CN112231919A - 一种机器人执行任务过程中的能量消耗预测方法及系统 - Google Patents
一种机器人执行任务过程中的能量消耗预测方法及系统 Download PDFInfo
- Publication number
- CN112231919A CN112231919A CN202011127419.5A CN202011127419A CN112231919A CN 112231919 A CN112231919 A CN 112231919A CN 202011127419 A CN202011127419 A CN 202011127419A CN 112231919 A CN112231919 A CN 112231919A
- Authority
- CN
- China
- Prior art keywords
- robot
- motion
- energy consumption
- energy
- data
- 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
- 238000005265 energy consumption Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000033001 locomotion Effects 0.000 claims abstract description 104
- 238000004891 communication Methods 0.000 claims description 31
- 230000008451 emotion Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 10
- 230000015654 memory Effects 0.000 description 10
- 238000005259 measurement Methods 0.000 description 8
- 238000004088 simulation Methods 0.000 description 7
- 230000001133 acceleration Effects 0.000 description 5
- 230000017525 heat dissipation Effects 0.000 description 4
- 230000002427 irreversible effect Effects 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 239000007853 buffer solution Substances 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000021715 photosynthesis, light harvesting Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种机器人执行任务过程中的能量消耗预测方法及系统,包括:获取待预测机器人的负载、运行速度、运行时间、机器人驱动轮与所接触面的摩擦力因数以及机器人运动方向与正方向的夹角数据;将上述数据输入到能量消耗预测模型中,得到机器人能量消耗的预测数据;基于所述预测数据进行机器人节能运动控制。本发明通过对机器人全向移动过程的功耗进行建模和分析,根据预测的能量消耗去设定麦克纳姆轮机器人的运动状态,控制机器人严格完成模型中设定的运动方式,实现机器人能量消耗的预测与节能运动状态的控制。
Description
技术领域
本发明涉及移动机器人控制技术领域,尤其涉及一种机器人执行任务过程中的能量消耗预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
近年来随着嵌入式技术、传感器技术等与机器人相关的领域科技的不断革新,机器人的发展也有了非常巨大的突破,已经进入工厂、家庭等环境中发挥了非常巨大的作用,大量的移动机器人被应用于执行搬运、搜救、军事等方面中。
全向移动机器人是在一个平面内能够进行三个自由度的灵活机动的轮式机器人,即前后左右以及绕自身进行运动,其他机器人被称为非全向移动机器人,在研究过程中,全向移动机器人因为其具有三个自由度的运动能力,因此更加灵活,被广泛应用于物料搬运等场合。
全向移动机器人的能量主要来源于自身携带的电池,但是电池收到了体积和重量以及价格等多方面的限制,导致机器人携带的能量不会非常多。机器人运动过程中需要能量进行驱动,因此机器人的性能受到能量的限制。如何准确预测机器人在执行任务期间的能量消耗就变得非常重要。
目前对于全向移动机器人的能量研究主要集中在路径规划领域,对于在运动过程中需要的能耗进行研究的文章非常少,但是机器人在工作过程中为了尽可能延长机器人的工作时间,同时可以尽量延长机器人的使用时间与完成的任务,因此需要在路径规划的过程中考虑能耗的因素。
发明内容
为了解决上述问题,本发明提出了一种机器人执行任务过程中的能量消耗预测方法及系统,对机器人在全向移动过程中的功耗进行建模和分析,实现机器人在执行任务过程中的能量消耗预测,以辅助进行机器人的节能运动控制及路径规划。
在一些实施方式中,采用如下技术方案:
一种机器人执行任务过程中的能量消耗预测方法,包括:
获取待预测机器人的负载、运行速度、运行时间、机器人驱动轮与所接触面的摩擦力因数以及机器人运动方向与正方向的夹角数据;
将上述数据输入到能量消耗预测模型中,得到机器人能量消耗的预测数据;
基于所述预测数据进行机器人节能运动控制;
其中,所述能量消耗预测模型将机器人的功耗分为运动部分、控制部分、传感部分和通信部分;对每一个部分分别进行建模,得到总的能量消耗预测模型。
在另一些实施方式中,采用如下技术方案:
一种机器人执行任务过程中的能量消耗预测系统,包括:
用于获取待预测机器人的负载、运行速度、运行时间、机器人驱动轮与所接触面的摩擦力因数以及机器人运动方向与正方向的夹角数据的模块;
用于将上述数据输入到能量消耗预测模型中,得到机器人能量消耗的预测数据的模块;
用于基于所述预测数据进行机器人节能运动控制的模块;
其中,所述能量消耗预测模型将机器人的功耗分为运动部分、控制部分、传感部分和通信部分;对每一个部分分别进行建模,得到总的能量消耗预测模型。
在另一些实施方式中,采用如下技术方案:
一种终端设备,其包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行上述的机器人执行任务过程中的能量消耗预测方法。
在另一些实施方式中,采用如下技术方案:
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行上述的机器人执行任务过程中的能量消耗预测方法。
与现有技术相比,本发明的有益效果是:
(1)本发明能量消耗预测方法通过对机器人全向移动过程的功耗进行建模和分析,根据预测的能量消耗去设定麦克纳姆轮机器人的运动状态,控制机器人严格完成模型中设定的运动方式,实现机器人能量消耗的预测与节能运动状态的控制,能够有效的能量消耗预测,以及根据预测值对机器人运动状态进行精确控制。
附图说明
图1是本发明实施例中机器人速度建模示意图;
图2是本发明实施例中机器人动能变化建模示意图;
图3是本发明实施例中机器人机械耗散和电机耗散建模示意图;
图4是本发明实施例中机器人摩擦耗能功率建模示意图;
图5是本发明实施例中机器人热能耗散耗能功率建模示意图;
图6是本发明实施例中机器人摩擦抵消耗能功率建模示意图;
图7是本发明实施例中麦克纳姆轮机器人运动过程中个驱动轮运动方向示意图;
图8(a)-(c)分别为机器人重量、运行时间以及运动方向与正方向的夹角对功耗影响的建模值与测量值的比较示意图;
图9是本发明实施例中机器人功耗建模值与实际测量值的比较示意图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
在一个或多个实施方式中,公开了一种机器人执行任务过程中的能量消耗预测方法,包括:
(1)获取待预测机器人的负载、运行速度、运行时间、机器人驱动轮与所接触面的摩擦力因数以及机器人运动方向与正方向的夹角数据;
(2)将上述数据输入到能量消耗预测模型中,得到机器人能量消耗的预测数据;
(3)基于所述预测数据进行机器人节能运动控制。
本实施例中,以麦克纳姆轮机器人为例,进行能量消耗预测方法的说明;
将机器人整体的功耗分成四大部分:运动系统、控制系统、传感系统和通信系统。对机器人每一个系统的能耗进行单独分析,然后建立各个系统之间的能耗关联。
能量消耗预测模型具体为:
Erobot=Emotiom+Econtrol+Esensor+Ecommunication (1)
对于机器人而言,运动系统的功耗占据了机器人功耗的大部分,其次是机器人控制系统的功耗,机器人传感系统的功耗与机器人的搭载的传感器的种类和数量有直接的关系,对于通信系统而言,虽然通信系统的功耗是四大系统中最低的,但是机器人通信系统是机器人在任何时刻都需要全功率开启的系统,因此机器人通信系统的能耗不可忽视。
(1)机器人运动系统的能量建模与机器人的速度有非常直接的联系,因此为了更好的对机器人的运动系统进行能量建模,需要首先对机器人的速度进行建模,机器人速度建模示意图如图1所示。
机器人运动系统能量建模具体为:
Emotion=∫Pmotiondt=Ee+Ef+Ec+Eh+Ek (2)
机器人的运动系统的能量主要由以下几部分构成,Emotion是机器人运动系统消耗的能量,Pmotion是机器人运动系统消耗能量的功率,Ec是麦克纳姆轮机器人在运动过程中因为麦克纳姆轮的特殊性导致的机器人的摩擦力相互抵消消耗的能量,Ef是麦克纳姆轮机器人运动过程中因为摩擦力的存在而耗散的量,Ee是运动过程中的机械损耗和电机自身的固有的损耗,Eh是机器人在运行过程中产生热量消耗的能量,这部分能量转化成了各个系统产生的热量,Ek是机器人因为速度的增加而增加的动能,这部分能量是机器人增加的主要能量。
Ek=Mv2/2 (3)
机器人的动能主要由机器人的重量和机器人实时速度决定的,机器人的重量越大,实时速度越大,机器人的动能也就越大。因此只要可以确定机器人的重量和机器人的实时速度就可以求解机器人目前的动能,M代表的是机器人的重量,v代表的是机器人的前进速度。
图2所示为机器人从启动开始,速度为0,一直慢慢加速到机器人速度最大值然后再稳定运行阶段机器人的动能的变化情况。可以看到机器人的动能的变化机器人的速度的变化保持一致,这是因为机器人在启动加速阶段机器人的机器人质量没有发生变化,这与我们的理论保持一致。
参照图3,机器人运动过程中的机械损耗和电机自身的固有的损耗具体为:
麦克纳姆轮机器人运动系统的机械损耗主要与机器人的实时速度、机器人自身的重量以及机器人的机械结构有关,电机的损耗主要与机器人的质量、速度、运动时间以及每一个驱动轮的扭矩和速度有关,其中vi代表的是麦克纳姆轮机器人的驱动轮的速度在平行于运动方向上的分量,vi′代表的是驱动轮的速度在垂直于运动方向上的分量。
参照图4,麦克纳姆轮机器人运动过程中因为摩擦力的存在而耗散的量具体为:
μR为麦克纳姆轮机器人的驱动轮在运动过程中与所接触地面的滚动摩擦力因数,μs为运动过程中与所接触地面的滑动摩擦力因数。
表1显示的是机器人驱动轮在本次实验的过程中机器人前后轮的各项数据显示,因为在实验过程中麦克纳姆轮的磨损程度不同,因此各项参数也会有一定的差距,如果将数据设定为相同的值会导致机器人的建模和实验测量数据不准确。
表1麦克纳姆轮机器人驱动轮的参数
μ=2LR/(LR+LS)*μs+2LS/(LR-LS)*μR (6)
μ指的是机器人在运动过程中的滚动摩擦力因数和滑动摩擦力因数的和值,即机器人总的摩擦力因数。
参照图5机器人产生热量消耗的能量Eh具体为:
Eh在机器人运用过程中与很多因素有关,首先与机器人的速度有关,机器人的速度越快,机器人的电机系统的电流就越大,随之产生的机器人热量就越大,因此机器人运动系统因为热量的散失消耗的能量就越大,同时与机器人的重量即机器人的电机在运动过程中的扭矩有关,机器人的扭矩越大,机器人运动系统消耗的能量越大,同时与机器人的运动时间有关,机器人运动的时间越长机器人产生的热量就会越多,同时需要更大的散热系统去将机器人产生的热量进行消耗。通过图5可以了解到随着机器人运行时间的增加,机器人产生热量的功率越来越高。
其中β和ε是机器人运动系统的热量-速度常数,λ和η是机器人运动系统的热量-时间常数。
β=k10(1+αR(T-T0))4(1+αM(vmax-v))-2+k20(1+αM(vmax+v))-2 (8)
热量速度常数β可以用上面的公式进行表达,k10和k20是机器人运动系统中驱动电机的比例常数。机器人的每一个电机都具有自身独特的比例常数k10和k20。这与机器人的电机的出厂设定以及电机的使用时间和使用过程中的消耗决定。β主要与机器人的电机的初始温度和机器人电机现阶段的温度以及机器人的实时速度和最大速度有关。
ε也是机器人电机的热量-速度常数,它主要与机器人的每一个驱动轮的实时速度以及驱动电机的实时温度有关,因此ε可以由上式进行表达。
λ(T)=k10(1+αR(T-T0)-1)+k20(2+αR(T-T0)-2) (10)
参照图6因为麦克纳姆轮的特殊轮式结构,机器人运行过程中各个驱动轮的摩擦力相互抵消消耗的能量为:
这部分的功率不光与机器人的速度有直接关系,同时与机器人运行方向和正方向的夹角有直接关系。
(2)对于控制系统的能量建模具体为:
Econtrol=∫(Mg(Lx+Ly)/v*cos(φ-π/4)+MgLy/(Lx*v))dt (12)
其中,M为机器人的重量,v为机器人的前进速度,Lx代表的是机器人整体的宽度、Ly代表的是机器人整体的长度、φ代表的是机器人运行过程中运动方向与机器人正方向的夹角。
控制系统的消耗能量的实时功率主要与机器人的实时状态(机器人的速度和加速度等)和机器人的传感系统的状态(传感系统的传感效率)有关,对于控制系统而言,控制系统的主要作用就是对机器人的运动状态进行实时监测和控制以及控制机器人去实现设定的运行状态。这个过程中需要控制系统实时处理传感系统传送回来的数据,需要对机器人的实时运动状态进行准确判断,并且根据运动的状态发出下一部的运动指令。针对于控制系统而言,机器人在运动过程中需要加速的时间越长加速度的值越大,机器人最终的速度越大以及机器人需要改变自身状态的次数越多,控制系统在运动过程中所需要能量就越多,控制系统需要不断地给运动系统发出加速脉冲,加速脉冲是控制系统中耗能较大的重要原因。其次就是对于传感系统的回传的数据进行实时处理,对于控制系统而言来说机器人选择的传感器越复杂,传感器的种类越多,传感器的数量越大,控制系统需要处理的数据量就越大,因此机器人的耗能也就越大。
其次控制系统的能耗与机器人选用的控制系统芯片的型号和控制板的构造有关,这属于控制系统的固有属性,这部分的能耗主要与机器人控制系统需要处理的数据量有关,需要处理的数据量越大控制芯片的发热就会越明显,这部分的能量主要是以热能的形式散失,甚至如果机器人芯片的发热量很大的情况下,机器人需要单独设计一个散热系统保证热量及时消散,防止机器人控制系统的温度过高,对机器人的控制系统造成无法逆转的伤害。
(3)对于传感系统的能量建模具体为:
Esensor=∫Psensordt (13)
传感系统的功耗主要与机器人的速度和机器人的传感系统的构造有关,首先需要对传感系统的功耗进行定性的分析,对于传感系统而言,其功耗主要与机器人的速度有关,机器人的速度越快,对环境感知的速度要求就越高,因此就需要将传感系统的灵敏度和速度提高,此时就会极大增加传感系统的功耗。相反如果机器人的速度不快,就可以适当降低机器人的传感系统的灵敏度。此时机器人的传感系统的功耗就会降低。极端情况下如果机器人的速度达到设定的最大速度,此时对于传感系统的压力是非常大的,因为此时的传感系统需要尽全力进行运行,去满足机器人对于环境感知的需要。当机器人处于静止状态下的时候,机器人的传感系统可以暂时处于一种警戒状态下(意思是只对机器人周围较短环境内的物体进行监测)防止意外的发生即可,此时的传感系统从精度和灵敏度等参数下都变得要求很低,因此此时机器人传感系统的功耗非常低。所以如何设定速度与传感器灵敏度之间的关系就变得非常重要。在我们的设定中一般会让传感系统保持5%~10%的余量,防止机器人的速度过快之后,传感系统的速度达不到要求,导致机器人出现意外。
传感系统的功耗可以简单表示为传感系统的功率关于时间的积分,同时可以将传感系统能够的功耗进行细致的分析,可以得到传感系统的准确公式。
(4)对于通信系统的能量建模具体为:
Ecommunication=∫Pcommunicationdt (15)
Pcommunication代表的是机器人的通信系统的功率,因为相对于其他的系统来说通信系统的能耗变化比较小,因此可以将其看作是一个固定值。
对于通信系统而言,它的功耗与其他系统的功耗相比相差多个数量级,通信系统的功耗波动与其他系统相比相差的数量即过多几乎可以忽略不计,因此对于通信系统而言,只需要将通信系统的平均功耗进行测量,然后进行积分即可。对于通信系统而言,其积分时间t代表的是机器人从开机开始一直到现在的时间,所以对于通信系统而言,其积分时间是所有系统中最长的,这样也就说明了虽然通信系统的功耗低,但是经过积分之后,通信系统的功耗是不能忽略不计的。
影响机器人能耗的主要原因有机器人的重量、机器人与接触面的摩擦力因数、机器人的运行时间,特别的对于麦克纳姆轮机器人而言,因为其可以全向移动的特性,所以有一项特殊的影响因素即机器人实际运动方向与机器人正方向的夹角。
机器人的重量直接影响机器人的功耗。机器人的功耗随着机器人负载的增加不断增加,但是机器人的功耗增加与机器人负载的增加并不是线性的关系,而是一种类似于指数性的增长。同时机器人负载的增加对于机器人的驱动系统是一个非常巨大的考验,因为机器人的负载增加就意味着机器人的复杂系统需要承受更多的压力,因此机器人的负载需要在范围内增加,一般来说我们设定机器人的负载范围的时候会留有10%左右的活动空间。防止机器人的重量增加过大导致机器人的运动系统发生无法逆转的损伤。
机器人的负载能力与机器人的构型和机械设计有关,因为负载系统如果可以将负载通过缓冲系统进行缓冲,那么机器人的负载对于机器人的影响就会比较均衡,如果机器人的缓冲系统做的非常好的的话,机器人在通过不同地形的过程中,机器人的功耗波动就不会太大,这样就可以适当将机器人的负载进行增加。同样的如果缓冲系统无法很好的将负载进行缓冲,那么在通过不同的地形的过程中的功耗就会有非常大的波动,考虑到对于运动系统的保护,需要将机器人的负载的数值进行适当降低。
因此机器人的负载对于机器人的功耗有非常直接的影响,在计算机器人功耗的过程中需要将机器人的负载进行考虑。
同时可以看到机器人随着负载的增加机器人的功耗呈现出指数性增加的趋势,所以在进行机器人负载运输的过程中需要对机器人的负载做一个考虑和设计防止机器人的负载过大而导致机器人的功耗过高或者是对机器人的运动系统造成不可逆转的损伤。
机器人运行时间对机器人的功耗的影响主要体现在机器人的功耗随着机器人运行时间的增加,因为热量散失的能量会极大增加,因为机器人的所有系统随着运行时间的增加都会增加热量的产生,因此机器人的运行时间对于机器人功耗的影响主要体现在热量的产生和消散。
同时需要注意的是不可以忽略掉这部分能量的存在,因为机器人的热量产生之后需要及时进行消散,如果机器的热能集聚,会对机器人的本体产生非常巨大的伤害,这种伤害往往是不可逆转的。因此需要对机器人产生的热量进行注意,并及时将热量进行消散。
机器人与接触面的摩擦力因数是机器人需要非常注意的问题,因为这个因素不仅对功耗由非常巨大的影响,对机器人的控制也有非常大的影响,因为机器人的摩擦力因数决定了机器人能不能在这种地面进行设计的运动,如果机器人摩擦力因数过低就会导致机器人无法在这种地面上进行滚动,机器人就会在这种地面上打滑失控。只有机器人与接触面的摩擦力大于机器人的静摩擦的最大值机器人才能在这种地面进行非常好的运动。
其次是摩擦力因数对功耗的影响,因为麦克纳姆轮的特殊性即麦克纳姆轮可以朝向任意方向进行直线运动,不需要进行方向的调整,因此机器人对于摩擦力的要求特别高,如果达不到机器人对于摩擦力的基本要求,麦克纳姆轮机器人是无法实现全向运动的。其次就是对于机器人而言,摩擦力因数越大,机器人的功耗就会越高,因为麦克纳姆轮的轮子是特殊的材料制作而成,它的摩擦力因数对于任何地面来说都不会非常大。
一般来说机器人与地面的摩擦力越大,与之相对应的功耗就会增大。
参照图7,因为麦克纳姆轮机器人可以实现全向的运动,因此在其运动过程中一般来说实际的运动方向与机器人的正方向会存在一定的夹角,随着这个夹角的不断增加,机器人的功耗会有一个非常有趣的变化。
首先麦克纳姆轮机器人是关于中心的前后对称结构,因此只要在重心平衡的条件下,机器人的两个速度方向只要是关于中心的对称分布,那么机器人的这两个运动的功耗相同,同时我们发现根据麦克纳姆轮机器人的受力结构分析,机器人在运动过程中当机器人运动方向与机器人正方向的夹角为45度时,此时机器人不存在摩擦力相互抵消的情况,因此此时机器人的功耗最低,当机器人运动方向与机器人正方向的夹角为90度时机器人的功耗最高,此时机器人在进行横移运动,对于机器人而言这是各个驱动轮摩擦力抵消最为严重的运动方式,此时的运动方式对于麦克纳姆轮来说是损耗非常严重的因此虽然麦克纳姆轮可以实现全向移动,但是不建议麦克纳姆轮机器人长时间采用这种方式进行运动。
下面对影响机器人运动的各种因素以及我们对于麦克纳姆轮机器人功耗建模进行理论仿真和实验验证,通过理论仿真的仿真值和实验验证的实验值进行比较,来说明建模的准确性。
图8(a)显示的是机器人显示的是因为机器人重量的增加导致的机器人功耗的变化,显示的是机器人在重量增加的过程中理论的仿真值与实际的测量值之间的关系,通过图8(a)可以非常直观的看到机器人的仿真值与实际测量值是非常接近的,说明机器人功耗建模的准确性。
同时可以看到机器人随着负载的增加机器人的功耗呈现出指数性增加的趋势,所以在进行机器人负载运输的过程中需要对机器人的负载做一个考虑和设计防止机器人的负载过大而导致机器人的功耗过高或者是对机器人的运动系统造成不可逆转的损伤。
图8(b)显示是机器人经过多个小时的不停止的运动之后机器人的功耗情况,我们模拟机器人的正常工作环境,让机器人进行了3个小时的不停止的运行,通过监测设备来监测机器人的运行情况,结果发现经过三个小时的不停工作之后,机器人的整体功耗上升约30%左右,这是一个非常的可观的数字,已经足以说明时间对于机器人整体功耗的影响是非常巨大的。三个小时的数据已经足以说明这个问题,所以当检测到机器人的整体的功耗有比较大的上升的时候这个时候应该停止机器人的运动,将机器人进行散热处理,防止集聚的热量过于强大,将机器人的系统烧毁。
通过图8(c)可以发现机器人在全向移动的过程中当机器人的运动方向与机器人正方向的夹角为45度时机器人的功耗最低,当机器人的运动方向与机器人正方向的夹角为9度时机器人的功耗最高,此时机器人正在进行横移运动。因此在运动过程中不建议机器人进行长时间的横移运动,因为麦克纳姆轮的全对称的特性,机器人的功耗也呈现出对称的特性,通过图8(c)可以看到机器人的功耗是关于90度的全对称分布的,这对于实现机器人的控制非常有帮助。
表2展示的是机器人整体的功耗建模的仿真值与实际测量值之间的对比,通过对比可以发现在机器人整体的功耗方面的对比,机器人的建模值与机器人的实际测量值之间的差距在5%以内,可以认为对机器人功耗的建模是非常成功的,同时为了更加直观地对比机器人的仿真值与实际测量值之间的差距,我们将机器人的建模值与测量值进行作图显示。
表2机器人整体功耗建模值与测量值之间的比较
通过图9的图形可以看到机器人建模值与实际测量值在机器人运动过程中是非常接近的可以说明机器人建模的准确性。
建立能量消耗预测模型后,可以得到机器人运动过程中的能量消耗预测值,通过调整对机器人能耗影响较大的负载、运行速度、运行时间、机器人驱动轮与所接触面的摩擦力因数以及机器人运动方向与正方向的夹角数据,获取能够使得机器人能耗降低的机器人运动状态数据,按照所述数据对机器人的运动状态进行控制,实现对机器人的节能控制。
实施例二
在一个或多个实施方式中,公开了一种机器人执行任务过程中的能量消耗预测系统,包括:
用于获取待预测机器人的负载、运行速度、运行时间、机器人驱动轮与所接触面的摩擦力因数以及机器人运动方向与正方向的夹角数据的模块;
用于将上述数据输入到能量消耗预测模型中,得到机器人能量消耗的预测数据的模块;
用于基于所述预测数据进行机器人节能运动控制的模块;
其中,所述能量消耗预测模型将机器人的功耗分为运动部分、控制部分、传感部分和通信部分;对每一个部分分别进行建模,得到总的能量消耗预测模型。
此处需要说明的是,上述各模块的具体实现方式采用实施例一中公开的方法实现,但不限于上述实施例一所公开的内容。
上述实施例中对各个实施例的描述各有侧重,某个实施例中没有详述的部分可以参见其他实施例的相关描述。
所提出的系统,可以通过其他的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如上述模块的划分,仅仅为一种逻辑功能划分,实际实现时,可以有另外的划分方式,例如多个模块可以结合或者可以集成到另外一个系统,或一些特征可以忽略,或不执行。
实施例三
本实施例还提供了一种终端设备,包括:一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序;其中,处理器与存储器连接,上述一个或多个计算机程序被存储在存储器中,当电子设备运行时,该处理器执行该存储器存储的一个或多个计算机程序,以使电子设备执行上述实施例一所述的方法。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例一中的方法可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
本领域普通技术人员可以意识到,结合本实施例描述的各示例的单元即算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
实施例四
本实施例还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例一所述的方法。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种机器人执行任务过程中的能量消耗预测方法,其特征在于,包括:
获取待预测机器人的负载、运行速度、运行时间、机器人驱动轮与所接触面的摩擦力因数以及机器人运动方向与正方向的夹角数据;
将上述数据输入到能量消耗预测模型中,得到机器人能量消耗的预测数据;
基于所述预测数据进行机器人节能运动控制;
其中,所述能量消耗预测模型将机器人的功耗分为运动部分、控制部分、传感部分和通信部分;对每一个部分分别进行建模,得到总的能量消耗预测模型。
2.如权利要求1所述的一种机器人执行任务过程中的能量消耗预测方法,其特征在于,所述运动部分的能量消耗模型具体为:
Emotion=∫Pmotiondt=Ee+Ef+Ec+Eh+Ek
其中,Emotion是机器人运动系统消耗的能量,Pmotion是机器人运动系统消耗能量的功率,Ec是麦克纳姆轮机器人在运动过程中因为麦克纳姆轮的特殊性导致的机器人的摩擦力相互抵消消耗的能量,Ef是麦克纳姆轮机器人运动过程中因为摩擦力的存在而耗散的量,Ee是运动过程中的机械损耗和电机自身的固有的损耗,Eh是机器人产生的热量而通过热量消耗的能量,Ek是机器人因为速度的增加而增加的动能。
3.如权利要求2所述的一种机器人执行任务过程中的能量消耗预测方法,其特征在于,机器人因为速度的增加而增加的动能包括:
Ek=Mv2/2
其中,M代表的是机器人的重量,v代表的是机器人的前进速度。
4.如权利要求1所述的一种机器人执行任务过程中的能量消耗预测方法,其特征在于,所述控制部分的能量消耗模型具体为:
Econtrol=∫(Mg(Lx+Ly)/v*cos(φ-π/4)+MgLy/(Lx*v))dt
其中,M为机器人的重量,v为机器人的前进速度,Lx代表的是机器人整体的宽度、Ly代表的是机器人整体的长度、φ代表的是机器人运行过程中运动方向与机器人正方向的夹角。
6.如权利要求1所述的一种机器人执行任务过程中的能量消耗预测方法,其特征在于,所述通信部分的能量消耗模型具体为:
Ecommunication=∫Pcommunicationdt
其中,Pcommunication代表的是机器人的通信系统的功率。
7.如权利要求1所述的一种机器人执行任务过程中的能量消耗预测方法,其特征在于,基于所述预测数据进行机器人节能运动控制,具体包括:
调整待预测机器人的负载、运行速度、运行时间、机器人驱动轮与所接触面的摩擦力因数以及机器人运动方向与正方向的夹角数据,获取能够使得机器人能耗降低的机器人运动状态数据,按照所述数据对机器人的运动状态进行控制。
8.一种机器人执行任务过程中的能量消耗预测系统,其特征在于,包括:
用于获取待预测机器人的负载、运行速度、运行时间、机器人驱动轮与所接触面的摩擦力因数以及机器人运动方向与正方向的夹角数据的模块;
用于将上述数据输入到能量消耗预测模型中,得到机器人能量消耗的预测数据的模块;
用于基于所述预测数据进行机器人节能运动控制的模块;
其中,所述能量消耗预测模型将机器人的功耗分为运动部分、控制部分、传感部分和通信部分;对每一个部分分别进行建模,得到总的能量消耗预测模型。
9.一种终端设备,其包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,其特征在于,所述指令适于由处理器加载并执行权利要求1-7任一项所述的机器人执行任务过程中的能量消耗预测方法。
10.一种计算机可读存储介质,其中存储有多条指令,其特征在于,所述指令适于由终端设备的处理器加载并执行权利要求1-7任一项所述的机器人执行任务过程中的能量消耗预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011127419.5A CN112231919A (zh) | 2020-10-20 | 2020-10-20 | 一种机器人执行任务过程中的能量消耗预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011127419.5A CN112231919A (zh) | 2020-10-20 | 2020-10-20 | 一种机器人执行任务过程中的能量消耗预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112231919A true CN112231919A (zh) | 2021-01-15 |
Family
ID=74118187
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011127419.5A Pending CN112231919A (zh) | 2020-10-20 | 2020-10-20 | 一种机器人执行任务过程中的能量消耗预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112231919A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113098118A (zh) * | 2021-04-01 | 2021-07-09 | 海南大熊软件科技有限公司 | 四足机器人的混合动力管理系统、方法及存储介质 |
CN113752300A (zh) * | 2021-09-22 | 2021-12-07 | 重庆工商大学 | 一种工业机器人能耗预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102666030A (zh) * | 2009-10-06 | 2012-09-12 | Abb技术有限公司 | 用于减少工业机器人的能量消耗的方法和工业机器人系统 |
CN104540048A (zh) * | 2015-01-20 | 2015-04-22 | 山东大学 | 一种基于波分复用无源光网络wdm-pon的光纤、无线融合传感系统及其工作方法 |
CN207780956U (zh) * | 2018-01-18 | 2018-08-28 | 湖北佳狮盾智能技术有限公司 | 监控传感装置及系统 |
CN108582070A (zh) * | 2018-04-17 | 2018-09-28 | 上海达野智能科技有限公司 | 机器人碰撞检测系统和方法、存储介质、操作系统 |
CN109885052A (zh) * | 2019-02-26 | 2019-06-14 | 华南理工大学 | 基于全向移动机器人运动学建模的误差模型预测控制方法 |
-
2020
- 2020-10-20 CN CN202011127419.5A patent/CN112231919A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102666030A (zh) * | 2009-10-06 | 2012-09-12 | Abb技术有限公司 | 用于减少工业机器人的能量消耗的方法和工业机器人系统 |
CN104540048A (zh) * | 2015-01-20 | 2015-04-22 | 山东大学 | 一种基于波分复用无源光网络wdm-pon的光纤、无线融合传感系统及其工作方法 |
CN207780956U (zh) * | 2018-01-18 | 2018-08-28 | 湖北佳狮盾智能技术有限公司 | 监控传感装置及系统 |
CN108582070A (zh) * | 2018-04-17 | 2018-09-28 | 上海达野智能科技有限公司 | 机器人碰撞检测系统和方法、存储介质、操作系统 |
CN109885052A (zh) * | 2019-02-26 | 2019-06-14 | 华南理工大学 | 基于全向移动机器人运动学建模的误差模型预测控制方法 |
Non-Patent Citations (3)
Title |
---|
LIANG ZHANG等: "《Energy Modeling and Experimental Validation of Four-Wheel Mecanum Mobile Robots for Energy-Optimal Motion Control》", 《SYMMETRY》 * |
LINFEI HOU等: "《Energy Modeling and Power Measurement for Mobile Robots》", 《ENERGIES》 * |
LINFEI HOU等: "《Energy Modeling and Power Measurement for Three-Wheeled Omnidirectional Mobile Robots for Path Planning》", 《ELECTRONICS》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113098118A (zh) * | 2021-04-01 | 2021-07-09 | 海南大熊软件科技有限公司 | 四足机器人的混合动力管理系统、方法及存储介质 |
CN113752300A (zh) * | 2021-09-22 | 2021-12-07 | 重庆工商大学 | 一种工业机器人能耗预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112231919A (zh) | 一种机器人执行任务过程中的能量消耗预测方法及系统 | |
Fang et al. | Motion control of a tendon-based parallel manipulator using optimal tension distribution | |
Verstraten et al. | Energy consumption of geared DC motors in dynamic applications: Comparing modeling approaches | |
Tso et al. | Vibration control for a flexible-link robot arm with deflection feedback | |
Arteaga et al. | Robot control without velocity measurements: New theory and experimental results | |
US20150039128A1 (en) | Robot control device | |
Wahab et al. | Energy modeling of differential drive robots | |
Bruzzone et al. | A statically balanced SCARA-like industrial manipulator with high energetic efficiency | |
Roy et al. | Dynamic modeling and energy consumption analysis of crab walking of a six-legged robot | |
Zhou et al. | Structural decomposition-based energy consumption modeling of robot laser processing systems and energy-efficient analysis | |
Pagilla et al. | An experimental study of planar impact of a robot manipulator | |
Nikita et al. | PID controller based two wheeled self balancing robot | |
Zheng et al. | Motion analysis of passive dynamic walking with a rigorously constraint model: A necessary condition for maintaining period-1 gait | |
CN113752300A (zh) | 一种工业机器人能耗预测方法 | |
Chugo et al. | Development of omnidirectional vehicle with step-climbing ability | |
Correia et al. | Modeling of a three wheeled omnidirectional robot including friction models | |
Briskin et al. | Assessment of the performance of walking robots by multicriteria optimization of their parameters and algorithms of motion | |
Rezaei et al. | Compliance error modeling for manipulators considering the effects of the component weights and the body and joint flexibilities | |
Maalouf et al. | Maximum feedback linearization with internal stability of 2-DOF underactuated mechanical systems | |
Eggers et al. | On the relationship of travel time and energy efficiency of industrial robots | |
Tyapin et al. | Kinematic and elastostatic design optimisation of the 3-DOF Gantry-Tau parallel kinematic manipulator | |
Katsura et al. | A wheelchair type mobile robot taking environmental disturbance into account | |
Wang et al. | Stability and adaptability of passive creeping of a snake-like robot | |
Venkatesan et al. | Dynamic modelling approaches for a 3-PPR planar parallel manipulator | |
Chang et al. | Evaluation method on steering for the shape-shifting robot in different configurations |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210115 |