CN108710285A - 工业机器人模型仿真控制方法及装置 - Google Patents
工业机器人模型仿真控制方法及装置 Download PDFInfo
- Publication number
- CN108710285A CN108710285A CN201810267124.4A CN201810267124A CN108710285A CN 108710285 A CN108710285 A CN 108710285A CN 201810267124 A CN201810267124 A CN 201810267124A CN 108710285 A CN108710285 A CN 108710285A
- Authority
- CN
- China
- Prior art keywords
- industrial robot
- model
- control
- robot model
- emulation
- 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.)
- Pending
Links
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
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P.I., P.I.D.
Abstract
本发明公开了一种工业机器人模型仿真控制方法及装置。其中,该方法包括:接收由三维建模软件构建的工业机器人模型;基于工业机器人模型确定控制参数;根据控制参数确定工业机器人仿真机械模型;根据小脑模型神经网络CMAC控制策略和比例积分微分PID控制策略对工业机器人仿真机械模型进行仿真控制。本发明解决了相关技术中用于工业机器人的控制策略无法满足工业机器人对高速度和高精度的要求的技术问题。
Description
技术领域
本发明涉及机器人仿真领域,具体而言,涉及一种工业机器人模型仿真控制方法及装置。
背景技术
运动学、动力学是工业机器人研发设计过程中必须考虑的问题,但是,要建立工业机器人精准的数学模型非常困难。同时,工业机器人控制系统是一个高非线性、强耦合的复杂系统。采用传统的独立PID控制策略是用于速度和精度都不高的场合,难以满足现代工业机器人对高速度和高精度的要求。
针对上述相关技术中用于工业机器人的控制策略无法满足工业机器人对高速度和高精度的要求的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种工业机器人模型仿真控制方法及装置,以至少解决相关技术中用于工业机器人的控制策略无法满足工业机器人对高速度和高精度的要求的技术问题。
根据本发明实施例的一个方面,提供了一种工业机器人模型仿真控制方法,包括:接收由三维建模软件构建的工业机器人模型;基于所述工业机器人模型确定控制参数;根据所述控制参数确定工业机器人仿真机械模型;根据小脑模型神经网络CMAC控制策略和比例积分微分PID控制策略对所述工业机器人仿真机械模型进行仿真控制。
可选地,基于所述工业机器人模型确定所述控制参数包括:对所述工业机器人模型中各个零部件之间的连接关系进行检测,得到检测结果;在所述检测结果为所述工业机器人模型中各个零部件之间的连接关系正常的情况下,确定所述工业机器人模型对应的属性参数;根据所述属性参数确定所述控制参数。
可选地,基于所述工业机器人模型确定所述控制参数包括:在所述检测结果为所述工业机器人模型中各个零部件之间的连接关系存在异常的情况下,对所述工业机器人模型进行修正;对修正后的工业机器人模型中各个零部件之间的连接关系进行检测以及修正操作,直到所述工业机器人模型中各个零部件之间的连接关系正常,确定修正后的所述工业机器人模型对应的属性参数;根据所述属性参数确定所述控制参数。
可选地,根据所述小脑模型神经网络CMAC控制策略和所述比例积分微分PID控制策略对所述工业机器人仿真机械模型进行仿真控制包括:确定用于对所述工业机器人仿真机械模型进行仿真的目标轨迹;根据所述CMAC策略控制和所述PID控制策略对所述工业机器人仿真机械模型按照所述目标轨迹进行仿真控制。
可选地,根据所述CMAC策略控制和所述PID控制策略对所述工业机器人仿真机械模型按照所述目标轨迹进行仿真控制包括:将所述目标轨迹对应的轨迹参数输入到所述CMAC控制策略和所述PID控制策略中;所述CMAC控制策略和所述PID控制策略基于所述轨迹参数对所述工业机器人仿真机械模型进行仿真控制。
根据本发明实施例的另外一个方面,还提供了一种工业机器人模型仿真控制装置,包括:接收单元,用于接收由三维建模软件构建的工业机器人模型;第一确定单元,用于基于所述工业机器人模型确定控制参数;第二确定单元,用于根据所述控制参数确定工业机器人仿真机械模型;控制单元,用于根据小脑模型神经网络CMAC控制策略和比例积分微分PID控制策略对所述工业机器人仿真机械模型进行仿真控制。
可选地,所述第一确定单元包括:检测模块,用于对所述工业机器人模型中各个零部件之间的连接关系进行检测,得到检测结果;第一确定模块,用于在所述检测结果为所述工业机器人模型中各个零部件之间的连接关系正常的情况下,确定所述工业机器人模型对应的属性参数;第二确定模块,用于根据所述属性参数确定所述控制参数。
可选地,所述第一确定单元包括:修正模块,用于在所述检测结果为所述工业机器人模型中各个零部件之间的连接关系存在异常的情况下,对所述工业机器人模型进行修正;第三确定模块,用于对修正后的工业机器人模型中各个零部件之间的连接关系进行检测以及修正操作,直到所述工业机器人模型中各个零部件之间的连接关系正常,确定修正后的所述工业机器人模型对应的属性参数;第四确定模块,用于根据所述属性参数确定所述控制参数。
可选地,所述控制单元包括:第五确定模块,用于确定用于对所述工业机器人仿真机械模型进行仿真的目标轨迹;控制模块,用于根据所述CMAC策略控制和所述PID控制策略对所述工业机器人仿真机械模型按照所述目标轨迹进行仿真控制。
可选地,所述控制模块包括:输入子模块,用于将所述目标轨迹对应的轨迹参数输入到所述CMAC控制策略和所述PID控制策略中;控制子模块,用于所述CMAC控制策略和所述PID控制策略基于所述轨迹参数对所述工业机器人仿真机械模型进行仿真控制。
根据本发明实施例的另外一个方面,还提供了一种存储介质,所述存储介质包括存储的程序,其中,所述程序执行上述中任意一项所述的工业机器人模型仿真控制方法。
根据本发明实施例的另外一个方面,还提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行上述中任意一项所述的工业机器人模型仿真控制方法。
在本发明实施例中,采用接收由三维建模软件构建的工业机器人模型;基于工业机器人模型确定控制参数;根据控制参数确定工业机器人仿真机械模型;根据小脑模型神经网络CMAC控制策略和比例积分微分PID控制策略对工业机器人仿真机械模型进行仿真控制的方式,通过本发明实施例提供的工业机器人模型仿真控制方法可以实现采用小脑模型神经网络CMAC控制策略和比例积分微分PID控制策略对工业机器人进行联合控制的目的,降低了工业机器人开发的周期、克服了直接建立工业机器人数学模型的困难,达到了提高工业机器人模型的鲁棒性、响应速度、以及控制精度的技术效果,进而解决了相关技术中用于工业机器人的控制策略无法满足工业机器人对高速度和高精度的要求的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的工业机器人模型仿真控制方法的流程图;
图2是根据本发明实施例的MD450机器人的示意图;
图3是根据本发明实施例的工业机器人模型仿真控制方法的优选结构图;
图4是根据本发明实施例的又一工业机器人模型仿真控制方法的结构图;
图5是根据本发明实施例的工业机器人模型仿真控制装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了便于描述,下面对本发明实施例中出现的部分名词或术语进行详细说明。
比例积分微分控制器(proportion integration differentiation,简称PID):是由比例单元P、积分单元I和微分单元D组成。通过Kp、Ki、Kd三个参数的设定。主要适用于基本线性和动态性不随时间变化的系统。
工业机器人:是指面向工业领域的多关节机械手或多自由度的机器人,是自动执行工作的机器装置,靠自身动力和控制能力来实现各种功能的一种机器。
小脑模型神经网络(Cerebellar Model Articulation Controller,简称CMAC):是一种表达复杂非线性函数的表格查询型自适应神经网络,该网络可通过学习算法改变表格的内容,具有信息分类存储的能力。
仿真:即使用项目模型将特定于某一具体层次的不确定性转化为它们对目标的影响,该影响是在项目仿真项目整体的层次上来表示的。
实施例1
由于上述相关技术中对于工业机器人模型仿真方法一般是采用独立的PID控制策略,但是工业机器人控制系统是一个高非线性、强耦合的复杂系统,传统的采用独立的PID控制策略是无法满足现代工业机器人对高速度和高精度的要求。
为了解决上述问题,根据本发明实施例,提供了一种工业机器人模型仿真控制方法的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的工业机器人模型仿真控制方法的流程图,如图1所示,该工业机器人模型仿真控制方法包括如下步骤:
步骤S102,接收由三维建模软件构建的工业机器人模型。
例如,可以通过三维建模软件Sol idWorks建立工业机器人模型,需要说明的是,这里的三维建模软件可以包括但不限于:SolidWorks。需要说明的是,该工业机器人模型的格式为通用中间格式,其中,该通用中间格式可以包括但不限于.x_t格式。图2是根据本发明实施例的MD450机器人的示意图,如图2所示,该MD450机器人可以包括:手腕、小臂、大臂、腰关节以及底座。其中,底座可以起到支撑整个机器人的重量的作用,同时通过底座上的安装孔可以把机器人固定到合适的工作区域;腰关节可以驱动机器人围绕底座在空间做回转运动;大臂可以使得机器人做前后摆动运动;小臂驱动机器人做上下摆动运动;手腕则可以连接负载并在运动过程中保持负载垂直姿态不变。
步骤S104,基于工业机器人模型确定控制参数。
步骤S106,根据控制参数确定工业机器人仿真机械模型。
步骤S108,根据小脑模型神经网络CMAC控制策略和比例积分微分PID控制策略对工业机器人仿真机械模型进行仿真控制。
通过上述步骤,可以接收由三维建模软件构建的工业机器人模型;基于工业机器人模型确定控制参数;根据控制参数确定工业机器人仿真机械模型;根据小脑模型神经网络CMAC控制策略和比例积分微分PID控制策略对工业机器人仿真机械模型进行仿真控制。相对于传统的工业机器人模型仿真方法一般是采用独立的PID控制策略无法满足现代工业机器人对高速度和高精度的要求的弊端,通过本发明实施例提供的工业机器人模型仿真控制方法可以实现采用小脑模型神经网络CMAC控制策略和比例积分微分PID控制策略对工业机器人进行联合控制的目的,降低了工业机器人开发的周期、克服了直接建立工业机器人数学模型的困难,达到了提高工业机器人模型的鲁棒性、响应速度、以及控制精度的技术效果,进而解决了相关技术中用于工业机器人的控制策略无法满足工业机器人对高速度和高精度的要求的技术问题。
在本发明一个可选的实施例中,在步骤S104中,基于工业机器人模型确定控制参数可以包括:对工业机器人模型中各个零部件之间的连接关系进行检测,得到检测结果;在检测结果为工业机器人模型中各个零部件之间的连接关系正常的情况下,确定工业机器人模型对应的属性参数;根据属性参数确定控制参数。
另外,基于工业机器人模型确定控制参数可以包括:在检测结果为工业机器人模型中各个零部件之间的连接关系存在异常的情况下,对工业机器人模型进行修正;对修正后的工业机器人模型中各个零部件之间的连接关系进行检测以及修正操作,直到工业机器人模型中各个零部件之间的连接关系正常,确定修正后的工业机器人模型对应的属性参数;根据属性参数确定控制参数。
例如,在把上述工业机器人模型导入多体动力学仿真软件中,并建立相应的工业机器人仿真机械模型。具体地,在把上述工业机器人模型导入到多体动力学仿真软件之后,需要对导入的工业机器人模型各个零部件之间的相对关系进行检查,若检查各个零部件之间的关系正确,则确定工业机器人模型对应的属性参数,根据根据属性参数确定控制参数;具体地,按照设计的机器人D-H参数,通过三维建模软件SolidWorks建立机器人模型各个连杆的模型,并按照机器人各连杆的相对运动关系进行装配约束。并对各个零部件添加相应的材料属性,进而利用三维建模软件中计算各个零部件的质量属性功能,计算各个连杆部件的质量、质心、惯量特性,即上述属性参数。然后将各个连杆对应的零部件的属性参数输入到相应的参数属性,然后定义机器人模型的相关变量、输入接口、输出接口。最后输出控制系统仿真软件可以识别的工业机器人仿真机械模型。需要说明的是,这里的控制系统仿真软件可以包括但不限于:simulink。
反之,在检测到工业机器人模型各个零部件之间的相对位置关系存在异常的情况下,需要对工业机器人模型中各个零部件之间的连接关系进行检测以及修正操作,直到业机器人模型中各个零部件之间的连接关系正常。
作为本发明一个可选的实施例,根据小脑模型神经网络CMAC控制策略和比例积分微分PID控制策略对工业机器人仿真机械模型进行仿真控制可以包括:确定用于对工业机器人仿真机械模型进行仿真的目标轨迹;根据CMAC策略控制和PID控制策略对工业机器人仿真机械模型按照目标轨迹进行仿真控制。
作为本发明一个可选的实施例,根据CMAC策略控制和PID控制策略对工业机器人仿真机械模型按照目标轨迹进行仿真控制可以包括:将目标轨迹对应的轨迹参数输入到CMAC控制策略和PID控制策略中;CMAC控制策略和PID控制策略基于轨迹参数对工业机器人仿真机械模型进行仿真控制。
例如,把上述simulink可以识别的工业机器人仿真机械模型导入到simulink仿真控制软件中,在simulink仿真控制软件环境中搭建机器人整体控制系统框图,其中,工业机器人控制算法采用CMAC控制策略和PID控制策略进行联合控制,进而完成工业机器人仿真控制系统的搭建,对工业机器人的控制系统性能进行仿真控制。
下面结合附图对本发明实施例提供的工业机器人模型仿真控制方法进行详细说明。
图3是根据本发明实施例的工业机器人模型仿真控制方法的优选结构图,如图3所示,通过输入端将输入信号根据时间间隔量化成若干个采样,将每个输入信号采样映射到存储器的相应地址上。运用CMAC学习算法对每个采样信号进行处理,然后再对每个经过CMAC算法处理的结果信号进行加权求和,并输出到机器人控制器中,同时对机器人输出的信号进行PID调节,形成闭环控制。具体地,将按照设计的机器人D-H参数(这里的D-H参数是用来描述机器人各个关节之间的几何关系的参数)分别输入到CMAC控制策略和PID控制策略中,上述机器人D-H参数在CMAC控制策略中进行量化后,映射到内存中,进行内存地址映射,然后将经过内存地址映射后的数据存储到存储单元中;另外,上述机器人D-H参数在PID控制策略中经过PID控制器进行对应的操作后,输入到CMAC控制策略中的学习算法中进行计算,然后输入到上述存储单元,和输入到存储单元的经过内存地址映射后的数据一起进行加权运算后,进行PID调节,形成闭环控制,实现对工业机器人模型的仿真控制。
图4是根据本发明实施例的又一工业机器人模型仿真控制方法的结构图,如图4所示,利用目标函数编写机器人目标轨迹,而PID算法和CMAC算法模块利用MATLAB函数模块实现。工业机器人模型在Adams软件中生成。把上述模块在SIMULINK系统仿真环境下连接起来,如图4所示,工业机器人模型(Adams)的左边有3个输入分别是图2所述的工业机器人模型的腰关节、大臂、小臂的驱动力矩;另外,工业机器人模型(Adams)的右边有三个输出为腰关节、大臂以及小臂对应的关节角度。
实施例2
本发明实施例还提供了一种工业机器人模型仿真控制装置,需要说明的是,本发明实施例的工业机器人模型仿真控制装置可以用于执行本发明实施例所提供的用于工业机器人模型仿真控制方法。以下对本发明实施例提供的工业机器人模型仿真控制装置进行介绍。
图5是根据本发明实施例的工业机器人模型仿真控制装置的示意图,如图5所示,该工业机器人模型仿真控制装置包括:接收单元51,第一确定单元53,第二确定单元55以及控制单元57。下面对该工业机器人模型仿真控制装置进行详细说明。
接收单元51,用于接收由三维建模软件构建的工业机器人模型。
第一确定单元53,与上述接收单元51连接,用于基于工业机器人模型确定控制参数。
第二确定单元55,与上述第一确定单元53连接,用于根据控制参数确定工业机器人仿真机械模型。
控制单元57,与上述第二确定单元55连接,用于根据小脑模型神经网络CMAC控制策略和比例积分微分PID控制策略对工业机器人仿真机械模型进行仿真控制。
在上述实施例中,可以采用接收单元,用于接收由三维建模软件构建的工业机器人模型;第一确定单元,用于基于工业机器人模型确定控制参数;第二确定单元,用于根据控制参数确定工业机器人仿真机械模型;控制单元,用于根据小脑模型神经网络CMAC控制策略和比例积分微分PID控制策略对工业机器人仿真机械模型进行仿真控制。相对于传统的工业机器人模型仿真方法一般是采用独立的PID控制策略无法满足现代工业机器人对高速度和高精度的要求的弊端,通过本发明实施例提供的工业机器人模型仿真控制装置可以实现采用小脑模型神经网络CMAC控制策略和比例积分微分PID控制策略对工业机器人进行联合控制的目的,降低了工业机器人开发的周期、克服了直接建立工业机器人数学模型的困难,达到了提高工业机器人模型的鲁棒性、响应速度、以及控制精度的技术效果,进而解决了相关技术中用于工业机器人的控制策略无法满足工业机器人对高速度和高精度的要求的技术问题。
在本发明一个可选的实施例中,上述第一确定单元包括:检测模块,用于对工业机器人模型中各个零部件之间的连接关系进行检测,得到检测结果;第一确定模块,用于在检测结果为工业机器人模型中各个零部件之间的连接关系正常的情况下,确定工业机器人模型对应的属性参数;第二确定模块,用于根据属性参数确定控制参数。
在本发明一个可选的实施例中,上述第一确定单元包括:修正模块,用于在检测结果为工业机器人模型中各个零部件之间的连接关系存在异常的情况下,对工业机器人模型进行修正;第三确定模块,用于对修正后的工业机器人模型中各个零部件之间的连接关系进行检测以及修正操作,直到工业机器人模型中各个零部件之间的连接关系正常,确定修正后的工业机器人模型对应的属性参数;第四确定模块,用于根据属性参数确定控制参数。
在本发明一个可选的实施例中,上述控制单元包括:第五确定模块,用于确定用于对工业机器人仿真机械模型进行仿真的目标轨迹;控制模块,用于根据CMAC策略控制和PID控制策略对工业机器人仿真机械模型按照目标轨迹进行仿真控制。
在本发明一个可选的实施例中,上述控制模块包括:输入子模块,用于将目标轨迹对应的轨迹参数输入到CMAC控制策略和PID控制策略中;控制子模块,用于CMAC控制策略和PID控制策略基于轨迹参数对工业机器人仿真机械模型进行仿真控制。
上述的工业机器人模型仿真控制装置还可以包括处理器和存储器,上述接收单元51,第一确定单元53,第二确定单元55以及控制单元57等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
上述处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来根据小脑模型神经网络CMAC控制策略和比例积分微分PID控制策略对工业机器人仿真机械模型进行仿真控制。
上述存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
根据本发明实施例的另外一个方面,还提供了一种存储介质,存储介质包括存储的程序,其中,程序执行上述中任意一项的工业机器人模型仿真控制方法。
根据本发明实施例的另外一个方面,还提供了一种处理器,处理器用于运行程序,其中,程序运行时执行上述中任意一项的工业机器人模型仿真控制方法。
在本发明实施例中还提供了一种设备,该设备包括处理器、存储器及存储在存储器上并可以在处理器上运行的程序,处理器执行程序时实现以下步骤:接收由三维建模软件构建的工业机器人模型;基于工业机器人模型确定控制参数;根据控制参数确定工业机器人仿真机械模型;根据小脑模型神经网络CMAC控制策略和比例积分微分PID控制策略对工业机器人仿真机械模型进行仿真控制。
在本发明实施例中还输电网提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:接收由三维建模软件构建的工业机器人模型;基于工业机器人模型确定控制参数;根据控制参数确定工业机器人仿真机械模型;根据小脑模型神经网络CMAC控制策略和比例积分微分PID控制策略对工业机器人仿真机械模型进行仿真控制。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (12)
1.一种工业机器人模型仿真控制方法,其特征在于,包括:
接收由三维建模软件构建的工业机器人模型;
基于所述工业机器人模型确定控制参数;
根据所述控制参数确定工业机器人仿真机械模型;
根据小脑模型神经网络CMAC控制策略和比例积分微分PID控制策略对所述工业机器人仿真机械模型进行仿真控制。
2.根据权利要求1所述的方法,其特征在于,基于所述工业机器人模型确定所述控制参数包括:
对所述工业机器人模型中各个零部件之间的连接关系进行检测,得到检测结果;
在所述检测结果为所述工业机器人模型中各个零部件之间的连接关系正常的情况下,确定所述工业机器人模型对应的属性参数;
根据所述属性参数确定所述控制参数。
3.根据权利要求2所述的方法,其特征在于,基于所述工业机器人模型确定所述控制参数包括:
在所述检测结果为所述工业机器人模型中各个零部件之间的连接关系存在异常的情况下,对所述工业机器人模型进行修正;
对修正后的工业机器人模型中各个零部件之间的连接关系进行检测以及修正操作,直到所述工业机器人模型中各个零部件之间的连接关系正常,确定修正后的所述工业机器人模型对应的属性参数;
根据所述属性参数确定所述控制参数。
4.根据权利要求1至3中任意一项所述的方法,其特征在于,根据所述小脑模型神经网络CMAC控制策略和所述比例积分微分PID控制策略对所述工业机器人仿真机械模型进行仿真控制包括:
确定用于对所述工业机器人仿真机械模型进行仿真的目标轨迹;
根据所述CMAC策略控制和所述PID控制策略对所述工业机器人仿真机械模型按照所述目标轨迹进行仿真控制。
5.根据权利要求4所述的方法,其特征在于,根据所述CMAC策略控制和所述PID控制策略对所述工业机器人仿真机械模型按照所述目标轨迹进行仿真控制包括:
将所述目标轨迹对应的轨迹参数输入到所述CMAC控制策略和所述PID控制策略中;
所述CMAC控制策略和所述PID控制策略基于所述轨迹参数对所述工业机器人仿真机械模型进行仿真控制。
6.一种工业机器人模型仿真控制装置,其特征在于,包括:
接收单元,用于接收由三维建模软件构建的工业机器人模型;
第一确定单元,用于基于所述工业机器人模型确定控制参数;
第二确定单元,用于根据所述控制参数确定工业机器人仿真机械模型;
控制单元,用于根据小脑模型神经网络CMAC控制策略和比例积分微分PID控制策略对所述工业机器人仿真机械模型进行仿真控制。
7.根据权利要求6所述的装置,其特征在于,所述第一确定单元包括:
检测模块,用于对所述工业机器人模型中各个零部件之间的连接关系进行检测,得到检测结果;
第一确定模块,用于在所述检测结果为所述工业机器人模型中各个零部件之间的连接关系正常的情况下,确定所述工业机器人模型对应的属性参数;
第二确定模块,用于根据所述属性参数确定所述控制参数。
8.根据权利要求7所述的装置,其特征在于,所述第一确定单元包括:
修正模块,用于在所述检测结果为所述工业机器人模型中各个零部件之间的连接关系存在异常的情况下,对所述工业机器人模型进行修正;
第三确定模块,用于对修正后的工业机器人模型中各个零部件之间的连接关系进行检测以及修正操作,直到所述工业机器人模型中各个零部件之间的连接关系正常,确定修正后的所述工业机器人模型对应的属性参数;
第四确定模块,用于根据所述属性参数确定所述控制参数。
9.根据权利要求6至8中任意一项所述的装置,其特征在于,所述控制单元包括:
第五确定模块,用于确定用于对所述工业机器人仿真机械模型进行仿真的目标轨迹;
控制模块,用于根据所述CMAC策略控制和所述PID控制策略对所述工业机器人仿真机械模型按照所述目标轨迹进行仿真控制。
10.根据权利要求9所述的装置,其特征在于,所述控制模块包括:
输入子模块,用于将所述目标轨迹对应的轨迹参数输入到所述CMAC控制策略和所述PID控制策略中;
控制子模块,用于所述CMAC控制策略和所述PID控制策略基于所述轨迹参数对所述工业机器人仿真机械模型进行仿真控制。
11.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,所述程序执行权利要求1至5中任意一项所述的工业机器人模型仿真控制方法。
12.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至5中任意一项所述的工业机器人模型仿真控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810267124.4A CN108710285A (zh) | 2018-03-28 | 2018-03-28 | 工业机器人模型仿真控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810267124.4A CN108710285A (zh) | 2018-03-28 | 2018-03-28 | 工业机器人模型仿真控制方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108710285A true CN108710285A (zh) | 2018-10-26 |
Family
ID=63866453
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810267124.4A Pending CN108710285A (zh) | 2018-03-28 | 2018-03-28 | 工业机器人模型仿真控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108710285A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110456659A (zh) * | 2019-07-24 | 2019-11-15 | 广州番禺职业技术学院 | 一种基于工业机器人上下料工作站的仿真设计方法 |
CN110531640A (zh) * | 2019-09-11 | 2019-12-03 | 北京云迹科技有限公司 | 一种机器人的综合仿真方法及系统 |
CN110737205A (zh) * | 2019-07-24 | 2020-01-31 | 广州番禺职业技术学院 | 一种基于工业机器人分拣工作站的仿真设计方法 |
CN110807282A (zh) * | 2019-10-31 | 2020-02-18 | 珠海格力智能装备有限公司 | 有限元前处理中定义材料和属性的方法和装置 |
CN111046587A (zh) * | 2019-12-27 | 2020-04-21 | 上海节卡机器人科技有限公司 | 一种机器人仿真方法、装置、电子设备及存储介质 |
CN111413889A (zh) * | 2020-03-31 | 2020-07-14 | 珠海格力智能装备有限公司 | 四连杆机构的运动仿真控制方法及装置 |
CN112764357A (zh) * | 2021-01-22 | 2021-05-07 | 郑州捷安高科股份有限公司 | 工程机械仿真方法、装置、设备及存储介质 |
CN114872040A (zh) * | 2022-04-20 | 2022-08-09 | 中国科学院自动化研究所 | 基于小脑预测与修正的肌肉骨骼机器人控制方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100447135B1 (ko) * | 1997-12-30 | 2004-11-03 | 엘지전자 주식회사 | 비선형시스템의추종제어장치 |
CN101727071A (zh) * | 2009-11-13 | 2010-06-09 | 上海电力学院 | 神经网络模型与二次型单神经元pid并行控制方法 |
CN102331717A (zh) * | 2011-10-10 | 2012-01-25 | 哈尔滨工程大学 | 一种船舶航速智能控制方法 |
CN107179682A (zh) * | 2017-06-20 | 2017-09-19 | 南京理工大学 | 一种被动式负载模拟器及多余力矩抑制方法 |
-
2018
- 2018-03-28 CN CN201810267124.4A patent/CN108710285A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100447135B1 (ko) * | 1997-12-30 | 2004-11-03 | 엘지전자 주식회사 | 비선형시스템의추종제어장치 |
CN101727071A (zh) * | 2009-11-13 | 2010-06-09 | 上海电力学院 | 神经网络模型与二次型单神经元pid并行控制方法 |
CN102331717A (zh) * | 2011-10-10 | 2012-01-25 | 哈尔滨工程大学 | 一种船舶航速智能控制方法 |
CN107179682A (zh) * | 2017-06-20 | 2017-09-19 | 南京理工大学 | 一种被动式负载模拟器及多余力矩抑制方法 |
Non-Patent Citations (2)
Title |
---|
叶军: "机械臂的CONN控制与CMAC控制的比较研究", 《计算机仿真》 * |
蓝培钦 等: "码垛机器人的动力学仿真及控制研究", 《机械设计与制造》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110456659A (zh) * | 2019-07-24 | 2019-11-15 | 广州番禺职业技术学院 | 一种基于工业机器人上下料工作站的仿真设计方法 |
CN110737205A (zh) * | 2019-07-24 | 2020-01-31 | 广州番禺职业技术学院 | 一种基于工业机器人分拣工作站的仿真设计方法 |
CN110531640A (zh) * | 2019-09-11 | 2019-12-03 | 北京云迹科技有限公司 | 一种机器人的综合仿真方法及系统 |
CN110807282A (zh) * | 2019-10-31 | 2020-02-18 | 珠海格力智能装备有限公司 | 有限元前处理中定义材料和属性的方法和装置 |
CN110807282B (zh) * | 2019-10-31 | 2023-08-04 | 珠海格力智能装备有限公司 | 有限元前处理中定义材料和属性的方法和装置 |
CN111046587A (zh) * | 2019-12-27 | 2020-04-21 | 上海节卡机器人科技有限公司 | 一种机器人仿真方法、装置、电子设备及存储介质 |
CN111413889A (zh) * | 2020-03-31 | 2020-07-14 | 珠海格力智能装备有限公司 | 四连杆机构的运动仿真控制方法及装置 |
CN112764357A (zh) * | 2021-01-22 | 2021-05-07 | 郑州捷安高科股份有限公司 | 工程机械仿真方法、装置、设备及存储介质 |
CN114872040A (zh) * | 2022-04-20 | 2022-08-09 | 中国科学院自动化研究所 | 基于小脑预测与修正的肌肉骨骼机器人控制方法及装置 |
CN114872040B (zh) * | 2022-04-20 | 2024-04-16 | 中国科学院自动化研究所 | 基于小脑预测与修正的肌肉骨骼机器人控制方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108710285A (zh) | 工业机器人模型仿真控制方法及装置 | |
US11318616B2 (en) | Robotic digital twin control with industrial context simulation | |
US20210299860A1 (en) | Method and system for robot action imitation learning in three-dimensional space | |
Khalil et al. | Dexterous robotic manipulation of deformable objects with multi-sensory feedback-a review | |
CN107433590A (zh) | 机械臂负载质量和传感器零漂在线辨识的重力补偿方法 | |
Köker et al. | A neural-network committee machine approach to the inverse kinematics problem solution of robotic manipulators | |
CN108241296A (zh) | 学习组装动作的机器学习装置以及部件组装系统 | |
CN107179743A (zh) | 机器人控制装置、信息处理装置以及机器人系统 | |
Jamone et al. | Incremental learning of context-dependent dynamic internal models for robot control | |
CN113510698B (zh) | 一种机械臂控制方法、装置、机械臂和可读存储介质 | |
CN109693234A (zh) | 机器人跌倒预测方法、装置、终端设备及计算机存储介质 | |
Xu et al. | The design of a neural network-based adaptive control method for robotic arm trajectory tracking | |
Yu et al. | Roboassembly: Learning generalizable furniture assembly policy in a novel multi-robot contact-rich simulation environment | |
Hebecker et al. | Towards real-world force-sensitive robotic assembly through deep reinforcement learning in simulations | |
Leyendecker et al. | Deep Reinforcement Learning for Robotic Control in High-Dexterity Assembly Tasks—A Reward Curriculum Approach | |
CN109190282B (zh) | 一种闭链机构的装配调整方法及其控制装置、机械装置 | |
CN111712357A (zh) | 用于确定机器人装置的优化移动序列的方法和设备 | |
CN107696034A (zh) | 一种针对工业机器人的错误自主恢复方法 | |
Goins et al. | Implementation of a gaussian process-based machine learning grasp predictor | |
Ficuciello et al. | Learning grasps in a synergy-based framework | |
Esfandiari et al. | Robust nonlinear neural network-based control of a haptic interaction with an admittance type virtual environment | |
Avanzato | Development of a MATLAB/ROS Interface to a Low-cost Robot Arm | |
Guerra-Zubiaga et al. | Computer vision and machine learning to create an advanced pick-and-place robotic operation using industry 4.0 Trends | |
CN115488920A (zh) | 一种机械臂随动吊挂系统的平衡力参数优化设计方法 | |
Gonçalves et al. | Learning policies for attentional control |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181026 |
|
RJ01 | Rejection of invention patent application after publication |