CN113967911B - 基于末端工作空间的仿人机械臂的跟随控制方法及系统 - Google Patents

基于末端工作空间的仿人机械臂的跟随控制方法及系统 Download PDF

Info

Publication number
CN113967911B
CN113967911B CN202111177274.4A CN202111177274A CN113967911B CN 113967911 B CN113967911 B CN 113967911B CN 202111177274 A CN202111177274 A CN 202111177274A CN 113967911 B CN113967911 B CN 113967911B
Authority
CN
China
Prior art keywords
mechanical arm
joint
arm
elbow
data
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.)
Active
Application number
CN202111177274.4A
Other languages
English (en)
Other versions
CN113967911A (zh
Inventor
杨灿军
武鑫
朱元超
王楚璇
魏谦笑
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202111177274.4A priority Critical patent/CN113967911B/zh
Publication of CN113967911A publication Critical patent/CN113967911A/zh
Application granted granted Critical
Publication of CN113967911B publication Critical patent/CN113967911B/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
    • B25J9/1694—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
    • B25J9/1697—Vision controlled systems
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J3/00—Manipulators of master-slave type, i.e. both controlling unit and controlled unit perform corresponding spatial movements
    • 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
    • B25J9/1656—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
    • 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)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Manipulator (AREA)

Abstract

本发明涉及一种基于末端工作空间的仿人机械臂的跟随控制方法及系统，属于机器人控制技术领域。该方法包括：(1)获取人手臂的关节角度数据；(2)计算出机械臂的目标腕关节坐标数据与肘关节坐标数据；(3)以肘关节及肩关节角度数据为自变量，以机械臂末端工作空间为自变量取值范围，至少以机械臂腕关节位置相对目标腕关节坐标数据的计算偏差构建适应度函数，利用遗传算法搜索出最优角度数据，作为机械臂的关节角度数据及肘关节角度数据；及以人手臂的腕关节角度相对改变数据计算机械臂的腕关节角度改变数据；(4)控制仿人机械臂执行动作近似跟随。利用遗传算法，以能近似执行末端动作，从而能更好进行异构控制，其机器人远程控制等领域。

Description

基于末端工作空间的仿人机械臂的跟随控制方法及系统
本申请是申请号为CN 201911408896.6、发明名称为“一种异构仿人机械臂的动作映射方法及系统”的发明专利的分案申请。
技术领域
本发明涉及一种机器人控制技术领域，具体地说，涉及一种基于末端工作空间的异构仿人机械臂的跟随控制方法及系统。
背景技术
随着海洋经济的崛起，水下作业量将越来越复杂，越来越繁重。船舶底部，海洋钻井平台管道等水下平台容易附着海生物，通常需要潜水员进行定期清理，虽然人工可对清理对象及清理效果进行自主判断，但存在潜水员的人身安全难以保障、工作时间受海况影响较大及工作效率低等问题；此外，对于一些环境恶劣的场所作业，也存在对操作人员的人身安全造成影响的问题，例如，现场拆弹，现场扫雷等。
在这过程中，需利用搭载在现场机器人上的摄像头获取现场作业场景图像，例如，公开号为CN108082415A的专利文献所公开搭载在水下作业机器人上的全景成像系统，然后由操控人员在岸基上等现场外操作对机器人的下一动作进行控制。
为了便于操控现场左右机器人，尤其是具有仿人机械臂的作业机器人，其控制可以通过操作人员在现场外模拟场内操作动作，并通过获取操作人员的关节角度数据，例如，可采用公开号为CN107967687A的专利文献所公开的获取目标物行走姿态的方法；在获取操作人员，再根据角度数据远程控制现场操作机器人的机械臂执行相应动作。
但是，在操作过程中，存在以下问题，虽然机械臂为仿人结构，但是仍难以与人手臂为同构结构，例如自由度或臂长不同，即通常都为异构，导致其难以利用人手臂的关节数据直接控制仿人机械臂进行操作，虽然能够利用工作空间矩阵直接获取机械臂控制的理论数据，但是由于二者异构，其所直接计算出的理论数据在部分情况下无法直接执行，而导致跟随控制在部分情况下无法实现。
发明内容
本发明的主要目的是提供一种基于末端工作空间的异构仿人机械臂的控制方法，以在异构仿人机械臂与人手臂的跟随控制过程中，能近似地执行一些无法完成的动作，而实现更好地跟随控制；
本发明的另一目的是提供一种末端工作空间的异构仿人机械臂的控制系统，以能在异构仿人机械臂与人手臂的跟随控制能近似地执行一些无法完成的动作，而实现更好地跟随控制。
为了实现上述目的，本发明提供的跟随控制方法基于末端工作空间，用于通过把人手臂和异构仿人机械臂的工作空间进行匹配，而把人手臂的动作映射给结构尺寸与人手臂不相同的异构仿人机械臂，控制方法包括以下步骤：
获取步骤，获取人手臂在示范动作过程中的关节角度数据；
匹配步骤，对异构仿人机械臂与人手臂的末端工作空间进行匹配，获取两个空间之间的转换矩阵；并基于人手臂的当前腕关节坐标数据，利用转换矩阵，计算出异构仿人机械臂的目标腕关节坐标数据；
计算步骤，基于目标腕关节坐标数据及异构仿人机械臂的结构尺寸数据，并以人体小臂的方向向量作为小臂的方向向量，计算出仿人机械臂的肘关节坐标数据；
求解步骤，以异构仿人机械臂的肘关节及肩关节角度数据为自变量，以机械臂末端工作空间为自变量取值范围，至少以机械臂腕关节位置相对目标腕关节坐标数据的计算偏差构建适应度函数，利用遗传算法搜索出最优肘关节与肩关节的角度数据，作为异构仿人机械臂的关节角度数据及肘关节角度数据；及以人手臂的腕关节角度相对改变数据计算异构仿人机械臂的腕关节角度改变数据；
执行步骤，基于所计算出的关节角度数据与肘关节角度数据，控制异构仿人机械臂执行与人手臂相近似的模仿动作。
由以上方案可见，先获取人手臂与机械臂的末端工作空间的转换矩阵，依此获取机械臂末端的理论坐标数据，并获取肘关节的理论坐标数据；再基于遗传算法搜索出最优肘关节与肩关节的角度数据，且适应度函数主要考虑末端位置的计算偏差，即主要关注其执行末端的动作精度，以利用遗传算法搜索满足适应度函数要求的近似解进行近似执行，从而让仿人机械臂在执行动作过程中的关节角度数据无需完全参照人手臂的关节角度数据，以进行近似执行，从而能更好进行异构跟随控制。
具体的方案为求解步骤包括以下步骤：以每代个体所表征的角度数据作为肘关节角度与肩关节角度的近似解，计算出近似腕关节位置；基于目标腕关节坐标数据与近似腕关节位置，获取腕关节位置的计算偏差，至少以计算偏差最小为基准，获取最优解。
更具体的方案为适应度函数基于腕关位置及肘关节位置的计算偏差进行构建，并优先考虑腕关节位置的计算偏差。在主要考虑末端动作执行精度的前提下，部分考虑肘关节的精度，即优先考虑执行动作精度的前提下，使整个仿人机械臂的动作更接近人手臂的动作，从而便于人通过视频反馈决定下一动作，从而更好地指导机械臂的现场操作。
优选的方案为适应度函数为：
fit＝Dh+0.03De+0.03Sum
其中，Dh为近似腕关节位置与目标腕关节坐标数据所表征位置的欧式距离，De为基于肘关节角度近似解计算出的近似肘关节位置与肘关节坐标数据所表征位置的欧式距离，Sum为当前个体所表征的关节角度值之和。在保证末端精度的前提下，对于肘部位置与目标偏离过大的解，以及解畸变从而产生的其他构型的解，适应度函数就会上升，以排除适应度高的解，从而更好地进行场外控制。
优选的方案为利用遗传算法搜索出最优肘关节与肩关节的角度数据的步骤包括以下步骤：
以异构仿人机械臂的末端工作空间为取值区间，随机生成多个肘关节与肩关节角度解构建个体，组成初始种群；
基于适应度函数，计算个体适应度值，并进行高低排序，使用指数分布的形式生成随机整数对个体进行选择，并对随机选择出的两个个体基于直接融合方式繁殖下一代；
依据预设比例，利用繁殖产生的子代个体替代适应度值最大的部分个体，并基于变异概率，增加部分变异生成的新个体；
重复上述步骤至满足预设条件，获取适应度值最小的个体所表征的关节角度数据作为肘关节与肩关节角度的近似解。
优选的方案为基于所获取异构仿人机械臂的工作场所三维信息，自变量取值范围为异构仿人机械臂的末端工作空间排除干涉空间后的可行工作空间。从而在控制过程中，能有效避免现场环境对机械臂动作的干涉，从而人在远程操控的过程中，无需精确地判断现场干涉环境，从而更容易进行远程控制机械臂的动作。
优选的方案为人手臂的示范动作包括肘部弯曲朝前、肘部弯曲朝上、肘部弯曲朝下、手臂伸直向外、手臂伸直向前及手臂伸直向前中。
为了实现上述另一目的，本发明提供的跟随控制系统基于末端工作空间，适于异构仿人机械臂，该跟随控制系统包括处理器与存储器，存储器存储有计算机程序，该计算机程序被处理器执行时，能实现上述任一技术方案所描述的跟随控制方法的步骤。
具体的方案为异构仿人机械臂包括关节电机，及用于对该异构仿人机械臂的关节角度数据进行检测的关节角度传感器。
附图说明
图1为本发明实施例中动作映射方法的工作流程图；
图2为本发明实施例中动作映射系统的控制电路结构框图；
图3为本发明实施例中人手臂DH建模的示意图；
图4为本发明实施例中右臂的关节点及向量的几何关系；
图5为本发明实施例中左臂的关节点及向量的几何关系；
图6为本发明实施例中人手臂与机械臂之间动作映射的自由度匹配关系；
图7为本发明实施例中人手臂与机械手的末端工作空间在X-Z坐标系中的匹配过程示意图；
图8为本发明实施例中人手臂与机械手的末端工作空间在Y-Z坐标系中的匹配过程示意图；
图9为本发明实施例中人手臂与机械手的末端工作空间在X-Y坐标系中的匹配过程示意图；
图10为本发明实施例中人手臂与机械手的末端工作空间在X-Y-Z三维坐标系中的匹配过程示意图；
图11为本发明实施例中机械臂肘部坐标数据的归一化处理意图；
图12为本发明实施例中机械臂DH建模的示意图；
图13为本发明实施例中X轴向上的人机动作匹配效果图；
图14为本发明实施例中Y轴向上的人机动作匹配效果图；
图15为本发明实施例中Z轴向上的人机动作匹配效果图；
图16为基于本发明的机器人在映射过程示意图。
以下结合实施例及其附图对本发明作进一步说明。
具体实施方式
实施例
参见图1，本发明异构仿人机械臂的动作映射方法包括获取步骤S1、匹配步骤S2、计算步骤S3及求解步骤S4，具体过程如下：
获取步骤S1，获取人手臂在示范动作过程中的关节角度数据。
人体上肢使用最广泛的模型是7自由度模型，如图3所示，基坐标(X0Y0Z0)位于人体躯干和肩关节之间，在肩关节处建立三个运动坐标系，分别对应肩关节的三个运动自由度，具体为内收/外展(X1Y1Z1)、旋内/旋外(X2Y2Z2)和屈/伸(X3Y3Z3)；在肘关节处有屈/伸(X4Y4Z4)自由度；而在手腕关节处根据旋内/旋外(X5Y5Z5)、内收/外展(X6Y6Z6)和屈/伸(X7Y7Z7)，分别建立三个运动坐标系；末端执行器的运动坐标(X8Y8Z8)位于手指处。
根据人体运动肢体尺寸关于人体身高的比例关系可以确定D-H模型中杆件的几何参数ai-1和di，如下表1所示，绕第i个关节自由度Zi轴旋转角度θi，取决于所给出的对应关节运动自由度的运动范围βi。
表1：人体手臂DH参数表
Figure BDA0003296039890000061
本文使用一个单目摄像头，采用基于ResNet-50的深度卷积神经网络，用于进行三维空间中的人体姿态估计任务，并成功将网络训练至梯度收敛，并输出期望的相关骨骼关节点坐标值。如图4示。其中，
Figure BDA0003296039890000062
代表左臂从肩关节到肘关节的向量(shoulder toelbow，left)，/>
Figure BDA0003296039890000063
代表左臂从肘关节到腕关节的向量(elbow to wrist，left)，右臂同理。另外，还有几个肢体向量是在计算过程中用到的辅助向量：/>
Figure BDA0003296039890000064
的方向从左肩到右肩，
Figure BDA0003296039890000065
的方向从右肩到左肩，它们分别用来表示人体所在平面的水平方向；/>
Figure BDA0003296039890000066
的方向从颈部到盆骨，用来表示人体所在平面的竖直向下方向，在左臂和右臂的角度计算中都要用到这个辅助向量；/>
Figure BDA0003296039890000067
和/>
Figure BDA0003296039890000068
分别是/>
Figure BDA0003296039890000069
与/>
Figure BDA00032960398900000610
和/>
Figure BDA00032960398900000611
叉乘的结果；类似的，/>
Figure BDA00032960398900000612
和/>
Figure BDA00032960398900000613
分别是
Figure BDA00032960398900000614
与/>
Figure BDA00032960398900000615
以及/>
Figure BDA00032960398900000616
与/>
Figure BDA00032960398900000617
叉乘的结果。
以左臂为例计算公式如下。
Figure BDA0003296039890000071
Figure BDA0003296039890000072
Figure BDA0003296039890000073
Figure BDA0003296039890000074
手腕三个关节自由度由姿态传感器IMU测得，在本实施例中，采用型号为HWT901B的IMU，布放在手腕处。由DH模型可得
Figure BDA0003296039890000075
其中/>
Figure BDA0003296039890000076
已知，/>
Figure BDA0003296039890000077
为待求矩阵。根据IMU坐标可求出：
Figure BDA0003296039890000078
Figure BDA0003296039890000079
Figure BDA00032960398900000710
Figure BDA00032960398900000711
Figure BDA00032960398900000712
其中，A、B、C、D是前述八个坐标系，即0号坐标系到7号坐标系之间的转化矩阵，TAX、TAY、TAZ是IMU三个欧拉角与初始坐标系之间产生的转化矩阵。
Figure BDA0003296039890000081
Figure BDA0003296039890000082
θ6＝arccos(-ax)
Figure BDA0003296039890000083
如图5所示，人机动作映射算法可以将人体手臂肩膀的三个自由度和肘部的一个自由度，映射到YUMI的前五个自由度。YUMI末端的两个自由度由，由IMU测得的人体手腕的旋内/旋外和伸/曲直接控制；主要包括工作空间匹配和遗传算法两个部分。
匹配步骤S2，对机械臂与人手臂的末端工作空间进行匹配，获取两个空间之间的转换矩阵；并基于人手臂的当前腕关节坐标数据，利用转换矩阵，计算出机械臂的目标腕关节坐标数据。
YUMI机器人单手臂的7个关节全部为转动关节，在手臂建立坐标系图6所示，YUMIDH参数如下表2示，其中ai-1和αi-1分别表示连杆i-1的长度和扭角，di和θi表示连杆i的偏置和关节角。
表2、YUMI DH参数表
Figure BDA0003296039890000084
根据表中的DH参数，可以得到人体手臂和YUMI手臂运动学模型。图5和图6中相邻两个坐标之间的齐次变换可以用DH参数表示为:
Figure BDA0003296039890000091
其中，c是三角函数cos的缩写，s是sin的缩写。此外，端部执行器位置与基座位置的关系可以计算如下:
Figure BDA0003296039890000092
/>
其中，n表示自由度，P＝[x，y，z，1]，用于表示相关关节的位置，
Figure BDA0003296039890000093
表示式(1)中的齐次矩阵。
运动空间匹配是通过一定的几何变换，使得主从异构机械手或人手臂与机械臂等两个大小、形状原本完全不同的运动空间或者速度空间能够尽量吻合。目前普遍采用的主从机械手运动匹配控制方法主要有三种：关节—关节匹配、末端位姿匹配及点对点匹配。在这三种匹配方法中，关节—关节匹配方法主要用于同构主从机械手，点对点匹配方法是所有方法中使用最为普遍的，可适用于所有同构和异构主从机械手控制。在本实施例中，主从异构机械手运动匹配中位置匹配的通用方法如式所示：
Figure BDA0003296039890000094
式中，[Xp，Yp，Zp]T为从机械手末端执行器位置；[X，Y，Z]T为人手臂末端位置；α为绕从机械手基坐标Z轴旋转角度；Sx为沿人手臂基坐标X轴放大倍数；Sy为沿人手臂基坐标Y轴放大倍数；Sz为沿人手臂基坐标Z轴放大倍数；lx为沿人手臂基坐标X轴平移距离；ly为沿人手臂基坐标Y轴平移距离；lz为沿人手臂基坐标Z轴平移距离。取人体肩关节和YUMI肩关节分别为主从基坐标系，Sx＝0.9186，Sy＝0.8476，Sz＝0.8775，α＝180°，获得变化关系如式所示。图7上角为经过匹配处理后的人和YUMI工作空间三维云，其他三张为平面投影图。
Figure BDA0003296039890000095
计算步骤S3，基于目标腕关节坐标数据及肩关节坐标数据，并以人体小臂的方向向量作为的小臂方向向量，计算出仿人机械臂的肘关节坐标数据。
考虑映射模仿人体手臂构型，由于肩部位置较为固定，确定了末端位置和肘部位置，也就确定了手臂的基本形态。首先按照上文方式，将手腕的位置映射到YUMI的工作空间，考虑到人手小臂长度与YUMI小臂长度不一致，需要调整肘部的位置，进行归一化处理。我们保留小臂的方向，使小臂长度为YUMI的小臂长度。
其中l为YUMI小臂长度，O点为肩部原点，E为肘部坐标，W为腕部坐标，调整之后得到对应人手当前动作的YUMI的腕部坐标E’。
求解步骤S4，以机械臂的肘关节及肩关节角度数据为自变量，以机械臂末端工作空间为自变量取值范围，至少以机械臂腕关节位置相对目标腕关节坐标数据的计算偏差构建适应度函数，利用遗传算法搜索出最优肘关节与肩关节的角度数据，作为机械臂的关节角度数据及肘关节角度数据；及以人手臂的腕关节角度相对改变数据计算机械臂的腕关节角度改变数据。
即使用遗传算法得出所对应的角度逆解S，即为
[xh，yh，zh，xe，ye，ze]→[θ1，θ2，θ3，θ4，θ5]
利用遗传算法搜索出最优肘关节与肩关节的角度数据，以作为关节角度的近似解的步骤包括以下步骤：
初始化步骤S41，以机械臂的末端工作空间为取值区间，随机生成多个肘关节与肩关节角度解构建个体，组成初始种群；并构建适应度函数。
在机械臂工作空间S中，随机生成N个解作为种群，编码方式采用实数编码方式；即定义个体为：
ind[i]＝[θ1，θ2，θ3，θ4，θ5]T i＝1，2，……，n
对于个体的适应度函数，我们利用建模中的DH矩阵，计算每个个体对应的机械臂末端位置W，肘部位置E，以及角度和
Figure BDA0003296039890000101
再分别计算末端与肘部位置与目标位置的欧式距离:
Dh＝||H-H0||
De＝||E-E0||
在本实施例中，该适应度函数定义为：
fit＝Dh+0.03De+0.03Sum
即Dh为近似腕关节位置与目标腕关节坐标数据所表征位置的欧式距离，De为基于肘关节角度近似解计算出的近似肘关节位置与肘关节坐标数据所表征位置的欧式距离，Sum为当前个体所表征的关节角度值之和。从而在保证末端精度的前提下，对于肘部位置与目标偏离过大的解，以及解畸变从而产生的其他构型的解，适应度函数就会上升，需要被排除。意味着在本实施例中，适应度函数fit为基于腕关位置及肘关节位置的计算偏差进行构建，并优先考虑腕关节位置的计算偏差，“优先考虑”被配置为其权重系数至少是其他参数的权重系数的10倍以上，以在主要考虑末端动作执行精度的前提下，部分考虑肘关节的精度，即优先考虑执行动作精度的前提下，使整个仿人机械臂的动作更接近人手臂的动作，从而便于人通过视频反馈决定下一动作，从而更好地指导机械臂的现场操作。
选择与繁殖步骤S42，基于适应度函数fit，计算每代个体适应度值，并进行高低排序，使用指数分布的形式生成随机整数对个体进行选择，并对随机选择出的两个个体基于直接融合方式繁殖下一代。
对个体适应度计算之后，按照适应度从高到低，也就是适应度函数从小到大的顺序对个体进行编号。使用指数分布的形式生成随机整数对个体进行选择。
即编号为k的个体被选择到的概率P为：
P(k)＝λe-λk，k＝1，2，……n
从而使得适应度函数小的解被选中的可能性远大于适应度函数小的解。
对于按照上述方式选择出的两个个体，采用直接融合的方式来产生下一代：
son＝k·ind[i]+(1-k)·ind[j]
其中k为随机产生的0-1之间的实数。
交叉及变异步骤S43，依据预设比例，利用繁殖产生的子代个体替代适应度值最大的部分个体，并基于变异概率，增加部分变异生成的新个体。
这样重复产生种群个数20％的子代，替换掉适应度函数最大的后20％的个体。在替换后，每个个体以0.05的概率变异，在原来的基础上向随机方向增加一个小量作为新个体。
重复上述步骤至满足预设条件，获取适应度值最小的个体所表征的关节角度数据作为肘关节与肩关节角度的近似解。
即在上述求解步骤中，先以每代个体所表征的角度数据作为肘关节角度与肩关节角度的近似解，计算出近似腕关节位置；再基于目标腕关节数据与近似腕关节位置，获取腕关节位置的计算偏差，至少以计算偏差最小为基准，获取最优解。
如图2所示，仿人机械臂控制系统1包括异构仿人机械臂的关节电机23、用于对其关节角度数据进行检测的关节角度传感器24及动作映射系统3，动作映射系统3包括处理器与存储器，存储器存储有计算机程序，该计算机程序被处理器执行时，能实现如图1所示的获取步骤S1、匹配步骤S2、计算步骤S3及求解步骤S4，具体步骤内容参照上述动作映射方法，在此不再赘述。
在上述实施例中，先获取人手臂与机械臂的末端工作空间的转换矩阵，依此获取机械臂末端的理论坐标数据，并获取肘关节的理论坐标数据；再基于遗传算法搜索出最优肘关节与肩关节的角度数据，且适应度函数主要考虑末端位置的计算偏差，即主要关注其执行末端的动作精度，以利用遗传算法搜索满足适应度函数要求的近似解进行近似执行，从而让仿人机械臂在执行动作过程中的关节角度数据无需完全参照人手臂的关节角度数据，且能近似模仿执行，从而能更好进行异构控制。
为了验证上述算法，申请人共进行了六个动作实验，分别是肘部弯曲朝前，肘部弯曲朝上，肘部弯曲朝下，手臂伸直向外，手臂伸直向山，手臂伸直向前。使用optitrack测量人体肩部肘部和腕部的位置，利用映射算法计算yumi前五个关节的角度，在ROS(RobotOperating System)中进行仿真对比，结果如图13至图16所示。在匹配末端工作空间的同时，保留了人体手臂的构型。
为了分析映射算法得到的动作与人体手臂挥舞动作的相似程度。记录下人体手臂和yumi肩肘腕的位置。分别计算了人体和yumi肘关节的夹角。以人体和yumi的肩膀为坐标零点，朝前为x正方向，朝上为z轴正方向，根据右手定则，确定y轴正方向，并计算了xyz方向双方肘部和腕部的轨迹。由于双方手臂长度不一致，我们首先进行了归一化处理。结果如所示。从图中可以看出，在挥手过程中，人体手臂肘部关节夹角变化范围为79°～129°，yumi肘部夹角变化范围为人体手臂和yumi肘部夹角变化趋势一致，但存在一定差距大约为12°～72°，二者变化趋势一致，不同原因是因为在映射算法求解关节空间角时，是通过前臂的方向确定肘部位置，而不是肘部夹角确定。在x方向、y方向和z方向，腕部位置基本重合，很好的验证了工作空间匹配的效果。对于肘部位置，二者变化趋势也较为一致。
在上述实施例中，通过研究了一种人机动作映射方法，把人的动作映射给结构尺寸不相同的机器人，实现人对机器的控制。该方法通过把人和机器末端的工作空间进行匹配，并对肘部关节加以限制，利用遗传算法进行搜索。

Claims (10)

1.一种基于末端工作空间的仿人机械臂的跟随控制方法，所述仿人机械臂为异构仿人机械臂，用于通过把人手臂和所述异构仿人机械臂的工作空间进行匹配，而把所述人手臂的动作映射给结构尺寸与所述人手臂不相同的所述异构仿人机械臂，其特征在于，所述控制方法包括以下步骤：
获取步骤，获取所述人手臂在示范动作过程中的关节角度数据；
匹配步骤，对所述异构仿人机械臂与所述人手臂的末端工作空间进行匹配，获取两个空间之间的转换矩阵；并基于所述人手臂的当前腕关节坐标数据，利用所述转换矩阵，计算出所述异构仿人机械臂的目标腕关节坐标数据；
计算步骤，基于所述目标腕关节坐标数据及所述异构仿人机械臂的结构尺寸数据，并以人体小臂的方向向量作为所述仿人机械臂的小臂的方向向量，计算出所述仿人机械臂的肘关节坐标数据；
求解步骤，以异构仿人机械臂的肘关节及肩关节角度数据为自变量，以机械臂末端工作空间为自变量取值范围，至少以机械臂腕关节位置相对所述目标腕关节坐标数据的计算偏差构建适应度函数，利用遗传算法搜索出最优肘关节与肩关节的角度数据，作为所述异构仿人机械臂的关节角度数据及肘关节角度数据；及以所述人手臂的腕关节角度相对改变数据计算所述异构仿人机械臂的腕关节角度改变数据；
执行步骤，基于所计算出的关节角度数据与肘关节角度数据，控制所述异构仿人机械臂执行与所述人手臂相近似的模仿动作；
所述适应度函数为fit＝Dh+0.03De+0.03Sum；
其中，Dh为近似腕关节位置与所述目标腕关节坐标数据所表征位置的欧式距离，De为基于肘关节角度近似解计算出的近似肘关节位置与所述肘关节坐标数据所表征位置的欧式距离，Sum为当前个体所表征的关节角度值之和。
2.根据权利要求1所述的跟随控制方法，其特征在于，所述求解步骤包括以下步骤：
以每代个体所表征的角度数据作为肘关节角度与肩关节角度的近似解，计算出近似腕关节位置；
基于所述目标腕关节坐标数据与所述近似腕关节位置，获取腕关节位置的计算偏差，至少以所述计算偏差最小为基准，获取最优解。
3.根据权利要求2所述的跟随控制方法，其特征在于：
所述适应度函数基于腕关位置及肘关节位置的计算偏差进行构建，并考虑腕关节位置的计算偏差。
4.根据权利要求1至3任一项权利要求所述的跟随控制方法，其特征在于，所述利用遗传算法搜索出最优肘关节与肩关节的角度数据的步骤包括以下步骤：
以所述异构仿人机械臂的末端工作空间为取值区间，随机生成多个肘关节与肩关节角度解构建个体，组成初始种群；
基于适应度函数，计算个体适应度值，并进行高低排序，使用指数分布的形式生成随机整数对个体进行选择，并对随机选择出的两个个体基于直接融合方式繁殖下一代；
依据预设比例，利用繁殖产生的子代个体替代适应度值最大的部分个体，并基于变异概率，增加部分变异生成的新个体；
重复上述步骤至满足预设条件，获取适应度值最小的个体所表征的关节角度数据作为肘关节与肩关节角度的近似解。
5.根据权利要求4所述的跟随控制方法，其特征在于：
基于所获取所述异构仿人机械臂的工作场所三维信息，所述自变量取值范围为所述异构仿人机械臂的末端工作空间排除干涉空间后的可行工作空间。
6.根据权利要求4所述的跟随控制方法，其特征在于：
所述人手臂的示范动作包括肘部弯曲朝前、肘部弯曲朝上、肘部弯曲朝下、手臂伸直向外、手臂伸直向前及手臂伸直向前中。
7.根据权利要求1至3任一项权利要求所述的跟随控制方法，其特征在于：
基于所获取所述异构仿人机械臂的工作场所三维信息，所述自变量取值范围为所述异构仿人机械臂的末端工作空间排除干涉空间后的可行工作空间。
8.根据权利要求1至3任一项权利要求所述的跟随控制方法，其特征在于：
所述人手臂的示范动作包括肘部弯曲朝前、肘部弯曲朝上、肘部弯曲朝下、手臂伸直向外、手臂伸直向前及手臂伸直向前中。
9.一种基于末端工作空间的仿人机械臂的跟随控制系统，所述跟随控制系统包括处理器与存储器，所述存储器存储有计算机程序，其特征在于，所述计算机程序被所述处理器执行时，能实现权利要求1至8任一项权利要求所述的跟随控制方法的步骤。
10.根据权利要求9所述的跟随控制系统，其特征在于：
所述异构仿人机械臂包括关节电机，及用于对该异构仿人机械臂的关节角度数据进行检测的关节角度传感器。
CN202111177274.4A 2019-12-31 2019-12-31 基于末端工作空间的仿人机械臂的跟随控制方法及系统 Active CN113967911B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111177274.4A CN113967911B (zh) 2019-12-31 2019-12-31 基于末端工作空间的仿人机械臂的跟随控制方法及系统

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202111177274.4A CN113967911B (zh) 2019-12-31 2019-12-31 基于末端工作空间的仿人机械臂的跟随控制方法及系统
CN201911408896.6A CN111152218B (zh) 2019-12-31 2019-12-31 一种异构仿人机械臂的动作映射方法及系统

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN201911408896.6A Division CN111152218B (zh) 2019-12-31 2019-12-31 一种异构仿人机械臂的动作映射方法及系统

Publications (2)

Publication Number Publication Date
CN113967911A CN113967911A (zh) 2022-01-25
CN113967911B true CN113967911B (zh) 2023-06-13

Family

ID=70559861

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201911408896.6A Active CN111152218B (zh) 2019-12-31 2019-12-31 一种异构仿人机械臂的动作映射方法及系统
CN202111177274.4A Active CN113967911B (zh) 2019-12-31 2019-12-31 基于末端工作空间的仿人机械臂的跟随控制方法及系统

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN201911408896.6A Active CN111152218B (zh) 2019-12-31 2019-12-31 一种异构仿人机械臂的动作映射方法及系统

Country Status (1)

Country Link
CN (2) CN111152218B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112476456B (zh) * 2020-11-25 2022-03-25 浙江工业大学 一种仿猛禽的臂-翼协同变体控制系统及控制方法
CN112379695B (zh) * 2020-11-25 2022-11-11 浙江工业大学 一种仿猛禽的臀-尾协同变体控制系统的控制方法
CN113070877B (zh) * 2021-03-24 2022-04-15 浙江大学 一种面向七轴机械臂视觉示教的可变姿态映射方法
CN113492404B (zh) * 2021-04-21 2022-09-30 北京科技大学 一种基于机器视觉的仿人机器人动作映射控制方法
CN113509352B (zh) * 2021-05-24 2022-09-30 东南大学 一种绳索康复机器人运动学参数标定和解算方法及系统
CN115042187A (zh) * 2022-07-19 2022-09-13 重庆工商大学 基于mpu6050的虚拟现实机械臂控制方法
CN116019564B (zh) * 2023-03-28 2023-07-28 北京壹点灵动科技有限公司 膝关节手术机器人和控制方法
CN116619422A (zh) * 2023-06-21 2023-08-22 哈尔滨理工大学 一种基于人体特征信号的动作捕捉及腕关节角度估计的机械臂映射方法
CN117549315B (zh) * 2024-01-10 2024-03-26 邳州环航包装材料有限公司 一种包装机器人的路径生成方法及系统

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0811071A (ja) * 1994-06-29 1996-01-16 Yaskawa Electric Corp マニピュレータの制御装置
JPH10149445A (ja) * 1996-11-19 1998-06-02 Image Joho Kagaku Kenkyusho 身体動作解析可視化装置
KR100995933B1 (ko) * 2008-09-01 2010-11-22 한국과학기술연구원 진화 알고리즘과 모방학습에 기초한 로봇의 동작 제어 방법
KR101551093B1 (ko) * 2014-05-28 2015-09-07 현대자동차주식회사 양팔로봇 조립 장치
KR102030141B1 (ko) * 2014-06-11 2019-10-10 현대자동차(주) 로봇의 팔꿈치 제어시스템 및 그 제어방법
CN104678766B (zh) * 2015-01-29 2017-07-18 苏州大学 仿人机械臂飞行球体作业最优击球构型一种求取方法
CN106346485B (zh) * 2016-09-21 2018-12-18 大连理工大学 基于人手运动姿态学习的仿生机械手的非接触式控制方法
CN106313049B (zh) * 2016-10-08 2017-09-26 华中科技大学 一种仿人机械臂体感控制系统及控制方法
CN106945059B (zh) * 2017-03-27 2019-11-22 中国地质大学（武汉） 一种基于种群随机乱序多目标遗传算法的手势跟踪方法
CN107498562A (zh) * 2017-04-21 2017-12-22 浙江工业大学 六自由度机械臂动力学模型辨识方法
CN108044625B (zh) * 2017-12-18 2019-08-30 中南大学 一种基于多Leapmotion虚拟手势融合的机器人机械臂操控方法
CN108241339B (zh) * 2017-12-27 2020-09-04 北京航空航天大学 仿人机械臂的运动求解和构型控制方法
CN108284436B (zh) * 2018-03-17 2020-09-25 北京工业大学 具有模仿学习机制的远程机械双臂系统及方法
CN108717492A (zh) * 2018-05-18 2018-10-30 浙江工业大学 基于改进的人工蜂群算法的机械臂动力学模型辨识方法
CN108972494B (zh) * 2018-06-22 2020-09-22 华南理工大学 一种仿人机械手抓取控制系统及其数据处理方法
CN109623818B (zh) * 2018-12-20 2021-06-18 北京理工大学 一种基于时间分组的机械臂关节轨迹优化方法

Also Published As

Publication number Publication date
CN111152218B (zh) 2021-10-08
CN113967911A (zh) 2022-01-25
CN111152218A (zh) 2020-05-15

Similar Documents

Publication Publication Date Title
CN113967911B (zh) 基于末端工作空间的仿人机械臂的跟随控制方法及系统
Li et al. A mobile robot hand-arm teleoperation system by vision and imu
CN107953331B (zh) 一种应用于人形机器人动作模仿的人体姿态映射方法
JP5210884B2 (ja) 物理的多関節システムの姿勢を制御するコンピュータを用いた方法および多関節システムを位置決めするシステム
JP5210883B2 (ja) 物理的な多関節システムの部位の動作を制御する、コンピュータを使用する方法、物理的な多関節システムの部位の動作を制御するシステム、人間とは別体の物理的多関節システムに前記人間の動作を追従させる、コンピュータを用いた方法、人間とは別体の物理的多関節システムによって前記人間の動作を追従させるシステム、及び、ソースシステムとは別体の物理的多関節システムの部位の動きを制御する、コンピュータを用いた方法
Pokorny et al. Grasping objects with holes: A topological approach
CN109079794B (zh) 一种基于人体姿态跟随的机器人控制与示教方法
Mukherjee et al. Inverse kinematics of a NAO humanoid robot using kinect to track and imitate human motion
CN107818318B (zh) 一种人形机器人模仿相似度评价方法
CN111152220B (zh) 一种基于人机融合的机械臂控制方法
Yan et al. Gesture recognition based on localist attractor networks with application to robot control [application notes]
CN115469576A (zh) 一种基于人-机械臂异构运动空间混合映射的遥操作系统
Yang et al. Humanoid motion planning of robotic arm based on human arm action feature and reinforcement learning
Guilamo et al. Manipulability optimization for trajectory generation
Zhao et al. A novel algorithm of human-like motion planning for robotic arms
CN113070877B (zh) 一种面向七轴机械臂视觉示教的可变姿态映射方法
Rosado et al. Reproduction of human arm movements using Kinect-based motion capture data
Gan et al. Human-like manipulation planning for articulated manipulator
Wang et al. Robot programming by demonstration with a monocular RGB camera
JP4669941B2 (ja) ３次元デザイン支援装置及びプログラム
Nolker et al. Parametrized SOMs for hand posture reconstruction
CN115890671A (zh) 一种基于smpl参数的多几何体人体碰撞模型生成方法及系统
Aleotti et al. Robot grasp synthesis from virtual demonstration and topology-preserving environment reconstruction
CN114954723A (zh) 仿人机器人
Yamane Kinematic redundancy resolution for humanoid robots by human motion database

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