CN112123341B - 机器人双臂协调运动控制方法、装置和电子设备 - Google Patents

机器人双臂协调运动控制方法、装置和电子设备 Download PDF

Info

Publication number
CN112123341B
CN112123341B CN202011329284.0A CN202011329284A CN112123341B CN 112123341 B CN112123341 B CN 112123341B CN 202011329284 A CN202011329284 A CN 202011329284A CN 112123341 B CN112123341 B CN 112123341B
Authority
CN
China
Prior art keywords
arm
slave arm
slave
motion
acquiring
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
CN202011329284.0A
Other languages
English (en)
Other versions
CN112123341A (zh
Inventor
杨宗泉
甘中学
温志庆
牛福永
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.)
Ji Hua Laboratory
Original Assignee
Ji Hua Laboratory
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 Ji Hua Laboratory filed Critical Ji Hua Laboratory
Priority to CN202011329284.0A priority Critical patent/CN112123341B/zh
Publication of CN112123341A publication Critical patent/CN112123341A/zh
Application granted granted Critical
Publication of CN112123341B publication Critical patent/CN112123341B/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
    • B25J9/1679—Programme controls characterised by the tasks executed
    • B25J9/1682—Dual arm manipulator; Coordination of several 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
    • 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)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Manipulator (AREA)

Abstract

本发明提供了一种机器人双臂协调运动控制方法、装置和电子设备，通过获取主臂和从臂的运动学模型；获取主臂和从臂的坐标转换矩阵；获取主臂的运动轨迹；由主臂的运动轨迹计算从臂的运动轨迹；获取六维力传感器测得的接触力数据；根据从臂的末端位置和接触力数据计算被搬运物体的刚度；根据刚度和BP神经网络预测模型，获取自适应力控制参数；在控制从臂沿从臂的运动轨迹运动时，根据预设的期望接触力、测得的接触力数据和自适应力控制参数，采用基于位置的自适应力控制方法来修正从臂的实际运动轨迹；从而可避免机器人的位置跟踪误差而导致两个机械臂对被搬运物体的作用力过大或不足。

Description

机器人双臂协调运动控制方法、装置和电子设备
技术领域
本发明涉及机器人控制技术领域，尤其涉及一种机器人双臂协调运动控制方法、装置和电子设备。
背景技术
在一些危险的场合，如排爆、进入有险情的灾区进行救灾，为了保护救灾人员的生命安全，往往会使用双臂机器人进入现场进行作业，并由救灾人员远程对机器人进行遥控操作。
在救灾现场，常常需要双臂机器人的两个机械臂协同搬运一些物品，目前，在控制两个机械臂协同搬运物品时，一般是把其中一个机械臂设置为主臂，把另一个机械臂设置为从臂，然后对主臂的运动轨迹进行规划，再根据运动约束关系和主臂的运动轨迹计算出从臂的运动轨迹，从而实现两个机械臂的协同工作。
然而，机器人的位置跟踪精度是有限的，会存在一定的跟踪误差，容易导致两个机械臂对被搬运物体的作用力过大或不足，若作用力过大则容易损坏物体，若作用力不足则可能搬不起物体或使物体在搬运途中掉落。
发明内容
鉴于上述现有技术的不足之处，本申请实施例的目的在于提供一种机器人双臂协调运动控制方法、装置和电子设备，可避免机器人的位置跟踪误差而导致两个机械臂对被搬运物体的作用力过大或不足。
第一方面，本申请实施例提供一种机器人双臂协调运动控制方法，应用于双臂机器人，所述双臂机器人包括主臂和从臂，所述从臂的末端工具设置有六维力传感器，所述六维力传感器用于测量所述从臂末端工具的三个轴向力和三个轴向的力矩；包括步骤：
A1.获取所述主臂和从臂的运动学模型；
A2.获取所述主臂和从臂的坐标转换矩阵；
A3.获取所述主臂的运动轨迹；
A4.根据所述主臂和从臂的运动学模型、主臂和从臂的坐标转换矩阵以及从臂与主臂的运动约束关系，由所述主臂的运动轨迹计算所述从臂的运动轨迹；
A5.获取所述六维力传感器测得的接触力数据；
A6.根据所述从臂的末端位置和所述接触力数据计算被搬运物体的刚度；
A7.根据所述刚度和BP神经网络预测模型，获取自适应力控制参数；
A8.在控制所述从臂沿所述从臂的运动轨迹运动时，根据预设的期望接触力、测得的接触力数据和所述自适应力控制参数，采用基于位置的自适应力控制方法来修正从臂的实际运动轨迹。
所述的机器人双臂协调运动控制方法中，步骤A3包括：
获取待搬运物体的位置信息、尺寸信息和姿态信息；
获取目的地位置信息；
根据所述待搬运物体的位置信息、尺寸信息和姿态信息和目的地位置信息，规划所述主臂的运动轨迹。
所述的机器人双臂协调运动控制方法中，步骤A4中，根据以下公式计算由所述主臂的运动轨迹计算所述从臂的运动轨迹：
Figure 368862DEST_PATH_IMAGE001
其中，
Figure 82740DEST_PATH_IMAGE002
表示主臂末端工具坐标系到工件坐标系的变换矩阵，
Figure 331319DEST_PATH_IMAGE003
是
Figure 588513DEST_PATH_IMAGE004
的逆 矩阵，
Figure 871726DEST_PATH_IMAGE004
表示从臂末端工具坐标系到工件坐标系的变换矩阵,
Figure 22085DEST_PATH_IMAGE005
表示主臂坐标系到 主臂末端工具坐标系的变换矩阵,
Figure 757960DEST_PATH_IMAGE006
表示从臂坐标系到从臂末端工具坐标系的变换矩 阵,
Figure 550335DEST_PATH_IMAGE007
从臂坐标系到主臂坐标系的坐标系的变换矩阵。
所述的机器人双臂协调运动控制方法中，所述从臂与主臂的运动约束关系为
Figure 688056DEST_PATH_IMAGE009
为常变换矩阵。
所述的机器人双臂协调运动控制方法中，步骤A8中，根据以下公式修正所述从臂的实际运动轨迹：
Figure 540474DEST_PATH_IMAGE011
其中，
Figure 763645DEST_PATH_IMAGE012
为从臂运动轨迹修正量，
Figure 94132DEST_PATH_IMAGE013
为自适应力控制器的期望惯性矩阵，
Figure 86359DEST_PATH_IMAGE014
为 自适应力控制器的期望阻尼矩阵，
Figure 312941DEST_PATH_IMAGE015
为自适应力控制器的期望刚度矩阵，
Figure 148042DEST_PATH_IMAGE016
为期望位置，
Figure 688745DEST_PATH_IMAGE017
为实际位置，
Figure 801057DEST_PATH_IMAGE018
为预设的期望接触力，
Figure 729699DEST_PATH_IMAGE019
为六维力传感器测得的接触力数据，
Figure 927462DEST_PATH_IMAGE020
为自适 应力控制参数。
所述的机器人双臂协调运动控制方法中，步骤A8包括：
把所述从臂运动轨迹修正量分解为位置修正量和姿态修正量；
根据以下公式修正从臂的位置：
Figure 596822DEST_PATH_IMAGE021
其中，
Figure 298062DEST_PATH_IMAGE022
表示序列号，用来描述机器人在不同时刻的姿态，
Figure 663184DEST_PATH_IMAGE023
是k时刻的位置，
Figure 82664DEST_PATH_IMAGE024
是k+1时刻的位置，
Figure 558645DEST_PATH_IMAGE025
是k时刻的位置修正量；
根据以下公式修正从臂的姿态：
Figure 176708DEST_PATH_IMAGE026
Figure 588098DEST_PATH_IMAGE027
Figure 619508DEST_PATH_IMAGE028
Figure 243387DEST_PATH_IMAGE029
其中，
Figure 309432DEST_PATH_IMAGE030
和
Figure 891723DEST_PATH_IMAGE031
是增益参数，
Figure 410429DEST_PATH_IMAGE032
为k时刻的姿态修正量，
Figure 103579DEST_PATH_IMAGE033
是k时刻的姿 态，
Figure 758551DEST_PATH_IMAGE034
为
Figure 511743DEST_PATH_IMAGE022
+1时刻的姿态，
Figure 517745DEST_PATH_IMAGE035
为k时刻的姿态修正量，
Figure 14586DEST_PATH_IMAGE036
为转轴的轴向向量，
Figure 461748DEST_PATH_IMAGE037
为从臂绕所述向量
Figure 451088DEST_PATH_IMAGE036
旋转的角度，
Figure 944386DEST_PATH_IMAGE038
为向量
Figure 776076DEST_PATH_IMAGE036
的反对称矩阵，
Figure 546586DEST_PATH_IMAGE039
是
Figure 235056DEST_PATH_IMAGE040
单位矩阵，
Figure 91017DEST_PATH_IMAGE041
表示机器人姿态。
第二方面，本申请实施例提供一种机器人双臂协调运动控制装置，包括：
第一获取模块，用于获取所述主臂和从臂的运动学模型；
第二获取模块，用于获取所述主臂和从臂的坐标转换矩阵；
第三获取模块，用于获取所述主臂的运动轨迹；
第一执行模块，用于根据所述主臂和从臂的运动学模型、主臂和从臂的坐标转换矩阵以及从臂与主臂的运动约束关系，由所述主臂的运动轨迹计算所述从臂的运动轨迹；
第四获取模块，用于获取所述六维力传感器测得的接触力数据；
第一计算模块，用于根据所述从臂的末端位置和所述接触力数据计算被搬运物体的刚度；
第五获取模块，用于根据所述刚度和BP神经网络预测模型，获取自适应力控制参数；
第二执行模块，用于在控制所述从臂沿所述从臂的运动轨迹运动时，根据预设的期望接触力、测得的接触力数据和所述自适应力控制参数，采用基于位置的自适应力控制方法来修正从臂的实际运动轨迹。
所述的机器人双臂协调运动控制装置中，所述第三获取模块在获取所述主臂的运动轨迹时，
获取待搬运物体的位置信息、尺寸信息和姿态信息；
获取目的地位置信息；
根据所述待搬运物体的位置信息、尺寸信息和姿态信息和目的地位置信息，规划所述主臂的运动轨迹。
所述的机器人双臂协调运动控制装置中，所述第二执行模块，根据以下公式修正所述从臂的实际运动轨迹：
Figure 54293DEST_PATH_IMAGE011
其中，
Figure 413731DEST_PATH_IMAGE042
为从臂运动轨迹修正量，
Figure 804261DEST_PATH_IMAGE043
为自适应力控制器的期望惯性矩阵，
Figure 678676DEST_PATH_IMAGE044
为 自适应力控制器的期望阻尼矩阵，
Figure 648906DEST_PATH_IMAGE045
为自适应力控制器的期望刚度矩阵，
Figure 394008DEST_PATH_IMAGE046
为期望位置，
Figure 689860DEST_PATH_IMAGE047
为实际位置，
Figure 520413DEST_PATH_IMAGE048
为预设的期望接触力，
Figure 559913DEST_PATH_IMAGE049
为六维力传感器测得的接触力数据，
Figure 893942DEST_PATH_IMAGE050
为自适 应力控制参数。
第三方面，本申请实施例提供一种电子设备，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，用于执行所述的机器人双臂协调运动控制方法。
有益效果：
本申请实施例提供的一种机器人双臂协调运动控制方法、装置和电子设备，通过获取所述主臂和从臂的运动学模型；获取所述主臂和从臂的坐标转换矩阵；获取所述主臂的运动轨迹；根据所述主臂和从臂的运动学模型、主臂和从臂的坐标转换矩阵以及从臂与主臂的运动约束关系，由所述主臂的运动轨迹计算所述从臂的运动轨迹；获取所述六维力传感器测得的接触力数据；根据所述从臂的末端位置和所述接触力数据计算被搬运物体的刚度；根据所述刚度和BP神经网络预测模型，获取自适应力控制参数；在控制所述从臂沿所述从臂的运动轨迹运动时，根据预设的期望接触力、测得的接触力数据和所述自适应力控制参数，采用基于位置的自适应力控制方法来修正从臂的实际运动轨迹；从而可避免机器人的位置跟踪误差而导致两个机械臂对被搬运物体的作用力过大或不足。
附图说明
图1为本申请实施例提供的机器人双臂协调运动控制方法的流程图。
图2为本申请实施例提供的机器人双臂协调运动控制装置的模块图。
图3为本申请实施例提供的电子设备的结构示意图。
图4为主臂、从臂和物体之间的位置关系示意图。
图5为基于位置的自适应力控制模型的示意图。
图6为从臂末端工具接触力的仿真结果示意图。
具体实施方式
下面将结合本申请实施例中附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
请参阅图1，本申请实施例提供的一种机器人双臂协调运动控制方法，应用于双臂机器人，双臂机器人包括主臂和从臂，从臂的末端工具设置有六维力传感器，六维力传感器用于测量从臂末端工具的三个轴向力和三个轴向的力矩；其特征在于，包括步骤：
A1.获取主臂和从臂的运动学模型；
A2.获取主臂和从臂的坐标转换矩阵；
A3.获取主臂的运动轨迹；
A4.根据主臂和从臂的运动学模型、主臂和从臂的坐标转换矩阵以及从臂与主臂的运动约束关系，由主臂的运动轨迹计算从臂的运动轨迹；
A5.获取六维力传感器测得的接触力数据；
A6.根据所述从臂的末端位置和所述接触力数据计算被搬运物体的刚度；
A7.根据所述刚度和BP神经网络预测模型，获取自适应力控制参数；
A8.在控制所述从臂沿所述从臂的运动轨迹运动时，根据预设的期望接触力、测得的接触力数据和所述自适应力控制参数，采用基于位置的自适应力控制方法来修正从臂的实际运动轨迹。
该方法在获取主臂的运动轨迹后，根据从臂与主臂的运动约束关系计算从臂的运动轨迹，在控制从臂沿该从臂的运动轨迹运动时，根据六维力传感器事实测量的接触力数据，并根据接触力数据和从臂的末端位置计算被搬运物体的实际刚度，以输入BP神经网络预测模型来获取相匹配的自适应力控制参数，基于位置的自适应力控制，适当修正了从臂的轨迹，从而达到了作用力控制的目的，避免机器人的位置跟踪误差而导致两个机械臂对被搬运物体的作用力过大或不足。
实际上，在其它条件相同的情况下，被搬运物体的刚度不同的时候，机械臂对物体的作用力也应该不同，需要与被搬运物体的实际刚度相匹配，从而避免压坏被搬运物体和损坏机械臂本身，该方法能够根据不同刚度的物体自动调节自适应力控制参数，最终实现机械臂与不同刚度的物体接触的自适应力控制。
步骤A1中，可通过D-H坐标变换方法分别建立两条机械臂的运动学模型，并以此求解机械臂正运动学方程和逆运动学方程作为机器人控制的基础。
步骤A2中，主臂和从臂的坐标转换矩阵可通过预先标定得到，标定方法如下：通过 空间中不在同一直线上的三个空间点P1、P2、P3，获取该三个点在主臂坐标系下的坐标和在 从臂坐标系下的坐标，以P2为原点，(P1-P2)得到的向量为X轴，(P3-P2)得到的向量为Y轴，X 轴叉乘Y轴得到Z轴，由计算得到的X轴、Y轴和Z轴构建一个空间坐标系作为两条机械臂的公 共坐标系S，通过主臂的正运动学计算得到主臂座坐标系B1到公共坐标系S的变换矩阵为
Figure DEST_PATH_IMAGE051
，通过从臂的正运动学计算得到从臂座坐标系B2到公共坐标系S的变换矩阵为
Figure 115624DEST_PATH_IMAGE052
，由 此来推导出主臂座坐标系到从臂座坐标系的变换矩阵关系为
Figure DEST_PATH_IMAGE053
。
在一些实施方式中，步骤A3包括：
A301.获取待搬运物体的位置信息、尺寸信息和姿态信息；
A302.获取目的地位置信息；
A303.根据待搬运物体的位置信息、尺寸信息和姿态信息和目的地位置信息，规划主臂的运动轨迹。
例如，对于设置有双目视觉系统的机器人，可通过双目视觉系统获取待搬运物体的位置信息、尺寸信息和姿态信息；在A302中，可采集现场图像并发送至远端的机器人控制器，由操作人员根据现场图像选定物体搬运的目的地位并生成目的地位置信息发回机器人，或者在采集现场图像后通过图像分析方法获取适合放置待搬运物体的区域，并选取其中离物体初始位置最近的区域作为目的地，获取该区域的中心位置信息作为目的地位置信息；在A303中，可通过基于采样的运动规划方法，得到主臂的路点，该主臂的路点表示主臂运动轨迹上的点。 以上只是举例说明，步骤A301-A303的具体实施方式不限于此。
在本实施例中，步骤A4中，根据以下公式计算由主臂的运动轨迹计算从臂的运动轨迹：
Figure 558107DEST_PATH_IMAGE054
其中，
Figure DEST_PATH_IMAGE055
表示主臂末端工具坐标系到工件坐标系的变换矩阵，
Figure 604560DEST_PATH_IMAGE056
是
Figure 58675DEST_PATH_IMAGE057
的逆 矩阵，
Figure 961909DEST_PATH_IMAGE057
表示从臂末端工具坐标系到工件坐标系的变换矩阵,
Figure 501475DEST_PATH_IMAGE058
表示主臂坐标系到 主臂末端工具坐标系的变换矩阵,
Figure 820461DEST_PATH_IMAGE059
表示从臂坐标系到从臂末端工具坐标系的变换矩 阵,
Figure 253716DEST_PATH_IMAGE060
从臂坐标系到主臂坐标系的坐标系的变换矩阵。
见图4，为搬运过程中主臂90、从臂91和物体92之间的位置关系示意图，其中，主臂90的坐标系为{R1}，从臂91的坐标系为{R2}，主臂90的末端工具坐标系为{E1}，从臂91的末端工具坐标系为{E2}，物体92的工件坐标系为{P}，主臂和从臂在协同运动时有如下关系：
Figure 203218DEST_PATH_IMAGE061
其中，
Figure 89134DEST_PATH_IMAGE062
表示主臂坐标系到工件坐标系的变换矩阵；通过上式可推导得到
Figure 415073DEST_PATH_IMAGE054
。
进一步的，由于在搬运过程中，主臂90的末端工具、从臂91的末端工具、物体92之 间是相对静止的（即相对位置固定），且物体92的尺寸是不变的，因此，主臂90末端工具坐标 系到从臂91末端工具坐标系之间的转换矩阵是不变的且为常变换矩阵，该常变换矩阵可预 先计算得到；所以，从臂与主臂的运动约束关系为
Figure 702835DEST_PATH_IMAGE063
为常变换矩阵。由于
Figure 823238DEST_PATH_IMAGE064
已经 通过预先标定得到，因此
Figure 462030DEST_PATH_IMAGE059
与
Figure 60501DEST_PATH_IMAGE058
之间的转换关系是确定的，从而可根据该转换关系 由主臂的运动轨迹计算从臂的运动轨迹。
在步骤A6中，可根据以下公式计算被搬运物体的刚度：
Figure 205699DEST_PATH_IMAGE066
其中，
Figure 762583DEST_PATH_IMAGE068
为接触物体的刚度，
Figure 623091DEST_PATH_IMAGE070
为在i时刻从臂末端的位置，
Figure 87571DEST_PATH_IMAGE072
为在i时刻从臂末端所受到的接触力（等于在i时刻六维力传感器测得的接触力数据）。
在一些实施方式中，见图5，可通过图5中的基于位置的自适应力控制模型（该模型为自适应自适应力控制模型）进行从臂的实际运动轨迹的修正，该基于位置的自适应力控制模型的数学表达式为：
Figure 959712DEST_PATH_IMAGE074
其中，
Figure 812130DEST_PATH_IMAGE043
为自适应力控制器的期望惯性矩阵，
Figure 35301DEST_PATH_IMAGE044
为自适应力控制器的期望阻尼矩 阵，
Figure 365788DEST_PATH_IMAGE045
为自适应力控制器的期望刚度矩阵，
Figure 92436DEST_PATH_IMAGE046
为期望位置，
Figure 115755DEST_PATH_IMAGE047
为实际位置，
Figure 560643DEST_PATH_IMAGE048
为预设的期 望接触力，
Figure 694821DEST_PATH_IMAGE049
为六维力传感器测得的接触力数据，
Figure 807134DEST_PATH_IMAGE050
为自适应力控制参数。其中，
Figure 407879DEST_PATH_IMAGE075
，
Figure 730276DEST_PATH_IMAGE076
、
Figure 277932DEST_PATH_IMAGE077
、
Figure 103806DEST_PATH_IMAGE078
分别为三个轴向的作用力，
Figure DEST_PATH_IMAGE079
、
Figure 669261DEST_PATH_IMAGE080
、
Figure 354320DEST_PATH_IMAGE081
分别为三个轴向的力矩。
该基于位置的自适应力控制模型中，引入了实时的力偏差反馈闭环和自 适应力控制参数
Figure 448364DEST_PATH_IMAGE050
，一般地，被搬运物体刚度越大，自适应力控制参数
Figure 859754DEST_PATH_IMAGE050
应该越小，这样才 能保证不损坏机械臂。根据该原则，可设计被搬运物体的不同刚度和自适应力控制参数的 映射关系数据集，并把该数据集合作为BP神经网络训练的样本数据，经过BP神经网络训练 后，生成BP神经网络预测模型。在实际工作过程中，把步骤A6中计算得到的刚度值输入到该 BP神经网络预测模型中，得到对应的自适应力控制参数
Figure 891164DEST_PATH_IMAGE050
。因此，无需根据被搬运物体的实 际刚度预先设置（或修改）固定的自适应力控制参数
Figure 780622DEST_PATH_IMAGE050
，不但使用方便，且可适应不同刚度 的物体的搬运，适用性强。
通过对基于位置的自适应力控制模型的数学表达式进行积分可得到以下计算公式，可根据该公式修正从臂的实际运动轨迹：
Figure 846667DEST_PATH_IMAGE011
其中，
Figure 163379DEST_PATH_IMAGE042
为从臂运动轨迹修正量。
在该基于位置的自适应力控制模型中，在自适应力控制中引入自适应调整刚度参数，在自适应力控制器中增加实时的力偏差反馈闭环，根据这个力偏差反馈来在线调整自适应力控制器的刚度参数，从而在无需修改任何参数的条件下能够适应不同刚度的物体的表面接触力控制。
进一步的，步骤A8包括：
A801.把从臂运动轨迹修正量
Figure 416506DEST_PATH_IMAGE042
分解为位置修正量
Figure 109655DEST_PATH_IMAGE084
和姿态修正量
Figure 30207DEST_PATH_IMAGE085
；
其中，
Figure 783399DEST_PATH_IMAGE042
为6*1大小的向量，包括6个参数，分别为三个方向的坐标修正量和三个 方向的姿态角度修正量，可从其中把三个方向的坐标修正量提取出来形成位置修正量
Figure 461505DEST_PATH_IMAGE084
（即
Figure 817400DEST_PATH_IMAGE084
为3*1大小的向量），从其中把三个方向的姿态角度修正量提取出来形成姿态修正量
Figure 467824DEST_PATH_IMAGE085
（即
Figure 250973DEST_PATH_IMAGE085
为3*1大小的向量）；
A802.根据以下公式修正从臂的位置：
Figure 619637DEST_PATH_IMAGE086
其中，
Figure 782153DEST_PATH_IMAGE087
表示序列号，用来描述机器人在不同时刻的位姿，
Figure 287083DEST_PATH_IMAGE088
是k时刻的位置，
Figure 506712DEST_PATH_IMAGE089
是k+1时刻的位置，
Figure 159410DEST_PATH_IMAGE090
是k时刻的位置修正量；
A803.根据以下公式修正从臂的姿态：
Figure 732474DEST_PATH_IMAGE091
Figure 482124DEST_PATH_IMAGE092
Figure 482441DEST_PATH_IMAGE093
Figure 684753DEST_PATH_IMAGE094
其中，
Figure 327086DEST_PATH_IMAGE095
和
Figure 931243DEST_PATH_IMAGE096
是增益参数，
Figure 368041DEST_PATH_IMAGE097
为k时刻的姿态修正量(用欧拉角表示)，
Figure 323227DEST_PATH_IMAGE098
是k时刻的姿态（用旋转矩阵表示），
Figure 238094DEST_PATH_IMAGE099
为
Figure 696757DEST_PATH_IMAGE087
+1时刻的姿态（用旋转矩阵表 示），
Figure 304456DEST_PATH_IMAGE100
为k时刻的姿态修正量（用旋转矩阵表示），
Figure 153463DEST_PATH_IMAGE101
为转轴的轴向向量，
Figure 996654DEST_PATH_IMAGE102
为从臂绕所 述向量
Figure 450769DEST_PATH_IMAGE101
旋转的角度，
Figure 351073DEST_PATH_IMAGE103
为向量
Figure 625060DEST_PATH_IMAGE036
的反对称矩阵，
Figure 271942DEST_PATH_IMAGE039
是
Figure 580563DEST_PATH_IMAGE040
单位矩阵，
Figure 654699DEST_PATH_IMAGE041
表示机 器人姿态（用旋转矩阵表示）。
根据上述方法进行如下仿真：
双臂机器人搬运工件的末端期望接触力设置为20N，自适应力控制器的期望惯性 矩阵
Figure 415981DEST_PATH_IMAGE104
，自适应力控制器的期望阻尼矩阵
Figure 866554DEST_PATH_IMAGE105
，自适应力控制器的期望刚 度矩阵
Figure 29682DEST_PATH_IMAGE106
，此处的
Figure 946823DEST_PATH_IMAGE039
是
Figure DEST_PATH_IMAGE107
单位矩阵，经仿真，得到的搬运过程中的法向接触力如 图6所示，可看到，实际接触力的峰值与期望接触力的偏差为
Figure 54456DEST_PATH_IMAGE108
，最大超调量为
Figure DEST_PATH_IMAGE109
，接触力的稳态偏差为
Figure 511982DEST_PATH_IMAGE110
。从结果可以看出该自适应自适应力控制器 具有优秀的力控制效果。
由上可知，该机器人双臂协调运动控制方法，通过获取所述主臂和从臂的运动学模型；获取所述主臂和从臂的坐标转换矩阵；获取所述主臂的运动轨迹；根据所述主臂和从臂的运动学模型、主臂和从臂的坐标转换矩阵以及从臂与主臂的运动约束关系，由所述主臂的运动轨迹计算所述从臂的运动轨迹；获取所述六维力传感器测得的接触力数据；根据所述从臂的末端位置和所述接触力数据计算被搬运物体的刚度；根据所述刚度和BP神经网络预测模型，获取自适应力控制参数；在控制所述从臂沿所述从臂的运动轨迹运动时，根据预设的期望接触力、测得的接触力数据和所述自适应力控制参数，采用基于位置的自适应力控制方法来修正从臂的实际运动轨迹；从而可避免机器人的位置跟踪误差而导致两个机械臂对被搬运物体的作用力过大或不足。
请参阅图2，本申请实施例提供一种机器人双臂协调运动控制装置，包括第一获取模块1、第二获取模块2、第三获取模块3、第一执行模块4、第四获取模块5、第一计算模块6、第五获取模块7、第二执行模块8；
其中，第一获取模块1，用于获取主臂和从臂的运动学模型；
其中，第二获取模块2，用于获取主臂和从臂的坐标转换矩阵；
其中，第三获取模块3，用于获取主臂的运动轨迹；
其中，第一执行模块4，用于根据主臂和从臂的运动学模型、主臂和从臂的坐标转换矩阵以及从臂与主臂的运动约束关系，由主臂的运动轨迹计算从臂的运动轨迹；
其中，第四获取模块5，用于获取六维力传感器测得的接触力数据；
其中，第一计算模块6，用于根据所述从臂的末端位置和所述接触力数据计算被搬运物体的刚度；
其中，第五获取模块7，用于根据所述刚度和BP神经网络预测模型，获取自适应力控制参数；
其中，第二执行模块8，用于在控制所述从臂沿所述从臂的运动轨迹运动时，根据预设的期望接触力、测得的接触力数据和所述自适应力控制参数，采用基于位置的自适应力控制方法来修正从臂的实际运动轨迹。
在一些实施方式中，第三获取模块3在获取主臂的运动轨迹时，
获取待搬运物体的位置信息、尺寸信息和姿态信息；
获取目的地位置信息；
根据待搬运物体的位置信息、尺寸信息和姿态信息和目的地位置信息，规划主臂的运动轨迹。
在一些实施方式中，第一执行模块4根据以下公式计算由主臂的运动轨迹计算从臂的运动轨迹：
Figure 388671DEST_PATH_IMAGE054
其中，
Figure 945555DEST_PATH_IMAGE055
表示主臂末端工具坐标系到工件坐标系的变换矩阵，
Figure 806063DEST_PATH_IMAGE056
是
Figure 208226DEST_PATH_IMAGE057
的逆 矩阵，
Figure 142684DEST_PATH_IMAGE057
表示从臂末端工具坐标系到工件坐标系的变换矩阵,
Figure 998032DEST_PATH_IMAGE058
表示主臂坐标系到 主臂末端工具坐标系的变换矩阵,
Figure 955623DEST_PATH_IMAGE059
表示从臂坐标系到从臂末端工具坐标系的变换矩 阵,
Figure 551690DEST_PATH_IMAGE060
从臂坐标系到主臂坐标系的坐标系的变换矩阵。
进一步的，从臂与主臂的运动约束关系为：
Figure 278337DEST_PATH_IMAGE063
为常变换矩阵。
在一些实施方式中，第一计算模块6根据以下公式计算被搬运物体的刚度：
Figure DEST_PATH_IMAGE111
其中，
Figure 504919DEST_PATH_IMAGE068
为接触物体的刚度，
Figure 340020DEST_PATH_IMAGE070
为在i时刻从臂末端的位置，
Figure 146302DEST_PATH_IMAGE072
为在i时刻从臂末端所受到的接触力（等于在i时刻六维力传感器测得的接触力数据）。
在一些实施方式中，步骤A7包括：把第一计算模块6计算得到的刚度值输入到BP神经网络预测模型中，得到对应的自适应力控制参数。
可设计被搬运物体的不同刚度和自适应力控制参数的映射关系数据集，并把该数据集合作为BP神经网络训练的样本数据，经过BP神经网络训练后，生成BP神经网络预测模型。
在一些实施方式中，第二执行模块8，根据以下公式修正从臂的实际运动轨迹：
Figure 993035DEST_PATH_IMAGE011
其中，
Figure 187256DEST_PATH_IMAGE042
为从臂运动轨迹修正量，
Figure 119440DEST_PATH_IMAGE043
为自适应力控制器的期望惯性矩阵，
Figure 791730DEST_PATH_IMAGE044
为 自适应力控制器的期望阻尼矩阵，
Figure 24128DEST_PATH_IMAGE045
为自适应力控制器的期望刚度矩阵，
Figure 858092DEST_PATH_IMAGE046
为期望位置，
Figure 543151DEST_PATH_IMAGE047
为实际位置，
Figure 19132DEST_PATH_IMAGE048
为预设的期望接触力，
Figure 840458DEST_PATH_IMAGE049
为六维力传感器测得的接触力数据，
Figure 783006DEST_PATH_IMAGE050
为自适 应力控制参数。
进一步的，第二执行模块8在修正从臂的实际运动轨迹时，
把从臂运动轨迹修正量分解为
Figure 811486DEST_PATH_IMAGE042
位置修正量
Figure 966524DEST_PATH_IMAGE084
和姿态修正量
Figure 766990DEST_PATH_IMAGE085
；
根据以下公式修正从臂的位置：
Figure 83701DEST_PATH_IMAGE086
其中，
Figure 602408DEST_PATH_IMAGE087
表示序列号，用来描述机器人在不同时刻的姿态，
Figure 295557DEST_PATH_IMAGE088
是k时刻的位置，
Figure 216109DEST_PATH_IMAGE089
是k+1时刻的位置，
Figure 766039DEST_PATH_IMAGE112
是k时刻的位置修正量；
根据以下公式修正从臂的姿态：
Figure 381828DEST_PATH_IMAGE091
Figure 3302DEST_PATH_IMAGE092
Figure 388147DEST_PATH_IMAGE093
Figure 436874DEST_PATH_IMAGE094
其中，
Figure 805539DEST_PATH_IMAGE095
和
Figure 965125DEST_PATH_IMAGE096
是增益参数，
Figure 470055DEST_PATH_IMAGE097
为k时刻的姿态修正量(用欧拉角表示)，
Figure 361788DEST_PATH_IMAGE098
是k时刻的姿态（用旋转矩阵表示），
Figure 76803DEST_PATH_IMAGE099
为
Figure 915446DEST_PATH_IMAGE087
+1时刻的姿态（用旋转矩阵表 示），
Figure 668026DEST_PATH_IMAGE100
为k时刻的姿态修正量（用旋转矩阵表示），
Figure 933922DEST_PATH_IMAGE101
为转轴的轴向向量，
Figure 870654DEST_PATH_IMAGE102
为从臂绕所 述向量
Figure 247409DEST_PATH_IMAGE101
旋转的角度，
Figure 851566DEST_PATH_IMAGE103
为向量
Figure 288363DEST_PATH_IMAGE036
的反对称矩阵，
Figure 650074DEST_PATH_IMAGE039
是
Figure 955154DEST_PATH_IMAGE040
单位矩阵，
Figure 554762DEST_PATH_IMAGE041
表示机 器人姿态（用旋转矩阵表示）。
由上可知，该机器人双臂协调运动控制装置，通过获取所述主臂和从臂的运动学模型；获取所述主臂和从臂的坐标转换矩阵；获取所述主臂的运动轨迹；根据所述主臂和从臂的运动学模型、主臂和从臂的坐标转换矩阵以及从臂与主臂的运动约束关系，由所述主臂的运动轨迹计算所述从臂的运动轨迹；获取所述六维力传感器测得的接触力数据；根据所述从臂的末端位置和所述接触力数据计算被搬运物体的刚度；根据所述刚度和BP神经网络预测模型，获取自适应力控制参数；在控制所述从臂沿所述从臂的运动轨迹运动时，根据预设的期望接触力、测得的接触力数据和所述自适应力控制参数，采用基于位置的自适应力控制方法来修正从臂的实际运动轨迹；从而可避免机器人的位置跟踪误差而导致两个机械臂对被搬运物体的作用力过大或不足。
请参阅图3，本申请实施例还提供一种电子设备100，包括处理器101和存储器102，存储器102中存储有计算机程序，处理器101通过调用存储器102中存储的计算机程序，用于执行上述的机器人双臂协调运动控制方法。
其中，处理器101与存储器102电性连接。处理器101是电子设备100的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或调用存储在存储器102内的计算机程序，以及调用存储在存储器102内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。
存储器102可用于存储计算机程序和数据。存储器102存储的计算机程序中包含有可在处理器中执行的指令。计算机程序可以组成各种功能模块。处理器101通过调用存储在存储器102的计算机程序，从而执行各种功能应用以及数据处理。
在本实施例中，电子设备100中的处理器101会按照如下的步骤，将一个或一个以上的计算机程序的进程对应的指令加载到存储器102中，并由处理器101来运行存储在存储器102中的计算机程序，从而实现各种功能：获取所述主臂和从臂的运动学模型；获取所述主臂和从臂的坐标转换矩阵；获取所述主臂的运动轨迹；根据所述主臂和从臂的运动学模型、主臂和从臂的坐标转换矩阵以及从臂与主臂的运动约束关系，由所述主臂的运动轨迹计算所述从臂的运动轨迹；获取所述六维力传感器测得的接触力数据；根据所述从臂的末端位置和所述接触力数据计算被搬运物体的刚度；根据所述刚度和BP神经网络预测模型，获取自适应力控制参数；在控制所述从臂沿所述从臂的运动轨迹运动时，根据预设的期望接触力、测得的接触力数据和所述自适应力控制参数，采用基于位置的自适应力控制方法来修正从臂的实际运动轨迹。
由上可知，该电子设备，通过获取所述主臂和从臂的运动学模型；获取所述主臂和从臂的坐标转换矩阵；获取所述主臂的运动轨迹；根据所述主臂和从臂的运动学模型、主臂和从臂的坐标转换矩阵以及从臂与主臂的运动约束关系，由所述主臂的运动轨迹计算所述从臂的运动轨迹；获取所述六维力传感器测得的接触力数据；根据所述从臂的末端位置和所述接触力数据计算被搬运物体的刚度；根据所述刚度和BP神经网络预测模型，获取自适应力控制参数；在控制所述从臂沿所述从臂的运动轨迹运动时，根据预设的期望接触力、测得的接触力数据和所述自适应力控制参数，采用基于位置的自适应力控制方法来修正从臂的实际运动轨迹；从而可避免机器人的位置跟踪误差而导致两个机械臂对被搬运物体的作用力过大或不足。
综上所述，虽然本发明已以优选实施例揭露如上，但上述优选实施例并非用以限制本发明，本领域的普通技术人员，在不脱离本发明的精神和范围内，均可作各种更动与润饰，其方案与本发明实质上相同。

Claims (7)

1.一种机器人双臂协调运动控制方法，应用于双臂机器人，所述双臂机器人包括主臂和从臂，所述从臂的末端工具设置有六维力传感器，所述六维力传感器用于测量所述从臂末端工具的三个轴向力和三个轴向的力矩；其特征在于，包括步骤：
A1.获取所述主臂和从臂的运动学模型；
A2.获取所述主臂和从臂的坐标转换矩阵；
A3.获取所述主臂的运动轨迹；
A4.根据所述主臂和从臂的运动学模型、主臂和从臂的坐标转换矩阵以及从臂与主臂的运动约束关系，由所述主臂的运动轨迹计算所述从臂的运动轨迹；
A5.获取所述六维力传感器测得的接触力数据；
A6.根据所述从臂的末端位置和所述接触力数据计算被搬运物体的刚度；
A7.根据所述刚度和BP神经网络预测模型，获取自适应力控制参数；
A8.在控制所述从臂沿所述从臂的运动轨迹运动时，根据预设的期望接触力、测得的接触力数据和所述自适应力控制参数，采用基于位置的自适应力控制方法来修正从臂的实际运动轨迹；
步骤A8中，根据以下公式修正所述从臂的实际运动轨迹：
Figure 575073DEST_PATH_IMAGE001
其中，
Figure 31462DEST_PATH_IMAGE002
为从臂运动轨迹修正量，
Figure 52507DEST_PATH_IMAGE003
为自适应力控制器的期望惯性矩阵，
Figure 645163DEST_PATH_IMAGE004
为自适应力控制器的期望阻尼矩阵，
Figure 460672DEST_PATH_IMAGE005
为自适应力控制器的期望刚度矩阵，
Figure 404357DEST_PATH_IMAGE006
为期望位置，
Figure 963515DEST_PATH_IMAGE007
为实际位置，
Figure 410676DEST_PATH_IMAGE008
为预设的期望接触力，
Figure 647621DEST_PATH_IMAGE009
为六维力传感器测得的接触力数据，
Figure 78602DEST_PATH_IMAGE010
为自适应力控制参数；
步骤A8包括：
把所述从臂运动轨迹修正量分解为位置修正量和姿态修正量；
根据以下公式修正从臂的位置：
Figure 441451DEST_PATH_IMAGE011
其中，
Figure 274277DEST_PATH_IMAGE012
表示序列号，用来描述机器人在不同时刻的姿态，
Figure 166010DEST_PATH_IMAGE013
是k时刻的位置，
Figure 84287DEST_PATH_IMAGE014
是k+1时刻的位置，
Figure 985247DEST_PATH_IMAGE015
是k时刻的位置修正量；
根据以下公式修正从臂的姿态：
Figure 407001DEST_PATH_IMAGE016
Figure 236679DEST_PATH_IMAGE017
Figure 376674DEST_PATH_IMAGE018
Figure 81325DEST_PATH_IMAGE019
其中，
Figure 623164DEST_PATH_IMAGE020
和
Figure 122279DEST_PATH_IMAGE021
是增益参数，
Figure 749569DEST_PATH_IMAGE022
为k时刻的姿态修正量，
Figure 992332DEST_PATH_IMAGE023
是k时刻的姿态，
Figure 388678DEST_PATH_IMAGE024
为
Figure 88387DEST_PATH_IMAGE012
+1时刻的姿态，
Figure 202974DEST_PATH_IMAGE025
为k时刻的姿态修正量，
Figure 718269DEST_PATH_IMAGE026
为转轴的轴向向量，
Figure 234701DEST_PATH_IMAGE027
为从臂绕所述向量
Figure 75618DEST_PATH_IMAGE026
旋转的角度，
Figure 943080DEST_PATH_IMAGE028
为向量
Figure 262066DEST_PATH_IMAGE026
的反对称矩阵，
Figure 134469DEST_PATH_IMAGE029
是
Figure 146287DEST_PATH_IMAGE030
单位矩阵，
Figure 969887DEST_PATH_IMAGE031
表示机器人姿态。
2.根据权利要求1所述的机器人双臂协调运动控制方法，其特征在于，步骤A3包括：
获取待搬运物体的位置信息、尺寸信息和姿态信息；
获取目的地位置信息；
根据所述待搬运物体的位置信息、尺寸信息和姿态信息和目的地位置信息，规划所述主臂的运动轨迹。
3.根据权利要求1所述的机器人双臂协调运动控制方法，其特征在于，步骤A4中，根据以下公式计算由所述主臂的运动轨迹计算所述从臂的运动轨迹：
Figure 358143DEST_PATH_IMAGE032
其中，
Figure 583588DEST_PATH_IMAGE033
表示主臂末端工具坐标系到工件坐标系的变换矩阵，
Figure 766307DEST_PATH_IMAGE034
是
Figure 139520DEST_PATH_IMAGE035
的逆矩阵，
Figure 570282DEST_PATH_IMAGE035
表示从臂末端工具坐标系到工件坐标系的变换矩阵,
Figure 650234DEST_PATH_IMAGE036
表示主臂坐标系到主臂末端工具坐标系的变换矩阵,
Figure 269434DEST_PATH_IMAGE037
表示从臂坐标系到从臂末端工具坐标系的变换矩阵,
Figure 67626DEST_PATH_IMAGE038
从臂坐标系到主臂坐标系的变换矩阵。
4.根据权利要求3所述的机器人双臂协调运动控制方法，其特征在于，所述从臂与主臂的运动约束关系为
Figure 797684DEST_PATH_IMAGE039
为常变换矩阵。
5.一种机器人双臂协调运动控制装置，应用于双臂机器人，所述双臂机器人包括主臂和从臂，所述从臂的末端工具设置有六维力传感器，所述六维力传感器用于测量所述从臂末端工具的三个轴向力和三个轴向的力矩；其特征在于，包括：
第一获取模块，用于获取所述主臂和从臂的运动学模型；
第二获取模块，用于获取所述主臂和从臂的坐标转换矩阵；
第三获取模块，用于获取所述主臂的运动轨迹；
第一执行模块，用于根据所述主臂和从臂的运动学模型、主臂和从臂的坐标转换矩阵以及从臂与主臂的运动约束关系，由所述主臂的运动轨迹计算所述从臂的运动轨迹；
第四获取模块，用于获取所述六维力传感器测得的接触力数据；
第一计算模块，用于根据所述从臂的末端位置和所述接触力数据计算被搬运物体的刚度；
第五获取模块，用于根据所述刚度和BP神经网络预测模型，获取自适应力控制参数；
第二执行模块，用于在控制所述从臂沿所述从臂的运动轨迹运动时，根据预设的期望接触力、测得的接触力数据和所述自适应力控制参数，采用基于位置的自适应力控制方法来修正从臂的实际运动轨迹；
所述第二执行模块，根据以下公式修正所述从臂的实际运动轨迹：
Figure 732142DEST_PATH_IMAGE001
其中，
Figure 522244DEST_PATH_IMAGE040
为从臂运动轨迹修正量，
Figure 807731DEST_PATH_IMAGE041
为自适应力控制器的期望惯性矩阵，
Figure 842946DEST_PATH_IMAGE042
为自适应力控制器的期望阻尼矩阵，
Figure 631910DEST_PATH_IMAGE043
为自适应力控制器的期望刚度矩阵，
Figure 858492DEST_PATH_IMAGE044
为期望位置，
Figure 365697DEST_PATH_IMAGE045
为实际位置，
Figure 437558DEST_PATH_IMAGE046
为预设的期望接触力，
Figure 346608DEST_PATH_IMAGE047
为六维力传感器测得的接触力数据，
Figure 212933DEST_PATH_IMAGE048
为自适应力控制参数；
所述第二执行模块在修正从臂的实际运动轨迹时，
把所述从臂运动轨迹修正量分解为位置修正量和姿态修正量；
根据以下公式修正从臂的位置：
Figure 237128DEST_PATH_IMAGE011
其中，
Figure 847100DEST_PATH_IMAGE012
表示序列号，用来描述机器人在不同时刻的姿态，
Figure 876236DEST_PATH_IMAGE013
是k时刻的位置，
Figure 913463DEST_PATH_IMAGE014
是k+1时刻的位置，
Figure 660839DEST_PATH_IMAGE015
是k时刻的位置修正量；
根据以下公式修正从臂的姿态：
Figure 74502DEST_PATH_IMAGE016
Figure 958145DEST_PATH_IMAGE017
Figure 431852DEST_PATH_IMAGE018
Figure 902409DEST_PATH_IMAGE019
其中，
Figure 854185DEST_PATH_IMAGE020
和
Figure 857913DEST_PATH_IMAGE021
是增益参数，
Figure 236942DEST_PATH_IMAGE022
为k时刻的姿态修正量，
Figure 693331DEST_PATH_IMAGE023
是k时刻的姿态，
Figure 448797DEST_PATH_IMAGE024
为
Figure 307032DEST_PATH_IMAGE012
+1时刻的姿态，
Figure 122541DEST_PATH_IMAGE025
为k时刻的姿态修正量，
Figure 558902DEST_PATH_IMAGE026
为转轴的轴向向量，
Figure 852480DEST_PATH_IMAGE027
为从臂绕所述向量
Figure 565221DEST_PATH_IMAGE026
旋转的角度，
Figure 551632DEST_PATH_IMAGE028
为向量
Figure 982613DEST_PATH_IMAGE026
的反对称矩阵，
Figure 79882DEST_PATH_IMAGE029
是
Figure 647130DEST_PATH_IMAGE030
单位矩阵，
Figure 804442DEST_PATH_IMAGE031
表示机器人姿态。
6.根据权利要求5所述的机器人双臂协调运动控制装置，其特征在于，所述第三获取模块在获取所述主臂的运动轨迹时，
获取待搬运物体的位置信息、尺寸信息和姿态信息；
获取目的地位置信息；
根据所述待搬运物体的位置信息、尺寸信息和姿态信息和目的地位置信息，规划所述主臂的运动轨迹。
7.一种电子设备，其特征在于，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，用于执行权利要求1-4任一项所述的机器人双臂协调运动控制方法。
CN202011329284.0A 2020-11-24 2020-11-24 机器人双臂协调运动控制方法、装置和电子设备 Active CN112123341B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011329284.0A CN112123341B (zh) 2020-11-24 2020-11-24 机器人双臂协调运动控制方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011329284.0A CN112123341B (zh) 2020-11-24 2020-11-24 机器人双臂协调运动控制方法、装置和电子设备

Publications (2)

Publication Number Publication Date
CN112123341A CN112123341A (zh) 2020-12-25
CN112123341B true CN112123341B (zh) 2021-03-02

Family

ID=73852281

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011329284.0A Active CN112123341B (zh) 2020-11-24 2020-11-24 机器人双臂协调运动控制方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN112123341B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI742990B (zh) 2021-01-19 2021-10-11 財團法人工業技術研究院 機械手臂系統、其控制方法及其電腦程式產品
CN113146615A (zh) * 2021-01-29 2021-07-23 佛山树客智能机器人科技有限公司 一种多机器人协同搬运控制方法及装置
CN113664813B (zh) * 2021-08-25 2022-07-29 深圳市优必选科技股份有限公司 双臂机器人控制方法、装置、双臂机器人和可读存储介质
CN113771044B (zh) * 2021-10-09 2022-11-11 北京卫星环境工程研究所 一种机器人末端负载动态受力感知方法
CN117406667B (zh) * 2023-11-20 2024-05-10 南京工程学院 一种基于数字孪生模型的拉弯机运动控制方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6511900B2 (ja) * 2015-03-25 2019-05-15 セイコーエプソン株式会社 圧電駆動装置及びその駆動方法、ロボット及びその駆動方法
CN107921639B (zh) * 2015-08-25 2021-09-21 川崎重工业株式会社 多个机器人系统间的信息共享系统及信息共享方法
CN108515519B (zh) * 2018-04-13 2021-03-26 珞石（山东）智能科技有限公司 一种基于力传感器的打磨路径自适应校正方法
CN111251297B (zh) * 2020-02-20 2023-02-07 西北工业大学 一种基于随机采样的双臂空间机器人协调路径规划方法
CN111515949B (zh) * 2020-04-23 2021-08-10 大连理工大学 一种双臂协作机器人的双臂传接位置选取方法

Also Published As

Publication number Publication date
CN112123341A (zh) 2020-12-25

Similar Documents

Publication Publication Date Title
CN112123341B (zh) 机器人双臂协调运动控制方法、装置和电子设备
JP4271232B2 (ja) ロボットのオフラインプログラミングを実行するための装置、方法、プログラム及び記録媒体
JP6223640B2 (ja) キャリブレーション装置およびこれを用いたロボットシステム
CN110076772B (zh) 一种机械臂的抓取方法及装置
US9517563B2 (en) Robot system using visual feedback
CN110662635B (zh) 机器人的碰撞处理
US9519736B2 (en) Data generation device for vision sensor and detection simulation system
US9610688B2 (en) Robot program generation apparatus generating robot program for reducing jerks of joints of robot
US11433537B2 (en) Automatic path generation device
Siradjuddin et al. A position based visual tracking system for a 7 DOF robot manipulator using a Kinect camera
JP2019014030A (ja) ロボットの制御装置、ロボット、ロボットシステム、並びに、カメラの校正方法
CN110253574B (zh) 一种多任务机械臂位姿检测和误差补偿方法
CN113927599B (zh) 绝对精度补偿方法及系统、设备和计算机可读存储介质
JPH01159186A (ja) ロボット不正確度修正方法
JP2019155556A (ja) ロボットの制御装置、ロボット、ロボットシステム、並びに、カメラの校正方法
JP2024512827A (ja) 適応コンプライアンスに基づいたロボット組立のためのシステムおよび方法
Lippiello et al. A position-based visual impedance control for robot manipulators
WO2017132905A1 (zh) 控制运动系统的方法和装置
JP2011235400A (ja) マニピュレータのキャリブレーション方法及びロボット制御システム
CN116652939A (zh) 一种并联机器人无标定视觉伺服柔顺控制方法
Xu et al. Uncalibrated visual servoing of mobile manipulators with an eye-to-hand camera
CN112847362B (zh) 一种基于图像矩的搬运机器人视觉伺服控制方法
CN109866224A (zh) 一种机器人雅可比矩阵计算方法、装置及存储介质
CN109311163B (zh) 校正机器人的运动控制命令的方法及其相关设备
JP2014180726A (ja) 多関節ロボットのバネ定数補正装置

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