参数；Kpxy和Kdxy代表待装配双轴在X和Y方向平移量的控制参数；
利用公式
Figure FDA0002379867970000014
得到出t时刻待装配双轴在绕X，Y，Z三个方向的旋转动作量Rx(t)，Ry(t)和Rz(t)；
(3)利用基于学习的遗传进化方法，对五个控制参数[Kpz,Kpxy,Kdz,Kdxy,Kv]，根据模糊力控制方法进行优化，以获得最优的控制参数，包括以下步骤：
(3-1)将模糊力控制方法中的五个控制参数作为遗传进化算法中的基因，将与每次装配过程完成时间的相反数作为适应度值；
(3-2)设定基因控制范围参数，在基因控制范围参数内，随机生成多个初始基因，在一个实际装配过程中，利用上述步骤(2)中模糊力控制方法实现机器人双轴孔装配，将与完成装配的时间的相反数作为该初始基因的适应度值；
(3-3)将上述步骤(3-2)产生的基因和与该基因相对应的适应度值添加到一个知识数据集中，利用数学计算软件MATLAB中已有的库函数，建立一个支持向量机回归模型SVM_Reg：
Figure FDA0002379867970000021
其中，svm_x代表输入的基因，svm_y代表与基因对应的适应度值，rbf代表所选择的核函数类型是径向基核函数，利用该知识数据集中的数据，训练该支持向量机回归预测模型；
(3-4)设定初始基因的来源选择比例，根据设定的来源选择比例，从知识数据集中选择多个初始基因作为父代基因；
(3-5)分别设定基因结合率和基因变异率，根据基因结合率和基因变异率，对上述步骤(3-4)的多个父代基因进行结合和变异操作，产生多个子代基因；
(3-6)调用MATLAB中的库函数fitness＝predict(SVM_Reg,gene)，利用训练过的支持向量机回归预测模型SVM_Reg，对上述步骤(3-5)的子代基因适应度进行预测估计，其中gene为输入的待预测子代基因，fitness为输出的与该子代基因对应适应度值；
(3-7)遍历上述步骤(3-5)中的所有子代基因，重复步骤(3-6)，得到多个与各子代基因相对应的适应度值，按照适应度值的大小进行降序排序，选出适应度值最高的前n个子代基因，在真实的装配过程中，利用上述步骤(3-2)中模糊力控制方法，分别对选出的n个子代基因的真实适应度进行测试；
(3-8)将上述步骤(3-7)产生的n个子代基因以及与n个子代基因相对应的适应度值添加到上述步骤(3-3)的知识数据集中；
(3-9)设定迭代次数阈值和适应度阈值，对迭代次数和适应度值进行判断，若迭代次数小于或等于迭代次数阈值，且适应度值大于或等于适应度阈值，则结束迭代计算，并将与该次迭代中的适应度值相对应的子代基因所代表的控制参数作为机器人控制参数，实现机器人的双轴孔装配，若迭代次数大于迭代次数阈值，且适应度值小于适应度阈值，则返回上述步骤(3-2)。
CN201711423471.3A 2017-12-25 2017-12-25 一种利用基于学习遗传进化算法的机器人双轴孔装配方法 Active CN108196447B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711423471.3A CN108196447B (zh) 2017-12-25 2017-12-25 一种利用基于学习遗传进化算法的机器人双轴孔装配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711423471.3A CN108196447B (zh) 2017-12-25 2017-12-25 一种利用基于学习遗传进化算法的机器人双轴孔装配方法

Publications (2)

Publication Number Publication Date
CN108196447A CN108196447A (zh) 2018-06-22
CN108196447B true CN108196447B (zh) 2020-05-12

Family

ID=62583837

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711423471.3A Active CN108196447B (zh) 2017-12-25 2017-12-25 一种利用基于学习遗传进化算法的机器人双轴孔装配方法

Country Status (1)

Country Link
CN (1) CN108196447B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109014816B (zh) * 2018-08-15 2020-04-03 清华大学 一种分布式力传感器反馈辅助装配方法
CN109445274B (zh) * 2018-10-25 2021-08-27 清华大学深圳研究生院 一种柔性空间机械臂振动控制方法及系统
CN109543732B (zh) * 2018-11-09 2020-09-25 山东大学 基于类别特征知识库的装配系统及方法
CN109657706A (zh) * 2018-12-03 2019-04-19 浙江工业大学 基于高斯混合模型贝叶斯算法的柔性零件装配过程接触状态识别方法
CN110238839B (zh) * 2019-04-11 2020-10-20 清华大学 一种利用环境预测优化非模型机器人多轴孔装配控制方法
CN110363214B (zh) * 2019-05-31 2021-08-03 浙江工业大学 一种基于gwa-svm的机器人装配的接触状态识别方法
CN114918659B (zh) * 2022-06-29 2024-01-16 中国电子科技集团公司第十四研究所 一种接头组件装配的柔性高精度控制方法
CN115338610B (zh) * 2022-07-04 2024-02-13 中国科学院自动化研究所 双轴孔装配方法、装置、电子设备和存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103434609A (zh) * 2013-07-24 2013-12-11 华中科技大学 一种用于船体分段外板的自动划线方法
CN105279555A (zh) * 2015-10-28 2016-01-27 清华大学 一种基于进化算法的自适应学习神经网络实现方法
CN106112505A (zh) * 2016-07-04 2016-11-16 清华大学 双轴孔装配系统及其控制方法
CN106326988A (zh) * 2016-09-06 2017-01-11 景德镇陶瓷大学 一种基于快速匹配机制面向复杂计算的改进遗传方法
JP2017040483A (ja) * 2015-08-17 2017-02-23 昭和飛行機工業株式会社 位置合わせ装置および位置合わせ方法
CN106475772A (zh) * 2015-08-25 2017-03-08 杭州巨星科技股份有限公司 基于状态感知机器人的手工具自动化装配工艺
CN106584090A (zh) * 2016-12-26 2017-04-26 清华大学 基于结构光三维测量系统的工件装配方法
CN106773662A (zh) * 2015-11-20 2017-05-31 哈尔滨工大天才智能科技有限公司 一种基于装配微型机器人的关节虚拟机模型设计方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8095485B2 (en) * 2009-01-14 2012-01-10 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration System and method for embedding emotion in logic systems

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103434609A (zh) * 2013-07-24 2013-12-11 华中科技大学 一种用于船体分段外板的自动划线方法
JP2017040483A (ja) * 2015-08-17 2017-02-23 昭和飛行機工業株式会社 位置合わせ装置および位置合わせ方法
CN106475772A (zh) * 2015-08-25 2017-03-08 杭州巨星科技股份有限公司 基于状态感知机器人的手工具自动化装配工艺
CN105279555A (zh) * 2015-10-28 2016-01-27 清华大学 一种基于进化算法的自适应学习神经网络实现方法
CN106773662A (zh) * 2015-11-20 2017-05-31 哈尔滨工大天才智能科技有限公司 一种基于装配微型机器人的关节虚拟机模型设计方法
CN106112505A (zh) * 2016-07-04 2016-11-16 清华大学 双轴孔装配系统及其控制方法
CN106326988A (zh) * 2016-09-06 2017-01-11 景德镇陶瓷大学 一种基于快速匹配机制面向复杂计算的改进遗传方法
CN106584090A (zh) * 2016-12-26 2017-04-26 清华大学 基于结构光三维测量系统的工件装配方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于旋量的机器人双轴孑L装配接触分析;费燕琼;《上海交通大学学报》;20010131;第35卷(第1期);第47-51页 *

Also Published As

Publication number Publication date
CN108196447A (zh) 2018-06-22

Similar Documents

Publication Publication Date Title
CN108196447B (zh) 一种利用基于学习遗传进化算法的机器人双轴孔装配方法
Henrich et al. Robot manipulation of deformable objects
Fei et al. Springback prediction for incremental sheet forming based on FEM-PSONN technology
Kang et al. Markovian-based fault-tolerant control for wheeled mobile manipulators
Hou et al. The learning-based optimization algorithm for robotic dual peg-in-hole assembly
Yu et al. Roboassembly: Learning generalizable furniture assembly policy in a novel multi-robot contact-rich simulation environment
Lu et al. A physically based approach with human–machine cooperation concept to generate assembly sequences
Jiang et al. Generative adversarial interactive imitation learning for path following of autonomous underwater vehicle
Akkar et al. Design Stable Controller for PUMA 560 Robot with PID and Sliding Mode Controller Based on PSO Algorithm.
Truong et al. Adaptive neural sliding mode control for 3-DOF planar parallel manipulators
Tang et al. Neural network-based transfer learning of manipulator inverse displacement analysis
Smith et al. Dynamical pose estimation with graduated non-convexity for outlier robustness
Høifødt Dynamic modeling and simulation of robot manipulators: the Newton-Euler formulation
El Maani et al. Multiobjective aerodynamic shape optimization of NACA0012 airfoil based mesh morphing
Iklima et al. Self-collision avoidance of arm robot using generative adversarial network and particles swarm optimization (gan-pso)
Yoon et al. Fast and accurate data-driven simulation framework for contact-intensive tight-tolerance robotic assembly tasks
Høifødt Dynamic modeling and simulation of robot manipulators
Siebel et al. Learning neural networks for visual servoing using evolutionary methods
López et al. Optimal design of a parallel robot using neural network and genetic algorithm
Mummolo et al. Contact status optimization of multibody dynamic systems using dual variable transformation
Duy et al. Designing hedge algebraic controller and optimizing by genetic algorithm for serial robots adhering trajectories
Ulyanov et al. Industrial robotic intelligent robust control system: Applying quantum soft computing technologies and quantum software engineering in unpredicted control situations
Tao et al. Posture control of a 3-RPS pneumatic parallel platform with parameter initialization and an adaptive robust method
Suerich et al. Reinforcement learning for efficient scheduling in complex semiconductor equipment
Shen et al. Positioning failure error identification of industrial robots based on particle swarm optimization and Kriging surrogate modeling

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant