CN109848983A - 一种高顺应性人引导机器人协同作业的方法 - Google Patents

Abstract

本发明属于智能感知相关技术领域，其公开了一种高顺应性人引导机器人协同作业的方法，该方法包括以下步骤：(1)提供人机协作系统；(2)牵引机器人进行示教，人机协作系统的六维力传感器及电机编码器分别测量操作者施加的力信息及机器人各个关节的角度及角速度，进而计算机通过机器人运动学计算得到机器人末端的速度及位姿；(3)基于步骤(2)得到的信息，采用稀疏贝叶斯学习算法预测下一时刻操作者期望机器人运动的位置及姿态，并根据预测结果在线调整阻抗控制器的阻抗参数及设计线性二次型调节器来补偿关节力矩。本发明提高了机器人的顺应性及示教精度，降低了操作者的示教难度。

Description

一种高顺应性人引导机器人协同作业的方法

技术领域

本发明属于智能感知相关技术领域，更具体地，涉及一种高顺应性人引导机器人协同作业的方法。

背景技术

目前，采用工业机器人进行自动化工作在工业领域得到了广泛的应用，但是在许多工序中无法完全地实现自动化，例如对于复杂零件的装配工作通常需要熟练的工人来完成，因为目前没有合适的控制策略可以让机器人具备和人类完全一样的经验。因此，人与机器人协同作业系统在近年来得到了广泛的关注，该方案可以将人类的经验与机器人控制系统相结合，从而弥补机器人在某些方面的不足。除此之外，人与机器人协同作业系统也可以作为外力辅助设备，例如协助人类搬运较重的货物到指定位置。目前，在人与及机器人协同作业中主要采用阻抗控制框架来实现，其中一个重要的衡量指标是人与机器人协同中机器人的柔顺性。

然而，如何保证机器人的柔顺性是人与机器人协同作业任务中的一个难点。机器人的阻抗控制参数应当与操作者的意图相匹配，即能够主动地去顺应操作者的操作要求，尽管可以通过测量设备实时获取操作者意图，但这通常是滞后的，无法达到最优的顺应状态。同时，由于引入了阻抗控制框架，相当于给控制系统加入了一个二阶延时，这也会在一定程度上对顺应性及轨迹跟踪精度带来影响。相应地，本领域存在着发展一种顺应性较高的高顺应性人引导机器人协同作业的方法的技术需求。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种高顺应性人引导机器人协同作业的方法，其基于现有人与机器人协同作业的工作特点，研究及设计了一种顺应性较高的高顺应性人引导机器人协同作业的方法。该方法通过预测操作者的操作意图，并根据此操作意图实时调整阻抗参数及补偿关节驱动力矩，能够有效地提升机器人的柔顺性，提高了效率，降低了能耗，保证了精度。此外，基于所述机器人来确定所述整体叶盘相对于所述机器人的最优姿态，并通过调整三自由度夹具来使所述整体叶盘到达所述最优姿态，由此提高了磨抛精度和效率。

为实现上述目的，本发明提供了一种高顺应性人引导机器人协同作业的方法，该方法包括以下步骤：

(1)提供人机协作系统，所述人机协作系统包括机器人、电机编码器、六维力传感器、末端执行器、工控机及计算机，所述六维力传感器的一端连接于所述机器人，所述末端执行器可拆卸地连接于所述六维力传感器的另一端；所述电机编码器设置在所述机器人的伺服电机上；所述工控机连接于所述计算机，所述电机编码器、所述伺服电机及所述六维力传感器分别连接于所述工控机；

(2)操作者牵引所述机器人进行示教，所述六维力传感器及所述电机编码器分别测量操作者施加的力信息及所述机器人各个关节的角度及角速度，测量得到的所述力信息、所述角度及所述角速度通过所述工控机传输给所述计算机，进而所述计算机根据接受到的数据通过机器人运动学计算得到所述机器人末端的速度及位姿；

(3)基于步骤(2)得到的信息，采用稀疏贝叶斯学习算法预测下一时刻操作者期望所述机器人运动的位置及姿态，并根据预测结果在线调整阻抗控制器的阻抗参数及设计线性二次型调节器来补偿关节力矩，由此提高机器人柔顺性。

进一步地，步骤(3)后还包括重复步骤(2)至步骤(3)，直至整个人与机器人协同作业任务完成的步骤。

进一步地，所述伺服电机工作在力矩控制模式下，通过所述计算机上的simulink程序来控制所述伺服电机，由此实现所述机器人各个关节的精确控制。

进一步地，所述人机协作系统还包括连接于所述工控机的激光传感器，所述激光传感器用于检测操作者的实际示教位姿，进而所述计算机将接受到的实际示教位姿与预测值进行比较，并根据比较结果调整对预测值的置信度，从而对所补偿的关节力矩进行调节。

进一步地，步骤(2)中，首先，采用所述计算机内预存的阻抗控制程序对应的公式计算出所述机器人顺应的目标位置；接着，根据机器人的动力学模型计算出使机器人到达所述目标位置其各个关节所需的驱动力矩；最后，通过所述电机编码器采集各个关节的角度及角速度，进而将所述角度及角速度传输给所述计算机，所述计算机根据机器人运动学公式计算出所述机器人末端的运动速度及位姿。

进一步地，所述阻抗控制程序对应的公式为：

式中，Δp_cr＝p_c-p_r，p_c是机器人顺应的目标位置，p_r是机器人当前位置；M_d、D_d、K_d分别表示正定对称的惯性矩阵、阻尼矩阵、刚度矩阵； f为操作者的施加力。

进一步地，所述动力学模型的表达式为：

式中，τ为关节需要的驱动力矩；q表示机器人关节角度；J表示机器人的雅克比矩阵；B(q)为机器人惯性矩阵；为科氏力矩阵；g(q)为重力向量。

进一步地，所述机器人运动学公式为：

式中，p表示机器人末端的位姿，q表示机器人关节角度，J表示机器人的雅克比矩阵。

进一步地，步骤(3)中，构建人手的阻抗模型，进而建立操作者期望的运动位置与操作者的施加力、当前人手的位置及速度之间的关系式，并采用稀疏贝叶斯学习方法对所述关系式进行辨识以预测操作者的操作意图；所述关系式为：其中，该等式的右侧是一个非线性方程；p_H表示当前人手的位置；f为操作者的施加力；p_I表示操作者期望的运动位置。

进一步地，所述线性二次型调节器的设计包括以下步骤：首先，构建整个人机协作系统的状态空间表达式；接着，采用最后控制原理求解反馈控制器；之后，采用激光位移传感器采集操作者的实际意图，进而将所述实际意图与预测值进行比较，以根据比较结果来调节对补偿力矩的置信度。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，本发明提供的高顺应性人引导机器人协同作业的方法主要具有以下有益效果：

1.所述方法采用工控机与六维力传感器进行通信，并且机器人的控制也采用工控机进行，从而实现了机器人与操作者施加力之间的实时通信，由此使机器人具备了一定的顺应性，可以实现与操作者的共同作业需求，且自动化程度较高，简单易于实现。

2.基于所测量的机器人位姿信息和末端受力信息，采用稀疏贝叶斯学习算法在线预测未来的操作者期望机器人运动的位姿，并根据预测结果对阻抗参数进行实时优化，由此提高机器人的顺应性，降低操作者的操作力，同时采用线性二次型调节器对机器人各个关节的驱动力矩进行补偿，进一步提高机器人柔顺性，同时降低机器人对示教轨迹的跟踪误差。

3.所述末端执行器可拆卸地连接于所述六维力传感器的另一端，因此可以根据具体的任务需求，更换不同种类的末端执行器，实现更多的人-机器人协同作业任务，具有便利、多功能等特点。

4.每次预测后，采用激光传感器检测操作者的实际示教位姿，进而所述计算机将接受到的实际示教位姿与预测值进行比较，并根据比较结果调整对预测值的置信度，从而对所补偿的关节力矩进行调节，确保了对示教轨迹的跟踪精度。

附图说明

图1是本发明提供的高顺应性人引导机器人协同作业的方法的流程示意图。

图2是图1中的高顺应性人引导机器人协同作业的方法的控制框图。

图3是图1中的高顺应性人引导机器人协同作业的方法涉及的人机协作系统的结构示意图。

在所有附图中，相同的附图标记用来表示相同的元件或结构，其中： 1-机器人，2-电机编码器，3-六维力传感器，4-末端执行器，5-操作者，6- 激光位移传感器，7-工控机，8-计算机。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

请参阅图1、图2及图3，本发明提供的高顺应性人引导机器人协同作业的方法，该方法包括以下步骤：

步骤一，提供人机协作系统，所述人机协作系统包括机器人、电机编码器、六维力传感器、末端执行器、工控机及计算机，所述六维力传感器的一端连接于所述机器人，所述末端执行器可拆卸地连接于所述六维力传感器的另一端；所述电机编码器设置在所述机器人的伺服电机上；所述工控机连接于所述计算机，所述电机编码器、所述伺服电机及所述六维力传感器分别连接于所述工控机。

具体地，提供人机协作系统，所述人机协作系统包括机器人1、电机编码器2、六维力传感器3、末端执行器4、激光位移传感器6、工控机7及计算机8，所述激光位移传感器6临近所述机器人1设置，其连接于所述工控机7。所述机器人1的各个关节由伺服电机驱动，所述电机编码器2设置在所述伺服电机上。本实施方式中，所述伺服电机工作在力矩控制模式下，其可以通过所述计算机8上编写的simulink程序实现对所述机器人1各个关节的精确控制，如此具有安全、可靠、操作简易的特点；所述激光位移传感器6与所述机器人1通讯，其用于检测操作者5的实际示教位姿，进而所述计算机8将实际示教位姿与预测值进行比较，根据比较结果调整对预测值的置信度，从而对所补偿的关节力矩进行调节，从而保证精度。

所述六维力传感器3用于测量操作者对所述机器人1末端施加的力 {f_x,f_y,f_z}以及力矩{τ_x,τ_y,τ_z}，并将测到的数据通过所述工控机7传输给所述计算机8。本实施方式设计了连接法兰将所述六维力传感器3的一端与所述机器人1的末端相连接，另一端与所述末端执行器4相连接。所述末端执行器4可以是手爪、磨抛机构、焊枪等设备，也可以根据具体的任务要求进行选择，并通过法兰与所述六维力传感器3相连接，简单，有效，可靠。

步骤二，操作者牵引所述机器人进行示教，所述六维力传感器及所述电机编码器分别测量操作者施加的力信息及所述机器人各个关节的角度及角速度，测量得到的所述力信息、所述角度及所述角速度通过所述工控机传输给所述计算机，进而所述计算机根据接受到的数据通过机器人运动学计算得到所述机器人末端的速度及位姿。

具体地，操作者5拖动所述机器人1的末端执行器4部分，所述六维力传感器3实时采集人手所施加的力，并通过所述工控机7通信反馈给所述计算机8，所述计算机8内预存有阻抗控制程序，所述阻抗控制程序对应的公式为：

式中，Δp_cr＝p_c-p_r，p_c是机器人顺应的目标位置，p_r是机器人当前位置；M_d、D_d、K_d分别表示正定对称的惯性矩阵、阻尼矩阵、刚度矩阵，用于模拟人手的动力学特性，其中，所述阻抗控制程序用于实现所述机器人1对操作者5施加力的顺应，输入为操作者施加力f，输出为机器人顺应的目标位置。之后，根据机器人的动力学模型计算出机器人各个关节需要的驱动力矩τ，使得所述机器人朝着目标位置运动并且所述计算机8将控制信号通过所述工控机7返回给所述伺服电机以对各个关节进行驱动。最后，通过所述电机编码器2读取各个关节的角度及角速度，并且将所述角度及角速度信息通过所述工控机7反馈给所述计算机8，继而所述计算机8根据机器人运动学公式计算出所述机器人1末端的运动速度及位姿，其中，p表示机器人末端的位姿；q表示机器人关节角度；J表示机器人的雅克比矩阵。所述动力学模型的表达式为：

式中，B(q)为机器人惯性矩阵；为科氏力矩阵；g(q)为重力向量。

步骤三，基于步骤二得到的信息，采用稀疏贝叶斯学习算法预测下一时刻操作者期望所述机器人运动的位置及姿态，并根据预测结果在线调整阻抗控制器的阻抗参数及设计线性二次型调节器来补偿关节力矩，由此提高机器人柔顺性。

具体地，将人手等效为阻抗模型，对应的公式为其中D_H、K_H分别表示人手阻尼、刚度矩阵；p_I表示操作者期望的运动位置；p_H表示当前人手的位置；于是可以建立操作者期望的运动位置与操作者的施加力、当前人手的位置及速度之间的关系式：其中该等式的右侧是一个非线性方程，可以采用稀疏贝叶斯学习方法对该方程进行辨识，从而实现对操作者操作意图的预测。

更具体地，首先，根据步骤二所采集到的第k个时刻的机器人末端受力 f(k)、位姿p_H(k)以及运动速度并保存在数据集中同时对以上数据进行正则化；为了保证计算精度，根据需要保留前N个时刻的数据集，即 [M(k-N+1),M(k-N+2),…,M(k)]，同时保存预测值集根据稀疏贝叶斯学习算法的公式预测其中w^*表示该非线性方程中的参数均值；β和表示稀疏贝叶斯的超参数；φ是一个包含有前N个时刻数据集和预测值集的矩阵，根据计算出的该非线性方程预测操作者下一时刻期望的位姿最后，根据预测的期望位姿对阻抗控制器的阻抗参数进行调节，采用的公式为：从而使得所述机器人1更加柔顺。

此外，建立整个人机协作系统的状态空间表达式如下：其中系统输入为u，即机器人的关节驱动力矩；状态向量选择为其中定义代价函数J＝∫_t ^∞(X^TQX+u^TRu)dτ；然后，根据最优控制原理，利用Riccati方程求解反馈控制器u＝-KX，所设计的反馈控制器可以达到使代价函数最小化的目的，即设计关节补偿驱动力矩，使得对预测期望轨迹的跟踪和操作者5的施加力都达到最小，即实现了减小轨迹跟踪误差、进一步提高机器人柔顺性的目的。最后，为了保证补偿力矩的准确性，采用激光位移传感器6采集实际的操作者5的意图p_I(k+1)，并与预测值进行比较，以调节对补偿力矩的置信度，以上完成了线性二次型调节器的设计。

步骤四，重复步骤二至步骤三，直至整个人与机器人协同作业任务完成。

本发明提供的高顺应性人引导机器人协同作业的方法，该方法采用稀疏贝叶斯学习算法实时预测操作者的操作意图，并模拟人手的主动顺应能力对阻抗参数进行调节，同时采用线性二次型调节器对关节驱动力矩进行补偿以消除阻抗模型所带来的延时，进而保证机器人对于人类操作者的顺应性，由此提高了人与机器人协作效率，且协作效率较高，轨迹跟踪误差小。此外，所述人机协作系统中的机器人、六维力传感器、激光位移传感器等设备均通过工控机来实现通信，具有高实时性、高集成性、高自动化等优点。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种高顺应性人引导机器人协同作业的方法，其特征在于，该方法包括以下步骤：

(1)提供人机协作系统，所述人机协作系统包括机器人、电机编码器、六维力传感器、末端执行器、工控机及计算机，所述六维力传感器的一端连接于所述机器人，所述末端执行器可拆卸地连接于所述六维力传感器的另一端；所述电机编码器设置在所述机器人的伺服电机上；所述工控机连接于所述计算机，所述电机编码器、所述伺服电机及所述六维力传感器分别连接于所述工控机；

(2)操作者牵引所述机器人进行示教，所述六维力传感器及所述电机编码器分别测量操作者施加的力信息及所述机器人各个关节的角度及角速度，测量得到的所述力信息、所述角度及所述角速度通过所述工控机传输给所述计算机，进而所述计算机根据接受到的数据通过机器人运动学计算得到所述机器人末端的速度及位姿；

(3)基于步骤(2)得到的信息，采用稀疏贝叶斯学习算法预测下一时刻操作者期望所述机器人运动的位置及姿态，并根据预测结果在线调整阻抗控制器的阻抗参数及设计线性二次型调节器来补偿关节力矩，由此提高机器人柔顺性。

2.如权利要求1所述的高顺应性人引导机器人协同作业的方法，其特征在于：步骤(3)后还包括重复步骤(2)至步骤(3)，直至整个人与机器人协同作业任务完成的步骤。

3.如权利要求1所述的高顺应性人引导机器人协同作业的方法，其特征在于：所述伺服电机工作在力矩控制模式下，通过所述计算机上的simulink程序来控制所述伺服电机，由此实现所述机器人各个关节的精确控制。

4.如权利要求1所述的高顺应性人引导机器人协同作业的方法，其特征在于：所述人机协作系统还包括连接于所述工控机的激光传感器，所述激光传感器用于检测操作者的实际示教位姿，进而所述计算机将接受到的实际示教位姿与预测值进行比较，并根据比较结果调整对预测值的置信度，从而对所补偿的关节力矩进行调节。

5.如权利要求1所述的高顺应性人引导机器人协同作业的方法，其特征在于：步骤(2)中，首先，采用所述计算机内预存的阻抗控制程序对应的公式计算出所述机器人顺应的目标位置；接着，根据机器人的动力学模型计算出使机器人到达所述目标位置其各个关节所需的驱动力矩；最后，通过所述电机编码器采集各个关节的角度及角速度，进而将所述角度及角速度传输给所述计算机，所述计算机根据机器人运动学公式计算出所述机器人末端的运动速度及位姿。

6.如权利要求5所述的高顺应性人引导机器人协同作业的方法，其特征在于：所述阻抗控制程序对应的公式为：

式中，Δp_cr＝p_c-p_r，p_c是机器人顺应的目标位置，p_r是机器人当前位置；M_d、D_d、K_d分别表示正定对称的惯性矩阵、阻尼矩阵、刚度矩阵；f为操作者的施加力。

7.如权利要求6所述的高顺应性人引导机器人协同作业的方法，其特征在于：所述动力学模型的表达式为：

式中，τ为关节需要的驱动力矩；q表示机器人关节角度；J表示机器人的雅克比矩阵；B(q)为机器人惯性矩阵；为科氏力矩阵；g(q)为重力向量。

8.如权利要求6所述的高顺应性人引导机器人协同作业的方法，其特征在于：所述机器人运动学公式为：

式中，p表示机器人末端的位姿，q表示机器人关节角度，J表示机器人的雅克比矩阵。

9.如权利要求1-8任一项所述的高顺应性人引导机器人协同作业的方法，其特征在于：步骤(3)中，构建人手的阻抗模型，进而建立操作者期望的运动位置与操作者的施加力、当前人手的位置及速度之间的关系式，并采用稀疏贝叶斯学习方法对所述关系式进行辨识以预测操作者的操作意图；所述关系式为：其中，该等式的右侧是一个非线性方程；p_H表示当前人手的位置；f为操作者的施加力；p_I表示操作者期望的运动位置。

10.如权利要求1-8任一项所述的高顺应性人引导机器人协同作业的方法，其特征在于：所述线性二次型调节器的设计包括以下步骤：首先，构建整个人机协作系统的状态空间表达式；接着，采用最后控制原理求解反馈控制器；之后，采用激光位移传感器采集操作者的实际意图，进而将所述实际意图与预测值进行比较，以根据比较结果来调节对补偿力矩的置信度。