CN116330259A - 一种基于决策树的协作机器人碰撞检测方法 - Google Patents
一种基于决策树的协作机器人碰撞检测方法 Download PDFInfo
- Publication number
- CN116330259A CN116330259A CN202111577040.9A CN202111577040A CN116330259A CN 116330259 A CN116330259 A CN 116330259A CN 202111577040 A CN202111577040 A CN 202111577040A CN 116330259 A CN116330259 A CN 116330259A
- Authority
- CN
- China
- Prior art keywords
- robot
- decision tree
- moment
- coordinate
- model
- 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.)
- Pending
Links
- 238000003066 decision tree Methods 0.000 title claims abstract description 50
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 26
- 230000001133 acceleration Effects 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000005484 gravity Effects 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 230000033001 locomotion Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 210000000707 wrist Anatomy 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 5
- 238000010801 machine learning Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000013213 extrapolation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000001154 acute effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000000418 atomic force spectrum Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- B25J9/1628—Programme controls characterised by the control loop
- B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
- B25J19/0095—Means or methods for testing manipulators
-
- 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
- B25J9/1628—Programme controls characterised by the control loop
- B25J9/1638—Programme controls characterised by the control loop compensation for arm bending/inertia, pay load weight/inertia
-
- 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
- B25J9/1666—Avoiding collision or forbidden zones
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Numerical Control (AREA)
Abstract
本发明属于协作机器人自动化控制领域,具体说是一种基于决策树的协作机器人碰撞检测方法。包括以下步骤:针对机器人,构建运动学模型;对运动学模型进行奇异点分析,去除机器人处在奇异点时的情况;根据运动学重力补偿理论,得到机器人的理论力矩;使用机器人驱动器数据以及机器人的理论力矩对决策树模型进行训练;将实时机器人驱动器数据和理论力矩输入到训练好的决策树模型中,得到当前时刻机器人是否发生碰撞。本发明基于决策树的机器学习算法以速度、加速度、实时力矩、理论力矩、实时力矩的导数作为判断依据,数据考虑更全面,更准确。
Description
技术领域
本发明属于协作机器人自动化控制领域,具体说是一种基于决策树的协作机器人碰撞检测方法。
背景技术
在人与机器人协同工作的今天,协作机器人已经逐渐进入到人类自动化生产线的各个环节。防止碰撞和安全动作的执行是冗余度机械臂控制系统设计中的一个基本问题。协作机器人不仅可以像传统机器人一样示教工作,而且可以与人一起协作完成工作。基于关节型的协作机器人因为其设计理念,每个关节可以进行解耦分析,可以借助驱动器力矩力控等技术实现碰撞保护功能。因为其成本低,使用灵活以及部署方便等特点日益得到用户的认可。
目前协作机器人碰撞保护检测手段通常考虑当前关节力矩与计算获取的理论动力学力矩相比较,当差值超过碰撞阈值即产生触发碰撞响应。必须保证避免机械臂与环境中可能存在的障碍发生碰撞,避免机械臂临界状态的规避。过渡到临界状态可能会导致机械手设备的损坏。控制系统的设计使冗余机械手不会损坏自身,以避免临界状态或与其他物体碰撞。现有碰撞保护易受温度变化,机器人运行速度的影响,机器人在长时间高温运行后,碰撞效果直线下降,导致碰撞失灵。
发明内容
本发明的目的是开发一种基于决策树的协作机器人碰撞检测方法。通过该方法实现基于机器人学习的智能碰撞检测方法,进而实现复杂环境下的碰撞保护,保护机器人与外部环境。与单一检测碰撞力矩差值相比,该方法以机器人速度、加速度、跟踪从、力矩、力矩倒数为输入参数,采用向量机在高纬空间对其分类,实现碰撞检测功能。
本发明为实现上述目的所采用的技术方案是:
一种基于决策树的协作机器人碰撞检测方法,包括以下步骤:
针对机器人,构建运动学模型;
对运动学模型进行奇异点分析,去除机器人处在奇异点时的情况;
根据运动学重力补偿理论,得到机器人的理论力矩;
使用机器人驱动器数据以及机器人的理论力矩对决策树模型进行训练;
将实时机器人驱动器数据和理论力矩输入到训练好的决策树模型中,得到当前时刻机器人是否发生碰撞。
所述构建运动学模型,具体为:所述机器人具有包括肩转、肩摆、肘转、肘摆、肘转和手摆的6个自由度,根据MDH坐标传递矩阵,建立各个运动轴坐标间的转换关系:
其运动学总体解为:
其中,表示关节传递矩阵,i=1~6表示机器人关节序号;(nx,ny,nz)表示机器人姿态N的坐标,上角标表示基坐标,下角标表示机器人末端坐标;(ox,oy,oz)表示机器人姿态O的坐标,上角标表示基坐标,下角标表示机器人末端坐标;(ax,ay,az)表示机器人姿态A的坐标,上角标表示基坐标,下角标表示机器人末端坐标;(px,py,pz)表示机器人位置的坐标,上角标表示基坐标,下角标表示机器人末端坐标;tcp表示工具末端;c表示cos,s表示sin,后面数字表示第i个关节θi;D表示连杆长度,后面数字表示第i个连杆。
所述对运动学模型进行奇异点分析,具体为:
(1)肩部奇异位置表达式:当px2+(pz-D1)2-(D4)2=0时,此时末端参考点O6位于轴线第一关节的z轴z1和第二个关节x轴x2构成的平面内,θ1无法求解,导致机器人失控;
(2)肘部奇异位置表达式:当A2+B2-C2=0时,无法求出θ2,导致机器失控,轴线x2、x3、x4共面;其中:
(3)腕部奇异位置表达式:当s5=0,即θ5=0或θ5=π时,轴线x4和x6平行,无法求出θ6,导致机器失控。
所述根据运动学重力补偿理论包括向外迭代和向内迭代两部分,向外迭代是对每个连杆应用牛顿-欧拉方程,从连杆1到连杆n向外迭代计算连杆的速度和加速度;向内迭代是从连杆n到连杆1向内迭代计算连杆间的相互作用力和力矩以及关节驱动力矩。
所述驱动器数据包括:机器人速度、加速度、实时力矩,均由机器人驱动器得到。
所述使用机器人驱动器数据以及机器人的理论力矩对决策树模型进行训练,具体为:
将机器人驱动器得到的机器人速度、加速度、实时力矩,运动学重力补偿得到的机器人的理论力矩,以及实时力矩的导数作为决策树模型的输入,其对应时刻是否发生碰撞的结果作为决策树模型的输出,对决策树模型进行训练。
本发明具有以下有益效果及优点:
1.本发明通过训练实际碰撞数据样本,而非人为控制,结果更符合结果。
2.本发明基于决策树的机器学习算法以速度、加速度、实时力矩、理论力矩、实时力矩的导数作为判断依据,数据考虑更全面,更准确。
附图说明
图1为本发明的机器人关节示意图;
图2为本发明的方法流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
在机器学习中,决策树是一个预期模型,他代表的是对象属性与对象值之间的一种映射关系。决策树分类器成功地应用于许多不同的领域,如雷达信号分类、字符识别、遥感、医疗诊断、专家系统和语音识别。一种基于决策树的协作机器人碰撞检测方法主要特点:采用机器学习的决策树为分析工具,综合考虑机器人速度、加速度、跟踪差、力矩的导数等因素,判断机器人是否发生碰撞。该方法据有准确率高、灵敏度强、检测过程计算量小等特点。决策树是一种树形结构,其中每个内部节点表示一个属性上的测试,每个分支代表一个测试输出,每个叶节点代表一种类别。从而把电流发生变化趋势,分为不同的种类。主要缺点:需要海量的训练数据。决策树最重要的特性是它们能够将一个复杂的决策过程分解成一组更简单的决策,从而提供一个通常更容易解释的解决方案。
基于决策树的机器人碰撞智能检测方法,实现协作机器人在运行情况下准确的碰撞检测,进而保护协作机器人本体与外部环境。系统通过总线采集关节力矩,与以动力学为基础的理论力矩对比,计算力矩差。采用基于向量机的智能算法,将力矩差、力矩、力矩导数、速度、加速度作为输入,输出碰撞检测结果。
基于基于决策树的机器人碰撞检测方法包含以下模块:
如图2所示,运动学是机器人运动的基本模块,是机器人碰撞检测的前提,因为只有对机器人运动过程中进行碰撞检测才有意义。机器人动力学是碰撞检测的核心,动力学计算力矩值+摩擦力=机器人实际电流值。在机器人运动过程中,从工程角度来说认为该公式成立。动力学值主要是计算机器人在当前加速度、速度情况下需要的扭矩值。摩擦力理论模型在实际过程中是不可用的,所以要利用决策树算法来间接计算机器人当前运动是否发生了碰撞,决策树的输入值是机器人运动过程中相关信息数据,输出值是是否发生了碰撞。下面对这几个过程进行详细分析。
一、运动学建模
该移动机器人的操作手臂是一种仿人机械手臂,共有肩转、肩摆、肘转、肘摆、肘转和手摆6个自由度手臂的结构简图,初始位置和各关节坐标系如图1所示:
运动学和工作空间分析是机器人运动规划和控制的基础。具体方法:根据MDH坐标传递矩阵,建立各个运动轴坐标间的转换关系,如下所示。
其中θi表示第个i关节(Axisi)的旋转引起的角度,协作机器人存在6个自由度。其运动学总体解为:
式中“\”为换行符。
二、奇异性分析
机器人在奇异点位置时,逆向运动学求解表达式无解,无法通过逆向运动学运算将末端笛卡尔坐标系转化为关节电机轴的角度,而且笛卡儿坐标系内一点微小的变化就会引起轴角度的剧烈变化,所以需要获得奇异点位置的直观表达,避免机器人失控。
(2)肘部奇异位置表达式。当A2+B2-C2=0时,无法求出θ2,导致机构失控,轴线x2、x3、x4共面。
(3)腕部奇异位置表达式。当s5=0,即θ5=0或θ5=π时,轴线x4和x6平行,无法求出θ6,导致机构失控。
三、动力学重力补偿理论值
牛顿欧拉动力学计算包括向外迭代和向内迭代量部分:
第一部分是对每个连杆应用牛顿-欧拉方程,从连杆1到连杆n向外迭代计算连杆的速度和加速度。第二部分是从连杆n到连杆1向内迭代计算连杆间的相互作用力和力矩以及关节驱动力矩。
(1)牛顿-欧拉外推法:外推i:0—5;
(2)牛顿-欧拉内推法:内推i:6—1
通过动力学模型的重力项,可给出重力补偿的理论值。
其中表示第个i关节的旋转引起的角速度,对于串联机器人,iωi是/>和上一个关节速速iωi-1的合成。/>是3×3维的姿态阵,是坐标系{i}相对坐标系{i+1}的姿态矩阵。是坐标系{i+1}的原点加速度在坐标系{i+1}的表示。/>是第i+1个连杆质心的加速度在坐标系{i+1}的表示。i+1Fi+1是第i+1个连杆质心处由加速度引起的力在坐标系{i+1}的表示。mi+1表示第i+1个连杆的质量,/>是第i+1个连杆相对于第i+1质心坐标系的惯量矩阵。ifi是第i个质心处受力,是加速度产生的力和后一个连杆传递力的合成。ini表示坐标系{i}原点处的扭矩,是3×1维的扭矩。τi是ini在Z轴方向的分量,也是关节i处所需的扭矩值。
四、摩擦参数辨识
将检测到的力矩值τci分解成为动力学τi+摩擦力T。动力学的值由上面的理论给出。鉴于此,摩擦力力矩值为:
T=τci-τi (9)
摩擦力辨识需要采集驱动器的力矩曲线。如最小二乘法一般用二次函数拟合,还有抛物线等。摩擦项,只考虑滑动摩擦和静摩擦,根据情况,如果影响较大则采取数据进行辨识,辨识的方法采用摩擦项与动力学项的解耦辨识方法。利用决策树可以对摩擦力曲线进行直接分析,替代以往的解耦辨识的方法。
五、基于决策树检测模块
决策树是一种机器学习的方法,其特点是使用树的结构进行决策,模拟人对概念进行判定的树形流程。任务是从给定的训练集合D学得一个数模型,用以对新示例完成分类任务。其目的是产生一棵泛化能力强,即处理未见示例能力强的决策树。基于决策树检测模块框架如下所示。
首先生成训练样本。通过采集驱动器数据与经计算获得的理论关节力矩值,以及碰撞结果。训练集输入数据为:速度、加速度、实时力矩、理论力矩、实时力矩的导数,训练集结果为是否发生碰撞。
模型训练,以训练样本作为数据输入到训练模块,进行模型训练,生成实际使用的决策树模型。
决策树算法,实际碰撞检测使用已经训练好的决策树模型,对实时采集的输入数据(速度、加速度、实时力矩、理论力矩、实时力矩的导数),进行分类,区分是否发生碰撞结果。
当机器人有多个机械手时,或者人与机器人协调工作时,确定和预防机械手危险运动的问题变得相当困难。控制系统通过CANopen采集各个关节的扭矩数据,经滤波获得稳定的扭矩信号。采集的力矩信号与动力学模块计算的理论动力学数据结合摩擦补偿数据,获取各个关节的理论关节力矩信息。以理论关节力矩数据、实际力矩值、关节速度、关节加速度、实际力矩导数作为基于决策树输入,对该数据进行分来别类,确定是否发生碰撞检测。采用实际采集到的不同条件下的输入数据(理论关节力矩数据、实际力矩值、关节速度、关节加速度、实际力矩导数)与结果作为训练样本,对决策树的模型进行训练,供碰撞检测时使用。避免机器人碰撞的方法之一是对工作空间进行划分,使协作机器人的轨迹不发生交叉。由于协作机械手工作在统一的工作空间中,空间划分名义上是通过定义各个机械手的禁区来实现的。这种方法的实现是通过软件工具来实现的。工作空间被划分为两个子空间,其中每个机械手都可以在不直接接触另一个机械手的情况下工作。这种工作空间划分方法可以解决所考虑的问题,但它限制了控制系统的能力。该方法的一个扩展是考虑机器人当前位置的在线动态调整工作空间的划分边界。
本发明采用牛顿欧拉动力学计算动力学项方便快速,减少了一定的计算量。
本发明采用基于决策树结合多种采集数据进行碰撞检测分类,结果更全面,准确、灵敏度高。
本发明采用训练样本进行基于决策树模型训练,与人为设置相比更具客观性。
Claims (6)
1.一种基于决策树的协作机器人碰撞检测方法,其特征在于,包括以下步骤:
针对机器人,构建运动学模型;
对运动学模型进行奇异点分析,去除机器人处在奇异点时的情况;
根据运动学重力补偿理论,得到机器人的理论力矩;
使用机器人驱动器数据以及机器人的理论力矩对决策树模型进行训练;
将实时机器人驱动器数据和理论力矩输入到训练好的决策树模型中,得到当前时刻机器人是否发生碰撞。
2.根据权利要求1所述的一种基于决策树的协作机器人碰撞检测方法,其特征在于,所述构建运动学模型,具体为:所述机器人具有包括肩转、肩摆、肘转、肘摆、肘转和手摆的6个自由度,根据MDH坐标传递矩阵,建立各个运动轴坐标间的转换关系:
其运动学总体解为:
4.根据权利要求1所述的一种基于决策树的协作机器人碰撞检测方法,其特征在于,所述根据运动学重力补偿理论包括向外迭代和向内迭代两部分,向外迭代是对每个连杆应用牛顿-欧拉方程,从连杆1到连杆n向外迭代计算连杆的速度和加速度;向内迭代是从连杆n到连杆1向内迭代计算连杆间的相互作用力和力矩以及关节驱动力矩。
5.根据权利要求1所述的一种基于决策树的协作机器人碰撞检测方法,其特征在于,所述驱动器数据包括:机器人速度、加速度、实时力矩,均由机器人驱动器得到。
6.根据权利要求1或5所述的一种基于决策树的协作机器人碰撞检测方法,其特征在于,所述使用机器人驱动器数据以及机器人的理论力矩对决策树模型进行训练,具体为:
将机器人驱动器得到的机器人速度、加速度、实时力矩,运动学重力补偿得到的机器人的理论力矩,以及实时力矩的导数作为决策树模型的输入,其对应时刻是否发生碰撞的结果作为决策树模型的输出,对决策树模型进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111577040.9A CN116330259A (zh) | 2021-12-22 | 2021-12-22 | 一种基于决策树的协作机器人碰撞检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111577040.9A CN116330259A (zh) | 2021-12-22 | 2021-12-22 | 一种基于决策树的协作机器人碰撞检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116330259A true CN116330259A (zh) | 2023-06-27 |
Family
ID=86879200
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111577040.9A Pending CN116330259A (zh) | 2021-12-22 | 2021-12-22 | 一种基于决策树的协作机器人碰撞检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116330259A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117340914A (zh) * | 2023-10-24 | 2024-01-05 | 哈尔滨工程大学 | 一种仿人机器人体感控制方法及控制系统 |
-
2021
- 2021-12-22 CN CN202111577040.9A patent/CN116330259A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117340914A (zh) * | 2023-10-24 | 2024-01-05 | 哈尔滨工程大学 | 一种仿人机器人体感控制方法及控制系统 |
CN117340914B (zh) * | 2023-10-24 | 2024-05-14 | 哈尔滨工程大学 | 一种仿人机器人体感控制方法及控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Compare contact model-based control and contact model-free learning: A survey of robotic peg-in-hole assembly strategies | |
Khalil et al. | Dexterous robotic manipulation of deformable objects with multi-sensory feedback-a review | |
CN108582078A (zh) | 一种面向直接示教的机械臂零力控制方法 | |
Thakar et al. | Accounting for part pose estimation uncertainties during trajectory generation for part pick-up using mobile manipulators | |
CN111872936B (zh) | 一种基于神经网络的机器人碰撞检测系统及方法 | |
CN111712356A (zh) | 机器人系统和操作方法 | |
Ye et al. | High-accuracy prediction and compensation of industrial robot stiffness deformation | |
Cai et al. | Modeling Method of Autonomous Robot Manipulator Based on D‐H Algorithm | |
Jiang et al. | The state of the art of search strategies in robotic assembly | |
Ligutan et al. | Design and implementation of a fuzzy logic-based joint controller on a 6-DOF robot arm with machine vision feedback | |
CN113829343A (zh) | 基于环境感知的实时多任务多人人机交互系统 | |
CN116330259A (zh) | 一种基于决策树的协作机器人碰撞检测方法 | |
Zhang et al. | Lower limb exoskeleton robots’ dynamics parameters identification based on improved beetle swarm optimization algorithm | |
Xie et al. | Visual tracking control of SCARA robot system based on deep learning and Kalman prediction method | |
Chen et al. | Sequential motion primitives recognition of robotic arm task via human demonstration using hierarchical BiLSTM classifier | |
Kumar et al. | An optimization approach to solve the inverse kinematics of redundant manipulator | |
Poeppel et al. | Robust distance estimation of capacitive proximity sensors in hri using neural networks | |
Kumar et al. | Sensor-based estimation and control of forces and moments in multiple cooperative robots | |
CN116330344A (zh) | 一种基于监督学习的支持向量机的协作机器人碰撞检测方法 | |
Chávez-Olivares et al. | On explicit force regulation with active velocity damping for robot manipulators | |
Huang et al. | SVM-based identification and un-calibrated visual servoing for micro-manipulation | |
Shauri et al. | Sensor integration and fusion for autonomous screwing task by dual-manipulator hand robot | |
Rego et al. | Manipulator Motion Tracking Conceptual Model | |
Yu et al. | Modelling and adaptive control of NAO robot arm | |
Meng et al. | Dynamic projection of human motion for safe and efficient human-robot collaboration |
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 |