CN110119085B - 一种Manutec R3型工业机器人动态优化系统 - Google Patents
一种Manutec R3型工业机器人动态优化系统 Download PDFInfo
- Publication number
- CN110119085B CN110119085B CN201910266358.1A CN201910266358A CN110119085B CN 110119085 B CN110119085 B CN 110119085B CN 201910266358 A CN201910266358 A CN 201910266358A CN 110119085 B CN110119085 B CN 110119085B
- Authority
- CN
- China
- Prior art keywords
- time
- module
- control
- robot
- grid
- 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
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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Manipulator (AREA)
Abstract
本发明涉及一种Manutec R3工业机器人动态优化系统。本发明由控制室工程师指定机器人每个关节变量的初始状态、末端状态等参数,优化计算系统通过计算时间网格精细化的优化算法,得出使机器人完成作业消耗时间最短的每个关节轴上的扭矩电压,将其转换为控制指令信号,传输给驱动单元,驱动单元根据传感器反馈回来的信号,支配机器人每个关节的执行单元去完成规定的运动和功能,位置传感器返回机器人手臂位置,从而实时在线优化。本发明能够根据Manutec R3机器人系统状况计算出当前实现最优运行的路径规划,最大限度地缩短机器人的工作时间,提高工作效率,该系统非常适用于复杂的机器人动态优化问题的在线优化。
Description
技术领域
本发明属于动态优化控制技术领域,具体涉及一种Manutec R3型工业机器人动态优化系统。
背景技术
机器人的路径规划问题、时间最优问题、移动机器人的区域搜索控制问题等诸多复杂问题均为最优控制问题,一般也称为动态优化问题。这类问题一般含有微分和代数方程,以及众多的轨线等式和不等式约束。对于复杂最优控制问题,传统上采用间接解法,求解的一般步骤为:(1)首先将原系统扩展成Hamilton系统;(2)推导出一阶最优性必要条件;(3)获得数学上的两点边值问题,进而采用相应的方法进行求解得到精确的解析解。但是对于一些大规模的并且含有约束条件的最优控制问题时,在求解过程中,则需要引入更多的乘子函数和互补条件,这也是间接法不适合求解大规模、复杂度较高的动态优化问题的原因。
迭代动态规划算法是基于动态规划计算量大,求解效率不高等缺点提出的,改进的地方主要包括两大部分:网格离散和区域缩减。虽然迭代动态规划方法是一种具有全局收敛性的优化方法,并且不需要计算梯度等信息,但是它也有它明显的不足之处:由于离散后的时间段很细才会得到满意的最优解致使计算成本大幅度提高。
随着计算机和计算技术的发展,解决复杂最优控制问题的方法往往是采用直接法。直接法,顾名思义,与间接法相反,不需要求解最优性条件,而是直奔动态优化问题本身,直接对性能指标进行寻优。直接法的原理是将动态问题的整个时间域中的控制变量以及状态变量进行离散化,这样便能够将原动态优化问题转化成一个大规模的非线性规划问题。离散方法中的离散策略对计算精度和实时性影响很大,时间网格划分得是否恰当决定了求解效率和最优控制轨迹的逼近精度。划分地疏,对最优控制轨迹的逼近程度不高;划分地密,虽然确保了离散精度满足要求,但大大增加了非线性规划问题的维数和计算成本。为此,本发明给出一种精细化时间网格的Manutec R3型工业机器人动态优化系统,内部嵌入改进的动态优化求解算法,使得Manutec R3型工业机器人在线控制精度和效率大大提高。
发明内容
本发明的目的在于提供一种Manutec R3型工业机器人动态优化系统,
本发明用于复杂的机器人的在线优化控制。包括优化计算模块、控制器、数模转换器、模数转换器、驱动器、执行器、位置传感器、现场总线网络、人机交互模块、Manutec R3型工业机器人机械主体,系统运行过程具体包括以下步骤:
步骤A1:由控制室工程师通过人机交互模块指定Manutec R3机器人腰关节、肩关节、肘关节变量的初始状态以及末端状态,凭借工程经验设定机器人完成作业的大致时间tf,指定扭矩电机的性能约束、起始时间网格数N个、控制变量的初始值,10≤N≤20,非线性规划问题求解模块的精度εl、精细化收敛性判断模块的精度εJ,精细化迭代次数上限Imax、最小时间网格宽度wmin以及控制网格精细化模块的合并系数α和插入系数βii,ii=1,2,…,nn;nn表示插入系数个数;
步骤A2:优化计算模块通过输入的参数,执行控制网格精细化模块的优化策略,计算出机器人最快完成相应动作所需的每个关节轴上的扭矩电压,通过现场总线网络发送给控制器的数模转换器;
步骤A3:控制器根据控制指令控制相应的驱动器,驱动器支配机器人每个关节的执行单元去完成规定的运动和功能;
步骤A4:位置传感器实时采集机器人手臂的位置信息,经过模数转换后用现场总线网络送给优化计算模块,可以实时更新控制策略,实现在线优化。
所述的优化计算模块,包括输入模块、初始化模块、控制网格精细化模块、非线性规划问题求解模块、精细化收敛性判断模块、输出模块;所述的优化计算模块执行的步骤如下:
步骤B1:输入模块接收工程师通过人机交互系统输入的腰关节、肩关节、肘关节变量的初始状态,末端状态,最终时间tf,扭矩电机的性能约束,时间网格数N,控制变量的初始值以及εl、εJ、Imax、wmin、α、βii参数信息;
步骤B2:执行初始化模块,根据最终时间tf,起始时间网格数N,采用均匀离散化的方式,计算出起始时间网格分布;初始化控制变量的初始值,初始化非线性规划问题求解模块的精度εl、迭代次数l=0,设置精细化收敛性判断模块的精度εJ、精细化迭代次数I=0、精细化迭代次数上限Imax、最小时间网格宽度wmin、合并系数α、插入系数βii;
步骤B3:执行最优控制形式转换模块;
步骤B4:通过非线性规划问题求解模块求解非线性规划问题,得到当前时间网格下的最优的控制参数和目标函数值,当l=0时,跳过步骤B5,直接执行步骤B6;
步骤B5:运行精细化收敛性判断模块,若满足收敛条件,则算法终止,并执行输出模块;否则,执行下一步;
步骤B6:运行控制网格精细化模块,得到新的控制参数、新的时间网格分布和新的目标函数值J,精细化迭代次数I=I+1,转入步骤B4。
所述的最优控制形式转换模块,执行步骤如下:
步骤C1:判断机器人最优控制问题的目标函数、等式约束、不等式约束是否都为Mayer形式,是的话跳出最优控制形式转换模块,执行步骤B4;否则,如果机器人最优控制问题的目标函数、等式约束、不等式约束中含有Lagrange形式的函数,则执行步骤C2;如果机器人最优控制问题的目标函数、等式约束、不等式约束中含有Bolza形式的函数,则执行步骤C3;
步骤C2:将机器人最优控制问题转换为不含积分项的Mayer形式的函数,引入新的状态变量xn+1(t),并使其满足式(1):
则有式(2):
经过上式的转换,目标函数J和不等式约束以及等式约束中的积分项均可由新的状态变量在终端时刻值确定,如式(3):
其中,X(t)为加入新的状态变量xn+1(t)后的状态变量,f[t,x(t),u(t)]表示机器人动态特性的函数,Lr[t,X(t),u(t)]=0为m1个等式约束,Lr[t,X(t),u(t)]≥0为m2个不等式约束;X(t0)表示起始时间t0时状态变量,和u分别表示控制变量的上下界约束;
步骤C3:将机器人最优控制问题转换为不含积分项的Mayer形式的函数,同样引入新的状态变量xn+1(t),并使其满足式(4):
将目标函数J转换为式(5):
其中,Φ0[x(tf),tf]为终值项;通过Mayer形式转换过后,最优控制问题的Mayer形式表示如式(6):
其中,X(t)为加入新的状态变量xn+1(t)后的状态变量,Φr[x(tf)]表示与x(tf)相关的函数项,Φr[x(tf)]+Lr[t,X(t),u(t)]=0为m1个等式约束,Φr[x(tf)]+Lr[t,X(t),u(t)]≥0为m2个不等式约束。
所述的控制网格精细化模块,包括控制网格合并模块、控制网格插入模块、时间切换点定位模块,执行步骤如下:
步骤D3:插入一些时间网格来提高逼近精度,定义时间网格节点细化规则如式(10):
式中,Δk为插入时间节点的个数,βii(ii=1,2,…,nn)为用于表征控制参数变化快慢的插入系数,其值随着ii值的增大而增大,nn表示插入系数个数,一般为1-6之间的整数;对于控制参数的左右斜率和如果其斜率平均值在[β1,β2)内,则在控制参数所属的时间网格[ti,ti+1]内的0.5(ti+1-ti)+ti时刻插入一个时间节点;对于控制参数的左右斜率和如果斜率平均值在[βnn-1,βnn),则在这个控制参数所属的时间网格[ti,ti+1]内均匀插入nn-1个时间节点;假设第b-1与第b个时间网格区间被细化分为Δk个小区间,对于i=b,那么细化后的时间节点将被重新标记如式(11):
对于i=b+1,b+2,…N,那么细化后的时间节点将被重新标记为式(12):
对重要时间切换点的判断准则如式(14):
si·si+1≤0 (14);
|si|≤|si+1| (15);
则将ti+1作为待优化的时间节点与控制变量同时优化,若
|si|≥|si+1| (16);
则将ti作为待优化的时间节点与控制变量同时优化。
所述的精细化收敛性判断模块,执行步骤如下:
步骤E1:计算当前精细化迭代的目标函数值与前一次精细化迭代的目标函数值之差的绝对值是否满足设定的误差容限系数εJ,如果满足式(17),则跳到步骤E4;否则,执行步骤E2;
|J(I+1)-J(I)|<εJ (17);
其中J(I+1)和J(I)分别代表第I+1次与第I次精细化迭代所得的目标函数值;
步骤E2:计算时间网格的宽度wi=tt-ti-1(i=1,2,...,N)是否满足式(18),如果满足下式,则跳到步骤E4;否则,执行步骤E3;
min{wi}≤wmin i=1,2,...,N (18);
步骤E3:判断是否大于设定的迭代次数上限Imax,如果满足式(19),则跳到步骤E4;否则,跳到步骤E5;
I>Imax (19);
步骤E4:满足收敛条件,则算法终止,并执行输出模块;
步骤E5:不满足收敛条件,执行步骤B6。
所述的非线性规划问题求解模块运行步骤,执行步骤如下:
步骤F1:通过ODE求解模块解微分方程初值问题,获取本次迭代的目标函数值和约束函数值;
步骤F2:NLP收敛性判断,如果l=0,则认为不满足NLP收敛条件,直接执行步骤F3;如果l>0且步骤F1中本次迭代的目标函数值J(l)与上一个迭代的目标函数值J(l-1)的绝对值之差小于设定的精度εl,则认为满足NLP收敛,返回本次迭代得到的3个关节轴上的扭矩电压,执行步骤B5;否则执行步骤F3;
步骤F3:计算搜索方向矢量,将式(20)所示的非线性优化命题泰勒展开为如式(21)所示的QP子问题:
其中f(x)为一维连续可微目标函数,c(x)表示mu维连续可微约束方程;x表示nu维与机器人有关的变量,包括控制变量和状态变量,xU和xL分别表示变量的上下界约束;
x在迭代点xl处对上式进行泰勒展开,并忽略高次项和目标函数中的常数项,则原命题转化为以下QP子问题:
式中dl为搜索方向矢量,gl T和Al T分别表示在xl处目标函数f(xl)的导数gl的转置和约束方程c(xl)的雅克比矩阵,cl表示xl处约束方程c(xl)的值,W为拉格朗日函数的Hessian阵;通过求解式(21),可获得搜索方向矢量的值dl;
步骤F4:步长计算,令xl+1=xl+γdl,这样就得到了下一个迭代点;γ∈(0,1],通过一维搜索方法求取,使得xl+1对应的目标函数值比xl对应的目标函数值更优,该求取方法为成熟技术,执行步骤F1,l=l+1;
所述的ODE求解模块采用四级五阶龙格库塔方法解微分方程初值问题,其计算公式为式(22):
其中,ti表示该方法选择的积分时刻;x(k)(ti)为机器人在第k次迭代中ti时刻的状态信息,u(k)为机器人在第k次迭代中ti时刻的控制变量值,F为相应的微分方程,K1、K2、K3、K4分别为该方法在积分过程中的4个节点的函数值;h为积分步长,计算公式如下:
本发明能够根据Manutec R3机器人系统状况计算出当前实现最优运行的路径规划,最大限度地缩短机器人的工作时间,提高工作效率,该系统非常适用于复杂的机器人动态优化问题的在线优化。
附图说明
图1为Manutec R3型工业机器人机械本体的示意图;
图2为本发明的工作原理图;
图3为优化计算模块的执行流程图。
具体实施方式
实施例1,如图1所示,Manutec R3型工业机器人的运动过程的模型可以描述为式(24):
对角度的约束如式(25):
对角速度的约束如式(26):
其中,关节变量q(t)=[q1(t),q2(t),q3(t)]T是腰关节、肩关节、肘关节的相对夹角,单位为rad;v(t)=[v1(t),v2(t),v3(t)]T为关节运动的速度,单位为rad/s;关节轴上的扭矩电压u(t)=[u1(t),u2(t),u3(t)]T由对角矩阵D=diag(-126.0,252.0,72.0)控制,单位为伏特。另外,P(q(t))是包含转动惯量的3×3正定对称质量矩阵,如式(27):
其中ci(i=1,2,…,12)是常数,如表1所示。
表1 Manutec R3型工业机器人最优控制问题参数
其中Γi,j,k(q)由式(29)表示:
χg(q(t))表示由引力造成的力矩,见式(30):
其中bi(i=1,2)是常数,如式(31):
b1=(12.1806+0.98mm)g b2=(41.7325+0.50mm)g (31);
其中g=9.81表示重力常数,mm=15kg为运输负荷。
所述的系统如图2所示,执行步骤为:
步骤A1:由控制室工程师通过人机交互模块指定Manutec R3机器人腰关节、肩关节、肘关节变量的初始状态以及末端状态,凭借工程经验设定机器人完成作业的大致时间tf为0.6s,指定扭矩电机的性能约束||u(t)||∞≤7.5、|q1(t)|≤2.87(rad)、|q2(t)|≤2.01(rad)、|q3(t)|≤2.86(rad)、|v1(t)|≤3.0(rad/sec)、|v2(t)|≤1.5(rad/sec)、|v3(t)|≤5.2(rad/sec)。指定起始时间网格数N=10、控制变量的初始值均为0、εl=10-6、εJ=10-6、Imax=6、wmin=0.01、α=0.1、βii(ii=1,2,3,4)分别为0.05、0.1、1、5;
步骤A2:优化计算模块通过输入的参数,执行控制网格精细化方法的优化策略,计算出机器人最快完成相应动作所需的每个关节轴上的扭矩电压,通过现场总线网络发送给控制器的数模转换器;
步骤A3:控制器根据控制指令控制相应的驱动器,驱动器支配机器人每个关节的执行单元去完成规定的运动和功能;
步骤A4:位置传感器实时采集机器人手臂的位置信息,经过模数转换后用现场总线网络送给优化计算模块,可以实时更新控制策略,实现在线优化。
所述的优化计算模块,包括输入模块、初始化模块、最优控制形式转换模块、控制网格精细化模块、非线性规划问题求解模块、ODE求解模块、精细化收敛性判断模块、输出模块。其运行过程如图3所示,执行步骤为:
步骤B1:输入模块接收工程师通过人机交互系统输入的腰关节、肩关节、肘关节变量的初始状态,末端状态,最终时间tf,扭矩电机的性能约束,时间网格数N,控制变量的初始值以及εl、εJ、Imax、wmin、α、βii(ii=1,2,…,nn)等参数信息;
步骤B2:执行初始化模块,根据最终时间tf=0.6s,起始时间网格数N=10,采用均匀离散化的方式,计算出起始时间网格分布[0s、0.06s、0.12s、0.18s、0.24s、0.3s、0.36s、0.42s、0.48s、0.54s、0.6s]。初始化控制变量的初始值,初始化非线性规划问题求解模块的精度εl、迭代次数l=0,设置精细化收敛性判断模块的精度εJ、精细化迭代次数I=0、精细化迭代次数上限Imax、最小时间网格宽度wmin、合并系数α、插入系数βii。
步骤B3:执行最优控制形式转换模块;
步骤B4:通过非线性规划问题求解模块求解非线性规划(NLP)问题,得到当前时间网格下的最优的控制参数和目标函数值,当l=0时,跳过步骤B5,直接执行步骤B6;
步骤B5:运行精细化收敛性判断模块,若满足收敛条件,则算法终止,并执行输出模块;否则,执行下一步。
步骤B6:运行控制网格精细化模块,得到新的控制参数、新的时间网格分布和新的目标函数值J,精细化迭代次数I=I+1,转入步骤B4。
所述的最优控制形式转换模块,执行步骤如下:
步骤C1:判断机器人最优控制问题的目标函数、等式约束、不等式约束是否都为Mayer形式,是的话跳出最优控制形式转换模块,执行步骤B4;否则,如果机器人最优控制问题的目标函数、等式约束、不等式约束中含有Lagrange形式的函数,则执行步骤C2;如果机器人最优控制问题的目标函数、等式约束、不等式约束中含有Bolza形式的函数,则执行步骤C3;
步骤C2:如果机器人最优控制问题的目标函数、等式约束、不等式约束中含有Lagrange形式的函数,则将其转换为不含积分项的Mayer形式的函数,引入新的状态变量xn+1,并使其满足式(1):
则有式(2):
经过上式的转换,目标函J和不等式约束以及等式约束中的积分项均可由新的状态变量在终端时刻值确定,如式(3):
其中,X(t)为加入新的状态变量xn+1(t)后的状态变量,f[t,x(t),u(t)]表示机器人动态特性的函数,Lr[t,X(t),u(t)]=0为m1个等式约束,Lr[t,X(t),u(t)]≥0为m2个不等式约束。X(t0)表示起始时间t0时状态变量,和u分别表示控制变量的上下界约束。
步骤C3:如果机器人最优控制问题的目标函数、等式约束、不等式约束中含有Bolza形式的函数,则将其转换为不含积分项的Mayer形式的函数,引入新的状态变量xn+1,并使其满足式(4):
将目标函数J转换为式(5):
其中,Φ0[x(tf),tf]为终值项。通过Mayer形式转换过后,最优控制问题的Mayer形式表示如式(6):
其中,X(t)为加入新的状态变量xn+1后的状态变量,Φr[x(tf)]表示与x(tf)相关的函数项,Φr[x(tf)]+Lr[t,X(t),u(t)]=0为m1个等式约束,Φr[x(tf)]+Lr[t,X(t),u(t)]≥0为m2个不等式约束。
所述的控制网格精细化模块,分别包括控制网格合并子模块、控制网格插入子模块、时间切换点定位子模块,执行步骤如下:
步骤D3:插入一些时间网格来提高逼近精度,定义时间网格节点细化规则如式(10):
式中,βii(ii=1,2,…,nn)为插入系数,Δk为插入时间节点的个数,nn表示插入系数个数。对于控制参数的左右斜率和如果其斜率平均值在[β1,β2)内,则在控制参数所属的时间网格[ti,ti+1]内的0.5(ti+1-ti)+ti时刻插入一个时间节点;对于控制参数的左右斜率和如果斜率平均值在[βnn-1,βnn),则在这个控制参数所属的时间网格[ti,ti+1]内均匀插入nn-1个时间节点。假设第b-1与第b个时间网格区间被细化分为Δk个小区间,对于i=b,那么细化后的时间节点将被重新标记如式(11):
对于i=b+1,b+2,…N,那么细化后的时间节点将被重新标记为式(12):
对重要时间切换点的判断准则如式(14):
si·si+1≤0 (14);
|si|≤|si+1| (15);
则将ti+1作为待优化的时间节点与控制变量同时优化,若
|si|≥|si+1| (16);
则将ti作为待优化的时间节点与控制变量同时优化。
所述的精细化收敛性判断模块,执行步骤如下:
步骤E1:计算当前精细化迭代的目标函数值与前一次精细化迭代的目标函数值之差的绝对值是否满足设定的误差容限系数εJ,如果满足式(17),则跳到步骤E4;否则,执行步骤E2;
|J(I+1)-J(I)|<εJ (17);
其中J(I+1)和J(I)分别代表第I+1次与第I次精细化迭代所得的目标函数值。
步骤E2:计算时间网格的宽度wi=tt-ti-1(i=1,2,...,N)是否满足式(18),如果满足下式,则跳到步骤E4;否则,执行步骤E3;
min{wi}≤wmin i=1,2,...,N (18);
步骤E3:判断是否大于设定的迭代次数上限Imax,如果满足式(19),则跳到步骤E4;否则,跳到步骤E5;
I>Imax (19);
步骤E4:满足收敛条件,则算法终止,并执行输出模块;
步骤E5:不满足收敛条件,执行步骤B6;
所述的非线性规划问题求解模块运行步骤,执行步骤如下:
步骤F1:通过ODE求解模块解微分方程初值问题,获取本次迭代的目标函数值和约束函数值;
步骤F2:NLP收敛性判断,如果l=0,则认为不满足NLP收敛条件,直接执行步骤F3;如果l>0且步骤F1中本次迭代的目标函数值J(l)与上一个迭代的目标函数值J(l-1)的绝对值之差小于设定的精度εl,则认为满足NLP收敛,返回本次迭代得到的3个关节轴上的扭矩电压,执行步骤B5;否则执行步骤F3;
步骤F3:计算搜索方向矢量,将式(20)所示的非线性优化命题泰勒展开为如式(21)所示的QP子问题:
其中f(x)为一维连续可微目标函数,c(x)表示mu维连续可微约束方程。x表示nu维与机器人有关的变量,包括控制变量和状态变量,xU和xL分别表示变量的上下界约束。
x在迭代点xl处对上式进行泰勒展开,并忽略高次项和目标函数中的常数项,则原命题转为求解以下QP子问题:
式中dl为搜索方向矢量,gl T和Al T分别表示在xl处目标函数f(xl)的导数gl的转置和约束方程c(xl)的雅克比矩阵,cl表示xl处约束方程c(xl)的值,W为拉格朗日函数的Hessian阵。通过求解式(21),可获得搜索方向矢量的值dl。
步骤F4:步长计算,令xl+1=xl+γdl,这样就得到了下一个迭代点。γ∈(0,1],通过一维搜索方法求取,使得xl+1对应的目标函数值比xl对应的目标函数值更优,该求取方法为成熟技术,执行步骤F1,l=l+1。
所述的ODE求解模块运行步骤,采用四级五阶龙格库塔方法,计算公式为式(22):
其中,ti表示该方法选择的积分时刻。x(k)(ti)为机器人在第k此迭代中第ti时刻的状态信息,u(k)为机器人在第k次迭代中ti时刻的控制变量值,F为相应的微分方程,K1、K2、K3、K4分别为该方法在积分过程中的4个节点的函数值。h为积分步长,计算公式如下:
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (4)
1.一种Manutec R3型工业机器人动态优化系统,包括优化计算模块、控制器、数模转换器、模数转换器、驱动器、执行器、位置传感器、现场总线网络、人机交互模块、Manutec R3型工业机器人机械主体,其特征在于:系统运行过程具体包括以下步骤:
步骤A1:由控制室工程师通过人机交互模块指定Manutec R3机器人腰关节、肩关节、肘关节变量的初始状态以及末端状态,凭借工程经验设定机器人完成作业的大致时间tf,指定扭矩电机的性能约束、起始时间网格数N个、控制变量的初始值,10≤N≤20,非线性规划问题求解模块的精度εl、精细化收敛性判断模块的精度εJ,精细化迭代次数上限Imax、最小时间网格宽度wmin以及控制网格精细化模块的合并系数α和插入系数βii,ii=1,2,…,nn;nn表示插入系数个数;
步骤A2:优化计算模块通过输入的参数,执行控制网格精细化模块的优化策略,计算出机器人最快完成相应动作所需的每个关节轴上的扭矩电压,通过现场总线网络发送给控制器的数模转换器;
所述的优化计算模块,包括输入模块、初始化模块、控制网格精细化模块、非线性规划问题求解模块、精细化收敛性判断模块、输出模块;所述的优化计算模块执行的步骤如下:
步骤B1:输入模块接收工程师通过人机交互系统输入的腰关节、肩关节、肘关节变量的初始状态,末端状态,最终时间tf,扭矩电机的性能约束,时间网格数N,控制变量的初始值以及εl、εJ、Imax、wmin、α、βii参数信息;
步骤B2:执行初始化模块,根据最终时间tf,起始时间网格数N,采用均匀离散化的方式,计算出起始时间网格分布;初始化控制变量的初始值,初始化非线性规划问题求解模块的精度εl、迭代次数l=0,设置精细化收敛性判断模块的精度εJ、精细化迭代次数I=0、精细化迭代次数上限Imax、最小时间网格宽度wmin、合并系数α、插入系数βii;
步骤B3:执行最优控制形式转换模块;
步骤B4:通过非线性规划问题求解模块求解非线性规划问题,得到当前时间网格下的最优的控制参数和目标函数值,当l=0时,跳过步骤B5,直接执行步骤B6;
步骤B5:运行精细化收敛性判断模块,若满足收敛条件,则算法终止,并执行输出模块;否则,执行下一步;
步骤B6:运行控制网格精细化模块,得到新的控制参数、新的时间网格分布和新的目标函数值J,精细化迭代次数I=I+1,转入步骤B4;
所述的控制网格精细化模块,包括控制网格合并模块、控制网格插入模块、时间切换点定位模块,执行步骤如下:
步骤D3:插入时间网格来提高逼近精度,定义时间网格节点细化规则如式(10):
式中,Δk为插入时间节点的个数,βii为用于表征控制参数变化快慢的插入系数,ii=1,2,…,nn,其值随着ii值的增大而增大,nn表示插入系数个数,为1-6之间的整数;对于控制参数的左右斜率和如果其斜率平均值在[β1,β2)内,则在控制参数所属的时间网格[ti,ti+1]内的0.5(ti+1-ti)+ti时刻插入一个时间节点;对于控制参数的左右斜率和如果斜率平均值在[βnn-1,βnn),则在这个控制参数所属的时间网格[ti,ti+1]内均匀插入nn-1个时间节点;假设第b-1与第b个时间网格区间被细化分为Δk个小区间,对于i=b,那么细化后的时间节点将被重新标记如式(11):
对于i=b+1,b+2,…N,那么细化后的时间节点将被重新标记为式(12):
对重要时间切换点的判断准则如式(14):
si·si+1≤0 (14);
|si|≤|si+1| (15);
则将ti+1作为待优化的时间节点与控制变量同时优化,若
|si|≥|si+1| (16);
则将ti作为待优化的时间节点与控制变量同时优化;
步骤A3:控制器根据控制指令控制相应的驱动器,驱动器支配机器人每个关节的执行单元去完成规定的运动和功能;
步骤A4:位置传感器实时采集机器人手臂的位置信息,经过模数转换后用现场总线网络送给优化计算模块,实时更新控制策略,实现在线优化。
2.如权利要求1所述的一种Manutec R3型工业机器人动态优化系统,其特征在于:所述的最优控制形式转换模块,执行步骤如下:
步骤C1:判断机器人最优控制问题的目标函数、等式约束、不等式约束是否都为Mayer形式,是的话跳出最优控制形式转换模块,执行步骤B4;否则,如果机器人最优控制问题的目标函数、等式约束、不等式约束中含有Lagrange形式的函数,则执行步骤C2;如果机器人最优控制问题的目标函数、等式约束、不等式约束中含有Bolza形式的函数,则执行步骤C3;
步骤C2:将机器人最优控制问题转换为不含积分项的Mayer形式的函数,引入新的状态变量xn+1(t),并使其满足式(1):
则有式(2):
经过上式的转换,目标函数J和不等式约束以及等式约束中的积分项均可由新的状态变量在终端时刻值确定,如式(3):
其中,X(t)为加入新的状态变量xn+1(t)后的状态变量,f[t,x(t),u(t)]表示机器人动态特性的函数,Lr[t,X(t),u(t)]=0为m1个等式约束,Lr[t,X(t),u(t)]≥0为m2个不等式约束;X(t0)表示起始时间t0时状态变量,和u分别表示控制变量的上下界约束;
步骤C3:将机器人最优控制问题转换为不含积分项的Mayer形式的函数,同样引入新的状态变量xn+1(t),并使其满足式(4):
将目标函数J转换为式(5):
其中,Φ0[x(tf),tf]为终值项;通过Mayer形式转换过后,最优控制问题的Mayer形式表示如式(6):
其中,X(t)为加入新的状态变量xn+1(t)后的状态变量,Φr[x(tf)]表示与x(tf)相关的函数项,Φr[x(tf)]+Lr[t,X(t),u(t)]=0为m1个等式约束,Φr[x(tf)]+Lr[t,X(t),u(t)]≥0为m2个不等式约束。
3.如权利要求1所述的一种Manutec R3型工业机器人动态优化系统,其特征在于:所述的精细化收敛性判断模块,执行步骤如下:
步骤E1:计算当前精细化迭代的目标函数值与前一次精细化迭代的目标函数值之差的绝对值是否满足设定的误差容限系数εJ,如果满足式(17),则跳到步骤E4;否则,执行步骤E2;
|J(I+1)-J(I)|<εJ (17);
其中J(I+1)和J(I)分别代表第I+1次与第I次精细化迭代所得的目标函数值;
步骤E2:计算时间网格的宽度wi=ti-ti-1(i=1,2,…,N)是否满足式(18),如果满足下式,则跳到步骤E4;否则,执行步骤E3;
min{wi}≤wmin i=1,2,…,N (18);
步骤E3:判断是否大于设定的迭代次数上限Imax,如果满足式(19),则跳到步骤E4;否则,跳到步骤E5;
I>Imax (19);
步骤E4:满足收敛条件,则算法终止,并执行输出模块;
步骤E5:不满足收敛条件,执行步骤B6。
4.如权利要求1所述的一种Manutec R3型工业机器人动态优化系统,其特征在于:所述的非线性规划问题求解模块运行步骤,执行步骤如下:
步骤F1:通过ODE求解模块解微分方程初值问题,获取本次迭代的目标函数值和约束函数值;
步骤F2:NLP收敛性判断,如果l=0,则认为不满足NLP收敛条件,直接执行步骤F3;如果l>0且步骤F1中本次迭代的目标函数值J(l)与上一个迭代的目标函数值J(l-1)的绝对值之差小于设定的精度εl,则认为满足NLP收敛,返回本次迭代得到的3个关节轴上的扭矩电压,执行步骤B5;否则执行步骤F3;
步骤F3:计算搜索方向矢量,将式(20)所示的非线性优化命题泰勒展开为如式(21)所示的QP子问题:
其中f(x)为一维连续可微目标函数,c(x)表示mu维连续可微约束方程;x表示nu维与机器人有关的变量,包括控制变量和状态变量,xU和xL分别表示变量的上下界约束;
x在迭代点xl处对上式进行泰勒展开,并忽略高次项和目标函数中的常数项,则原命题转化为以下QP子问题:
式中dl为搜索方向矢量,gl T和Al T分别表示在xl处目标函数f(xl)的导数gl的转置和约束方程c(xl)的雅克比矩阵,cl表示xl处约束方程c(xl)的值,W为拉格朗日函数的Hessian阵;通过求解式(21),可获得搜索方向矢量的值dl;
步骤F4:步长计算,令xl+1=xl+γdl,这样就得到了下一个迭代点;γ∈(0,1],通过一维搜索方法求取,使得xl+1对应的目标函数值比xl对应的目标函数值更优,执行步骤F1,l=l+1;
所述的ODE求解模块采用四级五阶龙格库塔方法解微分方程初值问题,其计算公式为式(22):
其中,ti表示该方法选择的积分时刻;x(k)(ti)为机器人在第k次迭代中ti时刻的状态信息,u(k)为机器人在第k次迭代中ti时刻的控制变量值,F为相应的微分方程,K1、K2、K3、K4分别为该方法在积分过程中的4个节点的函数值;h为积分步长,计算公式如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910266358.1A CN110119085B (zh) | 2019-04-03 | 2019-04-03 | 一种Manutec R3型工业机器人动态优化系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910266358.1A CN110119085B (zh) | 2019-04-03 | 2019-04-03 | 一种Manutec R3型工业机器人动态优化系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110119085A CN110119085A (zh) | 2019-08-13 |
CN110119085B true CN110119085B (zh) | 2022-03-15 |
Family
ID=67520765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910266358.1A Active CN110119085B (zh) | 2019-04-03 | 2019-04-03 | 一种Manutec R3型工业机器人动态优化系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110119085B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110850817B (zh) * | 2019-10-18 | 2020-10-23 | 杭州电子科技大学 | 一种网络化工业控制系统的安全估计方法 |
US11586209B2 (en) * | 2020-04-08 | 2023-02-21 | Baidu Usa Llc | Differential dynamic programming (DDP) based planning architecture for autonomous driving vehicles |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102063548A (zh) * | 2011-01-07 | 2011-05-18 | 西安交通大学 | 一种机床整机动态性能优化设计方法 |
CN103617599A (zh) * | 2013-11-21 | 2014-03-05 | 北京工业大学 | 一种基于网格形变最优化的图像非均匀映射方法 |
CN107844056A (zh) * | 2017-11-13 | 2018-03-27 | 浙江大学 | 一种基于自适应优化控制网格的活塞流管式反应器最优控制系统 |
CN107902555A (zh) * | 2017-11-13 | 2018-04-13 | 浙江大学 | 一种网格精细化的岸边集装箱起重机最优控制系统 |
CN107908110A (zh) * | 2017-11-13 | 2018-04-13 | 浙江大学 | 基于控制网格精细化的管式反应器动态优化系统 |
CN107943119A (zh) * | 2017-11-13 | 2018-04-20 | 浙江大学 | 基于控制网格精细化的催化剂混合动态优化系统 |
CN109255188A (zh) * | 2018-09-14 | 2019-01-22 | 哈尔滨工业大学 | 基于有限元的六轴工业机器人动态性能优化方法 |
CN109491242A (zh) * | 2018-11-08 | 2019-03-19 | 杭州电子科技大学 | 一种最优控制问题直接离散求解的网格重构方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220404A (zh) * | 2017-04-20 | 2017-09-29 | 江苏理工学院 | 基于多阶段优化的复合材料汽车蓄电池壳体设计方法 |
-
2019
- 2019-04-03 CN CN201910266358.1A patent/CN110119085B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102063548A (zh) * | 2011-01-07 | 2011-05-18 | 西安交通大学 | 一种机床整机动态性能优化设计方法 |
CN103617599A (zh) * | 2013-11-21 | 2014-03-05 | 北京工业大学 | 一种基于网格形变最优化的图像非均匀映射方法 |
CN107844056A (zh) * | 2017-11-13 | 2018-03-27 | 浙江大学 | 一种基于自适应优化控制网格的活塞流管式反应器最优控制系统 |
CN107902555A (zh) * | 2017-11-13 | 2018-04-13 | 浙江大学 | 一种网格精细化的岸边集装箱起重机最优控制系统 |
CN107908110A (zh) * | 2017-11-13 | 2018-04-13 | 浙江大学 | 基于控制网格精细化的管式反应器动态优化系统 |
CN107943119A (zh) * | 2017-11-13 | 2018-04-20 | 浙江大学 | 基于控制网格精细化的催化剂混合动态优化系统 |
CN109255188A (zh) * | 2018-09-14 | 2019-01-22 | 哈尔滨工业大学 | 基于有限元的六轴工业机器人动态性能优化方法 |
CN109491242A (zh) * | 2018-11-08 | 2019-03-19 | 杭州电子科技大学 | 一种最优控制问题直接离散求解的网格重构方法 |
Non-Patent Citations (4)
Title |
---|
"Multi-path Intelligent Planning Method Based on Grid Division and Value Calculation";Sicong Li等;《IFAC PapersOnLine》;20181231;全文 * |
"一种基于伪Wigner-Ville 分析的动态优化问题网格重构策略";徐炜峰等;《化工学报》;20190131;全文 * |
"一种快速高效的控制向量参数化优化方法";徐炜峰等;《杭州电子科技大学学报(自然科学版)》;20190331;第39卷(第2期);全文 * |
"基于表面网格离散化与遗传算法的复杂工件装夹布局规划方法";秦国华等;《机械工程学报》;20160731;第52卷(第13期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110119085A (zh) | 2019-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111158349B (zh) | 基于多步线性化策略的无人驾驶车辆模型预测控制方法 | |
CN111152225A (zh) | 存在输入饱和的不确定机械臂固定时间轨迹跟踪控制方法 | |
CN104698842B (zh) | 一种基于内点法的lpv模型非线性预测控制方法 | |
Qi et al. | Stable indirect adaptive control based on discrete-time T–S fuzzy model | |
CN110119085B (zh) | 一种Manutec R3型工业机器人动态优化系统 | |
Huang et al. | Prescribed performance fuzzy back-stepping control of a flexible air-breathing hypersonic vehicle subject to input constraints | |
CN112936286B (zh) | 一种多柔性机械臂系统自适应一致性追踪控制方法及系统 | |
CN114509949A (zh) | 一种机器人预定性能的控制方法 | |
CN110744552A (zh) | 一种基于奇异摄动理论的柔性机械臂运动控制方法 | |
CN114527795B (zh) | 一种基于增量在线学习的飞行器智能控制方法 | |
Cheng et al. | Event-triggered-based adaptive command-filtered asymptotic tracking control for flexible robotic manipulators | |
CN115890668A (zh) | 一种机器人关节模组分散式优化学习控制方法及系统 | |
Moness et al. | Real-time Mamdani-like fuzzy and fusion-based fuzzy controllers for balancing two-wheeled inverted pendulum | |
Zhai et al. | Piecewise analytic optimized ascent trajectory design and robust adaptive finite-time tracking control for hypersonic boost-glide vehicle | |
An et al. | Adaptive terminal sliding mode control for reentry vehicle based on nonlinear disturbance observer | |
CN114779641A (zh) | 基于新航向误差定义的环境自适应mpc路径追踪控制方法 | |
Precup et al. | A survey on fuzzy control for mechatronics applications | |
Sangiovanni et al. | Deep reinforcement learning based self-configuring integral sliding mode control scheme for robot manipulators | |
Wei et al. | Model predictive control for trajectory-tracking and formation of wheeled mobile robots | |
CN112462608B (zh) | 一种高速列车离散滑模轨迹及速度跟踪控制方法 | |
Zhang et al. | High-order disturbance observer-based neural adaptive control for space unmanned systems with stochastic and high-dynamic uncertainties | |
CN116088299A (zh) | 卫星天线混联运动机构神经网络反步控制方法 | |
CN116501061A (zh) | 一种基于分层优化的模型预测控制路径跟踪方法 | |
Ding et al. | Immune-inspired self-adaptive collaborative control allocation for multi-level stretching processes | |
CN114879508A (zh) | 一种基于模型预测控制的磨削机器人路径跟踪控制方法 |
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 |