CN113510713A - 机器人协同搬运的控制方法、装置和计算机设备 - Google Patents

机器人协同搬运的控制方法、装置和计算机设备 Download PDF

Info

Publication number
CN113510713A
CN113510713A CN202111054669.5A CN202111054669A CN113510713A CN 113510713 A CN113510713 A CN 113510713A CN 202111054669 A CN202111054669 A CN 202111054669A CN 113510713 A CN113510713 A CN 113510713A
Authority
CN
China
Prior art keywords
expected
pressure
force
end effector
robot
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.)
Granted
Application number
CN202111054669.5A
Other languages
English (en)
Other versions
CN113510713B (zh
Inventor
曾献文
刘益彰
熊友军
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.)
Ubtech Robotics Corp
Original Assignee
Ubtech Robotics Corp
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 Ubtech Robotics Corp filed Critical Ubtech Robotics Corp
Priority to CN202111054669.5A priority Critical patent/CN113510713B/zh
Publication of CN113510713A publication Critical patent/CN113510713A/zh
Application granted granted Critical
Publication of CN113510713B publication Critical patent/CN113510713B/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
    • B25J9/1602—Programme controls characterised by the control system, structure, architecture
    • 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
    • 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
    • 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
    • B25J9/1694—Programme controls characterised by use of sensors other than normal servo-feedback from position, speed or acceleration sensors, perception control, multi-sensor controlled systems, sensor fusion

Landscapes

  • Engineering & Computer Science (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Manipulator (AREA)

Abstract

本申请提供了一种机器人协同搬运的控制方法、装置和计算机设备，机器人的控制系统实时获取机器人的末端执行器上的实际接触力，基于实际前向力通过第一导纳控制方程计算得到机器人前向搬运位置，并根据竖向压力通过GMR曲线计算得到搬运过程中竖向抬升运动的竖向抬升速度。控制系统控制机器人的末端执行器按照竖向抬升速度运动至前向搬运位置，实现与协作者的协同搬运。机器人在与协作者协同搬运物体时，控制系统通过前向导纳控制得到下一时刻的前向搬运位置，以及在协同过程中主动意图预测、实时调整搬运竖向抬升速度，并通过竖向导纳控制补偿速度预测误差，从而避免被动响应带来的搬运物体姿态变化，提高协同搬运的精准度以及安全性能。

Description

机器人协同搬运的控制方法、装置和计算机设备
技术领域
本申请涉及机器人控制技术领域，特别涉及一种机器人协同搬运的控制方法、装置和计算机设备。
背景技术
机器人协同工作是机器人控制系统的一个重要方向，其具备单机器人系统所没有的优势。现有机器人在与协作者（该协作者可以为人，也可以为机器人）合作搬运物体时，需要在重力方向与协作者等速抬升物体。现有机器人使用的柔顺控制等被动相应策略虽然能够实现对抬升交互的响应，但是很难满足抬升速度的一致性，此时便会导致搬运物体的姿态倾斜，导致搬运物体倾倒等现象，使得协同搬运失败，且具有较大的安全隐患。
发明内容
本申请的主要目的为提供一种机器人协同搬运的控制方法、装置和计算机设备，旨在解决现有机器人在协同搬运过程中，无法满足与协作者的抬升速度一致，容易导致搬运物体姿态倾斜的弊端。
为实现上述目的，本申请提供了一种机器人协同搬运的控制方法，包括：
获取所述机器人的末端执行器上的实际接触力，所述实际接触力为所述末端执行器受到的六维外力，所述实际接触力包括所述末端执行器在前向方向上的实际前向力，以及所述末端执行器在重力方向上的竖向压力；
基于所述实际前向力通过预设的第一导纳控制方程计算得到在前向方向上的前向搬运位置，并根据所述竖向压力通过预先构建的GMR曲线计算得到重力方向上的竖向抬升速度，所述GMR曲线表征重力方向压力与期望速度之间的映射关系；
控制所述末端执行器按照所述竖向抬升速度运动和所述前向搬运位置进行运动，实现与协作者的协同搬运。
本申请还提供了一种机器人协同搬运的控制装置，包括：
获取模块，用于获取所述机器人的末端执行器上的实际接触力，所述实际接触力为所述末端执行器受到的六维外力，所述实际接触力包括所述末端执行器在前向方向上的实际前向力，以及所述末端执行器在重力方向上的竖向压力；
第一计算模块，用于基于所述实际前向力通过预设的第一导纳控制方程计算得到在前向方向上的前向搬运位置，并根据所述竖向压力通过预先构建的GMR曲线计算得到重力方向上的竖向抬升速度，所述GMR曲线表征重力方向压力与期望速度之间的映射关系；
控制模块，用于控制所述末端执行器按照所述竖向抬升速度运动和所述前向搬运位置进行运动，实现与协作者的协同搬运。
本申请还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本申请中提供的一种机器人协同搬运的控制方法、装置和计算机设备，机器人的控制系统实时获取机器人的末端执行器上的实际接触力，其中，实际接触力为末端执行器受到的六维外力，实际接触力包括末端执行器在前向方向上的实际前向力，以及末端执行器在重力方向上的竖向压力。控制系统基于实际前向力通过预设的第一导纳控制方程计算得到在前向方向上的前向搬运位置，并根据竖向压力通过预先构建的GMR曲线计算得到重力方向上的竖向抬升速度，GMR曲线表征重力方向压力与期望速度之间的映射关系。控制系统控制末端执行器按照竖向抬升速度运动和前向搬运位置进行运动，实现与协作者的协同搬运。本申请中，机器人在与协作者协同搬运物体时，控制系统通过前向导纳控制得到下一时刻的前向搬运位置，以及在协同过程中主动意图预测、实时调整竖向抬升竖向抬升速度，并通过竖向导纳控制补充速度预测误差，从而避免被动响应带来的搬运物体姿态变化（比如搬运物体姿态倾斜），避免搬运物体倾倒、掉落，提高协同搬运的精准度以及安全性能。
附图说明
图1是本申请一实施例中机器人协同搬运的控制方法的步骤示意图；
图2是本申请一实施例中导纳控制流程框图；
图3是本申请一实施例中机器人协同搬运的控制装置的整体结构框图；
图4是本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
参照图1，本申请一实施例中提供了一种机器人协同搬运的控制方法，包括：
S1:获取所述机器人的末端执行器上的实际接触力，所述实际接触力为所述末端执行器受到的六维外力，所述实际接触力包括所述末端执行器在前向方向上的实际前向力，以及所述末端执行器在重力方向上的竖向压力；
S2:基于所述实际前向力通过预设的第一导纳控制方程计算得到在前向方向上的前向搬运位置，并根据所述竖向压力通过预先构建的GMR曲线计算得到重力方向上的竖向抬升速度，所述GMR曲线表征重力方向压力与期望速度之间的映射关系；
S3:控制所述末端执行器按照所述竖向抬升速度运动和所述前向搬运位置进行运动，实现与协作者的协同搬运。
本实施例中，机器人的末端执行器（比如气动夹爪）与搬运物体直接接触，末端执行器上安装有六维力传感器，用于监测末端执行器所受到的外力（或者说与环境之间的接触力）。在协同搬运的过程中，机器人的控制系统通过六维力传感器实时采集末端执行器上的实际接触力；其中，实际接触力为末端执行器受到的六维外力，实际接触力包括末端执行器在前向方向上的实际前向力，以及末端执行器在重力方向上的竖向压力。控制系统获取末端执行器的当前位置（该当前位置具体为末端执行器在世界固定坐标系中的坐标位置），将当前位置作为参考量输入机器人位置控制器，并反馈末端执行器上的六维力传感器所测得的实际接触力。然后，将实际前向力输入第一导纳控制方程，计算得到位置补偿量。控制系统将当前位置与位置补偿量进行叠加，生成末端执行器在前向方向上运动的前向搬运位置，并将该前向搬运位置作为位置指令输入机器人位置控制器（在整个协同搬运过程中，控制系统循环上述位置补偿量的计算，从而对末端执行器的前向搬运位置、搬运轨迹进行规划；其中，前向搬运位置是按照连续点进行计算的，即在当前点所计算得到的前向搬运位置为末端执行器在下一个点的位置；控制系统将前向搬运位置下方到机器人的底层控制器，从而实现对机器人的末端执行器在前向方向上运动的控制）。并且，控制系统调取预先构建的GMR（高斯混合回归）曲线，该GMR曲线表征末端执行器所受到的压力（即重力方向的力）与期望速度之间的映射关系，由开发人员采集一一对应的重力方向接触力和抬升速度作为训练样本，并根据训练样本进行高斯混合模型建模，并经过高斯混合回归后，生成平滑的压力-速度映射曲线，即GMR曲线。控制系统从GMR曲线中匹配得到与当前的竖向压力对应的期望速度，并在出现力误差时对期望速度进行补偿，得到末端执行器在竖直方向上运动的竖向抬升速度。在搬运过程中，控制系统控制末端执行器按照竖向抬升速度和前向搬运位置运动至下一时刻，实现与协作者对搬运物体的协同搬运（其中，竖向抬升速度和前向搬运位置的更新频率，与六维力传感器的采集频率相对应，即竖向抬升速度和前向搬运位置在协同搬运的过程中是实时更新，而不是固定不变的）。
本实施例中，机器人在与协作者协同搬运物体时，控制系统通过前向导纳控制得到下一时刻的前向搬运位置，以及在协同过程中主动意图预测、实时调整竖向抬升竖向抬升速度，并通过竖向导纳控制补充速度预测误差，从而避免被动响应带来的搬运物体姿态变化（比如搬运物体姿态倾斜），避免搬运物体倾倒、掉落，提高协同搬运的精准度以及安全性能。
参照图2，进一步的，所述基于所述实际前向力通过预设的第一导纳控制方程计算得到在前向方向上的前向搬运位置的步骤，包括：
S201:获取所述末端执行器的当前位置，并将所述实际前向力输入所述第一导纳控制方程，计算得到位置补偿量；
S202:将所述当前位置和所述位置补偿量进行叠加，得到所述前向搬运位置。
优选的，所述将所述实际前向力输入所述第一导纳控制方程，计算得到位置补偿量的步骤，包括：
S2011:调取所述第一导纳控制方程和期望前向力，所述期望前向力根据所述机器人的搬运物体预先设置；
S2012:将所述实际前向力和所述期望前向力代入所述导纳控制方程，并将所述期望前向力的前向期望牵引力设置为0，计算得到所述位置补偿量，其中，所述第一导纳控制方程为：
Figure 935452DEST_PATH_IMAGE001
，Md为期望阻抗模型的惯性矩阵，Bd为期望阻抗模型的阻尼矩阵，Kd为期望阻抗模型的刚度矩阵，F为所述实际前向力，
Figure 400062DEST_PATH_IMAGE002
为所述位置补偿量，Fd为所述期望前向力，所述前向期望牵引力为所述期望前向力在所述机器人前向的一维力。
本实施例中，控制系统实时采集末端执行器的当前位置，并将采集的实际前向力输入第一导纳控制方程，计算得到位置补偿量。具体地，控制系统调取期望前向力和预先构建的第一导纳控制方程，并将期望前向力（期望前向力同样为六维力，与实际接触力类同）的前向期望牵引力（即机器人的前向方向所对应的一维力）设置为0，然后将实际前向力和期望前向力代入第一导纳控制方程
Figure 789586DEST_PATH_IMAGE003
中，计算得到当前时刻对应的位置补偿量。其中，Md为期望阻抗模型的惯性矩阵，Bd为期望阻抗模型的阻尼矩阵，Kd为期望阻抗模型的刚度矩阵，F为实际接触力，
Figure 247113DEST_PATH_IMAGE004
为位置补偿量，Fd为期望前向力。控制系统将当前位置和位置补偿量进行叠加，计算得到补偿后的前向搬运位置。具体地，定义当前位置为Xr（作为参考量），定义前向搬运位置为Xc（作为需要输入机器人位置控制器的指令位置），则
Figure 889183DEST_PATH_IMAGE004
=Xc-Xr。控制系统在导纳控制的基础上实现对前向牵引力的跟踪控制，从而主动控制末端执行器在协作者的牵引力引导下向目标位置移动，实时性强，准确度高。
进一步的，所述根据所述竖向压力通过预先构建的GMR曲线计算得到重力方向上的竖向抬升速度的步骤，包括：
S203:调取所述GMR曲线；
S204:从所述GMR曲线中匹配得到与所述竖向压力对应的期望速度，并基于所述竖向压力和期望压力判断是否出现力误差，所述期望压力表征所述机器人在协同搬运过程中，与所述竖向压力的时刻对应的预期状态的压力，所述力误差表征所述所述机器人在协助搬运过程中，所述竖向压力和所述期望压力之间的偏差状态；
S205:若出现力误差，则将所述竖向压力输入第二导纳控制方程，计算得到速度补偿量，所述第二导纳控制方程为：
Figure 773962DEST_PATH_IMAGE005
，Md为期望阻抗模型的惯性矩阵，Bd为期望阻抗模型的阻尼矩阵，Kd为期望阻抗模型的刚度矩阵，f为所述竖向压力，
Figure 588465DEST_PATH_IMAGE006
为所述速度补偿量，fd为所述期望压力；
S206:将所述期望速度和所述速度补偿量进行叠加，得到所述竖向抬升速度。
本实施例中，控制系统调取预先构建的GMR曲线，该GMR曲线表征重力方向压力与期望速度之间的映射关系；控制系统根据当前时刻采集的竖向压力，与GMR曲线进行比对匹配，从而得到与该竖向压力对应的期望速度（该期望速度即为期望的协同竖向抬升速度）。为了提高协同竖向抬升速度的精确度，控制系统需要进一步识别当前时刻是否出现力误差（即竖向压力与期望压力不同）。具体地，控制系统获取与当前时刻相邻的上一时刻的历史竖向压力，并匹配与该历史竖向压力对应的期望压力变化曲线（在协同搬运过程中，如果协作者不更换，或者不受到其他外力的影响，末端执行器抬升物体时所受到的重力方向压力应该是具有一定的变化趋势，期望压力变化曲线即表征了正常状态下末端执行器抬升物体时所受的重力方向压力的变化趋势）。控制系统从期望压力变化曲线中调取与当前时刻对应的期望压力，并判断竖向压力与期望压力之间的差值是否大于阈值。如果该差值大于阈值，则判定当前时刻出现力误差；控制系统将竖向压力输入第二导纳控制方程，从而计算得到速度补偿量。具体地，第二导纳控制方程为：
Figure 849682DEST_PATH_IMAGE007
，f为竖向压力，fd为期望压力，
Figure 331610DEST_PATH_IMAGE008
即为速度补偿量。控制系统将期望速度与速度补偿量进行叠加，从而得到需要的竖向抬升速度。其中，假定
Figure 387291DEST_PATH_IMAGE009
为竖向抬升速度，
Figure 751407DEST_PATH_IMAGE010
为期望速度，则
Figure 550736DEST_PATH_IMAGE011
。
本实施例中，控制系统在出现力误差的情况下，通过导纳控制（具体表现为使用导纳控制方程计算速度补偿量）补偿不同示教者或同一示教者手臂阻抗特性变化等未建模因素的影响，与实际的协作者的情况相对应，提高协同搬运的稳定性和精准度。
进一步的，所述所述调取GMR曲线的步骤，包括：
S2031:获取所述末端执行器的搬运任务参数；
S2032:根据所述搬运任务参数匹配得到所述GMR曲线。
本实施例中，为了实现对机器人的末端执行器在协同搬运物体时的运动轨迹的实时调整，开发人员将末端执行器的速度、压力以及一系列向量（比如运动轨迹的初始位置、目标位置等）进行任务参数化，并将任务参数（定义b为机器人的末端执行器的速度和压力、一系列向量组成的转化矩阵A作为参考帧的坐标系统{ b， A}, 即为任务参数）封装到高斯混合模型中，任务参数化的高斯混合模型即为将示教数据与任务参数结合，一起编码为高斯混合模型。具体地，对于搬运过程中抬升运动的轨迹示教，设第
Figure 884241DEST_PATH_IMAGE012
次（共M次）示教包含cm组示教数据，则有示教数据集合
Figure 110823DEST_PATH_IMAGE013
，其中
Figure 165498DEST_PATH_IMAGE014
，相关任务参数为
Figure 502938DEST_PATH_IMAGE015
，P为参考帧的个数；GMM参数扩充为：
Figure 959459DEST_PATH_IMAGE016
，则有任务参数化的高斯混合模型：
Figure 638833DEST_PATH_IMAGE017
，其中，
Figure 430071DEST_PATH_IMAGE018
为第i、j参考帧的模型参数，参数的估计如下：
Figure 121602DEST_PATH_IMAGE020
循环E、Mstep直到参数收敛。
当任务参数发生变化时，从新的任务参数{ b’，A’}出发，代入上述已辨识的任务参数化的高斯混合模型，得到实时调整的新的GMM模型。在混合有任务参数的高斯混合模型基础上，进行高斯混合回归，使得构建的GMR曲线为三维曲线（即任务参数为一维参数，重力方向压力为一维参数，期望速度为一维参数）。任务参数化的高斯混合回归（GMR）实现对抬升运动轨迹的示教与泛化再现，对于实际协同抬升过程中跟踪速度补偿量、抬升起始点变化等现象，将GMR映射轨迹（即GMR曲线所表征的重力方向压力与期望速度之间的映射关系）以吸引点的形式输入动态系统，通过上述的导纳控制生成机器人的末端执行器的期望加速度，从而实在线轨迹调整并保证示教轨迹的拓扑等价性。
在实际应用中，控制系统获取末端执行器的搬运任务参数（即上述的{ b， A},以当前时刻为准），并根据搬运任务参数匹配得到对应的GMR曲线。本实施例在搬运过程中，控制系统实时根据末端执行器的搬运任务参数（比如搬运轨迹的起始位置）动态调整实际的搬运轨迹，提高协同搬运的精准度。
进一步的，所述调取所述GMR曲线的步骤之前，包括：
S4:采集多个一一对应的重力方向接触力和抬升速度作为训练样本；
S5:使用所述训练样本建立高斯混合模型，得出模型参数；
S6:使用所述模型参数进行高斯混合回归，计算得到条件概率的期望值和协方差；
S7:将所述期望值作为泛化的重构数据点，在所述协方差约束下生成所述GMR曲线。
本实施例中，控制系统采集多个一一对应的重力方向接触力和抬升速度作为训练样本（两名操作者协同抬升负载，主操作者手臂装备动作捕捉设备，以获得抬升速度，从操作者手臂装备1维力传感器，以获得主操作者抬升时从操作者受力信息，两数据样本成对保存，并对每次抬升记录为编号
Figure 681897DEST_PATH_IMAGE021
），并使用训练样本建立高斯混合模型，通过训练样本来回归GMM模型参数。具体地，单个多维高斯模型记作SGM，用于描述事件概率，其概率密度函数：
Figure 266593DEST_PATH_IMAGE023
，其中
Figure 13969DEST_PATH_IMAGE024
为样本维度，对于本实施例而言，仅需要采样重力方向压力与抬升速度，因此
Figure 709524DEST_PATH_IMAGE025
，
Figure 671795DEST_PATH_IMAGE026
为概率分布的均值和协方差，所谓GMM高斯混合模型，即认为样本集合由若干SGM按照一定权重组合而成（称为GMM的成分），GMM概率密度函数如下：
Figure 676660DEST_PATH_IMAGE027
。当每个样本所属分类已知时，设样本容量为N，属于
Figure 659135DEST_PATH_IMAGE028
个分类的样本数量分别是
Figure 142069DEST_PATH_IMAGE029
, 属于第
Figure 427688DEST_PATH_IMAGE030
个标签的样本集合是
Figure 400192DEST_PATH_IMAGE031
,GMM的参数利用Maximum Likelihood方法获得：
Figure 138472DEST_PATH_IMAGE033
，共
Figure 425097DEST_PATH_IMAGE034
个成分的上述参数总体为GMM模型的参数，记作Z。控制系统使用模型参数进行高斯混合回归，计算得到条件概率的期望值和协方差。具体地，经过上述步骤，已经将一系列采样数据
Figure 34064DEST_PATH_IMAGE035
（
Figure 380731DEST_PATH_IMAGE036
为机器人的末端执行器的重力方向受力，
Figure 394256DEST_PATH_IMAGE037
为机器人的末端执行器与协作者交互速度）的概率分布
Figure 235304DEST_PATH_IMAGE038
建模多维GMM，利用 GMR（高斯混合回归）计算条件概率
Figure 213624DEST_PATH_IMAGE039
的期望
Figure 216347DEST_PATH_IMAGE040
和协方差
Figure 975224DEST_PATH_IMAGE041
，将期望值作为泛化的重构数据点，在协方差约束下生成平滑的映射曲线，具体如下：
在给定
Figure 354384DEST_PATH_IMAGE042
和高斯分布
Figure 718369DEST_PATH_IMAGE034
的情况下，
Figure 889063DEST_PATH_IMAGE043
同样满足高斯分布，即
Figure 338499DEST_PATH_IMAGE044
，其中：
Figure 521350DEST_PATH_IMAGE046
，
Figure 208683DEST_PATH_IMAGE047
。考虑整个 GMM，则有：
Figure 818787DEST_PATH_IMAGE048
，其中：
Figure 37410DEST_PATH_IMAGE049
。至此即得到
Figure 273219DEST_PATH_IMAGE050
的期望和协方差，分别作为重构的数据点和协方差约束，得到泛化输出的平滑映射曲线，即GMR曲线。
进一步的，所述基于所述竖向压力判断是否出现力误差的步骤，包括：
S2041:根据相邻上一时刻获取的历史竖向压力匹配对应的期望压力变化曲线；
S2042:从所述期望压力变化曲线调取当前时刻的期望压力，并判断所述竖向压力与所述期望压力之间的差值是否大于阈值；
S2043:若所述竖向压力与所述期望压力之间的差值大于阈值，则判定当前时刻出现力误差。
在协同搬运过程中，如果协作者不更换，或者不受到其他外力的影响，末端执行器抬升物体时所受到的重力方向压力应该是具有一定的变化趋势，期望压力变化曲线即表征了正常状态下末端执行器抬升物体时所受的重力方向压力的变化趋势，由开发人员将实际采集的机器人与示教者在协同搬运过程中所采集的重力方向压力的数据输入控制系统，根据数据随着时间的变化趋势构建得到。
实际应用时，控制系统调取与当前时刻相邻的上一时刻获取的历史竖向压力，并匹配与历史竖向压力对应的期望压力变化曲线。控制系统从期望压力变化曲线中调取与当前时刻的期望压力，并判断末端执行器当前时刻所受到的竖向压力与期望压力之间的差值是否大于阈值（该阈值优选为0）。如果竖向压力与期望压力之间的差值大于阈值，则判定当前时刻出现力误差，下一步需要通过导纳控制获得速度补偿。如果竖向压力与期望压力之间的差值不大于阈值，则判定当前时刻没有出现力误差，下一步则不需要使用导纳控制对竖向抬升速度进行补偿。
参照图3，本申请一实施例中还提供了一种机器人协同搬运的控制装置，包括：
获取模块1，用于获取所述机器人的末端执行器上的实际接触力，所述实际接触力为所述末端执行器受到的六维外力，所述实际接触力包括所述末端执行器在前向方向上的实际前向力，以及所述末端执行器在重力方向上的竖向压力；
第一计算模块2，用于基于所述实际前向力通过预设的第一导纳控制方程计算得到在前向方向上的前向搬运位置，并根据所述竖向压力通过预先构建的GMR曲线计算得到重力方向上的竖向抬升速度，所述GMR曲线表征重力方向压力与期望速度之间的映射关系；
控制模块3，用于控制所述末端执行器按照所述竖向抬升速度运动和所述前向搬运位置进行运动，实现与协作者的协同搬运。
进一步的，所述第一计算模块2，包括：
第一计算单元，用于获取所述末端执行器的当前位置，并将所述实际前向力输入所述第一导纳控制方程，计算得到位置补偿量；
第一叠加单元，用于将所述当前位置和所述位置补偿量进行叠加，得到所述前向搬运位置。
进一步的，所述第一计算单元，包括：
调取子单元，用于调取所述导纳控制方程和期望前向力，所述期望前向力根据所述机器人的搬运物体预先设置；
计算子单元，用于将所述实际前向力和所述期望前向力代入所述第一导纳控制方程，并将所述期望前向力的前向期望牵引力设置为0，计算得到所述位置补偿量，其中，所述第一导纳控制方程为：
Figure 834300DEST_PATH_IMAGE051
，Md为期望阻抗模型的惯性矩阵，Bd为期望阻抗模型的阻尼矩阵，Kd为期望阻抗模型的刚度矩阵，F为所述实际前向力，
Figure 864573DEST_PATH_IMAGE052
为所述位置补偿量，Fd为所述期望前向力，所述前向期望牵引力为所述期望前向力在所述机器人前向的一维力。
进一步的，所述计算模块2，还包括：
调取单元，用于调取所述GMR曲线，所述GMR曲线表征重力方向压力与期望速度之间的映射关系；
匹配单元，用于从所述GMR曲线中匹配得到与所述竖向压力对应的期望速度，并基于所述竖向压力和期望压力判断是否出现力误差，所述期望压力表征所述机器人在协同搬运过程中，与所述竖向压力的时刻对应的预期状态的压力，所述力误差表征所述所述机器人在协助搬运过程中，所述竖向压力和所述期望压力之间的偏差状态；
第二计算单元，用于若出现力误差，则将所述竖向压力输入第二导纳控制方程，计算得到速度补偿量，所述第二导纳控制方程为：
Figure 773754DEST_PATH_IMAGE053
，Md为期望阻抗模型的惯性矩阵，Bd为期望阻抗模型的阻尼矩阵，Kd为期望阻抗模型的刚度矩阵，f为所述竖向压力，
Figure 547675DEST_PATH_IMAGE054
为所述速度补偿量，fd为所述期望压力；
第二叠加单元，用于将所述期望速度和所述速度补偿量进行叠加，得到所述竖向抬升速度。
进一步的，所述调取单元，包括：
获取子单元，用于获取所述末端执行器的搬运任务参数；
匹配子单元，用于根据所述搬运任务参数匹配得到所述GMR曲线。
进一步的，所述控制装置，包括：
采集模块4，用于采集多个一一对应的重力方向接触力和抬升速度作为训练样本；
构建模块5，用于使用所述训练样本建立高斯混合模型，得出模型参数；
第二计算模块6，用于使用所述模型参数进行高斯混合回归，计算得到条件概率的期望值和协方差；
生成模块7，用于将所述期望值作为泛化的重构数据点，在所述协方差约束下生成所述GMR曲线。
进一步的，所述匹配单元，包括：
匹配子单元，用于根据相邻上一时刻获取的历史竖向压力匹配对应的期望压力变化曲线；
判断子单元，用于从所述期望压力变化曲线调取当前时刻的期望压力，并判断所述竖向压力与所述期望压力之间的差值是否大于阈值；
判定子单元，用于若所述竖向压力与所述期望压力之间的差值大于阈值，则判定当前时刻出现力误差。
本实施例中，机器人协同搬运的控制装置中各模块、单元、子单元用于对应执行与上述机器人协同搬运的控制方法中的各个步骤，其具体实施过程在此不做详述。
本实施例提供的一种机器人协同搬运的控制装置，机器人的控制系统实时获取机器人的末端执行器上的实际接触力，其中，实际接触力为末端执行器受到的六维外力，实际接触力包括末端执行器在前向方向上的实际前向力，以及末端执行器在重力方向上的竖向压力。控制系统基于实际前向力通过预设的第一导纳控制方程计算得到在前向方向上的前向搬运位置，并根据竖向压力通过预先构建的GMR曲线计算得到重力方向上的竖向抬升速度，GMR曲线表征重力方向压力与期望速度之间的映射关系。控制系统控制末端执行器按照竖向抬升速度运动和前向搬运位置进行运动，实现与协作者的协同搬运。本申请中，机器人在与协作者协同搬运物体时，控制系统通过前向导纳控制得到下一时刻的前向搬运位置，以及在协同过程中主动意图预测、实时调整竖向抬升竖向抬升速度，并通过竖向导纳控制补充速度预测误差，从而避免被动响应带来的搬运物体姿态变化（比如搬运物体姿态倾斜），避免搬运物体倾倒、掉落，提高协同搬运的精准度以及安全性能。
参照图4，本申请实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储阈值等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种机器人协同搬运的控制方法。
上述处理器执行上述机器人协同搬运的控制方法的步骤：
S1:获取所述机器人的末端执行器上的实际接触力，所述实际接触力为所述末端执行器受到的六维外力，所述实际接触力包括所述末端执行器在前向方向上的实际前向力，以及所述末端执行器在重力方向上的竖向压力；
S2:基于所述实际前向力通过预设的第一导纳控制方程计算得到在前向方向上的前向搬运位置，并根据所述竖向压力通过预先构建的GMR曲线计算得到重力方向上的竖向抬升速度，所述GMR曲线表征重力方向压力与期望速度之间的映射关系；
S3:控制所述末端执行器按照所述竖向抬升速度运动和所述前向搬运位置进行运动，实现与协作者的协同搬运。
参照图2，进一步的，所述基于所述实际前向力通过预设的第一导纳控制方程计算得到在前向方向上的前向搬运位置的步骤，包括：
S201:获取所述末端执行器的当前位置，并将所述实际前向力输入所述第一导纳控制方程，计算得到位置补偿量；
S202:将所述当前位置和所述位置补偿量进行叠加，得到所述前向搬运位置。
优选的，所述将所述实际前向力输入所述第一导纳控制方程，计算得到位置补偿量的步骤，包括：
S2011:调取所述第一导纳控制方程和期望前向力，所述期望前向力根据所述机器人的搬运物体预先设置；
S2012:将所述实际前向力和所述期望前向力代入所述导纳控制方程，并将所述期望前向力的前向期望牵引力设置为0，计算得到所述位置补偿量，其中，所述第一导纳控制方程为：
Figure 22650DEST_PATH_IMAGE055
，Md为期望阻抗模型的惯性矩阵，Bd为期望阻抗模型的阻尼矩阵，Kd为期望阻抗模型的刚度矩阵，F为所述实际前向力，
Figure 223824DEST_PATH_IMAGE002
为所述位置补偿量，Fd为所述期望前向力，所述前向期望牵引力为所述期望前向力在所述机器人前向的一维力。
进一步的，所述根据所述竖向压力通过预先构建的GMR曲线计算得到重力方向上的竖向抬升速度的步骤，包括：
S203:调取所述GMR曲线；
S204:从所述GMR曲线中匹配得到与所述竖向压力对应的期望速度，并基于所述竖向压力和期望压力判断是否出现力误差，所述期望压力表征所述机器人在协同搬运过程中，与所述竖向压力的时刻对应的预期状态的压力，所述力误差表征所述所述机器人在协助搬运过程中，所述竖向压力和所述期望压力之间的偏差状态；
S205:若出现力误差，则将所述竖向压力输入第二导纳控制方程，计算得到速度补偿量，所述第二导纳控制方程为：
Figure 620302DEST_PATH_IMAGE005
，Md为期望阻抗模型的惯性矩阵，Bd为期望阻抗模型的阻尼矩阵，Kd为期望阻抗模型的刚度矩阵，f为所述竖向压力，
Figure 932334DEST_PATH_IMAGE006
为所述速度补偿量，fd为所述期望压力；
S206:将所述期望速度和所述速度补偿量进行叠加，得到所述竖向抬升速度。
进一步的，所述所述调取GMR曲线的步骤，包括：
S2031:获取所述末端执行器的搬运任务参数；
S2032:根据所述搬运任务参数匹配得到所述GMR曲线。
进一步的，所述调取所述GMR曲线的步骤之前，包括：
S4:采集多个一一对应的重力方向接触力和抬升速度作为训练样本；
S5:使用所述训练样本建立高斯混合模型，得出模型参数；
S6:使用所述模型参数进行高斯混合回归，计算得到条件概率的期望值和协方差；
S7:将所述期望值作为泛化的重构数据点，在所述协方差约束下生成所述GMR曲线。
进一步的，所述基于所述竖向压力判断是否出现力误差的步骤，包括：
S2041:根据相邻上一时刻获取的历史竖向压力匹配对应的期望压力变化曲线；
S2042:从所述期望压力变化曲线调取当前时刻的期望压力，并判断所述竖向压力与所述期望压力之间的差值是否大于阈值；
S2043:若所述竖向压力与所述期望压力之间的差值大于阈值，则判定当前时刻出现力误差。
本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现一种机器人协同搬运的控制方法，所述机器人协同搬运的控制方法具体为：
S1:获取所述机器人的末端执行器上的实际接触力，所述实际接触力为所述末端执行器受到的六维外力，所述实际接触力包括所述末端执行器在前向方向上的实际前向力，以及所述末端执行器在重力方向上的竖向压力；
S2:基于所述实际前向力通过预设的第一导纳控制方程计算得到在前向方向上的前向搬运位置，并根据所述竖向压力通过预先构建的GMR曲线计算得到重力方向上的竖向抬升速度，所述GMR曲线表征重力方向压力与期望速度之间的映射关系；
S3:控制所述末端执行器按照所述竖向抬升速度运动和所述前向搬运位置进行运动，实现与协作者的协同搬运。
参照图2，进一步的，所述基于所述实际前向力通过预设的第一导纳控制方程计算得到在前向方向上的前向搬运位置的步骤，包括：
S201:获取所述末端执行器的当前位置，并将所述实际前向力输入所述第一导纳控制方程，计算得到位置补偿量；
S202:将所述当前位置和所述位置补偿量进行叠加，得到所述前向搬运位置。
优选的，所述将所述实际前向力输入所述第一导纳控制方程，计算得到位置补偿量的步骤，包括：
S2011:调取所述第一导纳控制方程和期望前向力，所述期望前向力根据所述机器人的搬运物体预先设置；
S2012:将所述实际前向力和所述期望前向力代入所述导纳控制方程，并将所述期望前向力的前向期望牵引力设置为0，计算得到所述位置补偿量，其中，所述第一导纳控制方程为：
Figure 462148DEST_PATH_IMAGE055
，Md为期望阻抗模型的惯性矩阵，Bd为期望阻抗模型的阻尼矩阵，Kd为期望阻抗模型的刚度矩阵，F为所述实际前向力，
Figure 834224DEST_PATH_IMAGE002
为所述位置补偿量，Fd为所述期望前向力，所述前向期望牵引力为所述期望前向力在所述机器人前向的一维力。
进一步的，所述根据所述竖向压力通过预先构建的GMR曲线计算得到重力方向上的竖向抬升速度的步骤，包括：
S203:调取所述GMR曲线；
S204:从所述GMR曲线中匹配得到与所述竖向压力对应的期望速度，并基于所述竖向压力和期望压力判断是否出现力误差，所述期望压力表征所述机器人在协同搬运过程中，与所述竖向压力的时刻对应的预期状态的压力，所述力误差表征所述所述机器人在协助搬运过程中，所述竖向压力和所述期望压力之间的偏差状态；
S205:若出现力误差，则将所述竖向压力输入第二导纳控制方程，计算得到速度补偿量，所述第二导纳控制方程为：
Figure 514735DEST_PATH_IMAGE005
，Md为期望阻抗模型的惯性矩阵，Bd为期望阻抗模型的阻尼矩阵，Kd为期望阻抗模型的刚度矩阵，f为所述竖向压力，
Figure 381191DEST_PATH_IMAGE006
为所述速度补偿量，fd为所述期望压力；
S206:将所述期望速度和所述速度补偿量进行叠加，得到所述竖向抬升速度。
进一步的，所述所述调取GMR曲线的步骤，包括：
S2031:获取所述末端执行器的搬运任务参数；
S2032:根据所述搬运任务参数匹配得到所述GMR曲线。
进一步的，所述调取所述GMR曲线的步骤之前，包括：
S4:采集多个一一对应的重力方向接触力和抬升速度作为训练样本；
S5:使用所述训练样本建立高斯混合模型，得出模型参数；
S6:使用所述模型参数进行高斯混合回归，计算得到条件概率的期望值和协方差；
S7:将所述期望值作为泛化的重构数据点，在所述协方差约束下生成所述GMR曲线。
进一步的，所述基于所述竖向压力判断是否出现力误差的步骤，包括：
S2041:根据相邻上一时刻获取的历史竖向压力匹配对应的期望压力变化曲线；
S2042:从所述期望压力变化曲线调取当前时刻的期望压力，并判断所述竖向压力与所述期望压力之间的差值是否大于阈值；
S2043:若所述竖向压力与所述期望压力之间的差值大于阈值，则判定当前时刻出现力误差。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储与一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM通过多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双速据率SDRAM（SSRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink）DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、第一物体或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、第一物体或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、第一物体或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种机器人协同搬运的控制方法，其特征在于，包括：
获取所述机器人的末端执行器上的实际接触力，所述实际接触力为所述末端执行器受到的六维外力，所述实际接触力包括所述末端执行器在前向方向上的实际前向力，以及所述末端执行器在重力方向上的竖向压力；
基于所述实际前向力通过预设的第一导纳控制方程计算得到在前向方向上的前向搬运位置，并根据所述竖向压力通过预先构建的GMR曲线计算得到重力方向上的竖向抬升速度，所述GMR曲线表征重力方向压力与期望速度之间的映射关系；
控制所述末端执行器按照所述竖向抬升速度运动和所述前向搬运位置进行运动，实现与协作者的协同搬运。
2.根据权利要求1所述的机器人协同搬运的控制方法，其特征在于，所述基于所述实际前向力通过预设的第一导纳控制方程计算得到在前向方向上的前向搬运位置的步骤，包括：
获取所述末端执行器的当前位置，并将所述实际前向力输入所述第一导纳控制方程，计算得到位置补偿量；
将所述当前位置和所述位置补偿量进行叠加，得到所述前向搬运位置。
3.根据权利要求2所述的机器人协同搬运的控制方法，其特征在于，所述将所述实际前向力输入所述第一导纳控制方程，计算得到位置补偿量的步骤，包括：
调取所述第一导纳控制方程和期望前向力，所述期望前向力根据所述机器人的搬运物体预先设置；
将所述实际前向力和所述期望前向力代入所述第一导纳控制方程，并将所述期望前向力的前向期望牵引力设置为0，计算得到所述位置补偿量，其中，所述第一导纳控制方程为：
Figure 700054DEST_PATH_IMAGE001
，Md为期望阻抗模型的惯性矩阵，Bd为期望阻抗模型的阻尼矩阵，Kd为期望阻抗模型的刚度矩阵，F为所述实际前向力，
Figure 679512DEST_PATH_IMAGE002
为所述位置补偿量，Fd为所述期望前向力，所述前向期望牵引力为所述期望前向力在所述机器人前向的一维力。
4.根据权利要求1所述的机器人协同搬运的控制方法，其特征在于，所述根据所述竖向压力通过预先构建的GMR曲线计算得到重力方向上的竖向抬升速度的步骤，包括：
调取所述GMR曲线；
从所述GMR曲线中匹配得到与所述竖向压力对应的期望速度，并基于所述竖向压力和期望压力判断是否出现力误差，所述期望压力表征所述机器人在协同搬运过程中，与所述竖向压力的时刻对应的预期状态的压力，所述力误差表征所述所述机器人在协助搬运过程中，所述竖向压力和所述期望压力之间的偏差状态；
若出现力误差，则将所述竖向压力输入第二导纳控制方程，计算得到速度补偿量，所述第二导纳控制方程为：
Figure 23031DEST_PATH_IMAGE003
，Md为期望阻抗模型的惯性矩阵，Bd为期望阻抗模型的阻尼矩阵，Kd为期望阻抗模型的刚度矩阵，f为所述竖向压力，
Figure 277294DEST_PATH_IMAGE004
为所述速度补偿量，fd为所述期望压力；
将所述期望速度和所述速度补偿量进行叠加，得到所述竖向抬升速度。
5.根据权利要求4所述的机器人协同搬运的控制方法，其特征在于，所述调取所述GMR曲线的步骤，包括：
获取所述末端执行器的搬运任务参数；
根据所述搬运任务参数匹配得到所述GMR曲线。
6.根据权利要求4所述的机器人协同搬运的控制方法，其特征在于，所述调取所述GMR曲线的步骤之前，包括：
采集多个一一对应的重力方向接触力和抬升速度作为训练样本；
使用所述训练样本建立高斯混合模型，得出模型参数；
使用所述模型参数进行高斯混合回归，计算得到条件概率的期望值和协方差；
将所述期望值作为泛化的重构数据点，在所述协方差约束下生成所述GMR曲线。
7.根据权利要求4所述的机器人协同搬运的控制方法，其特征在于，所述基于所述竖向压力判断是否出现力误差的步骤，包括：
根据相邻上一时刻获取的历史竖向压力匹配对应的期望压力变化曲线；
从所述期望压力变化曲线调取当前时刻的期望压力，并判断所述竖向压力与所述期望压力之间的差值是否大于阈值；
若所述竖向压力与所述期望压力之间的差值大于阈值，则判定当前时刻出现力误差。
8.一种机器人协同搬运的控制装置，其特征在于，包括：
获取模块，用于获取所述机器人的末端执行器上的实际接触力，所述实际接触力为所述末端执行器受到的六维外力，所述实际接触力包括所述末端执行器在前向方向上的实际前向力，以及所述末端执行器在重力方向上的竖向压力；
第一计算模块，用于基于所述实际前向力通过预设的第一导纳控制方程计算得到在前向方向上的前向搬运位置，并根据所述竖向压力通过预先构建的GMR曲线计算得到重力方向上的竖向抬升速度，所述GMR曲线表征重力方向压力与期望速度之间的映射关系；
控制模块，用于控制所述末端执行器按照所述竖向抬升速度运动和所述前向搬运位置进行运动，实现与协作者的协同搬运。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202111054669.5A 2021-09-09 2021-09-09 机器人协同搬运的控制方法、装置和计算机设备 Active CN113510713B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111054669.5A CN113510713B (zh) 2021-09-09 2021-09-09 机器人协同搬运的控制方法、装置和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111054669.5A CN113510713B (zh) 2021-09-09 2021-09-09 机器人协同搬运的控制方法、装置和计算机设备

Publications (2)

Publication Number Publication Date
CN113510713A true CN113510713A (zh) 2021-10-19
CN113510713B CN113510713B (zh) 2021-12-31

Family

ID=78063022

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111054669.5A Active CN113510713B (zh) 2021-09-09 2021-09-09 机器人协同搬运的控制方法、装置和计算机设备

Country Status (1)

Country Link
CN (1) CN113510713B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115494850A (zh) * 2022-10-31 2022-12-20 武汉达胜泓鑫拆除工程有限公司 一种工业机器人的控制方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS61114317A (ja) * 1984-11-08 1986-06-02 Matsushita Electric Ind Co Ltd 産業用ロボツトの教示方法
JPH04300173A (ja) * 1991-03-28 1992-10-23 Nachi Fujikoshi Corp マスタスレーブマニピュレータ
CN104626152A (zh) * 2013-11-14 2015-05-20 沈阳新松机器人自动化股份有限公司 工业机器人主动柔顺控制方法及装置
CN106695797A (zh) * 2017-02-22 2017-05-24 哈尔滨工业大学深圳研究生院 基于双臂机器人协同操作的柔顺控制方法及系统
CN108436913A (zh) * 2018-04-19 2018-08-24 南京航空航天大学 一种力协调的多臂机器人柔顺控制方法
CN111230867A (zh) * 2020-01-16 2020-06-05 腾讯科技（深圳）有限公司 机器人运动控制方法、运动控制设备及机器人
WO2020157185A1 (de) * 2019-01-30 2020-08-06 Franka Emika Gmbh Koordination zweier kooperativer robotermanipulatoren
CN111890348A (zh) * 2019-05-06 2020-11-06 广州中国科学院先进技术研究所 一种双机器人协同搬运的控制方法及装置
US20210017002A1 (en) * 2019-07-19 2021-01-21 GM Global Technology Operations LLC Overhead system for operator-robot task collaboration
CN112936278A (zh) * 2021-02-07 2021-06-11 深圳市优必选科技股份有限公司 机器人的人机协作控制方法、装置和机器人
CN113199481A (zh) * 2021-05-14 2021-08-03 广东拓斯达科技股份有限公司 机器人运动控制方法、装置、电子设备及介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS61114317A (ja) * 1984-11-08 1986-06-02 Matsushita Electric Ind Co Ltd 産業用ロボツトの教示方法
JPH04300173A (ja) * 1991-03-28 1992-10-23 Nachi Fujikoshi Corp マスタスレーブマニピュレータ
CN104626152A (zh) * 2013-11-14 2015-05-20 沈阳新松机器人自动化股份有限公司 工业机器人主动柔顺控制方法及装置
CN106695797A (zh) * 2017-02-22 2017-05-24 哈尔滨工业大学深圳研究生院 基于双臂机器人协同操作的柔顺控制方法及系统
CN108436913A (zh) * 2018-04-19 2018-08-24 南京航空航天大学 一种力协调的多臂机器人柔顺控制方法
WO2020157185A1 (de) * 2019-01-30 2020-08-06 Franka Emika Gmbh Koordination zweier kooperativer robotermanipulatoren
CN111890348A (zh) * 2019-05-06 2020-11-06 广州中国科学院先进技术研究所 一种双机器人协同搬运的控制方法及装置
US20210017002A1 (en) * 2019-07-19 2021-01-21 GM Global Technology Operations LLC Overhead system for operator-robot task collaboration
CN111230867A (zh) * 2020-01-16 2020-06-05 腾讯科技（深圳）有限公司 机器人运动控制方法、运动控制设备及机器人
CN112936278A (zh) * 2021-02-07 2021-06-11 深圳市优必选科技股份有限公司 机器人的人机协作控制方法、装置和机器人
CN113199481A (zh) * 2021-05-14 2021-08-03 广东拓斯达科技股份有限公司 机器人运动控制方法、装置、电子设备及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115494850A (zh) * 2022-10-31 2022-12-20 武汉达胜泓鑫拆除工程有限公司 一种工业机器人的控制方法
CN115494850B (zh) * 2022-10-31 2023-08-18 广州亿达科技有限公司 一种工业机器人的控制方法

Also Published As

Publication number Publication date
CN113510713B (zh) 2021-12-31

Similar Documents

Publication Publication Date Title
CN111590581B (zh) 机器人的定位补偿方法及装置
Elsisi et al. Effective nonlinear model predictive control scheme tuned by improved NN for robotic manipulators
WO2022088593A1 (zh) 机械臂的控制方法、装置及人机协同模型的训练方法
CN110809505B (zh) 用于执行机器人手臂的移动控制的方法和装置
CN112051741A (zh) 一种双足机器人动态运动生成与控制方法
CN112140101A (zh) 轨迹规划方法、装置及系统
CN113510713B (zh) 机器人协同搬运的控制方法、装置和计算机设备
CN111673733B (zh) 未知环境下机器人的智能自适应柔顺控制方法
Melingui et al. Adaptive algorithms for performance improvement of a class of continuum manipulators
CN110737195A (zh) 基于速度控制的双足机器人行走落脚点规划方法及装置
Köker Design and performance of an intelligent predictive controller for a six-degree-of-freedom robot using the Elman network
Hu et al. Nmpc-mp: Real-time nonlinear model predictive control for safe motion planning in manipulator teleoperation
Akhmetzyanov et al. Deep Learning with Transfer Learning Method for Error Compensation of Cable-driven Robot.
CN113485120B (zh) 一种基于操控行为检测的机器人遥操作轨迹规划方法
CN113524205B (zh) 仿人机器人的冗余手臂的抛投轨迹规划方法、装置及介质
De la Sen et al. Basic theoretical results for expert systems. Application to the supervision of adaptation transients in planar robots
Savin Neural network-based reaction estimator for walking robots
CN113276114A (zh) 一种基于终端任务指派的可重构机械臂协同力/运动控制系统与方法
Siebel et al. Learning neural networks for visual servoing using evolutionary methods
Jawad et al. Design of adaptive controller for robot arm manipulator based on ANN with optimized PID by IWO algorithm
Fertsch Artificial neural pseudo-network for production control purposes
CN113515044A (zh) 一种轮式移动机器人的基于学习预测跟踪控制方法及装置
Kaur et al. Learning robotic skills through reinforcement learning
Voevoda et al. Algorithm for the Synthesis of a Neural Network Controller for a Multi-Channel System
Tao et al. A Multiobjective Collaborative Deep Reinforcement Learning Algorithm for Jumping Optimization of Bipedal Robot

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