CN112025708A - 利用现场工具完成敲击任务的控制系统及方法 - Google Patents

利用现场工具完成敲击任务的控制系统及方法 Download PDF

Info

Publication number
CN112025708A
CN112025708A CN202010893450.3A CN202010893450A CN112025708A CN 112025708 A CN112025708 A CN 112025708A CN 202010893450 A CN202010893450 A CN 202010893450A CN 112025708 A CN112025708 A CN 112025708A
Authority
CN
China
Prior art keywords
robot
gravity compensation
neural network
impulse
tool
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.)
Granted
Application number
CN202010893450.3A
Other languages
English (en)
Other versions
CN112025708B (zh
Inventor
余张国
董岳
陈学超
黄强
王晨征
石青
黄岩
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202010893450.3A priority Critical patent/CN112025708B/zh
Publication of CN112025708A publication Critical patent/CN112025708A/zh
Application granted granted Critical
Publication of CN112025708B publication Critical patent/CN112025708B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • BPERFORMING OPERATIONS; TRANSPORTING
    • B25HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25JMANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00Programme-controlled manipulators
    • B25J9/16Programme controls
    • B25J9/1602Programme controls characterised by the control system, structure, architecture
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B25HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25JMANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00Programme-controlled manipulators
    • B25J9/16Programme controls
    • B25J9/1602Programme controls characterised by the control system, structure, architecture
    • B25J9/161Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B25HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25JMANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00Programme-controlled manipulators
    • B25J9/16Programme controls
    • B25J9/1628Programme controls characterised by the control loop
    • B25J9/1633Programme controls characterised by the control loop compliant, force, torque control, e.g. combined with position control
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B25HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25JMANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00Programme-controlled manipulators
    • B25J9/16Programme controls
    • B25J9/1656Programme controls characterised by programming, planning systems for manipulators
    • B25J9/1664Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B25HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25JMANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00Programme-controlled manipulators
    • B25J9/16Programme controls
    • B25J9/1679Programme controls characterised by the tasks executed

Abstract

本发明提供了一种利用现场工具完成敲击任务的控制系统及方法,属于机器人控制技术领域。本发明在遥操作条件下,远程协助机器人在现场找到合适的类似工具,并确定工具的期望估计质量,将期望估计质量和期望冲量输入神经网络模型,得到重力补偿阶段规划速度;机器人手臂按照规划的运动轨迹、重力补偿阶段起始角度和重力补偿阶段规划速度,完成敲击动作,撞击完成后返回;遥操作条件下的神经网络模型由不同质量的被操作物体及相应的冲量训练神经网络得到。本发明无需机器人携带工具,使用的现场工具无需经过大量测试实验,增加遥操作机器人的使用范围。

Description

利用现场工具完成敲击任务的控制系统及方法
技术领域
本发明属于机器人控制技术领域,具体涉及利用现场工具完成敲击任务的控制系统及方法。
背景技术
随着科学技术的发展,机器人的种类越来越多,应用范围越来越广。遥操作机器人,集成了机器人技术和遥操作技术,已经在深空探索、深海探测、核电站维护等方面取得了广泛的应用。
但是,在以往的遥操作中,机器人主要是通过执行操作员远程发送的指令,完成相应的任务,由于通信延迟的存在,导致执行的任务是相对静态的、慢速的,虽然部分机器人通过提高机器人的自主性,具备了一定操作动态、快速任务的能力,但是往往要求被操作物体是经过大量调试、测试过的。如果遥操作机器人为了完成某一任务的同时,还需要随身携带完成该任务的工具,比如拿着锤子敲钉子、抬着破门锤利用其惯性撞开门等,就极大地降低了遥操作机器人的运动能力,限制了应用范围。因此,很有必要发明一种可以利用现场相似工具完成特定任务的控制系统或方法。现有技术仅仅能执行慢速的操作,无法利用物体(工具)的质量完成敲击任务,也不能在遥操作状态下动态操作未经过大量测试实验的工具,导致必须随身携带工具。
发明内容
针对现有技术中存在不足,本发明提供了利用现场工具完成敲击任务的控制系统及方法,实现了遥操作条件下,机器人使用现场工具完成敲击任务的功能,增加遥操作机器人的使用范围。
本发明是通过以下技术手段实现上述技术目的的。
利用现场工具完成敲击任务的控制方法,由机器人手臂末端的被操作物体规划机器人手臂末端点的运动轨迹,机器人手臂按照规划的运动划轨迹敲击物体时,获取被操作物体的估计质量,设定重力补偿阶段规划速度,并获取被敲击物体施加的实际冲量;更换被操作物体,得到不同质量下被操作物体的估计质量,针对不同质量的被操作物体,设定重力补偿阶段规划速度,并得到敲击物体时相应的冲量,由不同质量的被操作物体及相应的冲量训练神经网络,得到遥操作条件下的神经网络模型;
在遥操作条件下,远程协助机器人在现场找到合适的类似工具,并确定工具的期望估计质量,将期望估计质量和期望冲量输入神经网络模型,得到重力补偿阶段规划速度;
机器人手臂按照规划的运动轨迹、重力补偿阶段起始角度和重力补偿阶段规划速度,完成敲击动作,撞击完成后返回。
进一步的,所述机器人手臂按照规划的运动划轨迹敲击物体时,根据手臂动力学模型:
Figure BDA0002657663130000021
其中:τ是关节力矩,
Figure BDA0002657663130000022
是惯性矩阵,与关节角度θ、角速度
Figure BDA0002657663130000023
角加速度
Figure BDA0002657663130000024
相关,
Figure BDA0002657663130000025
是离心力和科氏力,G(θ)是手臂的重力矢量。
更进一步的,所述运动划轨包括加速阶段、重力补偿阶段和返回阶段。
进一步的,所述神经网络的输入为估计质量
Figure BDA0002657663130000026
和冲量
Figure BDA0002657663130000027
输出是重力补偿阶段规划速度
Figure BDA0002657663130000028
i表示质量为mi的被操作物体,j为被操作物体mi对应的速度或冲量的个数,i=1,2,3…n,j=1,2,3…m。
更进一步的,所述合适的类似工具判定条件为:机器人在现场找到类似工具估计质量满足
Figure BDA0002657663130000029
进一步的,所述期望冲量是由操作人员根据被敲击物体的类型,设定的经验值。
利用现场工具完成敲击任务的控制系统,包括工控机、力传感器和位置传感器,力传感器设置在遥操作机器人手腕处,用于估计被操作物体的质量,位置传感器设置在机器人手臂各关节处,力传感器和位置传感器将获取的数据发送给工控机;工控机结合动力学模型,控制机器人手腕末端点按照规划的轨迹运动。
本发明的有益效果为:本发明由机器人手臂末端安装的被操作物体规划机器人手臂末端点的运动轨迹,机器人手臂按照规划轨迹敲击完被敲击物体时,获取被操作物体的估计质量,设定重力补偿阶段规划速度,对被敲击物体进行敲击后,获取对被敲击物体施加的实际冲量;更换被操作物,得到不同质量下被操作物体的估计质量,针对不同质量的被操作物体,设定重力补偿阶段规划速度,并得到敲击物体时相应的冲量,由不同质量的被操作物体及敲击物体时相应的冲量训练神经网络,得到遥操作条件下的神经网络模型;在遥操作条件下,通过操作员的远程协助,机器人在现场找到合适的类似工具,并确定其期望估计质量,将期望估计质量和期望冲量输入神经网络模型,得到重力补偿阶段规划速度,机器人按照规划的运动轨迹、重力补偿阶段起始角度和规划速度,完成敲击动作,撞击完成后,返回初始角度。本发明实现了遥操作条件下,机器人使用现场工具完成敲击任务的功能,增加遥操作机器人的使用范围。
附图说明
图1为本发明所述手臂末端点的运动轨迹示意图;
图2为本发明所述可利用现场工具完成敲击任务的控制流程图;
图中:1-被敲击物体;2-力传感器;3-被操作物体;4-机器人。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明,但本发明的保护范围并不限于此。
利用现场工具完成敲击任务的控制系统,包括工控机、力传感器2和位置传感器,力传感器2设置在遥操作机器人手腕处,用于获取机器人被操作物体的质量和质心;位置传感器设置在肩关节、肘关节和腕关节处,用于获取各关节角度,力传感器2和位置传感器均与工控机进行通信,将获取的数据发送给工控机;工控机结合动力学模型,控制机器人手腕末端点按照规划的轨迹运动,力传感器2检测手腕末端受力数据,进而估计被操作物体3的质量。
如图2所示,利用现场工具完成敲击任务的控制方法,具体包括如下步骤:
步骤(1),工控机内部建立机器人手臂动力学模型
Figure BDA0002657663130000031
其中:τ是关节力矩,
Figure BDA0002657663130000032
是惯性矩阵,与关节角度θ、角速度
Figure BDA0002657663130000033
角加速度
Figure BDA0002657663130000034
相关,
Figure BDA0002657663130000035
是离心力和科氏力,G(θ)是手臂的重力矢量;
步骤(2),在机器人4的手臂末端安装第一个物体(被操作物体3),质量为m1,通过安装在手臂末端的力传感器2估计物体的质量
Figure BDA0002657663130000036
步骤(3),规划机器人手臂末端点的运动轨迹
其中手臂末端点的运动轨迹包括三段:
a)加速阶段,工控机控制机器人手臂关节从初始角度θ0加速运动到关节角
Figure BDA0002657663130000037
处,且在
Figure BDA0002657663130000038
处的线速度为
Figure BDA0002657663130000039
(图2);b)重力补偿阶段,手臂末端点到达
Figure BDA00026576631300000310
的瞬间,手臂的力矩仅保留重力补偿部分,依靠手臂和第一物体的惯性,第一物体对被敲击物体1进行敲击;c)返回阶段,敲击完被敲击物体1后(关节角发生改变),手臂在工控机控制下,返回到初始位置θ0;如图1所示;
步骤(4),在机器人4的手臂末端安装第一个物体时,设定重力补偿阶段规划速度
Figure BDA0002657663130000041
Figure BDA0002657663130000042
的取值范围在0~1m/s,根据步骤(1)的动力学模型,控制手臂按照规划好的末端点运动轨迹运动,在对被撞击物体1进行敲击后,由安装在被敲击物体1的冲量检测装置得到实际冲击量
Figure BDA0002657663130000043
步骤(5),依次令重力补偿阶段规划速度
Figure BDA0002657663130000044
在对被敲击物体1进行敲击后,测量得到第一个物体的敲击冲量
Figure BDA0002657663130000045
步骤(6),更换被操作物体3及线速度,得到不同质量m2,m3,m4,...下的被操作物体3的估计质量
Figure BDA0002657663130000046
分别令重力补偿阶段规划速度
Figure BDA0002657663130000047
测量得到冲量
Figure BDA0002657663130000048
步骤(7),初始化一个4层的神经网络,神经网络包括输入层、输出层和2个隐藏层,输入层包含2个神经元,输出层包含1个神经元,隐藏层包含20个神经元,激活函数均采用relu;神经网络训练的数据输入为估计质量
Figure BDA0002657663130000049
和冲量
Figure BDA00026576631300000410
输出是重力补偿阶段规划速度
Figure BDA00026576631300000411
i表示质量为mi的被操作物体,j为被操作物体mi对应的速度或冲量的个数,再经过最小二乘法进行神经网络拟合后,得到需要的神经网络模型;其中i=1,2,3…n,j=1,2,3…m;
步骤(8),机器人进入遥操作条件下,通过操作员的远程协助,在现场找到类似工具,抓起后通过末端力传感器2估计其质量
Figure BDA00026576631300000412
如果估计的质量满足
Figure BDA00026576631300000413
则该工具是合适的,可以进行操作;如果估计的质量不满足上述条件,操作员远程协助机器人更换工具,直到满足条件为止;
步骤(9),根据步骤(7)得到的神经网络模型,将期望估计质量
Figure BDA00026576631300000414
和期望冲量
Figure BDA00026576631300000415
(由操作人员根据被敲击物体的类型,设定经验值,作为期望冲量)输入训练得到的神经网络模型,得到重力补偿阶段规划速度
Figure BDA00026576631300000416
步骤(10),机器人按照规划的运动轨迹、重力补偿阶段起始角度
Figure BDA00026576631300000417
和规划速度
Figure BDA00026576631300000418
完成敲击动作;
步骤(11),敲击完成后,返回初始角度θ0
所述实施例为本发明的优选的实施方式,但本发明并不限于上述实施方式,在不背离本发明的实质内容的情况下,本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。

Claims (7)

1.利用现场工具完成敲击任务的控制方法,其特征在于:
由机器人手臂末端的被操作物体规划机器人手臂末端点的运动轨迹,机器人手臂按照规划的运动划轨迹敲击物体时,获取被操作物体的估计质量,设定重力补偿阶段规划速度,并获取被敲击物体施加的实际冲量;更换被操作物体,得到不同质量下被操作物体的估计质量,针对不同质量的被操作物体,设定重力补偿阶段规划速度,并得到敲击物体时相应的冲量,由不同质量的被操作物体及相应的冲量训练神经网络,得到遥操作条件下的神经网络模型;
在遥操作条件下,远程协助机器人在现场找到合适的类似工具,并确定工具的期望估计质量,将期望估计质量和期望冲量输入神经网络模型,得到重力补偿阶段规划速度;
机器人手臂按照规划的运动轨迹、重力补偿阶段起始角度和重力补偿阶段规划速度,完成敲击动作,撞击完成后返回。
2.根据权利要求1所述的利用现场工具完成敲击任务的控制方法,其特征在于,所述机器人手臂按照规划的运动划轨迹敲击物体时,根据手臂动力学模型:
Figure FDA0002657663120000011
其中:τ是关节力矩,
Figure FDA0002657663120000012
是惯性矩阵,与关节角度θ、角速度
Figure FDA0002657663120000013
角加速度
Figure FDA0002657663120000014
相关,
Figure FDA0002657663120000015
是离心力和科氏力,G(θ)是手臂的重力矢量。
3.根据权利要求2所述的利用现场工具完成敲击任务的控制方法,其特征在于,所述运动划轨包括加速阶段、重力补偿阶段和返回阶段。
4.根据权利要求1所述的利用现场工具完成敲击任务的控制方法,其特征在于,所述神经网络的输入为估计质量
Figure FDA0002657663120000016
和冲量
Figure FDA0002657663120000017
输出是重力补偿阶段规划速度
Figure FDA0002657663120000018
i表示质量为mi的被操作物体,j为被操作物体mi对应的速度或冲量的个数,i=1,2,3…n,j=1,2,3…m。
5.根据权利要求4所述的利用现场工具完成敲击任务的控制方法,其特征在于,所述合适的类似工具判定条件为:机器人在现场找到类似工具估计质量满足
Figure FDA0002657663120000019
6.根据权利要求1所述的利用现场工具完成敲击任务的控制方法,其特征在于,所述期望冲量是由操作人员根据被敲击物体的类型,设定的经验值。
7.一种根据权利要求1-6任一项所述的利用现场工具完成敲击任务的控制系统,其特征在于,包括工控机、力传感器和位置传感器,力传感器设置在遥操作机器人手腕处,用于估计被操作物体的质量,位置传感器设置在机器人手臂各关节处,力传感器和位置传感器将获取的数据发送给工控机;工控机结合动力学模型,控制机器人手腕末端点按照规划的轨迹运动。
CN202010893450.3A 2020-08-31 2020-08-31 利用现场工具完成敲击任务的控制系统及方法 Active CN112025708B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010893450.3A CN112025708B (zh) 2020-08-31 2020-08-31 利用现场工具完成敲击任务的控制系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010893450.3A CN112025708B (zh) 2020-08-31 2020-08-31 利用现场工具完成敲击任务的控制系统及方法

Publications (2)

Publication Number Publication Date
CN112025708A true CN112025708A (zh) 2020-12-04
CN112025708B CN112025708B (zh) 2021-09-21

Family

ID=73586368

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010893450.3A Active CN112025708B (zh) 2020-08-31 2020-08-31 利用现场工具完成敲击任务的控制系统及方法

Country Status (1)

Country Link
CN (1) CN112025708B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6077210A (ja) * 1983-10-05 1985-05-01 Nippon Telegr & Teleph Corp <Ntt> 空間運動機構の制御方法
US4843704A (en) * 1986-09-11 1989-07-04 Amada Company, Limited Tool exchange apparatus
CN104408303A (zh) * 2014-11-20 2015-03-11 西安交通大学 一种基于数据匹配的lpms质量估计方法
CN107756422A (zh) * 2016-08-17 2018-03-06 株式会社安川电机 拾取系统
US10058997B1 (en) * 2016-06-16 2018-08-28 X Development Llc Space extrapolation for robot task performance
CN108466290A (zh) * 2018-03-09 2018-08-31 苏州灵猴机器人有限公司 机器人辅助作业系统及其辅助作业方法
CN108803344A (zh) * 2018-07-25 2018-11-13 西北工业大学 一种基于模态切换的机器人双边遥操作对称预测控制方法
CN109100109A (zh) * 2018-11-07 2018-12-28 河南理工大学 一种能施加可控冲击载荷的相似模拟实验装置
CN110497423A (zh) * 2019-08-22 2019-11-26 泉州装备制造研究所 一种机械手自适应加工方法
CN111360832A (zh) * 2020-03-18 2020-07-03 南华大学 提高破拆机器人末端工具远程对接精度的方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6077210A (ja) * 1983-10-05 1985-05-01 Nippon Telegr & Teleph Corp <Ntt> 空間運動機構の制御方法
US4843704A (en) * 1986-09-11 1989-07-04 Amada Company, Limited Tool exchange apparatus
CN104408303A (zh) * 2014-11-20 2015-03-11 西安交通大学 一种基于数据匹配的lpms质量估计方法
US10058997B1 (en) * 2016-06-16 2018-08-28 X Development Llc Space extrapolation for robot task performance
CN107756422A (zh) * 2016-08-17 2018-03-06 株式会社安川电机 拾取系统
CN108466290A (zh) * 2018-03-09 2018-08-31 苏州灵猴机器人有限公司 机器人辅助作业系统及其辅助作业方法
CN108803344A (zh) * 2018-07-25 2018-11-13 西北工业大学 一种基于模态切换的机器人双边遥操作对称预测控制方法
CN109100109A (zh) * 2018-11-07 2018-12-28 河南理工大学 一种能施加可控冲击载荷的相似模拟实验装置
CN110497423A (zh) * 2019-08-22 2019-11-26 泉州装备制造研究所 一种机械手自适应加工方法
CN111360832A (zh) * 2020-03-18 2020-07-03 南华大学 提高破拆机器人末端工具远程对接精度的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
马莉丽: "三关节机器人的神经网络补偿自适应控制器设计", 《火力与指挥控制》 *

Also Published As

Publication number Publication date
CN112025708B (zh) 2021-09-21

Similar Documents

Publication Publication Date Title
Karayiannidis et al. Adaptive control for pivoting with visual and tactile feedback
Polverini et al. Sensorless and constraint based peg-in-hole task execution with a dual-arm robot
CN110262478A (zh) 基于改进人工势场法的人机安全避障路径规划方法
JPH05104469A (ja) 宇宙ロボツトの制御装置
CN102363301A (zh) 机器人拟人手指自适应指尖力跟踪控制方法
Fang et al. Skill learning for human-robot interaction using wearable device
CN112276954B (zh) 基于有限时间输出状态受限的多关节机械臂阻抗控制方法
CN109352656B (zh) 一种具有时变输出约束的多关节机械臂控制方法
CN112091829A (zh) 一种喷砂除锈并联机器人补偿摩擦力突变模糊自适应滑模控制方法
Nemir et al. Pseudolinks and the self-tuning control of a nonrigid link mechanism
CN106003032B (zh) 一种可在空间站舱内稳定攀爬的机器人宇航员
CN109015658A (zh) 一种用于捕获翻滚目标的空间双臂机器人控制方法
Du et al. Learning to control a free-floating space robot using deep reinforcement learning
van Steen et al. Robot control for simultaneous impact tasks via quadratic programming-based reference spreading
CN115431271A (zh) 一种飞行机械臂末端抗干扰指向控制方法
Praveen et al. Inspection-on-the-fly using hybrid physical interaction control for aerial manipulators
CN114942593A (zh) 一种基于干扰观测器补偿的机械臂自适应滑模控制方法
CN112025708B (zh) 利用现场工具完成敲击任务的控制系统及方法
CN109062039A (zh) 一种三自由度Delta并联机器人的自适应鲁棒控制方法
Akbarimajd et al. NARMA-L2 controller for 2-DoF underactuated planar manipulator
JP3105694B2 (ja) マニピュレータ制御方法
He et al. Active compliance control of a position-controlled industrial robot for simulating space operations
CN209942765U (zh) 一种自适应神经网络自动猫道
CN114967459A (zh) 一种机械臂时间收敛性的控制方法及其7 dof机械臂
CN113467501B (zh) 作业飞行机器人动态滑翔抓取与力位混合控制方法

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