CN117647985B - 一种助力机器人轨迹跟踪控制方法、系统、设备及介质 - Google Patents
一种助力机器人轨迹跟踪控制方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN117647985B CN117647985B CN202410124950.9A CN202410124950A CN117647985B CN 117647985 B CN117647985 B CN 117647985B CN 202410124950 A CN202410124950 A CN 202410124950A CN 117647985 B CN117647985 B CN 117647985B
- Authority
- CN
- China
- Prior art keywords
- robot
- control
- power
- equation
- following
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 88
- 210000001364 upper extremity Anatomy 0.000 claims abstract description 46
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 238000009826 distribution Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 39
- 238000004891 communication Methods 0.000 claims description 29
- 239000013598 vector Substances 0.000 claims description 27
- 230000000875 corresponding effect Effects 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 12
- 229920000049 Carbon (fiber) Polymers 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 239000004917 carbon fiber Substances 0.000 claims description 8
- 230000001276 controlling effect Effects 0.000 claims description 8
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 7
- 230000005484 gravity Effects 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 6
- 238000005381 potential energy Methods 0.000 claims description 6
- 238000011161 development Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 5
- 230000004118 muscle contraction Effects 0.000 claims description 4
- 238000013016 damping Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- MFRCZYUUKMFJQJ-UHFFFAOYSA-N 1,4-dioxane-2,5-dione;1,3-dioxan-2-one Chemical group O=C1OCCCO1.O=C1COC(=O)CO1 MFRCZYUUKMFJQJ-UHFFFAOYSA-N 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 240000007651 Rubus glaucus Species 0.000 description 2
- 235000011034 Rubus glaucus Nutrition 0.000 description 2
- 235000009122 Rubus idaeus Nutrition 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 206010014357 Electric shock Diseases 0.000 description 1
- 206010073713 Musculoskeletal injury Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000002435 tendon Anatomy 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Manipulator (AREA)
Abstract
本发明提供一种助力机器人轨迹跟踪控制方法、系统、设备及介质，该方法包括步骤：构建助力机器人模型；通过人体上肢动力学方程对所述助力机器人模型进行补偿，得到完整的系统动力学方程；在完整的系统动力学方程的基础上，通过自适应鲁棒控制算法将系统的不确定参数的影响消除，并通过U‑K方程进行精准控制。本发明通过助力机器人提高了作业效率、减轻了人体负荷。对助力机器人采用拉格朗日法完成建模并基于人体上肢动力学进行建模补偿，进一步提高了系统模型精度，控制算法采用的是基于U‑K理论和自适应鲁棒控制算法，能够很好的满足配网带电作业助力机器人在系统含有不确定参数和未知干扰时的高精度、高稳定性和高鲁棒性的轨迹跟踪控制。
Description
技术领域
本发明涉及自动化控制技术领域，特别涉及一种助力机器人轨迹跟踪控制方法、系统、设备及介质。
背景技术
随着经济的发展与社会文明程度的提高，人们生产、生活对于电力需求的依赖性越来越高，对于供电的稳定性以及可靠性更加重视，配电网处于电力系统末端，是保证电力持续供给的关键环节，其可靠性在整个供电系统中占有非常重要的位置。配网带电作业是指在配电网络上采用的用户不停电对配电线路或设备进行测试、维修和施工的作业方式。传统的配网带电作业方式主要有绝缘杆作业法和绝缘手套作业法两类。绝缘手套作业法指作业人员使用斗臂车、绝缘梯、绝缘平台等绝缘承载工具与大地保持规定的安全距离，穿戴绝缘防护用具对带电体直接作业的方法，该方法存在短路风险且作业步骤繁琐。绝缘杆作业法不需要直接接触带电线路，有效降低了触电危害风险，但现有绝缘操作杆使用时有效绝缘长度要求不小于0.7m，实际现场需要1.5m甚至更6长，绝缘杆法作业时间在1~2小时左右，复杂类项目作业时间在2~3小时左右，作业人员不仅上肢需要长时间承受握举绝缘杆的负荷，下肢还需要维持身体在杆上支撑的不良受力姿势，长期作业可能导致肌肉骨骼损伤等慢性职业性伤害。
现有的适用于绝缘斗内及登杆带电作业典型场景的助力机器人是实现不接触带电作业并提高作业效率、减轻人体负荷的有效方法，带电作业助力机器人的主体结构是符合人体上肢的二自由度机器人结构，其在实现轨迹跟踪控制时，控制算法通常选用传统的PID控算法、滑膜控制算法等，这类控制算法物理实现较为简单、程序实现较为容易，在面对简单情况时精度较高，但是对于配网带电作业具有未知干扰和系统不确定性的情况存在精度低、稳定性差的问题。
发明内容
为了实现本发明的上述目的和其他优点，本发明的第一目的是提供一种助力机器人轨迹跟踪控制方法，包括以下步骤：
构建助力机器人模型；
通过人体上肢动力学方程对所述助力机器人模型进行补偿，得到完整的系统动力学方程；
在完整的系统动力学方程的基础上，通过自适应鲁棒控制算法将系统的不确定参数的影响消除，并通过U-K方程进行精准控制；
所述在完整的系统动力学方程的基础上，通过自适应鲁棒控制算法将系统的不确定参数的影响消除，并通过U-K方程进行精准控制包括以下步骤：
对简化后的完整的系统动力学方程中的向量和矩阵进行分解，得到名义部分和不确定部分；
对于所述名义部分，使用U-K方程进行控制；
对于系统的轨迹误差，通过反馈力矩进行消除；
对于所述不确定部分，通过自适应鲁棒控制理论设计独立的控制力矩消除所述不确定部分对系统产生的影响。
进一步地，所述构建助力机器人模型包括以下步骤：
基于D-H参数法，得到外骨骼的机器人末端坐标系的位姿：
，
其中，为时间变量，/>为平面二自由度机器人的第一连杆的长度，/>和/>分别为平面二自由度机器人的第一连杆、第二连杆对应在世界坐标系内的转动角度；
通过所述外骨骼的机器人末端坐标系的位姿计算得到世界坐标系中机器人末端坐标系的速度雅可比矩阵：
，
通过所述速度雅可比矩阵计算系统的总动能：，
其中，为平面二自由度机器人的第二连杆的长度，/>和/>分别为第一连杆、第二连杆对应的质量，/>为第一连杆与第二连杆之间的关节对应的质量，/>为助力机器人末端承受的负载质量；
通过所述位姿计算系统的总势能：
，
根据拉格朗日方程通过所述总动能和所述总势能推导出系统的动力学方程：
，
其中，
，
其中，为系统的广义惯性矩阵且是正定矩阵，/>为科氏力矢量，/>为重力矢量，/>为重力加速度，/>和/>分别为平面二自由度机器人的第一关节提供的关节力矩和第二关节提供的关节力矩。
进一步地，所述通过人体上肢动力学方程对所述助力机器人模型进行补偿包括以下步骤：
通过拉格朗日法以及人体关节运动的质量-弹簧-阻尼模型描述人体上肢动力学，如下式所示：
，
其中，和/>分别代表人体关节的位置、速度和加速度，/>为上肢的惯性矩阵，/>为上肢的科氏力，/>为上肢的重力矢量，/>为环境对上肢的作用力，/>为外力作用处的雅可比矩阵，/>为人体关节粘弹性产生的关节力矩，/>为上肢关节处肌肉收缩产生的作用力矩；
将系统的动力学方程与人体上肢动力学方程合并，得到完整的系统动力学方程：
。
进一步地，所述通过人体上肢动力学方程对所述助力机器人模型进行补偿还包括以下步骤：
将完整的系统动力学方程进行简化，用参数表示所有的未知量和不确定量，得到如下表达式：
，
其中，为人机间的未知交互力，/>为外骨骼关节电机提供的力矩，通过调节电机电流来控制。
进一步地，所述对简化后的完整的系统动力学方程中的向量和矩阵进行分解包括以下步骤：
将简化后的完整的系统动力学方程中的向量和矩阵分解为如下形式：
，
分解后的向量和矩阵为两部分，、/>、/>、/>是由确定参数组成的名义部分，/>、/>、/>是不确定部分；
令：，其中，/>为单位矩阵。
进一步地，所述对于所述名义部分，使用U-K方程进行控制包括以下步骤：
假设系统的约束方程有如下一阶、二阶表达形式：
，
，
其中，对于任意的，/>满秩，/>和存在逆矩阵；
对于名义部分，使用U-K方程进行控制：
，
其中，上标表示广义逆符号。
进一步地，所述反馈力矩为：
，
其中，为待设计的比例系数，/>且/>，常数矩阵/>，/>满足以下要求：
定义矩阵为下列式子：
，
对于，存在一个常数/>，使所有的/>满足：
。
进一步地，所述对于所述不确定部分，通过自适应鲁棒控制理论设计独立的控制力矩消除所述不确定部分对系统产生的影响包括以下步骤：
提出以下条件：
存在一个未知向量，与一个已知函数，针对所有的/>，/>，有如下不等式成立：
，
存在，有：，
得到泄露型自适应鲁棒控制器，控制力矩的表达式为：
，
依据泄露型自适应律求解参数：
，
其中，，/>为向量/>的第/>个参数，/>…/>，非负参数，/>用于抑制系统的不确定性。
进一步地，所述在完整的系统动力学方程的基础上，通过自适应鲁棒控制算法将系统的不确定参数的影响消除，并通过U-K方程进行精准控制包括以下步骤：
结合所述U-K方程、所述反馈力矩、所述控制力矩，得到系统的控制器为：
，
通过系统的控制器对约束轨迹进行跟踪控制，得到实际轨迹。
本发明的第二目的是提供一种助力机器人轨迹跟踪控制系统，实现上述的方法，包括机器人执行端、下位机控制端、上位机操作端，所述上位机操作端与所述下位机控制端通讯连接，所述下位机控制端与所述机器人执行端通讯连接；
所述上位机操作端用于提供界面交互，实现输入关节运动轨迹，输出控制指令至所述下位机控制端，接收所述下位机控制端反馈的运动信息，监测实际人体运动状态；
所述下位机控制端用于接收所述控制指令，计算控制力矩，并输出控制力矩信号至所述机器人执行端，将运动信息反馈至所述上位机操作端；
所述机器人执行端用于接收所述控制力矩信号，带动人体上肢及负载执行对应的动作，以完成配网带电作业的任务，以及反馈所述运动信息至所述下位机控制端。
进一步地，所述机器人执行端包括电机、编码器和碳纤维硬直杆件，所述电机、所述编码器与所述下位机控制端通信连接；
所述电机支持力矩模式，用于接收所述控制力矩信号，实现助力机器人的力位控制；
所述编码器用于实时读取所述电机的运动信息，将所述运动信息反馈至所述上位机操作端，以及实现断电记忆；
所述碳纤维硬直杆件用于承载负载。
进一步地，所述下位机控制端采用UDroid-C4机器人专用计算单元，所述UDroid-C4机器人专用计算单元包括Odriod-C4开发板和实时运动控制计算单元。
进一步地，所述下位机控制端采用CAN通讯方式与所述机器人执行端连接。
进一步地，所述上位机操作端采用串口通讯方式与所述下位机控制端通讯连接。
本发明的第三目的是提供一种电子设备，包括：存储器，其上存储有程序代码；处理器，其与所述存储器连接，并且当所述程序代码被所述处理器执行时，实现一种助力机器人轨迹跟踪控制方法。
本发明的第四目的是提供一种计算机可读存储介质，其上存储有程序指令，所述程序指令被执行时实现一种助力机器人轨迹跟踪控制方法。
与现有技术相比，本发明的有益效果是：
本发明提供一种基于Udwadia-Kalaba理论和自适应鲁棒控制算法的助力机器人轨迹跟踪控制方法及系统，相较于传统的绝缘杆法作业，通过助力机器人提高了作业效率、减轻了人体负荷。其中，控制程序设计过程中，对助力机器人本体采用拉格朗日法完成建模并基于人体上肢动力学进行建模补偿，进一步提高了系统模型精度，控制算法采用的是基于Udwadia-Kalaba理论和自适应鲁棒控制算法，能够很好的满足配网带电作业助力机器人在系统含有不确定参数和未知干扰时的高精度、高稳定性和高鲁棒性的轨迹跟踪控制。
助力机器人轨迹跟踪的硬件控制系统包括上位机操作端、下位机控制端及机器人执行端，将上位机操作端和下位机控制端分开操作，各自相对独立。上位机操作端通过串口通讯和上位机软件来设定运动轨迹、发送控制指令和监测运动状态，从而方便作业人员实时观察运动状态。下位机控制端核心板是UDroid-C4机器人专用计算单元，其主要结构是Odriod-C4开发板+实时运动控制计算单元，算力相比树莓派4B高出一倍。下位机控制端与机器人执行端采用CAN通讯，最高可以实现2Mbps的数据通信，能够更好的配合电机快速实现运动控制，能够实时进行运动信息反馈，以及输出计算得到的控制力矩，并且与上位机操作端和机器人执行端的通信方式不同，不会产生信号干扰。机器人执行端采用平面二自由度机器人结构，符合人体上肢运动方式，也符合带电作业时的工作情况，关节电机选用MAXON电机和绝对值编码器，MAXON电机能够通过电流乘以转矩常数稳定的输出给定转矩并且在出现异常状况时能够自锁保证安全，绝对值编码器能够实时读取位置和速度并且具有断电记忆保护的功能，能够实现零点记忆，保证使用完成之后机器人回到初始位置。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为实施例1的助力机器人轨迹跟踪控制系统原理示意图；
图2为实施例1的助力机器人轨迹跟踪控制系统使用流程图；
图3为实施例2的助力机器人轨迹跟踪控制方法流程图；
图4为实施例2的构建助力机器人模型流程图；
图5为实施例2的助力机器人示意图；
图6为实施例2的通过人体上肢动力学方程对助力机器人模型进行补偿流程图；
图7为实施例2的将完整的系统动力学方程进行简化流程图；
图8为实施例2的在完整的系统动力学方程的基础上，通过自适应鲁棒控制算法将系统的不确定参数的影响消除，并通过U-K方程进行精准控制流程图；
图9为实施例2的基于U-K理论的自适应鲁棒控制算法流程图；
图10为实施例3的电子设备示意图；
图11为实施例4的存储介质示意图。
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
实施例1
一种助力机器人轨迹跟踪控制系统，如图1所示，包括机器人执行端、下位机控制端、上位机操作端，上位机操作端与下位机控制端通讯连接，下位机控制端与机器人执行端通讯连接；上位机操作端和下位机控制端分开操作，各自相对独立。优选的，下位机控制端采用CAN通讯方式与机器人执行端连接。优选的，上位机操作端采用串口通讯方式与下位机控制端通讯连接，串口通讯可以达到115200bps的数据通信并且可以搭配串口程序实现数据的收发与监测。
上位机操作端用于提供界面交互，实现输入关节运动轨迹，输出控制指令至下位机控制端，接收下位机控制端反馈的运动信息，监测实际人体运动状态；本实施例中，上位机操作端基于串口实现输入关节运动轨迹、发送机器人执行端的控制指令和监测实际运动状态等功能，从而方便作业人员实时观察运动状态。
如图2所示，作业员打开上位机操作端中的操作界面，选择或者输入运动轨迹，作业员穿戴助力机器人，作业员打开系统开关，上位机发送控制指令给下位机控制端，其中，控制指令根据系统的开关信号、输入的运动轨迹等生成，将控制指令下发至下位机控制端。
下位机控制端用于接收控制指令，计算控制力矩，并输出控制力矩信号至机器人执行端，将运动信息反馈至上位机操作端；
如图2所示，下位机控制端中的控制算法根据控制指令计算出控制力矩，输出控制力矩信号至机器人执行端。
机器人执行端用于接收控制力矩信号，带动人体上肢及负载执行对应的动作，以完成配网带电作业的任务，以及反馈运动信息至下位机控制端。
下位机控制端中的控制算法根据控制指令计算出控制力矩，输出控制力矩信号至机器人执行端。
在一些实施例中，机器人执行端包括电机、编码器和碳纤维硬直杆件，电机、编码器与下位机控制端通信连接；具体的，电机、编码器采用CAN通讯方式与下位机控制端连接，CAN通讯最高可以实现2Mbps的数据通信，能够更好的配合电机快速实现运动控制，能够实时进行运动信息反馈，以及输出计算得到的控制力矩，并且与上位机操作端和机器人执行端的通信方式不同，不会产生信号干扰。
电机支持力矩模式，用于接收控制力矩信号，实现助力机器人的力位控制，能够满足助力机器人的力位控制需求；优选的，电机采用MAXON电机。
编码器不仅能够实现电机的运动信息的实时读取，将运动信息反馈至上位机操作端，即实现运动反馈，其中，运动信息包括速度和位置；编码器还可以实现断电记忆，从而实现零点记忆的功能；优选的，编码器采用绝对值编码器。
碳纤维硬直杆件用于承载负载。碳纤维硬直杆件具有很好的力学性能，面对系统较高负载的时候，表现出较强的抗弯性，符合配网带电作业的需求。
本实施例中，机器人执行端采用平面二自由度机器人结构，符合人体上肢运动方式，也符合带电作业时的工作情况，关节电机选用MAXON电机和绝对值编码器，MAXON电机能够通过电流乘以转矩常数稳定的输出给定转矩并且在出现异常状况时能够自锁保证安全，绝对值编码器能够实时读取位置和速度并且具有断电记忆保护的功能，能够实现零点记忆，保证使用完成之后助力机器人回到初始位置。
如图2所示，判断助力机器人是否执行运动；否则，上位机操作端选择结束操作，作业员结束作业；是则，编码器读取关节位置和速度，然后判断作业员是否结束作业；若作业员未结束作业，则反馈运动信息给下位机控制端；若作业员结束作业，则作业员结束作业，然后作业员脱离助力机器人，再然后判断作业过程是否有问题，若作业过程有问题，则检查问题，助力机器人回到零点，若作业过程没有问题，则助力机器人回到零点。最后，关闭电源，关闭上位机操作端的操作界面。
在一些实施例中，下位机控制端采用UDroid-C4机器人专用计算单元，UDroid-C4机器人专用计算单元包括Odriod-C4开发板和实时运动控制计算单元，算力相比树莓派4B高出一倍。
相较于传统的绝缘杆法作业，本发明通过助力机器人提高了作业效率、减轻了人体负荷。
关于助力机器人轨迹跟踪控制系统对应的助力机器人轨迹跟踪控制方法的详细描述，可以参照下述方法实施例中的对应描述，在此不再赘述。
实施例2
实施例1提供的助力机器人轨迹跟踪控制系统对应的助力机器人轨迹跟踪控制方法，关于系统的详细描述，可以参照上述系统实施例中的对应描述，在此不再赘述。如图3、图9所示，该方法包括以下步骤：
S1、构建助力机器人模型；
本实施例中，助力机器人为平面二自由度机器人。如图5所示，平面二自由度机器人的第一连杆和第二连杆的长度分别为和/>，第一连杆和第二连杆对应在世界坐标系内的转动角度分别为/>和/>，第一关节和第二关节提供的关节力矩分别为/>和/>。其中，第二关节为连接第一连杆和第二连杆的关节，第一关节为连接第一连杆和固定端的关节。假设第一连杆和第二连杆均为均质杆件且对应的质量分别为/>和/>，第二关节简化为理想质点且质量分别/>，而助力机器人末端承受的负载质量为/>。
如图4所示，构建助力机器人模型包括以下步骤：
S11、基于D-H参数法，可以得到外骨骼的机器人末端坐标系的位姿：
，
其中，为独立的时间变量，/>为上述平面二自由度机器人的第一连杆的长度，/>和/>分别为平面二自由度机器人的第一连杆、第二连杆对应在世界坐标系内的转动角度；
S12、通过外骨骼的机器人末端坐标系的位姿可以计算得到世界坐标系中机器人末端坐标系的速度雅可比矩阵：
，
S13、通过速度雅可比矩阵计算系统的总动能：
，
其中，为平面二自由度机器人的第二连杆的长度，/>和/>分别为第一连杆、第二连杆对应的质量，/>为第一连杆与第二连杆之间的关节对应的质量，/>为助力机器人末端承受的负载质量；
S14、通过位姿计算系统的总势能：，
其中，为系统的重力加速度；
S15、根据拉格朗日方程通过总动能和总势能可以推导出系统的动力学方程：
，/>
，
，
，
，
，
，
，
其中，为系统的广义惯性矩阵且是一个正定矩阵，/>为科氏力矢量，/>为重力矢量，/>为重力加速度，/>和/>分别为平面二自由度机器人的第一关节提供的关节力矩和第二关节提供的关节力矩。
实际的运动过程中，关节电机输出的力矩不仅直接作用在助力机器人上，还间接的作用在人体上肢上，完整的系统动力系统应有外骨骼与人体上肢两部分组成，人体上肢由于肌腱、骨骼、软组织、肌肉收缩等因素的影响，人体关节的运动学和动力学呈现出高度的非线性和复杂性，因此对人体上肢进行动力学分析，可以补偿上述动力学方程与实际情况的误差，减小因建模问题带来的扰动。
S2、通过人体上肢动力学方程对助力机器人模型进行补偿，得到完整的系统动力学方程；如图6所示，具体包括以下步骤：
S21、通过拉格朗日法以及人体关节运动的质量-弹簧-阻尼模型来近似描述人体上肢动力学，如下式所示：
，
其中，和/>分别代表人体关节的位置、速度和加速度，/>为上肢的惯性矩阵，/>为上肢的科氏力，/>为上肢的重力矢量，/>为环境对上肢的作用力，/>为外力作用处的雅可比矩阵，/>为人体关节粘弹性产生的关节力矩，/>为上肢关节处肌肉收缩产生的作用力矩；
S22、根据式（5）表示的外骨骼机器人动力学方程，由于外骨骼与人体运动的位置、速度及力矩作用点是一致的，可以近似的将系统的动力学方程与人体上肢动力学方程合并，得到完整的系统动力学方程：
（14）。
式(14)中包含了许多无法测量的不确定量，为了便于表达并且方便计算，如图7所示，S23、将完整的系统动力学方程进行简化，用参数表示所有的未知量和不确定量，得到如下表达式：
，
其中，为人机间的未知交互力，/>为外骨骼关节电机提供的力矩，可以通过调节电机电流来控制。
本实施例对助力机器人本体采用拉格朗日法完成建模并基于人体上肢动力学进行建模补偿，进一步提高了系统模型精度。
S3、为了实现上述系统的轨迹跟踪控制，本实施例提出一种基于U-K理论的自适应鲁棒控制算法，在完整的系统动力学方程的基础上，通过自适应鲁棒控制算法将系统的不确定参数的影响消除，并通过U-K方程进行精准控制。如图8所示，具体包括以下步骤：
S31、对简化后的完整的系统动力学方程中的向量和矩阵进行分解，得到名义部分和不确定部分；具体包括以下步骤：
将简化后的完整的系统动力学方程中的向量和矩阵分解为如下形式：
，
，
，
分解后的向量和矩阵为两部分，、/>、/>、/>是由确定参数组成的名义部分，/>、/>、/>是不确定部分；
为了便于计算，令：
，
，
，/>
，
其中，为单位矩阵。
S32、对于名义部分，使用U-K方程进行控制；具体包括以下步骤：
假设系统的约束方程有如下一阶、二阶表达形式：
，
，
其中，对于任意的，/>满秩，/>和存在逆矩阵；/>中的/>和/>分别对应系统的约束轨迹的数量和系统的自由度，例如，若助力机器人包含2个自由度且给定2个运动轨迹，则/>，是一个2阶方阵；/>和/>中的/>对应约束轨迹的数量，/>固定为1，例如，/> 、 均为一个两行一列的列向量。因此，后续为了简化表达以及避免歧义，将简化为/>，/>简化为/>，/>简化为/>。
对于名义部分，使用U-K方程进行控制：
，式中的参数均为已知量，上标/>表示广义逆符号，所以力矩/>为一个确定值。
S33、对于系统的轨迹误差，通过反馈力矩进行消除，反馈力矩为：
(26)，
(27)，
其中，为待设计的比例系数，/>且/>，常数矩阵/>，/>满足以下要求：
定义矩阵为下列式子：
(28)，
对于，存在一个常数/>，使所有的/>满足：
(29)，
式中所有的参数均为已知量，所以力矩为一个确定值。/>
S34、对于不确定部分，通过自适应鲁棒控制理论设计独立的控制力矩消除不确定部分对系统产生的影响，并提出以下条件：
存在一个未知向量，与一个已知函数，针对所有的/>，/>，有如下不等式成立：
(30)，
在式(30)成立的条件下，对于任意的，/>函数可以被/>线性化，即存在/>，有：
(31)，
基于上述条件，本实施例提出了一种泄露型自适应鲁棒控制器，控制力矩的表达式为：
，
(33)，
(34)，
依据泄露型自适应律求解参数：
(35)，
其中，，/>为向量/>的第/>个参数，/>…/>，非负参数/>，用于抑制系统的不确定性。式中所有的参数均为已知量，所以力矩/>为一个确定值。
结合U-K方程、反馈力矩、控制力矩，得到系统的控制器为：
(36)，
式中所有的变量均为确定量，因此实际的控制力矩也为一个确定量。
通过系统的控制器对约束轨迹进行跟踪控制，得到实际轨迹。
本实施例设计的基于U-K方程的泄漏型自适应鲁棒控制算法可以有效的抑制系统中的过量增益和不确定因素的干扰，控制算法的控制框图如图9所示。
本实施例的控制算法采用的是基于Udwadia-Kalaba理论和自适应鲁棒控制算法，能够很好的满足配网带电作业助力机器人在系统含有不确定参数和未知干扰时的高精度、高稳定性和高鲁棒性的轨迹跟踪控制。
本发明基于ARM64平台提出了一种基于U-K理论和自适应鲁棒控制算法的助力机器人轨迹跟踪控制方法及系统，能够实现配网带电作业时高精度、高稳定性和高鲁棒性的控制效果。同时，由于基于机器人动力学建模和人体上肢动力学建模补偿，能够进一步提高系统的建模精度和人机耦合度，满足人机共融的要求。本发明基于U-K理论保证系统确定部分的轨迹跟踪控制精度，同时，基于自适应鲁棒控制算法消除了系统受到不确定参数和未知干扰的影响，进一步提升了系统的稳定性和鲁棒性。
实施例3
一种电子设备，如图10所示，包括：存储器，其上存储有程序代码；处理器，其与所述存储器连接，并且当所述程序代码被所述处理器执行时，实现一种助力机器人轨迹跟踪控制方法。关于方法的详细描述，可以参照上述方法实施例中的对应描述，在此不再赘述。
实施例4
一种计算机可读存储介质，如图11所示，其上存储有程序指令，程序指令被执行时实现一种助力机器人轨迹跟踪控制方法。关于方法的详细描述，可以参照上述方法实施例中的对应描述，在此不再赘述。
这里说明的设备数量和处理规模是用来简化本发明的说明的。对本发明的应用、修改和变化对本领域的技术人员来说是显而易见的。
尽管本发明的实施方案已公开如上，但其并不仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。
本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的，因此，装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。
本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器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也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件单元又可以是硬件部件内的结构。
上述实施例阐明的系统、装置或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书实施例可提供为方法、系统、或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序单元。一般地，程序单元包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序单元可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书实施例而已，并不用于限制本说明书一个或多个实施例。对于本领域技术人员来说，本说明书一个或多个实施例可以有各种更改和变化。凡在本说明书一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例的权利要求范围之内。
Claims (14)
1.一种助力机器人轨迹跟踪控制方法，其特征在于，包括以下步骤：
构建助力机器人模型；
通过人体上肢动力学方程对所述助力机器人模型进行补偿，得到完整的系统动力学方程；
在完整的系统动力学方程的基础上，通过自适应鲁棒控制算法将系统的不确定参数的影响消除，并通过U-K方程进行精准控制；
所述在完整的系统动力学方程的基础上，通过自适应鲁棒控制算法将系统的不确定参数的影响消除，并通过U-K方程进行精准控制包括以下步骤：
对简化后的完整的系统动力学方程中的向量和矩阵进行分解，得到名义部分和不确定部分；
对于所述名义部分，使用U-K方程进行控制；
对于系统的轨迹误差，通过反馈力矩进行消除；
对于所述不确定部分，通过自适应鲁棒控制理论设计独立的控制力矩消除所述不确定部分对系统产生的影响；
所述构建助力机器人模型包括以下步骤：
基于D-H参数法，得到外骨骼的机器人末端坐标系的位姿：
，
其中，为时间变量，/>为平面二自由度机器人的第一连杆的长度，/>和/>分别为平面二自由度机器人的第一连杆、第二连杆对应在世界坐标系内的转动角度；
通过所述外骨骼的机器人末端坐标系的位姿计算得到世界坐标系中机器人末端坐标系的速度雅可比矩阵：
，
通过所述速度雅可比矩阵计算系统的总动能：
，
其中，为平面二自由度机器人的第二连杆的长度，/>和/>分别为第一连杆、第二连杆对应的质量，/>为第一连杆与第二连杆之间的关节对应的质量，/>为助力机器人末端承受的负载质量；
通过所述位姿计算系统的总势能：
，
根据拉格朗日方程通过所述总动能和所述总势能推导出系统的动力学方程：
，
其中，，/>，/>，/>，
，
，
，
，
，
，
其中，为系统的广义惯性矩阵且是正定矩阵，/>为科氏力矢量，为重力矢量，/>为重力加速度，/>和/>分别为平面二自由度机器人的第一关节提供的关节力矩和第二关节提供的关节力矩；
所述通过人体上肢动力学方程对所述助力机器人模型进行补偿包括以下步骤：
通过拉格朗日法以及人体关节运动的质量-弹簧-阻尼模型描述人体上肢动力学，如下式所示：
，
其中，和/>分别代表人体关节的位置、速度和加速度，/>为上肢的惯性矩阵，为上肢的科氏力，/>为上肢的重力矢量，/>为环境对上肢的作用力，/>为外力作用处的雅可比矩阵，/>为人体关节粘弹性产生的关节力矩，/>为上肢关节处肌肉收缩产生的作用力矩；
将系统的动力学方程与人体上肢动力学方程合并，得到完整的系统动力学方程：
。
2.如权利要求1所述的一种助力机器人轨迹跟踪控制方法，其特征在于：所述通过人体上肢动力学方程对所述助力机器人模型进行补偿还包括以下步骤：
将完整的系统动力学方程进行简化，用参数表示所有的未知量和不确定量，得到如下表达式：
，
其中，为人机间的未知交互力，/>为外骨骼关节电机提供的力矩，通过调节电机电流来控制。
3.如权利要求2所述的一种助力机器人轨迹跟踪控制方法，其特征在于：所述对简化后的完整的系统动力学方程中的向量和矩阵进行分解包括以下步骤：
将简化后的完整的系统动力学方程中的向量和矩阵分解为如下形式：
，
，
，
分解后的向量和矩阵为两部分，、/>、/>、/>是由确定参数组成的名义部分，/>、/>、/>是不确定部分；
令：
，
，
，
，
其中，为单位矩阵。
4.如权利要求3所述的一种助力机器人轨迹跟踪控制方法，其特征在于：所述对于所述名义部分，使用U-K方程进行控制包括以下步骤：
假设系统的约束方程有如下一阶、二阶表达形式：
，
，
其中，对于任意的，满秩，/>和/>存在逆矩阵；
对于名义部分，使用U-K方程进行控制：
，
其中，上标表示广义逆符号。
5.如权利要求4所述的一种助力机器人轨迹跟踪控制方法，其特征在于：所述反馈力矩为：
，
，
其中，为待设计的比例系数，/>且/>，常数矩阵/>，/>满足以下要求：
定义矩阵为下列式子：
，
对于，存在一个常数/>，使所有的/>满足：
。
6.如权利要求5所述的一种助力机器人轨迹跟踪控制方法，其特征在于：所述对于所述不确定部分，通过自适应鲁棒控制理论设计独立的控制力矩消除所述不确定部分对系统产生的影响包括以下步骤：
提出以下条件：
存在一个未知向量，与一个已知函数，针对所有的/>，/>，有如下不等式成立：
，
存在，有：
，
得到泄露型自适应鲁棒控制器，控制力矩的表达式为：
，
，
，
依据泄露型自适应律求解参数：
，
其中，，/>为向量/>的第/>个参数，/>…/>，非负参数/>，用于抑制系统的不确定性。
7.如权利要求6所述的一种助力机器人轨迹跟踪控制方法，其特征在于：所述在完整的系统动力学方程的基础上，通过自适应鲁棒控制算法将系统的不确定参数的影响消除，并通过U-K方程进行精准控制包括以下步骤：
结合所述U-K方程、所述反馈力矩、所述控制力矩，得到系统的控制器为：
，
通过系统的控制器对约束轨迹进行跟踪控制，得到实际轨迹。
8.一种助力机器人轨迹跟踪控制系统，实现如权利要求1~7任一项所述的方法，其特征在于：包括机器人执行端、下位机控制端、上位机操作端，所述上位机操作端与所述下位机控制端通讯连接，所述下位机控制端与所述机器人执行端通讯连接；
所述上位机操作端用于提供界面交互，实现输入关节运动轨迹，输出控制指令至所述下位机控制端，接收所述下位机控制端反馈的运动信息，监测实际人体运动状态；
所述下位机控制端用于接收所述控制指令，计算控制力矩，并输出控制力矩信号至所述机器人执行端，将运动信息反馈至所述上位机操作端；
所述机器人执行端用于接收所述控制力矩信号，带动人体上肢及负载执行对应的动作，以完成配网带电作业的任务，以及反馈所述运动信息至所述下位机控制端。
9.如权利要求8所述的一种助力机器人轨迹跟踪控制系统，其特征在于：所述机器人执行端包括电机、编码器和碳纤维硬直杆件，所述电机、所述编码器与所述下位机控制端通信连接；
所述电机支持力矩模式，用于接收所述控制力矩信号，实现助力机器人的力位控制；
所述编码器用于实时读取所述电机的运动信息，将所述运动信息反馈至所述上位机操作端，以及实现断电记忆；
所述碳纤维硬直杆件用于承载负载。
10.如权利要求8所述的一种助力机器人轨迹跟踪控制系统，其特征在于：所述下位机控制端采用UDroid-C4机器人专用计算单元，所述UDroid-C4机器人专用计算单元包括Odriod-C4开发板和实时运动控制计算单元。
11.如权利要求8所述的一种助力机器人轨迹跟踪控制系统，其特征在于：所述下位机控制端采用CAN通讯方式与所述机器人执行端连接。
12.如权利要求8所述的一种助力机器人轨迹跟踪控制系统，其特征在于：所述上位机操作端采用串口通讯方式与所述下位机控制端通讯连接。
13.一种电子设备，其特征在于，包括：存储器，其上存储有程序代码；处理器，其与所述存储器连接，并且当所述程序代码被所述处理器执行时，实现如权利要求1~7任一项所述的方法。
14.一种计算机可读存储介质，其特征在于，其上存储有程序指令，所述程序指令被执行时实现如权利要求1~7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410124950.9A CN117647985B (zh) | 2024-01-30 | 2024-01-30 | 一种助力机器人轨迹跟踪控制方法、系统、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410124950.9A CN117647985B (zh) | 2024-01-30 | 2024-01-30 | 一种助力机器人轨迹跟踪控制方法、系统、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117647985A CN117647985A (zh) | 2024-03-05 |
| CN117647985B true CN117647985B (zh) | 2024-05-03 |
Family
ID=90049984
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410124950.9A Active CN117647985B (zh) | 2024-01-30 | 2024-01-30 | 一种助力机器人轨迹跟踪控制方法、系统、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117647985B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108319144A (zh) * | 2018-02-21 | 2018-07-24 | 湘潭大学 | 一种机器人轨迹跟踪控制方法及系统 |
| CN113885493A (zh) * | 2021-09-17 | 2022-01-04 | 华南理工大学 | 基于pd+鲁棒控制器的并联机器人轨迹跟踪控制方法 |
| CN114851171A (zh) * | 2022-05-24 | 2022-08-05 | 浙江工业大学 | 下肢外骨骼康复机器人步态轨迹跟踪控制方法 |
| WO2022166328A1 (zh) * | 2021-02-05 | 2022-08-11 | 深圳市优必选科技股份有限公司 | 任务执行控制方法、装置、控制设备及可读存储介质 |
| CN116449820A (zh) * | 2023-03-02 | 2023-07-18 | 南京航空航天大学 | 一种基于约束跟随的无人履带车轨迹跟踪控制方法 |
| CN116872219A (zh) * | 2023-09-07 | 2023-10-13 | 中国科学院苏州生物医学工程技术研究所 | 基于u-k方程的机器人控制方法、电子设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220379470A1 (en) * | 2021-05-26 | 2022-12-01 | Ub Tech Robotics Corp Ltp | Robot balance control method, robot controller and computer readable storage medium |
-
2024
- 2024-01-30 CN CN202410124950.9A patent/CN117647985B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108319144A (zh) * | 2018-02-21 | 2018-07-24 | 湘潭大学 | 一种机器人轨迹跟踪控制方法及系统 |
| WO2022166328A1 (zh) * | 2021-02-05 | 2022-08-11 | 深圳市优必选科技股份有限公司 | 任务执行控制方法、装置、控制设备及可读存储介质 |
| CN113885493A (zh) * | 2021-09-17 | 2022-01-04 | 华南理工大学 | 基于pd+鲁棒控制器的并联机器人轨迹跟踪控制方法 |
| CN114851171A (zh) * | 2022-05-24 | 2022-08-05 | 浙江工业大学 | 下肢外骨骼康复机器人步态轨迹跟踪控制方法 |
| CN116449820A (zh) * | 2023-03-02 | 2023-07-18 | 南京航空航天大学 | 一种基于约束跟随的无人履带车轨迹跟踪控制方法 |
| CN116872219A (zh) * | 2023-09-07 | 2023-10-13 | 中国科学院苏州生物医学工程技术研究所 | 基于u-k方程的机器人控制方法、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117647985A (zh) | 2024-03-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Spyrakos-Papastavridis et al. | Minimally model-based trajectory tracking and variable impedance control of flexible-joint robots | |
| Qi et al. | Kinematic control of continuum manipulators using a fuzzy-model-based approach | |
| Wen et al. | Elman fuzzy adaptive control for obstacle avoidance of mobile robots using hybrid force/position incorporation | |
| EP2188685A1 (en) | Inverse kinematics | |
| Mutlu et al. | An effective methodology to solve inverse kinematics of electroactive polymer actuators modelled as active and soft robotic structures | |
| Ibrahim et al. | Modelling and control of SCARA manipulator | |
| Brahmi et al. | Robust adaptive tracking control of uncertain rehabilitation exoskeleton robot | |
| Fazli et al. | Real-time implementation of a super twisting control algorithm for an upper limb wearable robot | |
| Vázquez et al. | Real-time decentralized neural control via backstepping for a robotic arm powered by industrial servomotors | |
| Della Santina et al. | Exact task execution in highly under-actuated soft limbs: an operational space based approach | |
| Yang et al. | Synchronization analysis for nonlinear bilateral teleoperator with interval time‐varying delay | |
| CN117647985B (zh) | 一种助力机器人轨迹跟踪控制方法、系统、设备及介质 | |
| Dong et al. | Muscle force control of a kinematically redundant bionic arm with real-time parameter update | |
| Wild et al. | Efficient and scalable inverse kinematics for continuum robots | |
| Akbari Hamed et al. | Dynamic output controllers for exponential stabilization of periodic orbits for multidomain hybrid models of robotic locomotion | |
| Al-Shuka et al. | Adaptive hybrid regressor and approximation control of robotic manipulators in constrained space | |
| Sabri et al. | Model and simulation of arm robot with 5 degrees of freedom using MATLAB | |
| Irani et al. | Tip tracking control of a rigid-flexible manipulator based on deflection estimation using neural networks: Application to needle insertion | |
| Yan et al. | Data-driven model predictive control for redundant manipulators with unknown model | |
| Saeedi et al. | Design of a nonlinear backstepping versus sliding mode controller for a human musculoskeletal arm model in sagittal plane | |
| Zhenlei et al. | Robust sliding mode control for a 2-DOF lower limb exoskeleton base on linear extended state observer | |
| Yadavari et al. | Addressing challenges in dynamic modeling of stewart platform using reinforcement learning-based control approach | |
| Ivanescu et al. | Boundary Control by Boundary Observer for Hyper-redundant Robots. | |
| Sado et al. | Adaptive hybrid impedance control for a 3DOF upper limb rehabilitation robot using hybrid automata | |
| Li et al. | Kinematics reliability analysis for manipulator considering elasticity |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |