CN113733105A - 一种基于人的意图识别的协作机械臂模糊变导纳控制系统及方法 - Google Patents
一种基于人的意图识别的协作机械臂模糊变导纳控制系统及方法 Download PDFInfo
- Publication number
- CN113733105A CN113733105A CN202111207273.XA CN202111207273A CN113733105A CN 113733105 A CN113733105 A CN 113733105A CN 202111207273 A CN202111207273 A CN 202111207273A CN 113733105 A CN113733105 A CN 113733105A
- Authority
- CN
- China
- Prior art keywords
- mechanical arm
- human
- damping coefficient
- speed
- force
- 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
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Feedback Control In General (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种基于人的意图识别的协作机械臂模糊变导纳控制系统及方法,本发明控制方法包括以下步骤:S1、采集协作机械臂末端运动信息及人机交互力信息,将合作者对协作机械臂的拖拽牵引意图依据人机交互力与机械臂速度信息分为五种情况。S2、将人机交互力信息及机械臂速度信息作为输入,导纳控制中的阻尼系数作为输出,依据人的意图与阻尼系数特性建立模糊规则,实现阻尼系数的自整定,并按比例实时改变惯性系数。S3、采用递推最小二乘法在线识别人手臂刚度,利用二阶系统临界阻尼条件实时改变阻尼系数的取值范围。本系统及方法将人的意图识别与刚度识别构建于基于速度的导纳控制框架中,使导纳参数可以随外界环境信息实时改变,能够提升物理人机交互系统的安全性、柔顺性和智能性,实现协作机械臂的柔顺控制。
Description
技术领域
本发明涉及机器人控制领域,更具体的,涉及一种基于人的意图识别的协作机械臂模糊变导纳控制系统及方法。
背景技术
协作机械臂能够将人类独特的灵巧性与机器人的高精度重复性相结合,相较于传统机器人具有占地小、部署灵活、编程简单等优势,被广泛应用于军事、航天、工业、康复医疗、助老助残、娱乐等领域。物理人机交互是协作机器人与人的最自然且最直接的交互方式,对于该类交互任务,除保证机器人高精度闭环运动控制外,设计有效的力控制策略则更为重要,根据接触力信息实现机器人自然、平滑、柔顺的运动,以保证人机协作系统的安全与高效的运行。
传统的力控制方法为阻抗控制,但由于操作员为时变环境,经典的阻抗控制无法实时改变阻抗参数,在适应时变环境时存在缺陷,环境参数变化后,会导致控制性能变差,不具有自适应能力,在人机交互中会对操作员及机械臂造成伤害,无法完成人机交互任务。因此,急需一种新型的协作机械臂控制方法,该方法能解决以下两个问题,1、机器人如何感知人的意图、感知环境的变化。2、机器人如何依据识别到的环境信息实时改变阻抗参数,以实现柔顺、平滑的的人机协作。
针对传统的控制方法无法实现柔顺的人机交互的问题,本发明提出了一种面向物理人机交互的协作机械臂柔顺控制系统及方法,本方法将人的意图识别与刚度识别构建于导纳控制框架中,使导纳参数能够随外界环境信息实时改变,能够提升物理人机交互系统的安全性、柔顺性和智能性,实现协作机械臂的柔顺控制。
本发明提供了一种基于人的意图识别的协作机械臂模糊变导纳控制系统方法,所述的基于人的意图识别的协作机械臂模糊变导纳控制系统包括:意图识别系统,变导纳控制系统,位置控制系统,人手臂刚度识别系统。
所述的意图识别系统包括:人机交互力感知系统及协作机械臂速度感知系统。
所述的变导纳控制系统包括:导纳控制系统及模糊推理系统。
所述的位置控制系统包括:位置控制器及协作机械臂本体。
所述的人手臂刚度识别系统包括:机械臂位置感知系统、人机交互力感知系统及识别算法系统。
所述的人机交互力感知系统为一个六维力传感器,能够实时检测操作者施加在协作机械臂上的交互力,并将此交互力作为识别人意图的输入变化量之一。
所述的协作机械臂速度感知系统为一个关节编码器,用于采集协作机械臂关节末端位置信息,经过微分得到机械臂运行速度信息,并将此速度信息作为识别人意图的输入变化量之一。
所述的导纳控制系统为基于速度的导纳控制器,以人机交互力作为输入,以机械臂的速度修正量作为输出,能够建立人机交互力与机械臂速度之间的动态关系。
所述的模糊推理系统以采集到的机械臂速度信息及人机交互力信息作为输入,以导纳控制模型中的阻尼系数作为输出,依据人的意图与阻尼系数特性的关系建立模糊规则,实现导纳系数的自整定。
所述的位置控制系统为PID控制器,输入为机械臂实际位置与期望位置的误差,输出为力矩,通过调整P、I、D三个参数,使系统达到最佳效果。
所述的协作机械臂本体为UR3e协作机械臂,具有占地小、部署灵活、编程简单等优点,能够完成物理人机交互任务。
所述的机械臂位置感知系统为一个关节编码器,用于采集协作机械臂关节末端位置信息,并将该信息作为人手臂刚度识别的输入。
所述的识别算法系统为递推最小二乘法,依据采集到的协作机械臂位置信息及人机交互力信息,能够通过不断迭代更新识别出人手臂刚度,通过设定合适的遗忘因子能优化识别的效率及精确度。
本发明提供了一种基于人的意图识别的协作机械臂模糊变导纳控制方法,包括如下步骤:
S1、采集协作机械臂末端运动信息及人机交互力信息,将合作者对协作机械臂的拖拽牵引意图依据人机交互力与机械臂速度信息分为五种情况。
S2、将人机交互力信息及机械臂速度信息作为输入,导纳控制中的阻尼系数作为输出,依据人的意图与阻尼系数特性建立模糊规则,实现阻尼系数的自整定,并按比例实时改变惯性系数。
S3、采用递推最小二乘法在线识别人手臂刚度,利用二阶系统临界阻尼条件实时改变阻尼系数的取值范围。
进一步的,步骤S1具体过程为:
采用导纳控制通过机器人检测到操作者拖拽机械臂的人机交互力,建立力与机器人运动控制之间的关系,通过运动控制器控制机器人做跟随运动。在协作机械臂末端执行器上安装力传感器,通过编码器采集协作机械臂末端位置信息,经过微分得到机械臂运行速度信息,通过力传感器采集协作机械臂末端人机交互力信息。
在导纳模型的参数中,阻尼系数B对人机协作的影响最大,低阻尼系数可以提高机器人跟随操作者相互作用力的能力,使操作者可以通过较小的力实现机器人的柔顺运动,但是较低的阻尼系数限制了机器人的定位精度,导致机器人难以稳定。相反的,较高的阻尼系数能够提高系统的稳定性,但却导致机器人过于粘性,需要操作者施加更大的力,增大操作者的负担。因此,依据人机交互力F以及机械臂速度V的大小以及方向信息将人的意图分为以下五种情况,依据阻尼系数特性与人的意图之间的关系实时改变阻尼系数,实现阻尼系数的自整定,实现系统稳定性与快速响应性的平衡。
所述的五种情况具体为:
静止阶段:机械臂速度V为0,且所受的力F为0时,此时判定机械臂处于静止状态,应配备很大的阻尼系数以保障静止机械臂的抗干扰能力。
加速启动阶段:机械臂速度V为小或中,且机械臂速度V与人施加的力F方向相同,此时判定人的意图为加速启动意图,为增大机械臂的跟随性能,此时应配置较小的阻尼系数,且力越大,加速意图越强烈,阻尼系数越小。
高速平稳运行阶段:机械臂速度V为大,且机械臂速度V与人施加的力F方向相同,此时判定机械臂处于高速平稳运行阶段,为使机械臂能以最大稳态速度运行,此时应配置较小的阻尼系数。
减速静止阶段:机械臂速度V与人施加的力F方向相反,此时判定机械臂为减速静止阶段,为增大机械臂的稳定性能,此时应配置较大的阻尼系数,且力越大,减速意图越明显,阻尼系数越大。
转换方向阶段:将改变方向过程分为两个阶段,机械臂速度V与人施加的力F方向先相反后相同,可以判定人的意图为先减速后加速,应先增大机械臂稳定性能,再增大机械臂的跟随性能,则阻尼系数应先增大后减小。
进一步的,步骤S2具体为:
将人机交互力信息及机械臂速度信息作为模糊规则的输入,导纳控制中的阻尼系数作为模糊规则的输出,具体定义如下:
输入变量:定义机械臂速度V及人机交互力F的模糊集为{NB,NM,NS,ZO,PS,PM,PB}。其中,NB,NM,NS,ZO,PS,PM,PB分别代表负大,负中,负小,零,正小,正中,正大。
输出变量:由于阻尼系数B仅有正值,定义阻尼系数B的模糊集为{VS,S,SR,M,BR,B,VB},其中,VS,S,SR,M,BR,B,VB分别代表非常小,小,较小,中,较大,大,非常大。
依据上述分析,可制定阻尼系数B的模糊控制规则,如下表所示:
由于在人机协作中不需要机械臂具有回弹力,因此将刚度参数项Kd去除以消除机械臂的回弹力。阻尼系数Bd影响系统的稳定状态值,惯性系数与阻尼系数之比Md/Bd影响系统的动态性能,因此,为了维持Md/Bd不变,可令惯性系数Md如下表示:
Md=kBd,k=m0/b0
其中,m0与b0分别为惯性系数与阻尼系数的初始值。
进一步的,步骤S3具体过程为:
在人拖拽牵引机械臂的过程中,设协作机械臂端为质量、阻尼模型,人手臂端为弹簧刚度模型,机械臂末端安装力传感器实时感知人的拖拽力,采用带遗忘因子的递推最小二乘法在线识别人手臂刚度,将人机交互力F(t)作为输出,机械臂位移X(t)作为输入,人手臂刚度Kh为待识别参数,依据实时辨识的刚度通过二阶系统临界阻尼条件得到阻尼系数的取值范围。
所述的人手臂刚度Kh表达式如下式所示:
式中,Δf和Δx为机械臂末端的作用力变化量与位置变化量。F(t)为当前周期测得的机械臂末端作用力,F(t-ts)为上一周期测得的机械臂末端作用力,X(t)为当前周期测得的机械臂末端位置,X(t-ts)为上一周期测得的机械臂末端位置,ts为采样时间。
在线参数识别带遗忘因子的递推采用最小二乘法,将F(t)作为输出,X(t)作为输入,Kh为待识别参数。
阻抗控制二阶系统阻尼比如下式所示:
当ζ为1时为临界阻尼,系统响应刚好不产生震荡,为了在保证交互系统的稳定性和安全性,使系统不出现超调现象的同时保证系统的快速达到稳态,阻尼比ζ应不小于1,此时根据计算得到Bd的取值范围如下式所示:
依据设定的惯性系数Md及实时辨识的人手臂刚度Kh即可得到实时变化的Bd的取值范围。
与现有技术相比,本发明的有益效果是:
本发明将人的意图识别与刚度识别构建于导纳控制框架中,使阻尼系数能够依据识别到的外界环境信息实时改变,克服了传统阻抗控制在物理人机交互中的缺陷,能够提升物理人机交互系统的安全性、柔顺性和智能性,实现协作机械臂的柔顺控制。
附图说明
图1为本发明控制系统结构框图。
图2为本发明人的意图识别流程图。
图3为本发明模糊推理规则分布曲面。
图4为本发明人手臂刚度参数辨识模型框图。
具体实施方式
下面结合附图对本发明做进一步的详细说明。
图1为本发明控制系统结构框图,合作者通过拖拽牵引协作机械臂,完成物理人机交互任务。由编码器采集协作机械臂末端位置信息,经过微分得到机械臂运行速度信息,力传感器实时感知人机交互力F,协作机械臂速度V与F作为模糊化的输入,模糊规则由人在物理人机交互任务中产生的人的意图与阻尼系数特性所指定,将阻尼系数与人机交互力实时传输给基于速度的导纳控制模型,得到速度增量,协作机械臂速度V与速度增量相加得到机械臂的期望速度Vd,通过速度控制器实时控制协作机械臂的末端运行速度,实现协作机械臂的柔顺控制。
图2为本发明人的意图识别流程图,本发明依据人机交互力与机械臂速度信息将合作者对协作机械臂的拖拽意图分为以下五种情况,依据阻尼系数特性与人的意图之间的关系实时改变阻尼系数,实现阻尼系数的自整定,实现系统稳定性与快速响应性的平衡。所述的五种情况具体为:
静止阶段:机械臂速度V为0,且所受的力F为0时,此时判定机械臂处于静止状态,应配备很大的阻尼系数以保障静止机械臂的抗干扰能力。
加速启动阶段:机械臂速度V为小或中,且机械臂速度V与人施加的力F方向相同,此时判定人的意图为加速启动意图,为增大机械臂的跟随性能,此时应配置较小的阻尼系数,且力越大,加速意图越强烈,阻尼系数越小。
高速平稳运行阶段:机械臂速度V为大,且机械臂速度V与人施加的力F方向相同,此时判定机械臂处于高速平稳运行阶段,为使机械臂能以最大稳态速度运行,此时应配置较小的阻尼系数。
减速静止阶段:机械臂速度V与人施加的力F方向相反,此时判定机械臂为减速静止阶段,为增大机械臂的稳定性能,此时应配置较大的阻尼系数,且力越大,减速意图越明显,阻尼系数越大。
转换方向阶段:将改变方向过程分为两个阶段,机械臂速度V与人施加的力F方向先相反后相同,可以判定人的意图为先减速后加速,应先增大机械臂稳定性能,再增大机械臂的跟随性能,则阻尼系数应先增大后减小。
进一步的,将人机交互力信息及机械臂速度信息作为模糊规则的输入,导纳控制中的阻尼系数作为模糊规则的输出,依据MATLAB模糊工具箱建立二维模糊控制器,具体实施如下:
定义机械臂速度V及人机交互力F的模糊集为{NB,NM,NS,ZO,PS,PM,PB}。其中,NB,NM,NS,ZO,PS,PM,PB分别代表负大,负中,负小,零,正小,正中,正大。设模糊集合伦域皆为[-6,6]。根据实际的机器人使用中的参数范围可进一步将伦域进行比例扩大。
由于阻尼系数B仅有正值,定义阻尼系数B的模糊集为{VS,S,SR,M,BR,B,VB}。其中,VS,S,SR,M,BR,B,VB分别代表非常小,小,较小,中,较大,大,非常大。设定阻尼系数的模糊集合伦域为[10,70]。
依据上述分析,可制定阻尼系数B的模糊控制规则,如下表所示:
各输入和输出变量分别用七个三角形隶属度函数表示,对于解模糊过程,两输入量的并运算采用min(极小)运算、模糊蕴含采用min运算,模糊规则综合采用max(极大)运算,采用面积重心法对输出进行清晰化处理。建立好模糊控制器后的模糊推理规则分布曲面如图3所示,该曲面是光滑的,较好的表示了输入输出之间的关系。
设定好自适应阻尼系数Bd以后,由于在人机协作中不需要机械臂具有回弹力,因此将刚度参数项Kd去除以消除机械臂的回弹力。阻尼系数Bd影响系统的稳定状态值,惯性系数与阻尼系数之比Md/Bd影响系统的动态性能,因此,为了维持Md/Bd不变,可令惯性系数Md如下表示:
Md=kBd,k=m0/b0
其中,m0与b0分别为惯性系数与阻尼系数的初始值。
进一步的,图4为本发明人手臂刚度参数辨识模型框图,如图4所示,本文所述情境为操作者水平拖拽机械臂末端,将机械臂端设定为质量-阻尼模型,将人手臂端设定为刚度为Kh的弹簧模型,依据采集的运动信息,采用带遗忘因子的递推最小二乘法在线识别人手臂刚度,并通过二阶系统临界阻尼条件确定阻尼系数的取值范围。具体实施如下所示:
所述的人手臂刚度Kh表达式如下式所示:
式中,Δf和Δx为机械臂末端的作用力变化量与位置变化量。F(t)为当前周期测得的机械臂末端作用力,F(t-ts)为上一周期测得的机械臂末端作用力,X(t)为当前周期测得的机械臂末端位置,X(t-ts)为上一周期测得的机械臂末端位置,ts为采样时间。
在线参数识别带遗忘因子的递推采用最小二乘法,将F(t)作为输出,X(t)作为输入,Kh为待识别参数,遗忘因子设定为0.9。
阻抗控制二阶系统阻尼比如下式所示:
当ζ为1时为临界阻尼,系统响应刚好不产生震荡,为了在保证交互系统的稳定性和安全性,使系统不出现超调现象的同时保证系统的快速达到稳态,阻尼比ζ应不小于1,此时根据计算得到Bd的取值范围如下式所示:
依据设定的惯性系数Md及实时辨识的人手臂刚度Kh即可得到实时变化的Bd的取值范围。
进一步的,将基于速度的导纳控制作为底层算法,设定导纳系数的初始值为M=0.01;B=50;K=0,将建立好的模糊控制器作用到基于速度的导纳控制上,使阻尼系数B可以随人的意图变化而变化,实现在物理人机交互中协作机械臂的柔顺控制。
Claims (5)
1.一种基于人的意图识别的协作机械臂模糊变导纳控制系统及方法,其特征在于:所述的基于人的意图识别的协作机械臂模糊变导纳控制系统包括:意图识别系统,变导纳控制系统,位置控制系统,人手臂刚度识别系统。
所述的意图识别系统包括:人机交互力感知系统及协作机械臂速度感知系统。
所述的变导纳控制系统包括:导纳控制系统及模糊推理系统。
所述的位置控制系统包括:位置控制器及协作机械臂本体。
所述的人手臂刚度识别系统包括:机械臂位置感知系统、人机交互力感知系统及识别算法系统。
所述的人机交互力感知系统为一个六维力传感器,能够实时检测操作者施加在协作机械臂上的交互力,并将此交互力作为识别人意图的输入变化量之一。
所述的协作机械臂速度感知系统为一个关节编码器,用于采集协作机械臂关节末端位置信息,经过微分得到机械臂运行速度信息,并将此速度信息作为识别人意图的输入变化量之一。
所述的导纳控制系统为基于速度的导纳控制器,以人机交互力作为输入,以机械臂的速度修正量作为输出,能够建立人机交互力与机械臂速度之间的动态关系。
所述的模糊推理系统以采集到的机械臂速度信息及人机交互力信息作为输入,以导纳控制模型中的阻尼系数作为输出,依据人的意图与阻尼系数特性的关系建立模糊规则,实现导纳系数的自整定。
所述的位置控制系统为PID控制器,输入为机械臂实际位置与期望位置的误差,输出为力矩,通过调整P、I、D三个参数,使系统达到最佳控制效果。
所述的协作机械臂本体为UR 3e协作机械臂,具有占地小、部署灵活、编程简单等优点,能够完成物理人机交互任务。
所述的机械臂位置感知系统为一个关节编码器,用于采集协作机械臂关节末端位置信息,并将该信息作为人手臂刚度识别的输入。
所述的识别算法系统为递推最小二乘法,依据采集到的协作机械臂位置信息及人机交互力信息,能够通过不断迭代更新识别出人手臂刚度,通过设定合适的遗忘因子能优化识别的效率及精确度。
2.一种基于人的意图识别的协作机械臂模糊变导纳控制方法,其特征在于,包括以下步骤:
S1、采集协作机械臂末端运动信息及人机交互力信息,将合作者对协作机械臂的拖拽牵引意图依据人机交互力与机械臂速度信息分为五种情况。
S2、将人机交互力信息及机械臂速度信息作为输入,导纳控制中的阻尼系数作为输出,依据人的意图与阻尼系数特性建立模糊规则,实现阻尼系数的自整定,并按比例实时改变惯性系数。
S3、采用递推最小二乘法在线识别人手臂刚度,利用二阶系统临界阻尼条件实时改变阻尼系数的取值范围。
3.根据权利要求1所述的一种基于人的意图识别的协作机械臂模糊变导纳控制方法,其特征在于,步骤S1具体为:
采用导纳控制通过机器人检测到操作者拖拽机械臂的人机交互力,建立力与机器人运动控制之间的关系,通过运动控制器控制机器人做跟随运动。在协作机械臂末端执行器上安装力传感器,通过编码器采集协作机械臂末端位置信息,经过微分得到机械臂运行速度信息,通过力传感器采集机械臂末端人机交互力信息。
在导纳模型的参数中,阻尼系数B对人机协作的影响最大,低阻尼系数可以提高机器人跟随操作者相互作用力的能力,使操作者可以通过较小的力实现机器人的柔顺运动,但是较低的阻尼系数限制了机器人的定位精度,导致机器人难以稳定。相反的,较高的阻尼系数能够提高系统的稳定性,但却导致机器人过于粘性,需要操作者施加更大的力,增大操作者的负担。因此,依据人机交互力F以及机械臂速度V的大小以及方向信息将人的意图分为以下五种情况,依据阻尼系数特性与人的意图之间的关系实时改变阻尼系数,实现阻尼系数的自整定,实现系统稳定性与快速响应性的平衡。所述的五种情况具体为:
3.1、静止阶段:机械臂速度V为0,且所受的力F为0时,此时判定机械臂处于静止状态,应配备很大的阻尼系数以保障静止机械臂的抗干扰能力。
3.2、加速启动阶段:机械臂速度V为小或中,且机械臂速度V与人施加的力F方向相同,此时判定人的意图为加速启动意图,为增大机械臂的跟随性能,此时应配置较小的阻尼系数,且力越大,加速意图越强烈,阻尼系数越小。
3.3、高速平稳运行阶段:机械臂速度V为大,且机械臂速度V与人施加的力F方向相同,此时判定机械臂处于高速平稳运行阶段,为使机械臂能以最大稳态速度运行,此时应配置较小的阻尼系数。
3.4、减速静止阶段:机械臂速度V与人施加的力F方向相反,此时判定机械臂为减速静止阶段,为增大机械臂的稳定性能,此时应配置较大的阻尼系数,且力越大,减速意图越明显,阻尼系数越大。
3.5、转换方向阶段:将改变方向过程分为两个阶段,机械臂速度V与人施加的力F方向先相反后相同,可以判定人的意图为先减速后加速,应先增大机械臂稳定性能,再增大机械臂的跟随性能,则阻尼系数应先增大后减小。
4.根据权利要求2所述的一种基于人的意图识别的协作机械臂模糊变导纳控制方法,其特征在于,步骤S2具体为:
将人机交互力信息及机械臂速度信息作为模糊规则的输入,导纳控制中的阻尼系数作为模糊规则的输出,具体定义如下:
输入变量:定义机械臂速度V及人机交互力F的模糊集为{NB,NM,NS,ZO,PS,PM,PB}。其中,NB,NM,NS,ZO,PS,PM,PB分别代表负大,负中,负小,零,正小,正中,正大。
输出变量:由于阻尼系数B仅有正值,定义阻尼系数B的模糊集{VS,S,SR,M,BR,B,VB},其中,VS,S,SR,M,BR,B,VB分别代表非常小,小,较小,中,较大,大,非常大。
依据上述分析,可制定阻尼系数B的模糊控制规则,如下表所示:
由于在人机协作中不需要机械臂具有回弹力,因此将刚度参数项Kd去除以消除机械臂的回弹力。阻尼系数Bd影响系统的稳定状态值,惯性系数与阻尼系数之比Md/Bd影响系统的动态性能,因此,为了维持Md/Bd不变,可令惯性系数Md如下表示:
Md=kBd,k=m0/b0
其中,m0与b0分别为惯性系数与阻尼系数的初始值。
5.根据权利要求3所述的一种基于人的意图识别的协作机械臂模糊变导纳控制方法,其特征在于,步骤S3具体为:
在人拖拽牵引机械臂的过程中,设协作机械臂端为质量、阻尼模型,人手臂端为弹簧刚度模型,机械臂末端安装力传感器实时感知人的拖拽力,采用带遗忘因子的递推最小二乘法在线识别人手臂刚度,将人机交互力F(t)作为输出,机械臂位移X(t)作为输入,人手臂刚度Kh为待识别参数,依据实时辨识的刚度通过二阶系统临界阻尼条件得到阻尼系数的取值范围。
所述的阻抗控制二阶系统阻尼比如下式所示:
当ζ为1时为临界阻尼,系统响应刚好不产生震荡,为了在保证交互系统的稳定性和安全性,使系统不出现超调现象的同时保证系统的快速达到稳态,阻尼比ζ应不小于1,此时根据计算得到Bd的取值范围如下式所示:
依据设定的惯性系数Md及实时辨识的人手臂刚度Kh即可得到实时变化的Bd的取值范围。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111207273.XA CN113733105B (zh) | 2021-10-18 | 2021-10-18 | 一种基于人的意图识别的协作机械臂模糊变导纳控制系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111207273.XA CN113733105B (zh) | 2021-10-18 | 2021-10-18 | 一种基于人的意图识别的协作机械臂模糊变导纳控制系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113733105A true CN113733105A (zh) | 2021-12-03 |
CN113733105B CN113733105B (zh) | 2023-05-23 |
Family
ID=78726734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111207273.XA Active CN113733105B (zh) | 2021-10-18 | 2021-10-18 | 一种基于人的意图识别的协作机械臂模糊变导纳控制系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113733105B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114932557A (zh) * | 2022-06-24 | 2022-08-23 | 合肥工业大学 | 一种运动学约束下基于能量消耗的自适应导纳控制方法 |
CN116172841A (zh) * | 2023-04-27 | 2023-05-30 | 北京航空航天大学 | 基于六维力感知的康复机器人控制方法、控制装置及机器人 |
CN116619393A (zh) * | 2023-07-24 | 2023-08-22 | 杭州键嘉医疗科技股份有限公司 | 基于svm的机械臂变导纳控制方法、装置及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130253702A1 (en) * | 2012-03-21 | 2013-09-26 | Universite Laval | Method of inferring intentions of an operator to move a robotic system |
CN106726341A (zh) * | 2016-12-06 | 2017-05-31 | 西安交通大学 | 基于人机阻抗匹配模型的变刚度肘关节康复机器人及其控制方法 |
CN111230873A (zh) * | 2020-01-31 | 2020-06-05 | 武汉大学 | 一种基于示教学习的协作搬运控制系统及方法 |
US20200282558A1 (en) * | 2019-03-07 | 2020-09-10 | LinkDyn Robotics Inc. | System and method for controlling a robot with torque-controllable actuators |
CN112276944A (zh) * | 2020-10-19 | 2021-01-29 | 哈尔滨理工大学 | 一种基于意图识别的人机协作系统控制方法 |
-
2021
- 2021-10-18 CN CN202111207273.XA patent/CN113733105B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130253702A1 (en) * | 2012-03-21 | 2013-09-26 | Universite Laval | Method of inferring intentions of an operator to move a robotic system |
CN103496633A (zh) * | 2012-03-21 | 2014-01-08 | 通用汽车环球科技运作有限责任公司 | 推断让机器人系统运动的操作者的意图的方法 |
CN106726341A (zh) * | 2016-12-06 | 2017-05-31 | 西安交通大学 | 基于人机阻抗匹配模型的变刚度肘关节康复机器人及其控制方法 |
US20200282558A1 (en) * | 2019-03-07 | 2020-09-10 | LinkDyn Robotics Inc. | System and method for controlling a robot with torque-controllable actuators |
CN111230873A (zh) * | 2020-01-31 | 2020-06-05 | 武汉大学 | 一种基于示教学习的协作搬运控制系统及方法 |
CN112276944A (zh) * | 2020-10-19 | 2021-01-29 | 哈尔滨理工大学 | 一种基于意图识别的人机协作系统控制方法 |
Non-Patent Citations (1)
Title |
---|
洪鹰;匡加伦;肖聚亮;王云鹏;赵炜;王健;张阳阳;孙誉博;: "基于手持导航器的协作机器人引导控制技术研究", 天津大学学报(自然科学与工程技术版) * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114932557A (zh) * | 2022-06-24 | 2022-08-23 | 合肥工业大学 | 一种运动学约束下基于能量消耗的自适应导纳控制方法 |
CN116172841A (zh) * | 2023-04-27 | 2023-05-30 | 北京航空航天大学 | 基于六维力感知的康复机器人控制方法、控制装置及机器人 |
CN116172841B (zh) * | 2023-04-27 | 2024-03-29 | 北京航空航天大学 | 基于六维力感知的康复机器人控制方法、控制装置及机器人 |
CN116619393A (zh) * | 2023-07-24 | 2023-08-22 | 杭州键嘉医疗科技股份有限公司 | 基于svm的机械臂变导纳控制方法、装置及设备 |
CN116619393B (zh) * | 2023-07-24 | 2023-11-14 | 杭州键嘉医疗科技股份有限公司 | 基于svm的机械臂变导纳控制方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113733105B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113733105A (zh) | 一种基于人的意图识别的协作机械臂模糊变导纳控制系统及方法 | |
Sanger | Neural network learning control of robot manipulators using gradually increasing task difficulty | |
CN108983601B (zh) | 一种提高采摘机器人柔顺抓取性能的参数自整定阻抗控制系统构造方法 | |
CN111904795A (zh) | 一种结合轨迹规划的康复机器人变阻抗控制方法 | |
CN108555914B (zh) | 一种基于腱驱动灵巧手的dnn神经网络自适应控制方法 | |
CN114043480A (zh) | 一种基于模糊控制的自适应阻抗控制算法 | |
CN111230882B (zh) | 水果分拣并联机器人夹持机构的自适应变阻抗控制方法 | |
CN107490958A (zh) | 一种五自由度混联机器人的模糊自适应控制方法 | |
Sadrnia et al. | Design PID Estimator Fuzzy plus Backstepping to Control of Uncertain Continuum Robot | |
Yin et al. | Fuzzy iterative learning control strategy for powered ankle prosthesis | |
Zijie et al. | PID control of an omnidirectional mobile platform based on an RBF neural network controller | |
Tang et al. | Direct force control of upper-limb exoskeleton based on fuzzy adaptive algorithm | |
Huang et al. | A hybrid fuzzy logic and neural network algorithm for robot motion control | |
CN108693776A (zh) | 一种三自由度Delta并联机器人的鲁棒控制方法 | |
CN116068881A (zh) | 一种上肢训练机器人自适应控制方法 | |
Bhatti | Adaptive collaborative position control of a tendon-driven robotic finger | |
He et al. | Adaptive fuzzy sliding mode control for redundant manipulators with varying payload | |
Ganapathy et al. | Neural Q-learning controller for mobile robot | |
CN111152213B (zh) | 一种基于混合控制的机械臂振动补偿方法及装置 | |
Yang et al. | Delta robot trajectory tracking based on fuzzy adaptive sliding mode controller | |
Passold et al. | Feedback error learning neural network applied to a scara robot | |
Zhang et al. | Robust H∞ Fuzzy Logic Control of Intelligent Electrically Powered Wheelchair | |
CN115635485B (zh) | 一种移动康复机器人的实时人机交互力控制方法 | |
Er | Recent developments and futuristic trends in robot manipulator control | |
Salami et al. | Design of intelligent multifinger gripper for a robotic arm using a DSP-based fuzzy controller |
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 |