CN110170994B - 一种用于机械手抓取任务的触觉伺服控制方法 - Google Patents
一种用于机械手抓取任务的触觉伺服控制方法 Download PDFInfo
- Publication number
- CN110170994B CN110170994B CN201910355418.7A CN201910355418A CN110170994B CN 110170994 B CN110170994 B CN 110170994B CN 201910355418 A CN201910355418 A CN 201910355418A CN 110170994 B CN110170994 B CN 110170994B
- Authority
- CN
- China
- Prior art keywords
- controller
- manipulator
- grabbing
- target object
- finger
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 35
- 230000008569 process Effects 0.000 claims abstract description 29
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 20
- 238000013507 mapping Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 13
- 210000001145 finger joint Anatomy 0.000 claims description 12
- 238000013016 damping Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 230000003247 decreasing effect Effects 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 230000002787 reinforcement Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 230000003321 amplification Effects 0.000 claims description 2
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 2
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 210000003811 finger Anatomy 0.000 description 54
- 230000006399 behavior Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 210000003813 thumb Anatomy 0.000 description 3
- 241000203475 Neopanax arboreus Species 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012938 design process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 210000004932 little finger Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000037152 sensory function Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- B25J9/1694—Programme controls characterised by use of sensors other than normal servo-feedback from position, speed or acceleration sensors, perception control, multi-sensor controlled systems, sensor fusion
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Manipulator (AREA)
Abstract
本发明涉及一种用于机械手抓取任务的触觉伺服控制方法,属于分为(1)抓取策略规划阶段,首先建立目标物体的形状与机械手的抓取形式之间的映射关系,然后利用采集的数据训练卷积神经网络获得单次抓取过程中每个手指的触觉特征,接着利用采集的近指关节转动角度修正上述各触觉特征,根据各修正后的触觉特征并设定的各手指的驱动电机电压和期望接触力,设计相应的控制器;和(2)抓取控制阶段,在机械手抓取目标物体过程中,根据各手指实时的触觉特征自动切换到不同的控制器中,实现机械手抓取任务的触觉伺服控制。本发明有利于机械手完成更加精细的操作和复杂的任务,填补了触觉伺服技术在机械手操作控制应用领域的空白。
Description
技术领域
本发明涉及一种用于机械手抓取任务的触觉伺服控制方法,属于机械手触觉感知、触觉伺服和操作控制的技术领域。
背景技术
在机械手操作系统中,触觉感知是机械手与外界环境直接接触时的重要感觉功能,是机械手发展的关键技术之一。触觉信息能够提供更加精确的定位信息、物体物理特性信息以及机械手与物体接触状态信息。
目前在机械手控制领域中,多利用触觉信息来提取目标物体的形状、大小和刚度等特征加以分类和目标识别,即主要利用触觉信息完成识别功能。但确鲜少利用触觉信息实现检测功能,即缺少触觉反馈,因此机械手对物体抓取过程中是否抓紧、能否抓坏并无法准确评判,对于实际位置与指令位置的误差带来的不必要接触力和力矩也无法明确感知,很难保证机械手抓取任务的安全性和可靠性。
综上,为了使机械手操作任务具有更好的智能性、稳定性、灵活性,传统的基于动力学/运动学的机械手控制方法已无法满足需求。
发明内容
本发明的目的是提出一种用于机械手抓取任务的触觉伺服控制方法。本发明基于触觉阵列信息,对机械手抓取操作的接触状态进行有效估计,可为机械手完成精细操作和复杂任务提供理论和系统支撑。
为了实现上述目的,本发明采用如下技术方案:
本发明提出的一种用于机械手抓取任务的触觉伺服控制方法,所述机械手装载于一机械臂上,在机械手的各指尖处安装有触觉阵列传感器,在机械手各手指的近指关节处分别安装有角度传感器,各手指分别由相应的电机驱动;所述触觉阵列传感器具有以阵列形式分布的M个触点;其特征在于,所述触觉伺服控制方法分为抓取策略规划阶段和抓取控制阶段:
(1)抓取策略规划阶段,具体包括以下步骤:
(1-1)建立目标物体的形状与机械手的抓取形式之间的映射关系;
(1-2)数据采集及触觉特征识别
(1-2-1)将机械手按照步骤(1-1)建立的映射关系进行多次侧向抓取目标物体操作,同时利用机械手上安装的各触觉阵列传感器和角度传感器分别测量机械手在抓取过程中各手指与目标物体之间的接触力和各手指近指关节转动角度,其中,对于第j次抓取任务的单个手指,将触觉阵列传感器的各触点接触力按顺序依次排列,获得该手指在各次抓取任务过程中每个时刻的静态触觉力向量并作为一个触觉数据训练样本,为第j次抓取任务中t时刻第i个触点的压力值,j=1,2,…,N,N为抓取任务总次数,i=1,2,…,M,根据各时刻的触觉数据训练样本建立训练样本集
所述触觉特征,用于表征机械手与目标物体的接触状态,包括未接触状态、逐渐接触状态、滑动接触状态、完全接触状态;根据红外测距原理,对各接触状态作如下定义:
将所有参与抓取任务的机械手指与目标物体接触平面的法向距离均大于零时的状态,定义为未接触状态;将参与抓取任务的任一机械手指与目标物体接触平面的法向距离等于零时到所有参与操作的机械手指与目标物体接触平面的法向距离都等于零时期间所有时刻的状态,定义为逐渐接触状态;将所有参与抓取任务的机械手指与目标物体接触平面的法向距离等于零时的状态,定义为完全接触状态;将单个机械手指与目标物体接触平面的切向距离变化超过设定的阈值时的状态,定义为滑动接触状态;
(1-2-3)根据目标物体的整体轮廓大小设定近指关节转动角度的上限阈值θmax和下限阈值θmin,目标物体整体轮廓越大,下、上限阈值越小,反之,下、上限阈值越大;根据步骤(1-2-1)测量的机械手指近指关节转动角度对步骤(1-2-2)定义的各类接触状态作如下修正:
当近指关节转动角度小于等于设定的下限阈值θmin时,不论触觉特征为什么接触状态,都将判定抓取行为为未接触状态;当近指关节转动角度大于设定的下限阈值θmin且小于设定的上限阈值θmax时,抓取行为与触觉特征预测的接触状态一致;当近指关节转动角度大于等于设定的上限阈值θmax时,抓取行为为坏抓取,停止判断,将机械手复位到五指完全张开的初始状态;
(1-3)根据各手指电机的驱动电压值与期望接触力之间的关系,设定各手指电机的驱动电压值,记为各手指的期望电压值,所述期望接触力为实现稳定抓取目标物体时机械手手指与目标物体之间的接触力大小;
根据步骤(1-2-3)修正后的各接触状态分别设定相应的控制器,各控制器的输入为相应手指的期望接触力误差值、输出为相应接触状态下各手指电机的驱动电压值,具体如下:
(1-3-1)对于未接触状态,所采用的控制器满足抓取任务对快速性的要求;
(1-3-2)对于逐渐接触状态,所采用的控制器满足抓取任务对安全性和柔顺性的要求;
(1-3-3)对于完全接触状态,所采用的控制器满足抓取任务对稳定性和抗干扰性的要求;
(1-3-4)对于滑动接触状态,所采用的控制器满足抓取任务对稳定性的要求;
(2)抓取控制阶段,具体包括以下步骤:
根据步骤(1-1)建立的映射关系由待抓取目标物体的形状确定相应的机械手抓取形式,根据目标物体的大小向机械手的各驱动电机输入一个初始电压,驱动机械手进行首轮抓取;在机械手抓取目标物体过程中,实时检测触觉阵列传感器信息,并将其输入步骤(1-2-2)中训练好的卷积神经网络,获得每个手指的触觉特征,与此同时,触觉特征与机械手指近指关节角度依据步骤(1-2-3)的跨模态融合得到修正的触觉特征,根据不同触觉特征即未接触状态、逐渐接触状态、完全接触状态和滑动接触状态自动切换到步骤(1-3)中设计的具有不同控制特性的控制器中,使得机械手从其他接触状态向完全接触状态转换;当机械手达到下一个抓取操作时刻时,重复上述过程,从而实现机械手抓取任务的触觉伺服控制。
本发明的特点及有益效果:
本发明方法分为抓取策略规划和抓取控制两阶段,首先通过抓取策略规划得到机械手抓取形式;其次,触觉阵列传感器表征机械手与目标物体的接触状态,获得触觉特征;再次将触觉特征与机械手近指关节转动角度跨模态融合,获取抓取任务的修正后触觉特征;最后根据修正的触觉特征,设计具有不同动力学特性的手指运动控制器;在实际抓取控制阶段,利用实时采集的触觉阵列信息和近指关节转动角度信息,选择对应的控制器,实现机械手抓取任务的触觉伺服控制。
本发明通过训练卷积神经网络以触觉阵列信息表征机械手与目标物体的接触状态,并以此作为触觉特征,使其能够为机械手完成精细操作和复杂任务提供丰富的触觉感知信息,提高机械手抓取不规则、柔软、可变形物体的安全性、稳定性及成功率;同时通过触觉特征与机械手近指关节转动角度跨模态融合,即通过机械手近指关节转动角度对所述触觉特征进行修正,获取机械手与目标物体的抓取行为,从而避免仅仅依靠触觉特征判定结果产生损坏物体或坏抓取情况,例如:机械手指在弯曲到接近极限的位置时仍未抓到物体,此时应该停止抓取操作,而只用触觉传感器表征的触觉特征信息时,机械手将会继续产生抓取操作,容易破坏机械手;根据修正后的触觉特征设计具有不同动态特性的手指运动控制器,满足机械手在抓取任务过程中对快速性、稳定性、安全性、柔顺性等性能的需求;在机械手实际抓取目标物体过程中,实时检测触觉阵列传感器信息,并将其输入训练好的卷积神经网络,获得每个手指的触觉特征,与此同时,触觉特征与机械手指近指关节转动角度跨模态融合得到修正的触觉特征,根据不同触觉特征即未接触状态、逐渐接触状态、完全接触状态和滑动接触状态自动切换到具有不同控制特性的控制器中,实现机械手的抓取控制,当机械手达到下一个抓取操作时刻时,重复上述过程,以形成对机械手抓取过程的触觉伺服。
综上,本发明为触觉伺服控制策略在机械手操作任务中的应用提供理论与技术基础,推进服务机器人灵巧手、可穿戴假肢手、力反馈操纵装置、VR体感手套等人们日常生活中所能用到的产品实用化进程,使其真正的为人们所用。
具体实施方式
以下结合实施例对本发明的技术方案进一步详细说明如下:
本发明实施例提出的一种用于机械手抓取任务的触觉伺服控制方法,所述机械手装载于一UR机械臂上,在机械手的各指尖处安装有触觉阵列传感器(本实施例采用本申请人已申报的一种智能压阻柔性压力阵列传感器,申请号:201811226659.3,其感知部分具有以5×5形式分布的25个触点,其中有2个触点无效,其余各有效触点能够测量机械手与目标物体之间的接触力。对于其他类型的触觉阵列传感器,本发明方法同样适用),在机械手各手指的近指关节处分别安装有角度传感器,各手指分别由相应的电机驱动;本机械手操作任务触觉伺服控制方法分为抓取策略规划阶段和抓取控制阶段:
(1)抓取策略规划阶段,具体包括以下步骤:
(1-1)建立目标物体的形状(例如:球形、圆柱形、长方体、四面体等形状)与机械手的抓取形式(例如:拇指与食指的二指抓取形式;拇指、食指与中指的三指抓取形式;拇指、食指、中指、环指与小指的五指抓取形式)之间的映射关系,使机械手采取某种抓取形式对某种形状的目标物体进行操作时具有最佳的效果(例如:对于球形或圆柱形的目标物体,可采用五指抓取形式;对于长方体或四面体形状的目标物体,可采用三指抓取形式)。
(1-2)数据采集及触觉特征识别
(1-2-1)将机械手按照步骤(1-1)建立的映射关系进行多次侧向抓取目标物体操作,同时利用机械手上安装的各触觉阵列传感器和角度传感器分别测量机械手在抓取过程中各手指与目标物体之间的接触力和各手指近指关节转动角度,其中,对于第j次抓取任务的单个手指,将触觉阵列传感器的各触点按照从左到右从上到下的顺序依次排列,获得该手指在各次抓取任务过程中每个时刻的静态触觉力向量并作为一个触觉数据训练样本,为第j次抓取任务中t时刻第i个触点的压力值,j=1,2,…,N,N为抓取任务总次数,i=1,2,…,M,M为单个触觉阵列传感器中有效触点的总数(M≥10),根据各时刻的触觉数据训练样本建立训练样本集
任意选取超过训练样本集总数一半的训练样本集作为训练集数据,剩余的训练样本集作为测试集数据,本实施例采用70%的训练样本集作为训练集数据。依次将每个训练集数据作为卷积神经网络的输入量,选取卷积核为a×a维度的矩阵,其中,a为正整数,且2≤a≤A,A为所采用各触觉传感器阵列的行数或列数,本实施例a=2,以一行或者一列作为移动步长,依次选取a×a的区域进行池化,然后将池化结果与相应的权重乘积加和进行全连接输入到卷积神经网络的隐含层,该隐含层的节点不小于5个(本实施例采用10个,隐含层的节点数越多,计算结果越精确,相应的,计算速度变慢,故在确定隐含层节点数时,应同时考虑计算精度与计算速度两者的需求),最后将隐含层节点的结果与相应的权重乘积加和进行全连接输出,得到触觉特征的分类标签,其中输入层与隐含层和隐含层与输出层之间的激活函数为ReLU(线性整流)函数,选取分值最大的分类标签作为卷积神经网络的输出结果,并与训练集数据的实际分类标签进行比对,根据梯度下降法反向传播更新卷积神经网络中的所有权重,直至利用测试集数据得到卷积神经网络的预测准确率大于设定值(本实施例中,该设定值为99%),则停止训练;
所述触觉特征,用于表征机械手与目标物体间的接触状态,包括未接触状态、逐渐接触状态、滑动接触状态、完全接触状态,所述触觉特征的分类标签即与上述接触状态一一对应;根据红外测距原理,对各接触状态作如下定义:
将所有参与抓取任务的机械手指与目标物体接触平面的法向距离均大于零时的状态,定义为未接触状态;将参与抓取任务的任一机械手指与目标物体接触平面的法向距离等于零时到所有参与操作的机械手指与目标物体接触平面的法向距离都等于零时期间所有时刻的状态,定义为逐渐接触状态;将所有参与抓取任务的机械手指与目标物体接触平面的法向距离等于零时的状态,定义为完全接触状态;将单个机械手指与目标物体接触平面的切向距离变化超过设定的阈值(一般,该设定的阈值不大于1mm)时的状态,定义为滑动接触状态。
(1-2-3)根据目标物体的整体轮廓大小设定近指关节转动角度的上限阈值θmax和下限阈值θmin,目标物体整体轮廓越大,下、上限阈值越小,反之,下、上限阈值越大;根据步骤(1-2-1)测量的机械手指近指关节转动角度对步骤(1-2-2)定义的各类接触状态作如下修正:
当近指关节转动角度小于等于设定的下限阈值θmin时,不论触觉特征为什么接触状态,都将判定抓取行为为未接触状态;当近指关节转动角度大于设定的下限阈值θmin且小于设定的上限阈值θmax时,抓取行为与触觉特征的接触状态一致;当近指关节转动角度大于等于设定的上限阈值θmax时,抓取行为为坏抓取,停止判断,将机械手复位到五指完全张开的初始状态。
(1-3)根据各手指电机的驱动电压值与期望接触力之间的关系(可根据常规的数值模拟方法确定手指电机的驱动电压值与期望接触力之间的数学关系),设定各手指电机的驱动电压值,记为各手指的期望电压值,所述期望接触力为实现稳定抓取目标物体时机械手手指与目标物体之间的接触力大小,可由用户根据实际情况确定;
根据步骤(1-2-3)修正后的各接触状态分别设定相应的控制器,各控制器的输入为对相应手指的期望接触力误差值、输出为相应接触状态下各手指电机的驱动电压值,具体如下:
(1-3-1)对于未接触状态,所采用的控制器满足抓取任务对快速性的要求,即满足:(a)使机械手快速达到完全接触状态;(b)机械手的实际接触力比期望接触力不宜过大;(c)机械手的实际接触力与期望接触力存在偏差时,能够迅速朝着期望接触力的方向进行调整。
本实施例采用专家PID控制器,其中,比例参数P、积分参数I和微分参数D由用户根据实际情况设定,令e(k)表示离散化的当前采样时刻k的控制器输入的误差值,e(k-1)和e(k-2)分别表示前一个和前两个采样时刻的控制器输入的误差值,则有当前采样时刻控制器输入的误差值的变化量Δe(k)=e(k)-e(k-1),上一采样时刻控制器输入的误差值的变化量Δe(k-1)=e(k-1)-e(k-2);设定控制器输入误差的第一阈值为TH1、控制器输入误差的第二阈值为TH2和控制器输入误差的允许误差为ε,TH1>TH2,ε为远小于TH2的正数;按照如下原则设计未接触状态下的控制器,分为三大类情况:
(a)当|e(k)|>TH1时,不论控制器输入误差变化如何,控制器的输出均为设定的期望电压值,以达到迅速调整误差,使误差绝对值以最大速度减小,同时避免超调(即超过期望电压值)。
(b)当|e(k)|≤ε时,说明控制器输入误差的绝对值很小,可认为已达到平衡状态,此时,可考虑采取保持控制器输出不变。
(c)当处于上述两种情况之间时又分为如下几种子情况:
(c-1)当e(k)Δe(k)>0或Δe(k)=0时,说明控制器输入误差在朝误差绝对值增大方向变化,或者控制器输入误差为某一常值,未发生变化。进一步判断,如果|e(k)|≥TH2,说明控制器输入误差较大,可考虑增大控制器输出的变化量,使控制器输入误差绝对值朝较小方向变化,迅速减小控制器输入误差的绝对值;如果|e(k)|<TH2,说明尽管控制器输入误差朝绝对值增大方向变化,但该误差绝对值本身并不是很大,可考虑,扭转控制器输入误差的变化趋势,使其朝误差绝对值减小方向变化。
(c-2)当e(k)Δe(k)<0,Δe(k)Δe(k-1)>0或Δe(k)=0时,说明控制器输入误差的绝对值朝减小的方向变化,或者已经达到平衡状态。此时,可考虑采取保持控制器输出不变。
(c-3)当e(k)Δe(k)<0且Δe(k)Δe(k-1)<0时,进一步判断,如果|e(k)|≥TH2,可考虑增大控制器输入的变化量;如果|e(k)|<TH2,可考虑减小控制器输入的变化量。
(1-3-2)对于逐渐接触状态,所采用的控制器满足抓取任务对安全性和柔顺性的要求,即满足:(a)机械手与目标物体的期望接触力不宜过大;(b)机械手与目标物体从逐渐接触状态到达完全接触状态的时间不宜过大;(c)机械手采用尽可能小的接触力实现对目标物体的抓取,又保证接触瞬间的接触力峰值较小。
本实施例采用阻抗控制器,该阻抗控制器涉及的参数包括惯性参数M、阻尼参数B、刚度参数K;其中,惯性参数M影响机械手与目标物体完全接触时接触力的大小,当惯性参数M增大时,对应的期望接触力增大,当惯性参数M减小时,对应的期望接触力减小,惯性参数M数值依照机械手实际的惯性参数在一定范围内调整;阻尼参数B影响机械手与目标物体瞬间接触时的时间长短和接触力大小,当阻尼参数B增大时,瞬间接触力减小,但过大的阻尼参数B会使接触力响应达到稳定的时间变慢;刚度参数K影响机械手与目标物体瞬间接触时的接触力大小,当刚度参数K减小时,机械手与目标物体的瞬间接触力减小,当刚度参数K增大时,机械手与目标物体的瞬间接触力增大,但刚度参数调整要尽量的使机械手处于临界阻尼或者过阻尼状态,这样才能即保证机械手采用尽可能小的接触力实现对目标物体的抓取,又保证接触瞬间的力峰值较小,从而避免对目标物体的损坏。
(1-3-3)对于完全接触状态,所采用的控制器满足抓取任务对稳定性和抗干扰性的要求,即满足:(a)能够将外部物理干扰(例如:碰撞、振动)和控制器内部干扰(例如:传感器噪声)等因素考虑到控制器中,实现自适应补偿,维持机械手与目标物体的完全接触状态;(b)机械手的实际接触力与期望接触力存在偏差时,能够迅速朝着期望接触力的方向进行调整。
本实施例采用一阶自抗扰控制器,该控制器由安排过渡过程、非线性误差反馈和扩张状态观测器三部分组成;安排过渡过程的参数包括速度因子r0,可决定安排过渡过程的快慢;非线性误差反馈的参数包括时间尺度h为该控制器响应的最小时间,用于表示误差微分的放大倍数的比例系数c,以及可影响控制器输出大小的补偿因子b0;扩张状态观测器的参数包括β01,β02,表达式如下:
由于自抗扰控制器自身结构的特点,它具有抗干扰特性,只需设置好控制器的参数即可维持机械手的完全接触状态。在实际应用过程中,应用在仿真控制环境下调试获得的最佳值,即可使机械手处于完全接触状态,获得稳定抓取控制效果。
(1-3-4)对于滑动接触状态,所采用的控制器满足抓取任务对稳定性的要求,即满足:(a)机械手与目标物体的期望接触力向增大方向调节;(b)机械手与目标物体期望接触力的增量不宜过大。
本实施例采用增力模糊控制器,针对该增力模糊控制器,需要设计如下参数:
(a)模糊控制器的阶数:只有误差作为控制器的输入时为一阶模糊控制器,误差和误差的微分作为控制器的输入时为二阶模糊控制器。在控制精度要求较高的场合,使用二阶模糊控制器,在控制精度要求不高的场合,使用一阶模糊控制器。
(b)定义控制器的输入、输出模糊集和论域:模糊集通常选择奇数并且大于等于3,根据实际情况,模糊集越多,控制精度越高,设计过程越繁琐,控制器每次调节接触力的范围越小,易产生未调整到稳定抓取情况而目标物体掉落的情况,模糊集越少,控制精度越低,设计过程越简单,控制器每次调节接触力的范围越大,易产生调节力作用过大而损坏物体的情况,因此,在实际应用过程需要反复试错获得最佳值。论域具有限定控制器的输入和输出的自定义模糊范围,即需要把实际控制器中的输入和输出归一化成论域范围中的值,再应用到控制器中。
(c)定义控制器的输入和输出隶属度函数:通常使用S形、Z形、Ⅱ形以及自定义形等隶属度函数。通常情况,使用能够使控制器输出连续平稳,提升控制效果的隶属度函数。
(d)建立模糊控制规则及其控制表:根据经验和实际情况设计,例如:针对一阶模糊控制器,当误差的绝对值非常大时,不论控制器输入误差变化如何,控制器的输出均为设定的期望电压值,以达到迅速调整误差,使误差绝对值以最大速度减小,同时避免超调(即超过期望电压值)。
(e)去模糊化处理:确定去模糊化函数,主要有最大隶属度法,重心法和加权平均法。通常情况,使用重心法即可,该方法能够使控制器输出连续平稳,提升控制效果。
本发明中各个控制器的具体设计方法需结合机械手的具体应用场景,可采用现有的控制器设计方法确定。
(2)抓取控制阶段,具体包括以下步骤:
根据步骤(1-1)建立的映射关系由待抓取目标物体的形状确定相应的机械手抓取形式,根据目标物体的大小向机械手的各驱动电机输入一个初始电压,驱动机械手进行首轮抓取。在机械手抓取目标物体过程中,实时检测触觉阵列传感器信息,并将其输入步骤(1-2-2)中训练好的卷积神经网络,获得每个手指的触觉特征,与此同时,触觉特征与机械手指远指节角度依据步骤(1-2-3)的跨模态融合得到修正的触觉特征,根据不同触觉特征即未接触状态、逐渐接触状态、完全接触状态和滑动接触状态自动切换到步骤(1-3)中设计的具有不同控制特性的控制器中,使得机械手从其他接触状态向完全接触状态转换;当机械手达到下一个抓取操作时刻时,重复上述过程,从而实现机械手抓取任务的触觉伺服控制。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (1)
1.一种用于机械手抓取任务的触觉伺服控制方法,所述机械手装载于一机械臂上,在机械手的各指尖处安装有触觉阵列传感器,在机械手各手指的近指关节处分别安装有角度传感器,各手指分别由相应的电机驱动;所述触觉阵列传感器具有以阵列形式分布的M个触点;其特征在于,所述触觉伺服控制方法分为抓取策略规划阶段和抓取控制阶段:
(1)抓取策略规划阶段,具体包括以下步骤:
(1-1)建立目标物体的形状与机械手的抓取形式之间的映射关系;
(1-2)数据采集及触觉特征识别
(1-2-1)将机械手按照步骤(1-1)建立的映射关系进行多次侧向抓取目标物体操作,同时利用机械手上安装的各触觉阵列传感器和角度传感器分别测量机械手在抓取过程中各手指与目标物体之间的接触力和各手指近指关节转动角度,其中,对于第j次抓取任务的单个手指,将触觉阵列传感器的各触点按顺序依次排列,获得该手指在各次抓取任务过程中每个时刻的静态触觉力向量Et j=(ft j,1,…ft j,i,…,ft j,M),并作为一个触觉数据训练样本,ft j,i为第j次抓取任务中t时刻第i个触点的压力值,j=1,2,…,N,N为抓取任务总次数,i=1,2,…,M,根据各时刻的触觉数据训练样本建立训练样本集
(1-2-2)利用触觉数据训练样本集中的样本Ft j训练卷积神经网络,获得单次抓取过程中每个手指的触觉特征;
所述卷积神经网络的训练过程如下:
任意选取超过训练样本集总数一半的训练样本集作为训练集数据,剩余的训练样本集作为测试集数据;依次将每个训练集数据作为卷积神经网络的输入量,选取卷积核为a×a维度的矩阵,a为正整数,且2≤a≤A,A为所采用各触觉传感器阵列的行数或列数,以一行或者一列作为移动步长,依次选取a×a的区域进行池化,然后将池化结果与相应的权重乘积加和进行全连接输入到卷积神经网络的隐含层,该隐含层的节点不小于5个,最后将隐含层节点的结果与相应的权重乘积加和进行全连接输出,得到触觉特征的分类标签,所述触觉特征的分类标签与所定义的各接触状态一一对应,其中输入层与隐含层和隐含层与输出层之间的激活函数为线性整流函数,选取分值最大的分类标签作为卷积神经网络的输出结果,并与训练集数据的实际分类标签进行比对,根据梯度下降法反向传播更新卷积神经网络中的所有权重,直至利用测试集数据得到卷积神经网络的预测准确率大于设定值,则停止训练;
所述触觉特征,用于表征机械手与目标物体间的接触状态,包括未接触状态、逐渐接触状态、滑动接触状态、完全接触状态;根据红外测距原理,对各接触状态作如下定义:
将所有参与抓取任务的机械手指与目标物体接触平面的法向距离均大于零时的状态,定义为未接触状态;将参与抓取任务的任一机械手指与目标物体接触平面的法向距离等于零时到所有参与操作的机械手指与目标物体接触平面的法向距离都等于零时期间所有时刻的状态,定义为逐渐接触状态;将所有参与抓取任务的机械手指与目标物体接触平面的法向距离等于零时的状态,定义为完全接触状态;将单个机械手指与目标物体接触平面的切向距离变化超过设定的阈值时的状态,定义为滑动接触状态;
(1-2-3)根据目标物体的整体轮廓大小设定近指关节转动角度的上限阈值θmax和下限阈值θmin,目标物体整体轮廓越大,下、上限阈值越小,反之,下、上限阈值越大;根据步骤(1-2-1)测量的机械手指近指关节转动角度对步骤(1-2-2)定义的各类接触状态作如下修正:
当近指关节转动角度小于等于设定的下限阈值θmin时,不论触觉特征为什么接触状态,都将判定抓取行为为未接触状态;当近指关节转动角度大于设定的下限阈值θmin且小于设定的上限阈值θmax时,抓取行为与触觉特征预测的除未接触状态以外的其他接触状态一致;当近指关节转动角度大于等于设定的上限阈值θmax时,抓取行为为坏抓取,停止判断,将机械手复位到五指完全张开的初始状态;
(1-3)根据各手指电机的驱动电压值与期望接触力之间的关系,设定各手指电机的驱动电压值,记为各手指的期望电压值,所述期望接触力为实现稳定抓取目标物体时机械手手指与目标物体之间的接触力大小;
根据步骤(1-2-3)修正后的各接触状态分别设定相应的控制器,各控制器的输入为相应手指的期望接触力误差值、输出为相应接触状态下各手指电机的驱动电压值,具体如下:
(1-3-1)对于未接触状态,所采用的控制器满足抓取任务对快速性的要求;采用专家PID控制器;设定的控制器参数包括:比例参数P、积分参数I和微分参数D,离散化的当前采样时刻k的控制器输入的误差值e(k)、前一个和前两个采样时刻的控制器输入的误差值e(k-1)和e(k-2)、上一采样时刻控制器输入的误差值的变化量Δe(k-1)=e(k-1)-e(k-2),控制器输入误差的第一阈值为TH1、控制器输入误差的第二阈值为TH2和控制器输入误差的允许误差为ε,TH1>TH2,ε为远小于TH2的正数;按照如下原则设计未接触状态下的控制器,分为三大类情况:
(a)当|e(k)|>TH1时,不论控制器输入误差变化如何,控制器的输出均为步骤(1-2-4)中设定的期望电压值;
(b)当|e(k)|≤ε时,保持控制器输出不变;
(c)当处于上述两种情况之间时又分为如下几种子情况:
(c-1)当e(k)Δe(k)>0或Δe(k)=0时,进一步判断,如果|e(k)|≥TH2,增大控制器输出的变化量;如果|e(k)|<TH2,减小控制器输出的变化量,使控制器输入误差朝误差绝对值减小的方向变化;
(c-2)当e(k)Δe(k)<0,Δe(k)Δe(k-1)>0或Δe(k)=0时,保持控制器输出不变;
(c-3)当e(k)Δe(k)<0且Δe(k)Δe(k-1)<0时,进一步判断,如果|e(k)|≥TH2,增大控制器输入的变化量;如果|e(k)|<TH2,减小控制器输入的变化量;
(1-3-2)对于逐渐接触状态,所采用的控制器满足抓取任务对安全性和柔顺性的要求;采用阻抗控制器,该控制器涉及的参数包括惯性参数M、阻尼参数B和刚度参数K;其中,所述惯性参数M影响机械手与目标物体完全接触时接触力的大小,当惯性参数M增大时,对应的期望接触力增大,当惯性参数M减小时,对应的期望接触力减小,惯性参数M数值依照机械手实际的惯性参数调整;所述阻尼参数B影响机械手与目标物体瞬间接触时的时间长短和接触力大小,当阻尼参数B增大时,瞬间接触力减小;所述刚度参数K影响机械手与目标物体瞬间接触时的接触力大小,当刚度参数K减小时,机械手与目标物体的瞬间接触力减小,当刚度参数K增大时,机械手与目标物体的瞬间接触力增大;
(1-3-3)对于完全接触状态,所采用的控制器满足抓取任务对稳定性和抗干扰性的要求;采用一阶自抗扰控制器,该控制器由安排过渡过程、非线性误差反馈和扩张状态观测器三部分组成;安排过渡过程的参数包括速度因子r0,决定安排过渡过程的快慢;非线性误差反馈的参数包括时间尺度h,为该控制器响应的最小时间,用于表示误差微分的放大倍数的比例系数c,以及影响控制器输出大小的补偿因子b0;扩张状态观测器的参数包括β01,β02,表达式如下:
(1-3-4)对于滑动接触状态,所采用的控制器满足抓取任务对稳定性的要求;采用增力模糊控制器,该增力模糊控制器的参数包括:
(a)增力模糊控制器的阶数:只有误差作为控制器的输入时为一阶模糊控制器,误差和误差的微分作为控制器的输入时为二阶模糊控制器;
(b)定义控制器的输入、输出模糊集和论域:模糊集选择奇数并且大于等于3;将实际控制器中的输入和输出归一化成论域范围中的值,再输入到控制器中;
(c)定义控制器的输入和输出隶属度函数:使用S形、Z形、II形或自定义形的隶属度函数;
(d)建立模糊控制规则及其控制表:控制器的输出均为设定的期望电压值;
(e)去模糊化处理:确定去模糊化函数,使用最大隶属度法,重心法或加权平均法;
(2)抓取控制阶段,具体包括以下步骤:
根据步骤(1-1)建立的映射关系由待抓取目标物体的形状确定相应的机械手抓取形式根据目标物体的大小向机械手的各驱动电机输入一个初始电压,驱动机械手进行首轮抓取;在机械手抓取目标物体过程中,实时检测触觉阵列传感器信息,并将其输入步骤(1-2-2)中训练好的卷积神经网络,获得每个手指的触觉特征,与此同时,触觉特征与机械手指远指节角度依据步骤(1-2-3)的跨模态融合得到修正的触觉特征,根据不同触觉特征即未接触状态、逐渐接触状态、完全接触状态和滑动接触状态自动切换到步骤(1-3)中设计的具有不同控制特性的控制器中,使得机械手从其他接触状态向完全接触状态转换;当机械手达到下一个抓取操作时刻时,重复上述过程,从而实现机械手抓取任务的触觉伺服控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910355418.7A CN110170994B (zh) | 2019-04-29 | 2019-04-29 | 一种用于机械手抓取任务的触觉伺服控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910355418.7A CN110170994B (zh) | 2019-04-29 | 2019-04-29 | 一种用于机械手抓取任务的触觉伺服控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110170994A CN110170994A (zh) | 2019-08-27 |
CN110170994B true CN110170994B (zh) | 2020-10-27 |
Family
ID=67690277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910355418.7A Active CN110170994B (zh) | 2019-04-29 | 2019-04-29 | 一种用于机械手抓取任务的触觉伺服控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110170994B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110605717A (zh) * | 2019-09-18 | 2019-12-24 | 北京三快在线科技有限公司 | 一种机械手臂、无人机自动换电系统和机械手臂控制方法 |
CN111055279B (zh) * | 2019-12-17 | 2022-02-15 | 清华大学深圳国际研究生院 | 基于触觉与视觉结合的多模态物体抓取方法与系统 |
CN110974425B (zh) * | 2019-12-20 | 2020-10-30 | 哈尔滨工业大学 | 对手术器械夹持力感知模型进行训练的方法 |
CN110861096B (zh) * | 2019-12-21 | 2021-02-05 | 江苏开璇智能科技有限公司 | 一种机器人关节交互力感知与控制方法及装置 |
CN111941423B (zh) * | 2020-07-24 | 2021-08-24 | 武汉万迪智慧科技有限公司 | 一种人机交互机械抓手控制系统及方法 |
CN111993416B (zh) * | 2020-07-30 | 2021-09-14 | 浙江大华技术股份有限公司 | 一种控制机械臂运动的方法、设备、系统以及装置 |
CN113534776B (zh) * | 2021-07-16 | 2022-08-26 | 珠海丽珠试剂股份有限公司 | 数据处理方法、装置和流水线系统 |
CN115582842B (zh) * | 2022-12-02 | 2023-03-07 | 浙江大学 | 一种具有柔性触觉传感器的机械手抓握控制系统及方法 |
CN116572254B (zh) * | 2023-07-07 | 2023-09-08 | 湖南大学 | 一种机器人仿人多手指联合触觉感知方法、系统和设备 |
CN116652971A (zh) * | 2023-07-31 | 2023-08-29 | 江苏云幕智造科技有限公司 | 一种不同刚度物体识别与机械手抓取力控制方法 |
CN117067208B (zh) * | 2023-09-08 | 2024-08-06 | 无锡学院 | 一种柔性手抓取力的控制方法及控制系统 |
CN117841751B (zh) * | 2024-03-08 | 2024-05-17 | 沧州智慧城科技有限公司 | 基于意图识别的充电枪系统及充电方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101479232B1 (ko) * | 2008-05-13 | 2015-01-06 | 삼성전자 주식회사 | 로봇과 로봇 핸드, 로봇 핸드의 제어 방법 |
ES2748975T3 (es) * | 2015-04-29 | 2020-03-18 | Bioservo Tech Aktiebolag | Sistema de control para un guante de refuerzo |
CN105005787B (zh) * | 2015-06-24 | 2018-05-29 | 清华大学 | 一种基于灵巧手触觉信息的联合稀疏编码的材质分类方法 |
CN105945979B (zh) * | 2016-07-08 | 2018-03-23 | 上海航天控制技术研究所 | 对欠驱动二指爪机构进行柔顺控制的方法 |
CN108115679A (zh) * | 2016-11-29 | 2018-06-05 | 杨晶 | 一种气动机械手柔性抓取控制系统 |
JP6640792B2 (ja) * | 2017-06-30 | 2020-02-05 | ファナック株式会社 | ハンド制御装置、ハンド制御方法、およびハンドのシミュレーション装置 |
CN108161994B (zh) * | 2017-12-20 | 2020-07-10 | 清华大学 | 一种多模态触觉感知装置 |
-
2019
- 2019-04-29 CN CN201910355418.7A patent/CN110170994B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110170994A (zh) | 2019-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110170994B (zh) | 一种用于机械手抓取任务的触觉伺服控制方法 | |
Ozawa et al. | Grasp and dexterous manipulation of multi-fingered robotic hands: a review from a control view point | |
Geng et al. | Transferring human grasping synergies to a robot | |
US20210293643A1 (en) | Multi-Modal Fingertip Sensor With Proximity, Contact, And Force Localization Capabilities | |
Zimmer et al. | Predicting grasp success with a soft sensing skin and shape-memory actuated gripper | |
Funabashi et al. | Morphology-specific convolutional neural networks for tactile object recognition with a multi-fingered hand | |
Petković et al. | Analyzing of flexible gripper by computational intelligence approach | |
Cobos-Guzman et al. | Fuzzy logic expert system for selecting robotic hands using kinematic parameters | |
Mouri et al. | Unknown object grasping strategy imitating human grasping reflex for anthropomorphic robot hand | |
Funabashi et al. | Variable in-hand manipulations for tactile-driven robot hand via CNN-LSTM | |
Zhu et al. | Visual-tactile sensing for real-time liquid volume estimation in grasping | |
Bai et al. | Tactile perception information recognition of prosthetic hand based on dnn-lstm | |
Matsuoka | The mechanisms in a humanoid robot hand | |
Mazhitov et al. | Human–robot handover with prior-to-pass soft/rigid object classification via tactile glove | |
Navarro-Gonzalez et al. | On-line incremental learning for unknown conditions during assembly operations with industrial robots | |
Castro et al. | Tactile force control feedback in a parallel jaw gripper | |
Giorelli et al. | A feed forward neural network for solving the inverse kinetics of non-constant curvature soft manipulators driven by cables | |
Beddow et al. | Reinforcement learning grasping with force feedback from modeling of compliant fingers | |
Buss et al. | Information and power flow during skill acquisition for the intelligent assisting system-IAS | |
Tascillo et al. | Neural and fuzzy robotic hand control | |
Abbasi et al. | Grasp taxonomy for robot assistants inferred from finger pressure and flexion | |
Subasri et al. | Model Identification of 3R Palnar Robot using Neural Network and Adaptive Neuro-Fuzzy Inference System | |
Zhang et al. | A method to modify initial desired force of prosthetic hand based on stiffness estimation | |
Zhang et al. | Stiffness-gradient-based grasping force control for an underactuated prosthetic hand | |
Jeong et al. | Artificial Neural Network based Tactile Sensing Unit for Robotic Hand |
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 |