CN116810792A - 基于神经网络的引信与传爆管双机器人装配柔性控制方法 - Google Patents

Abstract

本发明公开了一种基于神经网络的引信与传爆管双机器人装配柔性控制方法，包括以下步骤：首先通过实验在力传感器上获得估计的期望接触力，并且根据轨迹规划后的接触位置得出机械臂末端位置的估计值；得到双机器人的运动学模型，根据期望接触力设计自适应阻抗控制器，将阻抗控制关系与PID控制策略结合；采集每一次双机器人协作装配所产生的两工件之间的实际接触力，计算出实际接触力的平均值与期望接触力之间的差值，将差值导入所述自适应阻抗控制器中；运用神经网络拟合真实姿态、真实驱动量和理论驱动量差值的关系，经过训练的神经网络在线修正轨迹。本发明能够克服外界环境及不确定力场的干扰，使得阻抗控制更加精准。

Description

基于神经网络的引信与传爆管双机器人装配柔性控制方法

技术领域

本发明属于力控制和机器人协作控制技术领域，具体涉及一种基于神经网络的引信与传爆管双机器人装配柔性控制方法。

背景技术

传统的采用双机器人协作装配的两物件对接拧紧方法，由于无法准确满足约束力的限制，再加上外界环境与接触时的外力干扰，导致工件装配的效果并不理想，会产生诸多不安全因素。因此对两个零件装配进行改良的柔顺控制成了现在双机器人协作装配领域研究的重点。

为解决以上问题，常用的方法有通过力/位置混合控制方法、阻抗控制方法配合六维力传感器对力进行检测与控制。阻抗控制相对于力/位置混合控制方法控制效果更好、实现难度也较低，所以一般机器人协作工程中使用阻抗控制更为常见。

然而传统的阻抗控制在实际应用中由于环境的干扰因素，难以准确获得机器人末端执行器的参考轨迹，对时变的干扰无法解决。如今的双机器人加工环境更为复杂、特殊，机器人怎样能够自适应环境的扰动并克服扰动的干扰对物件进行柔性装配成了现在工业生产的一大难题。

发明内容

为了解决现有技术存在的上述问题，本发明提供一种基于神经网络的引信与传爆管双机器人装配柔性控制方法，能够克服外界环境及不确定力场的干扰，使得阻抗控制更加精准，提高双机器人工作效率，最终实现引信与传爆管的柔性装配。

本发明的目的是通过以下技术方案实现的：

一种基于神经网络的引信与传爆管双机器人装配柔性控制方法，包括以下步骤：

S1：待双机器人将引信与传爆管通过所规划的路径夹持到达预期的位置后，首先通过实验在力传感器上获得估计的期望接触力，并且根据双机器人的轨迹规划后的接触位置得出机械臂末端位置的位置估计值；

S2：得到双机器人的运动学模型，根据期望接触力设计自适应阻抗控制器，将阻抗控制关系与PID控制策略结合，使机器人与机器人之间的实际作用力跟踪该期望接触力，将实际接触力转换为实际位置的控制；

S3：采集每一次双机器人协作装配所产生的两工件之间的实际接触力，计算出实际接触力的平均值与期望接触力之间的差值，将差值导入所述自适应阻抗控制器中，减小期望轨迹的误差；

S4：运用神经网络拟合真实姿态、真实驱动量和理论驱动量差值的关系，经过训练的神经网络在线修正轨迹。

本发明的有益效果在于：

本发明提供一种基于神经网络的引信与传爆管双机器人装配柔性控制方法，结合实际的运动轨迹和环境的影响，可以克服这些不确定因素与干扰，使得双机器人协作配合两物体的拧紧力大小合适；结合了动力学模型与RBFNN神经网络的方法，搭建了阻抗控制器，通过此方法可以对非线性模型产生一个很好的拟合效果，满足机械臂同时工作于自由空间和接触空间，且能够同时满足对恒定力和时变力的跟踪。当双机械臂在接触对接的时候可以对末端的接触力进行跟踪，在对接前的自由空间内，可以同时对位置和速度进行跟踪，改进的阻抗关系，通过所选的PID控制，有效的减小了力的超调，提高了响应速度，本发明可以应用于含有不确定因素以及轻微干扰环境下位置与力的控制。

附图说明

图1为本发明实施例所使用的双机器人协作平台系统结构示意图；

图2为本发明所述基于神经网络的引信与传爆管双机器人装配柔性控制方法流程示意图；

图3为本发明实施例所述基于自适应方法与神经网络的PID位置/力阻抗控制闭环系统示意图

图4为RBFNN神经网络结构示意图

具体实施方式

为了让本技术领域的人员更好地理解本发明方案，下面结合附图和具体的实施方法对本发明作进一步详细的介绍。具体的参数表达的含义在发明内容中有详细的介绍。

本发明提供一种基于神经网络的引信与传爆管双机器人装配柔性控制方法，首先当双机器人拾起引信与传爆管进行柔性装配的时候，通过力传感器得到实际接触力，再通过实验得到将引信与传爆管柔顺配合时所需要的期望力的大小。之后对其动力学模型进行分析，由于双机械臂运动时具有不小的误差，需要对动力学模型进行改进，设计阻抗控制器将位置与力统一管理，引入PID进行接触力补偿，能够快速收敛到期望值并有效改善接触力超调的现象，改善机械臂的控制性能。计算出实际接触力的平均值与期望力之间的差值，将差值导入阻抗控制器中，减小期望的轨迹的误差，将所设计的位置跟踪作为控制系统的内环，用来估计机械臂末端的相对速度以及接触力矩。最后结合RBFNN神经网络在线修正环境与未知力所带来的不确定性，使得引信与传爆管能够在双机器人的协作下柔性对接。

实施例

本实施例为一种基于神经网络的引信与传爆管双机器人装配柔性控制方法，其通过如图1所示的双机器人协作平台系统实现，所述双机器人协作平台系统包括双机器人(两个UR10机器人)、机器人控制器、两个六维力/力矩传感器、两个气动夹爪，两个气动夹爪分别安装在两个UR10机器人机械臂末端，所述两个六维力/力矩传感器分别安装在两个气动夹爪上。每个UR10机器人均包括机器人本体、伺服驱动器和伺服电机。

如图2所示，所述基于神经网络的引信与传爆管双机器人装配柔性控制方法包括以下步骤：

S1：待双机器人将引信与传爆管通过所规划的路径夹持到达预期的位置后，首先通过实验在力传感器上获得估计的期望接触力的大小，并且根据双机器人的轨迹规划后的接触位置得出机械臂末端的位置的估计值，为后续得到机器人的动力学模型的误差做准备。

S2：得到双机器人的运动学模型，根据期望力的大小设计一种改良的自适应阻抗控制器，将阻抗控制关系与PID控制策略结合，使机器人与机器人之间的实际作用力跟踪该期望接触力，将实际接触力转换为实际位置的控制。

其中，步骤S2中所述自适应阻抗控制器由以下步骤建立：

S201：首先为夹持两工件(传爆管和引信)的两个UR10机器人建立坐标系，以此确定两工件的重心的位置，使两机器人所建立为同一个坐标系，并且基于主从框架对双机器人协作进行建模；

S202：使用拉格朗日方法推导出机器人的动力学模型：

式中，q,分别表示机械臂的关节角度位置、速度和加速度向量；M₀(q)为正定对称的惯性矩阵；/>表示哥氏力和向心力力矩；G₀(q)表示重力向量；τ表示机械臂的输入关节力矩。

在建模过程中外界环境会对动力学模型产生影响，因此在建模过程中不能忽略其影响，完整的动力学模型应表示为：

τ_e＝J^T(q)F_e

也可将上述表达式书写成下面的表达式：

其中，记为不确定性项，即

式中，M(q),G(q)对应机械臂动力学模型的实际值，/>为关节摩擦力对机械臂的影响；τ_d表示有界的未知扰动，包括环境的未知扰动和机械臂末端的负载；τ_e表示机械臂接触时的接触力矩；F_e为机械臂接触时的末端接触力。

可以把M(q),G(q)分开表示，分别为M₀(q),/>G₀(q)和不确定部分ΔM(q),/>ΔG(q)，这些变量满足以下等式：

M(q)＝M₀(q)+ΔM(q)

G(q)＝G₀(q)+ΔG(q)

也可将上述表达式书写成下面的表达式：

其中，记为不确定性项，即

S203：构建笛卡尔坐标系下对应的机械臂动力学模型，如下表示：

式中，X,分别表示为任务空间下机械臂末端执行器的位置向量、速度向量和加速度向量；

S204：对机械臂动力学模型进行改进，设计阻抗控制器，将位置与力统一管理，阻抗控制器表达式为：

其中，X_r,表示为机械臂末端的参考位置轨迹向量、参考速度轨迹向量和参考加速度轨迹向量，M_d,B_d,K_d分别表示期望的惯性参数矩阵、阻尼矩阵、刚度参数矩阵，由于期望的矩阵参数B_d,K_d一般都是未知的，所以用M,B,K来代替。

将期望的接触力运入到阻抗关系式中，如下式所示：

本式将接触力误差E_f＝F_e-F_d作为阻抗控制器的驱动量，实现对力的跟踪。当不与环境接触时F_e,F_d都为0，当两物件对接时，阻抗控制器会按照驱动量E_f来修正机器人末端的运动，进而实现对接触力的跟踪与控制。

S205：将步骤S204中设计的阻抗控制器与PID控制策略相结合，得到自适应阻抗控制器，其表达式为：

其中，K_P,K_i,K_d为对角正定参数矩阵。

引入PID进行接触力补偿，能够快速收敛到期望值并有效改善接触力超调的现象，改善机械臂的控制性能。

S3:采集每一次双机器人协作装配所产生的两工件之间的实际接触力并对其进行记录，计算出实际接触力的平均值与期望接触力之间的差值，将差值导入所述自适应阻抗控制器中，减小期望的轨迹的误差，将所设计的位置跟踪方程作为控制系统的内环，用来估计机械臂末端的相对速度以及接触力矩。

步骤S3具体包括：

S301：末端接触力先对一个方向进行研究，得到改进阻抗控制等式：

末端接触力模型可以表示为：

误差e_f＝f_d-f_e，

式中，x_r,x,x_e,f_e,f_d,m,b,k,k_p,k_i,k_d,来表示单个方向上的变量与参数。

对步骤S301中所提出的改进阻抗控制等式进行拉普拉斯变换，可得：

其中，式中的表达式

其中，T^s(s)＝(k_ds²+k_ps+k_i)(b_es+k_e)+(ms³+bs²+ks)，

稳态跟踪误差应表示为：

将平衡状态时的稳态误差收敛于零，建立位置跟踪方程，参考位置轨迹经修正可以设计为：

方程中含有期望力f_d(t)、环境位置x_e、环境刚度k_e和阻尼b_e、阻抗参数m、b、k和k_p、k_i、k_d等动态参数，通过输入期望力的大小，即可获得参考位置。

S302：将设计的位置跟踪方程作为控制系统的内环，最大发挥位置控制器的优势，定义一个位置向量X_c作为位置内环的输入：

其中，Z＝X_r-X表示轨迹修正误差。上述设计改进阻抗控制器中修正误差和接触力之间的关系为：

对上式进行拉普拉斯变换，得

得到了阻抗控制器对轨迹修正的误差数据，通过下面设计的RBFNN神经网络对误差进行补偿。

S4：结合RBFNN神经网络的方法，运用神经网络拟合真实姿态、真实驱动量和理论驱动量差值的关系，经过训练的神经网络给出了一种在线训练的方法，在线修正轨迹，保证神经网络能在线修正环境与未知力所带来的不确定性，可以补偿机器人的新误差源。

步骤S4具体包括：

S401：设计一种自适应神经网络，神经网络选择RBFNN算法，用来补偿机器人系统的不确定性并对不确定因素进行修正。

S402：定义ε＝[ε₁,...,ε_l]^T为雅可比矩阵J(q)中的参数向量，双机械臂末端两物件的相对速度和双机械臂的接触力矩τ_e可分别表示为：

τ_e＝J^T(q)F_e＝Y_f(q,F_e)ε

其中，和Y_f(q,F_e)分别记为末端速度回归矩阵和关节力矩回归矩阵，由于运动学参数往往存在不确定性，雅可比矩阵不是一个确定值，所以使用估计的雅可比矩阵式中的空间速度/>的估计值与接触力矩τ_e的估计/>如下式表示：

其中，为估计的参数向量。

S403:定义一个向量υ如下所示：

其中，Λ＝Λ^T＞0是一个正定矩阵，E_x＝X_c-X是末端执行器的位置跟踪误差。

其中，为任务空间中机械臂末端的速度跟踪误差。

S404：定义在操作空间下的一个复合跟踪误差：

与上面的公式结合可得：

对上式求导得：

再对每个关节内的空间定义一个复合跟踪误差：

S405：定义一个虚拟关节速度如下：

对上式进行求导并重新定义

通过上述公式得融合推导得到

S406：定义系统的状态x₁＝q和得到

其中，为RBFNN的输入向量，且有

其中，动力学M(x₁),C(x₁,x₂),G(x₁)以及τ_f(x₂)都是未知的。M(x₁),C(x₁,x₂),G(x₁)和τ_f(x₂)都是有界的，雅可比矩阵J(x₁)也是有界的，所以未知非线性函数H(χ)也是有界的，可见该函数可用RBFNN来近似逼近。

根据以上函数设计的RBFNN的位置跟踪算法为：

其中L_p>0和L_v>0分别为控制器的位置和速度增益，u_c记为控制器的鲁棒补偿项，用来补偿外部扰动和RBFNN的重构误差。

雅可比矩阵的参数和RBFNN权值/>的自适应更新率如下：

其中，Γ_ε和Γ_θ都为正定矩阵。由此，即可对动力学模型进行补偿，接触力F_e可以收敛到期望的力F_d。

具体使用中，需要控制器与六维力/力矩传感器的数据通信，得到接触力的实时数据，控制器端阻抗控制算法的实现即对阻抗公式使用C++语言编程实现，再将RBFNN神经网络的编译导入到控制系统中，阻抗控制算法的输入是期望运动轨迹和经神经网络补偿后受到的外力，输出是相对于参考坐标系的位姿偏移。

以上为本发明的实施例，写了发明的目的以及技术方案的内容，但是本发明的保护范围不仅局限于此，任何本发明的技术方案以及对发明想法的类似替换，皆属于本发明的保护范围。

Claims (8)

1.一种基于神经网络的引信与传爆管双机器人装配柔性控制方法，其特征在于，包括以下步骤：

S1：待双机器人将引信与传爆管通过所规划的路径夹持到达预期的位置后，首先通过实验在力传感器上获得估计的期望接触力，并且根据双机器人的轨迹规划后的接触位置得出机械臂末端位置的位置估计值；

S2：得到双机器人的运动学模型，根据期望接触力设计自适应阻抗控制器，将阻抗控制关系与PID控制策略结合，使机器人与机器人之间的实际作用力跟踪该期望接触力，将实际接触力转换为实际位置的控制；

S3：采集每一次双机器人协作装配所产生的两工件之间的实际接触力，计算出实际接触力的平均值与期望接触力之间的差值，将差值导入所述自适应阻抗控制器中，减小期望轨迹的误差；

S4：运用神经网络拟合真实姿态、真实驱动量和理论驱动量差值的关系，经过训练的神经网络在线修正轨迹。

2.如权利要求1所述的一种基于神经网络的引信与传爆管双机器人装配柔性控制方法，其特征在于，所述步骤S2中所述自适应阻抗控制器由以下步骤建立：

S21：为夹持两工件的两个器人建立坐标系，以此确定两工件的重心的位置，使两机器人所建立为同一个坐标系，并且基于主从框架对双机器人协作进行建模；

S22：使用拉格朗日方法推导出机器人的动力学模型；

S23：构建笛卡尔坐标系下对应的机械臂动力学模型；

S24：对机械臂动力学模型进行改进，设计阻抗控制器，将位置与力统一管理；

S25：将步骤S24中设计的阻抗控制器与PID控制策略相结合，得到自适应阻抗控制器。

3.如权利要求2所述的一种基于神经网络的引信与传爆管双机器人装配柔性控制方法，其特征在于，所述步骤S22包括：

使用拉格朗日方法推导出机器人的动力学模型，完整的动力学模型应表示为：

τ_e＝J^T(q)F_e

式中，分别表示机械臂的关节角度位置、速度和加速度向量；M₀(q)为正定对称的惯性矩阵；/>表示哥氏力和向心力力矩；G₀(q)表示重力向量；τ表示机械臂的输入关节力矩；

将上述表达式写成：

其中，记为不确定性项，即

式中，M(q),G(q)对应机械臂动力学模型的实际值，/>为关节摩擦力对机械臂的影响；τ_d表示有界的未知扰动，包括环境的未知扰动和机械臂末端的负载；τ_e表示机械臂接触时的接触力矩；F_e为机械臂接触时的末端接触力。

4.如权利要求3所述的一种基于神经网络的引信与传爆管双机器人装配柔性控制方法，其特征在于，所述步骤S23构建的笛卡尔坐标系下对应的机械臂动力学模型为

式中，分别表示为任务空间下机械臂末端执行器的位置向量、速度向量和加速度向量；

5.如权利要求4所述的一种基于神经网络的引信与传爆管双机器人装配柔性控制方法，其特征在于，所述步骤S24设计的阻抗控制器表达式为：

其中，表示为机械臂末端的参考位置轨迹向量、参考速度轨迹向量和参考加速度轨迹向量，M_d,B_d,K_d分别表示期望的惯性参数矩阵、阻尼矩阵、刚度参数矩阵；

将期望的接触力运入到阻抗关系式中，如下式所示：

本式将接触力误差E_f＝F_e-F_d作为阻抗控制器的驱动量，实现对力的跟踪；当不与环境接触时F_e,F_d都为0；当两工件对接时，阻抗控制器会按照驱动量E_f来修正机器人末端的运动，进而实现对接触力的跟踪与控制。

6.如权利要求5所述的一种基于神经网络的引信与传爆管双机器人装配柔性控制方法，其特征在于，所述步骤S25得到的自适应阻抗控制器表达式为：

其中，K_P,K_i,K_d为对角正定参数矩阵。

7.如权利要求6所述的一种基于神经网络的引信与传爆管双机器人装配柔性控制方法，其特征在于，所述步骤S3包括：

S31：末端接触力先对一个方向进行研究，得到改进阻抗控制等式：

末端接触力模型表示为：

误差e_f＝f_d-f_e，

式中，x_r,x,x_e,f_e,f_d,m,b,k,k_p,k_i,k_d,来表示单个方向上的变量与参数；

对步骤S31中所提出的改进阻抗控制等式进行拉普拉斯变换，可得：

其中，

T^s(s)＝(k_ds²+k_ps+k_i)(b_es+k_e)+(ms³+bs²+ks)，

稳态跟踪误差表示为：

将平衡状态时的稳态误差收敛于零，建立位置跟踪方程，参考位置轨迹经修正可以设计为：

方程中含有期望力f_d(t)、环境位置x_e、环境刚度k_e和阻尼b_e、阻抗参数m、b、k和k_p、k_i、k_d等动态参数，通过输入期望力的大小，即可获得参考位置；

S32：将设计的位置跟踪方程作为控制系统的内环，定义一个位置向量X_c作为位置内环的输入：

其中，Z＝X_r-X表示轨迹修正误差；

上述改进阻抗控制器中修正误差和接触力之间的关系为：

对上式进行拉普拉斯变换，得：

得到了阻抗控制器对轨迹修正的误差数据。

8.如权利要求7所述的一种基于神经网络的引信与传爆管双机器人装配柔性控制方法，其特征在于，所述步骤S4包括：

S41：设计一种自适应神经网络，神经网络选择RBFNN算法，用来补偿机器人系统的不确定性并对不确定因素进行修正；

S42：定义ε＝[ε₁,...,ε_l]^T为雅可比矩阵J(q)中的参数向量，双机械臂末端两工件的相对速度和双机械臂的接触力矩τ_e分别表示为：

τ_e＝J^T(q)F_e＝Y_f(q,F_e)ε

其中，和Y_f(q,F_e)分别记为末端速度回归矩阵和关节力矩回归矩阵；

S43：定义系统的状态x₁＝q和得到：

其中，为RBFNN的输入向量，且有

其中，动力学M(x₁),C(x₁,x₂),G(x₁)以及τ_f(x₂)都是未知的；M(x₁),C(x₁,x₂),G(x₁)和τ_f(x₂)都是有界的，雅可比矩阵J(x₁)是有界的，未知非线性函数H(χ)是有界的；

根据以上函数设计的RBFNN的位置跟踪算法为：

其中，L_p>0和L_v>0分别为控制器的位置和速度增益，u_c记为控制器的鲁棒补偿项，用来补偿外部扰动和RBFNN的重构误差。