CN112276944A - 一种基于意图识别的人机协作系统控制方法 - Google Patents

Abstract

本发明公开一种基于意图识别的人机协作控制方法，包括机械臂、运动意图估计系统以及控制系统，所述机械臂包含端部受动器以及力传感手柄，所述力传感手柄设置在机械臂的端部受动器上，用于测量肢体向所述机械臂施加的力。采用基于径向基神经网络的运动意图识别系统估计出人的意图信息，这里将人的运动意图简化为人类肢体与机械臂作用点处的速度。控制系统根据意图信息对机械臂产生控制输入，并驱动机械臂端部受动器达到预定速度。在以接触力为交互信息的人机协作中，该方法既减小了合作者的作用力，又改善了机器人运动的柔顺性，达到人机同步运动的效果。

Description

一种基于意图识别的人机协作系统控制方法

技术领域

本发明涉及一种人-机协作系统的控制方法。

背景技术

人类擅长问题分析和方法制定，机器人有较高的执行性和稳定性，对于复杂的作业任务，人-机协作的需求越来越广泛。人-机协作既可以减轻人类的劳动负担，降低人力成本，还能提高生产效率。在工业生产中，既需要人-机协作来摆脱人类的重复性高的繁重工作，又需要人-机协作来解决机器人难以单独应对复杂生产任务。然而在人-机协作中难以使机器了解人类的运动意图，从而无法使机器实现自主工作。

发明内容

本发明的主要目的是提出一种基于意图识别的人-机协作系统控制方法，解决上述存在的工业生产问题。

一种基于意图识别的人-机协作系统控制方法，所述人-机协作系统包括机械臂、意图估计系统以及控制系统，所述机械臂包含端部受动器以及力传感手柄，所述力传感手柄设置在机械臂的端部受动器上，用于测量肢体向所述机械臂施加的力。所述意图估计系统包括离线训练神经网络和在线预测人的意图两部分，采用径向基神经网络估计出人的意图信息，这里将人的意图简化为人类肢体与机械臂作用点处的速度。控制系统根据意图信息对机械臂产生控制输入，并驱动端部受动器达到预定速度，实现主动跟随。所述协作控制方法包括以下步骤：

Step1，建立人的意图信息与系统动态特性的关系，根据阻抗控制模型获取样本数据，对意图估计系统的径向基神经网络进行离线训练。

Step2：在人交互机协作中，不断采集系统中的人-机交互力、机械臂的末端位置和速度信息，根据Step1中得到的神经网络，不断预测出人的意图信息。

Step3：将运动意图信息，即人类肢体与机械臂作用点处的意图速度信息依据笛卡尔空间与关节空间的转换关系，得到机器人运动信息，并赋予机器人驱动器。

进一步的所述阻抗控制模型表述为：

其中M_d,B_d分别为期望的质量矩阵和阻尼矩阵，

分别是机器人末端加速度，速度和期望的末端速度，f为实际交互作用力，f_d为期望的交互作用力。合理设置M_d,B_d,f_d的值，得到样本数据

f。

所述径向基神经网络表述为：

其中，y为神经网络的输出，p为隐节点数，w_i为隐含层到输出层的权重，σ为径向基函数的扩展常数，x为神经网络的输入，c_i为神经网络基函数中心。

进一步的，在步骤Step2中，为了使人-机协作达到同步的目的，设定

其中

为人的速度控制意图。

在线估计意图过程中，不断采集系统中的交互力、机器人的末端位置和速度信息，采用离线训练的神经网络，不断预测出人的意图信息，即

根据Step2得到的意图信息，得到机械臂的目标速度

将所述目标速度转换为所述机械臂的输入控制信号u。

其中输入控制信号u满足：

其中：

M_r(q)＝J^-T(q)M(q)J^-1(q)

G_r(q)＝J^-T(q)G(q),u＝J^-T(q)τ (4)

M(q)∈R^n×n为对称有界的正定惯性矩阵，

表示科里奥利以及离心力，G(q)∈Rⁿ为重力，τ∈Rⁿ为控制输入向量，J(q)∈R^n×n为Jacobian矩阵，q为所述机械臂关节的角度，f为合作者在交互点处施加的力。

附图说明

图1是本发明提供的人-机协作系统的结构示意图。

图2是本发明提供的基于意图识别的人-机协作系统控制框架。

具体实施方式

以下结合附图对本方法的具体实施进行详细的说明。

请参照图1和图2，一种基于意图识别的人-机协作系统控制方法，所述人-机协作系统包括机械臂10、意图估计系统以及控制系统，所述机械臂10包含端部受动器13以及力传感手柄12，所述力传感手柄12设置在机械臂的端部受动器13上，用于测量人类肢体向所述机械臂10施加的力。所述端部受动器13可以根据物体的尺寸和形状来挑选并放置。

所述意图估计系统包括离线训练和在线预测两部分。

所述控制系统如图2，当开关在1处闭合时为阻抗控制系统，当开关在2处闭合时为意图估计控制系统。

所述实施方法包括以下步骤：

Step1：根据阻抗控制模型获取样本数据，对径向基神经网络进行离线训练，得到径向基神经网络。

Step2：在实时交互的在线预测中，不断采集系统中的交互力、机械臂的末端位置和速度信息，根据Step1中得到的神经网络，不断预测出人的意图信息。

Step3：将意图信息，即人类肢体与机械臂作用点的意图速度信息依据笛卡尔空间与关节空间的转换关系，得到机器人运动信息，并赋予机器人驱动器运动信息。

在样本数据采集阶段，此时为阻抗控制系统。人类肢体作用在力传感手柄12上，在预定轨迹上以一定速度拖动机械臂的端部受动器。

通过力传感手柄12测量肢体向所述机械臂10施加的力f。机器人当前的末端位置x和速度

采用伺服电机编码器的返回值，再由关节空间和笛卡尔空间的转换关系计算得到。合理设置M_d,B_d,f_d的值，根据阻抗控制模型得到数据

按照一定的采样周期进行采样，得到足够的训练样本数据

其中

作为径向基神经网路的输入，

作为径向基神经网络的输出。

神经网络的训练中，用K-means聚类方法来确定径向基神经网络隐节点的径向基函数的数据中心c_i，并根据各中心之间的距离确定隐节点的扩展常数σ。用伪逆法求输出层的权值W＝[w₁,w₂,...w_p]。得到径向基神经网络模型。

在线估计阶段，在训练阶段设定的轨迹上拖动机械臂末端受动器，不断采集系统中的交互力f、机器人的末端位置x和速度

方法同样本数据采集。采用离线训练得到的神经网络，不断预测出人的意图速度信息，即

控制系统根据得到的意图速度信息

对机械臂10产生控制输入信号u，并驱动端部受动器13跟随人的意图速度

所述机械臂10在关节空间描述为：

其中M(q)∈R^n×n为对称有界的正定惯性矩阵，

表示科里奥利以及离心力，G(q)∈Rⁿ为重力，τ∈Rⁿ为控制输入向量，J(q)∈R^n×n为Jacobian矩阵，q为所述机械臂关节的角度。

从而得到输入控制信号u，u满足：

其中：

从而实现所述机械臂10主动跟随人类肢体运动。

Claims (3)

1.一种基于意图识别的人机协作系统控制方法，所述人-机协作系统包括机械臂、意图估计系统以及控制系统，所述机械臂包含端部受动器以及力传感手柄，所述力传感手柄设置在机械臂的端部受动器，用于测量肢体向所述机械臂施加的力。所述意图估计系统包括离线训练神经网络和在线预测人的意图两部分，采用径向基神经网络估计出人的运动意图信息，这里将人的运动意图简化为人类肢体与机械臂作用点的速度。控制系统根据人的运动意图信息对机械臂产生控制输入，并驱动端部受动器达到期望速度。在以接触力为交互信息的人机协作中，该方法既减小的了合作者的作用力，又改善了机器人运动的柔顺性，达到人机同步运动。所述控制方法包括以下步骤：

Step1：建立人的运动意图信息与系统动态表现的关系，根据阻抗控制模型获取样本数据，对意图估计系统的径向基神经网络进行离线训练。

Step2：在接触式人机协作中，不断采集系统中的交互力、机械臂的末端位置和速度信息，根据Step1中得到的神经网络模型，不断预测出人的运动意图信息。

Step3：将运动意图信息，即人类肢体与机械臂作用点的意图速度信息依据笛卡尔空间与关节空间的转换关系，得到机器人运动信息，并赋予机器人驱动器。

2.根据权利要求1所述的基于意图识别的人机协作系统控制方法，考虑常规基于模型的意图识别方法存在肢体阻抗参数多变且估计困难等问题，难以实现强随机性人机协作系统中的意图识别。采用机器学习的方法建立人的运动意图信息与系统动态表现的关系。机器人与人的合作，不需设置“回弹力”，因此设计机器人阻抗控制刚度参数为0，即K_d＝0，所述阻抗控制模型表述为：

其中M_d,B_d分别为期望的质量矩阵和阻尼矩阵，

分别是机器人末端加速度，速度和期望的末端速度，f为实际作用力，f_d为期望的交互力。离线训练阶段，合理设置M_d,B_d,f_d的值，数据

x，f可由传感器测试得到，

可由式(1)计算得到，从而得到样本数据。为了使采集到的数据最大程度覆盖人机协作空间数据，使训练的样本更具有代表性，需要合作者在数据采集的过程中尽量以多个速度在机器人的运动空间内移动，来满足不同的任务需求。

这里将人的意图简化为人类肢体与机械臂作用点处的速度。因此，径向基神经网络中的输出层大小设为一层，适合于合作者意图识别的径向基神经网络的表达式为：

其中，y为神经网络的输出，p为隐节点数大小，w_i为隐含层到输出层的权重值，σ为径向基函数的扩展常数，x为神经网络的输入，c_i为神经网络基函数中心。神经网络的训练中，用K-means聚类方法来确定径向基神经网络隐节点的径向基函数的数据中心c_i，并根据各中心之间的距离确定隐节点的扩展常数σ。用伪逆法求输出层的权值W＝[w₁,w₂,...w_p]。得到径向基神经网络模型。

3.根据权利要求2所述的基于意图识别的人机协作系统控制方法，其特征在于，在Step2中，当操作者与机械臂进行物理人机协作，需要按意图速度拖拽机械臂末端完成作业任务时，系统处于在线预测阶段，不断采集人机交互力、机器人的末端位置和速度信息，采用Step2中离线训练的神经网络，预测出人的意图速度信息，即

使得期望的机器人末端速度与人的意图速度相同，实现运动同步。

在Step3中，根据Step2得到的意图速度信息，得到机械臂的期望速度

将所述期望速度转换为所述机械臂的输入控制信号u。其中输入控制信号u满足：

其中：

M(q)∈R^n×n为对称有界的正定惯性矩阵，

表示科里奥利以及离心力，G(q)∈Rⁿ为重力，τ∈Rⁿ为控制输入向量，J(q)∈R^n×n为Jacobian矩阵，q为所述机械臂关节的角度。

Images