CN117549305A - 一种基于滑模-导纳的模块化机械臂自学习交互控制方法 - Google Patents
一种基于滑模-导纳的模块化机械臂自学习交互控制方法 Download PDFInfo
- Publication number
- CN117549305A CN117549305A CN202311677953.7A CN202311677953A CN117549305A CN 117549305 A CN117549305 A CN 117549305A CN 202311677953 A CN202311677953 A CN 202311677953A CN 117549305 A CN117549305 A CN 117549305A
- Authority
- CN
- China
- Prior art keywords
- force
- mechanical arm
- admittance
- self
- learning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000003993 interaction Effects 0.000 title claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 230000001133 acceleration Effects 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 12
- 238000013016 damping Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 241000282414 Homo sapiens Species 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 238000011217 control strategy Methods 0.000 claims description 5
- 230000002452 interceptive effect Effects 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 3
- 239000012636 effector Substances 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000001276 controlling effect Effects 0.000 claims 1
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000004026 adhesive bonding Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/08—Programme-controlled manipulators characterised by modular constructions
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
Abstract
一种基于滑模‑导纳的模块化机械臂自学习交互控制方法,其特征在于,所述方法包括:采集模块化机械臂末端六维力/力矩传感器的状态信息;基于导纳控制理论建立力跟踪模型;构建二阶离散时间非线性最速跟踪微分器,并设计级联扩张状态观测器;搭建超螺旋滑模的外环自学习导纳控制器;建立内环积分滑模的鲁棒控制器;根据所述非线性跟踪微分器、所述级联扩张状态观测器、外环自学习导纳控制器以及内环积分滑模的鲁棒控制器构建模块化机械臂自学习交互控制器。本发明提高了模块化机械臂系统的可靠性、精确性和安全性。
Description
技术领域
本发明涉及机械臂控制技术领域,特别是涉及一种基于滑模-导纳的模块化机械臂自学习交互控制方法。
背景技术
近几年,机器人产业发展迅猛,应用范围涉及到医疗和探索等各个方面,例如涂胶机械臂,防疫机器人等,可以说已经和人们的生活休戚相关。为了解决传统机械臂的构型局限性、体积大等问题,模块化机械臂越来越受到学术界关注。模块化机械臂的主要思想是将一个复杂的机械臂系统分解为多个具有较高便携性和可维护性的子系统模块,因此其控制器的设计就要满足模块化要求,即各个关节模块具备相互独立的控制器,且能够满足不同任务环境与多种机械臂构形下的工作需要,从而表现出传统机械臂所不具备的优势,提高工作效率。
由于模块化机械臂系统是一类具有高度非线性、时变干扰的复杂控制系统,因而其控制问题存在一定难度。众所周知,模块化机械臂在进行操作任务中关节末端不可避免的会与未知环境交互,难免会发生接触超调的现象,引发操作工件或机械臂末端工件的损坏。通过采用自学习的方式,改进传统固定参数的导纳控制策略,实现模块化机械臂的柔顺控制,不仅提高了系统的柔顺性,也增强了实际应用的安全性,同时减少了接触力超调过冲引发的故障问题。因此,针对整个关节模块系统进行滑模-导纳的模块化机械臂自学习交互控制是机械臂实际操作领域中亟待解决的问题。
发明内容
本发明的目的是提供一种基于滑模-导纳的模块化机械臂自学习交互控制方法,提高了机械臂系统的操作精度、稳定性和可靠性。
为实现上述目的,本发明提供了如下方案:
一种基于滑模-导纳的模块化机械臂自学习交互控制方法,其特征在于,所述方法包括:
采集模块化机械臂末端六维力/力矩传感器的状态信息;
基于导纳控制理论建立位置/力动态模型;
构建二阶离散时间非线性最速跟踪微分器,并设计级联扩张状态观测器;
搭建超螺旋滑模的外环自学习导纳控制器;
建立内环积分滑模的鲁棒控制器;
根据所述非线性跟踪微分器、所述级联扩张状态观测器、外环自学习导纳控制器以及内环积分滑模的鲁棒控制器构建模块化机械臂自学习交互控制器。
可选地,所述采集模块化机械臂末端六维力/力矩传感器的状态信息:
通过模块化机械臂控制器采集x,y,z轴下的力和Mx,My,Mz的力矩数据;
对采集的力、力矩通过工具重力补偿和传感器零漂补偿,并在采样周期通过UDP通讯口读取六维力传感器测出实际接触的力、力矩。
可选地,基于导纳控制理论建立位置/力动态模型:
其中,是任务空间中期望位移、速度和加速度。/>是任务空间中实际的位移、速度和加速度。m,b,k是虚拟的期望惯性、阻尼和刚度矩阵,且正定。fen为实际接触力,fext为人机交互作用下的人力,fd为期望工作力。当外部操作人员施加的力为零时,即fext=0。
可选地,构建二阶离散时间非线性最速跟踪微分器,并设计级联扩张状态观测器:
构建二阶离散时间非线性最速跟踪微分器为:
非线性函数fhan(x1,x2,r,T)定义为:
其中,v(k)为期望力大小;h为采样周期;x1(k)为过渡过程中输出的期望力;x2(k)为输出的期望力的微分;sgn(·)为符号函数;fix(·)为取整函数;控制量的约束|μ|≤r;r为调节因子;x1为实际输出力大小;x2为实际输出力大小的一阶导数;k0为微分增益。sat(·)为饱和函数,定义如下:
其中,Λ为输入参数,为线性饱和函数且/>
设计级联扩张状态观测器为:
其中,zc1,zc2分别为模块化机械臂广义动量的估计值、相互作用力的观测值。βc1和βc2为观测器增益,ec1为观测误差;sc1,sc2分别为模块化机械臂广义动量的估计值、除去第一个观测器估计值外的残余作用力观测值。βc3和βc4为第二个观测器增益。
可选地,搭建超螺旋滑模的外环自学习导纳控制器:
末端施加在环境上的接触力可以表示为:
fen=ken(xen-xd)
其中,fen为施加在环境上的接触力,ken为环境的刚度,xen为工作空间实际的操作位置。xd为工作空间的期望位置。
得到的力跟踪误差ef和稳态误差ess为:
且满足以下其中一个方程或同时满足两个方程:
其中,xr为参考轨迹,k为虚拟的刚度矩阵,阻抗控制传递函数。
定义位置误差函数ex为:
ex=xd-xr
获得机械臂末端力跟踪误差函数为:
在物理人机交互过程中,人类的交互意图是随机的。因此,机械臂的运动轨迹也是随机的。在外部操作人员干预的情况下,可以得到时变的参考位置及其误差的估计值此时,估计的位置误差表示为:
进而获得如下等式:
考虑人-机械臂的交互力和末端执行器的接触力相结合,设计设计自学习导纳控制器,调整导纳模型中的阻尼系数,并对时变误差进行补偿为:
其中,根据力的误差进行自学习调整,
其中,分别为估计速度和加速度误差;/>为阻尼补偿项;ε=10-6;t为上一时刻的采样时间;λ为采样周期;/>为自学习因子;α和β为增益系数;llimt为限制系数;
引入超螺旋滑模控制策略,快速响应接触力信号。定义辅助误差函数变量:
其中,为参数增益。
将辅助误差函数变量作为超螺旋滑模控制输入,得到力控制信号:
其中,k1,k2,k3为控制增益。
得到超螺旋滑模的外环自学习导纳控制器的加速度表达式:
进而得到离散化的加速度速度/>和位置xr(t)为:
可选地,建立内环积分滑模的鲁棒控制器:
建立受约束的模块化机械臂动力学模型为:
其中,M(q)为惯性项;为耦合项;G(q)为重力项;Fe为操作接触力列向量;Ff为摩擦项;τc为末端接触力映射到各关节的力矩;u为关节输出力矩;/>为模块化机械臂关节位置、速度和加速度列向量。
基于动力学参数辨识获得M0、C0、G0、Ff0,且存在未知不确定性ΔM、ΔC、ΔG、ΔF,动力学方程可以改写为:
其中,为机械臂参数辨识力矩项,即为机械臂辨识过程中线性化生成的回归矩阵,P为机械臂参数集和,M=M0+ΔM。C=C0+ΔC,Ff=Ff0+ΔF。
构造积分滑模函数s为:
其中,分别为关节位置误差及位置误差的导数,且e=q-qd,qd为期望关节轨迹。eτ=τc-τd为约束力矩误差,τd为关节期望约束力矩,kp,kτ为控制参数,
积分滑模函数的导数为:
其中,G(q)=ΔM-1,
采用RBF神经网络对其存在的不确定项进行近似补偿:
其中,Wf和Wg代表理想的神经网络权值,Φ(·)代表系统神经网络基函数,εf和εg代表系统神经网络逼近误差,ε1,ε2是已知常数。
建立内环积分滑模的鲁棒控制器:
其中,为不确定项G(q,Wg)和/>的估计值,kr为系数增益。
自适应更新规则为:
其中,Γf,Γg为神经网络更新率参数。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明公开了一种具有固定时间收敛的模块化机械臂自适应容错控制方法,根据所述系统状态空间表达式、所述积分滑模面函数以及自适应固定时间扰动观测器构建模块化机械臂固定时间自适应容错控制器,模块化机械臂自适应分散容错控制器考虑内部及外部不确定干扰信号,增加了系统可靠性和稳定性;建立的自适应固定时间扰动观测器不需要未知扰动的先验界限,有助于提高系统的鲁棒性,确保系统在不确定环境下的性能;同时实现执行器故障约束下固定时间收敛的容错控制问题;控制器的设计满足模块化要求,即各个关节模块具备相互独立的控制器,能够满足不同任务环境与多种机械臂构形下的工作需要,提高机械臂控制的灵活性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为一种基于滑模-导纳的模块化机械臂自学习交互控制方法的原理框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的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,本领域普通技术人员在没有做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。
本发明的目的是提供一种基于滑模-导纳的模块化机械臂自学习交互控制方法,提高了控制系统物理人机交互的稳定性和安全性。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明一种基于滑模-导纳的模块化机械臂自学习交互控制方法流原理框图,如图1所示,一种基于滑模-导纳的模块化机械臂自学习交互控制方法包括:
所述采集模块化机械臂末端六维力/力矩传感器的状态信息:
通过模块化机械臂控制器采集x,y,z轴下的力和Mx,My,Mz的力矩数据;
对采集的力、力矩通过工具重力补偿和传感器零漂补偿,并在采样周期通过UDP通讯口读取六维力传感器测出实际接触的力、力矩。
所述基于导纳控制理论建立位置/力动态模型:
其中,是任务空间中期望位移、速度和加速度。/>是任务空间中实际的位移、速度和加速度。m,b,k是虚拟的期望惯性、阻尼和刚度矩阵,且正定。fen为实际接触力,fext为人机交互作用下的人力,fd为期望工作力。当外部操作人员施加的力为零时,即fext=0。
所述构建二阶离散时间非线性最速跟踪微分器,并设计级联扩张状态观测器:
构建二阶离散时间非线性最速跟踪微分器为:
非线性函数fhan(x1,x2,r,T)定义为:
其中,v(k)为期望力大小;h为采样周期;x1(k)为过渡过程中输出的期望力;x2(k)为输出的期望力的微分;sgn(·)为符号函数;fix(·)为取整函数;控制量的约束|μ|≤r;r为调节因子;x1为实际输出力大小;x2为实际输出力大小的一阶导数;k0为微分增益。sat(·)为饱和函数,定义如下:
其中,Λ为输入参数,为线性饱和函数且/>
设计级联扩张状态观测器为:
其中,zc1,zc2分别为模块化机械臂广义动量的估计值、相互作用力的观测值。βc1和βc2为观测器增益,ec1为观测误差;sc1,sc2分别为模块化机械臂广义动量的估计值、除去第一个观测器估计值外的残余作用力观测值。βc3和βc4为第二个观测器增益。
所述搭建超螺旋滑模的外环自学习导纳控制器:
末端施加在环境上的接触力可以表示为:
fen=ken(xen-xd)
其中,fen为施加在环境上的接触力,ken为环境的刚度,xen为工作空间实际的操作位置。xd为工作空间的期望位置。
得到的力跟踪误差ef和稳态误差ess为:
且满足以下其中一个方程或同时满足两个方程:
其中,xr为参考轨迹,k为虚拟的刚度矩阵,阻抗控制传递函数。
定义位置误差函数ex为:
ex=xd-xr
获得机械臂末端力跟踪误差函数为:
在物理人机交互过程中,人类的交互意图是随机的。因此,机械臂的运动轨迹也是随机的。在外部操作人员干预的情况下,可以得到时变的参考位置及其误差的估计值此时,估计的位置误差表示为:
进而获得如下等式:
考虑人-机械臂的交互力和末端执行器的接触力相结合,设计设计自学习导纳控制器,调整导纳模型中的阻尼系数,并对时变误差进行补偿为:
其中,根据力的误差进行自学习调整,
其中,分别为估计速度和加速度误差;/>为阻尼补偿项;ε=10-6;t为上一时刻的采样时间;λ为采样周期;/>为自学习因子;α和β为增益系数;llimt为限制系数;
引入超螺旋滑模控制策略,快速响应接触力信号。定义辅助误差函数变量:
其中,为参数增益。
将辅助误差函数变量作为超螺旋滑模控制输入,得到力控制信号:
其中,k1,k2,k3为控制增益。
得到超螺旋滑模的外环自学习导纳控制器的加速度表达式:
进而得到离散化的加速度速度/>和位置xr(t)为:
所述建立内环积分滑模的鲁棒控制器:
建立受约束的模块化机械臂动力学模型为:
其中,M(q)为惯性项;为耦合项;G(q)为重力项;Fe为操作接触力列向量;Ff为摩擦项;τc为末端接触力映射到各关节的力矩;u为关节输出力矩;/>为模块化机械臂关节位置、速度和加速度列向量。
基于动力学参数辨识获得M0、C0、G0、Ff0,且存在未知不确定性ΔM、ΔC、ΔG、ΔF,动力学方程可以改写为:
其中,为机械臂参数辨识力矩项,即为机械臂辨识过程中线性化生成的回归矩阵,P为机械臂参数集和,M=M0+ΔM。C=C0+ΔC,Ff=Ff0+ΔF。
构造积分滑模函数s为:
其中,分别为关节位置误差及位置误差的导数,且e=q-qd,qd为期望关节轨迹。eτ=τc-τd为约束力矩误差,τd为关节期望约束力矩,kp,kτ为控制参数,
积分滑模函数的导数为:
其中,G(q)=ΔM-1,
采用RBF神经网络对其存在的不确定项进行近似补偿:
其中,Wf和Wg代表理想的神经网络权值,Φ(·)代表系统神经网络基函数,εf和εg代表系统神经网络逼近误差,ε1,ε2是已知常数。
建立内环积分滑模的鲁棒控制器:
其中,为不确定项G(q,Wg)和/>的估计值,kr为系数增益。
自适应更新规则为:
其中,Γf,Γg为神经网络更新率参数。
本发明所示的一种基于滑模-导纳的模块化机械臂自学习交互控制方法,不同于固定参数的导纳控制策略,可以解决现有技术中存在未知环境交互的情况,消除接触力超调的同时保证接触力的高精度控制,为模块化机械臂运行提供稳定性和精确性。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种基于滑模-导纳的模块化机械臂自学习交互控制方法,其特征在于,所述方法包括:
采集模块化机械臂末端六维力/力矩传感器的状态信息;
基于导纳控制理论建立力跟踪模型;
构建二阶离散时间非线性最速跟踪微分器,并设计级联扩张状态观测器;
搭建超螺旋滑模的外环自学习导纳控制器;
建立内环积分滑模的鲁棒控制器;
根据所述非线性跟踪微分器、所述级联扩张状态观测器、外环自学习导纳控制器以及内环积分滑模的鲁棒控制器构建模块化机械臂自学习交互控制器。
2.根据权利要求1所述的一种基于滑模-导纳的模块化机械臂自学习交互控制方法,其特征在于,采集模块化机械臂末端六维力/力矩传感器的状态信息:
通过模块化机械臂控制器采集x,y,z轴下的力和Mx,My,Mz的力矩数据;
对采集的力、力矩通过工具重力补偿和传感器零漂补偿,并在采样周期通过UDP通讯口读取六维力传感器测出实际接触的力、力矩。
3.根据权利要求1所述的一种基于滑模-导纳的模块化机械臂自学习交互控制方法,其特征在于,基于导纳控制理论建立力跟踪模型:
其中,xd,是任务空间中期望位移、速度和加速度。xr,/>是任务空间中实际的位移、速度和加速度。m,b,k是虚拟的期望惯性、阻尼和刚度矩阵,且正定。fen为实际接触力,fext为人机交互作用下的人力,fd为期望工作力。当外部操作人员施加的力为零时,即fext=0。
4.根据权利要求1所述的一种基于滑模-导纳的模块化机械臂自学习交互控制方法,其特征在于,构建二阶离散时间非线性最速跟踪微分器,并设计级联扩张状态观测器:
构建二阶离散时间非线性最速跟踪微分器为:
非线性函数fhan(x1,x2,r,T)定义为:
其中,v(k)为期望力大小;h为采样周期;x1(k)为过渡过程中输出的期望力;x2(k)为输出的期望力的微分;sgn(·)为符号函数;fix(·)为取整函数;控制量的约束|μ|≤r;r为调节因子;x1为实际输出力大小;x2为实际输出力大小的一阶导数;k0为微分增益。sat(·)为饱和函数,定义如下:
其中,Λ为输入参数,为线性饱和函数且/>
设计级联扩张状态观测器为:
其中,zc1,zc2分别为模块化机械臂广义动量的估计值、相互作用力的观测值。βc1和βc2为观测器增益,ec1,es1为观测误差;sc1,sc2分别为模块化机械臂广义动量的估计值、除去第一个观测器估计值外的残余作用力观测值。βc3和βc4为第二个观测器增益,τp为力矩项。
5.根据权利要求1所述的一种基于滑模-导纳的模块化机械臂自学习交互控制方法,其特征在于,搭建超螺旋滑模的外环自学习导纳控制器:
末端施加在环境上的接触力可以表示为:
fen=ken(xen-xd) (6)
其中,fen为施加在环境上的接触力,ken为环境的刚度,xen为工作空间实际的操作位置。xd为工作空间的期望位置。
得到的力跟踪误差ef和稳态误差ess为:
且满足以下其中一个方程或同时满足两个方程:
其中,xr为参考轨迹,k为虚拟的刚度矩阵,阻抗控制传递函数,s为复频率,m,b,k是虚拟的期望惯性、阻尼和刚度矩阵。
定义位置误差函数ex为:
ex=xd-xr (9)
获得机械臂末端力跟踪误差函数为:
在物理人机交互过程中,人类的交互意图是随机的。因此,机械臂的运动轨迹也是随机的。在外部操作人员干预的情况下,可以得到时变的参考位置及其误差的估计值此时,估计的位置误差表示为:
进而获得如下等式:
考虑人-机械臂的交互力和末端执行器的接触力相结合,设计设计自学习导纳控制器,调整导纳模型中的阻尼系数,并对时变误差进行补偿为:
其中,根据力的误差进行自学习调整,
其中,分别为估计速度和加速度误差;/>为阻尼补偿项;ε=10-6;t为上一时刻的采样时间;λ为采样周期;ω为更新项;/>为自学习因子;α和β为增益系数;llimt为限制系数,κ1,κ2为权重系数;
引入超螺旋滑模控制策略,快速响应接触力信号。定义辅助误差函数变量:
其中,θ为参数增益。
将辅助误差函数变量作为超螺旋滑模控制输入,得到力控制信号fSTA:
fSTA=-k1|δ|1/2sign(δ)+k2δ+ρ (16)
其中,k1,k2,k3为控制增益。
得到超螺旋滑模的外环自学习导纳控制器的加速度表达式:
进而得到离散化的加速度速度/>和位置xr(t)为:
6.根据权利要求1所述的一种基于滑模-导纳的模块化机械臂自学习交互控制方法,其特征在于,建立内环积分滑模的鲁棒控制器:
建立受约束的模块化机械臂动力学模型为:
其中,M(q)为惯性项;为耦合项;G(q)为重力项;Fe为操作接触力列向量;Ff为摩擦项;τc为末端接触力映射到各关节的力矩;u为关节输出力矩;q,/>为模块化机械臂关节位置、速度和加速度列向量。
基于动力学参数辨识获得M0、C0、G0、Ff0,且存在未知不确定性ΔM、ΔC、ΔG、ΔF,动力学方程可以改写为:
其中,为机械臂参数辨识力矩项,即 为机械臂辨识过程中线性化生成的回归矩阵,P为机械臂参数集和,M=M0+ΔM。C=C0+ΔC,Ff=Ff0+ΔF。
构造积分滑模函数s为:
其中,e,分别为关节位置误差及位置误差的导数,且e=q-qd,qd为期望关节轨迹。eτ=τc-τd为约束力矩误差,τd为关节期望约束力矩,kp,kτ为控制参数,/>
积分滑模函数的导数为:
其中,G(q)=ΔM-1,
采用RBF神经网络对其存在的不确定项进行近似补偿:
其中,Wf和Wg代表理想的神经网络权值,Φ(·)代表系统神经网络基函数,εf和εg代表系统神经网络逼近误差,ε1,ε2是已知常数。
建立内环积分滑模的鲁棒控制器:
其中,为不确定项G(q,Wg)和/>的估计值,kr为系数增益。
自适应更新规则为:
其中,Γf,Γg为神经网络更新率参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311677953.7A CN117549305A (zh) | 2023-12-07 | 2023-12-07 | 一种基于滑模-导纳的模块化机械臂自学习交互控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311677953.7A CN117549305A (zh) | 2023-12-07 | 2023-12-07 | 一种基于滑模-导纳的模块化机械臂自学习交互控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117549305A true CN117549305A (zh) | 2024-02-13 |
Family
ID=89821672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311677953.7A Pending CN117549305A (zh) | 2023-12-07 | 2023-12-07 | 一种基于滑模-导纳的模块化机械臂自学习交互控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117549305A (zh) |
-
2023
- 2023-12-07 CN CN202311677953.7A patent/CN117549305A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kang et al. | A solution to the accuracy/robustness dilemma in impedance control | |
Jin et al. | Robust compliant motion control of robot with nonlinear friction using time-delay estimation | |
JP4595727B2 (ja) | 外力推定システム及び外力推定方法、並びにコンピュータ・プログラム | |
Slotine et al. | Adaptive strategies in constrained manipulation | |
CN106945043B (zh) | 一种主从式遥操作手术机器人多臂协同控制系统 | |
Yu et al. | Modeling and observer-based augmented adaptive control of flexible-joint free-floating space manipulators | |
EP2080596A2 (en) | Control system, control method, and robot apparatus | |
Chen et al. | Experimental study on impedance control for the five-finger dexterous robot hand dlr-hit ii | |
Perrusquía et al. | Human-in-the-loop control using euler angles | |
Ghosh et al. | Control in Robotics and Automation: Sensor Based Integration | |
Katsumata et al. | Optimal exciting motion for fast robot identification. Application to contact painting tasks with estimated external forces | |
Chen et al. | Experimental evaluation of Cartesian and joint impedance control with adaptive friction compensation for the dexterous robot hand DLR-HIT II | |
Khan et al. | Singular perturbation-based adaptive integral sliding mode control for flexible joint robots | |
CN115533915A (zh) | 一种不确定环境下空中作业机器人主动接触检测控制方法 | |
CN112782977A (zh) | 一种基于bp神经网络与扩张观测器的电机柔顺控制方法 | |
Xiong et al. | Dynamic surface control-backstepping based impedance control for 5-DOF flexible joint robots | |
CN116069044B (zh) | 一种多机器人协同搬运力位混合控制方法 | |
CN114179089A (zh) | 一种机械臂的鲁棒区域跟踪控制方法 | |
Xia et al. | Hybrid force/position control of industrial robotic manipulator based on Kalman filter | |
Bascetta et al. | Two-time scale visual servoing of eye-in-hand flexible manipulators | |
Han et al. | Visual servoing control of robotics with a neural network estimator based on spectral adaptive law | |
CN117549305A (zh) | 一种基于滑模-导纳的模块化机械臂自学习交互控制方法 | |
CN109648566B (zh) | 电机参数未知的全方位移动机器人的轨迹跟踪控制方法 | |
Al-Shuka et al. | Adaptive hybrid regressor and approximation control of robotic manipulators in constrained space | |
Raouf et al. | Workspace trajectory tracking control for two-flexible-link manipulator through output redefinition |
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 |