四轮驱动移动机器人

四轮驱动移动机器人（精选7篇）

四轮驱动移动机器人 篇1

0 引言

随着生活节奏的不断加快, 经济收入和生活品质的不断提高, 人们越来越希望能从烦琐的家务劳动中解放出来, 同时在高技术产业的带动下, 家用清扫机器人应运而生。

本文所研究的清扫机器人主要工作在一般家庭的地板和地毯上, 如果把固定式机器人视为对人类手臂动作和功能的模拟和扩展的话, 那么具有移动功能的机器人就可对应于人类行走功能的模拟和扩展。清扫机器人移动机构设计的优劣, 直接关系到清扫吸尘任务最终执行的好坏。清扫机器人的工作环境较为复杂, 既有宽阔的区域又有狭窄的角落;即有静止固定的障碍, 又有动态变化的障碍。因此要求在选择移动方式和设计移动机构时, 不仅要保证清扫服务的高效, 还要保证机器人运动的稳定性和运动控制的便捷性。

通过对几种典型移动机构的对比, 提出适合一般家庭工作的行走方案, 同时对机器人电机的选择进行了分析。

1 移动机构的对比选择

能够在平面环境中移动的机构形式主要有履带式移动机构、腿足式移动机构和车轮式移动机构。此外, 还有适用与特定场合的步进式移动机构、蠕动式移动机构和蛇行式移动机构等。

a) 履带式移动机构:着地面积比较大, 着地压强小, 与路面的黏着力也较强, 所以能够在凹凸和松软路面上移动。因此, 履带式移动机构比较适用与路面状况比较复杂的场合。

b) 腿足式移动机构:适应地面的能力很强, 以两足步行机器人为例, 它需要获取姿态信息时, 通过踝关节力矩反溃控制使其处于柔顺状态, 使脚底适应地面情况, 测量此时踝关节的角度就可得到姿态信息。但其结构复杂, 运动控制的难度较大, 且运动的速度比较慢。

c) 车轮式移动机构:能高速稳定地移动, 能量利用率高, 机构简单, 控制方便和能借鉴至今很成熟的汽车技术等。

通过对比分析几种移动结构发现, 履带式和腿足式都不适合用于家用吸尘机器人的行走机构, 前者适合路面情况复杂的情况, 而家用机器人的路面情况简单, 不需要那么复杂的结构;后者结构极其复杂, 各种关节的设计要求都很高, 对于简单的吸尘机器人来说显然会增加机器人的成本和加工难度, 而且吸尘功能难以实现, 因此选用轮式移动机构做为机器人的本体行走机构。它设计简单, 控制容易, 安全性高。

2 机器人轮式结构研究设计及方案的选择

2.1 轮式机器人的几种转向

轮式移动机构又分为二轮机构、三轮机构、四轮机构和全方位移动机构, 依据机器人结构的不同和所处环境来选择。

a) 二轮移动机构的研究:二轮式移动机构的结构非常简单, 它和三轮式移动机构一样通过两个驱动轮差动转向, 一般驱动轮与电机直接相连, 通过对电机的控制改变两个轮子的速度来达到转向的功能, 左右车轮处于同一平面内, 以此来达到平衡[1] (图1) 。安装时要确保两驱动轮的轴线处于同一前后位置上, 操作起来很容易, 只要在向驱动轮安装架钻孔时事先做好标记就可以了 (图2) 。当电机与驱动轮直接连接时, 还要注意驱动轮彼此同轴, 也就是说, 驱动轮都对准正前方, 否则机器人肯定不会沿着既定的路线行驶。

b) 四轮和全方位移动机构研究:四轮机构和全方位机构的转向比较复杂, 四轮式移动机构是典型的汽车运动的主要构成部分, 一般分为三种转向方式:它们分别是两前轮驱动转向、两后轮驱动转向和四轮互相配合转向, 车轮的连接比较复杂, 不适合一般的家用机器人移动, 而且造成机器人结构繁琐;全方位移动机构可以进行任意的定位和定向, 虽然它可以使机器人更加灵活地运动, 有着显著的优越性, 但它同四轮机构一样甚至比四轮机构更具复杂性和难度。

c) 三轮式移动机构研究:三轮式移动机构一般在两轮式的基础上增加一个万向轮或驱动轮, 有两种驱动方式, 它们分别是两后轮驱动, 前轮导向和前轮作为驱动轮, 而两后轮为转向轮, 用一根轴连在一起。当两后轮驱动时, 主动力轮分开置于机体左右两侧, 支撑点处应用万向轮, 但考虑到万向轮自身存在转弯半径, 为了保持在转弯过程中机器人整体的几何中心不会偏移太大, 而造成转弯后丢线, 所以两个支撑轮的自身摩擦阻尼应该足够小, 采用这种转向结构后, 机器人可以做到0半径 (几何中心不变) 的360°自由转向。

根据机器人完成指定任务要求, 机器人必须具备转向灵活, 转弯半径尽可能小, 即转向过程中机器人本身几何中心偏移量尽可能小, 因此选择三轮式作为机器人的行走机构, 在转弯的时候, 由左、右轮进行差动转弯。进行两轮反向差动转向可以使机器人几何中心保持不动, 不会影响转弯后的运动轨迹, 完全能达到设计要求。

2.2 三轮式移动机构的研究

a) 三轮式移动机构的机械部分:三轮式移动机构是一般移动机器人都选择的移动方式, 它的特点是机构组成容易, 旋转中心是在连接两驱动轮的直线上, 可以实现零回转半径, 清扫吸尘机器人的运动情况, 典型的三轮式由两个同一回转中心的固定式轮和一个偏心可定向轮组成。如图3所示为三轮机器人小车框架结构。

机器人小车的驱动系统由两个步进电机通过齿轮传动分别驱动两固定轮来实现, 因此其驱动方式为差动方式, 即通过左右轮的不同转速来实现小车的不同运动方式。轮7是偏心定向轮, 也称为万向轮, 作为小车的随动轮。C点为小车的质心, F点为万向轮相对于小车本体的不动点, 光电编码器用于小车定位时输出反馈控制信号, 不影响小车的运动模型。在三轮形式下小车可以实现直线运动、圆弧运动和本体质心条件不变下的运动。

b) 三轮式移动机构的控制:因为驱动轮是直接和步进电机相连的, 所以通过控制步进电机来控制轮子, 步进电机通过驱动。

c) 移动行走机构几何尺寸设计计算:将移动行走机构归为底箱部分, 底箱是整个机器人的基础, 其中包括电机、驱动器、电池、光电编码器和刷子等, 设两个主动轮安装在底箱前部, 差动驱动, 主动轮的厚度为50mm, 直径为256mm, 从动轮的厚度为20mm, 直径为50mm, 两驱动轮的间距为500mm, 主动轮轴中心线距前端为150mm, 从动轮到主动轮的最大距离为300mm。通过这些数据我们来分析下如何选择行走机构的驱动电机。

d) 电机的选择安装分析:选择机器人的质量为20kg, 最大行走速度为0.3m/s, 则车轮的角速度为

undefined

分3种情况讨论负载及轴所受到的扭矩:

1) 启动后达到最大速度0.3m/s匀速前进, 此时主动轮摩擦力和从动轮的摩擦力的关系如图4所示。

F主=F从 (2)

而

F从=μFN (3)

取μ=0.05得

F从=0.05×20×9.8=9.8N

则平均每个轮受力为1/2×F=4.9N

TL=4.9×0.128=0.6272N·m

2) 起始加速时:设从启动到达到0.3m/s时所需要的时间为100ms, 则小车的加速度为

undefined

小车在启动时间内的角加速度为

undefined

小车的转动惯量为

undefined

代入数据得 J≈0.164kg·m2

则轴所受的转矩为

TL=0.164×3=0.49N·m

3) 机器人小车转弯时 (图5) :

undefined得

F=7.644N 则

TL=7.644×0.128=0.978N·m

综上可得 Tmax≤1N·m

选用南京华兴电机制造有限公司的两相混合式步进电机, 型号为57BYG4502, 其参数如表1所示。

电机尺寸分别为B=57, d (H7) =6.35, L1=21, D1 (h7) =38.1, h=1.6, h1=5.5, L=55, D2=66.6, d1=5。通过电机的安装尺寸做一个支架将电机用螺钉固定在机器人底板上。

3 结论

通过对移动机构的对比分析, 选择了适合家用机器人的行走方案, 同时对移动机构的驱动电机的选择做了分析, 归纳不同的环境下机器人驱动的选择。

摘要：从20世纪90年代开始, 清扫机器人的研究工作越来越受到关注, 将机器人用于清扫服务, 具有广阔的应用前景。通过对比国内外机器人的发展现状, 研究了清扫机器人的行走驱动机构, 提出了适宜家用的机器人移动方案。

关键词：清扫机器人,移动驱动机构,步进电机

参考文献

[1]杨春杰.轮式机器人车轮的安装与选择[J].现代机械, 2005, 2 (6) :89-90.

[2]许松清, 吴海彬, 杨兴裕, 等.两轮驱动移动机器人的运动学研究[J].电子机械工程, 2005, 21 (6) :31-34.

[3]吴秋轩.家用服务型机器人的发展与现状[J].电气传动自动化, 2003, 25 (6) :1-4.

竞赛机器人驱动控制系统分析 篇2

1 驱动控制系统结构

由系统控制方案可知:驱动控制系统应该其有串口通信功能,能对左、右轮驱动电机的速度进行闭环控制,对驱动电机具有快速的起停控制能力,能监控一些传感器的数字、模拟量输入。根据这些功能要求,驱动控制系统应包含图1所示的电路单元:串行通信接口单元;左右轮电机驱动单元;电机测速单元;数字量接口单元;模拟量接口单元[2]。

2 驱动控制系统硬件组成

2.1 电机选择

电机作为机器入动力的来源是人们关心的问题。控制电路再精密、再准确,没有高效的电机,电路的性能也无法发挥。

选择性能优越的电机才能在高强度、高对抗的比赛中取得好成绩。目前用于驱动竞赛机器人的电机种类有很多,有有刷直流电机、无刷直流电机等。体现电机性能的参数为空载转数和力矩。有刷直流电机是最早出现的、能实现调速的电动机。长期以来,有刷直流电动机因其具有良好的线性调速特性及动态特性,简单高效的控制性能而一直占据着调速控制的统治地位。无刷直流电机控制虽然体积小,力矩大,但电路复杂,小型化比较困难,只作为系统升级时参考使用。本文采用德国faulhbaer公司生产的2224006SR有刷直流电机。该电机体积小,扭矩大,为大多数世界队伍所采用。配以9.7比率的行星减速箱,使扭矩更大。该电机同时配备了光电编码器IE2-512,电机主轴转动一周,编码器输出512个脉冲,且宽度仅为1mm.这些优点都为提高机器人的性能打下了基础。

2.2 电机测速单元

本文采用的直流电机内部集成了速度编码器,输出为两个相位相差90°的方波信号,因此电机测速电路的任务已不再是如何使焉传感器获得电机速度信息,而是如何对编码器输出信号进行精确测量,保证测量结果与实际转速有良好的线性对应关系。

增量编码盘是一种测量角位移增量的传感器,输出信号焘和B具有90°的相差。当A超前于B时,表明编码器中码盘是顺时针旋转的,反之,码盘为逆时针旋转。当增量编码盘的细分数为N时,它的每一个脉冲代表的角位移为360/N度。A、B信号的频率相同,频率大小反映当前电机速度,由这两个信号就可得到电机转向、转角和转速等数据。

TMS32F02812中包含两个事件管理器,每个事件管理器内又备自包含~个QEP,能够完成对一组编码器输斑信号解码。利用TMS320F2812本身提供的QEP对编码器进行解码,一片DSP就能对两个电机进行闭环控制。文献H钉提出采用现有的鳃码芯片进行速度解码,如HCTL2020,82C54等,此种方法工作稳定,却会增加电路设计的复杂程度。原因有三点:(1)读写信号和片选信号与DSP连接较复杂,需要附加芯片实现组合逻辑;(2)DSP在访问蒙82C54这样的慢速器件时,要用READY信号产生若干等待状态;(3)TMS320F2812数据引脚分布比较分散。本文在提出利用CPLD进行编码器解码思想酶基础上,提出基于FPGA硬件解码器的解码方案,虽然均是利用大规模可编程逻辑器件进行实现,但实现方法不同。

由于系统控制的电机转速较高,故采用测频方式测量编码器码盘输出的A、B信号。A、B信号频率相同,相位相差90°。可以根据A、B信号通过D触发器后的输出波形,判断是A超前B,还是B超前A,即判断电机转向。

测速电路中利用电机编码器的A相输入信号作为电机速度测量的计数脉冲,CNT_EN信号与CLK信号经过一系列的逻辑门之后,在CNT_EN信号变化后的第一次CLK脉冲到来时,产生与CLK脉冲同频率的脉冲信号LATCH与ACLR。当CNT_EN为低电平时,产生LATCH信号输如脉冲,控制74373将当前速度锁存到数据总线上。当CNL为高电平时,ACLR输出脉冲,计数器同步清零。将电机测速逻辑封装为one_speed_mod模块,该模块完成了电机速度检测的基本功能。CNT_EN为CLK信号频率的1/217,应调整CNT_EN的频率以保证该频率小于电机最大转速时编码器产生信号的频率。

两个one_speed_mod并联后,通过FPGA内部的74138控制各子模块使能,选择当前总线上的数据。为了精确测量,再配置计数器进行编码器脉冲数的测量,这样可以通过查询,得到当前电机转过角度。

以上的逻辑设计,完成了对电机的转速、转向、转角的检测,TM3S20F2812若以寻址方式读取各电机状态,还需对FPGA口线进行配置。在本文中,系统将分为DSP板和FPGA控制板两块主PCB电路板进行制作。为了减轻DSP板的布线复杂程度,充分利用FPGA口线可自由配置的优势,将DSP需要外接的RAM设置在FPGA控制板上,这样可以利用FPGA内部布线,完成DSP与外部存储单元的连接,并把DSP产生的PWM信号送给电机驱动芯片。在进行FPGA顶层电路设计时,应考虑FPGA口线类型。由于TMS320F2812需要对RAM完成读写操作,对速度检测模块完成读操作,因此FPGA与DSP、RAM之间的数据接口,设置为双向IO口。

2.3 行走电机驱动单元

半导体功率器件在对电动机的驱动过程中起着至关重要的作用,它对直流电动机电枢电压的控制和驱动方式可以分为线性放大驱动和开关驱动两种。

线性放大驱动方式是半导体功率器件工作在线性区,其优点是:控制原理简单,输出波动小,线性好,对临近电路干扰小;缺点是:功率器件工作在线性区会将大部分电功率用于产生热量,效率低,因此这种方式只适用于数瓦以下的微小功率直流电动机的驱动。绝大多数直流电机采用开关驱动方式,它是使半导体功率器件工作在开关状态,通过脉宽调制PwM来控制电动机的电枢电压,实现调速。

对于过流保护问题,由于直流电机在转动方向快速切换以及电机堵转的时候,会在电枢上产生较大的电流,有可能损坏电机,因而需要采取措施进行过流保护。本文选用MAX472来测量通过电机的电流。MAX472是一款在电源高端测电流的芯片。该电路允许测量的最大电流为5A,主回路电流I流经电阻Resnse时,在上面产生微小压降,这个压降经采样电阻RGI和RG2(RGI=RG2=RG)送入MAX472芯片,在芯片的8脚上会产生和电流1成正比的模拟电压。

2.4 串行通信单元

驱动控制系统和底层系统的通信要通过RS232串行通信实现。RS232标准采用了负逻辑信号电平,逻辑“1”的电平为-15V~-5V,逻辑“0”的电平为+5V~+15V。这种电平和TMS320F2812提供的逻辑电平不同,需要设计一个接口电路完成两种电平的转换。本文采用MAX232芯片来实现这一电路。

2.5 模拟量输入接口单元

驱动控制系统几乎保留了所有TMS230F2812的模拟资源,这些资源可以用来检测过流信号、超声波测距传感。器的输出信号。TMS230F2812的A/D转换输入信号最高电压为2.5V,蔼外部传感器的信号输入一般大于该电压值,因而设置了模拟量电压输入的接口电路。输入电压Vin首先经过一个电压跟随器,以确保其驱动能力,2.5V稳压管则确保输入DSP的模拟电压不会超过其允许的最大值。R2和Cl则构成一个髓滤波器,滤除模拟输入中的干扰量。

2.6 数字量接口单元

TMS230F2812 3.3V的逻辑电平,不同于TTL逻辑电路的5V逻辑电平,因而需要有电路完成这两种逻辑电平之闻的转换,我们剩用集电极开路芯片的特性来实现不同电平的转换。

从TTL逻辑电平到3.3V逻辑电平之间的转换电路,U1A为同相驱动器,其输出端口是集电极开路的,Vin为TTL逻辑电平输入。当Vin为高时,U1A的2脚为高阻状态,上拉电阻R1将让Vout上的电压拉为3.3V;当Vin为低时,U1A的2脚和地导通,Vout输出OV。电于3.3V比TTL高电平最低允许电压2V要高,所以本文认为:3.3V逻辑电平到TTL电平之间不需要再加入转换电路。

3 测试结果与分析

在上述所涉及的驱动控制系统为硬件平台的前提下,对驱动轮的速度进行了实验和分析。从给出了本设计方案中速度控制在突加大控制量情况下的响应曲线比较可以看出,加入编码器测速后,超调量明显减小,控制性能得到大大改善。表1反映了速度的控制效果。在初始速度为O时,分别突加40、60、80和100四个控制量(单位为r/s)的情况下,静态误差都被限制在2.5%以内,调节时间也比较短,取得了较好的控制效果,此性能可以满足竞赛机器人比赛的需求。

4 结语

根据竞赛机器人驱动控制系统的任务,对驱动电机进行了选择,然后给出了驱动控制系统的结构框图,再详细介绍了各个单元电路的原理和实现方式。从总体来看,本文研究的驱动控制系统具有如下特点:(1)结构合理。驱动控制系统的设计单元模块清晰,结构安排合理。控制电路和驱动电路各成系统,二者之间的接口定义合理。控制电路的设计也按功能、信号性质(数字或模拟信号)进行合理区分-降低了不同模块之间的相互干扰。(2)高集成度,驱动控制系统的设计采用了比较先进的高集成芯片EP1C3和SA60。前者是光电编码器的控制芯片,可以很好地控制编码器完成对驱动电机转速、转角和转向的检测,为机器入的运行提供可靠的保证;后者则是高集成高可靠的H桥驱动电路,具有体积小、功能强、控铡方便的特点。从整体上来讲,整个驱动控制系统的电路集成度高,结构清晰明了。

摘要：竞赛机器人融合机械设计、自动控制、人工智能、人机接口、机电一体化等多项技术,已成为机器人研究领域中的一个热点,本文主要对于竞赛机器人驱动控制系统设计进行探讨,主要在给出驱动控制系统结构框图的基础上,分析了驱动控制系统硬件组成,对于进一步深化竞赛机器人设计具有一定作用。

关键词：竞赛机器人,驱动控制系统,硬件组成

参考文献

[1]关浩,蓝健,杨博龙.气动竞赛机器人控制系统设计[J].液压与气动,2009,01.

工业机器人驱动和传动系统分析 篇3

工业机器人可以通过PLC编程实现自动控制, 可以完成工业制造过程中的多个操作任务, 具有较高的自由度, 工业机器人的设计和开发水平, 标志着一个国家的整体自动化水平。在科学技术进步的同时, 工业机器人正向第三代智能工业机器人发展, 将具有更高的自适应性和自学习能力。工业机器人系统中主要包含控制系统、驱动系统、执行系统、感知系统和软件系统。其中驱动系统是为执行系统提供动力的重要部分。

1 工业机器人的驱动系统

1.1 工业机器人的驱动方式

(1) 液压驱动。在液压驱动方式中, 由发动机带动液压泵, 液压泵旋转产生较高压力的液流动力, 高压液体通过液压管路与液压马达相连, 带动液压马达转动, 形成驱动力。

应用液压驱动方式, 可以为系统提供低速平稳的动力, 但是系统特性会受到油性的影响, 成本较高, 常将液压驱动应用于易爆工作环境中。

(2) 气动驱动。与液压驱动相似, 只是传动介质不同, 主要应用气体的抗挤压能力实习点驱动动力的传递, 采用启动驱动方式, 驱动力较小, 噪声大, 很难准确地控制位置和运行速度。但是成本低廉, 控制系统简单, 一般应用于驱动力较小的工业环境中[1]。

(3) 电动驱动。电动驱动方式中, 将电信号转换成角位移或者线位移, 例如利用步进电动机将工作过程中的电脉冲信号转换为角位移进行驱动。采用电动驱动的方式, 系统的调速性能较强, 功率较大, 成本较低, 成为工业机器人的主要驱动方式, 可广泛应用于工业制造领域中, 但系统中有些部件需要加强维护, 例如换向器。电动驱动的方式不得应用于易爆和多粉尘的环境中。

1.2 驱动系统设计的选用原则

工业机器人驱动系统设计中需要重点考虑控制方式、作业环境要求和机器操作运行速度三方面的内容。在控制方式的选择中, 如果工业要求为低速重负载, 可以选用液压驱动方式, 为中等负载时可以选用电动驱动方式, 为轻负载时可以选用气动驱动方式。针对具体的作业环境, 例如喷涂作业的工业机器人, 工作环境中必须考虑到防爆的因素, 一般采用电液伺服驱动系统或者具有防爆功能的交流电动伺服驱动系统。如果工业环境中存在腐蚀性物质、依然易爆气体或者放射性物质, 工业机器人一般采用交流伺服驱动系统, 如果工业作业中对环境的清洁要求较高, 可以采用电动机直接驱动。针对具体的操纵系统, 如果对点位重复精度和运行速度的要求较高, 可以采用交流、直流或者步进电动机伺服驱动系统, 如果对运行速度和操作精度都较高, 大多采用电动机直接驱动系统。

2 工业机器人的运动控制分析

2.1 工业机器人的运动控制原理

图1 为一个典型工业机器人的传动示意图。

在图1 所示的机器人系统中, 功能更包含三条传动链, 不同的驱动链负责对一个关节进行驱动。例如关节1 实现升降臂的上下移动, 电机安装与底座下方, 输出轴经过减速器相连, 减速器将电机的动力传送到丝杆, 通过螺杆穿动机后实现升降臂的上升和下降。关节2 实现大臂的旋转, 电机安装于升降臂的上方, 输出轴经过减速器相连, 减速后促使大臂旋转。关节3主要实现小臂旋转, 电机安装于大臂左方, 输出轴经过减速器相连, 通过齿形带传动, 带动小臂旋转。在这个机器人系统中, 不同轴之间的运动时相对独立的, 不同轴之间也可以进行协调运作, 实现不同轴的独立运动。

2.2 工业机器人的运动控制

工业机器人的运动控制是指从末端执行器控制点位移动的过程中, 实现运动位置、运动速度和运动加速度的控制。由于关节运动带动末端操作器, 在运动控制的过程中实际上就是实现关节的控制。

工业机器人关节运动控制分为两步, 第一步生成关节运动的伺服指令, 将末端执行器在工作空间位置转变为可以反映出运动特点的时间序列, 并将其通过函数反映出来, 这一步可以离线完成。第二部是关节运动的伺服控制, 对生成的关节变量伺服指令进行可靠的跟踪, 这一步往往需要在线完成[2]。在工业机器人的实际应用中, 常见的控制方式有以下几种。

(1) 点位控制方式。对机器人末端执行器在空间中离散点进行控制, 控制过程中要求机器人在不同点位之间进行快速准确地运动, 对运动精度和运动时间有较高的要求。由于控制方式简单, 一般应用上下料和搬运等工作环境中; (2) 连续轨迹控制方式。对机器人末端执行器作业空间中的运动轨迹进行连续控制, 要求机器人在预定的轨迹中运行, 有较高的精度和速度要求, 不同的关节可以实现同步运行, 末端执行器可以实现连续的轨迹, 这种控制方式一般应用于弧焊、喷漆和检测作业中; (3) 力矩控制方式。在装配和抓放物体的工作中, 需要机器人准确定位, 并且要求有适当的力矩, 不得损坏产品, 这时就需要应用力矩伺服方式, 在这种控制方式中, 以力矩信号为主要的输入量和反馈量, 系统中包含较多的力矩传感器。

3 结束语

工业机器人自问世以来, 被广泛地应用于工业领域, 成为自动化生产过程中重要的设备。本文在论述工业机器人驱动方式的基础上, 提出了驱动系统设计的选用原则, 通过对运动控制原理的分析, 提出了常用的运动控制方式, 可以为机器人的生产和制造提供理论研究依据。

摘要：随着工业自动化技术的发展, 可编程控制器PLC逐渐普及, 工业机器人的应用越来越广泛, 在工业发展中也贡献出巨大的力量。本文在论述工业机器人驱动系统的基础上, 分析了工业机器人的传动控制系统。

关键词：工业机器人,驱动系统,传动控制

参考文献

[1]王天然, 曲道奎.工业机器人控制系统的开放体系结构[J].机器人, 2011, 24 (03) :25.

四轮驱动移动机器人 篇4

地下穿孔机器人是一种可在土中自主行走的非开挖装置, 可遥控操纵, 在地表的一端进入土中, 按预定的轨迹前进, 行进中可以改变方向以修正偏差, 能够从地表的另一端指定位置穿出。它主要可实现PE或PVC管、电缆、光缆等管线的地下非开挖铺设。

随着城市建设的迅速发展, 对于地下管线的铺设, 从20世纪70年代起, 在西方发达国家中开始推广应用非开挖技术。这项技术可以在少量开挖地表的条件下探测、检查、修复、更新和铺设管道、线缆等多种地下设施。目前的非开挖技术主要包括定向钻进、冲击矛、微型隧道、水平螺旋钻、夯管锤等各种非开挖铺管技术, 以及各种各样的非开挖管道修复和探测技术[1,2], 其中, 气动冲击矛进行非开挖施工具有设备简单、操作方便、投资较小和施工成本低等优点, 是应用广泛的非开挖施工设备之一。

本文参考了国外可控气动矛[3,4]设备施工的特点, 按照地下穿孔机器人的工作机理, 给出了地下穿孔机器人的驱动装置设计思路, 并分析了其工作原理。

1 驱动装置结构设计及装配

气动矛工作原理如图1所示, 其地下穿孔机器人的驱动装置[5,6]主要由前部连接短接、气缸、冲击活塞组件、配气杆芯、配气杆座、气缸后端盖及进气管接头等部件组成, 如图2所示, 其中, 冲击活塞组件由冲击活塞3、支撑环4、活塞环6组成, 在冲击活塞上开有连通前后气腔的气孔, 此气孔与配气杆芯相配合构成了气压作用的反馈器, 随着活塞的运动位置的不同, 气孔形成的反馈作用就不同, 因而形成了对冲击活塞运动的控制。气缸、活塞由合金钢材料制造, 而支撑环、活塞环由非金属材料制造, 支撑环的作用是使活塞在运动中处于浮动状态, 避免活塞外壁与气缸内壁的刚性接触, 并减少摩擦阻力;活塞环则是在自身弹力及气体压力的作用下, 其外壁紧贴气缸内壁, 封闭气体泄漏通道, 起到活塞运动时气体密封的作用。此驱动装置由气管接头9经气管与空压机的出口阀相连。此驱动装置的特点是:结构简单、零部件少、质量轻、后座力小。

1.前部连接短接 2.气缸 3.冲击活塞 4.支撑环 5.配气杆芯 6.活塞环 7.配气杆座 8.气缸后端盖 9.进气管接头 a——前气腔 b——后气腔 c——活塞通气孔 e——进气孔道

将设计的驱动装置拆成零件, 并装配[7]成图3所示的三维图形, 进行干涉检验, 检验结果表明各个零部件的装配无干涉现象。

2 驱动装置工作原理

驱动装置的活塞为往复式冲击, 其工作过程可分为活塞冲程过程和活塞回程过程。

2.1 活塞冲程过程

图2中活塞的位置为冲程初始阶段, 按气体做功的动力过程, 可将活塞的冲程分为匀加速、变加速及减速撞击3个阶段。

(1) 匀加速过程——活塞位移S1距离。

压缩空气 (压力为p0) 经气管接头9、进气孔道e直接进入活塞后气腔b中, 推动活塞加速运动;而气缸前气腔a中的气体经活塞前孔道①、活塞与气缸的环形缝隙②、活塞通气孔c、配气杆芯与活塞内孔的环形缝隙③、配气杆座排气孔④、进气管与气缸后端盖环形缝隙⑤排到外界, 气体通道③中的常压气体与b腔中压力为p0=0.6～0.8MPa的气体之间的密封采用配气杆芯5迷宫密封, 因此, a腔中的压力为常压, b腔中的压力为p0=0.7～0.8MPa, 活塞做匀加速运动, 此段位移为S1。

(2) 变加速过程——活塞位移S2距离。

活塞位移S1后, 活塞通气孔c被杆芯迷宫密封完全封闭, 此时, b腔依然通压力为p0的压缩空气, 而a腔中气体的排出通道因活塞通气孔c被封闭而受阻, 这时, a腔中的气体将被压缩, 因时间很短可看作是绝热压缩过程, 同时对活塞运动产生一定的阻力, 故此段活塞将做变加速运动, 即加速度下降, 速度增加, 位移S2距离后, 活塞速度达到最大值。

(3) 减速撞击。

当活塞再位移S2后, 活塞通气孔c脱离杆芯迷宫密封与b腔气相通, 这时, 进气孔道e的压缩空气 (压力为p0) 经b气腔、活塞通气孔c、气体通道②、①进入到气缸前气腔a中, 由于a气腔直径D大于b气腔直径d, 故a腔气体作用力大于b腔气体作用力, 活塞加速度变负, 活塞做减速运动, 此段位移为S3, 最后, 活塞以一定的速度撞击气缸的前端, 冲程结束, 整个冲程活塞位移S=S1+S2+S3。

2.2 活塞回程过程

活塞的回程与冲程相反, 可看作冲程的逆过程, 即反向匀加速、气体绝热膨胀做功变加速、减速撞击气缸后端盖3个过程。

(1) 反向匀加速过程——活塞位移S3距离。

活塞撞击结束, 反弹向回运动, 在位移S3阶段, 活塞在a、b腔作用力差的作用下匀加速向回运动。

(2) 变加速过程——活塞位移S2距离。

当位移S3后, 活塞通气孔c被配气杆芯5迷宫密封封闭, 此时, b腔依然通压力p0=0.6～0.8MPa的空气, 而a腔中压力为p0=0.6～0.8MPa的气体将进行绝热膨胀, b腔气体做负功, a腔气体膨胀绝热做正功, 负功小于正功, 活塞的速度将继续增加, 此阶段活塞的位移为S2。

(3) 减速回撞——活塞位移S1距离。

在位移S2后, 活塞通气孔c越过迷宫密封, 这时, a腔中的气体经活塞前孔道①、活塞与气缸的环形缝隙②、活塞通气孔c、配气杆芯与活塞内孔的环形缝隙③、配气杆座排气孔④、进气管与气缸后端盖环形缝隙⑤与外界常压气体相通, 活塞在b腔压力为p0的气体的作用下将做减速运动, 在位移S1后, 以一定的速度撞击气缸后端盖, 回程结束, 下一冲程开始, 相应回程位移S=S1+S2+S3。

这样, 从活塞启动后, 活塞分别以一定的速度撞击气缸的前后端盖, 形成具有一定频率与速度的自激振动, 通过调节通气孔c与配气杆芯的起始配合位置, 就可以调节前进与后退速度, 从而控制机器人在土中的前进与回退两个行走方向。

3 驱动装置主要参数对性能的影响

驱动装置的输出性能[8] (冲击能、冲击频率等) 分别受到操作压力p0、活塞质量m、各加速阶段位移 (配气参数) S1、S2、S3等因素的影响。下面以主要参数为基本数据, 推导主要参数与输出性能的关系方程并求解, 同时, 通过只改变要分析的参数而其他参数不变的方法来分析各因素对输出性能的影响。

对于气腔a、b中的气体, 其压力p与活塞位移S的关系如图4所示。下面以冲击过程为例建立驱动装置动力过程的参数方程。

(a) a腔 (b) b腔

驱动装置的冲击能Ek为

Ek=mv2/2 (1)

式中, m为冲击活塞质量, kg;v为活塞撞击速度, m/s。

当冲击机构的基本参数确定后, 活塞质量m与结构尺寸有关, 冲击速度v与压缩空气做功有关。

匀加速过程为图4中位移S1段, b腔气体压力为p0, a腔气体压力为p1, 活塞摩擦力为常数F, 则有

$a{}_1=[\frac{\text{π}}{4}(d{}^{2}p{}_0-D{}^{2}p{}_1)-F]/m(2)$

$t{}_1=\sqrt{2S{}_1/a{}_1}(3)$

$v{}_1=\sqrt{2S{}_{1}a{}_1}(4)$

式中, a1为位移S1段活塞加速度, m/s2;t1为位移S1段时间, s;v1为位移S1时的速度, m/s;d为b气腔截面直径, m;D为a气腔截面直径, m。

变加速过程为图4中位移S2段, 此时, b腔气体作用不变, 做正功, a腔气体绝热压缩, 做负功, 对于绝热压缩过程, pvk为常数, k为绝热系数, 对此过程, 采用准稳态方法计算, 有

$p{}_S=p{}_1(\frac{V{}_1}{V{}_1-A{}_{1}S}){}^k(5)$

aS= (p0A0-pSA1-F) /m (6)

$A{}_0=\frac{\text{π}}{4}d{}^2(7)$

$A{}_1=\frac{\text{π}}{4}D{}^2(8)$

式中, pS为活塞位移S时a气腔压力, MPa;V1为a气腔初始体积, m3;S为活塞位移, m;aS为活塞位移S时的加速度, m/s2;k为绝热系数, 取k=1.41。

由式 (5) 、式 (6) 、式 (7) 得:

$\begin{array}{l}\frac{\text{d}{}^{2}S}{\text{d}t{}^2}=a{}_S=\{\frac{\text{π}}{4}[p{}_{0}d{}^2-\\ p{}_1(\frac{V{}_1}{V{}_1-\frac{\text{π}}{4}D{}^{2}S}){}^{k}D{}^2]-F\}/m(9)\end{array}$

初始条件为t0=0, S0=0, v0=v1。

终了位移为S1=S2;之后, 求出位移S2处的速度v2、时间t2。

减速撞击过程为图4中位移S3段, a、b腔均通压力为p0的压缩空气, 在a、b腔压力差作用下, 活塞减速撞击气缸前端盖, 有

$a{}_3=[\frac{\text{π}}{4}(D{}^2-d{}^2)p{}_0-F]/m(10)$

v3=v2-a3t3 (11)

S3=v2t-0.5a3t${}_3^2$ (12)

式中, a3为活塞位移S3段加速度, m/s2;v3为活塞撞击速度, m/s;t3为活塞位移S3段时间, s;t为力作用时间。

相应冲程时间tc=t1+t2+t3。活塞的回程运动与冲程类似, 相应可求得返程时间tb, 回撞速度v′1。

活塞运动周期:T=tc+tb, 相应的频率为p=1/T。

返程初始速度可由下式确定:

$v^{\prime }=\frac{m-m{}_{\text{w}}e}{m+m{}_{\text{w}}}v{}_3(13)$

$u=\frac{(1+e)m}{(m+m{}_{\text{w}})}v{}_3(14)$

式中, v′为活塞撞击后速度, m/s;u为冲击机构前进速度, m/s;mw为除去活塞的冲击机构总质量, kg;e为恢复系数, 对于钢对钢撞击, e取0.56。

在MATLAB环境编制程序, 对驱动装置的动力过程进行模拟计算, 计算框图如图5所示, 输出结果如图6～图8所示, 其中, vc为冲击速度, vb为回撞速度。

(c) (d)

(c) (d)

(c) (d)

由图6可以看出, 冲击能Ek、冲击速度vc随着S1的增大而增大, 而频率f、回撞速度vb随着S1的增大而减小。说明匀加速阶段位移S1对冲击能、冲击速度起主要作用。

由图7可看出, 冲击能Ek、冲击速度vc、回撞速度vb随着S2的增大而增大, 但增大的幅度没有S1作用明显;频率f随着S2的增大而减小, 这是由于S2的增大使得活塞冲击及回程时加速度减小, 在相同位移内, 运动时间长引起的。S2的大小主要由活塞与配气杆之间迷宫密封的最小长度决定, 在满足密封要求的条件下, 可以适当增大S2改善输出性能。

与匀加速阶段位移S1的作用相反, 减速阶段位移S3的作用则是降低活塞冲击速度, 提高回程速度的, 由图8可以看出, 冲击能Ek、冲击速度vc、频率f随着S3的增大而减小, 而回撞速度vb随着S3的增大而增大, S3对活塞的回撞速度起决定作用, 因而在保证一定的冲击速度和冲击能的情况下, 适当地提高S3对装置的振动是有利的。

4 性能测试试验

应用传感器直接测得气动冲击机构的冲击力, 建立的测试系统[9]由冲击器、测力传感器、变送器、电源与示波器、单片机采样系统及计算机系统组成, 如图9所示。驱动装置的主要性能参数测试结果如图10所示。

(d) 单片机采样系统 (e) 计算机检测系统

(c)

图10中冲击能Ek由下式确定:

$E{}_{\text{k}}=\frac{1}{2}mv{}^2=\frac{1}{2}m(\frac{F{}_{1}t}{m}){}^2(15)$

式中, F1为测得的冲击力, N。

由图10可看出, 当系统供气压力增大时, 冲击能、冲击速度和频率均增大。

从试验结果与理论计算的对比分析可知, 试验值与理论计算结果相一致。

5 结论

(1) 驱动装置的三维结构设计无干涉, 可以验证设计的合理性, 为实际工程制造提供参考。

(2) 工程设计的目的是在满足一定的冲击能、冲击频率条件下, 使得冲击机构具有最短的长度, 配气参数对性能的影响将对实际设计具有指导作用。

(3) 冲击能与活塞质量、活塞速度的平方成正比, 一般在设计时应保证一定的活塞质量。

(4) 理论与试验均表明系统供气压力与冲击能、冲击速度、回撞速度呈递增趋势, 因此, 在满足操作能力的前提下, 提高系统供气压力对于驱动装置的前进冲击运动是十分有利的。

参考文献

[1]何宜章.国外非开挖铺管设备一览[J].非开挖技术, 2003, 20 (1) :35-39.

[2]刘沙.冲击矛和夯管锤综述[J].非开挖技术, 2002, 19 (5) :20-23.

[3]Sterin D.Grabenloser Leitungabau[M].Berlin:Ver-lag Ernst&Sohn, 2003.

[4]Peng Jianming, Yin Kun, Wang Maosen, et al.De-velopment of KCM130 Steerable Air-powered I m-pact Mole for Directional Boring[J].New PipelineTechnologies, Security, and Safety, 2003, 2 (5) :1367-1373.

[5]孟宪源, 姜琪.机构构型与应用[M].北京:机械工业出版社, 2004.

[6]张国忠.气动冲击设备及其设计[M].北京:机械工业出版社, 1989.

[7]二代龙震工作室.Pro/ENGINEER Wildfire 3.0高级设计[M].北京:电子工业出版社, 2007.

[8]刘德顺, 李夕兵.冲击机械系统动力学[M].北京:科学出版社, 1999.

四轮驱动移动机器人 篇5

从二十世纪七十年代起至今, 我国的工业机器人数量已经比较庞大, 在机器人的某些技术方面也达到了世界先进水平, 但总体来说, 西方发达国家的工业机器人技术仍领先我国很多年。究其原因不难发现:我国研究工业机器人采取的方法主要是首先引进外国的先进技术, 然后再对其进行二次开发, 这就造成了我国自身创新技术比较少, 严重制约了我国工业机器人产业化的发展。为打破国外对我国工业机器人的技术垄断, 我们必须自力更生, 掌握高性能工业机器人的关键技术, 并在原来的基础上有所创新。由于工业机器人关节的执行器为电机, 所以获得电机的良好控制效果是非常重要的, 要想获得优良的电机控制性能, 就需要高性能的交流伺服驱动系统, 因此研制高性能的交流伺服驱动系统是工业机器人的关键技术之一。

交流伺服驱动系统的硬件是软件设计的基础, 所以本文的主要任务是根据工业机器人伺服驱动系统的特点, 对系统的的硬件进行设计, 系统硬件的框图如图1所示。

1 硬件设计

1.1 DSP的选型

DSP系统硬件设计包括控制芯片的选择、主电路的驱动与保护、外围设备、逻辑电路等, 它是整个控制系统设计的基础, DSP芯片又是重中之重。TMS320C5000系列DSP具有最低功耗的特点, 是专门针对消费类数字市场而设计的, 最低耗电只有0.33mA/MHz, 所以多应用于日常生活中的消费产品, 如照相机、手机等。TI公司的TMS320C6000系列拥有最高的处理能力, 是一种适合采用C++/C等高级语言进行编程的数字处理器, 主要应用在军事国防等高端领域。与C5000和C6000系列的DSP相比, TMS320C2000系列的DSP由于其具有速度快、精度高、集成度高等优点, 是目前控制领域性能最高的处理器。其中, C28系列DSP是TMS320C2000平台中的新成员, 它由C24系列DSP改进而来, 是一款支持C/C++语言设计的芯片, C28系列DSP非常适合于工业控制, 在算法控制上有独到的优势, 是一款不可多得的微处理器, 它的高效性可以使它代替任何其他处理器。C2000系列DSP不含Flash存储器, 仅含只读存储器ROM;F2000系列DSP不仅内含ROM只读存储器, 而且还包括Flash存储器, 可以反复擦写, 适合应用在产品的初期开发阶段。若采用TMS320C281x, 则需要将代码交付生产厂商, 把程序固化到TMS320C281x的ROM中, 增加了成本, 所以选择使用TMS320F281x DSP芯片。其中, TMS320F2812作为TI公司首推的芯片, 具有很高的性价比。综上所述, 最终选择DSP的型号为TMS320F2812。

1.2 位置检测电路设计

本文交流伺服电机中所采用的编码器为多摩川公司生产的型号为TS5668N21的17位绝对式编码器, 一般的做法是采用生产厂商提供的专用芯片进行数据处理, 但该做法有一个缺点, 就是专用芯片的成本十分昂贵, 与本文需要研制经济型的工业机器人宗旨相违背, 为了降低成本, 本文自己设计了将绝对式编码器信号转变为DSP能识别的串口信号电路, 如图2所示。

图2中的电感与光耦可以起到滤波和防浪涌的功能, 由于该绝对式编码器输出的是差动信号, 所以需要通过芯片SN65176BD (BDR) G4将绝对式编码器的差动信号转化为DSP可以识别的串口信号, 即TTL信号, 此外该芯片的供电电压为直流5V, 所以该驱动系统还应该提供5V的直流电源, 由于该工业机器人伺服驱动系统采用了利用一个DSP来控制两个永磁同步电机的想法, 好处是降低成本, 充分发挥了TMS320F2812的运算速度快及外设资源丰富的特点, 所以两个电机的编码器信号分别通过串口SCIA和SCIB输入到同一个DSP TMS320F2812中。

1.3 低速外部输入信号转化电路设计

由于外部的输入信号例如参数设置按钮等输入信号需要将其采集到DSP中, 但只有3.3V的TTL电平才能被DSP TMS320F2812所识别, 所以需要一个信号转化电路, 该电路中采用了双向光耦, 很好的起到了隔离保护的作用, 一旦由于电压过大等意外, 只需要更换光耦即可, 防止DSP的接口也被烧坏。该电路采用的双向光电耦合器的型号为东芝公司生产的TLP280-4/SOP-16, 其中SOP-16为其封装形式, 该双向光耦公共端既可以接24V, 也可以接0V, 使用非常方便, 通过该电路将可以将低速信号转化为3.3V的TTL信号, 完成信号的转化, 其中电路中的电容起滤波作用。

经过转化后的TTL信号与输出之间还需要一个隔离电路, 该电路主要起的隔离保护的作用, 该电路采用单向的光电耦合器, 其型号为东芝公司生产的TLP181/SOP-4, 其中SOP-4为其封装形式, 具体电路如图3所示。

1.4 智能功率模块及隔离驱动电路设计

智能功率模块简称IPM模块, 是一种将直流电转换为交流电的逆变器, 是本系统的关键元件[3], 本系统采用MITSUBISHI SEMICONDUCTOR公司生产的第四代IPM模块, 型号为PS21767, 该模块的最大输出电压为600V, 最大输出电流为20A, 输出范围广, 该模块还具有短路保护及欠压保护功能, 当检测到欠压或短路时, 该模块停止工作的同时, 还通过FO引脚发出故障信号给DSP, DSP立即停止发送PWM信号, 实现自我保护。

IPM模块采用POWEREX公司生产的PS21767模块, 其周边接口电路主要包括供电电路、故障信号输出电路等。IPM的输入信号电压为15V, 而PWM信号输出电压为5V, 为了把不同的电压信号隔离开, 抑制干扰, 本系统使TMS320F2812的PWM信号先经过光电耦合器, 再输入IPM模块, 选取光电耦合器型号为ACPL-P480, 该款芯片具有传播延迟短、共模抑制 (CMR) 能力高等优点, 适合应用于IPM接口隔离。

IPM模块具有过压、过流、欠压等保护功能, 当这些情况发生时, IPM模块输出故障信号, 然后输入到DSP, 为了将IPM信号与DSP隔离, 防止干扰, 需要故障信号隔离电路, 具体电路如图4所示。

2 结论

本章首先简单介绍了选择DSP TMS320F2812芯片的原因, 完成了DSP的选型, 其次详细的说明了工业机器人伺服驱动系统的硬件设计, 包括位置检测电路设计、低速外部输入信号转化电路设计、信号电平转化电路设计、变送器电路设计、DSP及外围接口电路设计、电压转换电路设计、智能功率模块及隔离驱动电路设计、电源系统电路设计、通讯接口电路设计、主回路整流电路设计、电流检测电路设计。

参考文献

[1]李开生, 张慧慧, 费仁元, 等.机器人控制器体系结构研究的现状和发展[J].机器人, 2012, 22 (3) :235-239.

[2]杜志俊.工业机器人的应用及发展趋势[J].机械工程师, 2012, 23 (5) :8-10.

[3]曹文祥, 冯雪梅.工业机器人研究现状及发展趋势[J].机械制造, 2011, 49 (558) :41-43.

四轮驱动移动机器人 篇6

目前, 常见的步行机器人以两足式、四足式、六足式应用较多。其中, 四足机器人机构简单且灵活, 承载能力强、稳定性好, 在抢险救灾、探险、娱乐及军事等许多方面有很好的应用前景, 其研制工作一直受到国内外的重视[1]。

由于足式机器人的步行稳定性主要取决于步态[2], 为了获得良好的稳定性, 许多学者致力于机器人步态的分析研究。新加坡国立大学研究的双足机器人[3]主要采用ZMP (Zero Moment Point) 理论规划机器人稳定动态行走步态。ZMP点是指在机器人的支撑平面内, 机器人合力矩为零的点。通过规划机器人在行走过程中ZMP点始终落在支撑区域内使机器人稳定动态行走。文献[4]通过分析四足机器人24种步态的3个基本特性参数:运动空间需求、最大稳定裕度以及机器人的运动协调性, 得到最优步态以保证机器人的步行稳定性, 同时, 通过使用基于遗传算法的进化学习方法对步态控制参数进行优化获取最优步态。也有学者提出了一些重心调整的方法来提高机器人的稳定性。

本研究在能够保证机器人稳定行走的步态基础上, 针对液压动作的四足机器人, 分析提出通过将7次位移曲线应用于各自由度的位置控制, 减小机器人步行中的振动, 以进一步提高四足机器人步行时的稳定性。

1 四足机器人结构

本研究实验室自行设计的JQRI00型四足机器人[5]模型样机运动机构三维造型图和实物图如图1所示。机器人由机体及4条腿组成, 4条腿完全相同, 箭头所示方向为设定的前进方向, 将四条腿依次编为1—2—3—4号, 对应为左前腿-右前腿-左后腿-右后腿, 三维造型图如图1 (a) 所示。驱动方式为液压驱动, 每条腿由3个液压缸驱动, 分别为P、Q、L, 共计12个液压缸, 即该机器人有12个运动自由度。其中, P缸控制足端的横向移动, Q缸控制腿的升降, L缸控制腿的前后摆动。

2 四足机器人步态规划

机器人通过腿的抬跨以及机身的移动完成行走, 而稳定的行走对腿抬跨过程中足端在各结点 (起始点、路径点和着地点) 上的位姿、速度、加速度以及加加速度都提出了较高的要求。液压缸整个运动过程中的位移、速度、加速度以及加加速度需具备连续性[6], 在过渡点处最好没有突变现象, 从而进一步减小液压缸的冲击以提高机器人的运动平稳性。

液压缸的运动要求需要8个条件加以满足, 当应用插值多项式来满足这些条件进行运动轨迹的逼近时, 该多项式的次数最小为7次[7]。若已知的液压缸运动起始位移值s0、终止位移值s1以及时间间隔T, 可得到液压缸在T时间内产生位移量A=s1-s0的公式:

本研究选择“1—2—4—3”的迈腿顺序, 在相同的占空比条件下, 该迈腿顺序稳定性较好。机器人一个周期内的步态如图2所示, 分为5步, 取步距为400 mm, 起步位姿如图2 (a) 所示, 初始稳定裕量[8,9]为75 mm, 箭头所示方向为机器人的前进方向。具体的步态介绍如下:

(1) 腿1抬跨, 稳定裕量为75 mm, 机身相对地面无移动, 足尖相对于机身移动400 mm, 如图2 (b) 所示。

(2) 腿2抬跨, 稳定裕量为75 mm, 三足支撑同时机身前移50 mm, 足尖相对于机身移动350 mm, 如图2 (c) 所示。

(3) 四足支撑同时机身前移300 mm, 确保下一次腿抬跨时机器人重心落在稳定三角形区域内, 如图2 (d) 所示。

(4) 腿4抬跨, 稳定裕量为75 mm, 三足支撑同时机身前移50 mm, 足尖相对于机身移动350 mm, 如图2 (e) 所示。

(5) 腿3抬跨, 稳定裕量为75 mm, 机身相对地面无移动, 足尖相对于机身移动400 mm, 回到初始位姿, 如图2 (f) 所示。

机器人各腿抬跨后, 足端相对于地面移动400 mm, 机身共进行了3次重心调整, 共计向前移动400 mm, 与步距相等。机器人每条腿抬跨时间和四足支撑机身重心调整时间均为2 s, 因此机器人直行步态的行走周期为10 s, 占空比为0.8, 机器人行走的平均速度为40 mm/s。

机器人规划步态的具体说明如表1所示。

本研究采用7次位移曲线作为JQRI00四足机器人各运动自由度的运动控制规律, 将规划的各液压缸动作的相对位移值代入式 (1) 。根据机器人的动作要求设定T=1 s。以腿1为例, 在一个步态周期中腿1的Q缸只在0~2 s内动作, 0~1 s:上升20 mm;1 s~2 s:下降20 mm。因此, 将7次位移曲线写入IF函数得到Q缸的驱动函数, 函数中0~1 s为仿真中模型的位姿调整时间:

if (time-1:0, 0, if (time-2: (-20* (time-1) **7+70* (time-1) **6-84* (time-1) **5+35* (time-1) **4) *20, 20, if (time-3: (-20* (3-time) **7+70* (3-time) **6-84* (3-time) **5+35* (3-time) **4) *20, 0, 0) ) )

笔者运用同样的方法编写其余液压缸的驱动函数。

3 四足机器人运动学和动力学仿真分析

3.1 四足机器人步态仿真

为了验证7次位移曲线作为机器人运动位移控制方法的优越性, 本研究将S曲线[10,11]和ADAMS软件自带的STEP阶跃函数应用于位移控制进行仿真, 以便进行分析比较。阶跃函数为:STEP (time, 0, 0, 1, 20) +STEP (time, 1, 0, 2, -20) 。

JQRI00四足机器人各腿的Q缸主要起支撑机身及抬腿的作用, 在整个步态周期中该缸受力最大, 又4条腿完全相同, 因此, 下面以腿1的Q缸为例进行不同运动位移控制方法下机器人运动学、动力学特性的分析比较[12], 对比图如图3所示。

注:图中标注的曲线1、2、3—采用7次位移曲线、S曲线和STEP阶跃函数作为Q缸位移控制规律得到的运动学量 (速度、加速度、加加速度) 、动力学量 (力) 的曲线图。

3.2 四足机器人仿真分析

如图3 (a) 所示:速度曲线均十分平滑, 液压缸在运动过程中十分平稳, 但采用STEP阶跃函数得到的速度在开始和结束位置出现尖点, 即其在始末位置过渡不平滑。

如图3 (b) 所示:采用7次位移曲线得到的加速度在整个运动过程中 (包括始末位置) 过渡平滑;采用S曲线得到的加速度只在液压缸由伸长到缩短的转折处出现尖点, 过渡不平滑;采用STEP阶跃函数得到的加速度在始末位置发生突变, 转折处出现尖点, 过渡不平滑。

如图3 (c) 所示:采用7次位移曲线得到的加加速度在整个运动过程中 (包括始末位置) 过渡平滑;而采用S曲线、STEP阶跃函数得到的加加速度在始末位置及转折处均发生突变, 过渡不平滑。

影响液压缸运动平稳性的主要因素是加速度和加加速度, 综上所述, 采用S曲线、STEP阶跃函数时的加速度、加加速度曲线均存在尖点或突变, 使得整个运动过程不够平稳, 液压缸受到较大柔性冲击;采用7次位移曲线时的加加速度、加速度及速度曲线连续且平滑, 保证了运动的平稳性, 大大减小了液压缸的柔性冲击。

如图3 (d) 所示:采用7次位移曲线时, 整个运动过程中液压缸受力平稳, 没有突变现象, 过渡平滑;采用S曲线时液压缸受力在转折处出现尖点, 过渡不平滑;采用STEP阶跃函数时液压缸受力在始末位置发生突变, 在转折处出现尖点, 运动过程中存在较大的冲击。液压缸的受力对比分析表明, 7次位移曲线应用于位移控制更为优越。

上述分析表明, 将7次位移曲线作为机器人液压缸的位移控制规律, 具有更好的运动学和动力学特性, 提高了机器人的行走稳定性。仿真中机器人能够平稳地完成沿直线的行走。

4 四足机器人行走实现

根据所设计的步态和仿真分析结果, 本研究在JQRI00型四足行走机器人原理样机进行试验验证, 利用PI算法[13,14]对7次位移曲线进行调节。

鉴于各腿P缸、L缸规格型号相同, Q缸规格型号相同, 试验所得参数也基本一致, 笔者选取左前腿P缸与Q缸伸长缩短时的位移、速度曲线进行说明。电磁比例换向阀是通过控制正反向线圈中的电流大小来实现控制液流的方向与流量大小的, 而速度曲线又由与正反线圈串联的采样电阻上的电压进行反馈, 因此, 液压缸伸长、缩短时的速度曲线都为正, 但表示的是不同线圈中的电流大小。左前腿P缸伸长与缩短时的位移、速度曲线如图4所示。左前腿Q缸伸长与缩短时的位移、速度曲线如图5所示。

由图4、图5可知, 笔者设计的位置闭环控制系统通过将7次位移曲线的液压缸动作规划与PI控制相结合, 达到了预期的效果。液压缸具有响应速度快、运动过程平稳无冲击等优点。

5 结束语

本研究规划了四足机器人的步态, 通过Pro/E和ADAMS软件建立虚拟样机, 并利用ADAMS软件进行了步态仿真、运动学和动力学分析, 论证了步态规划的可行性和利用7次位移曲线对液压缸进行位置控制的优越性。基于理论分析结果, 笔者在四足机器人原理样机上进行调试试验。仿真与试验结果表明, 本研究通过采用7次位移曲线消除了液压缸运动加速度和加加速度的突变, 液压缸的动作冲击大大减小, 四足机器人具有良好的稳定性。

本文引用格式:

殷勇华, 卞新高, 陆卫丽.液压驱动四足机器人步态规划和运动控制[J].机电工程, 2014, 31 (7) :839-843.

四轮驱动移动机器人 篇7

机器人轨迹跟踪控制的基本要求是精密性和鲁棒性,但因机器人是高度非线性强耦合系统,要实现上述目标并非易事,对于直接驱动机器人(direct drive robot,DDR)则更是如此,这是因为在DDR中并无减速机构可对其外部扰动与关节间的非线性耦合进行衰减。要实现DDR精密控制就必须针对其非线性动力学特性设计控制器,设计方法有两种:一是利用线性化模型替代DDR的非线性模型;二是采用反馈线性化法将机器人模型进行线性化[1]。前者完全忽略关节间的耦合,控制精度低;后者根据机器人模型并利用反馈线性化去除关节间的动力耦合,计算力矩(CT)法即为此类方法。在机器人精确建模的前提下,CT法可实现精密轨迹跟踪。然而机器人的精确模型却很难得到,一方面是因DDR臂杆系统的实际参数,如臂杆质心位置、转动惯量和负载难以确知,存在参数不确定性;另一方面,机器人的外部扰动和摩擦过程更难把握,存在非参数不确定性。DDR控制的关键就在于消除两类不确定性。目前针对前者的主要措施是自适应技术;针对后者则是通过提高系统鲁棒性来容忍它。在上述解决方法的框架下,人们提出了多种算法,其中较典型的是各种基于CT的自适应法,这些方法兼具CT与自适应控制的优点,但它们或要求加速度可测或要求机器人惯性阵可逆,从而影响了其应用[2,3,4]。

近年来人们将人工神经网络(ANN)引入机器人,推出了许多新的控制方法[5,6,7,8]。这些方法大多利用ANN逼近机器人的整个动力学模型,也有少数方法保留机器人标称模型而采用ANN补偿模型的不确定部分,但它们或要求惯性阵精确已知,或要求加速度反馈,有的甚至还要求ANN上的权值具有已知上界。这些方法通常都采用了多层前馈ANN,计算量大、实时性差、不利于在线实现。针对这些问题,本文在DDR上引入函数链神经网络(functional link neural network,FLNN)与PD复合的方法并利用FLNN逼近机器人的模型,实现了机器人的精密控制。

1 机器人动力学模型

1.1 运动方程

DDR的臂杆系统由多根连杆构成,系统的各关节均通过直接驱动电机进行驱动。对于自由度为n的DDR,其动力学模型可根据Euler-Lagrange方程推导出[9],即

$\mathit{D}(\mathit{\theta })\ddot{\mathit{\theta }}+\mathit{{\rm H}}(\mathit{\theta },\dot{\mathit{\theta }})\dot{\mathit{\theta }}+\mathit{G}(\mathit{\theta })+\mathit{\tau }{}_{\text{f}}(\dot{\mathit{\theta }})+\mathit{\tau }{}_{\text{d}}=\mathit{\tau }$ (1)

其中,θ、$\dot{\mathit{\theta }}$、$\ddot{\mathit{\theta }}$分别为关节位移、速度和加速度,$\mathit{\theta },\dot{\mathit{\theta }},\ddot{\mathit{\theta }}\in \mathbf{R}{}^n$;D(θ)∈Rn×n为惯性阵,表征惯性力对机器人运动特性的影响;τ∈Rn为控制力矩;G(θ)∈Rn为重力矩;$\mathit{{\rm H}}(\mathit{\theta },\dot{\mathit{\theta }})\dot{\mathit{\theta }}\in \mathbf{R}{}^n$为科氏/向心力矩;τd∈Rn为系统未建模扰动;$\mathit{\tau }{}_{\text{f}}(\dot{\mathit{\theta }})\in \mathbf{R}{}^n$为关节摩擦力矩,其形如[10]

式中,pc、pv分别为关节系统的库仑摩擦力矩和黏性摩擦力矩;ps为黏滞-滑动摩擦矢量;ψi(i=1,2,…,n)为常系数。

对于直接驱动机器人而言,pc、pv、ps具有较大的不确定性。

1.2 特性与假定

作为拉格朗日系统,DDR的动力学模型存在一定的结构特性。在设计机器人控制器时需利用这些特性及下面的合理性假定。

特性1 D(θ)具有一致有界,即总存在正常数μ2>μ1>0,使μ1≤‖D(θ)‖≤μ2。

$\text{特}\text{性}2\dot{\mathit{D}}(\mathit{\theta })-2\mathit{{\rm H}}(\mathit{\theta },\dot{\mathit{\theta }})$具有斜对称性,即$\mathit{x}{}^{\text{Τ}}(\dot{\mathit{D}}(\mathit{\theta })-2\mathit{{\rm H}}(\mathit{\theta },\dot{\mathit{\theta }}))\mathit{x}=0‚\forall \mathit{x}\in \mathbf{R}{}^n$。

假定1 机器人的重力矩G(θ)有界,即‖G(θ)‖≤gB,其中,gB为常数。

假定2 机器人科氏向心力矩阵$\mathit{{\rm H}}(\mathit{\theta },\dot{\mathit{\theta }})$有界,即$\parallel \mathit{{\rm H}}(\mathit{\theta },\dot{\mathit{\theta }})\parallel \le h{}_{\text{B}}\parallel \dot{\mathit{\theta }}\parallel$,其中,hB为正常数。

假定3 机器人外部扰动力矩τd有界,即$\parallel \mathit{\tau }{}_{\text{d}}(\mathit{\theta },\dot{\mathit{\theta }},t)\parallel \le d{}_{\text{B}}$,其中,dB为正值常数。

2 控制器的设计

2.1 控制系统结构

为了设计机器人精密轨迹跟踪控制器,有必要引入广义轨迹跟踪误差,即令

式中,θd∈Rn为机器人在关节空间内的期望轨迹;e∈Rn为关节位置偏差;$\dot{\mathit{e}}$为角速度偏差,λ∈Rn×n为适当取定的常值正定阵。

机器人的轨迹跟踪控制器设计就是要确定控制力矩τ的适当形式,使机器人的实际运行轨迹θ(t)→θd(t)。引入了广义跟踪误差后,机器人控制即是要使

事实上,若作用在关节上的控制力矩能使s=0,则必能使e(t)和$\dot{\mathit{e}}(t)$的稳态值趋于0。

为实现关节系统的控制,本文在机器人上引入一个由PD控制器和神经网络组成的复合控制器,并为其构建图1所示的控制系统。根据该系统的结构,并利用式(1)和式(2)中的关系,可推导出该系统的误差动力学方程

2.2 控制方案

根据图1给出的系统控制逻辑,可以写出该机器人关节控制力矩的输出形式[8]

其中,τL为线性控制器的输出;KL∈Rn×n为适当取定的正定增益阵;τN为函数链神经网络的输出,该网络拓扑结构由图2给出,其输出形式为

式中,W为网络的理想权值阵;φ(·)∈Rl为神经元激活函数;l为隐层节点数。

本文引入FLNN的目的在于对Fs(xs)进行估值。由于FLNN中只有W可调,故它不像多层前馈网络那样具有广泛的函数逼近能力,但FLNN结构简单、运行效率高,特别是当φ(·)取定为基函数向量时,它同样具有较强的函数逼近能力。φ(·)成为基函数的条件是:设D是关于机器人关节运动状态变量的xs上的列紧子集,映射φ:D→Rn有界可积。若存在有限维数FLNN,使得C2n(D)内的函数可表示成式(7)形式且使网络输出在C2n(D)中是稠密的。那么φ(·)为C2n(D)中的一组基。

如果φ(·)取为基函数,则对于机器人动力学函数Fs(xs)∈C2n(D),总存在一定拓扑形式的FLNN,该FLNN能以给定精度εN对Fs(xs)进行逼近,即总存在以下关系

式中,ε为函数估值误差。

FLNN的基函数可取sigmoid函数或径向基函数。本文根据基函数条件自行设计基函数。

2.3 权值学习算法

FLNN控制器设计的关键在于其权值学习律的确定。网络权值的学习不仅应使系统跟踪误差足够小,而且应保证权值的有界性。为了设计权值学习律,构建如下Lyapunov能量函数:

式中,$\tilde{\mathit{W}}$为权值偏差,$\tilde{\mathit{W}}=\mathit{W}-\widehat{\mathit{W}}$;$\widehat{\mathit{W}}$为网络的的当前权值;F为适当取定的正定可逆阵。

将式(10)对时间进行求导,可得

将式(9)、式(8)、式(6)、式(4)代入式(11)并考虑机器人的斜对称特性,可得

$\begin{array}{l}\dot{L}=\text{t}\text{r}(\tilde{\mathit{W}}{}^{\text{Τ}}[-\mathit{F}{}^{-1}\dot{\widehat{\mathit{W}}}+\mathit{\phi }(\mathit{x}{}_{\text{s}})\mathit{s}{}^{\text{Τ}}])-\\ \mathit{s}{}^{\text{Τ}}\mathit{{\rm K}}{}_{\text{L}}\mathit{s}+\mathit{s}{}^{\text{Τ}}(\mathit{\epsilon }+\mathit{\tau }{}_{\text{d}})(12)\end{array}$

在式(12)中,若令网络权值按下式调整:

这里的ρ是适当取定的较小正数。这样便可将式(12)将改写成以下形式:

$\begin{array}{l}\dot{L}=-\mathit{s}{}^{\text{Τ}}\mathit{{\rm K}}{}_{\text{L}}\mathit{s}+\rho \parallel \mathit{s}\parallel \text{t}\text{r}[\tilde{\mathit{W}}{}^{\text{Τ}}(\mathit{W}-\widehat{\mathit{W}})]+\\ \mathit{s}{}^{\text{Τ}}(\mathit{\epsilon }+\mathit{\tau }{}_{\text{d}})(14)\end{array}$

由于式(14)中的方阵求迹运算满足

因此,若将式(15)代入式(14)则将得到

$\begin{array}{l}\dot{L}\le -{\rm K}{}_{\text{L}\_\min }\parallel \mathit{s}\parallel {}^2+\rho \parallel \mathit{s}\parallel \parallel \tilde{\mathit{W}}\parallel {}_F(W{}_B-\parallel \tilde{\mathit{W}}\parallel {}_F)+\\ (\epsilon {}_{\text{Ν}}+d{}_{\text{B}})\parallel \mathit{s}\parallel =-\parallel \mathit{s}\parallel [\rho (\parallel \mathit{W}\parallel {}_F-W{}_{\text{B}}/2){}^2-\\ \rho W{}_{\text{B}}^2/4+{\rm K}{}_{\text{L}\_\min }\parallel \mathit{s}\parallel -(\epsilon {}_{\text{Ν}}+d{}_{\text{B}})](16)\end{array}$

式中,KL_min为矩阵KL中的最小元素的值;dB为系统外部扰动量的上界。

式(16)表明,一旦轨迹跟踪误差越界,即当

或当网络权值偏差出现以下情况:

$\parallel \tilde{\mathit{W}}\parallel {}_F>W{}_{\text{B}}/2+\sqrt{\rho W{}_{\text{B}}^2/4+(\epsilon {}_{\text{Ν}}+d{}_{\text{B}})/\rho }\equiv B{}_{\text{W}}$

则$\dot{L}<0$,即若s脱离列紧集Sb={s|‖s‖≤Br}或$\tilde{\mathit{W}}$脱离列紧集$S{}_{\tilde{\mathit{W}}}=\{\tilde{\mathit{W}}|\parallel \tilde{\mathit{W}}\parallel {}_F\le B{}_{\text{W}}\}‚\dot{L}$就变成负值。这就意味着,如果按式(13)的学习律调整网络的权值,则不仅能保证系统的稳定性并使跟踪误差s控制在足够小的范围内,而且能保证$\tilde{\mathit{W}}$的一致有界性。$\tilde{\mathit{W}}$的一致有界和W有界性可保证$\widehat{\mathit{W}}$的一致有界性。

2.4 权值的初始化

网络权值的初始化是FLNN控制器设计中必须考虑的重要问题。但本文的控制系统按式(6)的形式确定机器人的控制作用时,其网络的初始权值可全部设为0。之所以可作这种简单处理,主要是因为在本文的系统中,除了设置有FLNN控制器之外,还引入了一个PD线性反馈补偿器。在系统启动工作初期,由于网络权值为0,因此FLNN基本上不起控制作用,此时系统通过PD控制器实施控制,但FLNN在经过短暂的权值学习后将逐渐发挥作用,并将最终主导机器人的控制。

2.5 网络功能分解

提高神经网络执行速度的一个有效办法是将其功能分解为由若干子网实现。考虑到Fs(x)为D(θ)ζ、$\mathit{{\rm H}}(\mathit{\theta },\dot{\mathit{\theta }})\mathit{\eta }$、G(θ)、$\mathit{\tau }{}_{\text{f}}(\dot{\mathit{\theta }})$之和,据此可将图2中的FLNN分解为4个子网来实现,即用4个子网分别对该4项估值,然后再进行求和。各子网的实现形式为

式中,xD、xH、xG、xF分别表示各FLNN子网的输入;εD、εH、εG、εF表示各子网的估值误差。

当采用子网对Fs(x)进行估值时,估值误差即为各子网估值误差的和。

2.6 控制实现结构

为便于仿真本文的机器人控制方案,有必要建立机器人系统状态控制方程。为此选取$\mathit{q}=(\theta {}_1,\theta {}_2,\cdots ,\theta {}_n,\dot{\theta }{}_1,\dot{\theta }{}_2\cdots ,\dot{\theta }{}_n)\in \mathbf{R}{}^{2n}$为状态变量,并根据式(1)建立其状态空间模型:

$\mathit{A}=\left[\begin{array}{c}\dot{\mathit{\theta }}\\ -\mathit{D}{}^{-1}(\mathit{\theta })(\mathit{{\rm H}}(\mathit{\theta },\dot{\mathit{\theta }})\dot{\mathit{\theta }}+\mathit{G}(\mathit{\theta }))\end{array}\right]\in \mathbf{R}{}^{2n}$

$\mathit{B}=\left[\begin{array}{c}\dot{\mathit{\theta }}\\ \mathit{D}{}^{-1}(\mathit{\theta })\end{array}\right]\in \mathbf{R}{}^{2n\times n}{\mathit{\tau }}^{\prime }=\mathit{\tau }-\mathit{\tau }{}_{\text{d}}-\mathit{\tau }{}_{\text{f}}$

求解式(16)便得到系统的仿真实现形式:

3 控制仿真实验

3.1 仿真对象

为验证上述控制算法的可行性及有效性,针对图3所示机器人臂杆系统进行了控制仿真。该系统由4根臂杆组成,自由度为2。图3标示出杆i的杆长li、质量mi、质心位置lci以及绕自身质心的转动惯量Ii。该机器人的运动方程为

$\begin{array}{l}\left[\begin{array}{cc}d{}_{11}& d{}_{12}\\ d{}_{21}& d{}_{22}\end{array}\right]\left[\begin{array}{c}\ddot{\theta }{}_1\\ \ddot{\theta }{}_2\end{array}\right]+\left[\begin{array}{cc}h{}_{11}& h{}_{12}\\ h{}_{21}& h{}_{22}\end{array}\right]\left[\begin{array}{c}\dot{\theta }{}_1\\ \dot{\theta }{}_2\end{array}\right]+\\ \left[\begin{array}{c}g{}_1\\ g{}_2\end{array}\right]=\left[\begin{array}{c}\tau {}_1\\ \tau {}_2\end{array}\right]-\left[\begin{array}{c}\tau {}_{\text{f}1}\\ \tau {}_{\text{f}2}\end{array}\right](21)\end{array}$

$\begin{array}{l}d{}_{11}=m{}_{1}l{}_{\text{c}1}^2+m{}_{3}l{}_{\text{c}3}^2+m{}_{4}l{}_1^2+{\rm I}{}_1+{\rm I}{}_3\equiv \sigma {}_{x1}\\ d{}_{12}=d{}_{21}=(m{}_{3}l{}_{2}l{}_{\text{c}3}-m{}_{4}l{}_{1}l{}_{\text{c}4})\cos (\theta {}_2-\theta {}_1)\equiv \\ \sigma {}_{x2}\cos (\theta {}_2-\theta {}_1)\\ d{}_{22}=m{}_{2}l{}_{\text{c}2}^2+m{}_{3}l{}_2^2+m{}_{4}l{}_{\text{c}4}^2+{\rm I}{}_2+{\rm I}{}_4\equiv \sigma {}_{x3}\\ h{}_{11}=h{}_{22}=0\\ h{}_{12}=-\sigma {}_{x2}\dot{q}{}_2\sin (\theta {}_2-\theta {}_1)\\ h{}_{21}=-\sigma {}_{x2}\dot{q}{}_1\sin (\theta {}_2-\theta {}_1)\\ g{}_1=(m{}_{1}l{}_{\text{c}1}+m{}_{3}l{}_{\text{c}3}+m{}_{4}l{}_1)g\cos \theta {}_1\equiv \sigma {}_{x4}\cos \theta {}_1\\ g{}_2=(m{}_{1}l{}_{\text{c}2}+m{}_{3}l{}_2-m{}_{4}l{}_{\text{c}4})g\cos \theta {}_2\equiv \sigma {}_{x5}\cos \theta {}_2\end{array}$

图3中各臂杆的质心位置及其转动惯量无法确知,即动力学模型中的σx1、σx2、σx3、σx4、σx5存在一定不确定性。但在系统仿真时,可设定其真值为

仿真用机器人的摩擦特性参数的真值、目标轨迹θd(t)和外力矩扰动τd分别按下式取定:

3.2 子网的基函数设计

根据式(18)中各动力学项的结构,可以设计出其相应的FLNN子网的拓扑及基函数结构。本文设计的用于逼近Fs(x)中4个分量的子网的结构如图4所示(⨂表示乘法器),图中,ζ=[ζ1ζ2],对应的基函数向量分别为

$\begin{array}{l}\mathit{\phi }{}_D(\mathit{x})=\left[\begin{array}{cccc}1& \cos (\theta {}_2-\theta {}_1)& \cos (\theta {}_2-\theta {}_1)& 1\end{array}\right]{}^{\text{Τ}}\\ \mathit{\phi }{}_G(x)=\left[\begin{array}{cc}\cos \theta {}_1& \cos \theta {}_2\end{array}\right]{}^{\text{Τ}}\\ \mathit{\phi }{}_{\text{F}}(\mathit{x})=\left[\begin{array}{cccc}\dot{\theta }{}_1& \mathrm{sgn}\dot{\theta }{}_1& \theta {}_2& \mathrm{sgn}\dot{\theta }{}_2\end{array}\right]{}^{\text{Τ}}\end{array}$

$\mathit{\phi }{}_{{\rm H}}(\mathit{x})=\left[\begin{array}{c}\dot{\theta }{}_1\sin (\theta {}_2-\theta {}_1)\\ \dot{\theta }{}_2\sin (\theta {}_2-\theta {}_1)\\ \dot{\theta }{}_2\sin (\theta {}_2-\theta {}_1)\end{array}\right]$

3.3 仿真结果

本文在MATLAB环境下编程实现了上述算法。仿真时的相关控制参数设定如下: λ=diag(10,10),F=diag(50,50),ρ=1.2, KL=diag(60,40)。图5给出了系统存在外部扰动时的FLNN-PD控制结果,系统的稳态转角误差和角速度误差分别控制在±0.002rad和±0.1rad/s之内,并且关节控制力矩也未出现大幅跃变。从图5还可看出,该算法较好地保证了网络权值的收敛性和有界性。图5中,$\widehat{W}$D11、$\widehat{W}$D21、$\widehat{W}$D31、$\widehat{W}$D41为权值矩阵$\widehat{\mathit{W}}$D中相应位置的元素,$\widehat{W}$H11、$\widehat{W}$H21、$\widehat{W}$H31为权值矩阵$\widehat{\mathit{W}}$H中相应位置的元素,$\widehat{W}$G11、$\widehat{W}$G12、$\widehat{W}$G21、$\widehat{W}$G22为权值矩阵$\widehat{\mathit{W}}$G中相应位置的元素。

图6给出了按系统标称模型(σ0=[6 0.2 4 13 4]T)进行控制仿真时的结果,不难看出虽然该系统动力学模型的标称值与真值之间的差距较大,但按模型的标称值和真值进行仿真时,其轨迹跟踪精度并无多大差别,之所以如此,主要是因为系统能通过调整权值,较好地减小臂杆系统的参数误差所带来的影响。

图7给出了系统无外部扰动时的FLNN-PD控制结果。从图7可见,无扰动时的系统轨迹跟踪误差与系统存在扰动时的跟踪误差比较接近,它说明该复合控制算法对系统的外部扰动具有较好的鲁棒性。

图8给出了机器人系统在PD控制器单独作用时的控制结果,此时系统的转角误差和角速度误差均比较低。造成这种情况的原因主要是因为线性的PD反馈控制器的参数自适应能力较差,故无法很好地减小系统参数不确定性所引入的控制误差。

图9给出了系统在FLNN单独控制时的结果,从图可见,其转角误差和角速度误差比采用FLNN-PD时稍低一些,但却明显高于单独采用PD时的控制精度。

4 结语

针对直接驱动机器人动力学模型的高度非线性、强耦合及其存在的参数和非参数不确定性,为了实现机器人的精密轨迹跟踪控制,本文引入函数链神经网络对机器人的非确定性动力学量进行逼近,并在此基础上构建出了基于FLNN-PD控制器的机器人双闭环控制系统。通过复合控制结构来减小机器人的非确定性动力学量带来的控制误差,以提高系统的控制精度。文中推导了该系统的控制算法,给出了函数链神经网络控制器的权值学习律,并从理论上证明了FLNN-PD控制器的收敛性及控制系统跟踪误差的收敛性和趋零性。对机器人系统进行了控制仿真,结果显示,采用FLNN-PD控制器可使系统的转角误差和角速度误差控制在±0.002rad和±0.1rad/s之内,并且该控制器对系统的系统参数变化及外部扰动具有较强的自适应性和鲁棒性。研究表明,本文提出的FLNN-PD控制方案既能实现机器人的精密轨迹跟踪,又便于系统的实现,它是一种颇具应用前景的机器人控制方法。

摘要：为了实现直接驱动机器人精密控制,研究了直接驱动机器人的函数链神经网络-PD(FLNN-PD)控制问题。首先,对机器人动力学模型及FLNN的函数逼近特性进行分析;然后为机器人构建双闭环控制系统,推导出系统的误差动力学方程及不确定性动力学函数;引入FLNN逼近不确定性函数并为系统规划出FLNN-PD控制律;最后进行了仿真控制实验。结果显示,该控制器可使系统转角误差和角速度误差控制在±0.002rad和±0.1rad/s之内,且其对系统的参数变化及外部扰动具有较强的自适应性和鲁棒性。

关键词：机器人,函数链神经网络,权值学习算法,PD控制器,轨迹跟踪控制

参考文献

[1]谭伟.直接驱动机器人高性能控制器研究[D].上海:上海交通大学,2000.

[2]Colbaugh R,Glass K.Adaptive Tracking Control of Manipulators:Theory and Experiments[C]//1994 IEEE International Conference on Robotics and Auto-mation.San Diego,CA,USA:2292-2299.

[3]唐晓腾,陈力.自由漂浮双臂空间机器人基联坐标系内的一种增广变结构鲁棒控制方法[J].中国机械工程,2008,19(19):2278-2282.

[4]张文辉,齐乃明,尹洪亮.不确定机器人的神经网络轨迹控制[J].自动化与仪表,2010,22(5):22-25.

[5]Cheah C C,Slotine J J E.Adaptive Tracking Control for Robots with Uncertainties in Kinematic,Dynamic and Actuator Models[J].IEEE Transactions on Automatic Control,2006,51(6):1024-1029.

[6]Barambones O,Etxebarra V.Robust Neural Control for Robotic Manipulators[J].Automatica,2002,38(2):235-242.

[7]Patino H D,Carelli R,Kuchen B R.Neural Networks for Advanced Control of Robot Manipulators[J].IEEE Transactions on Neural Networks,2002,13(2):343-354.

[8]Patino D,Liu D.Neural Network-based Model Refer-ence Adaptive Control System[J].IEEE Transactions on System,Man,and Cybernetics,Part B:Cybernetics,2000,30(1):198-204.

[9]Jiang Zhaohui,Ishita Taiki.A Neural Network Control-ler for Trajectory Control of Industrial Robot Manipula-tors[J].Journal of Computers,2008,3(8):1-8.