CN110919633A - 一种基于力矩控制的机器人的位置偏移方法 - Google Patents
一种基于力矩控制的机器人的位置偏移方法 Download PDFInfo
- Publication number
- CN110919633A CN110919633A CN201911238391.XA CN201911238391A CN110919633A CN 110919633 A CN110919633 A CN 110919633A CN 201911238391 A CN201911238391 A CN 201911238391A CN 110919633 A CN110919633 A CN 110919633A
- Authority
- CN
- China
- Prior art keywords
- neural network
- robot
- joint
- collision
- track
- 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
Images
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
- B25J9/0081—Programme-controlled manipulators with master teach-in means
-
- 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
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
-
- 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
- B25J9/1628—Programme controls characterised by the control loop
- B25J9/1633—Programme controls characterised by the control loop compliant, force, torque control, e.g. combined with position control
-
- 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
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
- B25J9/1666—Avoiding collision or forbidden zones
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了一种基于力矩控制的机器人的位置偏移方法。本方法首先采集机器人无碰撞、接触模具两侧的三组数据作为神经网络训练数据，然后对神经网络进行训练，获得能分辨是否发生接触或碰撞的模型。然后在获得执行机构末端接触或碰撞的方向后，进行机器人末端执行机构的速度偏移，避免发生碰撞。本发明大大增加了刮渣机构的使用寿命，提高了机器人有色金属刮渣的稳定性。
Description
技术领域
本发明涉及一种机器人控制方法，具体为一种基于力矩控制的机器人的位置偏移方法。
背景技术
工业机器人有色金属刮渣是冶炼行业的一个重要应用。由于产线老旧、模具一致性差，因此目前基于位置控制的机器人控制方法在刮渣过程中刮渣机构可能会与模具发生碰撞，从而导致末端执行机构磨损，严重的有可能使机器人停机，影响生产。
因此，目前需要一种能够改进位置控制机器人的控制方法，以降低机器人的工作过程中的损伤。
发明内容
本发明的目的在于提供一种基于力矩控制的机器人的位置偏移方法，以弥补现有技术的不足。
为实现上述目的，本发明提供如下技术方案：
一种基于力矩控制的机器人的位置偏移方法，所述方法包括以下步骤：
步骤1：示教机器人运行轨迹，在标准模具下，以额定速度进行无碰撞运动；
步骤2：在机器人运行过程中，每隔2ms采集一次关节角度、关节角速度、关节角加速度和关节力矩数据；
步骤3：在步骤1轨迹的基础上，进行轨迹偏移，使机器人执行机构与模具左侧发生轻微接触，然后以额定速度进行运动；
步骤4：在机器人运行过程中，每隔2ms采集一次关节角度、关节角速度、关节角加速度和关节力矩数据；
步骤5：在步骤1轨迹的基础上，进行轨迹偏移，使机器人执行机构与模具右侧发生轻微接触，然后以额定速度进行运动；
步骤6：在机器人运行过程中，每隔2ms采集一次关节角度、关节角速度、关节角加速度和关节力矩数据；
步骤7：建立一个神经网络，网络输入为关节角度、关节角速度、关节角加速度和关节力矩；网络输出为执行机构碰撞方向，激活函数为归一化指数函数(softmax)；网络中有一个隐含层，包含50个神经元，连接方式为全接连，激活函数为双曲正切函数(tanh)；
步骤8：通过步骤2得到的数据，使用梯度下降法对上述步骤7建立的神经网络进行训练，获得无碰撞下的神经网络模型；
步骤9：示教机器人刮渣轨迹，在运行过程中，实时采集关节角度、角速度、角加速度和力矩作为步骤8得到的神经网络模型进行输入，通过神经网络计算得到执行机构的碰撞方向，然后根据碰撞方向对机器人末端速度进行反向偏移，以避免末端执行机构发生碰撞。
进一步的，所述步骤7中，神经网络公式如下：
yj＝f(Sj)＝tanh(Sf)
式中，x为神经网络的输入，Wij为神经网络的权值，bj为神经网络偏置，Sj为隐含层输入，yj为隐含层输出，Net(x)为神经网络输出。
进一步的，所述步骤8中，设神经网络参数集为θ，则参数更新公式为：
式中，θnew为神经网络更新后的参数，θold为神经网络当前参数，α为神经网络学习速率，
为神经网络的参数梯度。
本方法，首先采集机器人无碰撞、接触模具两侧的三组数据作为神经网络训练数据，然后对神经网络进行训练，获得能分辨是否发生接触或碰撞的模型。然后在获得执行机构末端接触或碰撞的方向后，进行机器人末端执行机构的速度偏移，避免发生碰撞。
相较于现有技术，本发明具有以下优点和有益效果：
本发明基于力矩控制的有色金属刮渣控制方法能在模具发生接触时，检测机器人各关节力矩值，并根据关节当前力矩迅速计算碰撞方向，从而迅速调整末端位置，避免发生与模具发生严重碰撞。本发明大大增加了刮渣机构的使用寿命，提高了机器人有色金属刮渣的稳定性。
附图说明
图1为本发明的控制方法流程图。
具体实施方式
为了使本领域技术人员能更进一步了解本发明的特征及技术内容，以下结合附图和具体实施例对本发明作进一步的详细说明：
实施例1：(本发明具体应用于有色金属刮渣处理中)
一种基于力矩控制的机器人有色金属刮渣方法，所述方法包括以下步骤：
步骤1：示教机器人刮渣轨迹，在标准模具下，以额定速度进行无碰撞运动；
步骤2：在机器人运行过程中，每隔2ms采集一次关节角度、关节角速度、关节角加速度和关节力矩数据；
步骤3：在步骤1轨迹的基础上，进行轨迹偏移，使机器人执行机构与模具左侧发生轻微接触，然后以额定速度进行运动；
步骤4：在机器人运行过程中，每隔2ms采集一次关节角度、关节角速度、关节角加速度和关节力矩数据；
步骤5：在步骤1轨迹的基础上，进行轨迹偏移，使机器人执行机构与模具右侧发生轻微接触，然后以额定速度进行运动；
步骤6：在机器人运行过程中，每隔2ms采集一次关节角度、关节角速度、关节角加速度和关节力矩数据；
步骤7：建立一个神经网络，网络输入为关节角度、关节角速度、关节角加速度和关节力矩；网络输出为执行机构碰撞方向，激活函数为归一化指数函数(softmax)；网络中有一个隐含层，包含50个神经元，连接方式为全接连，激活函数为双曲正切函数(tanh)；神经网络公式如下：
yj＝f(Sj)＝tanh(Sj)
式中，x为神经网络的输入，Wij为神经网络的权值，bj为神经网络偏置，Sj为隐含层输入，yj为隐含层输出，Net(x)为神经网络输出；
步骤8：通过步骤2得到的数据，使用梯度下降法对上述步骤7建立的神经网络进行训练，获得无碰撞下的神经网络模型；设神经网络参数集为θ，则参数更新公式为：
式中，θnew为神经网络更新后的参数，θold为神经网络当前参数，α为神经网络学习速率，
为神经网络的参数梯度
步骤9：示教机器人刮渣轨迹，在运行过程中，实时采集关节角度、角速度、角加速度和力矩作为神经网络输入，通过神经网络计算得到执行机构的碰撞方向，然后根据碰撞方向对机器人末端速度进行反向偏移，以避免末端执行机构发生碰撞。
本实施例首先设计工业机器人关节运行轨迹，在此轨迹运行过程中采集关节角度、角速度、角加速度和力矩，然后对运行轨迹进行偏移，使执行机构与模具两侧发生接触，采集两侧轨迹产生的关节角度、角速度、角加速度和力矩，然后使用神经网络对工业机器人执行机构碰撞方向进行拟合。在实际运行过程中，根据关节角度，角速度，角加速度和力矩的数值，通过神经网络计算碰撞方向，使机器人执行机构在刚接触时模具边沿时进行速度偏移，避免发生碰撞。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
以上所述实施例仅仅是本发明一部分实施例，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，都属于本发明保护的范围。
Claims (3)
1.一种基于力矩控制的机器人的位置偏移方法，其特征在于，该方法包括以下步骤：
步骤1：示教机器人运行轨迹，在标准模具下，以额定速度进行无碰撞运动；
步骤2：在机器人运行过程中，每隔2ms采集一次关节角度、关节角速度、关节角加速度和关节力矩数据；
步骤3：在步骤1轨迹的基础上，进行轨迹偏移，使机器人执行机构与模具左侧发生轻微接触，然后以额定速度进行运动；
步骤4：在机器人运行过程中，每隔2ms采集一次关节角度、关节角速度、关节角加速度和关节力矩数据；
步骤5：在步骤1轨迹的基础上，进行轨迹偏移，使机器人执行机构与模具右侧发生轻微接触，然后以额定速度进行运动；
步骤6：在机器人运行过程中，每隔2ms采集一次关节角度、关节角速度、关节角加速度和关节力矩数据；
步骤7：建立一个神经网络，网络输入为关节角度、关节角速度、关节角加速度和关节力矩；网络输出为执行机构碰撞方向，激活函数为归一化指数函数(softmax)；网络中有一个隐含层，包含50个神经元，连接方式为全接连，激活函数为双曲正切函数(tanh)；
步骤8：通过步骤2得到的数据，使用梯度下降法对上述步骤7建立的神经网络进行训练，获得无碰撞下的神经网络模型；
步骤9：示教机器人刮渣轨迹，在运行过程中，实时采集关节角度、角速度、角加速度和力矩作为步骤8得到的神经网络模型进行输入，通过神经网络计算得到执行机构的碰撞方向，然后根据碰撞方向对机器人末端速度进行反向偏移，以避免末端执行机构发生碰撞。
2.如权利要求1所述的方法，其特征在于，所述步骤7中，神经网络公式如下：
yj＝f(Sj)＝tanh(Sj)
式中，x为神经网络的输入，wij为神经网络的权值，bj为神经网络偏置，Sj为隐含层输入，yj为隐含层输出，Net(x)为神经网络输出。
3.如权利要求1所述的方法，其特征在于，所述步骤8中，设神经网络参数集为θ，则参数更新公式为：
式中，θnew为神经网络更新后的参数，θold为神经网络当前参数，α为神经网络学习速率，
为神经网络的参数梯度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911238391.XA CN110919633A (zh) | 2019-12-06 | 2019-12-06 | 一种基于力矩控制的机器人的位置偏移方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911238391.XA CN110919633A (zh) | 2019-12-06 | 2019-12-06 | 一种基于力矩控制的机器人的位置偏移方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110919633A true CN110919633A (zh) | 2020-03-27 |
Family
ID=69857230
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911238391.XA Pending CN110919633A (zh) | 2019-12-06 | 2019-12-06 | 一种基于力矩控制的机器人的位置偏移方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110919633A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111639749A (zh) * | 2020-05-25 | 2020-09-08 | 上海智殷自动化科技有限公司 | 一种基于深度学习的工业机器人摩擦力辨识方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05119815A (ja) * | 1991-10-28 | 1993-05-18 | Toshiba Corp | 神経回路網を用いた障害物回避方法 |
| CN1461693A (zh) * | 2002-05-30 | 2003-12-17 | 库卡-罗伯特有限公司 | 用于避免在协作机器人之间的碰撞的方法和控制装置 |
| CN109015634A (zh) * | 2018-07-24 | 2018-12-18 | 西北工业大学 | 基于性能函数的多臂遥操作机器人力/位置混合控制方法 |
| CN109732605A (zh) * | 2019-01-21 | 2019-05-10 | 厦门大学 | 一种机器人关节摩擦力矩的补偿方法及系统 |
| CN109940622A (zh) * | 2019-04-28 | 2019-06-28 | 西安交通大学 | 一种基于电机电流的机器人机械臂无传感碰撞检测方法 |
| WO2019162109A1 (en) * | 2018-02-23 | 2019-08-29 | Abb Schweiz Ag | Robot system and operation method |
| CN110497405A (zh) * | 2019-08-14 | 2019-11-26 | 深圳市烨嘉为技术有限公司 | 用于驱控一体化控制系统的力反馈人机协作防碰撞检测方法及模块 |
-
2019
- 2019-12-06 CN CN201911238391.XA patent/CN110919633A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05119815A (ja) * | 1991-10-28 | 1993-05-18 | Toshiba Corp | 神経回路網を用いた障害物回避方法 |
| CN1461693A (zh) * | 2002-05-30 | 2003-12-17 | 库卡-罗伯特有限公司 | 用于避免在协作机器人之间的碰撞的方法和控制装置 |
| WO2019162109A1 (en) * | 2018-02-23 | 2019-08-29 | Abb Schweiz Ag | Robot system and operation method |
| CN109015634A (zh) * | 2018-07-24 | 2018-12-18 | 西北工业大学 | 基于性能函数的多臂遥操作机器人力/位置混合控制方法 |
| CN109732605A (zh) * | 2019-01-21 | 2019-05-10 | 厦门大学 | 一种机器人关节摩擦力矩的补偿方法及系统 |
| CN109940622A (zh) * | 2019-04-28 | 2019-06-28 | 西安交通大学 | 一种基于电机电流的机器人机械臂无传感碰撞检测方法 |
| CN110497405A (zh) * | 2019-08-14 | 2019-11-26 | 深圳市烨嘉为技术有限公司 | 用于驱控一体化控制系统的力反馈人机协作防碰撞检测方法及模块 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111639749A (zh) * | 2020-05-25 | 2020-09-08 | 上海智殷自动化科技有限公司 | 一种基于深度学习的工业机器人摩擦力辨识方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109946975B (zh) | 一种未知伺服系统的强化学习最优跟踪控制方法 | |
| CN110238839B (zh) | 一种利用环境预测优化非模型机器人多轴孔装配控制方法 | |
| CN108549324B (zh) | 用于高速分拣系统的工件跟随抓取轨迹规划方法及系统 | |
| CN110653826B (zh) | 一种面向传送带目标跟随的机器人实时轨迹规划方法 | |
| CN109158433B (zh) | 一种变厚度板带材轧制生产的轧制力预测方法 | |
| CN111515932A (zh) | 一种基于人工势场与强化学习的人机共融流水线实现方法 | |
| CN110782650B (zh) | 基于自适应事件触发的车流分布式协同编队控制方法 | |
| CN112276944A (zh) | 一种基于意图识别的人机协作系统控制方法 | |
| CN110919633A (zh) | 一种基于力矩控制的机器人的位置偏移方法 | |
| CN105082135A (zh) | 一种机器人点动操作的速度控制方法 | |
| CN111639749A (zh) | 一种基于深度学习的工业机器人摩擦力辨识方法 | |
| CN112446642A (zh) | 一种多天车调度优化方法和系统 | |
| CN114275012B (zh) | 一种列车控制级位的自适应调控方法 | |
| CN107065559A (zh) | 一种工业机器人增量自适应控制方法 | |
| CN108776432B (zh) | 基于网络的机场跑道检测机器人预测控制方法 | |
| CN113478462B (zh) | 基于表面肌电信号的上肢外骨骼机器人意图同化控制方法和系统 | |
| CN110398993B (zh) | 速度控制方法、装置及计算机可读存储介质 | |
| CN112650217A (zh) | 一种基于评估函数的机器人轨迹跟踪策略动态优化方法 | |
| CN108614417B (zh) | 一种非泊松工件流csps系统优化控制及仿真测试方法 | |
| CN109648557B (zh) | 一种六轴机器人空间运动规划方法 | |
| CN116300944A (zh) | 基于改进Double DQN的自动驾驶决策方法及系统 | |
| CN115344047A (zh) | 基于神经网络模型的机器人切换式预测控制轨迹跟踪方法 | |
| CN110561433B (zh) | 一种提高机械臂运动规划控制精度的方法 | |
| CN110450160B (zh) | 一种开放式免编程机器人的控制方法 | |
| CN113569980A (zh) | 一种复杂环境下的行人移动轨迹在线预测方法及系统 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 362011 No. 256, Xiazhuang village, Zhuangtian village, Heshi Town, Luojiang District, Quanzhou City, Fujian Province Applicant after: Fujian Weibai industrial robot Co.,Ltd. Address before: 362011 No. 256, Xiazhuang village, Zhuangtian village, Heshi Town, Luojiang District, Quanzhou City, Fujian Province Applicant before: QUANZHOU VIBOT INDUSTRIAL ROBOT RESEARCH INSTITUTE Co.,Ltd. |
|
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200327 |