CN114310965A - 无需关节力矩测量的机械臂阻抗控制方法及系统 - Google Patents
无需关节力矩测量的机械臂阻抗控制方法及系统 Download PDFInfo
- Publication number
- CN114310965A CN114310965A CN202210056084.5A CN202210056084A CN114310965A CN 114310965 A CN114310965 A CN 114310965A CN 202210056084 A CN202210056084 A CN 202210056084A CN 114310965 A CN114310965 A CN 114310965A
- Authority
- CN
- China
- Prior art keywords
- joint
- matrix
- mechanical arm
- robot
- impedance
- 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- Withdrawn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
Landscapes
- Manipulator (AREA)
Abstract
本发明提供了一种无需关节力矩测量的机械臂阻抗控制方法及系统,涉及机器人与环境交互技术领域,该方法包括:步骤S1:建立控制目标,让机械臂的每一个关节对外界交互力均体现出弹簧‑阻尼‑质量组成的二阶系统的动态特性;步骤S2:根据控制目标,建立机器人的动力学方程;步骤S3:根据建立的动力学方程定义关节转矩控制输入;步骤S4:设计弹簧‑阻尼‑质量的二阶系统中的质量特性矩阵,得出此时关节转矩控制输入;步骤S5:将步骤S4中的关节转矩控制输入代入所述机器人的动力学方程。本发明能够保证关节对外表现出弱耦合的阻抗控制特性,避免额外引入传感器增加成本与关节电机电流估算模型不准确的问题。
Description
技术领域
本发明涉及机器人与环境交互技术领域,具体地,涉及一种无需关节力矩测量的机械臂阻抗控制方法及系统。
背景技术
随着机器人技术的快速发展,人与机器人协同工作的场景要求越来越普遍。机器人的应用范围不断扩大,也对机器人的安全性提出了越来越高的要求,尤其是机器人需要与外界环境(包含人)进行交互的场景。交互往往伴随着机器人与外界环境的力的作用。传统的机器人刚度大,表现出位置控制的高精度。然而,在力交互的场合,机器人需要具备一定的柔性,以实现对力控制的要求。
为了实现机器人的应用范围不断扩大,也对机器人的安全性提出了越来越高的要求,尤其是机器人需要与外界环境(包含人)进行交互的场景。交互往往伴随着机器人与外界环境的力的作用。传统的机器人刚度大,表现出位置控制的高精度。然而,在力交互的场合,机器人需要具备一定的柔性,以实现对力控制的要求。
目前使用较多的是柔顺控制中的阻抗控制方法。机械臂关节阻抗控制模型的精准实现,需要对机器人与环境的相互作用力(力矩)进行测量,并通过力雅克比矩阵转化到关节受力。然而,精准测量机器人与环境的相互作用力(力矩)并不是一件容易的事。常见的方法有两种:1.在机械臂本体上增加力(力矩)传感器测量外力(力矩);2.通过关节电机电流与机械臂动力学模型,估算机械臂受到的外力情况。第一种方法给机器人系统增加了硬件成本,且多传感器的融合使用,对信号采集、系统实时性、控制复杂性带来了更大的挑战。第二种方法对于机械臂外界交互力的估计准确度低,不但受关节电机电流稳定性的影响,也受限于机械臂动力学模型的准确性,其中关节摩擦力模型非常难以辨识,也降低了此方法的识别精度。因此,第二种方法在实际工程中很难为控制模型提高准确的外力估计。
公开号为CN113400313A的发明专利,公开了一种基于Zener模型的机器人-环境柔顺接触过程的阻抗控制方法,基于位置控制的力跟踪阻抗控制器在位置控制内环的基础上加入力控制外环,将实际接触力和期望接触力的误差信号通过阻抗控制器转换为位置调整量,再通过位置调整量和参考轨迹叠加来调整机器人末端的理想运动轨迹,最后通过位置控制器使机器人末端按计算出的理想运动轨迹运动,进而实现力跟踪。该专利中设计的Zener阻抗控制模型,需要引入力传感器设备来实时测量机器人末端与环境的接触力Fe,增加了系统成本与控制复杂度。该专利提出的基于位置控制的力跟踪阻抗控制器,实则是在位置控制内环的基础上加入力控制外环,进而间接实现力控制。机械臂位置控制的周期相比本发明采用的关节力矩控制周期通常慢10倍以上,因此对外界力的响应带宽较差。可能发生的情况是:作用力已经发生了,而机械臂的位置还没有来得及响应。
公开号为CN112936291A的发明专利,公开了一种基于阻抗控制的力控末端执行器振动抑制方法,包括以下步骤:建立力控末端执行器的阻抗关系;基于动力学模型和力控末端执行器的阻抗关系,建立参考位置和力控末端执行器的传递函数关系;根据得出的传递函数关系设计阻抗匹配控制器;将位移信号和速度信号输入阻抗匹配控制器,所述速度信号由位移信号微分得出;将阻抗匹配控制器作用于工业机器人的力控流程中,利用阻抗匹配控制器对工业机器人输出力进行补偿。该专利提到的阻抗控制方法,需要采集力信号和加速度信号来建立末端执行器运动和力之间的关系。力信号的采集,需要增加力传感器设备,加速度信号的采集,是通过关节速度差分方式获取。而关节速度的差分信号噪声影响比较大,一般无法直接使用。
发明内容
针对现有技术中的缺陷,本发明提供一种无需关节力矩测量的机械臂阻抗控制方法及系统。
根据本发明提供的一种无需关节力矩测量的机械臂阻抗控制方法及系统,所述方案如下:
第一方面,提供了一种无需关节力矩测量的机械臂阻抗控制方法,所述方法包括:
步骤S1:建立控制目标,让机械臂的每一个关节对外界交互力均体现出弹簧-阻尼-质量组成的二阶系统的动态特性;
步骤S2:根据控制目标,建立机器人的动力学方程;
步骤S3:根据建立的动力学方程定义关节转矩控制输入;
步骤S4:设计弹簧-阻尼-质量的二阶系统中的质量特性矩阵,得出此时关节转矩控制输入;
步骤S5:将步骤S4中的关节转矩控制输入代入所述机器人的动力学方程。
优选的,所述步骤S1中建立控制目标包括:
式中,qd是机械臂关节的期望位置;q是机械臂关节的当前位置;表示关节位置误差;表示关节速度误差;表示关节加速度误差;Md是目标阻抗模型的质量矩阵;Dd是目标阻抗模型的阻尼矩阵;Kd是目标阻抗模型的刚度矩阵;τext是机械臂与外界交互产生的关节力矩大小。
优选的,所述步骤S2中机器人的动力学方程:
其中,I表示单位矩阵。
优选的,所述步骤S4具体包括:
对于无法实时测量外界交互对关节力矩影响的场合,设计弹簧-阻尼-质量的二阶系统中的质量特性矩阵Md=M(q);
此时,关节转矩控制输入为:
关节输入力矩τ与外界交互力矩τext无关,即该控制输入无需对外界交互力矩进行测量或估算。
优选的,所述步骤S5具体包括:
将步骤S4中的关节力矩代入机器人的动力学方程,得到:
机器人在步骤S4的控制律下,仍对外界交互表现出阻抗特性,其中,阻抗特性由质量特性矩阵M(q)、阻尼特性矩阵Dd以及刚度特性矩阵Kd决定。
第二方面,提供了一种无需关节力矩测量的机械臂阻抗控制系统,所述系统包括:
模块M1:建立控制目标,让机械臂的每一个关节对外界交互力均体现出弹簧-阻尼-质量组成的二阶系统的动态特性;
模块M2:根据控制目标,建立机器人的动力学方程;
模块M3:根据建立的动力学方程定义关节转矩控制输入;
模块M4:设计弹簧-阻尼-质量的二阶系统中的质量特性矩阵,得出此时关节转矩控制输入;
模块M5:将模块M4中的关节转矩控制输入代入所述机器人的动力学方程。
优选的,所述模块M1中建立控制目标包括:
式中,qd是机械臂关节的期望位置;q是机械臂关节的当前位置;表示关节位置误差;表示关节速度误差;表示关节加速度误差;Md是目标阻抗模型的质量矩阵;Dd是目标阻抗模型的阻尼矩阵;Kd是目标阻抗模型的刚度矩阵;τext是机械臂与外界交互产生的关节力矩大小。
优选的,所述模块M2中机器人的动力学方程:
其中,I表示单位矩阵。
与现有技术相比,本发明具有如下的有益效果:
1、本发明实现了机械臂关节对外界交互力(力矩)的弱耦合阻抗特性,提高了人机交互的安全性;
2、本发明机械臂具有期望的主动柔顺性,提高了人机交互的安全性;
3、本发明无需多维力传感器或单维力矩传感器对外界力(力矩)进行测量,降低了系统的硬件成本与控制算法复杂度,提高了关节力矩控制的实时性;
4、本发明无需通过关节电机电流来估算机器人受到的外力情况;无需通过力传感器或电机电流估算等方式对外界力(力矩)进行测量,降低了系统的硬件成本,提高了控制算法的稳定性。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为Voigt阻抗控制模型示意图;
图2为本发明整体结构示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例1:
本发明实施例提供了一种无需关节力矩测量的机械臂阻抗控制方法,参照图1和图2所示,该方法具体步骤如下:
步骤S1:建立控制目标:
式中,qd是机械臂关节的期望位置;q是机械臂关节的当前位置;表示关节位置误差;表示关节速度误差;表示关节加速度误差;Md是目标阻抗模型的质量矩阵;Dd是目标阻抗模型的阻尼矩阵;Kd是目标阻抗模型的刚度矩阵;τext是机械臂与外界交互产生的关节力矩大小。
步骤S2:根据控制目标,建立机器人的动力学方程;
具体地,机器人的动力学方程:
其中,I表示单位矩阵,对于六关节的机械臂,I是6×6的单位矩阵。
步骤S4:对于无法实时测量外界交互对关节力矩影响的场合,为了使机械臂关节依旧能够实现对外界作用力的阻抗特性,设计弹簧-阻尼-质量的二阶系统中的质量特性矩阵Md=M(q);
此时,关节转矩控制输入为:
可以看到,关节输入力矩τ与外界交互力矩τext无关,即该控制输入无需对外界交互力矩进行测量或估算。
步骤S5:将步骤S4中的关节转矩控制输入代入所述机器人的动力学方程,可得到:
由此表明,机器人在步骤S4的控制律下,仍能对外界交互表现出阻抗特性,其中阻抗特性由质量特性矩阵M(q)、阻尼特性矩阵Dd、刚度特性矩阵Kd决定。
由于阻抗模型的质量特性矩阵M(q)是机器人动力学模型中的质量矩阵,因此存在不同关节质量间的耦合情况,且随机械臂位姿变化而变化。但由于在机械臂与外界交互作业过程中,关节角加速度一般都较小,因此第一项对系统的阻抗特性影响十分有限,此处的耦合作用相对较弱。
接下来,对本发明进行更为具体的说明。
本发明提供的一种无需关节力矩测量的机械臂阻抗控制方法,基于Voigt阻抗模型,包括如下:
1、建立基于Voigt模型的阻抗控制模型,设定关节对外期望的阻尼矩阵Dd与刚度矩阵Kd。
阻抗模型反应的是关节受到外力时表现出的动态特性,通常采用弹簧-阻尼-质量组成的二阶系统来等效。参照图1所示,是Voigt阻抗控制模型,弹簧与阻尼器并联连接质量,外力作用下的关节运动响应可表示为:
其中,qd是机械臂关节的期望位置,q是机械臂关节的当前位置,表示关节位置误差,表示关节速度误差,表示关节加速度误差;Md是目标阻抗模型的质量矩阵,Dd是目标阻抗模型的阻尼矩阵,Kd是目标阻抗模型的刚度矩阵,τext是机械臂与外界交互产生的关节力矩大小。
2、建立机器人动力学模型,辨识动力学参数。
阻抗控制的实现,需要对机器人建立精确的动力学模型,对于多关节串联的机械臂,通常采用拉格朗日方程建立关节空间的动力学方程:
对于6关节的串联机械臂,可通过关节的三维模型与材质,获取关节的质量、转动惯量等信息;或通过动力学参数辨识实验,获取最小惯性参数集,从而建立精确的动力学模型。
3、设计无需关节力矩检测的力矩控制律。
其中,I表示单位矩阵,对于六关节的机械臂,I是6×6的单位矩阵。
对于无法实时测量外界交互对关节力矩影响的场合,设计Md=M(q)。
此时,关节转矩控制输入为:
将关节驱动力矩代入机器人的动力学方程,可得到:
由此表明,机器人在所设计的控制律下,仍能对外界交互表现出阻抗特性,其中阻抗特性由质量特性矩阵M(q)、阻尼特性矩阵Dd、刚度特性矩阵Kd决定。由于阻抗模型的质量特性矩阵M(q)是机器人动力学模型中的质量矩阵,因此存在不同关节质量间的耦合情况,且随机械臂位姿变化而变化。但由于在机械臂与外界交互作业过程中,关节角加速度一般都较小,因此第一项对系统的阻抗特性影响十分有限,此处的耦合作用相对较弱。
综上所述,要对机械臂实施弱耦合的阻抗控制,需要具备以下条件:
A、机械臂的动力学模型及相关参数已知;
B、机械臂关节角度、角速度实时反馈;
C、机械臂关节的转矩控制模式。
实施例2:
本发明提供的一种无需关节力矩测量的机械臂阻抗控制方法,具体步骤如下:
1、建立基于Voigt模型的阻抗控制模型,设定关节对外期望的质量矩阵Md、阻尼矩阵Dd与刚度矩阵Kd。
阻抗模型反应的是关节受到外力时表现出的动态特性,通常采用弹簧-阻尼-质量组成的二阶系统来等效。图1所示,是Voigt阻抗控制模型,弹簧与阻尼器并联连接质量,外力作用下的关节运动响应可表示为:其中,qd是机械臂关节的期望位置,q是机械臂关节的当前位置,表示关节位置误差,表示关节速度误差,表示关节加速度误差。Md是目标阻抗模型的质量矩阵,Dd是目标阻抗模型的阻尼矩阵,Kd是目标阻抗模型的刚度矩阵,τext是机械臂与外界交互产生的关节力矩大小。
2、建立机器人动力学模型,辨识动力学参。
阻抗控制的实现,需要对机器人建立精确的动力学模型。对于多关节串联的机械臂,通常采用拉格朗日方程建立关节空间的动力学方程:
其中,M(q)是机械臂的惯性矩阵,是哥氏力与离心力矩阵,g(q)是重力矩阵,τ是关节驱动力矩,τext是关节受到的外力矩。对于6关节的串联机械臂,可通过关节的三维模型与材质,获取关节的质量、转动惯量等信息;或通过动力学参数辨识实验,获取最小惯性参数集,从而建立精确的动力学模型。
3、设计无需完整动力学模型和关节力矩反馈的机械臂柔顺控制律。
以上是实现精准的阻抗控制所需的关节力矩控制律。不难发现,精准的阻抗控制需要辨识完整的机械臂动力学参数,如连杆与关节的质量、质心、转动惯量,这些参数隐藏在M(q)、g(q)矩阵中,为辨识过程和辨识准确度带来了很大的挑战。此外,还需要准确获取关节受到的外力矩τext,通常采用力传感器设备或电流估算的方式实现。
4、为了降低机械臂关节柔性的控制复杂度,在多数柔性应用场合,我们可以假设即只给机器人关节角度的设定值qd。同时,我们忽略Md、M(q),即与质量、转动惯量相关的部分都不予考虑。忽略关节外力矩τext的影响。此时,关节力矩的控制律简化为:简化后的控制律包含两部分。第一部分是补偿机器人受到的非线性力矩的作用,包括科里奥利效应、重力效应。第二部分是PD控制,Dd相当于是D控制器参数,Kd相当于是K控制器参数。
5、将简化后的关节控制律代入机器人动力学方程,可以得到新的表达式:机器人在新的控制律下,仍然能表现出对外的阻抗特性,实现关节对外力的柔顺适应效果。该阻抗特性主要由Dd、Kd决定。通常,柔性控制场合的关节加速度较小,此时,机器人关节对外力矩表现为可以看做是一阶系统。
本发明实施例提供了一种无需关节力矩测量的机械臂阻抗控制方法及系统,通过机械臂关节控制律的设计,既保证了关节对外表现出弱耦合的阻抗控制特性,又避免了额外引入传感器增加成本与关节电机电流估算模型不准确的问题。
本发明的阻抗控制算法,既避免了力传感器对于外界交互力的测量,又无需获取关节加速度信号作为控制输入,而是采用期望轨迹的加速度信号作为控制输入。期望轨迹一般是通过轨迹规划获取的,能够保证加速度信号的平滑连续。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种无需关节力矩测量的机械臂阻抗控制方法,其特征在于,包括:
步骤S1:建立控制目标,让机械臂的每一个关节对外界交互力均体现出弹簧-阻尼-质量组成的二阶系统的动态特性;
步骤S2:根据控制目标,建立机器人的动力学方程;
步骤S3:根据建立的动力学方程定义关节转矩控制输入;
步骤S4:设计弹簧-阻尼-质量的二阶系统中的质量特性矩阵,得出此时关节转矩控制输入;
步骤S5:将步骤S4中的关节转矩控制输入代入所述机器人的动力学方程。
7.一种无需关节力矩测量的机械臂阻抗控制系统,其特征在于,包括:
模块M1:建立控制目标,让机械臂的每一个关节对外界交互力均体现出弹簧-阻尼-质量组成的二阶系统的动态特性;
模块M2:根据控制目标,建立机器人的动力学方程;
模块M3:根据建立的动力学方程定义关节转矩控制输入;
模块M4:设计弹簧-阻尼-质量的二阶系统中的质量特性矩阵,得出此时关节转矩控制输入;
模块M5:将模块M4中的关节转矩控制输入代入所述机器人的动力学方程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210056084.5A CN114310965A (zh) | 2022-01-18 | 2022-01-18 | 无需关节力矩测量的机械臂阻抗控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210056084.5A CN114310965A (zh) | 2022-01-18 | 2022-01-18 | 无需关节力矩测量的机械臂阻抗控制方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114310965A true CN114310965A (zh) | 2022-04-12 |
Family
ID=81027786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210056084.5A Withdrawn CN114310965A (zh) | 2022-01-18 | 2022-01-18 | 无需关节力矩测量的机械臂阻抗控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114310965A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114918924A (zh) * | 2022-07-20 | 2022-08-19 | 法奥意威(苏州)机器人系统有限公司 | 机器人牵引示教方法、装置、电子设备及存储介质 |
TWI808852B (zh) * | 2022-08-01 | 2023-07-11 | 崑山科技大學 | 六軸機器手臂深度學習穩定控制方法 |
-
2022
- 2022-01-18 CN CN202210056084.5A patent/CN114310965A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114918924A (zh) * | 2022-07-20 | 2022-08-19 | 法奥意威(苏州)机器人系统有限公司 | 机器人牵引示教方法、装置、电子设备及存储介质 |
TWI808852B (zh) * | 2022-08-01 | 2023-07-11 | 崑山科技大學 | 六軸機器手臂深度學習穩定控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110103220B (zh) | 机器人高速高精度运动轨迹规划方法、装置、设备及介质 | |
CN113681543B (zh) | 一种基于模型预测的机械臂零力控制方法 | |
CN108714896B (zh) | 一种基于柔体动力学模型的机器人柔性力矩前馈控制方法 | |
CN104723340B (zh) | 基于连接和阻尼配置的柔性关节机械臂的阻抗控制方法 | |
CN107530879B (zh) | 多轴机械装置仿真器、运转指令装置的设计辅助装置、电动机控制装置的设计辅助装置以及电动机的容量选定装置 | |
CN108656112B (zh) | 一种面向直接示教的机械臂零力控制实验系统 | |
CN114310965A (zh) | 无需关节力矩测量的机械臂阻抗控制方法及系统 | |
Wang et al. | Uncalibrated visual tracking control without visual velocity | |
CN105479459A (zh) | 机器人零力控制方法以及系统 | |
CN112743541B (zh) | 一种无力/力矩传感器机械臂软浮动控制方法 | |
Han et al. | Toward sensorless interaction force estimation for industrial robots using high-order finite-time observers | |
Liu et al. | Sensorless haptic control for human-robot collaborative assembly | |
CN103495977A (zh) | 一种6r型工业机器人负载识别方法 | |
CN104723341A (zh) | 基于连接和阻尼配置的柔性关节机械臂的位置控制方法 | |
CN108638070A (zh) | 基于动态平衡的机器人负载重力参数辨识方法 | |
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 | |
Xiao et al. | Sensorless human-robot collaborative assembly considering load and friction compensation | |
CN112247962A (zh) | 面向上肢穿戴机器人的人机博弈控制方法及系统 | |
Chen et al. | Experimental analysis on spatial and cartesian impedance control for the dexterous DLR/HIT II hand | |
Xu et al. | Nonlinear sliding mode control of manipulator based on iterative learning algorithm. | |
Wu et al. | A study on tracking error based on mechatronics model of a 5-DOF hybrid spray-painting robot | |
Oikawa et al. | Assembly robots with optimized control stiffness through reinforcement learning | |
Parvin et al. | Human-Machine Interface (HMI) Robotic Arm Controlled by Gyroscopically Acceleration | |
CN111203883B (zh) | 面向机器人电子元器件装配的自学习模型预测控制方法 | |
CN114102599A (zh) | 基于柔性机械臂的人机交互自适应控制方法和系统 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220412 |