CN117681187A - 一种移动操作机器人的控制系统及方法 - Google Patents
一种移动操作机器人的控制系统及方法 Download PDFInfo
- Publication number
- CN117681187A CN117681187A CN202311126771.0A CN202311126771A CN117681187A CN 117681187 A CN117681187 A CN 117681187A CN 202311126771 A CN202311126771 A CN 202311126771A CN 117681187 A CN117681187 A CN 117681187A
- Authority
- CN
- China
- Prior art keywords
- module
- track
- walking
- control
- robot
- 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 23
- 238000004364 calculation method Methods 0.000 claims abstract description 93
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 62
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 27
- 230000008878 coupling Effects 0.000 claims abstract description 21
- 238000010168 coupling process Methods 0.000 claims abstract description 21
- 238000005859 coupling reaction Methods 0.000 claims abstract description 21
- 230000009471 action Effects 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 8
- 230000009916 joint effect Effects 0.000 claims description 6
- 238000012821 model calculation Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 3
- 230000006872 improvement Effects 0.000 abstract description 4
- 230000007246 mechanism Effects 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 description 6
- 239000012636 effector Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000010924 continuous production Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Landscapes
- Manipulator (AREA)
Abstract
本发明提供了一种移动操作机器人的控制系统及方法,所述系统包括移动操作机器人控制器、行走控制模块、一体式控制模块、轨迹规划模块、轨迹分解计算模块、逆运动学模型和解耦计算模块;行走控制模块在行走控制模式下控制移动操作机器人本体移动;一体式控制模块在一体式控制模式下协调控制移动操作机器人本体移动和机械臂运动;轨迹规划模进行轨迹规划,轨迹分解计算模块分解规划轨迹;逆运动学模型解算行走控制模块和一体式控制模块的建模描述;解耦计算模块将逆运动学模型解算的一体式控制模块的建模描述的输出量解耦为运动量。本发明基于耦合和解耦机制的控制环路,利用不同的补偿算法,实现了机器人的一体式协调控制及性能的提升。
Description
技术领域
本发明涉及智能机器人控制技术领域,特别涉及一种移动操作机器人的控制系统及方法。
背景技术
在智能制造领域,智能移动操作机器人应用越来越广泛,多数情况下,移动操作机器人作为生产环节的一部分,其操作响应速度、作业效率、动作规范等必须符合自动化生产系统的生产节拍和要求,以实现连续化生产,这就对机器人的性能提出了较高的要求。
移动操作机器人的产品形态大多数是移动底盘上安装有机械臂的结构形式,但在内部控制上依然保持着底盘控制和机械臂控制分别单独控制的状况,即机器人整机控制器给底盘控制器和机械臂控制器分别发送控制指令,其控制底层逻辑并非是从移动操作机器人的整体层面出发进行控制的,而是先控制移动底盘移动到目的地点停止后,然后再控制机械臂对目标物进行操作,这种控制实现方法简单,产品开发速度快。但其缺点也非常明显,主要表现为机器人移动和机械臂动作没有实现同步协调一体式控制,机器人作业动作协调性差,效率低,在有些场景下,无法适应自动化生产线的节拍要求。
发明内容
为了实现整机一体式控制,提升移动操作机器人的动作协调性和作业效率,本发明中披露了一种移动操作机器人的控制系统及方法,本发明的技术方案是这样实施的:
一种移动操作机器人的控制系统,包括移动操作机器人控制器、行走控制模块、一体式控制模块、轨迹分解计算模块、逆运动学模型和解耦计算模块;
其中,所述行走控制模块用于在行走控制模式下控制移动操作机器人本体移动;
所述一体式控制模块用于在一体式控制模式下协调控制移动操作机器人本体移动和机械臂运动;
所述轨迹规划模块用于接受移动操作机器人控制器的任务指令并进行轨迹规划;
所述轨迹分解计算模块用于分解轨迹规划模块输出的规划轨迹;
所述逆运动学模型用于解算行走控制模块和一体式控制模块的建模描述;
解耦计算模块用于将逆运动学模型解算的一体式控制模块的建模描述的输出量解耦为运动量。
优选地,还包括还包括场景作业算法库和耦合单元;
所述场景作业算法库包括n个执行器算法库;
所述执行器算法库设置有执行器补偿参数;
所述耦合单元输出执行器补偿数据至解耦计算模块。
优选地,还包括误差计算模块和人工神经网络算法模块;
所述误差计算模块计算本体移动运动量与实际本体移动量的误差;
所述人工神经网络算法模块用于计算机械臂关节运动量与实际机械臂各关节的运动量的误差量或对执行器补偿参数进行学习训练以获得执行器补偿数据。
一种移动操作机器人的控制方法,使用一种移动操作机器人的控制系统;所述方法具体步骤如下:
S1,机器人控制器接收到来自于调度系统的任务指令后,通过轨迹规划模块进行轨迹规划计算;
S2,轨迹规划模块接收到任务指令后进行轨迹规划;
S3,轨迹分解计算模块将轨迹规划模块规划轨迹分解为行走控制轨迹和一体化控制轨迹;
其中,一体化控制轨迹包括协作行走轨迹和机械臂作业动作轨迹;
S4,轨迹分解计算模块将所述行走控制轨迹输入行走控制模块;同时将一体化控制轨迹输入一体式控制模块;
S5,移动操作机器人控制器基于规划轨迹、移动操作机器人当前位置以及作业对象位置等数据,自动切换控制模式;控制模式包括行走控制模式和一体式控制模式。例如,当移动操作机器人与作业对象的距离大于一定范围时,切换成行走控制模式;而当移动操作机器人与作业对象的距离小于一定范围时,切换为一体式控制模式。
S5A,行走控制模式:
S5A.1,行走控制模块在机器人世界坐标系中进行行走控制轨迹数据的建模描述;
S5A.2,通过逆运动学模型解算,生成移动操作机器人行走装置的导航行走指令;
S5A.3,输入导航行走指令至行走轮驱动器;
S5A.4,行走轮驱动器内部执行基于PID的闭环控制;
S5B,一体式控制模式;
S5B.1,一体式控制轨迹模块在笛卡尔坐标空间进行机械臂作业动作轨迹数据和协作行走轨迹数据的建模描述;
S5B.2,经过逆运动学模型解算,进入解耦计算模块;
S5B.3,解耦计算模块将逆运动学模型的输出量解耦为移动操作机器人本体移动运动量与机械臂各关节动作运动量;
S5B.4,本体移动运动量变换到世界坐标系进行移动操作机器人的行走控制;机械臂关节运动量进行移动操作机器人的机械臂各关节的运动控制。
优选地,还包括S6,运动补偿;
S6.A1,误差计算模块计算本体移动运动量与实际本体移动量的误差;同时,人误差计算模块计算机械臂关节运动量与实际机械臂各关节的运动量的误差量;
S6.A2,将S6.A1中的误差量输入人工神经网络算法模块进行学习训练;
S6.A3,将学习训练结果经过运动学解算,提取变化规律分量值;
S6.A4,将变化规律分量值提取到S5B.1中作为输出数据的补偿。
优选地,所述S6包括如下步骤:
S6.B1,耦合单元提取场景作业算法库中的执行器算法库的执行器补偿参数;
S6.B2,然后将执行器补偿参数作为执行器补偿数据输入解耦计算模块。
优选地,所述S6具体步骤为:
S6.C1,人工神经网络算法模块对场景作业算法库中的执行器补偿参数进行学习训练得到执行器补偿数据;
S6.C2,耦合单元提取人工神经网络算法模块训练得到的执行器补偿数据输入解耦计算模块作为移动操作机器人的运动补偿。
本发明根据机器人与目标物的距离远近,分为两种控制模式,在规定的距离范围之外,采用仅控制机器人本体移动的控制方法;在范围之内,执行机器人本体移动和机械臂同时协调控制的控制方法。并基于耦合和解耦机制的控制环路,利用不同的补偿算法,实现了机器人的一体式协调控制及性能的提升。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一种实施例,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的附图。
图1为实施例1移动操作机器人的控制方法的控制模式简图;
图2为实施例1中移动操作机器人的控制架构;
图3为实施例2中移动操作机器人的控制架构;
图4为实施例2中移动操作机器人的控制方法的误差补偿流程图;
图5为实施例3中移动操作机器人的控制架构;
图6为实施例4中移动操作机器人的控制架构。
具体实施方式
下面将结合本发明的附图,对本发明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作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。
实施例
在一种具体的实施例1中,一种移动操作机器人的控制系统,包括移动操作机器人控制器、行走控制模块、一体式控制模块、轨迹规划模块、轨迹分解计算模块、逆运动学模型和解耦计算模块;其中,行走控制模块用于在行走控制模式下控制移动操作机器人本体移动;一体式控制模块用于在一体式控制模式下协调控制移动操作机器人本体移动和机械臂运动;轨迹规划模块用于接受移动操作机器人控制器的任务指令并进行轨迹规划;轨迹分解计算模块用于分解轨迹规划模块输出的规划轨迹;逆运动学模型用于解算行走控制模块和一体式控制模块的建模描述;解耦计算模块用于将逆运动学模型解算的一体式控制模块的建模描述的输出量解耦为运动量。
本实施例依据移动操作机器人与目标物距离的远近,将控制模式分为行走控制模式和一体式控制模式2种。
如图1所示,假设机器人从起点A要移动到目标点C,当机器人移动到切换点B处,与目标点C之间的距离为L0时,该点定为控制模式切换点B。
A到B点期间,行走控制模块仅控制移动操作机器人的本体移动,机械臂处于静止状态;
B到C点期间,一体式控制模块控制移动操作机器人的本体移动和机械臂动作同步工作。
控制切换点B的设定可根据移动操作机器人移动的距离、工况、实际需求或自行设定。
距离L0的值可设置,取决于目标点C周边障碍物和作业要求,如机器人行驶速度,机械臂作业速度和精度等。
本实施例的主要优点为:当移动操作机器人比较接近目标点C时,提升移动操作机器人的机械臂动作和底盘移动的协调和同步性(底盘移动同时机械臂动作)以及提升作业的速度和效率,改善作业流畅度,从而更能适应自动化生产线的要求。
如图2所示,本实施例的具体控制方法包括步骤如下:
S1,机器人控制器接收到来自于调度系统的任务指令后,通过轨迹规划模块进行轨迹规划计算;
S2,轨迹规划模块接收到任务指令后进行轨迹规划;
S3,轨迹分解计算模块将轨迹规划模块规划轨迹分解为行走控制轨迹和一体化控制轨迹;
其中,一体化控制轨迹包括协作行走轨迹和机械臂作业动作轨迹;
S4,轨迹分解计算模块将所述行走控制轨迹输入行走控制模块;同时将一体化控制轨迹输入一体式控制模块;
S5,移动操作机器人控制器基于规划轨迹、移动操作机器人当前位置以及作业对象位置等数据,自动切换控制模式;控制模式包括行走控制模式和一体式控制模式;
本实施例中,当移动操作机器人控制器判断移动操作机器人位于A点和B点之间,则切换成行走控制模式:
S5A,行走控制模式:
S5A.1,行走控制模块在机器人世界坐标系中进行行走控制轨迹数据的建模描述;
S5A.2,通过逆运动学模型解算,生成移动操作机器人行走装置的导航行走指令;
S5A.3,输入导航行走指令至行走轮驱动器;
S5A.4,行走轮驱动器内部执行基于PID的闭环控制;
当移动操作机器人控制器判断移动操作机器人位于B点和C点之间,则切换成一体式控制模式:
S5B,一体式控制模式;
S5B.1,一体式控制轨迹模块在笛卡尔坐标空间进行机械臂作业动作轨迹数据和协作行走轨迹数据的建模描述;
S5B.2,经过逆运动学模型解算,进入解耦计算模块;
S5B.3,解耦计算模块将逆运动学模型的输出量解耦为移动操作机器人本体移动运动量与机械臂各关节动作运动量;
S5B.4,本体移动运动量变换到世界坐标系进行移动操作机器人的行走控制;机械臂关节运动量进行移动操作机器人的机械臂各关节的运动控制。
实施例2
在一种优选的实施例2中,一种移动操作机器人的控制系统,包括移动操作机器人控制器、行走控制模块、一体式控制模块、轨迹规划模块、轨迹分解计算模块、逆运动学模型、解耦计算模块、误差计算模块和人工神经网络算法模块;其中,行走控制模块用于在行走控制模式下控制移动操作机器人本体移动;一体式控制模块用于在一体式控制模式下协调控制移动操作机器人本体移动和机械臂运动;轨迹规划模块用于接受移动操作机器人控制器的任务指令并进行轨迹规划;轨迹分解计算模块用于分解轨迹规划模块输出的规划轨迹;逆运动学模型用于解算行走控制模块和一体式控制模块的建模描述;解耦计算模块用于将逆运动学模型解算的一体式控制模块的建模描述的输出量解耦为运动量。误差计算模块计算本体移动运动量与实际本体移动量的误差;人工神经网络算法模块用于计算机械臂关节运动量与实际机械臂各关节的运动量的误差量或对执行器补偿参数进行学习训练以获得执行器补偿数据。
如图3所示,本实施例的具体控制方法包括步骤如下:
S1,机器人控制器接收到来自于调度系统的任务指令后,通过轨迹规划模块进行轨迹规划计算;
S2,轨迹规划模块接收到任务指令后进行轨迹规划;
S3,轨迹分解计算模块将轨迹规划模块规划轨迹分解为行走控制轨迹和一体化控制轨迹;
其中,一体化控制轨迹包括协作行走轨迹和机械臂作业动作轨迹;
S4,轨迹分解计算模块将所述行走控制轨迹输入行走控制模块;同时将一体化控制轨迹输入一体式控制模块;
S5,移动操作机器人控制器基于规划轨迹、移动操作机器人当前位置以及作业对象位置等数据,自动切换控制模式;
控制模式包括行走控制模式和一体式控制模式;
S5A,行走控制模式:
S5A.1,行走控制模块在机器人世界坐标系中进行行走控制轨迹数据的建模描述;
S5A.2,通过逆运动学模型解算,生成移动操作机器人行走装置的导航行走指令;
S5A.3,输入导航行走指令至行走轮驱动器;
S5A.4,行走轮驱动器内部执行基于PID的闭环控制;
S5B,一体式控制模式;
S5B.1,一体式控制轨迹模块在笛卡尔坐标空间进行机械臂作业动作轨迹数据和协作行走轨迹数据的建模描述;
S5B.2,经过逆运动学模型解算,进入解耦计算模块;
S5B.3,解耦计算模块将逆运动学模型的输出量解耦为移动操作机器人本体移动运动量与机械臂各关节动作运动量;
S5B.4,本体移动运动量变换到世界坐标系进行移动操作机器人的行走控制;机械臂关节运动量进行移动操作机器人的机械臂各关节的运动控制。
S6,运动补偿;
S6.A1,误差计算模块计算本体移动运动量与实际本体移动量的误差;同时,人误差计算模块计算机械臂关节运动量与实际机械臂各关节的运动量的误差量;
S6.A2,将S6.A1中的误差量输入人工神经网络算法模块进行学习训练;
S6.A3,将学习训练结果经过运动学解算,提取变化规律分量值;
S6.A4,将变化规律分量值提取到S5.1中作为输出数据的补偿。
本实施例2是对实施例1的进一步优化,如图4所示,本实施例通过在误差计算模块中输入的各运动控制量(指令)以及实际运动控制量(反馈),分别计算各自的误差量;对此误差量数据执行人工神经网络算法的学习并通过运动学解算,提取变化规律分量值,将该变化规律分量值在前端耦合入轨迹分解计算模块输出作业动作轨迹数据和协作行走轨迹数据之前,起到对最终误差进行补偿的作用。
图4中,图中各符号物理意义如下:
机器人行走指令参数,机械臂末端关节执行器动作指令参数;
机器人行走实际参数,机械臂末端关节执行器动作实际参数;
机器人行走误差参数,机械臂末端关节执行器动作误差参数;
输出的补偿量。
相比较实施例1,实施例2的有益效果是将提升机械臂末端的作业精度和作业稳定性。
实施例3
在一种优选的实施例3中,一种移动操作机器人的控制系统,包括移动操作机器人控制器、行走控制模块、一体式控制模块、轨迹规划模块、轨迹分解计算模块、逆运动学模型、解耦计算模块、场景算法库和耦合单元;其中,行走控制模块用于在行走控制模式下控制移动操作机器人本体移动;一体式控制模块用于在一体式控制模式下协调控制移动操作机器人本体移动和机械臂运动;轨迹规划模块用于接受移动操作机器人控制器的任务指令并进行轨迹规划;轨迹分解计算模块用于分解轨迹规划模块输出的规划轨迹;逆运动学模型用于解算行走控制模块和一体式控制模块的建模描述;解耦计算模块用于将逆运动学模型解算的一体式控制模块的建模描述的输出量解耦为运动量。
场景作业算法库包括n个执行器算法库;执行器算法库设置有执行器补偿参数;耦合单元输出执行器补偿数据至解耦计算模块;n为移动控制器机器人所有执行器的总数。
如图5所示,本实施例的具体控制方法包括步骤如下:
S1,机器人控制器接收到来自于调度系统的任务指令后,通过轨迹规划模块进行轨迹规划计算;
S2,轨迹规划模块接收到任务指令后进行轨迹规划;
S3,轨迹分解计算模块将轨迹规划模块规划轨迹分解为行走控制轨迹和一体化控制轨迹;
其中,一体化控制轨迹包括协作行走轨迹和机械臂作业动作轨迹;
S4,轨迹分解计算模块将所述行走控制轨迹输入行走控制模块;同时将一体化控制轨迹输入一体式控制模块;
S5,移动操作机器人控制器基于规划轨迹、移动操作机器人当前位置以及作业对象位置等数据,自动切换控制模式;
控制模式包括行走控制模式和一体式控制模式;
S5A,行走控制模式:
S5A.1,行走控制模块在机器人世界坐标系中进行行走控制轨迹数据的建模描述;
S5A.2,通过逆运动学模型解算,生成移动操作机器人行走装置的导航行走指令;
S5A.3,输入导航行走指令至行走轮驱动器;
S5A.4,行走轮驱动器内部执行基于PID的闭环控制;
S5B,一体式控制模式;
S5B.1,一体式控制轨迹模块在笛卡尔坐标空间进行机械臂作业动作轨迹数据和协作行走轨迹数据的建模描述;
S5B.2,经过逆运动学模型解算,进入解耦计算模块;
S5B.3,解耦计算模块将逆运动学模型的输出量解耦为移动操作机器人本体移动运动量与机械臂各关节动作运动量;
S5B.4,本体移动运动量变换到世界坐标系进行移动操作机器人的行走控制;机械臂关节运动量进行移动操作机器人的机械臂各关节的运动控制。
S6,运动补偿;
S6.B1,耦合单元提取场景作业算法库中的执行器算法库的执行器补偿参数;
S6.B2,然后将执行器补偿参数作为执行器补偿数据输入解耦计算模块。
本实施例是对实施例1的进一步改进。为让移动操作机器人更适应所在场景作业要求,本实施例建立了场景作业算法库,当选择了场景作业算法库中的某个执行器算法库之后,耦合单元将执行器算法库的参数耦合入解耦计算模块,从而增强机器人的动作执行效率和性能,并减小对控制系统的计算资源的要求。
场景作业算法库,主要由机器人末端执行器类型及作业特征决定,设计了较优的耦合控制量,使得最终末端执行作业动作更复合作业要求。
下表为场景作业算法库的示例。
表中列出了4个执行器算法库。分别为module_hand1,module_hand2,module_hand3,module_hand4。每个执行器算法库对应不同的末端执行器类型,具有各自的作业特征,4个参数,分别为机器人移动本体速度和加速度;末端执行器速度和加速度;可以根据控制要求,增减算法库模块中对应的参数类型和数量。
当选择了执行器算法库之后,该执行器算法库的4个参数被耦合进入解耦计算模块,在解耦计算模块内,涉及到移动操作机器人本体移动的执行器算法库的参数被解耦到本体移动的执行器控制量中,涉及到机械臂的执行器算法库的参数被解耦到本体机械臂的执行器控制量中,与原来各自的控制量互相耦合,成为新的控制量,从而纠正实际控制效果。
在不同的作业特征下,对于机器人本体和机械臂末端执行器的动作速度、加速度等要求均不同;每一模块分别输出4个参数,该4个参数均为相应的补偿量,将该补偿量耦合入解耦计算单元,对相应的本体移动性能和机械臂末端执行性能产生影响,从而适应性的修正控制性能。这种设计,降低了机器人动作的对高级算法的要求,可快速的适应和提升机器人在执行相应的操作时的作业效果和性能。需要说明的是,4个参数只是举例,实际操作中,可以设定更多的补偿参数来进一步提高移动操作机器人的控制精度。
实施例4
在一种优选的实施例4中,一种移动操作机器人的控制系统,包括移动操作机器人控制器、行走控制模块、一体式控制模块、轨迹分解计算模块、逆运动学模型、解耦计算模块、场景算法库、耦合单元和人工神经网络算法模块;其中,行走控制模块用于在行走控制模式下控制移动操作机器人本体移动;一体式控制模块用于在一体式控制模式下协调控制移动操作机器人本体移动和机械臂运动;轨迹规划模块用于接受移动操作机器人控制器的任务指令并进行轨迹规划;轨迹分解计算模块用于分解轨迹规划模块输出的规划轨迹;逆运动学模型用于解算行走控制模块和一体式控制模块的建模描述;解耦计算模块用于将逆运动学模型解算的一体式控制模块的建模描述的输出量解耦为运动量。
场景作业算法库包括n个执行器算法库;执行器算法库设置有执行器补偿参数;耦合单元输出执行器补偿数据至解耦计算模块;n为移动控制器机器人所有执行器的总数。人工神经网络算法模块用于对执行器补偿参数进行学习训练以获得执行器补偿数据。
如图6所示,本实施例的具体控制方法包括步骤如下:
S1,机器人控制器接收到来自于调度系统的任务指令后,通过轨迹规划模块进行轨迹规划计算;
S2,轨迹规划模块接收到任务指令后进行轨迹规划;
S3,轨迹分解计算模块将轨迹规划模块规划轨迹分解为行走控制轨迹和一体化控制轨迹;
其中,一体化控制轨迹包括协作行走轨迹和机械臂作业动作轨迹;
S4,轨迹分解计算模块将所述行走控制轨迹输入行走控制模块;同时将一体化控制轨迹输入一体式控制模块;
S5,移动操作机器人控制器基于规划轨迹、移动操作机器人当前位置以及作业对象位置等数据,自动切换控制模式;
控制模式包括行走控制模式和一体式控制模式;
S5A,行走控制模式:
S5A.1,行走控制模块在机器人世界坐标系中进行行走控制轨迹数据的建模描述;
S5A.2,通过逆运动学模型解算,生成移动操作机器人行走装置的导航行走指令;
S5A.3,输入导航行走指令至行走轮驱动器;
S5A.4,行走轮驱动器内部执行基于PID的闭环控制;
S5B,一体式控制模式;
S5B.1,一体式控制轨迹模块在笛卡尔坐标空间进行机械臂作业动作轨迹数据和协作行走轨迹数据的建模描述;
S5B.2,经过逆运动学模型解算,进入解耦计算模块;
S5B.3,解耦计算模块将逆运动学模型的输出量解耦为移动操作机器人本体移动运动量与机械臂各关节动作运动量;
S5B.4,本体移动运动量变换到世界坐标系进行移动操作机器人的行走控制;机械臂关节运动量进行移动操作机器人的机械臂各关节的运动控制。
S6,运动补偿;
S6.C1,人工神经网络算法模块对场景作业算法库中的执行器补偿参数进行学习训练得到执行器补偿数据;
S6.C2,耦合单元提取人工神经网络算法模块训练得到的执行器补偿数据输入解耦计算模块作为移动操作机器人的运动补偿。
本实施例是对实施例3的进一步优化。本实施例中,实际运行参数输入末端执行类型、作业特征确定模块中,进行特征化数据标定或特征化数据滤波,或表达式修正,获得某场景作业算法库对应的特征数据,进入人工神经网络学习模块,模块算法库的4个参数作为神经网络算法中的权重因子,对实际运行数据进行数据训练、迭代、计算,并最终获得耦合补偿数据,经过耦合单元进入主控制环路进行补偿,从而达到增强控制效果的目的。
本实施例增强了一体式控制时的操作稳定性和精度等性能,同时,使移动操作机器人的行走、机械臂的操作动作更加流畅,行走、作业动作一气呵成,无需象传统非一体式控制方法,在将要到达或已经到达操作目标时,重新或者反复调整机器人位姿以便更顺利执行末端动作。
需要指出的是,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种移动操作机器人的控制系统,其特征在于,包括移动操作机器人控制器、行走控制模块、一体式控制模块、轨迹规划模块、轨迹分解计算模块、逆运动学模型和解耦计算模块;
其中,所述行走控制模块用于在行走控制模式下控制移动操作机器人本体移动;
所述一体式控制模块用于在一体式控制模式下协调控制移动操作机器人本体移动和机械臂运动;
所述轨迹规划模块用于接受移动操作机器人控制器的任务指令并进行轨迹规划;
所述轨迹分解计算模块用于分解轨迹规划模块输出的规划轨迹;
所述逆运动学模型用于解算行走控制模块和一体式控制模块的建模描述;
解耦计算模块用于将逆运动学模型解算的一体式控制模块的建模描述的输出量解耦为运动量。
2.根据权利要求1所述的一种移动操作机器人的控制系统,其特征在于,还包括还包括场景算法库和耦合单元;
所述场景作业算法库包括n个执行器算法库;
所述执行器算法库设置有执行器补偿参数;
所述耦合单元输出执行器补偿数据至解耦计算模块。
3.根据权利要求1或2所述的一种移动操作机器人的控制系统,其特征在于,还包括误差计算模块和人工神经网络算法模块;
所述误差计算模块计算本体移动运动量与实际本体移动量的误差;
所述人工神经网络算法模块用于计算机械臂关节运动量与实际机械臂各关节的运动量的误差量或对执行器补偿参数进行学习训练以获得执行器补偿数据。
4.一种移动操作机器人的控制方法,其特征在于,使用如权利要求3所述的一种移动操作机器人的控制系统;所述方法具体步骤如下:
S1,机器人控制器接收到来自于调度系统的任务指令后,通过轨迹规划模块进行轨迹规划计算;
S2,轨迹规划模块接收到任务指令后进行轨迹规划;
S3,轨迹分解计算模块将轨迹规划模块规划轨迹分解为行走控制轨迹和一体化控制轨迹;
其中,一体化控制轨迹包括协作行走轨迹和机械臂作业动作轨迹;
S4,轨迹分解计算模块将所述行走控制轨迹输入行走控制模块;同时将一体化控制轨迹输入一体式控制模块;
S5,移动操作机器人控制器基于规划轨迹、移动操作机器人当前位置以及作业对象位置,自动切换控制模式;
控制模式包括行走控制模式和一体式控制模式;
S5A,行走控制模式:
S5A.1,行走控制模块在机器人世界坐标系中进行行走控制轨迹数据的建模描述;
S5A.2,通过逆运动学模型解算,生成移动操作机器人行走装置的导航行走指令;
S5A.3,输入导航行走指令至行走轮驱动器;
S5A.4,行走轮驱动器内部执行基于PID的闭环控制;
S5B,一体式控制模式;
S5B.1,一体式控制轨迹模块在笛卡尔坐标空间进行机械臂作业动作轨迹数据和协作行走轨迹数据的建模描述;
S5B.2,经过逆运动学模型解算,进入解耦计算模块;
S5B.3,解耦计算模块将逆运动学模型的输出量解耦为移动操作机器人本体移动运动量与机械臂各关节动作运动量;
S5B.4,本体移动运动量变换到世界坐标系进行移动操作机器人的行走控制;机械臂关节运动量进行移动操作机器人的机械臂各关节的运动控制。
5.根据权利要求4所述的一种移动操作机器人的控制方法,其特征在于,还包括S6,运动补偿。
6.根据权利要求5所述的一种移动操作机器人的控制方法,其特征在于,所述S6包括如下步骤:
S6.A1,误差计算模块计算本体移动运动量与实际本体移动量的误差;同时,人误差计算模块计算机械臂关节运动量与实际机械臂各关节的运动量的误差量;
S6.A2,将S6.A1中的误差量输入人工神经网络算法模块进行学习训练;
S6.A3,将学习训练结果经过运动学解算,提取变化规律分量值;
S6.A4,将变化规律分量值提取到S5B.1中作为输出数据的补偿。
7.根据权利要求5所述的一种移动操作机器人的控制方法,其特征在于,所述S6包括如下步骤:
S6.B1,耦合单元提取场景作业算法库中的执行器算法库的执行器补偿参数;
S6.B2,然后将执行器补偿参数作为执行器补偿数据输入解耦计算模块。
8.根据权利要求5所述的一种移动操作机器人的控制方法,其特征在于,所述S6包括如下步骤:
S6.C1,人工神经网络算法模块对场景作业算法库中的执行器补偿参数进行学习训练得到执行器补偿数据;
S6.C2,耦合单元提取人工神经网络算法模块训练得到的执行器补偿数据输入解耦计算模块作为移动操作机器人的运动补偿。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311126771.0A CN117681187A (zh) | 2023-09-04 | 2023-09-04 | 一种移动操作机器人的控制系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311126771.0A CN117681187A (zh) | 2023-09-04 | 2023-09-04 | 一种移动操作机器人的控制系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117681187A true CN117681187A (zh) | 2024-03-12 |
Family
ID=90137837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311126771.0A Pending CN117681187A (zh) | 2023-09-04 | 2023-09-04 | 一种移动操作机器人的控制系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117681187A (zh) |
-
2023
- 2023-09-04 CN CN202311126771.0A patent/CN117681187A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104731107B (zh) | 一种电动六自由度运动平台高精度控制系统及控制方法 | |
CN111629867B (zh) | 封闭运动系统中的无碰撞运动规划 | |
CN110039542B (zh) | 具有速度方向控制的视觉伺服跟踪控制方法及机器人系统 | |
CN109240091B (zh) | 一种基于强化学习的水下机器人控制方法及其进行跟踪的控制方法 | |
CN104067781B (zh) | 基于虚拟机器人与真实机器人集成的采摘系统及方法 | |
CN113253677B (zh) | 一种速度优化和前馈补偿相结合的机器人运动控制方法 | |
CN105183009B (zh) | 一种冗余机械臂轨迹控制方法 | |
CN109676610B (zh) | 一种断路器装配机器人及其实现工作轨迹优化的方法 | |
CN110722533B (zh) | 轮式移动机器人外参数无标定视觉伺服跟踪 | |
CN110134062B (zh) | 一种基于强化学习的多轴数控机床加工路径优化方法 | |
CN109623812B (zh) | 考虑航天器本体姿态运动的机械臂轨迹规划方法 | |
Li et al. | A hybrid visual servo control method for simultaneously controlling a nonholonomic mobile and a manipulator | |
CN112427843A (zh) | 基于qmix强化学习算法的船舶多机械臂焊点协同焊接方法 | |
Schwung et al. | An application of reinforcement learning algorithms to industrial multi-robot stations for cooperative handling operation | |
Ruchanurucks et al. | Humanoid robot motion generation with sequential physical constraints | |
Ren et al. | Trajectory tracking control for a 3-DOF planar parallel manipulator using the convex synchronized control method | |
JP7210201B2 (ja) | 情報処理方法、プログラム、記録媒体、情報処理装置、ロボットシステム、物品の製造方法 | |
CN113568422B (zh) | 基于模型预测控制优化强化学习的四足机器人控制方法 | |
CN107511830B (zh) | 一种五自由度混联机器人控制器参数自适应调整实现方法 | |
CN117681187A (zh) | 一种移动操作机器人的控制系统及方法 | |
Andaluz et al. | Adaptive cooperative control of multi-mobile manipulators | |
CN111857054B (zh) | 一种基于神经网络的数控系统运动轨迹控制方法 | |
Khalapyan et al. | Intelligent computing based on neural network model in problems of kinematics and control of parallel robot | |
CN112571411A (zh) | 用于电视机智能生产线的两用机械臂 | |
Hasunuma et al. | The tele-operation of the humanoid robot-workspace extension of the arm with step motion |
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 |