CN114211497A - 面向半导体晶圆传送机械臂的高速运动控制方法和系统 - Google Patents
面向半导体晶圆传送机械臂的高速运动控制方法和系统 Download PDFInfo
- Publication number
- CN114211497A CN114211497A CN202111654255.6A CN202111654255A CN114211497A CN 114211497 A CN114211497 A CN 114211497A CN 202111654255 A CN202111654255 A CN 202111654255A CN 114211497 A CN114211497 A CN 114211497A
- Authority
- CN
- China
- Prior art keywords
- mechanical arm
- motion
- robot
- speed
- 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.)
- Withdrawn
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
- B25J9/1656—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
- B25J9/1602—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
- B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Container, Conveyance, Adherence, Positioning, Of Wafer (AREA)
- Manipulator (AREA)
Abstract
本发明涉及机器人控制领域,具体涉及面向半导体晶圆传送机械臂的高速运动控制方法和系统。该方法为根据晶圆搬运机械臂控制的动作指令进行运动路径的分段,并针对每段运动路径,建立基于多项式的规划模型;采集晶圆搬运机器臂的末端抖动数据,并根据规划模型获得机器臂完成路径运动的变化数据,基于抖动数据和变化数据建立有约束条件的机械臂参数优化方程;通过梯度下降的迭代求解方法对优化方案进行迭反复迭代求解,并保存动作指令加载模型参数;在模型加载应用过程中,根据动作指令加载模型参数和多项式的规划模型,生成机械臂连续运动点位,下发给机械臂轴关节进行运行,降低了机械臂抖动及机械臂动作指令运行时间。
Description
技术领域
本发明涉及机器人控制领域,尤其涉及一种面向晶圆搬运应用的机械臂控制应用领域,具体涉及面向半导体晶圆传送机械臂的高速运动控制方法和系统。
背景技术
晶圆搬运机械臂是一种面向半导体领域设计的用于搬运晶圆片的机械臂。这种机械臂需要在无尘室中应用,因为应用场景较为专一,所需要执行的动作等相对固定,但在机械臂运行过程中,需要保持稳定、高速,不能产生抖动等情况。机械臂的运行速度及稳定性,决定了机械臂产品的质量。
发明内容
为解决机械臂的运行速度及稳定性问题,本发明提供了一种面向半导体晶圆传送机械臂的高速运动控制方法、系统、计算机设备及存储介质,以解决在约束条件下(例如电机最大转速、最大加速度)的机械臂控制优化问题,尽可能在动作指令执行过程中,能让机械臂的速度快速达到预期值,同时,保持平稳运行,降低机械臂抖动。
为实现上述目的,本发明实施例提供了如下的技术方案:
第一方面,在本发明提供的一个实施例中,提供了一种面向半导体晶圆传送机械臂的高速运动控制方法,包括以下步骤:
根据晶圆搬运机械臂控制的动作指令进行运动路径的分段,并针对每段运动路径,建立基于多项式的规划模型;
采集晶圆搬运机器臂的末端抖动数据,并根据规划模型获得机器臂完成路径运动的变化数据,基于抖动数据和变化数据建立有约束条件的机械臂参数优化方程;
通过梯度下降的迭代求解方法对优化方案进行迭反复迭代求解,并保存动作指令加载模型参数;
根据动作指令加载模型参数和多项式的规划模型,生成机械臂连续运动点位,下发给机械臂轴关节进行运行。
在本发明提供的一些实施例中,所述晶圆搬运机器臂的末端抖动数据采用外置传感器或者设备采集。
在本发明提供的一些实施例中,所述机器臂完成路径运动的变化数据包括机器臂的位置变化、速度和加速度变化数据。
在本发明提供的一些实施例中,所述机械臂参数优化方程的约束条件包括机械臂的指定位置、速度、抖动数据以及完成路径运动的时间数据,通过约束条件建立有约束情况下的机械臂参数优化方程。
在本发明提供的一些实施例中,所述面向半导体晶圆传送机械臂的高速运动控制方法还包括建立无约束情况下的机械臂参数优化方程;无约束情况下的机械臂参数优化方程的建时,基于拉格朗日乘子法,建立无约束情况下的机械臂参数优化方程。
在本发明提供的一些实施例中,通过梯度下降的迭代求解方法对优化方案进行迭反复迭代求解之前,还包括设置初始值,并采用多个不同的初始化值,反复实验迭代求解,获得动作指令加载模型参数。
在本发明提供的一些实施例中,所述面向半导体晶圆传送机械臂的高速运动控制方法还包括:根据动作指令的两个端点动作及伺服电机控制参数,设置端点位置坐标、以及速度、加速度的约束。
第二方面,在本发明提供的另一个实施例中,提供了一种面向半导体晶圆传送机械臂的高速运动控制系统,所述面向半导体晶圆传送机械臂的高速运动控制系统采用上述面向半导体晶圆传送机械臂的高速运动控制方法使机械臂的速度达到预期值,保持平稳运行;所述面向半导体晶圆传送机械臂的高速运动控制系统包括:
模型建立模块,用于根据晶圆搬运机械臂控制的动作指令进行运动路径的分段,并针对每段运动路径,建立基于多项式的规划模型;
优化方程模块,用于采集晶圆搬运机器臂的末端抖动数据,并根据规划模型获得机器臂完成路径运动的变化数据,基于抖动数据和变化数据建立有约束条件的机械臂参数优化方程;
迭代求解模块,用于通过梯度下降的迭代求解方法对优化方案进行迭反复迭代求解,并保存动作指令加载模型参数;以及
加载运行模块,在模型加载应用过程中,根据动作指令加载模型参数和多项式的规划模型,生成机械臂连续运动点位,下发给机械臂轴关节进行运行。
在本发明提供的一些实施例中,还包括转换模块,用于将有约束条件下的优化方程转换为无约束条件的优化方程,基于拉格朗日乘子法,建立无约束情况下的机械臂参数优化方程。
在本发明提供的一些实施例中,所述晶圆搬运机器臂的末端抖动数据采集时通过在机器人本体末端及各关节布置加速度传感器,通过采集外置的关节加速度信号,监测各个关节的转速及关节四周或末端的抖动数据。
第三方面,在本发明提供的又一个实施例中,提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器加载并执行所述计算机程序时实现面向半导体晶圆传送机械臂的高速运动控制方法的步骤。
第四方面,在本发明提供的再一个实施例中,提供了一种存储介质,存储有计算机程序,所述计算机程序被处理器加载并执行时实现所述面向半导体晶圆传送机械臂的高速运动控制方法的步骤。
本发明提供的技术方案,具有如下有益效果:
本发明提供的面向半导体晶圆传送机械臂的高速运动控制方法和系统,面向半导体晶圆传送机械臂的高速运动控制,实现在约束条件下的机械臂控制优化,在动作指令执行过程中,让机械臂的速度快速达到预期值,同时,保持平稳运行,降低机械臂抖动。
在建模过程中,采用了通用的多项式建模方法,在参数求解过程中,采用了梯度下降的方法进行参数搜索,相对传统控制规划方法具有更大的灵活性,不容易受到固定模型的约束,通过参数搜索,更容易获得可行的优化控制参数。
本发明的这些方面或其他方面在以下实施例的描述中会更加简明易懂。应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例。在附图中:
图1为本发明实施例的一种面向半导体晶圆传送机械臂的高速运动控制方法的流程图。
图2为本发明一个实施例的一种面向半导体晶圆传送机械臂的高速运动控制系统的系统框图。
图3为本发明一个实施例的电子设备的结构框图;
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如101、102等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
下面将结合本发明示例性实施例中的附图,对本发明示例性实施例中的技术方案进行清楚、完整地描述,显然,所描述的示例性实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
由于晶圆搬运机械臂作为面向半导体领域设计的用于搬运晶圆片的机械臂,要求在无尘室中应用,所需要执行的动作等相对固定。但是,机械臂运行过程中,需要保持稳定、高速,不能产生抖动等情况。然而,目前缺乏能够对晶圆搬运机械臂的运行速度及稳定性进行优化的方案。无法使机械臂的速度快速达到预期值,使得机械臂抖动的问题难以解决,容易产生抖动等情况。
针对上述问题,本发明提供的面向半导体晶圆传送机械臂的高速运动控制方法和系统,以解决在约束条件下的机械臂控制优化问题,尽可能在动作指令执行过程中,能让机械臂的速度快速达到预期值,同时,保持平稳运行,降低机械臂抖动。
具体地,下面结合附图,对本申请实施例作进一步阐述。
参见图1所示,本发明的一个实施例提供一种面向半导体晶圆传送机械臂的高速运动控制方法,该方法包括控制参数迭代求解和模型加载应用两个部分,该高速运动控制优化方法具体包括如下步骤:
S1、根据晶圆搬运机械臂控制的动作指令进行运动路径的分段,并针对每段运动路径,建立基于多项式的规划模型;
S2、采集晶圆搬运机器臂的末端抖动数据,并根据规划模型获得机器臂完成路径运动的变化数据,基于抖动数据和变化数据建立有约束条件的机械臂参数优化方程;
S3、通过梯度下降的迭代求解方法对优化方案进行迭反复迭代求解,并保存动作指令加载模型参数;
S4、根据动作指令加载模型参数和多项式的规划模型,生成机械臂连续运动点位,下发给机械臂轴关节进行运行。
在本实施例中,实现在约束条件下的机械臂控制优化,在动作指令执行过程中,让机械臂的速度快速达到预期值,同时,保持平稳运行,降低机械臂抖动。
在建模过程中,采用了通用的多项式建模方法,在参数求解过程中,采用了梯度下降的方法进行参数搜索,相对传统控制规划方法具有更大的灵活性,不容易受到固定模型的约束,通过参数搜索,更容易获得可行的优化控制参数。
在进行高速运动控制优化时,控制参数迭代求解阶段,建立多项式控制模型,即多项式的规划模型,根据约束条件、抖动及位置变化信息等建立优化方程,即建立有约束条件的机械臂参数优化方程,通过迭代求解的方法获得可用解,并保存相关模型参数;模型加载应用阶段,根据动作指令加载模型参数和多项式模型,生成机械臂连续运动点位,下发给机械臂轴关节进行运行。
在本实施例中,所述晶圆搬运机器臂的末端抖动数据采用外置传感器或者设备采集。在采集时,通过外置传感器或者设备采集晶圆搬运机器臂的末端抖动数据,并根据规划获得机器臂的位置变化、速度、加速度变化数据。
其中,根据机器人控制的实际需求,要求机械末端抖动尽可能小,整个动作尽量平滑和快速,因此以抖动参数、插值后速度后的方差、加速度的方差等作为变量,建立一个优化方程,使得当抖动参数越小、速度和加速度越趋近于平稳,优化方程的结果越趋向于0。
在本实施例中,所述机器臂完成路径运动的变化数据包括机器臂的位置变化、速度和加速度变化数据。所述机械臂参数优化方程的约束条件包括机械臂的指定位置、速度、抖动数据以及完成路径运动的时间数据,通过约束条件建立有约束情况下的机械臂参数优化方程。
在本申请中,根据晶圆机械臂的动作指令,将机械臂运动路径分段;针对分段后的路径,建立相关多项式位置规划模型,并根据起始点位置、速度等约束条件建立约束方程;通过采集运动过程中的抖动、位置变化等,建立优化方程;通过设置初始值,并采用梯度下降的迭代求解的方法,对优化方案进行迭反复迭代求解,保存相关控制参数。
在本发明的进一步方案中,所述面向半导体晶圆传送机械臂的高速运动控制方法还包括建立无约束情况下的机械臂参数优化方程;无约束情况下的机械臂参数优化方程的建时,基于拉格朗日乘子法,建立无约束情况下的机械臂参数优化方程。
在本申请中,将机械臂控制当中有约束条件下的优化方程转换为无约束条件的优化方程。具体为:
根据动作指令的两个端点动作及伺服电机控制参数,设置端点位置坐标、以及速度、加速度的约束。基于拉格朗日乘子法,可以将具有约束条件的优化问题,转化为无约束情况下的优化问题,建立无约束情况下的机械臂参数优化方程。
在本发明实施例中,通过梯度下降的迭代求解方法对优化方案进行迭反复迭代求解之前,还包括设置初始值,并采用多个不同的初始化值,反复实验迭代求解,获得动作指令加载模型参数。
根据最优化理论,对待求取的参数设置初始值,同时,设置预期的完整动作执行时间,对控制方程按照均等时间间隔进行采样,从而获得相关位置变化的时序数据。同时,对控制方程关于时间求导,并按照均等时间间隔采样,获得速度变化的时序数据。对控制方程关于时间求二阶导数,获得加速度变化的时序数据。
使用采样到的位置、速度、加速度的数据构建成数据集,从而使用该数据集代入优化方程,对参数采用梯度下降的方式进行优化。直到整个数据集带入后的优化方程值保持或者接近稳定为止,保存相关参数。通过设置不同的初始值及梯度下降的步长,重复尝试以上过程,可以获得多组参数,选择一组整体位置变化较为平稳的参数值,作为最终参数。
在本发明的一个实施例中,所述面向半导体晶圆传送机械臂的高速运动控制方法还包括:根据动作指令的两个端点动作及伺服电机控制参数,设置端点位置坐标、以及速度、加速度的约束。
因此,本发明的面向半导体晶圆传送机械臂的高速运动控制方法,针对晶圆搬运机械臂的常用动作指令,建立基于多项式建模和迭代求解的控制方案,选择机械臂控制中合适的速度、加速度等,降低机械臂抖动及机械臂动作指令运行时间。
本发明的一个实施例提供一种面向半导体晶圆传送机械臂的高速运动控制方法,其具体步骤如下:
步骤1、根据晶圆搬运机械臂控制的动作指令进行运动路径的分段,并针对每段运动路径,建立基于多项式的位置规划方案。
在本实施例中,由于晶圆机械臂动作指令相对单一和固定,可以针对不同的动作指令,对机械臂的路径进行分段,并对每一小段路径进行规划。例如:设定晶圆片的动作,主要是由以下五个小段路径构成:“伸展机械臂”、“一次抬高机械臂”、“触发抓取动作”、“二次抬高机械臂”、“收缩机械臂”。
其中,可以针对“伸展机械臂”、“一次抬高机械臂”、“二次抬高机械臂”、“收缩机械臂”这四个动作进行优化。
其中例如:“伸展机械臂”会涉及到晶圆机械臂上的第三根轴和第四根轴的加速、运动、及减速过程。在传统的方法中,会采用梯形或者S型速度规划方案,该类规划方案相对可以修改的参数较少,模式较为固定。
在本发明实施例中,采用一种多项式的速度规划方案。其多项式次数大于5,例如n次多项式规划:
q(t)=k0+k1(t-t0)+k2(t-t0)2+…+kn(t-t0)n
其中,q(t)为t时刻的位置信息,k0、k1......kn是相关的控制参数。
步骤2:根据指定的位置、速度等建立约束条件。
在机器人控制中,机器人的小段运行路径,其存在起点位置和终点位置。其中速度、加速度等也会受到伺服电机的内置参数限制。可以根据这些限制条件,建立相关约束条件,例如对速度的约束,使速度始终大于等于0,且小于vmax,其中,位置关于时间的导数即为速度。
q(t)′≥0
q(t)′≤vmax
同样的,还能对位置等进行约束,例如
q(t0)=q0
q(tn)=q1
使t0时刻和tn时刻的值分别对应路径起点位置q0和路径终点位置q1。
在该步骤中,主要是根据机械臂控制指令、以及伺服电机参数配置、及相关其他的约束,对位置、速度、加速度等进行约束。在后续步骤中,路径规划出来的速度、加速度等需要满足这些约束条件。
步骤3:基于抖动数据、完成路径运动的时间数据等因素,建立有约束情况下的机械臂参数优化方程。
针对晶圆搬运机械臂的优化目标,例如,需要减少抖动情况,同时,保持速度的平稳、加速度的平稳性,从而尽可能实现运行过程的高速、稳定。可以设置优化目标方程:
其中,指的是在整个运动周期中,采集到的对应抖动看数据。E(q(t)′)为针对速度的方差。在这个优化目标方程中,可以根据优化目标,设置相关合适的计算项。该优化目标方程,需要满足步骤2中建立的相关约束条件。
步骤4:基于拉格朗日乘子法,将具有约束条件的优化问题,转化为无约束情况下的优化问题,建立无约束情况下的机械臂参数优化方程。
根据拉格朗日乘子法,结合步骤2和步骤3的内容,可以建立无约束情况的机械臂参数优化方程:
min F(t,λ1,λ2...λn)=L(t)+λ1q(t)′+λ2(vmax-q(t)′)+…λn(q(tn)-q1)
即通过引入拉格朗日乘子(λ1,λ2...λn)将原来的约束优化问题转化为无约束的方程组问题。
步骤5:采用外置传感器或者设备采集晶圆搬运机器臂的末端抖动数据,并根据规划获得机器臂的位置变化、速度、加速度变化数据。
在机器人本体末端及各关节附近布置加速度传感器,通过采集外置的关节加速度信号,监测各个关节的转速及关节附近或者末端的抖动数据。其中,采集到抖动时序信息,需要与控制方程的时间相互对齐。
根据步骤1中关于多项式q(t)的定义,可以方便获得机械臂的位置变化。同时求导、及求二阶导数,可以获得对应的速度、加速度变化。
步骤6:设置初始值,并采用梯度下降的迭代求解的方法,对优化方案进行迭代,并尝试获得局部最优解。
设置一组k0,k1,...,kn的值,并按照动作指令预期要求设置q0,q1,t0,t1,λ1,...,λn等,通过步骤1多项式路径规划公式容易获得相关下发的位置点位,并实际执行。根据步骤5所设置的外置传感器,可以采集到对应的抖动数据。最后,可以步骤4中的公式,求出相关当前参数情况下,优化方程F的值。
参考机器学习方法,设置学习率,采用随机梯度下降的方法,可以调整参数k0,k1,...,kn的值,并重复实验,尽可能降低优化方程F的值。直到F的值趋于稳定,不再变化或者变化幅度较小。
保存k0,k1,...,kn及F的值作为当前一组实验的结果。
步骤7:采用多个不同的初始化值,反复实验迭代求解,并对比获得一组较为可靠的参数。
设置迭代轮次N,将步骤6重复次数N(N为常数),最终获得多组k和F的值,比较F的值大小,选择其中一组较小作为最终的路径规划方程参数。
步骤8:记录并保存相关参数及动作对应关系,作为该段路径的控制参数。
将步骤7中获得的规划方程参数进行保存,通过与晶圆搬运机械臂的动作指令相互对应。通过保存设置的路径规划方程。形成相关的参数数据库。
步骤9:在机械臂控制过程中,根据机械臂的动作指令,加载对应参数及多项式方程,生成机械臂的连续控制点位,实时下发给机械臂伺服电机,完成机械臂控制。
本发明实施例针对晶圆搬运机械臂的常用动作指令,建立基于多项式建模和迭代求解的控制方案,选择机械臂控制中合适的速度、加速度等,降低机械臂抖动及机械臂动作指令运行时间。
在本发明的一个实施例中,参见图2所示,本发明还公开了一种面向半导体晶圆传送机械臂的高速运动控制系统,所述面向半导体晶圆传送机械臂的高速运动控制系统采用上述面向半导体晶圆传送机械臂的高速运动控制方法使机械臂的速度达到预期值,保持平稳运行,所述面向半导体晶圆传送机械臂的高速运动控制系统包括:
模型建立模块100,用于根据晶圆搬运机械臂控制的动作指令进行运动路径的分段,并针对每段运动路径,建立基于多项式的规划模型;
优化方程模块200,用于采集晶圆搬运机器臂的末端抖动数据,并根据规划模型获得机器臂完成路径运动的变化数据,基于抖动数据和变化数据建立有约束条件的机械臂参数优化方程;
迭代求解模块300,用于通过梯度下降的迭代求解方法对优化方案进行迭反复迭代求解,并保存动作指令加载模型参数;以及
加载运行模块400,在模型加载应用过程中,根据动作指令加载模型参数和多项式的规划模型,生成机械臂连续运动点位,下发给机械臂轴关节进行运行。
在本发明的实施例中,还包括转换模块,用于将有约束条件下的优化方程转换为无约束条件的优化方程,基于拉格朗日乘子法,建立无约束情况下的机械臂参数优化方程。
在本发明的实施例中,所述晶圆搬运机器臂的末端抖动数据采集时通过在机器人本体末端及各关节布置加速度传感器,通过采集外置的关节加速度信号,监测各个关节的转速及关节四周或末端的抖动数据。
需要特别说明的是,面向半导体晶圆传送机械臂的高速运动控制系统在执行时采用如前述的一种面向半导体晶圆传送机械臂的高速运动控制方法的步骤,因此,本实施例中对面向半导体晶圆传送机械臂的高速运动控制系统的运行过程不再详细介绍。
在一个实施例中,在本发明的实施例中还提供了一种计算机设备,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行所述的面向半导体晶圆传送机械臂的高速运动控制方法,该处理器执行指令时实现上述各方法实施例中的步骤。
如图3所示,在本发明的实施例中提供了一种计算机设备500,该计算机设备500包括存储器501和处理器502,存储器501中存储有计算机程序,该处理器502被配置为用于执行所述存储器501中存储的计算机程序。所述存储器501用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器502执行以实现上述方法实施例中的步骤:
根据晶圆搬运机械臂控制的动作指令进行运动路径的分段,并针对每段运动路径,建立基于多项式的规划模型;
采集晶圆搬运机器臂的末端抖动数据,并根据规划模型获得机器臂完成路径运动的变化数据,基于抖动数据和变化数据建立有约束条件的机械臂参数优化方程;
通过梯度下降的迭代求解方法对优化方案进行迭反复迭代求解,并保存动作指令加载模型参数;
在模型加载应用过程中,根据动作指令加载模型参数和多项式的规划模型,生成机械臂连续运动点位,下发给机械臂轴关节进行运行。
在本发明的一个实施例中还提供了一种存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤:
根据晶圆搬运机械臂控制的动作指令进行运动路径的分段,并针对每段运动路径,建立基于多项式的规划模型;
采集晶圆搬运机器臂的末端抖动数据,并根据规划模型获得机器臂完成路径运动的变化数据,基于抖动数据和变化数据建立有约束条件的机械臂参数优化方程;
通过梯度下降的迭代求解方法对优化方案进行迭反复迭代求解,并保存动作指令加载模型参数;
在模型加载应用过程中,根据动作指令加载模型参数和多项式的规划模型,生成机械臂连续运动点位,下发给机械臂轴关节进行运行。
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于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,本申请所提供的各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易失性存储器中的至少一种。
综上所述,本发明提供的面向半导体晶圆传送机械臂的高速运动控制方法和系统,实现在约束条件下的机械臂控制优化,在动作指令执行过程中,让机械臂的速度快速达到预期值,同时,保持平稳运行,降低机械臂抖动。
在建模过程中,采用了通用的多项式建模方法,在参数求解过程中,采用了梯度下降的方法进行参数搜索,相对传统控制规划方法具有更大的灵活性,不容易受到固定模型的约束,通过参数搜索,更容易获得可行的优化控制参数。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种面向半导体晶圆传送机械臂的高速运动控制方法,其特征在于,所述高速运动控制优化方法包括以下步骤:
根据晶圆搬运机械臂控制的动作指令进行运动路径的分段,并针对每段运动路径,建立基于多项式的规划模型;
采集晶圆搬运机器臂的末端抖动数据,并根据规划模型获得机器臂完成路径运动的变化数据,基于抖动数据和变化数据建立有约束条件的机械臂参数优化方程;
通过梯度下降的迭代求解方法对优化方案进行迭反复迭代求解,并保存动作指令加载模型参数;
根据动作指令加载模型参数和多项式的规划模型,生成机械臂连续运动点位,下发给机械臂轴关节进行运行。
2.如权利要求1所述的面向半导体晶圆传送机械臂的高速运动控制方法,其特征在于,所述晶圆搬运机器臂的末端抖动数据采用外置传感器或者设备采集。
3.如权利要求1所述的面向半导体晶圆传送机械臂的高速运动控制方法,其特征在于,所述机器臂完成路径运动的变化数据包括机器臂的位置变化、速度和加速度变化数据。
4.如权利要求3所述的面向半导体晶圆传送机械臂的高速运动控制方法,其特征在于,所述机械臂参数优化方程的约束条件包括机械臂的指定位置、速度、抖动数据以及完成路径运动的时间数据,通过约束条件建立有约束情况下的机械臂参数优化方程。
5.如权利要求4所述的面向半导体晶圆传送机械臂的高速运动控制方法,其特征在于,所述面向半导体晶圆传送机械臂的高速运动控制方法还包括建立无约束情况下的机械臂参数优化方程;无约束情况下的机械臂参数优化方程的建时,基于拉格朗日乘子法,建立无约束情况下的机械臂参数优化方程。
6.如权利要求5所述的面向半导体晶圆传送机械臂的高速运动控制方法,其特征在于,通过梯度下降的迭代求解方法对优化方案进行迭反复迭代求解之前,还包括设置初始值,并采用多个不同的初始化值,反复实验迭代求解,获得动作指令加载模型参数。
7.如权利要求6所述的面向半导体晶圆传送机械臂的高速运动控制方法,其特征在于,所述面向半导体晶圆传送机械臂的高速运动控制方法还包括:根据动作指令的两个端点动作及伺服电机控制参数,设置端点位置坐标、以及速度、加速度的约束。
8.一种面向半导体晶圆传送机械臂的高速运动控制系统,其特征在于,所述面向半导体晶圆传送机械臂的高速运动控制系统采用权利要求1-7中任意一项所述面向半导体晶圆传送机械臂的高速运动控制方法使机械臂的速度达到预期值,保持平稳运行;所述面向半导体晶圆传送机械臂的高速运动控制系统包括:
模型建立模块,用于根据晶圆搬运机械臂控制的动作指令进行运动路径的分段,并针对每段运动路径,建立基于多项式的规划模型;
优化方程模块,用于采集晶圆搬运机器臂的末端抖动数据,并根据规划模型获得机器臂完成路径运动的变化数据,基于抖动数据和变化数据建立有约束条件的机械臂参数优化方程;
迭代求解模块,用于通过梯度下降的迭代求解方法对优化方案进行迭反复迭代求解,并保存动作指令加载模型参数;以及
加载运行模块,用于根据动作指令加载模型参数和多项式的规划模型,生成机械臂连续运动点位,下发给机械臂轴关节进行运行。
9.如权利要求8所述的面向半导体晶圆传送机械臂的高速运动控制系统,其特征在于,还包括转换模块,用于将有约束条件下的优化方程转换为无约束条件的优化方程,基于拉格朗日乘子法,建立无约束情况下的机械臂参数优化方程。
10.如权利要求8所述的面向半导体晶圆传送机械臂的高速运动控制系统,所述晶圆搬运机器臂的末端抖动数据采集时通过在机器人本体末端及各关节布置加速度传感器,通过采集外置的关节加速度信号,监测各个关节的转速及关节四周或末端的抖动数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111654255.6A CN114211497A (zh) | 2021-12-30 | 2021-12-30 | 面向半导体晶圆传送机械臂的高速运动控制方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111654255.6A CN114211497A (zh) | 2021-12-30 | 2021-12-30 | 面向半导体晶圆传送机械臂的高速运动控制方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114211497A true CN114211497A (zh) | 2022-03-22 |
Family
ID=80707063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111654255.6A Withdrawn CN114211497A (zh) | 2021-12-30 | 2021-12-30 | 面向半导体晶圆传送机械臂的高速运动控制方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114211497A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114794670A (zh) * | 2022-04-01 | 2022-07-29 | 深圳市如本科技有限公司 | 鞋涂场景仿真实施方法及鞋涂测试装置 |
CN116313880A (zh) * | 2022-06-20 | 2023-06-23 | 无锡亚电智能装备有限公司 | 一种晶圆清洗设备传输机构控制方法及装置 |
CN117080139B (zh) * | 2023-10-12 | 2023-12-15 | 泓浒(苏州)半导体科技有限公司 | 基于真空吸附技术的晶圆传送控制方法及传送控制系统 |
-
2021
- 2021-12-30 CN CN202111654255.6A patent/CN114211497A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114794670A (zh) * | 2022-04-01 | 2022-07-29 | 深圳市如本科技有限公司 | 鞋涂场景仿真实施方法及鞋涂测试装置 |
CN116313880A (zh) * | 2022-06-20 | 2023-06-23 | 无锡亚电智能装备有限公司 | 一种晶圆清洗设备传输机构控制方法及装置 |
CN116313880B (zh) * | 2022-06-20 | 2023-12-01 | 无锡亚电智能装备有限公司 | 一种晶圆清洗设备传输机构控制方法及装置 |
CN117080139B (zh) * | 2023-10-12 | 2023-12-15 | 泓浒(苏州)半导体科技有限公司 | 基于真空吸附技术的晶圆传送控制方法及传送控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114211497A (zh) | 面向半导体晶圆传送机械臂的高速运动控制方法和系统 | |
JP6873941B2 (ja) | ロボット作業システム、及びロボット作業システムの制御方法 | |
CN109048890B (zh) | 基于机器人的协调轨迹控制方法、系统、设备及存储介质 | |
Van Baar et al. | Sim-to-real transfer learning using robustified controllers in robotic tasks involving complex dynamics | |
JP7291185B2 (ja) | 力及びトルク誘導ロボット組立のための技術 | |
Han et al. | Learning compound multi-step controllers under unknown dynamics | |
CN112757284B (zh) | 机器人控制装置、方法和存储介质 | |
WO2020057440A1 (zh) | 一种装配方法、装配装置及装配设备 | |
CN111421554B (zh) | 基于边缘计算的机械臂智能控制系统、方法、装置 | |
Bohez et al. | Sensor fusion for robot control through deep reinforcement learning | |
Zhang et al. | Sim2real learning of obstacle avoidance for robotic manipulators in uncertain environments | |
CN114516060A (zh) | 用于控制机器人装置的设备和方法 | |
US11548150B2 (en) | Apparatus and method for planning contact-interaction trajectories | |
CN112638596A (zh) | 自主学习型机器人装置以及自主学习型机器人装置的动作生成方法 | |
Ying et al. | Trajectory generation for multiprocess robotic tasks based on nested dual-memory deep deterministic policy gradient | |
CN108789413A (zh) | 基于三段三次多项式的机械臂自由边界运动规划方法 | |
CN116803635B (zh) | 基于高斯核损失函数的近端策略优化训练加速方法 | |
Yang et al. | Control of space flexible manipulator using soft actor-critic and random network distillation | |
Lutter et al. | Building skill learning systems for robotics | |
CN110114195B (zh) | 动作转移装置、动作转移方法和存储动作转移程序的非暂时性计算机可读介质 | |
US20220297295A1 (en) | System and method for feeding constraints in the execution of autonomous skills into design | |
Beik Mohammadi et al. | Mixed-reality deep reinforcement learning for a reach-to-grasp task | |
CN116736748A (zh) | 构建机器人的控制器的方法和机器人 | |
US20230191600A1 (en) | Motion control method, robot, and computer-readable storage medium | |
Sunwoo et al. | Optimal Path Search for Robot Manipulator using Deep Reinforcement Learning |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220322 |
|
WW01 | Invention patent application withdrawn after publication |