CN113043269B - 一种基于机器人模型的机器人接触力观测系统 - Google Patents

Abstract

本发明公开了一种基于机器人模型的机器人接触力观测系统。系统由一个机器人控制器、一个工业机械臂、和上位机控制系统组成。此方法包括以下步骤：(1)设计出工业机械臂各关节的运动轨迹，使得机器人的动力学参数能够被识别出；(2)命令机器人按照(1)中设计的参考轨迹进行运动，记录下机器人各关节的位置、速度和扭矩(电流)；(3)将(2)中获得的机器人各关节的的位置、速度和扭矩(电流)，进行机器人动力学参数识别；(4)采集更多的机器人各关节在其它的命令轨迹下的位置、速度和扭矩(电流)；(5)将(3)中获得的动力学参数，和(4)中的新的命令轨迹，基于机器人的逆向动力学参数模型，计算出各关节的扭矩冗差；(6)将(4)和(5)中作为输入输出训练一个神经网络；(7)步骤(6)中的神经网络将作为机器人动力学不确定性补偿器；(8)基于高阶滑模观测器和(7)中的动力学不确定性补偿器，对机器人的末端接触力进行观测。

Description

一种基于机器人模型的机器人接触力观测系统

技术领域

本发明涉及一种基于机器人模型的接触力观测算法，属于机器人模型建立、模型识别和动力学控制领域。

背景技术

传统的工业机器人运动控制系统，大多是基于位置控制的，即机器人接受位置命令，运动控制单元克服外界干扰，到达指定的位置。机器人在执行某些任务时，会与外界发生接触。仅仅使用位置控制的机器人，在遇到外界障碍物的情况下，由于是完全基于位置控制的，会将接触力当成为外界干扰。运动控制系统将克服此干扰，而不关注实际接触力的大小。在某些应用中，会使得接触力过大。因此，在机器人与外界有接触的应用中，应该将接触力作为一个待监控的变量。

在机器人与外界有接触的情况下，机器人与外界的接触力是反映接触状态的最直接的状态量。通过对已公开的文献、专利和工业产品调研发现，机器人末端接触力探测的方式分为三种：基于力传感器的直接探测方式、基于触觉传感器的探测方式和基于软件重构的探测力重构算法。

基于力传感器的直接探测方式，通常是将接触力传感器安装在机器人本体的末端与夹具之间，实际探测到的接触力为机器人本体与夹具之间的接触力和力矩。

基于力传感器的直接探测方式存在以下不足：

1、实际探测到的接触力为机器人本体与夹具之间的接触力和力矩，要得到末端的接触力和力矩，需要进行相应的标定和补偿。在标定和补偿的过程中，将不可避免的引入误差。

2、由于接触力传感器多为柔性环节，会使得整个机器人控制系统的带宽下降。

3、接触力传感器的测量结果中有不可避免的噪声。

4、接触力传感器的成本较高等，增加了整个机器人系统的成本。

基于触觉传感器的探测方式，通过在夹具上面安装触觉传感器，能够直接探测到夹具与外界的接触力。然而，该种接触力探测方式的缺点为：

1、接触面中有多个触觉传感器的接触力信息，如何解读这些接触力信息，需要很复杂的算法。

2、触觉传感器的价格较高，安装及使用难度较大。

基于软件重构的探测力重构算法，能够通过模型等方法间接地推算出末端接触力，从而能够降低成本。该算法的基本思想是，找出机器人在有外界接触力和无外界接触力时各关节扭矩的不同，从而反推出外界接触力。然而传统的基于软件重构的接触力重构算法有以下不足：

1、需要精确的机器人动力学模型，然而由于机器人动力学参数的不确定性，使得精确的动力学模型难获得。

2、机器人动力学模型中难以建模的部分，例如每个关节的摩擦力等，大部分能获得的文献、专利中均采用了简化的线性模型，从而导致名义模型与实际模型之间误差较大。

3、当前基于模型的接触力观测算法中，接触力的观测是作为外界扰动或者未知输入进行观测的，进而对接触力的观测是渐近收敛的，收敛时间较长。

4、观测到的接触力往往要用于某种力控制框架下，在大部分的力控制框架下，往往需要机器人的状态量。现有的基于模型的接触力重构算法，往往仅能对接触力进行观测，而无法同时对机器人的状态进行观测。本发明专利中的有关接触力观测算法，能在软件重构出接触力的同时，对机器人的状态进行观测，从而使其便利地被使用到某些力控制框架下。

发明内容

本发明需要解决机器人接触力探测的问题，研制一种基于机器人模型，无需硬件传感器的低成本接触力观测算法，可以用于机器人接触力探测应用。

1、一种基于机器人模型的机器人接触力观测系统。系统由一个机器人控制器、一个工业机械臂、和上位机控制系统组成。机器人控制器与工业机械臂和上位机控制系统进行通讯，基于机器人模型的接触力观测系统运行在上位机软件。

2、根据权利要求1所述的基于机器人模型的接触力观测算法，其特征在于该方法基于机器人动力学模型及相应的模型不确定性补偿器，该接触力观测算法具有在有限时间内收敛的特性，而且能够同时观测出接触力和系统的状态。

3、根据权利要求1所述的机器人接触力观测系统，其特征在于对接触力的观测分为如下几个步骤：

S1,设计出工业机械臂各关节的运动轨迹，使得机器人的动力学参数能够被识别出；

S2,命令机器人按照(1)中设计的参考轨迹进行运动，记录下机器人各关节的位置、速度和扭矩(电流)；

S3,将S2中获得的机器人各关节的的位置、速度和扭矩(电流)，进行机器人动力学参数识别；

S4,采集更多的机器人各关节在其它的命令轨迹下的位置、速度和扭矩(电流)；

S5,将S3中获得的动力学参数，和S4中的新的命令轨迹，基于机器人的逆向动力学参数模型，并计算出各关节的扭矩冗差；

S6,将S4和S5中作为输入输入一个神经网络，进行学习；

S7,步骤S6中的神经网络将作为机器人动力学不确定性补偿器；

S8,基于高阶滑模观测器和S7中的动力学不确定性补偿器，对机器人的末端接触力进行观测。

本发明所涉及的基于机器人模型的接触力观测算法，精度高，成本低，而且能够同时对系统的状态进行观测，从而适用于机器人的力控框架，可以广泛地应用于工业机器人，手术机器人等需要观测与监控机器人接触力的应用中。

附图说明

图1为本发明实施中基于机器人模型的接触力观测流程图；

图2为机器人动力学模型补偿器神经网络图(以两自由度为例)；

图3机器人动力学模型补偿器神经网络图辅助的机器人驱动力预测框架；

具体实施方式

下面结合附图和具体实施方式对本发明作进一步详细描述。

S1,建立出机器人动力学的显示模型

q，-机器人关节位置、速度和加速度向量

M(q)-机器人动力学模型惯性张量矩阵

-机器人动力学模型哥氏力和离心力矩阵

F_V-粘性摩擦力矩阵

F_C-Coulomb摩擦力矩阵

-符号函数组成的向量

G(q)-重力矩阵

τ-关节驱动力/力矩向量

J(q)-Jacobian矩阵

F_e-外界接触力向量

S2,设计出工业机械臂各关节的运动轨迹，使得机器人的动力学参数能够被识别出；

S3,命令机器人按照S2中设计的参考轨迹进行运动，记录下机器人各关节的位置、速度和扭矩(电流)；

S4,将S3中获得的机器人各关节的的位置、速度和扭矩(电流)，进行机器人动力学参数识别；

S5,采集更多的机器人各关节在其它的命令轨迹下的位置、速度和扭矩(电流)；

S6,将S4中获得的动力学参数，和S5中的新的命令轨迹，基于机器人的逆向动力学参数模型，并计算出各关节的扭矩冗差；

S7,将S5和S6中作为输入输入一个神经网络，进行学习；

S8,步骤S7中的神经网络将作为机器人动力学不确定性补偿器；

S9,基于高阶滑模观测器和S8中的动力学不确定性补偿器，对机器人的末端接触力进行观测。

将机器人的动力学模型写成状态空间的表达形式x₁＝q,u＝τ.机器人关节空间的动力学模型可以改写为,

y＝x₁

其中

f(t,x₁,x₂,u)＝-M^-1(x₁)[C(x₁,x₂)x₂+F_Vx₂+F_Csgn(x₂)+G(x₁)-u]

ξ(t,x₁,x₂,u)＝-M^-1(x₁)[Δτ+J^T(x₁)F_e]

f(t,x₁,x₂,u)∈Rⁿ表示的是机器人名义机器人动力学模型；ξ(t,x₁,x₂,u)则代表的是机器人模型不确定性分量Δτ及外界接触力F_e的和。

f(t,x₁,x₂,u)∈Rⁿ和ξ(t,x₁,x₂,u)可以表达为

同步的外界接触力和系统状态观测器为

其中z₁和z₂的第i-个分量定义为

其中是一个合理的假设，因为在实际中机器人的初始位置和速度可以设定为0。λ_i是待确定的观测器的参数。

定于状态观测误差为则误差动力学可以被描述为

被定义为

观测器的系数可以按照如下原则进行选择:

其中p_i∈(0,1).该基于超螺旋算法的二阶观测器能够在有限时间T_i内使相应的状态观测误差到零。假定T＝max(T_i).则在T后,所有的状态都收敛到了相应的真值，无论外界是否有扰动.在这种情况下，误差动力学方程可以写成

当状态估计误差收敛为零时,

由于实际物理系统的有限带宽，实际的控制输入无法无限快地切换。实际的物理系统对控制输入有某种低通滤波效果。在滑模控制中，这被称为等价输出进入，其中包含了系统未知输入等重要信息。在这种情况下，系统的未知输入可以重构为

可以通过低通滤波得到.该滤波器可以表达为

其中T_i是滤波器的时间常数,该参数是一个需要慎重选择的重要参数。重构出的力在获得的输出平滑性和时间滞后方面有一个妥协，通常T_i被选择为T_s≤T_i≤1,其中T_s为控制系统的采样周期。

接触力在此观测器下可以被重构为

Claims (1)

1.一种基于机器人模型的机器人接触力观测系统，系统由一个机器人控制器、一个工业机械臂和上位机控制系统组成，机器人控制器与工业机械臂和上位机控制系统进行通讯，基于机器人模型的接触力观测系统运行在上位机软件，系统基于机器人动力学模型及相应的模型不确定性补偿器，并具有在有限时间内收敛的特性，而且能够同时观测出接触力和系统的状态，其特征在于对接触力的观测分为如下几个步骤：

S1,设计出工业机械臂各关节的运动轨迹，使得机器人的动力学参数能够被识别出；

S2,命令机器人按照S1中设计的运动轨迹进行运动，记录下机器人各关节的位置、速度和扭矩电流；

S3,将S2中获得的机器人各关节的位置、速度和扭矩电流，进行机器人动力学参数识别；

S4,采集更多的机器人各关节在其它的命令轨迹下的位置、速度和扭矩电流；

S5,将S3中获得的动力学参数和S4中的新的命令轨迹，基于机器人的逆向动力学参数模型，并计算出各关节的扭矩冗差；

S6,将S4和S5中作为输入输入一个神经网络，进行学习；

S7,步骤S6中的神经网络将作为机器人动力学不确定性补偿器；

S8,基于高阶滑模观测器和S7中的动力学不确定性补偿器，对机器人的末端接触力和系统状态进行观测。