CN109720431B - 一种爬壁机器人及其主动粘附控制方法 - Google Patents

一种爬壁机器人及其主动粘附控制方法 Download PDF

Info

Publication number
CN109720431B
CN109720431B CN201910155999.XA CN201910155999A CN109720431B CN 109720431 B CN109720431 B CN 109720431B CN 201910155999 A CN201910155999 A CN 201910155999A CN 109720431 B CN109720431 B CN 109720431B
Authority
CN
China
Prior art keywords
adhesion
wall
magnetic
climbing robot
spherical tank
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
CN201910155999.XA
Other languages
English (en)
Other versions
CN109720431A (zh
Inventor
孙磊
王凯
刘朝华
祁宇明
邓三鹏
周旺发
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.)
Tianjin University of Technology
Original Assignee
Tianjin University of Technology
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 Tianjin University of Technology filed Critical Tianjin University of Technology
Priority to CN201910155999.XA priority Critical patent/CN109720431B/zh
Publication of CN109720431A publication Critical patent/CN109720431A/zh
Application granted granted Critical
Publication of CN109720431B publication Critical patent/CN109720431B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Abstract

一种爬壁机器人，安装有4个磁轮，分别由环形铷磁铁、钢盘和轮毂构成；所述环形铷磁铁和钢盘形成嵌套式结构，应用于大型球形储罐的探伤爬壁机器人的主动粘附控制领域中，利用磁粘附力主动控制策略，借助反向传播神经网络，通过主动粘附控制方法实现自动实时监测及磁粘附力的控制；其结构简单，操作方便，精度高，抗干扰能力强。

Description

一种爬壁机器人及其主动粘附控制方法
(一)技术领域：
本发明涉及机器人技术领域，具体涉及一种爬壁机器人及其主动粘附控制方法。
(二)背景技术：
传统的对于液化石油气(LPG——Liquefied Petroleum Gas)球形储罐等大型罐体表面的故障检测，仍是检测人员在罐内手握超声检测设备，沿着支架进行逐层检测，该种方式劳动强度大、检测效率低、安全性差。为减轻检测过程中的人工检测风险，提高检测效率，可携带检测设备的探伤爬壁机器人得到了广泛应用。
探伤爬壁机器人通常需要搭载检测设备在球罐表面按照预定路径进行扫描式检测，需要具备稳定的粘附能力且较高的灵活性，保证能够快速到达待检测区域或者快速完成被检测区域的扫描。对于球罐的不同位置以及不同的检测任务，保证爬壁机器人可靠吸附需要的磁粘附力是不同的，磁粘附力的过大过小会直接影响到爬壁机器人的灵活性。
然而，金属表面通常存在非模态扰动因素，如表面不规则，锈尘，焊缝等，可以改变磁粘附力，因此需要对其进行积极地控制，以保持轨迹跟踪所需的力平衡。
解决这个问题的一种方法是通过永磁体和表面之间的距离变化来离散地控制磁粘附力，这种方法由于磁体的非线性行为，即磁体与表面间隙的小幅度增加，使磁粘附力大大降低，因而无法快速、精确的调整磁体的磁粘附力，此外，车轮与表面的间隙并不是降低磁粘附力的唯一途径，表面材料的磁性特征与表面厚度等因素也会降低磁粘附力。
针对现有技术的不足，目前亟需一种保证爬壁机器人稳定运行，自动实时监测并精确控制磁粘附力的主动粘附控制方法。
(三)发明内容：
本发明的目的在于提供一种爬壁机器人及其主动粘附控制方法，它可以克服现有技术的不足，是一种结构简单容易实现和推广应用的爬壁机器人，特别适合作为大型球形储罐的探伤爬壁机器人的主动粘附控制方法，该方法简单易行，且可以有效解决机器人的主动粘附的问题。
本发明的技术方案：一种爬壁机器人，其特征在于所述爬壁机器人上安装有4个车轮；所述4个车轮均为磁轮，每个磁轮均由环形铷磁铁、钢盘和轮毂构成；所述环形铷磁铁和钢盘形成嵌套式结构，其中，所述环形铷磁铁是由环形铷磁铁I和环形铷磁铁II构成，所述钢盘是由钢盘I和钢盘II构成；所述钢盘I和钢盘II位于环形铷磁铁I和环形铷磁铁II之间；所述轮毂与环形铷磁铁以及钢盘之间通过低通磁导率的螺钉连接；所述轮毂置于环形铷磁铁外侧。
所述环形铷磁铁、钢盘和轮毂共同构成嵌套式组件结构的车轮，其外部覆盖有高硬度聚氨酯橡胶材料，组成粘附磁轮结构。
所述4个车轮均为无源永磁体式磁轮；由于爬壁机器人在球罐内执行检测任务时，表面粘附直接取决于重力沿接触表面的法相分量FN的影响；然而，爬壁机器人通常具有平行于接触面的自由度，法向力一定程度上可限制机器人的粘附，为避免这种影响，可采用主动重力补偿器通过爬壁机器人的磁轮与球罐内表面接触的方式，以消除法向力的影响；但通过永磁体的粘附方式无法实现对表面粘附力的主动控制，当发生干扰时，机器人仍有坠落的风险；因此，为了防止此现象发生，采用粘附力主动控制策略，使用无源永磁体作为支撑，通过电磁铁主动控制磁粘附力干扰。
所述爬壁机器人的4个磁轮中，同侧两个磁轮通过履带连接，由一个电机驱动一侧依履带连接的两个磁轮，从而通过两个电机驱动4个磁轮。
所述磁轮可提供45kgf磁粘附力，使机器人能承受自身重量及检测设备。
一种爬壁机器人主动粘附控制方法，其特征在于它包括以下步骤：
(1)将机器人设置在平地上，进行准备工作，由爬壁机器人本体上部的压力传感器对机器人的载重信息进行检测，将检测数据传输至控制器，并由控制器依据此压力数据计算出机器人装载物品后的总重力，将结果进行存储，保证不超过机器人的最大载重；
(2)将爬壁机器人置于待检测球罐表面，启动系统控制器，根据待测球罐表面情况输入爬壁机器人所需跟踪轨迹，使其按照规定的轨迹运行在球罐表面执行检测任务；
(3)爬壁机器人运行过程中，由车轮执行器负责产生系统的运动力矩，此运动力矩用于保证能够对抗爬壁机器人在摩擦力和重力的表面分量作用下移动机器人；
所述步骤(3)中运动力矩是用于重力补偿的力矩，是由主动重力补偿器利用惯性导航系统反演爬壁机器人的刚体加速度和方位信息，从而确定实际重力对执行器旋转方向的影响；由加速度计得到的加速度测量值；由陀螺仪获取的爬壁机器人的刚体空间方向；根据牛顿运动定律可得到加速度测量值和刚体空间方向之间的相关性，进而确定具有重力主动补偿的力矩，如公式(3-1)所示：
Figure BDA0001982919560000041
其中，
Figure BDA0001982919560000042
是转动惯量的实分量的矩阵，
Figure BDA0001982919560000043
是实分量的向心矩阵和科里奥利矩阵，
Figure BDA0001982919560000044
是表面摩擦的实分量，
Figure BDA0001982919560000045
是加速度计/陀螺仪传感器融合的真实重力分量，φ是由陀螺仪测量的刚体的空间方位矢量，
Figure BDA0001982919560000046
是被测刚体的角速度矢量，
Figure BDA0001982919560000047
是由车轮编码器测量的电机加速度，
Figure BDA0001982919560000048
是被测电机的速度；
所述步骤(3)中的加速度计是三自由度加速度计；所述陀螺仪是三自由度陀螺仪。
(4)爬壁机器人在球罐内执行检测任务时，表面粘附直接取决于重力沿接触表面的法相分量FN的影响；然而，爬壁机器人通常具有平行于接触面的自由度，法向力反而会影响爬壁机器人的粘附效果；为避免这种影响，所述步骤(3)中主动重力补偿器通过磁轮这种永磁体方式与球罐内表面接触，以消除法向力的影响；但通过永磁体的粘附方式不允许采用主动控制的方式对表面粘附力进行控制，因此，当发生干扰时，爬壁机器人仍有坠落的风险；防止此现象的方法是采用粘附力主动控制策略，使用无源永磁体作为支撑，通过电磁铁的特性对磁粘附力干扰进行主动控制；
根据牛顿运动定律建立爬壁机器人在球罐内部的表面粘附力方程，如公式(4-1)所示：
FAdh(t+1)＝FN(φ)-FP(t)-FA(t)+Fdist(t) (4-1)
其中，FN是测量的球罐内表面垂直于机身方向的法向力，FP是永磁体的无源力，FA电磁铁的作用力，Fdist是干扰力；
(5)随着爬壁机器人位置的变化，其表面磁粘附力的极限是机器人与球罐表面平面垂直的力的平衡，即：∑Fz＝0；如果达到了这个平衡的极限情况，任何干扰力的产生都会使机器人掉落，因此，需设置最小磁粘附力极限∑Fz＝Fdesired，并将此最小磁粘附力极限作为粘附力主动控制的参考值；
建立主动粘附控制系统的模型，如式(5-1)所示，
Figure BDA0001982919560000051
其中，Fdes是最小磁粘附力的极限，KA是粘附增益，
Figure BDA0001982919560000052
是粘附误差；
所述主动粘附控制能够通过爬壁机器人的控制器对电磁铁控制，使机器人整体的磁粘附力保持超过其最小粘附极限值；
(6)爬壁机器人沿着设定轨迹在球罐内部运动时，由距离探测器检测爬壁机器人本体底部距离球罐表面的距离，并将所测得的距离信息传输至控制器；车轮的磁粘附力直接受车轮到球罐表面的距离的影响，当间隙为空时，磁粘附力最大，当间隙为非空时，则会产生相应的粘附损失，且当车轮与球罐表面之间的间隙稍微增大时，磁粘附力将会大大减小；构建能够识别磁场模式的反向传播神经网络(Back Propagation Neural Network，BPNN)模型，使磁场模式与磁粘附力之间具有相关性；
当球罐表面无扰动时，此时车轮与球罐表面的磁场模式保持稳定状态，主动粘附控制系统会根据当前磁场模式来选择电磁铁的工作模式，使电磁铁保持关闭状态；
当球罐表面存在扰动时，车轮与球罐表面距离发生变化，导致车轮与球罐表面的磁场模式发生变化，反向传播神经网络模型会根据磁场模式的变化提前预测磁粘附力的变化，进行粘附损失的早期估计，然后反馈给主动粘附控制系统一个控制信号，使电磁铁保持工作状态，提供所需的磁粘附力以应对表面扰动；
所述步骤(6)中球罐表面存在的扰动是球罐表面的焊缝扰动；当爬壁机器人越过焊缝时，车轮与球罐表面距离发生变化，导致车轮与球罐表面的磁场模式发生变化。
所述步骤(6)中的反向传播神经网络是可以被训练的神经网络，其训练目标是二元的，训练后可以用作识别车轮的磁粘附力的损失与否；所述反向传播神经网络的输出若为“0”，则表示粘附稳定，若输出为“1”则表示磁粘附力有损失的趋势，即：当磁粘附力略有降低时，即便爬壁机器人的实际磁粘附力还没有发生变化，利用磁场模式的变化也足以使反向传播神经网络产生0到1之间的输出，随着时间的推移，将得到粘附力损失的趋势。
所述步骤(6)中利用反向传播神经网络进行粘附损失早期估计的方法主要由两个阶段构成，即：激励传播与权重更新；
第1阶段：激励传播；每次迭代中的传播环节包含两步：
①前向传播阶段，将训练集输入网络以获得激励响应；
②反向传播阶段，将前向传播阶段中得到的激励响应同训练输入对应的目标输出求差，从而获得隐层和输出层的响应误差；
第2阶段：权重更新，对于每个突触上的权重，按照以下步骤进行更新：
①将输入激励和响应误差相乘，从而获得权重的梯度；
②由于训练因子将会影响到训练过程的速度和效果，梯度的方向则可以指明误差扩大的方向，因此在更新权重的时候需要对其取反，从而减小权重引起的误差；故将步骤①中得到的这个梯度乘上训练因子并取反后加到权重上；
所述第1阶段和第2阶段进行反复循环迭代，直到网络的对输入的响应达到满意的预定的目标范围为止。
所述步骤(6)中的反向传播神经网络模型是一个多层感知器，只有一个隐含层，包括输入层、隐含层、输出层以及输出量，其中输入层接收来自惯性导航传感器的输入数据，隐含层由感知神经元组成，根据实际需要选择神经元数量；该网络的主要特点是输入信号前向传递，误差信号反省传播，在前向传递过程中，输入信号从输入层经隐含层逐层处理，每一层的神经元状态只影响下一层神经元状态；如果输出层得不到期望输出，则转入反向传播，根据预测误差调整网络权值和阈值，从而使反向传播神经网络预测输出不断逼近期望输出；采用弹性反向传播方法对神经网络进行训练，训练集由从脱离测试中获得的测试数据组成，旨在构建能够识别磁场分布模式的反向传播神经网络模型，使磁场模式与磁粘附力之间具有相关性；爬壁机器人通过焊缝时，车轮与球罐表面距离发生变化，导致车轮与球罐表面的磁场模式发生变化，网络接收来自惯性导航传感器的输入数据，输入数据通过隐含层的预处理，反向传播神经网络模型会根据磁场模式的变化提前预测磁粘附力的变化，进行粘附损失的早期估计，输出显示在每个车轮上发生磁粘附力损失，在粘附损耗发生前后会产生较小的响应，从而产生必要的预测信号。
所述一种爬壁机器人主动粘附控制方法可应用于大型球形储罐的探伤爬壁机器人的主动粘附控制领域中。
本发明的工作原理：爬壁机器人带被动永磁体结构，即它的车轮为磁轮，用于避免当爬壁机器人在球罐内运行时，爬壁机器人的重力相对接触表面的法向力FN对其表面粘附的影响，以消除引力。当爬壁机器人在球罐内运行时，其表面粘附直接取决于爬壁机器人的重力对接触表面对法向力(FN)的影响，为了避免这种影响，使用被动永磁体(即磁轮)与表面接触，以消除引力，如图4所示。
爬壁机器人表面磁粘附力通过牛顿运动定律设计，随着机器人位置的变化，其极限是与刚体表面平面垂直的力的平衡(∑Fz＝0)，在平衡的情况下，任何干扰力都会使机器人掉落。为了避免这些影响，建立该系统的最小磁粘附力极限，即控制器的参考值是最小粘着极限(∑Fz＝Fdesired)。控制策略使用电磁铁来保持超过最小极限(Fdes)的磁粘附力。
对于磁轮爬壁机器人，一些应用侧重于具有开环策略的无源磁性粘附方法，这些方法容易受到干扰而产生错误。由于磁体的非线性行为，传统的通过分析距离传感器产生的数据信号来估计粘附损失的方法，无法对粘附损失进行足够的早期估计，由于诸多因素的影响，车轮与球罐表面之间的间隙稍微增大，就会大大减少粘附力。为防止干扰产生的这种影响，本发明使用了一种反向传播神经网络的粘附力主动控制策略，来对粘附损失进行早期估计，目的是构建一个能够识别磁场分布模式的反向传播神经网络，使磁场模式与磁粘附力之间具有相关性，使用被动永磁体作为支撑，使用一个电磁体作为粘附扰动的主动控制，其目标是确保所需的磁粘附力，并尽量减少惯性分量，从而提高爬壁机器人的机动性。
本发明的优越性：
针对传统的永磁吸附方式，其磁粘附力不可调整，不能根据爬壁机器人状态实时变化，导致爬壁机器人时刻都要承受满足其最大负载状态的磁粘附力，进而影响到爬壁机器人的移动灵活性。同时，电磁吸附方式磁体与壁面离合容易，磁粘附力可调整，但维持磁粘附力需消耗电能，一旦断电将失去吸附能力。本发明提出一种主动粘附控制方法，使用被动永磁体作为支撑，避免了一旦断电导致爬壁机器人失去磁粘附力而掉落的问题，使用一个电磁体作为粘附扰动的主动控制，其目标是确保爬壁机器人运动过程中所需的磁粘附力，并尽量减少惯性分量，粘附稳定器便于在导航过程中运动学和动力学变量并对其进行实时补偿，使用反向传播神经网络对粘附损失进行足够的早期估计,即使在极端情况下也能确保良好的粘附控制，有效地提高爬壁机器人的稳定性与机动性。
(四)附图说明：
图1为本发明所涉一种爬壁机器人的整体结构示意图。
图2为本发明所涉一种爬壁机器人的磁轮结构装配图。
图3为本发明所涉一种爬壁机器人的主动粘附控制方法中主动重力补偿下受力分析原理示意图。
图4为本发明所涉一种爬壁机器人的主动粘附控制方法中机器人通过永磁体消除重力分量的原理示意图。
图5为本发明所涉一种爬壁机器人的主动粘附控制方法中主动粘附控制中的力平衡原理示意图。
图6为本发明所涉一种爬壁机器人的主动粘附控制方法中主动粘附控制系统示意图；其中包括主动重力补偿模块以及粘附稳定器子系统，主动重力补偿模块用以补偿爬壁机器人运动过程中产生的运动力矩，粘附稳定器子系统用于爬壁机器人的主动粘附控制。
图7为本发明所涉一种爬壁机器人的主动粘附控制方法中反向传播神经网络模型结构示意图。其中，表1为BPNN各个输入参数的含义解释。
图8为本发明所涉一种爬壁机器人的主动粘附控制方法中通过识别磁场模式电磁铁工作情况的原理示意图。
其中，1为环形铷磁铁；1-1为环形铷磁铁I；1-2为环形铷磁铁II；2为钢盘；2-1为钢盘I；2-2为钢盘II；3为螺钉；4为轮毂；5为聚氨酯橡胶材料。
(五)具体实施方式：
实施例：一种爬壁机器人，如图1所示，其特征在于所述爬壁机器人上安装有四个车轮；所述4个车轮均为磁轮，每个磁轮均由环形铷磁铁1、钢盘2和轮毂4构成，如图2所示；所述环形铷磁铁1和钢盘2形成嵌套式结构，其中，所述环形铷磁铁1是由环形铷磁铁I1-1和环形铷磁铁II1-2构成，所述钢盘2是由钢盘I2-1和钢盘II2-2构成；所述钢盘I2-1和钢盘II2-2位于环形铷磁铁I1-1和环形铷磁铁II1-2之间；所述轮毂4与环形铷磁铁1以及钢盘2之间通过低通磁导率的螺钉3连接；所述轮毂4环形铷磁铁II1-2外侧。
所述环形铷磁铁1、钢盘2和轮毂4共同构成嵌套式组件结构的车轮，其外部覆盖有高硬度聚氨酯橡胶材料5，组成粘附磁轮结构。
所述4个车轮均为无源永磁体式磁轮；由于爬壁机器人在球罐内执行检测任务时，表面粘附直接取决于重力沿接触表面的法相分量FN的影响；然而，爬壁机器人通常具有平行于接触面的自由度，法向力一定程度上可限制机器人的粘附，为避免这种影响，可采用主动重力补偿器通过爬壁机器人的磁轮与球罐内表面接触的方式，以消除法向力的影响；但通过永磁体的粘附方式无法实现对表面粘附力的主动控制，当发生干扰时，机器人仍有坠落的风险；因此，为了防止此现象发生，采用磁粘附力主动控制策略，使用无源永磁体作为支撑，通过电磁铁主动控制磁粘附力干扰。
所述爬壁机器人的4个磁轮中，同侧两个磁轮通过履带连接，由一个电机驱动一侧依履带连接的两个磁轮，从而通过两个电机驱动四个磁轮；所述磁轮可提供45kgf磁粘附力，使机器人能承受自身重量及检测设备。
一种爬壁机器人主动粘附控制方法，其特征在于它包括以下步骤：
(1)将机器人设置在平地上，进行准备工作，由爬壁机器人本体上部的压力传感器对机器人的载重信息进行检测，将检测数据传输至控制器，并由控制器依据此压力数据计算出机器人装载物品后的总重力，将结果进行存储，保证不超过机器人的最大载重；
(2)将爬壁机器人置于待检测球罐表面，启动系统控制器，根据待测球罐表面情况输入爬壁机器人所需跟踪轨迹，使其按照规定的轨迹运行在球罐表面执行检测任务；
(3)爬壁机器人运行过程中，由车轮执行器负责产生系统的运动力矩，此运动力矩用于保证能够对抗爬壁机器人在摩擦力和重力的表面分量作用下移动机器人，如图3所示；
所述步骤(3)中运动力矩是用于重力补偿的力矩，是由主动重力补偿器利用惯性导航系统反演爬壁机器人的刚体加速度和方位信息，从而确定实际重力对执行器旋转方向的影响；由加速度计得到的加速度测量值；由陀螺仪获取的爬壁机器人的刚体空间方向；根据牛顿运动定律可得到加速度测量值和刚体空间方向之间的相关性，进而确定具有重力主动补偿的力矩，如公式(3-1)所示：
Figure BDA0001982919560000121
其中，
Figure BDA0001982919560000122
是转动惯量的实分量的矩阵，
Figure BDA0001982919560000123
是实分量的向心矩阵和科里奥利矩阵，
Figure BDA0001982919560000124
是表面摩擦的实分量，
Figure BDA0001982919560000125
是加速度计/陀螺仪传感器融合的真实重力分量，φ是由陀螺仪测量的刚体的空间方位矢量，
Figure BDA0001982919560000126
是被测刚体的角速度矢量，
Figure BDA0001982919560000127
是由车轮编码器测量的电机加速度，
Figure BDA0001982919560000128
是被测电机的速度；
所述步骤(3)中的加速度计是三自由度加速度计；所述陀螺仪是三自由度陀螺仪。
(4)爬壁机器人在球罐内执行检测任务时，表面粘附直接取决于重力沿接触表面的法相分量FN的影响；然而，爬壁机器人通常具有平行于接触面的自由度，法向力反而会影响爬壁机器人的粘附效果；为避免这种影响，所述步骤(3)中主动重力补偿器通过磁轮这种永磁体方式与球罐内表面接触，以消除法向力的影响；但通过永磁体的粘附方式不允许采用主动控制的方式对表面粘附力进行控制，因此，当发生干扰时，爬壁机器人仍有坠落的风险；防止此现象的方法是采用磁粘附力主动控制策略，使用无源永磁体作为支撑，通过电磁铁的特性对磁粘附力干扰进行主动控制；
根据牛顿运动定律建立爬壁机器人在球罐内部的表面粘附力方程，如公式(4-1)所示：
FAdh(t+1)＝FN(φ)-FP(t)-FA(t)+Fdist(t) (4-1)
其中，FN是测量的球罐内表面垂直于机身方向的法向力，FP是永磁体的无源力，FA电磁铁的作用力，Fdist是干扰力；
(5)随着爬壁机器人位置的变化，其表面磁粘附力的极限是机器人与球罐表面平面垂直的力的平衡，即：∑Fz＝0；如果达到了这个平衡的极限情况，任何干扰力的产生都会使机器人掉落，因此，需设置最小磁粘附力极限∑Fz＝Fdesired，并将此最小磁粘附力极限作为粘附力主动控制的参考值；
建立主动粘附控制系统的模型，如式(5-1)所示，
Figure BDA0001982919560000131
其中，Fdes是最小磁粘附力的极限，KA是粘附增益，
Figure BDA0001982919560000132
是粘附误差；
所述主动粘附控制能够通过爬壁机器人的控制器对电磁铁控制，使机器人整体的磁粘附力保持超过其最小粘附极限值，主动粘附控制系统如图6所示；
(6)爬壁机器人沿着设定轨迹在球罐内部运动时，由距离探测器检测爬壁机器人本体底部距离球罐表面的距离，并将所测得的距离信息传输至控制器；车轮的磁粘附力直接受车轮到球罐表面的距离的影响，当间隙为空时，磁粘附力最大，当间隙为非空时，则会产生相应的粘附损失，且当车轮与球罐表面之间的间隙稍微增大时，磁粘附力将会大大减小；构建能够识别磁场分布模式的反向传播神经网络模型，使磁场模式与磁粘附力之间具有相关性，其目标行为如图8所示；
当球罐表面无扰动时，此时车轮与球罐表面的磁场模式保持稳定状态，主动粘附控制系统会根据当前磁场模式来选择电磁铁的工作模式，使电磁铁保持关闭状态；
当球罐表面存在扰动时，车轮与球罐表面距离发生变化，导致车轮与球罐表面的磁场模式发生变化，反向传播神经网络模型会根据磁场模式的变化提前预测磁粘附力的变化，进行粘附损失的早期估计，然后反馈给主动粘附控制系统一个控制信号，使电磁铁保持工作状态，提供所需的磁粘附力以应对表面扰动；
所述步骤(6)中球罐表面存在的扰动是球罐表面的焊缝扰动；当爬壁机器人越过焊缝时，车轮与球罐表面距离发生变化，导致车轮与球罐表面的磁场模式发生变化。
所述步骤(6)中的反向传播神经网络是可以被训练的神经网络，其训练目标是二元的，训练后可以用作识别车轮的磁粘附力的损失与否；所述反向传播神经网络的输出若为“0”，则表示粘附稳定，若输出为“1”则表示磁粘附力有损失的趋势，即：当粘附力略有降低时，即便爬壁机器人的实际磁粘附力还没有发生粘附力的变化，利用磁场的变化也足以使反向传播神经网络产生0到1之间的输出，随着时间的推移，将得到粘附力损失的趋势。
所述步骤(6)中利用反向传播神经网络进行粘附损失早期估计的方法主要由两个阶段构成，即：激励传播与权重更新；
第1阶段：激励传播；每次迭代中的传播环节包含两步：
①前向传播阶段，将训练集输入网络以获得激励响应；
②反向传播阶段，将前向传播阶段中得到的激励响应同训练输入对应的目标输出求差，从而获得隐层和输出层的响应误差；
第2阶段：权重更新，对于每个突触上的权重，按照以下步骤进行更新：
①将输入激励和响应误差相乘，从而获得权重的梯度；
②由于训练因子将会影响到训练过程的速度和效果，梯度的方向则可以指明误差扩大的方向，因此在更新权重的时候需要对其取反，从而减小权重引起的误差；故将步骤①中得到的这个梯度乘上训练因子并取反后加到权重上；
所述第1阶段和第2阶段进行反复循环迭代，直到网络的对输入的响应达到满意的预定的目标范围为止。
所述步骤(6)中的反向传播神经网络模型是一个多层感知器，只有一个隐含层，包括输入层、隐含层、输出层以及输出量，其中输入层接收来自惯性导航传感器的9个输入数据，隐含层由感知神经元组成，根据实际需要选择神经元数量；该网络的主要特点是输入信号前向传递，误差信号反省传播，在前向传递过程中，输入信号从输入层经隐含层逐层处理，每一层的神经元状态只影响下一层神经元状态；如果输出层得不到期望输出，则转入反向传播，根据预测误差调整网络权值和阈值，从而使反向传播神经网络预测输出不断逼近期望输出；采用弹性反向传播方法对神经网络进行训练，训练集由从几次脱离测试中获得的192105个数据组成，旨在构建能够识别磁场力分布的反向传播神经网络模型，使磁场力与磁粘附力之间具有相关性；爬壁机器人通过焊缝时，车轮与球罐表面距离发生变化，导致车轮与球罐表面的磁场模式发生变化，网络接收来自惯性导航传感器的9个输入，这些输入数据通过隐含层的预处理，反向传播神经网络模型会根据磁场模式的变化提前预测磁粘附力的变化，进行粘附损失的早期估计，输出显示在每个车轮上发生磁粘附力损失，在粘附损耗发生前后会产生较小的响应，从而产生必要的预测信号。
所述一种爬壁机器人主动粘附控制方法可应用于大型球形储罐的探伤爬壁机器人的主动粘附控制领域中。
图1为本发明所涉一种爬壁机器人的整体结构示意图，其中XR-YR-ZR为机器人坐标系，XG-YG-ZG为世界坐标系，车轮依次编号1、2、3、4。
图2为本发明所涉一种爬壁机器人的磁轮结构装配图，其中1-1、1-2为环形铷磁铁，2-1、2-2为两个嵌入式结构的钢盘，3为螺钉，4为轮毂，位于铷磁铁1-2外侧，5为高硬度聚氨酯橡胶材料。
图3为本发明所涉一种爬壁机器人的主动粘附控制方法中主动重力补偿下受力分析原理示意图，其中x-y-z为机器人坐标系，AGC为主动重力补偿，Ffric为摩擦力，Gx为重力沿球罐表面分量，τ为运动力矩。
图4为本发明所涉一种爬壁机器人的主动粘附控制方法中机器人通过永磁体消除重力分量的原理示意图，其中Fp为磁轮的磁粘附力，Gz为垂直球罐表面的重力分量，FN为垂直球罐表面的正压力。
图5为本发明所涉一种爬壁机器人的主动粘附控制方法中主动粘附控制中的力平衡原理示意图，其中FA为用于主动粘附控制的电磁铁磁粘附力。
图6为本发明所涉一种爬壁机器人的主动粘附控制方法中主动粘附控制系统示意图；其中包括主动重力补偿模块以及粘附稳定器子系统，主动重力补偿模块用以补偿爬壁机器人运动过程中产生的运动力矩，粘附稳定器子系统用于爬壁机器人的主动粘附控制。
图7为本发明所涉一种爬壁机器人的主动粘附控制方法中反向传播神经网络模型结构示意图。其中方块表示来自惯性导航传感器的9个输入数据，圆圈表示感知神经元，用于模拟选择神经元数量和隐层数，表1为BPNN各个输入参数的含义解释。
图8为本发明所涉一种爬壁机器人的主动粘附控制方法中通过识别磁场模式电磁铁工作情况的原理示意图。
下面结合具体实施例，进行比较详细的阐述。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。在阅读了本发明讲述的具体步骤和相关内容之后，相关技术人员可以对本发明作各种改动或应用，这些等价形式同样属于本申请所附权利要求书所限定的范围。
本发明为一种爬壁机器人主动粘附控制方法，应用环境为液化石油气球形储罐等大型罐体壁面，包括爬壁机器人、控制器、吸附装置、驱动装置、磁力检测装置、距离探测器，考虑到实际工程需要，爬壁机器人采用差速轮系结构以保证一定的越障能力，吸附装置包括磁轮永磁吸附装置和电磁吸附装置，电磁铁置于机器人底盘中心，且与四个车轮等距，驱动装置与电磁铁相连，磁力检测装置采用三轴磁力计用于磁轮的磁力检测。
爬壁机器人简单结构示意图如图1所示，所提出的机械设计位于四个不对齐的磁轮上，每两个磁轮设置在两个平行轴，防止爬壁机器人在跨越障碍物时车轮1、3，或是车轮2、4同时离开球罐表面，保障了一定的越障能力。所述4个车轮均为磁轮，如图2所示，所述环形铷磁铁1和钢盘2形成嵌套式结构，其中，所述环形铷磁铁1是由环形铷磁铁I1-1和环形铷磁铁II1-2构成，所述钢盘2是由钢盘I2-1和钢盘II2-2构成；所述钢盘I2-1和钢盘II2-2位于环形铷磁铁I1-1和环形铷磁铁II1-2之间；所述轮毂4与环形铷磁铁1以及钢盘2之间通过低通磁导率的螺钉3连接；所述轮毂4置于环形铷磁铁1外侧。
由重力产生的表面扰动通过主动重力补偿器抵消，磁粘附力由磁轮提供，保证爬壁机器人在断电情况下不会掉落，其余所需磁粘附力由电磁吸附装置提供，保证机器人的稳定运行。电磁吸附装置安装在爬壁机器人底盘中心位置，且与四个车轮等距，该装置最大驱动容量为12V-1A，可提供80kgf的磁粘附力。
首先进行爬壁机器的准备工作,先将机器人设置在平地上,由爬壁机器人本体上部的压力传感器对机器人的载重信息进行检测，将检测数据传输至控制器，并由控制器依据此压力数据计算出机器人装载物品后的总重力，将结果进行存储，保证不超过机器人的最大载重。然后将机器人置于待检测球罐表面，使其稳定吸附于球罐表面，保证机器人不会滑落。启动系统控制器，根据待测球罐表面情况输入爬壁机器人所需跟踪轨迹，使其按照规定的轨迹运行在球罐表面执行检测任务。
爬壁机器人运行过程中，由车轮执行器负责产生系统的运动力矩，此运动力矩用于保证能够对抗爬壁机器人在摩擦力和重力的表面分量作用下移动机器人，如图3所示；
机器人在球罐表面运行中，随着机器人位置的不断变化，重力成为影响粘附力的一个主要因素，此时主动重力补偿器利用惯性导航系统(由加速度计和陀螺仪组成)反演刚体的加速度和方位信息，确定实际重力对执行器旋转方向的影响。由三自由度加速度计(通过牛顿运动定律)得到的加速度测量值与通过三自由度陀螺仪获得的刚体空间方向之间的相关性，确定具有重力主动补偿的力矩，通过被动永磁体(即磁轮)与表面接触，消除重力分量的影响。
机器人运行过程中，磁轮足够靠近罐体表面时，就会形成改变磁力线方向的磁路，距离探测器检测本体底部距离球罐表面的距离,并将距离信息传输至控制器，当机器人越过球罐内焊缝时，车轮与表面间隙的增大，磁场线开始改变其趋向于静止的方向，就像磁铁处于无铁磁性的相互作用环境一样。实验过程中通过三轴磁力计获取磁性轮廓，可清楚地显示出磁力计检测到的磁场模式与机器人粘附条件之间的相关性。因此，磁场分析为粘附力估计提供了可行性。
为了保证爬壁机器人可以提前应对扰动而防止坠落，需要对粘附损失进行足够的早期预测，这里通过所设计的反向传播神经网络模型来识别磁轮的磁粘附力损失，所述反向传播神经网络模型是一个多层感知器，只有一个隐含层，包括输入层、隐含层、输出层以及输出量，其中输入层接收来自惯性导航传感器的9个输入数据，隐含层由感知神经元组成，根据实际需要选择神经元数量。该网络的主要特点是输入信号前向传递，误差信号反省传播，在前向传递过程中，输入信号从输入层经隐含层逐层处理，每一层的神经元状态只影响下一层神经元状态。如果输出层得不到期望输出，则转入反向传播，根据预测误差调整网络权值和阈值，从而使反向传播神经网络预测输出不断逼近期望输出。这里采用弹性反向传播方法对神经网络进行训练，训练集由从100次脱离测试中获得的192105个数据组成，旨在构建能够识别磁场分布模式的反向传播神经网络模型，使磁场模式与磁粘附力之间具有相关性。车轮与球罐表面距离发生变化，导致车轮与球罐表面的磁场模式发生变化，反向传播神经网络模型会提前预测磁场模式的变化，进行粘附损失的早期估计，然后反馈给主动粘附控制系统一个控制信号，使电磁铁保持工作状态，提供所需的磁粘附力以应对表面扰动，此时爬壁机器人受力情况如图5所示。由于车轮的动态行为，磁粘附力随时间的变化而变化，神经网络模型估计的扰动强度信号连续变化。
同时，电磁铁控制系统的快速响应特性保证了机器人能够保持所规划的轨迹，通过分析磁场模式来估计机器人的磁粘附力，利用反向传播神经网络对机器人的粘附进行磁场分析，给控制策略提供合适的反馈信号，从而有效地驱动电磁铁提供所需的磁粘附力，保持机器人正常运行的安全附着水平。

Claims (9)

1.一种爬壁机器人，其特征在于所述爬壁机器人上安装有4个车轮；所述4个车轮均为磁轮，每个磁轮均由环形铷磁铁、钢盘和轮毂构成；所述环形铷磁铁和钢盘形成嵌套式结构，其中，所述环形铷磁铁是由环形铷磁铁I和环形铷磁铁II构成，所述钢盘是由钢盘I和钢盘II构成；所述钢盘I和钢盘II位于环形铷磁铁I和环形铷磁铁II之间；所述轮毂与环形铷磁铁以及钢盘之间通过低通磁导率的螺钉连接；所述轮毂置于环形铷磁铁外侧；所述4个车轮均为无源永磁体式磁轮；由于爬壁机器人在球罐内执行检测任务时，表面粘附直接取决于重力沿接触表面的法向分量FN的影响；然而，爬壁机器人通常具有平行于接触面的自由度，法向力一定程度上可限制机器人的粘附，为避免这种影响，可采用主动重力补偿器通过爬壁机器人的磁轮与球罐内表面接触的方式，以消除法向力的影响；但通过永磁体的粘附方式无法实现对表面粘附力的主动控制，当发生干扰时，机器人仍有坠落的风险；因此，为了防止此现象发生，采用粘附力主动控制策略，使用无源永磁体作为支撑，通过电磁铁主动控制磁粘附力干扰。
2.根据权利要求1所述一种爬壁机器人，其特征在于所述环形铷磁铁、钢盘和轮毂共同构成嵌套式组件结构的车轮，其外部覆盖有高硬度聚氨酯橡胶材料，组成粘附磁轮结构。
3.根据权利要求1所述一种爬壁机器人，其特征在于所述爬壁机器人的4个磁轮中，同侧两个磁轮通过履带连接，由一个电机驱动一侧依履带连接的两个磁轮，从而通过两个电机驱动4个磁轮；所述磁轮可提供45kgf磁粘附力，使机器人能承受自身重量及检测设备。
4.一种权利要求1所述爬壁机器人的主动粘附控制方法，其特征在于它包括以下步骤：
(1)将机器人设置在平地上，进行准备工作，由爬壁机器人本体上部的压力传感器对机器人的载重信息进行检测，将检测数据传输至控制器，并由控制器依据此压力数据计算出机器人装载物品后的总重力，将结果进行存储，保证不超过机器人的最大载重；
(2)将爬壁机器人置于待检测球罐表面，启动系统控制器，根据待测球罐表面情况输入爬壁机器人所需跟踪轨迹，使其按照规定的轨迹运行在球罐表面执行检测任务；
(3)爬壁机器人运行过程中，由车轮执行器负责产生系统的运动力矩，此运动力矩用于保证能够对抗爬壁机器人在摩擦力和重力的表面分量作用下移动机器人；
(4)爬壁机器人在球罐内执行检测任务时，表面粘附直接取决于重力沿接触表面的法向分量FN的影响；然而，爬壁机器人通常具有平行于接触面的自由度，法向力反而会影响爬壁机器人的粘附效果；为避免这种影响，所述步骤(3)中主动重力补偿器通过磁轮这种永磁体方式与球罐内表面接触，以消除法向力的影响；但通过永磁体的粘附方式不允许采用主动控制的方式对表面粘附力进行控制，因此，当发生干扰时，爬壁机器人仍有坠落的风险；防止此现象的方法是采用粘附力主动控制策略，使用无源永磁体作为支撑，通过电磁铁的特性对磁粘附力干扰进行主动控制；
根据牛顿运动定律建立爬壁机器人在球罐内部的表面粘附力方程，如公式(4-1)所示：
FAdh(t+1)＝FN(φ)-FP(t)-FA(t)+Fdist(t) (4-1)
其中，FN是测量的球罐内表面垂直于机身方向的法向力，FP是永磁体的无源力，FA是电磁铁的作用力，Fdist是干扰力；
(5)随着爬壁机器人位置的变化，其表面磁粘附力的极限是机器人与球罐表面平面垂直的力的平衡，即：∑Fz＝0；如果达到了这个平衡的极限情况，任何干扰力的产生都会使机器人掉落，因此，需设置最小磁粘附力极限∑Fz＝Fdesired，并将此最小磁粘附力极限作为粘附力主动控制的参考值；
建立主动粘附控制系统的模型，如式(5-1)所示，
Figure FDA0003022004680000031
其中，Fdes是最小磁粘附力的极限，KA是粘附增益，
Figure FDA0003022004680000032
是粘附误差；
(6)爬壁机器人沿着设定轨迹在球罐内部运动时，由距离探测器检测爬壁机器人本体底部距离球罐表面的距离，并将所测得的距离信息传输至控制器；车轮的磁粘附力直接受车轮到球罐表面的距离的影响，当间隙为空时，磁粘附力最大，当间隙为非空时，则会产生相应的粘附损失，且当车轮与球罐表面之间的间隙稍微增大时，磁粘附力将会大大减小；构建能够识别磁场模式的反向传播神经网络模型，使磁场模式与磁粘附力之间具有相关性；
当球罐表面无扰动时，此时车轮与球罐表面的磁场模式保持稳定状态，主动粘附控制系统会根据当前磁场模式来选择电磁铁的工作模式，使电磁铁保持关闭状态；
当球罐表面存在扰动时，车轮与球罐表面距离发生变化，导致车轮与球罐表面的磁场模式发生变化，反向传播神经网络模型会根据磁场模式的变化提前预测磁粘附力的变化，进行粘附损失的早期估计，然后反馈给主动粘附控制系统一个控制信号，使电磁铁保持工作状态，提供所需的磁粘附力以应对表面扰动。
5.根据权利要求4所述一种爬壁机器人的主动粘附控制方法，其特征在于所述步骤(3)中运动力矩是用于重力补偿的力矩，是由主动重力补偿器利用惯性导航系统反演爬壁机器人的刚体加速度和方位信息，从而确定实际重力对执行器旋转方向的影响；由加速度计得到的加速度测量值；由陀螺仪获取的爬壁机器人的刚体空间方向；根据牛顿运动定律可得到加速度测量值和刚体空间方向之间的相关性，进而确定具有重力主动补偿的力矩，如公式(3-1)所示：
Figure FDA0003022004680000041
其中，
Figure FDA0003022004680000042
是转动惯量的实分量的矩阵，
Figure FDA0003022004680000043
是实分量的向心矩阵和科里奥利矩阵，
Figure FDA0003022004680000044
是表面摩擦的实分量，
Figure FDA0003022004680000045
是加速度计/陀螺仪传感器融合的真实重力分量，φ是由陀螺仪测量的刚体的空间方位矢量，
Figure FDA0003022004680000046
是被测刚体的角速度矢量，
Figure FDA0003022004680000047
是由车轮编码器测量的电机加速度，
Figure FDA0003022004680000048
是被测电机的速度；
所述步骤(3)中的加速度计是三自由度加速度计；所述陀螺仪是三自由度陀螺仪。
6.根据权利要求4所述一种爬壁机器人的主动粘附控制方法，其特征在于所述主动粘附控制方法能够通过爬壁机器人的控制器对电磁铁控制，使机器人整体的磁粘附力保持超过其最小粘附极限值。
7.根据权利要求4所述一种爬壁机器人的主动粘附控制方法，其特征在于所述步骤(6)中球罐表面存在的扰动是球罐表面的焊缝扰动；当爬壁机器人越过焊缝时，车轮与球罐表面距离发生变化，导致车轮与球罐表面的磁场模式发生变化；
所述步骤(6)中的反向传播神经网络是可以被训练的神经网络，其训练目标是二元的，训练后可以用作识别车轮的磁粘附力的损失与否；所述反向传播神经网络的输出若为“0”，则表示粘附稳定，若输出为“1”则表示磁粘附力有损失的趋势，即：当磁粘附力略有降低时，即便爬壁机器人的实际磁粘附力还没有发生粘附力的变化，利用磁场的变化也足以使反向传播神经网络产生0到1之间的输出，随着时间的推移，将得到粘附力损失的趋势。
8.根据权利要求7所述一种爬壁机器人的主动粘附控制方法，其特征在于所述步骤(6)中利用反向传播神经网络进行粘附损失早期估计的方法主要由两个阶段构成，即：激励传播与权重更新；
第1阶段：激励传播；每次迭代中的传播环节包含两步：
①前向传播阶段，将训练集输入网络以获得激励响应；
②反向传播阶段，将前向传播阶段中得到的激励响应同训练输入对应的目标输出求差，从而获得隐层和输出层的响应误差；
第2阶段：权重更新，对于每个突触上的权重，按照以下步骤进行更新：
①将输入激励和响应误差相乘，从而获得权重的梯度；
②由于训练因子将会影响到训练过程的速度和效果，梯度的方向则可以指明误差扩大的方向，因此在更新权重的时候需要对其取反，从而减小权重引起的误差；故将步骤①中得到的这个梯度乘上训练因子并取反后加到权重上；
所述第1阶段和第2阶段进行反复循环迭代，直到网络的对输入的响应达到满意的预定的目标范围为止；
所述步骤(6)中的反向传播神经网络模型是一个多层感知器，只有一个隐含层，包括输入层、隐含层、输出层以及输出量，其中输入层接收来自惯性导航传感器的输入数据，隐含层由感知神经元组成，根据实际需要选择神经元数量；该网络的主要特点是输入信号前向传递，误差信号反向传播，在前向传递过程中，输入信号从输入层经隐含层逐层处理，每一层的神经元状态只影响下一层神经元状态；如果输出层得不到期望输出，则转入反向传播，根据预测误差调整网络权值和阈值，从而使反向传播神经网络预测输出不断逼近期望输出；采用弹性反向传播方法对神经网络进行训练，训练集由从脱离测试中获得的测试数据组成，旨在构建能够识别磁场分布模式的反向传播神经网络模型，使磁场模式与磁粘附力之间具有相关性；爬壁机器人通过焊缝时，车轮与球罐表面距离发生变化，导致车轮与球罐表面的磁场模式发生变化，网络接收来自惯性导航传感器的输入数据，输入数据通过隐含层的预处理，反向传播神经网络模型会根据磁场模式的变化提前预测磁粘附力的变化，进行粘附损失的早期估计，输出显示在每个车轮上发生磁粘附力损失，在粘附损耗发生前后会产生较小的响应，从而产生必要的预测信号。
9.一种权利要求8所述爬壁机器人的主动粘附控制方法在大型球形储罐的探伤爬壁机器人的主动粘附控制领域的应用。
CN201910155999.XA 2019-03-01 2019-03-01 一种爬壁机器人及其主动粘附控制方法 Active CN109720431B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910155999.XA CN109720431B (zh) 2019-03-01 2019-03-01 一种爬壁机器人及其主动粘附控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910155999.XA CN109720431B (zh) 2019-03-01 2019-03-01 一种爬壁机器人及其主动粘附控制方法

Publications (2)

Publication Number Publication Date
CN109720431A CN109720431A (zh) 2019-05-07
CN109720431B true CN109720431B (zh) 2021-07-02

Family

ID=66300826

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910155999.XA Active CN109720431B (zh) 2019-03-01 2019-03-01 一种爬壁机器人及其主动粘附控制方法

Country Status (1)

Country Link
CN (1) CN109720431B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110405725A (zh) * 2019-08-13 2019-11-05 舟山市质量技术监督检测研究院 一种用于立式金属罐容量检定的爬壁机器人
CN113059561B (zh) * 2021-03-12 2022-09-20 华中科技大学 吸附机器人的控制方法
CN113189864A (zh) * 2021-04-29 2021-07-30 北京哈工时代科技有限公司 基于运动学的攀岩机器人轨迹跟踪反推控制算法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100482521C (zh) * 2007-05-28 2009-04-29 徐州必和科技有限公司 电厂锅炉水冷壁爬壁机器人
CN202686556U (zh) * 2012-06-07 2013-01-23 中国东方电气集团有限公司 一种用于磁吸附爬壁机器人的新型万向滚动磁轮装置
CN105035202B (zh) * 2015-08-17 2017-08-29 深圳先进技术研究院 船舶除锈爬壁机器人
CN106514609B (zh) * 2016-12-30 2019-03-05 洛阳圣瑞智能机器人有限公司 一种模块化轮式磁吸附爬壁机器人
CN209278891U (zh) * 2018-12-13 2019-08-20 东台市东方船舶装配有限公司 可携式led防爆灯

Also Published As

Publication number Publication date
CN109720431A (zh) 2019-05-07

Similar Documents

Publication Publication Date Title
CN109720431B (zh) 一种爬壁机器人及其主动粘附控制方法
Espinoza et al. Navigation’s stabilization system of a magnetic adherence-based climbing robot
Schmidt et al. Omnidirectional locomotion and traction control of the wheel-driven, wall-climbing robot, Cromsci
KR20110010796A (ko) 힘 균형 유지 이동성 로봇 시스템
US11851120B2 (en) Control of robotic devices with non-constant body pitch
US7847504B2 (en) Dynamic balancing mobile robot
US8977388B2 (en) Platform perturbation compensation
US9194977B1 (en) Active response gravity offload and method
Hillenbrand et al. CROMSCI: development of a climbing robot with negative pressure adhesion for inspections
Koo et al. Development of wall climbing robot system by using impeller type adhesion mechanism
CN113348129A (zh) 陀螺稳定腿式机器人
KR101485080B1 (ko) 자세 제어 장치를 구비하는 수중 운동체
Sutyasadi et al. Gait Tracking Control of Quadruped Robot Using Differential Evolution Based Structure Specified Mixed Sensitivity Robust Control
Li et al. Self-balancing two-wheeled robot featuring intelligent end-to-end deep visual-steering
Saulnier et al. Operational capabilities of a six degrees of freedom spacecraft simulator
Boning et al. A kinematic approach to determining the optimal actuator sensor architecture for space robots
Kim et al. Experimental studies of balancing control for a disc-typed mobile robot using a neural controller: GYROBO
Montes et al. Reliable, built-in, high-accuracy force sensing for legged robots
TWI819659B (zh) 機器人及機器人懸掛系統的調節方法
CN110262475A (zh) 一种激光导引小车的平衡调节装置及平衡调节方法
de Oliveira et al. Adhesion force control and active gravitational compensation for autonomous inspection in lpg storage spheres
Matsumura et al. Development of magnetic bridge inspection robot aimed at carrying heavy loads
CN113043283B (zh) 一种机器人末端外力预估方法
Yap et al. Dynamic step traverse of a two-wheeled mobile robot
Mahmood et al. Motion analysis and trajectory tracking control of propeller-type climbing robot

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