CN113400299B - 网络化机器人协同控制方法、装置、设备及存储介质 - Google Patents

网络化机器人协同控制方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113400299B
CN113400299B CN202110543446.9A CN202110543446A CN113400299B CN 113400299 B CN113400299 B CN 113400299B CN 202110543446 A CN202110543446 A CN 202110543446A CN 113400299 B CN113400299 B CN 113400299B
Authority
CN
China
Prior art keywords
robot
constraint
joint
networked
cooperative control
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.)
Expired - Fee Related
Application number
CN202110543446.9A
Other languages
English (en)
Other versions
CN113400299A (zh
Inventor
苏鹏
黄凯伦
梁昌铎
葛明峰
董玖旺
徐景喆
丁腾飞
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.)
China University of Geosciences
Original Assignee
China University of Geosciences
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 China University of Geosciences filed Critical China University of Geosciences
Priority to CN202110543446.9A priority Critical patent/CN113400299B/zh
Publication of CN113400299A publication Critical patent/CN113400299A/zh
Application granted granted Critical
Publication of CN113400299B publication Critical patent/CN113400299B/zh
Expired - Fee Related 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
    • B25J9/1602—Programme controls characterised by the control system, structure, architecture
    • B25J9/1605—Simulation of manipulator lay-out, design, modelling of manipulator

Landscapes

  • Engineering & Computer Science (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Numerical Control (AREA)
  • Feedback Control In General (AREA)
  • Manipulator (AREA)

Abstract

本发明涉及机械臂控制领域，提供了一种网络化机器人协同控制方法、装置、设备及存储介质，该方法包括：根据机器人的运动学和动力学建立单个机械臂的欧拉拉格朗日系统模型，并依据图论的知识设计各机器人的通讯关系的网络拓扑图；依据物理结构和外部环境等限制条件，设计约束条件及相应的约束函数；设计状态约束下的协同控制算法，控制算法主要分为两层，一层为估计层，一层为本地控制层，分别实现各机器人之间的通讯需要和在所需的约束条件之内设计控制器输入使得机器人的各个关节跟踪到估计层估计出的关节位置。本发明方法能够克服受限于物理结构和外在环境等约束条件下，多个欧拉拉格朗日机器人协同完成任务的问题。

Description

网络化机器人协同控制方法、装置、设备及存储介质
技术领域
本发明涉及机器人控制领域，尤其涉及一种网络化机器人协同控制方法、装置、设备及存储介质。
背景技术
在工业领域，操纵多个机器人协同完成任务对于提高生产的自动化程度以及提升所生产的工件精度有十分重要的意义。随着时代发展，机器人最大的应用市场逐步从汽车等领域向传统制造业、服务行业、特种作业等方面发展。因此，提升多机器人的协同控制水平，同时不断提高控制系统的精度以及在复杂高危的特殊环境下提高工作效率，减少人员安全威胁正是机器人控制领域的目标。
在实际应用中，单个机器人能够完成的任务较少，因此考虑网络化机器人协同控制，结合图论知识，将多个机器人之间的通讯关系建立为一个通讯拓扑图。通过设计基于拓扑图的算法实现各个机器人之间的网络化通讯要求，提升了机器人能够完成的任务多样性，拓宽了实际应用范围。
在多机器人协同完成任务的过程中，本身物理结构和外部环境的限制，机器人通常无法完成特定的任务。因此，在设定协同控制算法之前，设计机器人关节状态的约束量是十分必要的。通过设计状态约束下的机器人协同控制算法，能够在机器人完成任务之前给定约束量，使得机器人在给定的约束条件完成所需的任务，提升了方法的实用性，
相比于之前的专利成果，使用衰减函数的方式解决状态约束的情况，提升了控制方法的新颖性。
因此，结合上诉的工业实际应用上的需求，设计一种状态约束下的网络化欧拉拉格朗日机器人的协同控制方法具有重要意义。
发明内容
本发明要解决的技术问题在于，针对工业上多机械臂协同作业的时候，受限于物理结构和外在环境的约束条件，无法完成任务的缺陷，提供一种状态约束下的网络化欧拉拉格朗日机器人的协同控制方法。
为了实现上述目的，本发明所采取的技术方案是：构造一种状态约束下的网络化欧拉拉格朗日机器人协同控制方法，包括以下步骤：
根据机器人动力学，建立带有未知扰动项的2自由度欧拉拉格朗日机器人的动力学方程；
根据图论的知识，建立各机器臂之间的通迅有向拓扑图，所述通讯有向拓扑图用于描述机器臂之间的信息交互；
根据机械臂自身的物理结构和生产的外部环境限制条件，设计约束条件及相应的约束函数；
根据所述动力学方程和所述通讯有向拓扑图，建立状态约束下网络化欧拉拉格朗日机器人的协同控制算法，所述协同控制算法包括：估计层的控制算法和本地控制层的控制算法；
根据所述估计层的控制算法，实现各机器人之间的通讯需要以及实时得到目标机械臂的轨迹；
根据所述本地控制层的控制算法，通过控制器输入使机器臂的各关节跟踪到所述估计层估计出的关节位置并使各关节在约束条件内。
优选地，所述动力学方程的表达式为：
Figure BDA0003072587970000021
其中，i∈{1,2,...,8}表示机器人的序号，Mi(qi)表示正定质量矩阵，
Figure BDA0003072587970000022
表示科里奥利矩阵和离心项，gi(qi)表示引力矩阵，di(t)表示输入扰动；τi表示控制输入，qi、
Figure BDA0003072587970000023
和
Figure BDA0003072587970000024
分别表示关节空间中的位置、速度和加速度。
优选地，所述通迅有向拓扑图为G＝{V,E,A}；
其中，V＝{v1,...,vN}表示顶点集，即机器臂的数目，E＝V×V表示连接任意两个机器人的边的集合；A＝[aij]表示带有邻接元素的权重矩阵，其中aij表示权重矩阵第i行第j列的元素，若第j个机器人与第i个机器人之间有连接，则aij≠0，否则aij＝0；且第i个机器人本身不存在自循环连接，即aii＝0，通过邻接元素的大小表示各机械臂所传递能量的大小，根据定义的邻接元素的权重矩阵，确定通迅有向拓扑图的拉普拉斯矩阵L，其中，所述拉普拉斯矩阵L定义为：L＝[lij]，其中lij为L矩阵第i行第j列的元素，在i＝j时，
Figure BDA0003072587970000031
否则lij＝-aij，根据每个机器臂与其对应跟踪目标之间的通讯状况，确定通迅有向拓扑图的对角权重矩阵B，其中，所述对角权重矩阵B定义为：B＝diag(b1,...,bN)，其中bi,i＝1,...,N为B矩阵中的元素；其中，根据机器臂对其跟踪目标之间的通讯情况，若第i个机器人能够直接接收其跟踪目标的信息，则bi为取值大于0的数，否则bi＝0。
优选地，所述依据机械臂自身的物理结构和生产的外部环境限制条件，设计约束条件及相应的约束函数的步骤包括：
定义机械臂单个关节的约束下界qil(t)与约束上界qiu(t)，满足以下关系式：
qil(t)＜qi(t)＜qiu(t),i＝1,...,n
定义关节的实际量qi(t)与估计量
Figure BDA0003072587970000032
之间的误差为
Figure BDA0003072587970000033
其表达式为：
Figure BDA0003072587970000034
满足下式：
Figure BDA0003072587970000035
通过设计一类衰减函数使得误差值在设计好的约束范围内，因而使得关节的移动量在设定好的约束上下界之内，衰减函数ζ(t)如下：
ζ(t)＝(ζ0-ζ∞)e-ωt+ζ∞
其中，ζ0表示衰减的初值，需要大于所有关节变量的初值，ζ∞表示衰减的终值，满足0＜ζ∞＜1，e-ωt表示衰减率，其中ω＞0为预定的常数，所述衰减函数满足从衰减的初值ζ0指数递减至衰减的终值ζ∞；
根据所述衰减函数的形式，分别设定对于位置和速度两个状态量的约束函数ζ1(t)和ζ2(t)：
Figure BDA0003072587970000036
Figure BDA0003072587970000037
其中，ζ10、ζ20表示衰减的初值，需要大于所有关节变量的初值，ζ1∞、ζ2∞表示衰减的终值，满足0＜ζ1∞＜1,0＜ζ2∞＜1，
Figure BDA0003072587970000041
表示衰减率，其中ω1＞0,ω2＞0为预定的常数，所述衰减函数满足从衰减的初值ζ10、ζ20指数递减至衰减的终值ζ1∞、ζ2∞；
根据位置的衰减函数得到误差
Figure BDA0003072587970000042
的上界ρiu与下界ρil，表达式为：
Figure BDA0003072587970000043
Figure BDA0003072587970000044
优选地，在设计所述估计层的算法之前，首先需要引入目标机械臂的位置q0、速度v0和加速度u0之间的关系式如下：
Figure BDA0003072587970000045
优选地，所述估计层的控制算法为：
Figure BDA0003072587970000046
其中，
Figure BDA0003072587970000047
和ui分别为对于第i个机械臂所估计得到的关节位置、关节速度和关节的控制输入；aij、bi分别为对于第i个机械臂在图论中涉及的邻接元素和权重矩阵B的对角元素；u0为目标机械臂的加速度值；λ1为人为设定的正常数；uj为第j个机器人的控制输入，j＝1,...,N为机器人的个数，
Figure BDA0003072587970000048
分别为关于第i个机械臂位置和速度的误差形式，其数学表达式分别为：
Figure BDA0003072587970000049
Figure BDA00030725879700000410
优选地，在设计所述本地控制层的算法之前，需要给出控制器输入所需的第i个机械臂对应的速度误差εi(t)，其表达式为
εi(t)＝vi(t)-βi(t)
其中，vi为对于第i个机械臂的关节速度；βi(t)为保证位置误差在所需要的约束范围内设计的虚拟控制率，其数学形式为：
Figure BDA0003072587970000051
其中，ci为设计的正常数；
Figure BDA0003072587970000052
为关节的实际量qi与估计量
Figure BDA0003072587970000053
之间的误差；ρiu、ρil分别为误差
Figure BDA0003072587970000054
的上界与下界。本发明主要通过该式实现位置误差的约束要求。
优选地，所述本地控制层的控制算法为：
Figure BDA0003072587970000055
其中，τi(t)为本地控制层的控制输入，λ2为人为设定的正常数；||·||表示对向量求欧里几得范数；
Figure BDA0003072587970000056
ψi(t)分别为sec-形式和tan-形式的辅助变量表达式，分别为：
Figure BDA0003072587970000057
Figure BDA0003072587970000058
其中，ζ2(t)为S3中设计的对机械臂速度状态的约束函数，εi(t)为第i个机械臂对应的速度误差。
此外，为了实现上述目的，本发明还提供了一种网络化机器人协同控制装置，所述网络化机器人协同控制装置包括以下模块：
方程构建模块，用于根据机器人动力学，建立带有未知扰动项的2自由度欧拉拉格朗日机器人的动力学方程；
有向图构建模块，用于根据图论的知识，建立各机器臂之间的通迅有向拓扑图，所述通讯有向拓扑图用于描述机器臂之间的信息交互；
约束条件设计模块，用于根据机械臂自身的物理结构和生产的外部环境限制条件，设计约束条件及相应的约束函数；
算法构建模块，用于根据所述动力学方程和所述通讯有向拓扑图，建立状态约束下网络化欧拉拉格朗日机器人的协同控制算法，所述协同控制算法包括：估计层的控制算法和本地控制层的控制算法；
协同控制模块，用于根据所述估计层的控制算法，实现各机器人之间的通讯需要以及实时得到目标机械臂的轨迹；根据所述本地控制层的控制算法，通过控制器输入使机器臂的各关节跟踪到所述估计层估计出的关节位置并使各关节在约束条件内。
此外，为了实现上述目的，本发明还提供了一种网络化机器人协同控制设备，所述网络化机器人协同控制设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的网络化机器人协同控制程序，所述网络化机器人协同控制程序被所述处理器执行时实现所述的网络化机器人协同控制方法的步骤。
此外，为了实现上述目的，本发明还提供了一种存储介质，所述存储介质上存储有网络化机器人协同控制程序，所述网络化机器人协同控制程序被处理器执行时实现所述的网络化机器人协同控制方法的步骤。
本发明提供的技术方案具有以下有益效果：
1、相比于同类的控制方法，本发明提供的控制方法通过基于估计层的分层方法降低了控制算法的复杂度，节约了控制成本和所需元器件；
2、相比于同类的控制方法，本发明提供的控制方法能够将欧拉拉格朗日机器人的状态限制在约束函数之内，即使受限于物理结构和外部环境，也能够稳定地控制机器人完成作业。
3、相比于同类的控制方法，本发明使用了衰减函数的方法来控制误差在约束条件内，提升了适用于状态约束下的控制方法的新颖性。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例提供的状态约束下的网络化欧拉拉格朗日机器人的协同控制方法的控制流程图；
图2是本发明实施例提供的机器臂物理结构简易模型；
图3是本发明实施例提供的网络化欧拉拉格朗日机器人系统的有向拓扑网络图；
图4是本发明实施例提供的网络化欧拉拉格朗日机器人协同作业的示意图；
图5是本发明实施例提供的关节位置q1轨迹跟踪与约束条件仿真图；
图6是本发明实施例提供的关节位置q2轨迹跟踪与约束条件仿真图；
图7是本发明实施例提供的关节速度v1轨迹跟踪仿真图；
图8是本发明实施例提供的关节速度v2轨迹跟踪仿真图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
参考图1，图1是本发明实施例提供的状态约束下的网络化欧拉拉格朗日机器人的协同控制方法的控制流程图；本实施例中，一种状态约束下的网络化欧拉拉格朗日机器人的协同控制方法包括以下步骤：
S1、根据机器人动力学，建立带有未知扰动项的2自由度欧拉拉格朗日机器人的动力学方程；
在本实施例中，假定操纵8个机器臂跟踪1个机械臂的轨迹进行协同作业，对单个机械臂进行动力学建模，并设定跟踪目标的轨迹函数，轨迹函数如下：
Figure BDA0003072587970000071
满足以下关系式：
Figure BDA0003072587970000072
参考图2，其为机械臂的物理结构简易模型，所述二自由度的机械臂具有相同的物理参数，其中mk、lk、rk、Jk分别为机械臂的质量，长度，质心到关节的距离和惯性矩，详见图2，
具体数据见表1；
表1各机械臂的物理结构参数
Figure BDA0003072587970000081
其中，机械臂的动力学建模模型为：
Figure BDA0003072587970000082
在上述表达式中，i∈{1,2,...,8}表示机器人的序号；Mi(qi)表示正定质量矩阵；
Figure BDA0003072587970000083
表示科里奥利矩阵和离心项；gi(qi)表示引力矩阵；di(t)表示输入扰动；τi表示控制输入；qi、
Figure BDA0003072587970000084
和
Figure BDA0003072587970000085
分别表示关节空间中的位置、速度和加速度。
S2、根据图论的知识，建立各机器臂之间的通迅有向拓扑图(参考图3)，所述通讯有向拓扑图用于描述机器臂之间的信息交互；
在本实施例中，所述通迅有向拓扑图为G＝{V,E,A}，
其中，V＝{v1,...,vN}表示顶点集，即机器臂的数目，E＝V×V表示连接任意两个机器人的边的集合；A＝[aij]表示带有邻接元素的权重矩阵，若第j个机器人与第i个机器人之间有连接，则aij≠0，否则aij＝0；且第i个机器人本身不存在自循环连接，即aii＝0，通过邻接元素的大小表示各机械臂所传递能量的大小，根据定义的邻接元素的权重矩阵，确定通迅有向拓扑图的拉普拉斯矩阵L，其中，所述拉普拉斯矩阵L定义为：L＝[aij]，其中：在i＝j时，
Figure BDA0003072587970000086
否则lij＝-aij，根据每个机器臂与其对应跟踪目标之间的通讯状况，确定通迅有向拓扑图的对角权重矩阵B，其中，所述对角权重矩阵B定义为：B＝diag(b1,...,bN)；其中，根据机器臂对其跟踪目标之间的通讯情况，若第i个机器人能够直接接收其跟踪目标的信息，则bi为取值大于0的数，否则bi＝0。
具体的拉普拉斯矩阵L和对角权重矩阵B如下：
Figure BDA0003072587970000091
B＝diag(0 1 0 1 0 0 0 0)。
S3、根据机械臂自身的物理结构和生产的外部环境限制条件，设计约束条件及相应的约束函数；
具体步骤包括：
定义机械臂单个关节的约束下界qil(t)与约束上界qiu(t)，满足以下关系式：
qil(t)＜qi(t)＜qiu(t),i＝1,...,n
定义关节的实际量qi(t)与估计量
Figure BDA0003072587970000092
之间的误差为
Figure BDA0003072587970000093
其表达式为：
Figure BDA0003072587970000094
满足下式：
Figure BDA0003072587970000095
通过设计一类衰减函数使得误差值在设计好的约束范围内，因而使得关节的移动量在设定好的约束上下界之内，衰减函数ζ(t)如下：
ζ(t)＝(ζ0-ζ∞)e-ωt+ζ∞
其中，ζ0表示衰减的初值，需要大于所有关节变量的初值，ζ∞表示衰减的终值满足0＜ζ∞＜1，e-ωt表示衰减率，所述衰减函数满足从衰减初值ζ0指数递减至衰减终值ζ∞；
根据所述衰减函数的形式，分别设定针对位置和速度两个状态量的约束函数ζ1(t)和ζ2(t)：
Figure BDA0003072587970000096
Figure BDA0003072587970000101
根据位置的衰减函数得到误差
Figure BDA0003072587970000102
的上界ρiu与下界ρil，表达式为：
Figure BDA0003072587970000103
Figure BDA0003072587970000104
S4、根据所述动力学方程和所述通讯有向拓扑图，建立状态约束下网络化欧拉拉格朗日机器人的协同控制算法，所述协同控制算法包括：估计层的控制算法和本地控制层的控制算法；
本实施例中，在设计所述估计层的算法之前，首先需要引入目标机械臂的位置q0、速度v0和加速度u0之间的关系式如下：
Figure BDA0003072587970000105
所述估计层的控制算法为：
Figure BDA0003072587970000106
其中，
Figure BDA0003072587970000107
和ui分别为对于第i个机械臂所估计得到的关节位置、关节速度和关节的控制输入；aij、bi分别为对于第i个机械臂在图论中涉及的邻接元素和权重矩阵B的对角元素；u0为目标机械臂的加速度值；λ1为人为设定的正常数；
Figure BDA0003072587970000108
分别为关于第i个机械臂位置和速度的误差形式，其数学表达式分别为：
Figure BDA0003072587970000109
Figure BDA00030725879700001010
本实施例中，在设计所述本地控制层的算法之前，需要给出控制器输入所需的第i个机械臂对应的速度误差εi(t)，其表达式为：
εi(t)＝vi(t)-βi(t)
其中，vi为对于第i个机械臂的关节速度；βi(t)为保证位置误差在所需要的约束范围内设计的虚拟控制率，其数学形式为：
Figure BDA0003072587970000111
其中，ci为设计的正常数；
Figure BDA0003072587970000112
为关节的实际量qi与估计量
Figure BDA0003072587970000113
之间的误差；ρiu、ρil分别为误差
Figure BDA0003072587970000114
的上界与下界。本发明主要通过该式实现位置误差的约束要求。
所述本地控制层的控制算法为：
Figure BDA0003072587970000115
其中，λ2为人为设定的正常数；||·||表示对向量求欧里几得范数；
Figure BDA0003072587970000116
ψi(t)的表达式分别为：
Figure BDA0003072587970000117
Figure BDA0003072587970000118
其中，ζ2(t)为S3中设计的对机械臂速度状态的约束函数，εi(t)为第i个机械臂对应的速度误差。
S5、根据所述估计层的控制算法，实现各机器人之间的通讯需要以及实时得到目标机械臂的轨迹；根据所述本地控制层的控制算法，通过控制器输入使机器臂的各关节跟踪到所述估计层估计出的关节位置并使各关节在约束条件内，网络化欧拉拉格朗日机器人协同作业的示意图参考图4。
参考图5、图6，图5、图6分别是关节位置状态q1，q2的跟踪轨迹图，在所设计的约束函数的作用下，每个机器人的位置状态量都渐进地收敛于其对应的跟踪目标轨迹。
参考图7、图8，图7、图8分别是关节速度状态v1，v2的跟踪轨迹图，每个机器人的速度状态量都渐进地收敛于其对应的跟踪目标轨迹。
作为可选地实施方式，本实施例还提供了一种网络化机器人协同控制装置，所述网络化机器人协同控制装置包括以下模块：
方程构建模块，用于根据机器人动力学，建立带有未知扰动项的2自由度欧拉拉格朗日机器人的动力学方程；
有向图构建模块，用于根据图论的知识，建立各机器臂之间的通迅有向拓扑图，所述通讯有向拓扑图用于描述机器臂之间的信息交互；
约束条件设计模块，用于根据机械臂自身的物理结构和生产的外部环境限制条件，设计约束条件及相应的约束函数；
算法构建模块，用于根据所述动力学方程和所述通讯有向拓扑图，建立状态约束下网络化欧拉拉格朗日机器人的协同控制算法，所述协同控制算法包括：估计层的控制算法和本地控制层的控制算法；
协同控制模块，用于根据所述估计层的控制算法，实现各机器人之间的通讯需要以及实时得到目标机械臂的轨迹；根据所述本地控制层的控制算法，通过控制器输入使机器臂的各关节跟踪到所述估计层估计出的关节位置并使各关节在约束条件内。
作为可选地实施方式，本实施例还提供了一种网络化机器人协同控制设备，所述网络化机器人协同控制设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的网络化机器人协同控制程序，所述网络化机器人协同控制程序被所述处理器执行时实现所述的网络化机器人协同控制方法的步骤。
作为可选地实施方式，本实施例还提供了一种存储介质，所述存储介质上存储有网络化机器人协同控制程序，所述网络化机器人协同控制程序被处理器执行时实现所述的网络化机器人协同控制方法的步骤。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (8)

1.一种网络化机器人协同控制方法，其特征在于，所述网络化机器人协同控制方法包括以下步骤：
根据机器人动力学，建立带有未知扰动项的2自由度欧拉拉格朗日机器人的动力学方程；
根据图论的知识，建立各机器臂之间的通迅有向拓扑图，所述通讯有向拓扑图用于描述机器臂之间的信息交互；
根据机械臂自身的物理结构和生产的外部环境限制条件，设计约束条件及相应的约束函数；
定义机械臂单个关节的约束下界qil(t)与约束上界qiu(t)，满足以下关系式：
qil(t)＜qi(t)＜qiu(t),i＝1,...,n
定义关节的实际量qi(t)与估计量
Figure FDA0003503608080000011
之间的误差为
Figure FDA0003503608080000012
其表达式为：
Figure FDA0003503608080000013
满足下式：
Figure FDA0003503608080000014
通过设计一类衰减函数使得误差值在设计好的约束范围内，因而使得关节的移动量在设定好的约束上下界之内，衰减函数ζ(t)如下：
ζ(t)＝(ζ0-ζ∞)e-ωt+ζ∞
其中，ζ0表示衰减的初值，需要大于所有关节变量的初值，ζ∞表示衰减的终值，满足0＜ζ∞＜1，e-ωt表示衰减率，其中ω＞0为预定的常数，所述衰减函数满足从衰减的初值ζ0指数递减至衰减的终值ζ∞；
根据所述衰减函数的形式，分别设定对于位置和速度两个状态量的约束函数ζ1(t)和ζ2(t)：
Figure FDA0003503608080000015
Figure FDA0003503608080000016
其中，ζ10、ζ20表示衰减的初值，需要大于所有关节变量的初值，ζ1∞、ζ2∞表示衰减的终值，满足0＜ζ1∞＜1,0＜ζ2∞＜1，
Figure FDA0003503608080000021
表示衰减率，其中ω1＞0,ω2＞0为预定的常数，所述衰减函数满足从衰减的初值ζ10、ζ20指数递减至衰减的终值ζ1∞、ζ2∞；
根据位置的衰减函数得到误差
Figure FDA0003503608080000022
的上界ρiu与下界ρil，表达式为：
Figure FDA0003503608080000023
Figure FDA0003503608080000024
根据所述动力学方程和所述通讯有向拓扑图，建立状态约束下网络化欧拉拉格朗日机器人的协同控制算法，所述协同控制算法包括：估计层的控制算法和本地控制层的控制算法；
根据所述估计层的控制算法，实现各机器人之间的通讯需要以及实时得到目标机械臂的轨迹；
根据所述本地控制层的控制算法，通过控制器输入使机器臂的各关节跟踪到所述估计层估计出的关节位置并使各关节在约束条件内。
2.根据权利要求1所述的网络化机器人协同控制方法，其特征在于，所述动力学方程的表达式为：
Figure FDA0003503608080000025
其中，i∈{1,2,…,8}表示机器人的序号，Mi(qi)表示正定质量矩阵，
Figure FDA0003503608080000026
表示科里奥利矩阵和离心项，gi(qi)表示引力矩阵，di(t)表示输入扰动；τi表示控制输入，qi、
Figure FDA0003503608080000027
和
Figure FDA0003503608080000028
分别表示关节空间中的位置、速度和加速度。
3.根据权利要求1所述的网络化机器人协同控制方法，其特征在于，所述通迅有向拓扑图为G＝{V,E,A}，其中，V＝{v1,...,vN}表示顶点集，即机器臂的数目，E＝V×V表示连接任意两个机器人的边的集合；A＝[aij]表示带有邻接元素的权重矩阵，其中aij表示权重矩阵第i行第j列的元素，若第j个机器人与第i个机器人之间有连接，则aij≠0，否则aij＝0；且第i个机器人本身不存在自循环连接，即aii＝0，通过邻接元素的大小表示各机械臂所传递能量的大小，根据定义的邻接元素的权重矩阵，确定通迅有向拓扑图的拉普拉斯矩阵L，其中，所述拉普拉斯矩阵L定义为：L＝[lij]，其中lij为L矩阵第i行第j列的元素，在i＝j时，
Figure FDA0003503608080000031
否则lij＝-aij，根据每个机器臂与其对应跟踪目标之间的通讯状况，确定通迅有向拓扑图的对角权重矩阵B，其中，所述对角权重矩阵B定义为：B＝diag(b1,...,bN)，其中bi,i＝1,...,N为B矩阵中的元素；其中，根据机器臂对其跟踪目标之间的通讯情况，若第i个机器人能够直接接收其跟踪目标的信息，则bi为取值大于0的数，否则bi＝0。
4.根据权利要求1所述的网络化机器人协同控制方法，其特征在于，所述估计层的控制算法为：
Figure FDA0003503608080000032
其中，
Figure FDA0003503608080000033
和ui分别为对于第i个机械臂所估计得到的关节位置、关节速度和关节的控制输入；aij、bi分别为对于第i个机械臂在图论中涉及的邻接元素和权重矩阵B的对角元素；u0为目标机械臂的加速度值；λ1为人为设定的正常数；uj为第j个机器人的控制输入，j＝1,...,N为机器人的个数，
Figure FDA0003503608080000034
分别为关于第i个机械臂位置和速度的误差形式，其数学表达式分别为：
Figure FDA0003503608080000035
Figure FDA0003503608080000036
5.根据权利要求1所述的网络化机器人协同控制方法，其特征在于，所述本地控制层的控制算法为：
Figure FDA0003503608080000037
其中，τi(t)为本地控制层的控制输入，λ2为人为设定的正常数；||·||表示对向量求欧里几得范数；
Figure FDA0003503608080000038
ψi(t)分别为sec-形式和tan-形式的辅助变量表达式，分别为：
Figure FDA0003503608080000041
Figure FDA0003503608080000042
其中，ζ2(t)为对机械臂速度状态的约束函数，εi(t)为第i个机械臂对应的速度误差。
6.一种网络化机器人协同控制装置，其特征在于，所述网络化机器人协同控制装置包括以下模块：
方程构建模块，用于根据机器人动力学，建立带有未知扰动项的2自由度欧拉拉格朗日机器人的动力学方程；
有向图构建模块，用于根据图论的知识，建立各机器臂之间的通迅有向拓扑图，所述通讯有向拓扑图用于描述机器臂之间的信息交互；
约束条件设计模块，用于根据机械臂自身的物理结构和生产的外部环境限制条件，设计约束条件及相应的约束函数；
所述约束条件设计模块，具体用于定义机械臂单个关节的约束下界qil(t)与约束上界qiu(t)，满足以下关系式：
qil(t)＜qi(t)＜qiu(t),i＝1,...,n
定义关节的实际量qi(t)与估计量
Figure FDA0003503608080000043
之间的误差为
Figure FDA0003503608080000044
其表达式为：
Figure FDA0003503608080000045
满足下式：
Figure FDA0003503608080000046
通过设计一类衰减函数使得误差值在设计好的约束范围内，因而使得关节的移动量在设定好的约束上下界之内，衰减函数ζ(t)如下：
ζ(t)＝(ζ0-ζ∞)e-ωt+ζ∞
其中，ζ0表示衰减的初值，需要大于所有关节变量的初值，ζ∞表示衰减的终值，满足0＜ζ∞＜1，e-ωt表示衰减率，其中ω＞0为预定的常数，所述衰减函数满足从衰减的初值ζ0指数递减至衰减的终值ζ∞；
根据所述衰减函数的形式，分别设定对于位置和速度两个状态量的约束函数ζ1(t)和ζ2(t)：
Figure FDA0003503608080000051
Figure FDA0003503608080000052
其中，ζ10、ζ20表示衰减的初值，需要大于所有关节变量的初值，ζ1∞、ζ2∞表示衰减的终值，满足0＜ζ1∞＜1,0＜ζ2∞＜1，
Figure FDA0003503608080000053
表示衰减率，其中ω1＞0,ω2＞0为预定的常数，所述衰减函数满足从衰减的初值ζ10、ζ20指数递减至衰减的终值ζ1∞、ζ2∞；
根据位置的衰减函数得到误差
Figure FDA0003503608080000054
的上界ρiu与下界ρil，表达式为：
Figure FDA0003503608080000055
Figure FDA0003503608080000056
算法构建模块，用于根据所述动力学方程和所述通讯有向拓扑图，建立状态约束下网络化欧拉拉格朗日机器人的协同控制算法，所述协同控制算法包括：估计层的算法和本地控制层的算法；
协同控制模块，用于根据所述估计层的算法，实现各机器人之间的通讯需要以及实时得到目标机械臂的轨迹；根据所述本地控制层的算法，通过控制器输入使机器臂的各关节跟踪到所述估计层估计出的关节位置并使各关节在约束条件内。
7.一种网络化机器人协同控制设备，其特征在于，所述网络化机器人协同控制设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的网络化机器人协同控制程序，所述网络化机器人协同控制程序被所述处理器执行时实现如权利要求1至5中任一项所述的网络化机器人协同控制方法的步骤。
8.一种存储介质，其特征在于，所述存储介质上存储有网络化机器人协同控制程序，所述网络化机器人协同控制程序被处理器执行时实现如权利要求1至5中任一项所述的网络化机器人协同控制方法的步骤。
CN202110543446.9A 2021-05-19 2021-05-19 网络化机器人协同控制方法、装置、设备及存储介质 Expired - Fee Related CN113400299B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110543446.9A CN113400299B (zh) 2021-05-19 2021-05-19 网络化机器人协同控制方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110543446.9A CN113400299B (zh) 2021-05-19 2021-05-19 网络化机器人协同控制方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113400299A CN113400299A (zh) 2021-09-17
CN113400299B true CN113400299B (zh) 2022-05-03

Family

ID=77678870

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110543446.9A Expired - Fee Related CN113400299B (zh) 2021-05-19 2021-05-19 网络化机器人协同控制方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113400299B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105068427A (zh) * 2015-08-31 2015-11-18 哈尔滨工业大学 一种多机器人系统有限时间鲁棒协同跟踪控制方法
CN111216146A (zh) * 2020-01-20 2020-06-02 中国地质大学（武汉） 一种适用于网络化机器人系统的二部一致性量化控制方法
CN111522341A (zh) * 2020-04-23 2020-08-11 中国地质大学（武汉） 网络异构机器人系统的多时变编队跟踪控制方法及系统
CN112148036A (zh) * 2020-09-11 2020-12-29 中国地质大学（武汉） 网络化机器人系统的固定时间估计器的双边跟踪控制方法
CN112817231A (zh) * 2020-12-31 2021-05-18 南京工大数控科技有限公司 一种具有强鲁棒性的机械臂高精度跟踪控制方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130051679A (ko) * 2011-11-10 2013-05-21 한국전자통신연구원 군집지능 라우팅 로봇 장치와 이를 포함하는 이동경로 제어 시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105068427A (zh) * 2015-08-31 2015-11-18 哈尔滨工业大学 一种多机器人系统有限时间鲁棒协同跟踪控制方法
CN111216146A (zh) * 2020-01-20 2020-06-02 中国地质大学（武汉） 一种适用于网络化机器人系统的二部一致性量化控制方法
CN111522341A (zh) * 2020-04-23 2020-08-11 中国地质大学（武汉） 网络异构机器人系统的多时变编队跟踪控制方法及系统
CN112148036A (zh) * 2020-09-11 2020-12-29 中国地质大学（武汉） 网络化机器人系统的固定时间估计器的双边跟踪控制方法
CN112817231A (zh) * 2020-12-31 2021-05-18 南京工大数控科技有限公司 一种具有强鲁棒性的机械臂高精度跟踪控制方法

Also Published As

Publication number Publication date
CN113400299A (zh) 2021-09-17

Similar Documents

Publication Publication Date Title
Xiang et al. Robust fuzzy 3D path following for autonomous underwater vehicle subject to uncertainties
CN108942924B (zh) 基于多层神经网络的模型不确定性机械臂运动控制方法
CN107490965B (zh) 一种空间自由漂浮机械臂的多约束轨迹规划方法
CN112904728B (zh) 一种基于改进型趋近律的机械臂滑模控制轨迹跟踪方法
CN110275436B (zh) 一种多单臂机械手的rbf神经网络自适应控制方法
CN107870570A (zh) 基于分数阶幂次趋近律的终端滑模机械臂轨迹跟踪方法
CN114047773B (zh) 一种基于扩张状态观测器的水下集矿机器人反步滑模自适应姿态控制方法
CN110658821A (zh) 一种多机器人抗干扰分组时变编队控制方法及系统
Yang et al. Dynamics and noncollocated model‐free position control for a space robot with multi‐link flexible manipulators
CN115639830B (zh) 一种空地智能体协同编队控制系统及其编队控制方法
Teng et al. An error-state model predictive control on connected matrix Lie groups for legged robot control
CN109739249B (zh) 一种速度状态缺失条件下的多uuv编队协调控制方法
CN107263483A (zh) 二自由度关节机器人轨迹的协调控制方法
CN107656530A (zh) 变参数开架式海洋水下机器人的轨迹跟踪控制方法、装置和系统
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
Dai et al. Robust control of underwater vehicle-manipulator system using grey wolf optimizer-based nonlinear disturbance observer and H-infinity controller
CN109108964B (zh) 一种基于自适应动态规划Nash博弈的空间机械臂协调控制方法
CN114750137A (zh) 一种基于rbf网络的上肢外骨骼机器人运动控制方法
CN113219825B (zh) 一种四足机器人单腿轨迹跟踪控制方法及系统
CN108829109B (zh) 基于分布式模型预测控制的中性浮力机器人姿态与轨迹控制方法
Ginting et al. Attitude control of a quadrotor with fuzzy logic controller on SO (3)
Chaudhary et al. Fractional order fast terminal sliding mode control scheme for tracking control of robot manipulators
CN112276952B (zh) 一种多机器人系统的鲁棒同时镇定方法及系统
CN113268084A (zh) 一种无人机编队智能容错控制方法
CN113400299B (zh) 网络化机器人协同控制方法、装置、设备及存储介质

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220503