CN111230860B - 机器人控制方法、装置、计算机设备及存储介质 - Google Patents

机器人控制方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN111230860B
CN111230860B CN202010001312.XA CN202010001312A CN111230860B CN 111230860 B CN111230860 B CN 111230860B CN 202010001312 A CN202010001312 A CN 202010001312A CN 111230860 B CN111230860 B CN 111230860B
Authority
CN
China
Prior art keywords
jacobian matrix
round
expected
driving
matrix
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
CN202010001312.XA
Other languages
English (en)
Other versions
CN111230860A (zh
Inventor
谭宁
伍宇阳
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.)
Tencent Technology Shenzhen Co Ltd
Sun Yat Sen University
Original Assignee
Tencent Technology Shenzhen Co Ltd
Sun Yat Sen University
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 Tencent Technology Shenzhen Co Ltd, Sun Yat Sen University filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202010001312.XA priority Critical patent/CN111230860B/zh
Publication of CN111230860A publication Critical patent/CN111230860A/zh
Application granted granted Critical
Publication of CN111230860B publication Critical patent/CN111230860B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • B25J9/16—Programme controls
    • B25J9/1612—Programme controls characterised by the hand, wrist, grip control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J13/00—Controls for manipulators
    • 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
    • B25J9/1656—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Orthopedic Medicine & Surgery (AREA)
  • Manipulator (AREA)

Abstract

本申请涉及一种机器人控制方法、装置、计算机设备和存储介质，该方法在获取到机器人末端执行器的当前位置和期望位置的距离向量后，根据距离向量、预测的雅可比矩阵和目标函数确定本轮驱动执行机构的期望移动向量，根据求得到期望移动向量控制驱动执行机构移动，带动末端执行器移动至期望位置。由于在确定本轮驱动执行机构的期望移动向量时，最小化相邻两轮动作中驱动执行机构的移动变化量，驱动执行机构的期望移动向量在满足距离向量和雅可比矩阵的要求的同时，还使相邻两轮动作中驱动执行机构的移动变化量最小，从而本轮驱动执行机构的移动量相对于上轮移动量不会大幅度变化，实现机器人的柔性控制。

Description

机器人控制方法、装置、计算机设备及存储介质
技术领域
本发明涉及机器人技术领域，特别是涉及一种机器人控制方法、装置、计算机设备及存储介质。
背景技术
随着科学技术水平的快速发展，机器人技术也发生了巨大变化，机器人动作日益精细化，被广泛应用到如医疗、工业等领域。随着机器人应用范围增多，可根据不同的应用场景选择合适类型的机器人，如在工程应用中，选用刚体机器人，在医疗应用中，选用软体机器人。
刚体机器人因发展较早，控制技术已较为成熟，因此，软件机器人可使用刚体机器人的控制技术。但传统刚体机器人在马达的驱动下惯性较大，接触到外界就会发生强烈的冲击，易造成不安全。因此，软件机器人的控制上，如何进行柔性驱动是一个技术难点。
发明内容
基于此，有必要针柔性驱动难的技术问题，提供一种机器人控制方法、装置、计算机设备和存储介质。
一种机器人控制方法，所述方法包括：
获取机器人末端执行器的当前位置与期望位置的距离向量；所述期望位置根据机器人的移动轨迹确定；
根据所述距离向量、预测的雅可比矩阵，以及目标函数，求解本轮所述驱动执行机构的期望移动向量，所述雅可比矩阵根据驱动执行机构的移动量与末端执行器的位移量的关系确定；所述目标函数包括：最小化相邻两轮动作中驱动执行机构的移动变化量；
当求解得到所述期望移动向量时，根据所述期望移动向量控制所述驱动执行机构移动，以带动所述末端执行器移动至所述期望位置；
获取所述末端执行器的实际位移，根据所述实际位移、所述驱动执行机构的期望移动向量以及本轮雅可比矩阵，得到预测的下轮雅可比矩阵。
一种机器人控制装置，所述方法包括：
距离获取模块，用于获取机器人末端执行器的当前位置与期望位置的距离向量；所述期望位置根据机器人的移动轨迹确定；
移动向量确定模块，用于根据所述距离向量、预测的雅可比矩阵，以及目标函数，求解本轮所述驱动执行机构的期望移动向量，所述雅可比矩阵根据驱动执行机构的移动量与末端执行器的位移量的关系确定；所述目标函数包括：最小化相邻两轮动作中驱动执行机构的移动变化量；
移动控制模块，用于当求解得到所述期望移动向量时，根据所述期望移动向量控制所述驱动执行机构移动，以带动所述末端执行器移动至所述期望位置；
预测模块，用于获取所述末端执行器的实际位移，根据所述实际位移、所述驱动执行机构的期望移动向量以及本轮雅可比矩阵，得到预测的下轮雅可比矩阵。
一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行上述各实施例任一项所述方法的步骤。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行上述各实施例任一项所述方法的步骤。
上述的机器人控制方法、装置、计算机设备和存储介质，在获取到机器人末端执行器的当前位置和期望位置的距离向量后，根据距离向量、预测的雅可比矩阵和目标函数确定本轮驱动执行机构的期望移动向量，根据求得到期望移动向量控制驱动执行机构移动，带动末端执行器移动至期望位置。由于在确定本轮驱动执行机构的期望移动向量时，最小化相邻两轮动作中驱动执行机构的移动变化量，驱动执行机构的期望移动向量在满足距离向量和雅可比矩阵的要求的同时，还使相邻两轮动作中驱动执行机构的移动变化量最小，从而本轮驱动执行机构的移动量相对于上轮移动量不会大幅度变化，实现机器人的柔性控制。
附图说明
图1为一个实施例中机器人的结构示意图；
图2为一个机器人控制方法的流程示意图；
图3为一个另一个实施例中机器人控制方法的流程示意图；
图4为仿真模拟所采用的机器人其中一节的立体图；
图5为仿真模拟所采用的机器人的平面图；
图6为模拟效果示意图；
图7为模型在模拟时的误差示意图；
图8为模型在模拟时的第一节的三个气动管道的长度变化情况示意图；
图9为模型在模拟时的第二节的三个气动管道的长度变化情况示意图；
图10为模型在模拟时的每轮迭代的雅可比矩阵变化量示意图；
图11为模型在模拟时的每轮迭代中的末端执行器的实际位移与期望位移之比的示意图；
图12为本申请的方案与对比方案1的误差对比图；
图13为本申请的方案与对比方案2的控制连贯性对比图；
图14为一个实施例中机器人控制装置的框图；
图15为一个实施例中计算机设备的框图。
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。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。
本申请实施例提供的方案涉及人工智能的机器人，具体通过如下实施例进行说明:
图1为一个实施例的机器人的结构示意图。如图1所示，机器人包括有控制器101、驱动执行机构102以及末端执行器103，其中，控制器101与驱动执行机构102连接，驱动执行机构102与末端执行器103连接。驱动执行机构102可使用液体、气体、电力或其它能源并通过电机、气缸或其它装置将其转化成驱动作用，驱动执行机构102带动末端执行器103移动。如机器人可以为机械臂，末端执行器可以为机械臂的手指或柔性夹具。通过控制器101的控制，驱动执行机构102带动末端执行器103移动，如机械臂的手指或柔性夹具可以实现精细动作。
图2为一个实施例的机器人控制方法的流程图，如图2所示，该方法包括：
S202，获取机器人末端执行器的当前位置与期望位置的距离向量；期望位置根据机器人的移动轨迹确定。
机器人末端执行器指装配在机械臂或者自动化设备的末端，直接作用于工作对象的装置，具有夹持、运输、放置工件到某一个位置的功能。其在提高机器人易用性、自动化程度、研究抓取应用等方面有着重要作用。可能包含机器人抓手，机器人工具快换装置，机器人碰撞传感器，机器人旋转连接器，机器人压力工具，顺从装置，机器人喷涂枪，机器人毛刺清理工具，机器人弧焊焊枪，机器人电焊焊枪等等。以机器人为机械臂为例，末端执行器可以为机械臂的手指或柔性夹具。
距离向量为末端执行器的期望位置与末端执行器的当前位置的距离。其中，利用传感器采集末端执行器的当前位置。传感器可以为位移传感器或摄像头，又如利用三个摄像头定位末端执行器的当前位置。机器人移动轨迹是根据对机器人的控制指令，依据机器人运动控制程序所确定的完成相应控制指令所需要经过的位置的集合。如，机器人移动轨迹为机械臂根据指令完成抓取动作，依据机器人控制程序所确定的完成抓取动作，手指的各末端执行器所需要经过的位置的集合。其中，期望位置为移动轨迹中当前位置的下一位置。
S204，根据距离向量、预测的雅可比矩阵，以及目标函数，求解本轮驱动执行机构的期望移动向量，雅可比矩阵根据驱动执行机构的移动量与末端执行器的位移量的关系确定；目标函数包括：最小化相邻两轮动作中驱动执行机构的移动变化量。
具体地，驱动执行机构的移动量是指驱动执行机构动作的变化量，以驱动执行机构为气动执行机构为例，驱动执行机构的移动量指的是气动管道的变化长度，通过改变气动管道的长度可以实现特定的姿态并触及特定位置。如前面的，驱动执行机构与末端执行器连接，驱动执行机构动作带动末端执行器移动。因此，驱动执行机构的移动量与末端执行器的位移量存在关系。这种关系是可以根据机器人的实际应用场景机器人动作的精细程度，结合驱动执行机构的行程长度由开发人员设置。
对于机器人有多个末端执行器的情况，可为每个末端执行器分别设置驱动执行机构的移动量与末端执行器的位移量的关系，这种关系为映射函数。根据每个驱动执行机构的移动量与末端执行器的位移量的映射，可定义雅可比矩阵。以驱动执行器为气动执行机构为例，机器人共有六根相对独立的气动管道，每根气动管道对应一个末端执行器，设置有气动管道长度与末端执行器位置的映射函数为f(q)，则定义雅可比矩阵如下：
Figure BDA0002353599400000061
具体地，初始化雅可比矩阵，方法如下：分别依次移动所有驱动执行机构，每次的移动量为Δθi,记录末端执行器的位移量为ΔXi,得到初始雅可比矩阵的解为：
Figure BDA0002353599400000062
其中：
Figure BDA0002353599400000063
其中，预测的雅可比矩阵为上轮机器人动作后，根据机器人的驱动执行机构的移动量与末端执行器位移量的关系确定本轮机器人动作情况。
具体地，在求解本轮驱动执行机构的期望移动向量时，根据距离向量和预测的雅可比矩阵，以及目标函数，求解得到。目标函数包括：最小化相邻两轮动作中驱动执行机构的移动变化量。
相邻两轮动作中驱动执行机构的移动变化量是指上一轮动作中驱动执行机构的绝对位置与本轮动作中驱动执行机构的绝对位置之距离向量。其中，绝对位置指驱动执行机构的坐标。在根据距离向量和预测的雅可比矩阵求解本轮驱动执行机构的期望移动向量时，还考虑了相邻两轮动作中驱动执行机构的移动变化量最小化，避免本轮动作的驱动执行机构的变化量相对于上轮动作发生大幅变化，实现驱动执行机构的柔性驱动。
S206，当求解得到期望移动向量时，根据期望移动向量控制驱动执行机构移动，以带动末端执行器移动至期望位置。
当求解得到期望移动向量时，表明求解过程无异常时，此时，根据求解得到的期望移动向量控制驱动执行机构移动，带动末端执行器移动至期望位置，实现机器人动作更新。
在另一个实施例中，根据期望移动向量控制驱动执行机构移动，以带动末端执行器移动至期望位置，包括：根据期望移动量和预设目标，确定调整系数；根据调整系数对期望移动向量进行调整；根据调整后的期望移动向量，控制驱动执行机构移动，以带动末端执行器移动至期望位置。
具体地，对于求得的驱动执行机构的期望移动向量，根据预设目标，确定调整系数，以使期望移动向量满足预设目标。
具体地，预设目标可根据需要灵活设置。一种情况，预设目标为末端执行器的位移量满足上限和下限要求。
本实施例中，对于求得的驱动执行机构的期望移动向量根据调整系数进行调整，其中，调整系数可根据每轮驱动执行机构的实际移动量的上限或下限确定。即每轮驱动执行机构的实际移动量的最大移动量和最小移动量，确保本轮驱动执行机构的实际移动量在上限与下限区域。
一种情况，末端执行器的移动量与距离向量之比满足预设条件；调整系数与距离向量的大小为正相关关系，与驱动执行机构的期望移动向量的大小为负相关关系。
一个实施例中，本轮的末端执行器的移动量ΔXk与(2)中距离向量ΔXd满足的约束条件为：
Figure BDA0002353599400000071
具体地，根据调整系数对期望移动向量进行调整公式为：
Figure BDA0002353599400000072
其中，λ是一个动态调整的系数，与距离向量|ΔXd|的大小为正相关关系，与驱动执行机构的期望移动向量|Δqk|的大小为负相关关系。因此上式可写为：
Figure BDA0002353599400000073
其中k是一个常数，可根据初始化值设为：
Figure BDA0002353599400000074
本实施例中，通过根据距离向量确定调整系数，并根据调整系数对期望移动向量进行调整，使末端执行器的实际位移长度与期望位移长度保持相对一致。
S208，获取末端执行器的实际位移，根据实际位移、驱动执行机构的期望移动向量以及本轮雅可比矩阵，得到预测的下轮雅可比矩阵。
其中，末端执行器的实际位移可以通过传感器采集得到。具体地，以最小化下轮雅可比矩阵变化矩阵为目标函数，以末端执行器的实际位移和驱动执行机构的期望移动向量为约束条件，得到下轮动作的雅可比矩阵。其中，下轮雅可比矩阵变化矩阵为本轮雅可比矩阵与下轮雅可比矩阵的差值。
具体地，目标函数如下：
Figure BDA0002353599400000081
Figure BDA0002353599400000082
Figure BDA0002353599400000083
其中，
Figure BDA0002353599400000084
表示下轮雅可比矩阵变化矩阵，为本轮的雅可比矩阵
Figure BDA0002353599400000085
与下轮动作的雅可比矩阵
Figure BDA0002353599400000086
的差值，ΔXk表示传感器观测到的末端执行器实际位移向量，Δqk表示本轮迭代中的驱动执行机构的期望移动向量。该目标函数的作用是减少相邻两轮迭代的雅可比矩阵波动量。
机器人控制过程中，根据预测的下轮雅可比矩阵，返回步骤S102继续迭代，控制机器人进行下轮动作，完成相应指令。
上述的机器人控制方法，在获取到机器人末端执行器的当前位置和期望位置的距离向量后，根据距离向量、预测的雅可比矩阵和目标函数确定本轮驱动执行机构的期望移动向量，根据求得到期望移动向量控制驱动执行机构移动，带动末端执行器移动至期望位置。由于在确定本轮驱动执行机构的期望移动向量时，最小化相邻两轮动作中驱动执行机构的移动变化量，驱动执行机构的期望移动向量在满足距离向量和雅可比矩阵的要求的同时，还使相邻两轮动作中驱动执行机构的移动变化量最小，从而本轮驱动执行机构的移动量相对于上轮移动量不会大幅度变化，实现机器人的柔性控制。
在另一个实施例中，为保证相邻的两轮迭代的雅可比矩阵变化具有连贯性，对于预测的下轮动作的雅可比矩阵进行调整，具体为：根据预测的下轮雅可比矩阵以及本轮雅可比矩阵，确定下轮雅可比矩阵变化矩阵；根据上轮雅可比矩阵以及本轮雅可比矩阵，确定本轮雅可比矩阵变化矩阵；根据平滑系数，对下轮雅可比矩阵变化矩阵和本轮雅可比矩阵变化矩阵进行平滑处理；其中，下轮雅可比矩阵变化矩阵和本轮雅可比矩阵变化矩阵的平滑系数之和为1；根据本轮雅可比矩阵、平滑处理后的本轮雅可比矩阵变化矩阵和平滑处理后的下轮雅可比矩阵变化矩阵，得到调整的下轮雅可比矩阵。
其函数表达可以为：
Figure BDA0002353599400000091
其中，αj表示平滑系数，
Figure BDA0002353599400000092
表示本轮雅可比矩阵变化矩阵，为上轮雅可比矩阵以及本轮雅可比矩阵的差值，
Figure BDA0002353599400000095
表示下轮雅可比矩阵变化矩阵，为本轮雅可比矩阵
Figure BDA0002353599400000093
与下轮雅可比矩阵的差值。
通过利用平滑系数，对预测的下轮雅可比矩阵进行调整，调整时考虑了两轮雅可比矩阵变化情况，保证相邻两轮迭代的雅可比矩阵变化具有连贯性。
在另一个实施例中，根据距离向量、预测的雅可比矩阵，以及目标函数，求解本轮驱动执行机构的期望移动向量，包括：以最小化相邻两轮动作中驱动执行机构的移动变化量为目标函数，以预设约束条件，求解本轮驱动执行机构的期望移动向量，预设函数包括：根据本轮雅可比矩阵求解驱动执行机构的期望移动向量；平滑相邻两轮驱动执行机构的移动变化量以及驱动执行机构的移动上限和下限。
其中，平滑是指使变化过渡自然，无抖动。具体到本申请为在驱动执行机构每轮的移动量构造的曲线中，本轮动作的驱动执行机构的移动量相对于上轮动作的驱动执行机构的移动量平滑无抖动。具体，可加入平滑系数实现，从而确定驱动执行机构变化的稳定性。
具体地，其函数表达可以为：
min||Δqk||2
Figure BDA0002353599400000094
qk＝qk-1+αq*Δqk+(1-αq)*Δqk-1
lb≤qk≤ub
其中，Δqk表示驱动执行机构的期望变化向量，ΔXd表示末端执行器实际位置与期望位置的距离向量，
Figure BDA0002353599400000101
表示本轮雅可比矩阵，αq表示平滑系数，Δqk-1表示上一阶段的驱动执行机构实际移动量，ub表示驱动执行机构的移动上限，lb表示驱动执行机构的移动上限。
对于函数的设计目的而言，min||Δqk||2用于减少相邻两轮动作中驱动执行机构的移动变化量，保证驱动执行机构不会在短时间内大幅震动。
Figure BDA0002353599400000102
用于在当前已知的雅可比矩阵条件下求解驱动执行机构的期望移动向量。qk＝qk-1+αq*Δqk+(1-αq)*Δqk-1用于平滑相邻两轮驱动执行机构的移动变化量，保证驱动执行机构移动量变化曲线平滑无抖动。lb≤qk≤ub用于保证驱动执行机构的移动量在设计范围之内。
在另一个实施例中，如图3所示，当求解期望移动向量异常时，根据雅可比矩阵调整系数，对初始雅可比矩阵进行调整；根据调整后的初始雅可比矩阵以及本轮雅可比矩阵，预测下轮雅可比矩阵。
具体地，对于求解期望移动向量异常时，例如无可行解或者未定义或者无穷级数，进行雅可比矩阵的重新初始化，即初始化雅可比矩阵，作为预测的下轮雅可比矩阵。具体地，初始化方式如下：分别依次移动所有驱动执行机构，每次的移动量为Δθi,记录末端执行器的位移量为ΔXi,得到重新初始化的雅可比矩阵的解为：
Figure BDA0002353599400000103
其中：
Figure BDA0002353599400000104
综上，本函数的目的是用于求解逼近目标点且保证稳定性和平滑性的驱动执行机构的期望移动向量。
本申请的机器人控制方法，特别适用于软体机器人。相较于刚体材料而言，软体材料互动性好很多。经过前沿性、探索性的工作后，软体机器人的市场前景逐渐清晰，例如可以用来做医疗机器人、机穿戴机器人和机器人玩具。利用本技术可实现对软体材料的有效控制，在保证互动性的同时兼具刚体机器人的高效控制性能。
下面结合具体实施例对本申请的机器人控制方法进行详细说明。
本方案利用图4和图5所示的模型进行仿真模拟。图4为仿真模拟所采用的机器人其中一节的立体图，其中立体三角形弯曲的三条边为气动管道，图5为仿真模拟所采用的机器人的平面图，总共包含两节共六个气动管道，其中上面为第二节，下面为第一节。其中，模型初始化的气动管道长度设为(单位为米)：
q(0)＝[0.20，0.18，0.22，0.20，0.22，0.18]T
雅可比矩阵的初始值设为如下：
Figure BDA0002353599400000111
其中，设置的每一圈的迭代次数为2000次。
设置的其余的平滑系数和调整参数如下：
Figure BDA0002353599400000112
这些值经过对比实验获得，未有经过严格的理论证明。因此可以根据需求进行动态调整。
针对lb≤qk≤ub中的气动管道长度下限lb和上限ub进行如下设置，值得注意的是这里的值可以根据实际情况进行修改：
Figure BDA0002353599400000113
图6为模拟效果示意图，包括目标期望轨迹和实际轨迹。如图6所示，本方案在模型上落实的效果表明目标期望轨迹和实际轨迹基本吻合。图7为模型在模拟时的误差示意图，误差率在图7的数据中有所体现。其中最上方的线条表示模型的躯干，该线条的流畅连贯变化说明该方案可以保证模型操控的稳定性和连贯性，具体的长度变化在图8和图9有所体现。
如图7所示，其中RMSE表示均方根误差，单位是毫米。根据数据显示，误差可以控制在10-5m之内，相对于模型的初始长度0.4m而言可以忽略不计。根据与其他算法(对比方案1和对比方案2)的效果比较发现(如下)，本方案的误差范围维持在一个极低的范围。
Figure BDA0002353599400000121
1Uncertainty coefficient is only suitable for MODEL-BASED models.
MODEL-LESS-OUR是本方案，MODEL-LESS-1(对比方案1)和MODEL-LESS-2(对比方案2)是另外两篇同样是针对无模型控制的文章的方案。MODEL-BASED是基准对比线。从上面的数据可以看出本方案相对于另外两个对比方案，与基准线相比更为接近，更为精确。
图8为模型在模拟时的第一节的三个气动管道的长度变化情况示意图，图9为模型在模拟时的第二节的三个气动管道的长度变化情况示意图，单位是米。图中的效果表明气动管道的长度变化是连贯且流畅的。
图10为本方案模型在模拟时的每轮迭代的雅可比矩阵变化量。雅可比矩阵变化量越低说明控制的越稳定。一般而言，变化量绝对值小于1即可说明该模型的控制相对稳定。实验现象说明本方案下雅可比矩阵变化量一直在0.1以下波动，说明了该方案对稳定性控制的优势和有效性。
图11为本方案模型在模拟时的每轮迭代中的末端执行器的实际位移与期望位移之比。如果比值等于1说明实际位移量等于期望位移量，因此越接近1说明控制的越准确。实验结果说明本方案可以保证高精度的控制。
图12是与对比方案1的对比图，左边是本方案，右边是对比方案1。可以明显看出本方案相比于对比方案1在精确度上有较大提升。
图13为与对比方案2的对比图，左边本方案，右边是对比方案2，对此可以明显看出本方案可以明显减少模型的波动性和不稳定性。
一种机器人控制装置，如图14所示，包括：
距离获取模块1401，用于获取机器人末端执行器的当前位置与期望位置的距离向量；期望位置根据机器人的移动轨迹确定。
移动向量确定模块1402，用于根据距离向量、预测的雅可比矩阵，以及目标函数，求解本轮驱动执行机构的期望移动向量，雅可比矩阵根据驱动执行机构的移动量与末端执行器的位移量的关系确定；目标函数包括：最小化相邻两轮动作中驱动执行机构的移动变化量。
移动控制模块1403，用于当求解得到期望移动向量时，根据期望移动向量控制驱动执行机构移动，以带动末端执行器移动至期望位置。
预测模块1404，用于获取末端执行器的实际位移，根据实际位移、驱动执行机构的期望移动向量以及本轮雅可比矩阵，得到预测的下轮雅可比矩阵。
上述的机器人控制装置，在获取到机器人末端执行器的当前位置和期望位置的距离向量后，根据距离向量、预测的雅可比矩阵和目标函数确定本轮驱动执行机构的期望移动向量，根据求得到期望移动向量控制驱动执行机构移动，带动末端执行器移动至期望位置。由于在确定本轮驱动执行机构的期望移动向量时，最小化相邻两轮动作中驱动执行机构的移动变化量，驱动执行机构的期望移动向量在满足距离向量和雅可比矩阵的要求的同时，还使相邻两轮动作中驱动执行机构的移动变化量最小，从而本轮驱动执行机构的移动量相对于上轮移动量不会大幅度变化，实现机器人的柔性控制。
在另一个实施例中，移动控制模块，包括：
调整系数确定模块，用于根据期望移动量和预设目标，确定调整系数。
调整模块，用于根据调整系数对期望移动向量进行调整；
控制模块，用于根据调整后的期望移动向量，控制驱动执行机构移动，以带动末端执行器移动至期望位置。
在另一个实施例中，预设目标包括以下任一种：
第一种：末端执行器的移动量与距离向量之比满足预设条件；调整系数与距离向量的大小呈正相关，与驱动执行机构的期望移动向量的大小呈负相关；
第二种：末端执行器的位移量满足上限和下限要求。
在另一个实施例中，预测模块，用于以最小化下轮雅可比矩阵变化矩阵为目标函数，以末端执行器的实际位移和驱动执行机构的期望移动向量为约束条件，得到下轮雅可比矩阵。
在另一个实施例中，机器人控制装置还包括：调整矩阵模块，用于根据预测的下轮雅可比矩阵以及本轮雅可比矩阵，确定下轮雅可比矩阵变化矩阵；根据上轮雅可比矩阵以及本轮雅可比矩阵，确定本轮雅可比矩阵变化矩阵；根据平滑系数，对下轮雅可比矩阵变化矩阵和本轮雅可比矩阵变化矩阵进行平滑处理；其中，下轮雅可比矩阵变化矩阵和本轮雅可比矩阵变化矩阵的平滑系数之和为1；根据本轮雅可比矩阵、平滑处理后的本轮雅可比矩阵变化矩阵和平滑处理后的下轮雅可比矩阵变化矩阵，得到调整的下轮雅可比矩阵。
在另一个实施例中，移动向量确定模块，用于以最小化相邻两轮动作中驱动执行机构的移动变化量为目标函数，以预设约束条件，求解本轮驱动执行机构的期望移动向量，预设函数包括：根据本轮雅可比矩阵求解驱动执行机构的期望移动向量；平滑相邻两轮驱动执行机构的移动变化量以及驱动执行机构的移动上限和下限。
在另一个实施例中，预测模块，还用于当求解期望移动向量异常时，初始化所述雅可比矩阵，作为预测的下轮雅可比矩阵。
图15为一个实施例中计算机设备的框图。参照图15，该计算机设备可以为图1中的控制器101。该计算机设备包括通过系统总线连接的处理器、存储器、驱动执行机构和网络接口。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质可存储操作系统和计算机程序。该计算机程序被执行时，可使得处理器执行一种机器人控制方法。该计算机设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。驱动执行机构与机器人末端执行器连接，根据控制器的控制指令，驱动执行机构移动并带动末端执行器动作。该内存储器中可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行一种机器人控制方法。计算机设备的网络接口用于进行网络通信。
本领域技术人员可以理解，图15中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，本申请提供的机器人控制装置可以实现为一种计算机程序的形式，计算机程序可在如图15所示的计算机设备上运行，计算机设备的非易失性存储介质可存储组成该机器人控制装置的各个程序模块。比如，图14所示的距离获取模块、移动向量确定模块、移动控制模块以及预测模块。各个程序模块所组成的计算机程序用于使该计算机设备执行本说明书中描述的本申请各个实施例的机器人控制方法中的步骤。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述机器人控制方法的步骤。此处机器人控制方法的步骤可以是上述各个实施例的机器人控制方法中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述机器人控制方法的步骤。此处机器人控制方法的步骤可以是上述各个实施例的机器人控制方法中的步骤。
需要说明的是，本申请各实施例中的“第一”和“第二”等仅用作区分，而并不用于大小、先后、从属等方面的限定。
应该理解的是，虽然本申请各实施例中的各个步骤并不是必然按照步骤标号指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (14)

1.一种机器人控制方法，所述方法包括：
获取机器人末端执行器的当前位置与期望位置的距离向量；所述期望位置根据机器人的移动轨迹确定；
根据所述距离向量、预测的雅可比矩阵，以及目标函数，求解本轮驱动执行机构的期望移动向量，所述雅可比矩阵根据驱动执行机构的移动量与末端执行器的位移量的关系确定；所述目标函数包括：最小化相邻两轮动作中驱动执行机构的移动变化量；所述相邻两轮动作中驱动执行机构的移动变化量是指上一轮动作中驱动执行机构的绝对位置与本轮动作中驱动执行机构的绝对位置之距离向量；
当求解得到所述期望移动向量时，根据所述期望移动向量控制所述驱动执行机构移动，以带动所述末端执行器移动至所述期望位置；
获取所述末端执行器的实际位移，根据所述实际位移、所述驱动执行机构的期望移动向量以及本轮雅可比矩阵，得到预测的下轮雅可比矩阵；
根据预测的下轮雅可比矩阵以及本轮雅可比矩阵，确定下轮雅可比矩阵变化矩阵；
根据上轮雅可比矩阵以及本轮雅可比矩阵，确定本轮雅可比矩阵变化矩阵；
根据平滑系数，对所述下轮雅可比矩阵变化矩阵和本轮雅可比矩阵变化矩阵进行平滑处理；其中，所述下轮雅可比矩阵变化矩阵和本轮雅可比矩阵变化矩阵的平滑系数之和为1；
根据本轮雅可比矩阵、平滑处理后的本轮雅可比矩阵变化矩阵和平滑处理后的下轮雅可比矩阵变化矩阵，得到调整的下轮雅可比矩阵。
2.根据权利要求1所述的方法，其特征在于，所述根据所述期望移动向量控制所述驱动执行机构移动，以带动所述末端执行器移动至所述期望位置，包括：
根据所述期望移动向量和预设目标，确定调整系数；
根据所述调整系数对所述期望移动向量进行调整；
根据调整后的期望移动向量，控制所述驱动执行机构移动，以带动所述末端执行器移动至所述期望位置。
3.根据权利要求2所述的方法，其特征在于，所述预设目标包括以下任一种：
第一种：末端执行器的移动量与距离向量之比满足预设条件；所述调整系数与距离向量的大小呈正相关，与驱动执行机构的期望移动向量的大小呈负相关；
第二种：末端执行器的位移量满足上限和下限要求。
4.根据权利要求1所述的方法，其特征在于，所述根据所述实际位移、所述驱动执行机构的期望移动向量以及本轮雅可比矩阵，得到预测的下轮雅可比矩阵，包括：以最小化下轮雅可比矩阵变化矩阵为目标函数，以所述末端执行器的所述实际位移和所述驱动执行机构的所述期望移动向量为约束条件，得到下轮雅可比矩阵。
5.根据权利要求1所述的方法，其特征在于，所述根据所述距离向量、预测的雅可比矩阵，以及目标函数，求解本轮所述驱动执行机构的期望移动向量，包括：以最小化相邻两轮动作中驱动执行机构的移动变化量为目标函数，以预设约束条件，求解本轮所述驱动执行机构的期望移动向量，所述预设约束条件包括：根据本轮雅可比矩阵求解驱动执行机构的期望移动向量；平滑相邻两轮驱动执行机构的移动变化量以及驱动执行机构的移动上限和下限。
6.根据权利要求1所述的方法，其特征在于，当求解所述期望移动向量异常时，初始化所述雅可比矩阵，作为预测的下轮雅可比矩阵。
7.一种机器人控制装置，包括：
距离获取模块，用于获取机器人末端执行器的当前位置与期望位置的距离向量；所述期望位置根据机器人的移动轨迹确定；
移动向量确定模块，用于根据所述距离向量、预测的雅可比矩阵，以及目标函数，求解本轮驱动执行机构的期望移动向量，所述雅可比矩阵根据驱动执行机构的移动量与末端执行器的位移量的关系确定；所述目标函数包括：最小化相邻两轮动作中驱动执行机构的移动变化量；所述相邻两轮动作中驱动执行机构的移动变化量是指上一轮动作中驱动执行机构的绝对位置与本轮动作中驱动执行机构的绝对位置之距离向量；
移动控制模块，用于当求解得到所述期望移动向量时，根据所述期望移动向量控制所述驱动执行机构移动，以带动所述末端执行器移动至所述期望位置；
预测模块，用于获取所述末端执行器的实际位移，根据所述实际位移、所述驱动执行机构的期望移动向量以及本轮雅可比矩阵，得到预测的下轮雅可比矩阵；
调整矩阵模块，用于根据预测的下轮雅可比矩阵以及本轮雅可比矩阵，确定下轮雅可比矩阵变化矩阵；根据上轮雅可比矩阵以及本轮雅可比矩阵，确定本轮雅可比矩阵变化矩阵；根据平滑系数，对所述下轮雅可比矩阵变化矩阵和本轮雅可比矩阵变化矩阵进行平滑处理；其中，所述下轮雅可比矩阵变化矩阵和本轮雅可比矩阵变化矩阵的平滑系数之和为1；根据本轮雅可比矩阵、平滑处理后的本轮雅可比矩阵变化矩阵和平滑处理后的下轮雅可比矩阵变化矩阵，得到调整的下轮雅可比矩阵。
8.根据权利要求7所述的装置，其特征在于，所述移动控制模块，包括：
调整系数确定模块，用于根据所述期望移动向量和预设目标，确定调整系数；
调整模块，用于根据所述调整系数对所述期望移动向量进行调整；
控制模块，用于根据调整后的期望移动向量，控制所述驱动执行机构移动，以带动所述末端执行器移动至所述期望位置。
9.根据权利要求8所述的装置，其特征在于，预设目标包括以下任一种：
第一种：末端执行器的移动量与距离向量之比满足预设条件；调整系数与距离向量的大小呈正相关，与驱动执行机构的期望移动向量的大小呈负相关；
第二种：末端执行器的位移量满足上限和下限要求。
10.根据权利要求7所述的装置，其特征在于，所述预测模块，用于以最小化下轮雅可比矩阵变化矩阵为目标函数，以末端执行器的实际位移和驱动执行机构的期望移动向量为约束条件，得到下轮雅可比矩阵。
11.根据权利要求7所述的装置，其特征在于，所述移动向量确定模块，用于以最小化相邻两轮动作中驱动执行机构的移动变化量为目标函数，以预设约束条件，求解本轮所述驱动执行机构的期望移动向量，所述预设约束条件包括：根据本轮雅可比矩阵求解驱动执行机构的期望移动向量；平滑相邻两轮驱动执行机构的移动变化量以及驱动执行机构的移动上限和下限。
12.根据权利要求7所述的装置，其特征在于，所述预测模块，还用于当求解所述期望移动向量异常时，初始化所述雅可比矩阵，作为预测的下轮雅可比矩阵。
13.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至6中任一项所述方法的步骤。
14.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至6中任一项所述方法的步骤。
CN202010001312.XA 2020-01-02 2020-01-02 机器人控制方法、装置、计算机设备及存储介质 Active CN111230860B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010001312.XA CN111230860B (zh) 2020-01-02 2020-01-02 机器人控制方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010001312.XA CN111230860B (zh) 2020-01-02 2020-01-02 机器人控制方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN111230860A CN111230860A (zh) 2020-06-05
CN111230860B true CN111230860B (zh) 2022-03-01

Family

ID=70875958

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010001312.XA Active CN111230860B (zh) 2020-01-02 2020-01-02 机器人控制方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN111230860B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112932669B (zh) * 2021-01-18 2024-03-15 广州市微眸医疗器械有限公司 一种执行视网膜层防渗漏隧道的机械臂控制方法
CN117784779A (zh) * 2021-06-09 2024-03-29 北京小米移动软件有限公司 机器人及其控制方法、控制装置、电子设备和存储介质
CN116408790A (zh) * 2021-12-31 2023-07-11 广东美的白色家电技术创新中心有限公司 机器人控制方法、装置、系统及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0310781A (ja) * 1989-06-08 1991-01-18 Sanyo Electric Co Ltd 多関節型ロボット
CN106844985A (zh) * 2017-02-06 2017-06-13 中国科学院计算技术研究所 一种高自由度机器人逆运动学的快速求解方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090305210A1 (en) * 2008-03-11 2009-12-10 Khurshid Guru System For Robotic Surgery Training
US10434644B2 (en) * 2014-11-03 2019-10-08 The Board Of Trustees Of The Leland Stanford Junior University Position/force control of a flexible manipulator under model-less control
CN109159122B (zh) * 2018-09-12 2021-01-01 浙江工业大学 采用椭圆型终态神经网络的冗余机器人重复运动规划方法
CN109159151B (zh) * 2018-10-23 2021-12-10 北京无线电测量研究所 一种机械臂空间轨迹跟踪动态补偿方法和系统
CN110103225B (zh) * 2019-06-04 2023-04-11 兰州大学 一种数据驱动的机械臂重复运动控制方法与装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0310781A (ja) * 1989-06-08 1991-01-18 Sanyo Electric Co Ltd 多関節型ロボット
CN106844985A (zh) * 2017-02-06 2017-06-13 中国科学院计算技术研究所 一种高自由度机器人逆运动学的快速求解方法及系统

Also Published As

Publication number Publication date
CN111230860A (zh) 2020-06-05

Similar Documents

Publication Publication Date Title
CN111230860B (zh) 机器人控制方法、装置、计算机设备及存储介质
Kalani et al. Improved general solution for the dynamic modeling of Gough–Stewart platform based on principle of virtual work
Chirikjian et al. Kinematically optimal hyper-redundant manipulator configurations
Jiang et al. A two-level approach for solving the inverse kinematics of an extensible soft arm considering viscoelastic behavior
CN110076772B (zh) 一种机械臂的抓取方法及装置
JP2019517929A (ja) ロボット関節空間におけるポイントツーポイント移動の軌跡計画方法
Gautier Identification of robots dynamics
Yu et al. Shape control of deformable linear objects with offline and online learning of local linear deformation models
WO2007076119A2 (en) Reconstruction, retargetting, tracking, and estimation of pose of articulated systems
WO2007076118A2 (en) Reconstruction, retargetting, tracking, and estimation of motion for articulated systems
WO2007127723A2 (en) Control of robots from human motion descriptors
EP2188685A1 (en) Inverse kinematics
Rambow et al. Autonomous manipulation of deformable objects based on teleoperated demonstrations
CN110861088A (zh) 一种冗余自由度机器人的运动优化方法
Ruchanurucks et al. Humanoid robot motion generation with sequential physical constraints
CN113084792B (zh) 关节奇异区域的确定方法、机器人及存储装置
Aghajanzadeh et al. An offline geometric model for controlling the shape of elastic linear objects
Sahoo et al. A study on position control of a continuum arm using MAML (model-agnostic meta-learning) for adapting different loading conditions
CN107553485A (zh) 一种人机交互过程中动态虚拟夹具的生成方法
Pomares et al. Dynamic visual servo control of a 4-axis joint tool to track image trajectories during machining complex shapes
Palli Model-based manipulation of deformable linear objects by multivariate dynamic splines
Pozna et al. The inverse kinematics problem, a heuristical approach
Nagata et al. Neural network-based inverse kinematics for an industrial robot and its learning method
Moon et al. Time optimal trajectories for cooperative multi-robot systems
Kingston et al. Kinematically constrained workspace control via linear optimization

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