CN111230870B - 机器人控制方法、计算装置和存储介质 - Google Patents

机器人控制方法、计算装置和存储介质 Download PDF

Info

Publication number
CN111230870B
CN111230870B CN202010071763.0A CN202010071763A CN111230870B CN 111230870 B CN111230870 B CN 111230870B CN 202010071763 A CN202010071763 A CN 202010071763A CN 111230870 B CN111230870 B CN 111230870B
Authority
CN
China
Prior art keywords
robot
control
matrix
force
impedance control
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
CN202010071763.0A
Other languages
English (en)
Other versions
CN111230870A (zh
Inventor
吕燕
潘炳伟
蒋劲峰
陈忠
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.)
Shanghai Electric Group Corp
Original Assignee
Shanghai Electric Group Corp
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 Shanghai Electric Group Corp filed Critical Shanghai Electric Group Corp
Priority to CN202010071763.0A priority Critical patent/CN111230870B/zh
Publication of CN111230870A publication Critical patent/CN111230870A/zh
Application granted granted Critical
Publication of CN111230870B publication Critical patent/CN111230870B/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
    • B25J9/1602—Programme controls characterised by the control system, structure, architecture

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Manipulator (AREA)

Abstract

本申请公开了一种机器人控制方法、计算装置和存储介质。方法包括：获取机器人的位置参数和力参数；基于所获取的位置参数和力参数，以及预先为机器人设计的混合自适应阻抗控制算法，得到混合自适应阻抗控制率，其中，混合自适应控制算法是基于动力学模型以及李亚普诺夫方程设计的，且混合自适应阻抗控制率包括对应于机器人的位置控制子空间的内环自适应阻抗控制率和对应于机器人的力控制子空间的外环自适应阻抗控制率；基于混合自适应阻抗控制率动力学逆解转换得到的控制指令自适应控制机器人的运动。由此，通过结合李亚普诺夫方法设计一种混合自适应阻抗控制策略，以为保证阻抗控制的稳定性和有效性、实现柔顺、安全、可靠的人机交互提供支持。

Description

机器人控制方法、计算装置和存储介质
技术领域
本申请涉及工业机器人控制技术领域，特别涉及一种机器人控制方法、计算装置和存储介质。
背景技术
工业机器人是面向工业领域的多关节机械手或多自由度的机器装置，是靠自身动力和控制能力自动执行工作来实现各种功能的一种机器。工业机器人可以接受人类指挥，也可以按照预先编排的程序运行，还可以根据人工智能技术制定的原则纲领行动。
力控制问题一直是很多机器人研究学者普遍关注问题，当机器人跟外部环境不产生互动作用力时，位置控制便可以满足通用控制需求。当机器人跟外部环境接触时，比如说打磨和康复等，力位控制显得尤为重要。目前，机器人控制策略被分为两类，混合力位控制和混合阻抗控制。其中，混合力位控制策略通常是将工作空间分解为力控制和位置控制两个子空间。混合阻抗控制则通过力反馈系统调整控制器的惯性参数、摩擦参数等，以保证其动态特性，但这种方法多数以位置控制为主，而不是真正的力位混合控制策略。现有方案在阻抗控制的稳定性、有效性、精确性方法还存储诸多不足。
因此，如何改进机器人控制方案，仍为机器人控制领域亟需解决的技术问题之一。
发明内容
本申请的目的是提供一种机器人控制方法、计算装置和存储介质，实现一种对机器人的混合自适应阻抗控制策略。
第一方面，本申请实施例提供了一种机器人控制方法，该方法包括：
获取所述机器人的位置参数和力参数；
基于所获取的位置参数和所述力参数，以及预先为所述机器人设计的混合自适应阻抗控制算法，得到混合自适应阻抗控制率，其中，所述混合自适应控制算法是基于动力学模型以及李亚普诺夫方程设计的，且所述混合自适应阻抗控制率包括对应于所述机器人的位置控制子空间的内环自适应阻抗控制率和对应于所述机器人的力控制子空间的外环自适应阻抗控制率；
基于所述混合自适应阻抗控制率动力学逆解转换得到的控制指令自适应控制所述机器人的运动。
可选的，所述李亚普诺夫方程是关于所述机器人的状态变量以及自适应阻抗控制率的正定标量函数。
可选的，所述李亚普诺夫方程为：
Figure BDA0002377482380000021
其中，t为控制过程中的时间变量，X为所述机器人的状态变量，XT为X的转置，
Figure BDA0002377482380000022
为自适应阻抗控制率，
Figure BDA0002377482380000023
为
Figure BDA0002377482380000024
的转置，Γ为正定矩阵，P为正定对称矩阵。
可选的，所述动力学模型为：
Figure BDA0002377482380000025
其中，x、
Figure BDA0002377482380000026
为所述机器人实际的角位移、角速度、角加速度，Fu为控制所述机器人运动所需的力矩，Fe为机器人与外部环境的相互作用力，H(x)为惯性矩阵系数，
Figure BDA00023774823800000211
为哥白尼矩阵系数，G(x)为重力矩阵系数；
所述动力学模型线性化的模型参数的动力学方程表示为：
Figure BDA0002377482380000027
其中，x、
Figure BDA0002377482380000028
为所述机器人实际的角位移、角速度、角加速度，α为控制率；
Figure BDA0002377482380000029
为惯性矩阵系数H(x)的回归值，Y表示动力学输出，
Figure BDA00023774823800000210
为动力学模型参数矩阵，
其中，所述动力学方程用于以所得到的混合自适应阻抗控制率作为控制率输入来进行动力学逆解，并以逆解的输出转换得到所述控制指令，
可选的，在所述位置控制子空间内，所述机器人的力和位置的动态方程为：
Figure BDA0002377482380000031
其中，xd、
Figure BDA0002377482380000032
为设定的角位移、角速度、角加速度，Hd、Cd、Kd为设定的惯性矩阵系数、哥白尼矩阵系数和位置系数，Fe为机器人与外部环境的相互作用力；
基于所述动态方程和所述李亚普诺夫方程，得到所述内环自适应阻抗控制率为：
Figure BDA0002377482380000033
其中，Γ为正定矩阵，Γ-1为正定矩阵Γ的逆矩阵，P为正定对称矩阵，X为所述机器人的状态变量，Y′为在所述位置控制子空间的动力学输出，Y′T为Y′的转置。
可选的，在所述位置控制子空间内，状态空间方程为：
Figure BDA0002377482380000034
其中，
Figure BDA0002377482380000035
In为所述机器人的转动惯量，n为机器人的维数，Md为设定的机器人质量，Ke为外部环境力系数矩阵，X为所述机器人的状态变量，
Figure BDA0002377482380000036
为X的一阶导数，
Figure BDA0002377482380000037
为动力学模型参数矩阵。
可选的，在所述力控制子空间内，所述机器人的力和位置的动态方程为：
Figure BDA0002377482380000038
其中，xd、
Figure BDA0002377482380000039
为设定的角位移、角速度、角加速度，Hd、Cd为设定的惯性矩阵系数、哥白尼矩阵系数，Fd为设定的控制所述机器人运动所需的力，Fe为机器人与外部环境的相互作用力；
基于所述动态方程和所述李亚普诺夫方程，得到所述外环自适应阻抗控制率为:
Figure BDA0002377482380000041
其中，Γ为正定矩阵，Γ-1为正定矩阵的逆矩阵，P为正定对称矩阵，X为状态变量，Y″为在所述力控制子空间的动力学输出，Y″T为Y″的转置，BT为B的转置。
可选的，在所述力控制子空间内，状态空间方程为：
Figure BDA0002377482380000042
其中,
Figure BDA0002377482380000043
In为所述机器人的转动惯量，n为机器人的维数，Md为设定的机器人质量，Ke为外部环境力系数矩阵，ef、
Figure BDA0002377482380000044
为力矩约束，X为所述机器人的状态变量，
Figure BDA0002377482380000045
为X的一阶导数,
Figure BDA0002377482380000046
为所述动力学模型的参数矩阵。
第二方面，本申请另一实施例还提供了一种计算装置，包括至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请实施例提供的任一机器人控制方法。
第三方面，本申请另一实施例还提供了一种计算机存储介质，其中，所述计算机存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行本申请实施例中的任一机器人控制方法。
本申请实施例，通过结合动力学模型以及构建的李亚普诺夫方程，设计了一种基于混合自适应阻抗控制算法的控制器，该控制器能够根据设定的力位参数以及反馈系统自适应地调整控制器的模型参数、控制率等，以便实现对机器人的自适应阻抗控制。该自适应阻抗控制方案能够保证带有不确定项的机器人的阻抗误差收敛到零点或零点的小领域，且能够保证阻抗控制的稳定性和有效性，为实现柔顺、安全、可靠的人机交互提供支持。
本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，显而易见地，下面所介绍的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为根据本申请一个实施例的机器人控制方法的流程示意图；
图2为根据本申请一个实施例的控制原理的示意图；
图3为根据本申请一个实施例的计算装置的示意图。
具体实施方式
如前所述，现有方案在阻抗控制的稳定性、有效性、精确性方法还存储诸多不足。
例如，一些方案提出了基于扰动观测器的并联机器人阻抗控制方法，克服现有机器人阻抗控制的不足，实现阻抗误差的收敛，保证阻抗控制的稳定性和柔顺、安全、可靠的人机交互。但该方案中没有考虑系统外部环境的影响，系统的自适应性难以保证。
再例如，一些方案提出了，由在线辨识器根据力传感器和位置传感器采集得到的患肢的作用力和位置计算出患肢的等效质量参数Mh、等效阻尼参数Bh和等效刚度参数Kh，再利用这些参数的变化量ΔMh、ΔBh及ΔKh，对比例-微分-积分控制器的比例系数KP，积分系数KI和微分系数KD进行修正，比例-微分-积分控制器输出的电机功率信号转变成力矩电机的驱动信号，用于控制力矩电机的工作。该控制方法可提高康复训练机器人的控制柔顺性和安全性。但是该控制方法不能保证带有不确定项的机器人的阻抗误差收敛到零点或零点的小领域，不能保证阻抗控制的稳定性和有效性，无法克服现有机器人阻抗控制的不足，不能实现阻抗误差的收敛以及阻抗控制的稳定性和柔顺、安全、可靠的人机交互。
又例如，一些方案提出了基于连接和阻尼配置的柔性关节机械臂的阻抗控制方法，以解决传统的机械臂控制方法在柔性关节机械臂控制中，残余振动大，无法达到稳定控制的目的问题。但该方法需要依赖机器人的动力学参数，无法考虑外部环境对控制方法的影响，自适应效果也不好。
有鉴于此，本申请提出了一种改进的机器人控制方案，通过结合动力学模型以及构建的李亚普诺夫方程，设计了一种基于混合自适应阻抗控制算法的控制器，该控制器能够根据设定的力位参数以及反馈系统自适应地调整控制器的模型参数、控制率等，以便实现对机器人的自适应阻抗控制。该自适应阻抗控制方案能够保证带有不确定项的机器人的阻抗误差收敛到零点或零点的小领域，且能够保证阻抗控制的稳定性和有效性，为实现柔顺、安全、可靠的人机交互提供支持。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的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，本领域普通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。
图1为根据本申请一个实施例的机器人控制方法的流程示意图。图2为根据本申请一个实施例的机器人控制原理的示意图。如下将结合图1-图2来对本申请的混合自适应阻抗控制方案进行详细描述。
如图1所示，在步骤S110，获取所述机器人的位置参数和力参数。
结合图2所示，在此，所获取的位置参数和力参数可以包括设定的位置参数xd和力参数Fd，也即，控制机器人运动所期望的轨迹参数。所获取的位置参数和力参数还可以包括反馈系统反馈的位置参数如x、
Figure BDA0002377482380000061
和力参数Fe。其中，x、
Figure BDA0002377482380000062
为所述机器人实际的角位移、角速度、角加速度，Fe为机器人与外部环境的相互作用力。x可以是机器人的位置传感器采集到的，
Figure BDA0002377482380000063
为反馈系统基于x计算得到的。Fe可以是基于机器人的力传感器采集到的。
在步骤S120，基于所获取的位置参数和所述力参数，以及预先为所述机器人设计的混合自适应阻抗控制算法，得到混合自适应阻抗控制率。其中，所述混合自适应阻抗控制率包括对应于所述机器人的位置控制子空间的内环自适应阻抗控制率和对应于所述机器人的力控制子空间的外环自适应阻抗控制率。
本申请实施例中，混合自适应控制算法可以是基于动力学模型以及李亚普诺夫方程设计的。根据混合阻抗控制的原理，分别对机器人的位置和力进行控制，通过李亚普诺夫方法对建立的阻抗控制系统的稳定性进行分析，以找到能够使控制系统渐进稳定的李亚普诺夫方程。
该算法设计能够通过内部动态模型的方法来估计参数，使得在模型参数未知或是存在未建模动态的情况下，能够自适应地调整模型参数和控制率，并实现对机器人的混合自适应阻抗控制。并且，该算法设计也考虑到实际应用中机器人动态模型的不精确性，采用自适应的控制策略，同时考虑到外部环境因素的影响，实现较为精确的控制。并且，采用自适应的控制策略并结合内外环控制策略，控制器的设计也较为简单。
结合图2所示，所获取的位置参数xd、x、
Figure BDA0002377482380000071
以及力参数Fd、Fe作为输入变量输入到控制器中，该控制器可以基于相应的输入变量以及预先设计的混合自适应阻抗控制算法得到用于机器人的混合自适应阻抗控制率，包括对应于所述机器人的位置控制子空间的内环自适应阻抗控制率和对应于所述机器人的力控制子空间的外环自适应阻抗控制率。
在步骤S130，基于所述混合自适应阻抗控制率动力学逆解转换得到的控制指令自适应控制所述机器人的运动。
结合图2所示，将所得到的混合自适应阻抗控制率作为动力学逆变器的输入变量α输入到动力学逆变器中，以使得能够基于所述内环自适应阻抗控制率和所述外环自适应阻抗控制率动力学逆解得到控制机器人运动所需的力Fu，进而使得，可以基于力Fu转换得到的控制指令自适应控制机器人的运动。
在一个实施例中，根据混合阻抗控制的原理，将动力学模型的控制空间分解为位置控制和力控制两个子空间，并通过李亚普诺夫方法分别设计两个子空间的自适应阻抗控制策略。控制方法采用如图2所示的内外环控制策略。
本申请实施例中，所构建的李亚普诺夫方程可以是关于所述机器人的状态变量以及自适应阻抗控制率的正定标量函数。其中，以V表示构建的李亚普诺夫方程，可以构建任何形式的李亚普诺夫方程，只需保证Γ和P的矩阵，且V(t,X)＞＞0即可，本申请不对李亚普诺夫方程的具体表达进行任何限定。
作为示例，所构建的李亚普诺夫方程可以为：
Figure BDA0002377482380000081
其中，t为控制过程中的时间变量，X为机器人的状态变量，XT为X的转置，
Figure BDA0002377482380000082
为自适应阻抗控制率，
Figure BDA0002377482380000083
为
Figure BDA0002377482380000084
的转置，Γ为正定矩阵，P为正定对称矩阵。
作为示例，如下将以通用工业六节机器人为例，来对本申请的算法设计的相关细节进行描述。应当理解的时，下述步骤仅为描述方便，并不表示对步骤的执行顺序的任何限定。
具体地，步骤1，考虑机器人外部受力情况，可以获得机器人的动力学模型为：
Figure BDA0002377482380000085
其中，x、
Figure BDA0002377482380000086
为所述机器人实际的角位移、角速度、角加速度，Fu为控制所述机器人运动所需的力矩，Fe为机器人与外部环境的相互作用力，H(x)为惯性矩阵系数，
Figure BDA0002377482380000087
为哥白尼矩阵系数，G(x)为重力矩阵系数。
其中，所述动力学模型线性化的模型参数的动力学方程可以表示为：
Figure BDA0002377482380000088
其中，x、
Figure BDA0002377482380000089
为所述机器人实际的角位移、角速度、角加速度，α为所述机器人的控制空间的控制率(或控制率矩阵)；
Figure BDA00023774823800000810
为惯性矩阵系数H(x)的回归值，Y表示动力学输出，
Figure BDA00023774823800000811
为动力学模型参数矩阵，其中，所述动力学方程用于以所得到的混合自适应阻抗控制率作为控制率输入来进行动力学逆解，并以逆解的输出转换得到控制机器人运动的控制指令。
步骤2，根据混合阻抗控制的原理，将动力学模型的控制空间分解为位置控制和力控制两个子空间，并通过李亚普诺夫方法分别设计两个子空间的自适应阻抗控制策略。控制方法采用如图2所示的内外环控制策略。
所构建的李亚普诺夫方程可以为：
Figure BDA00023774823800000912
其中，t为控制过程中的时间变量，X为机器人的状态变量，XT为X的转置，
Figure BDA0002377482380000091
为自适应阻抗控制率，
Figure BDA0002377482380000092
为
Figure BDA0002377482380000093
的转置，Γ为正定矩阵，P为正定对称矩阵。
步骤3，在位置控制子空间(内环)内，通过李亚普诺夫方程设计该环内的自适应阻抗控制率，即内环自适应阻抗控制率。
具体的，在位置控制子空间内，机器人的力和位置的动态方程为：
Figure BDA0002377482380000094
其中，xd、
Figure BDA0002377482380000095
为设定的角位移、角速度、角加速度，Hd、Cd、Kd分别为设定的惯性矩阵系数、哥白尼矩阵系数和位置系数，Fe为机器人与外部环境的相互作用力。
在上述公式(3)中，假设
Figure BDA0002377482380000096
则可以得到位置控制子空间的控制率为：
Figure BDA0002377482380000097
结合上述公式(2)、(4)，在位置控制子空间内，所述机器人的状态空间方程为：
Figure BDA0002377482380000098
其中，
Figure BDA0002377482380000099
In为所述机器人的转动惯量，n为机器人的维数，Md为设定的机器人质量，Ke为外部环境力系数矩阵，X为所述机器人的状态变量，
Figure BDA00023774823800000910
为X的一阶导数，
Figure BDA00023774823800000911
为动力学模型参数矩阵。
结合李亚普诺夫方程，得到内环自适应阻抗控制率为：
Figure BDA0002377482380000101
其中，Γ为正定矩阵，Γ-1为正定矩阵Γ的逆矩阵，P为正定对称矩阵，X为机器人的状态变量，Y′为在所述位置控制子空间的动力学输出，Y′T为Y′的转置。
步骤4，在力控制子空间(外环)内，通过李亚普诺夫方程设计该环内的自适应阻抗控制率，即外环自适应阻抗控制率。
具体的，在力控制子空间内，假设机器人与外部环境的相互作用力为：
Fe＝KeX (6)
其中，X为机器人的状态变量，Ke为外部环境力系数矩阵。
在力控制子空间内，机器人的力和位置的动态方程为：
Figure BDA0002377482380000102
其中，xd、
Figure BDA0002377482380000103
为设定的角位移、角速度、角加速度，Hd、Cd为设定的惯性矩阵系数、哥白尼矩阵系数，Fd为设定的控制所述机器人运动所需的力，Fe为机器人与外部环境的相互作用力。
考虑到外部环境受力情况，在力控制子空间内，机器人的控制率为：
Figure BDA0002377482380000104
设力矩约束为：
Figure BDA0002377482380000105
在力控制子空间内，机器人的控制率可以改为：
Figure BDA0002377482380000106
同理，结合公式(2)，在力控制子空间内，机器人的状态空间方程可以为：
Figure BDA0002377482380000107
其中,
Figure BDA0002377482380000108
In为所述机器人的转动惯量，n为机器人的维数，Md为设定的机器人质量，Ke为外部环境力系数矩阵，ef、
Figure BDA0002377482380000109
为力矩约束，X为所述机器人的状态变量，
Figure BDA00023774823800001010
为X的一阶导数，
Figure BDA00023774823800001011
为动力学模型参数矩阵。
结合李亚普诺夫方程，得到外环自适应阻抗控制率为：
Figure BDA0002377482380000111
其中，Γ为正定矩阵，Γ-1为正定矩阵的逆矩阵，P为正定对称矩阵，X为机器人的状态变量，Y″为在所述力控制子空间的动力学输出，Y″T为Y″的转置，BT为B的转置。
步骤5，将在步骤3得到的内环自适应阻抗控制率和在步骤4得到的外环自适应阻抗控制率作为控制率输入α代入到公式(2)所表述的控制环内，即可通过动力学逆解的输出，并基于逆解的输出转换得到的控制指令实现对机器人的自适应阻抗控制。
由此，通过结合动力学模型以及构建的李亚普诺夫方程，设计了一种基于混合自适应阻抗控制算法的控制器，该控制器能够根据设定的力位参数以及反馈系统自适应地调整控制器的模型参数、控制率等，以便实现对机器人的自适应阻抗控制。该自适应阻抗控制方案能够保证带有不确定项的机器人的阻抗误差收敛到零点或零点的小领域，且能够保证阻抗控制的稳定性和有效性，为实现柔顺、安全、可靠的人机交互提供支持。
该算法设计能够通过内部动态模型的方法来估计参数，使得在模型参数未知或是存在未建模动态的情况下，能够自适应地调整模型参数，并实现对机器人的混合自适应阻抗控制。并且，该算法设计也考虑到实际应用中机器人动态模型的不精确性，采用自适应的控制策略，同时考虑到外部环境因素的影响，实现较为精确的控制。并且，采用自适应的控制策略并结合内外环控制策略，控制器的设计也较为简单。
在介绍了本申请示例性实施方式的一种机器人控制方法之后，接下来，介绍根据本申请的另一示例性实施方式的计算装置。
所属技术领域的技术人员能够理解，本申请的各个方面可以实现为系统、方法或程序产品。因此，本申请的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
在一些可能的实施方式中，根据本申请的计算装置可以至少包括至少一个处理器、以及至少一个存储器。其中，存储器存储有程序代码，当程序代码被处理器执行时，使得处理器执行本说明书上述描述的根据本申请各种示例性实施方式的机器人控制方法中的步骤。例如，处理器可以执行如图1所示的步骤。
下面参照图3来描述根据本申请的这种实施方式的计算装置130。图3显示的计算装置130仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图3所示，计算装置130以通用计算装置的形式表现。计算装置130的组件可以包括但不限于：上述至少一个处理器131、上述至少一个存储器132、连接不同系统组件(包括存储器132和处理器131)的总线133。
总线133表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
存储器132可以包括易失性存储器形式的可读介质，例如随机存取存储器(RAM)1321和/或高速缓存存储器1322，还可以进一步包括只读存储器(ROM)1323。
存储器132还可以包括具有一组(至少一个)程序模块1324的程序/实用工具1325，这样的程序模块1324包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
计算装置130也可以与一个或多个外部设备134(例如键盘、指向设备等)通信，还可与一个或者多个使得用户能与计算装置130交互的设备通信，和/或与使得该计算装置130能与一个或多个其它计算装置进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口135进行。并且，计算装置130还可以通过网络适配器136与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器136通过总线133与用于计算装置130的其它模块通信。应当理解，尽管图中未示出，可以结合计算装置130使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
在一些可能的实施方式中，本申请提供的一种机器人控制方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在计算机设备上运行时，程序代码用于使计算机设备执行本说明书上述描述的根据本申请各种示例性实施方式的一种机器人控制方法中的步骤，例如，计算机设备可以执行如图1所示的步骤。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本申请的实施方式的用于机器人控制的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在计算装置上运行。然而，本申请的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算装置上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算装置上部分在远程计算装置上执行、或者完全在远程计算装置或服务器上执行。在涉及远程计算装置的情形中，远程计算装置可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算装置，或者，可以连接到外部计算装置(例如利用因特网服务提供商来通过因特网连接)。
应当注意，尽管在上文详细描述中提及了装置的若干单元或子单元，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之，上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外，尽管在附图中以特定顺序描述了本申请方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (9)

1.一种机器人控制方法，其特征在于，所述方法包括：
获取所述机器人的位置参数和力参数；
基于所获取的位置参数和所述力参数，以及预先为所述机器人设计的混合自适应阻抗控制算法，得到混合自适应阻抗控制率，其中，所述混合自适应控制算法是基于动力学模型以及李亚普诺夫方程设计的，且所述混合自适应阻抗控制率包括对应于所述机器人的位置控制子空间的内环自适应阻抗控制率和对应于所述机器人的力控制子空间的外环自适应阻抗控制率；
基于所述混合自适应阻抗控制率动力学逆解转换得到的控制指令自适应控制所述机器人的运动；
所述动力学模型为：
Figure FDA0003015621210000011
其中，x、
Figure FDA0003015621210000012
分别为所述机器人实际的角位移、角速度、角加速度，Fu为控制所述机器人运动所需的力矩，Fe为机器人与外部环境的相互作用力，H(x)为惯性矩阵系数，
Figure FDA0003015621210000013
为哥白尼矩阵系数，G(x)为重力矩阵系数；
所述动力学模型线性化的模型参数的动力学方程表示为：
Figure FDA0003015621210000014
其中，x、
Figure FDA0003015621210000015
分别为所述机器人实际的角位移、角速度、角加速度，α为控制率；
Figure FDA0003015621210000016
为惯性矩阵系数H(x)的回归值，Y表示动力学输出，
Figure FDA0003015621210000017
为动力学模型参数矩阵，
其中，所述动力学方程用于以所得到的混合自适应阻抗控制率作为控制率输入来进行动力学逆解，并以逆解的输出转换得到所述控制指令。
2.根据权利要求1所述的方法，其特征在于，所述李亚普诺夫方程是关于所述机器人的状态变量以及自适应阻抗控制率的正定标量函数。
3.根据权利要求2所述的方法，其特征在于，所述李亚普诺夫方程为：
Figure FDA0003015621210000021
其中，t为控制过程中的时间变量，X为所述机器人的状态变量，XT为X的转置，
Figure FDA0003015621210000022
为自适应阻抗控制率，
Figure FDA0003015621210000023
为
Figure FDA0003015621210000024
的转置，Γ为正定矩阵，P为正定对称矩阵。
4.根据权利要求3所述的方法，其特征在于，在所述位置控制子空间内，所述机器人的力和位置的动态方程为：
Figure FDA0003015621210000025
其中，xd、
Figure FDA0003015621210000026
分别为设定的角位移、角速度、角加速度，Hd、Cd、Kd分别为设定的惯性矩阵系数、哥白尼矩阵系数和位置系数，Fe为机器人与外部环境的相互作用力；
基于所述动态方程和所述李亚普诺夫方程，得到所述内环自适应阻抗控制率为：
Figure FDA0003015621210000027
其中，Γ为正定矩阵，Γ-1为正定矩阵Γ的逆矩阵，P为正定对称矩阵，X为所述机器人的状态变量，Y′为在所述位置控制子空间的动力学输出，Y′T为Y′的转置。
5.根据权利要求4所述的方法，其特征在于，在所述位置控制子空间内，状态空间方程为：
Figure FDA0003015621210000028
其中，
Figure FDA0003015621210000029
In为所述机器人的转动惯量，n为机器人的维数，Md为设定的机器人质量，Ke为外部环境力系数矩阵，X为所述机器人的状态变量，
Figure FDA00030156212100000210
为X的一阶导数，
Figure FDA00030156212100000211
为动力学模型参数矩阵。
6.根据权利要求3所述的方法，其特征在于，在所述力控制子空间内，所述机器人的力和位置的动态方程为：
Figure FDA00030156212100000212
其中，xd、
Figure FDA0003015621210000031
为设定的角位移、角速度、角加速度，Hd、Cd为设定的惯性矩阵系数、哥白尼矩阵系数，Fd为设定的控制所述机器人运动所需的力，Fe为机器人与外部环境的相互作用力；
基于所述动态方程和所述李亚普诺夫方程，得到所述外环自适应阻抗控制率为:
Figure FDA0003015621210000032
其中，Γ为正定矩阵，Γ-1为正定矩阵的逆矩阵，P为正定对称矩阵，X为机器人的状态变量，Y″为在所述力控制子空间的动力学输出，Y″T为Y″的转置，BT为B的转置。
7.根据权利要求6所述的方法，其特征在于，在所述力控制子空间内，状态空间方程为：
Figure FDA0003015621210000033
其中,
Figure FDA0003015621210000034
In为所述机器人的转动惯量，n为机器人的维数，Md为设定的机器人质量，Ke为外部环境力系数矩阵，ef、
Figure FDA0003015621210000035
为力矩约束，X为所述机器人的状态变量，
Figure FDA0003015621210000036
为X的一阶导数,
Figure FDA0003015621210000037
为所述动力学模型的参数矩阵。
8.一种计算装置，其特征在于，包括至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行根据权利要求1-7任一项所述的方法。
9.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行根据权利要求1-7任一项所述的方法。
CN202010071763.0A 2020-01-21 2020-01-21 机器人控制方法、计算装置和存储介质 Active CN111230870B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010071763.0A CN111230870B (zh) 2020-01-21 2020-01-21 机器人控制方法、计算装置和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010071763.0A CN111230870B (zh) 2020-01-21 2020-01-21 机器人控制方法、计算装置和存储介质

Publications (2)

Publication Number Publication Date
CN111230870A CN111230870A (zh) 2020-06-05
CN111230870B true CN111230870B (zh) 2021-08-03

Family

ID=70867787

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010071763.0A Active CN111230870B (zh) 2020-01-21 2020-01-21 机器人控制方法、计算装置和存储介质

Country Status (1)

Country Link
CN (1) CN111230870B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113400316B (zh) * 2021-07-09 2023-01-20 同济大学 建筑垃圾分拣机械手抓取控制方法及装置
CN113858201B (zh) * 2021-09-29 2023-04-25 清华大学 用于柔性驱动机器人的自适应变阻抗控制方法、系统与设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105500147A (zh) * 2015-12-14 2016-04-20 中国科学院沈阳自动化研究所 基于力控制的龙门吊装机器人打磨加工方法
CN106737661A (zh) * 2016-11-21 2017-05-31 电子科技大学 一种时延力反馈遥控机器人的自调整控制系统
CN106855690A (zh) * 2016-11-24 2017-06-16 西北工业大学 空间绳系机器人近距离抓捕后回收目标的自适应控制方法
CN108983601A (zh) * 2018-06-19 2018-12-11 江苏大学 一种提高采摘机器人柔顺抓取性能的参数自整定阻抗控制系统构造方法
CN110202574A (zh) * 2019-06-05 2019-09-06 南京航空航天大学 基于环境刚度估计的机器人自适应混合阻抗/导纳控制方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102486728B1 (ko) * 2018-02-26 2023-01-09 엘지전자 주식회사 소음 적응적으로 음량을 제어하는 방법 및 이를 구현하는 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105500147A (zh) * 2015-12-14 2016-04-20 中国科学院沈阳自动化研究所 基于力控制的龙门吊装机器人打磨加工方法
CN106737661A (zh) * 2016-11-21 2017-05-31 电子科技大学 一种时延力反馈遥控机器人的自调整控制系统
CN106855690A (zh) * 2016-11-24 2017-06-16 西北工业大学 空间绳系机器人近距离抓捕后回收目标的自适应控制方法
CN108983601A (zh) * 2018-06-19 2018-12-11 江苏大学 一种提高采摘机器人柔顺抓取性能的参数自整定阻抗控制系统构造方法
CN110202574A (zh) * 2019-06-05 2019-09-06 南京航空航天大学 基于环境刚度估计的机器人自适应混合阻抗/导纳控制方法

Also Published As

Publication number Publication date
CN111230870A (zh) 2020-06-05

Similar Documents

Publication Publication Date Title
US11772264B2 (en) Neural network adaptive tracking control method for joint robots
CN111230870B (zh) 机器人控制方法、计算装置和存储介质
Zhakatayev et al. Successive linearization based model predictive control of variable stiffness actuated robots
US20120004775A1 (en) Robot apparatus and control method therefor
Basil et al. Jaya optimization algorithm implemented on a new novel design of 6-DOF AUV body: a case study
Omran et al. Optimal task space control design of a Stewart manipulator for aircraft stall recovery
CN109086557A (zh) 一种基于欧拉型离散周期节律神经网络的冗余度机械臂重复运动规划方法
Brahmi et al. Robust adaptive tracking control of uncertain rehabilitation exoskeleton robot
Yang et al. Variable impedance skill learning for contact-rich manipulation
Tian et al. Sliding mode control strategy of 3-UPS/S shipborne stable platform with LSTM neural network prediction
Xu et al. Data-driven dynamics modeling and control strategy for a planar n-DOF cable-driven parallel robot driven by n+ 1 cables allowing collisions
CN113568422A (zh) 基于模型预测控制优化强化学习的四足机器人控制方法
Jiang et al. An integrated tracking control approach based on reinforcement learning for a continuum robot in space capture missions
Zhang et al. Data-driven load frequency cooperative control for multi-area power system integrated with VSCs and EV aggregators under cyber-attacks
CN115958596B (zh) 双冗余机械臂运动规划方法及装置、设备、存储介质
Patrascu et al. Tuning of PID controllers for non-linear MIMO systems using genetic algorithms
Lu et al. Robust adaptive control of antagonistic tendon-driven joint in the presence of parameter uncertainties and external disturbances
Peng et al. Adaptive robust quadratic stabilization tracking control for robotic system with uncertainties and external disturbances
CN109531626B (zh) 一种智能机器人奇异构型预测方法、装置和存储介质
Lukichev et al. Application of fuzzy cooperative coevolution adaptive control for damping of torsional vibrations in multi-mass drive system
CN114529010A (zh) 一种机器人自主学习方法、装置、设备及存储介质
Jawad et al. Design of adaptive controller for robot arm manipulator based on ANN with optimized PID by IWO algorithm
Pitakwatchara Task space impedance control of the manipulator driven through the multistage nonlinear flexible transmission
Xie et al. A Fuzzy Neural Controller for Model-Free Control of Redundant Manipulators With Unknown Kinematic Parameters
Wang et al. Robust adaptive fuzzy tracking control for a class of strict-feedback nonlinear systems based on backstepping technique

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