欠驱动机器人论文

2024-06-26

欠驱动机器人论文（精选7篇）

欠驱动机器人论文篇1

0 引言

欠驱动机器人是指独立控制输入少于系统自由度的机器人[1],对欠驱动机械臂而言,则是指某个或某些关节没有驱动装置,即关节是被动的,也称自由的。欠驱动机器人由于驱动器的减少而具有质量轻、成本低、能耗低等众多优点,因此成为机器人研究领域的新热点[2]。

欠驱动机器人的研究问题包括平衡流形控制、PTP控制、多臂协调操作,甚至其他更复杂的机器人工作任务。为了使欠驱动机器人能像全驱动机器人一样实现各种灵活的操作,人们基于不同的分析工具和方法,对这类非完整系统进行了深入的研究并提出了多种控制方案(如PID控制、自适应控制[3]、滑模变结构控制[2]、智能控制[1]、鲁棒控制[3]等),实现了对某些欠驱动机器人的有效控制。

自T-S模糊建模方法提出以来,基于模糊模型的控制方法已经成为解决某些非线性问题的强有力工具[4,5,6,7]。该建模方法通过IF-THEN规则将非线性系统描述为若干个线性子系统的动态组合,先针对线性子系统单独设计满足一定性能的控制器,然后在并行分布补偿[8](parallel distributed compensation,PDC)设计框架下构建全局控制器,用线性系统理论去分析并解决非线性系统的控制问题。近年来,系统的非脆弱性成为人们感兴趣的课题[9,10,11,12]。现有文献多考虑的是线性系统的非脆弱控制问题,对非线性机器人系统的非脆弱控制问题研究较少。

本文研究欠驱动机器人系统的非脆弱保性能H∞控制问题。利用LMI(linear matrix inequality)方法[13],给出模糊非脆弱保性能H∞控制器存在的充分条件,并证明了闭环系统的稳定性。最后用实例仿真验证了本方法的有效性。

1 欠驱动机器人动力学模型变换

机器人完整的动力学模型描述为

$Μ (q) \ddot{q} + C (q, \dot{q}) + G (q) = Γ$ (1)

式中,M(q)∈Rn×n为对称正定惯性矩阵; $C (q, \dot{q}) \in R^{n}$ 为向心力和哥氏力作用项;G(q)∈Rn为重力作用项;Γ∈Rn为力矩输入项;q、 $\dot{q}$ 、 $\ddot{q}$ 分别为关节的位置向量、速度向量和加速度向量。

欠驱动机器人的动力学模型可以用以下分块形式表示

式中,下标a和o分别表示主动关节和被动关节。

由式(2)的第2行得

$\ddot{q}_{a} = - Μ_{o a}^{- 1} (Μ_{o o} \ddot{q}_{o} + C_{o} (q, \dot{q}) + G_{o} (q))$ (3)

将式(3)代入式(2)的第1行得

$\begin{array}{l} \ddot{q}_{o} = (Μ_{a o} - Μ_{a a} Μ_{o a}^{- 1} Μ_{o o})^{- 1} {Γ_{a} + Μ_{a a} Μ_{o a}^{- 1} (C_{o} (q, \dot{q}) + \\ G_{o} (q)) - C_{a} (q, \dot{q}) - G_{a} (q)} (4) \end{array}$

由式(4)可知,适当选取主动关节控制输入Γa,就可以通过动力学耦合作用控制被动关节到设定角度。在此采用PD型计算力矩控制,控制律表示为

$\begin{array}{l} Γ_{a} = (Μ_{a o} - Μ_{a a} Μ_{o a}^{- 1} Μ_{o o}) (\ddot{q}_{o d} - k_{v} \dot{e}_{o} - k_{p} e_{o}) - \\ Μ_{a a} Μ_{o a}^{- 1} [C_{o} (q, \dot{q}) + G_{o} (q)] + C_{a} (q, \dot{q}) + G_{a} (q) (5) \end{array}$

式中,kv、kp分别为恒定对角正定比例矩阵和微分增益矩阵;e为位置误差,eo=qo-qod;qod为关节期望位置。

将式(5)代入式(4)得误差方程:

$\ddot{e}_{o} + k_{v} \dot{e}_{o} + k_{p} e_{o} = 0$ (6)

式(6)表明如果适当选择反馈增益矩阵kv、kp,位置误差可以渐近收敛到零,即可以实现被动关节的位置跟踪控制。

当被动关节到达期望位置时,锁定被动关节,系统的动力学模型(式(2))转化为

$Μ_{a} (q) \ddot{q}_{a} + C_{a} (q, \dot{q}) + G_{a} (q) = Γ_{a}$ (7)

2 非脆弱保性能H∞控制器的设计

2.1 T-S模型的建立

系统(式(7))的T-S模糊模型描述如下:

Ri:if z1(t) is Ni1 and … and zl(t) is Nil

$t h e n \dot{X}_{1} = (A_{i} + Δ A_{i}) X_{1} + (b_{i} + Δ b_{i}) Γ_{a} (8)$

i=1,2,…,r

式中,Nij为模糊集合,j=1,2,…,l; $X_{1} = [q_{o}^{Τ} q_{a}^{Τ} \dot{q}_{a}^{Τ}]^{Τ}$ 为系统的状态;zj(t)为已知的前件变量;r为模型规则数;Ai和bi为适当维数的已知常数矩阵;ΔAi和Δbi表示系统的不确定性。

对所有的i,用中心平均法解模糊,可得系统模型:

$\begin{array}{l} \dot{X}_{1} = \frac{\sum_{i = 1}^{r} μ_{i} [z (t)] [(A_{i} + Δ A_{i}) X_{1} + (b_{i} + Δ b_{i}) Γ_{a} (t)]}{\sum_{i = 1}^{r} μ_{i} [z (t)]} = \\ \sum_{i = 1}^{r} h_{i} [z (t)] [(A_{i} + Δ A_{i}) X_{1} + (b_{i} + Δ b_{i}) Γ_{a} (t)] (9) \end{array}$

$μ_{i} [z (t)] = \prod_{j = 1}^{l} Ν_{i j} [z_{j} (t)]$

$h_{i} [z (t)] = μ_{i} [z (t)] / \sum_{i = 1}^{r} μ_{i} [z (t)]$

z(t)=(z1(t),z2(t),…,zl(t))

式中,z(t)为向量,其中的元素为已知的前件变量;Nij[zj(t)]为zj(t)对于Nij的隶属度,并且 $h_{i} [z (t)] \geq 0 ‚ \sum_{i = 1}^{r} h_{i} [z (t)] = 1$ 。

取 $X = [\begin{matrix} e_{o}^{Τ} & e_{a}^{Τ} & \dot{e}_{a}^{Τ} \end{matrix}]^{Τ} ‚ Q_{d} = [\begin{matrix} q_{o d}^{Τ} & q_{a d}^{Τ} & 0 \end{matrix}]^{Τ}$ 容易看出

X1=X+Qd (10)

将式(10)代入式(9)得

$\begin{array}{l} \dot{X} = \sum_{i = 1}^{r} h_{i} [z (t)] [(A_{i} + Δ A_{i}) (X + Q_{d}) + \\ (b_{i} + Δ b_{i}) Γ_{a} (t)] (11) \end{array}$

假定式(11)中的ΔAi和Δbi有界,且满足如下约束条件 $[\begin{matrix} Δ A_{i} & Δ b_{i} \end{matrix}] = D_{i} F_{1 i} [\begin{matrix} E_{1 i} & E_{2 i} \end{matrix}] ‚ F_{1 i}^{Τ} F_{1 i} - Ι \leq 0$ (文中,矩阵后的符号“>0、<0、≥0、≤0”分别表示矩阵正定、负定、非负定、非正定),其中,Di、E1i、E2i为反映系统不确定性结构的矩阵;F1i为具有Lebesgue可测元素的未知矩阵。将(Ai+ΔAi)Qd看作系统扰动ω,则系统模型可写为

$\dot{X} = \sum_{i = 1}^{r} h_{i} [z (t)] [(A_{i} + Δ A_{i}) X + (b_{i} + Δ b_{i}) Γ_{a} + ω]$ (12)

2.2 控制器的设计

采用PDC结构的模糊控制器,并考虑其脆弱性,有如下模糊控制规则:

Ri:if z1(t) is Ni1 and…and zl(t) is Nil

then Γa=(ki+Δki)X (13)

整个系统的反馈控制律为

$Γ_{a} = \sum_{i = 1}^{r} h_{i} [z (t)] (k_{i} + Δ k_{i}) X$ (14)

式中,ki为确定的反馈增益矩阵;Δki为控制器的参数变化,表示实现的不确定性。

考虑加法式增益摄动,即Δki=Df iEf iFf i,其中,Df i、Ef i为反映控制器不确定性结构的矩阵;Ff i为具有Lebesgue可测元素的未知矩阵,且满足FTf iFf i-I≤0。

则闭环系统全局T-S模型为

$\begin{array}{l} \dot{X} = \sum_{i = 1}^{r} \sum_{j = 1}^{r} h_{i} [z (t)] h_{j} [z (t)] {[A_{i} + \\ Δ A_{i} + (b_{i} + Δ b_{i}) (k_{j} + Δ k_{j})] X + ω} (15) \end{array}$

选被调输出φ(t)=X。

对系统(式(12))定义系统性能指标:

J=∫∞0(XTQX+ΓTaRΓa)dt

式中,Q、R为给定的正定加权矩阵。

在给出结论前先给出下列引理。

引理1[12](Schur补引理) 对给定的对称矩阵,其中S11为m×m维的矩阵。以下3个条件等价:

(1)S<0

(2)S11<0,S22-ST12S $_{11}^{- 1}$ S12<0

(3)S22<0,S11-S12S $_{22}^{- 1}$ ST12<0

引理2[12] 给定适当维数的矩阵Y、D和E,其中Y是对称的,则有

Y+DEF+ETFTDT<0

对所有满足FTF-I≤0的矩阵F成立,当且仅当存在常数ε>0,使得

Y+εDDT+ETE/ε<0

定理1 对于给定的系统(式(12)),式(14)的反馈控制律是一个非脆弱保性能H∞控制律,如果存在公共正定矩阵P和ki,使得下列不等式组成立:

θ=P-1Bi=kiθBj=kjθ

Uab=(E1iθ+E2iBj)T+(E1jθ+E2jBi)T

U*i=(Aiθ+biBi)T+(Aiθ+biBi)+εi1DiDTi

U*ij=(Aiθ+biBj)T+(Aiθ+biBj)+εij1DiDTi

U*ji=(Ajθ+bjBi)T+(Ajθ+bjBi)+εji1DjDTj

Uc=εij2biDf j+εji2bjDf i

Ud=εij2E2iDf j+εji2E2jDf i

i,j=1,2,…,r,且i<j

式中,εij1、εji1、εij2、εji2、εi1、εi2、ε′、γ为正常数,

下面给出定理1的证明。

取Lyapunov函数

V(X)=XTPX

则

$\begin{array}{l} \dot{V} (X) = \sum_{i = 1}^{r} h_{i}^{2} (Ψ_{1} - Q - k_{i}^{Τ} R k_{i} + ω^{Τ} Ρ X + X^{Τ} Ρ ω) + \\ \sum_{i < j, i = 1}^{r} \sum_{j = 1}^{r} h_{i} h_{j} (Ψ_{2} - 2 Q - k_{i}^{Τ} R k_{j} - k_{j}^{Τ} R k_{i} + \\ 2 ω^{Τ} Ρ X + 2 X^{Τ} Ρ ω) \\ Ψ_{1} = Q + k_{i}^{Τ} R k_{i} + A_{i i}^{Τ} Ρ + Ρ A_{i i} \\ Ψ_{2} = 2 Q + k_{i}^{Τ} R k_{j} + k_{j}^{Τ} R k_{i} + A_{i j}^{Τ} Ρ + Ρ A_{i j} + A_{j i}^{Τ} Ρ + Ρ A_{j i} \\ A_{i i} = A_{i} + Δ A_{i} + (b_{i} + Δ b_{i}) (k_{i} + Δ k_{i}) \\ A_{i j} = A_{i} + Δ A_{i} + (b_{i} + Δ b_{i}) (k_{j} + Δ k_{j}) \\ A_{j i} = A_{j} + Δ A_{j} + (b_{j} + Δ b_{j}) (k_{i} + Δ k_{i}) \end{array}$

当ω(t)为零矩阵时只需保证Ψ1<0,Ψ2<0,则

$\dot{V} (X) < \sum_{i = 1}^{r} \sum_{j = 1}^{r} h_{i} h_{j} X^{Τ} (- Q - k_{i}^{Τ} R k_{j}) X < 0$ (18)

由Lyapunov稳定性理论可知系统在无外部扰动时全局渐近稳定。对式(18)两边从t=0到t=T积分,因为系统渐近稳定,则X(∞)=0,所以我们可以得到J≤J*=XT(0)PX(0),即该控制律为非脆弱保性能控制律。

当ω(t)为非零矩阵时,对于给定常数γ>0,有

$\begin{array}{l} \dot{V} (X) + φ^{Τ} (t) φ (t) - γ^{2} ω^{Τ} (t) ω (t) < \\ \sum_{i = 1}^{r} h_{i}^{2} [\begin{matrix} X^{Τ} & ω^{Τ} (t) \end{matrix}] [\begin{matrix} Ψ_{1} + Ι & Ρ \\ Ρ & - γ^{2} Ι \end{matrix}] [\begin{matrix} X \\ ω (t) \end{matrix}] + \\ \sum_{i < j, i = 1}^{r} \sum_{j = 1}^{r} [\begin{matrix} X^{Τ} & ω^{Τ} (t) \end{matrix}] [\begin{matrix} Ψ_{2} + 2 Ι & 2 Ρ \\ 2 Ρ & - 2 γ^{2} Ι \end{matrix}] [\begin{matrix} X \\ ω (t) \end{matrix}] (19) \end{array}$

只需保证和,则

$\dot{V} (X) + φ^{Τ} (t) φ (t) - γ^{2} ω^{Τ} (t) ω (t) \leq 0$ (20)

对式(20)两端从t=0到t=T积分,可得

V(X)+∫ $_{0}^{Τ}$ [φT(t)φ(t)-γ2ωT(t)ω(t)]dt≤0

因为V(X)≥0,则

‖φ(t)‖2≤γ‖ω(t)‖2 (21)

即系统为H∞稳定的。

由引理1得,要保证和只需保证

因为PP>0则满足式(22)即可保证ψ1<0,ψ2<0,即满足式(22)则可保证系统是非脆弱保性能H∞稳定的。令Φ1=Ψ1+I+PP/γ2,Φ2=Ψ2+2I+2PP/γ2。

下面先求解Φ1<0成立的充分条件:

应用引理2和Schur补引理我们可以得到Φ1<0的充分条件为存在常数εi1>0,使得式(24)成立:

将式(24)分解,并再次应用引理2和Schur补引理可得式(24)成立的充分条件为存在常数εi2>0,使得式(25)成立:

将式(25)分解,并应用Schur补引理可得式(25)等价于:

${\bar{U}}^{'}_{i} = (A_{i} + b_{i} k_{i})^{Τ} Ρ + Ρ (A_{i} + b_{i} k_{i}) + ε_{i 1} Ρ D_{i} D_{i}^{Τ} Ρ$

式(26)两边分别左右乘diag(P-1,I,I,I,I,I,I,I),并令θ=P-1,Bi=kiθ,即得定理1中的式(16)。

下面求解使Φ2<0成立的充分条件。应用Petersen引理得

只需保证Φij<0且Φji<0便可以实现Φ2<0。与Φ1<0成立条件的求解过程相同,可以求得Φij<0成立的充分条件为存在常数εij1>0和εij2>0使得式(28)成立:

i,j=1,2,…,r且i<j

U*ij=(Aiθ+biBj)T+(Aiθ+biBj)+εij1DiDTi

kj=Bjθ-1

Φji<0成立的充分条件为存在常数εji1>0和εji2>0使得式(29)成立:

i,j=1,2,…,r且i<j

U*ji=(Ajθ+bjBi)T+(Ajθ+bjBi)+εji1DjDTj

ki=Biθ-1

式(28)与式(29)相加得到定理1中的式(17)。定理1得证。

3 仿真研究

为验证上述方案的正确性,本节对两连杆串联机械臂中第一关节为被动关节的情况进行仿真试验。两连杆串联机械臂动力学方程如下:

$\begin{array}{l} m_{11} = m_{1} L_{g 1}^{2} + Ι_{1} + m_{2} L_{g 2}^{2} + Ι_{2} + m_{2} L_{1}^{2} + \\ 2 m_{2} L_{1} L_{g 2} \cos q_{2} \\ m_{12} = m_{21} = m_{2} L_{g 2}^{2} + Ι_{2} + m_{2} L_{1} L_{g 2} \cos q_{2} \\ m_{22} = m_{2} L_{g 2}^{2} + Ι_{2} \\ c_{1} (q, \dot{q}) = - m_{2} L_{1} L_{g 2} \dot{q}_{2} (2 \dot{q}_{1} + \dot{q}_{2}) \sin q_{2} \\ c_{2} (q, \dot{q}) = m_{2} L_{1} L_{g 2} q_{1}^{2} \sin q_{2} \\ g_{1} (q) = - (m_{1} L_{g 1} + m_{2} L_{1}) g \sin q_{1} - m_{2} L_{g 2} g \sin (q_{1} + q_{2}) \\ g_{2} (q) = - m_{2} L_{g 2} g \sin (q_{1} + q_{2}) \end{array}$

式中,m1、m2分别为两杆的质量,m1=m2=1kg;L1、L2分别为两杆的长度,L1=1m,L2=2m;Lg1、Lg2分别为两杆的质心距,Lg1=0.5m,Lg2=1m;I1、I2分别为两杆的转动惯量,I1=0.083N·m2,I2=0.330N·m2。

针对此系统在控制的第一阶段,采用PD型计算力矩控制。控制器参数为kv=3,kp=5。

被动关节被锁定后,取z=|q1|/|q2|为前件变量,则可以构造如下T-S模型:

$\begin{array}{l} \begin{array}{l} R_{1} : i f z i s h_{1}, t h e n \\ \dot{X} (t) = (A_{1} + Δ A_{1}) X (t) + (b_{1} + Δ b_{1}) Γ_{a} (t) \\ R_{2} : i f z i s h_{2}, t h e n \\ \dot{X} (t) = (A_{2} + Δ A_{2}) X (t) + (b_{2} + Δ b_{2}) Γ_{a} (t) \end{array}} (31) \\ A_{1} = [\begin{matrix} 0 & 0 & 0 \\ 0 & 0 & 1.0000 \\ - 14.7325 & 29.5830 & 0 \end{matrix}] \\ b_{1} = [\begin{matrix} 0 & 0 & 6.0332 \end{matrix}]^{Τ} \\ A_{2} = [\begin{matrix} 0 & 0 & 0 \\ 0 & 0 & 1.0000 \\ - 7.8176 & 15.7068 & 0 \end{matrix}] \\ b_{2} = [\begin{matrix} 0 & 0 & 3.2029 \end{matrix}]^{Τ} \\ h_{1} (z) = {\begin{cases} 0 0 \leq z \leq 0.1 \\ 1 / 2 + \sin [\frac{π (z - 2.05)}{3.9}] / 2 0.1 < z \leq 4 \\ 1 z > 4 \end{cases} \end{array}$

h2(z)=1-h1(z)

描述不确定性的矩阵如下:

$\begin{array}{l} D = [\begin{matrix} 1 & 0 & 0 \\ 0 & 1 & 0 \\ 0 & 0 & 1 \end{matrix}] E_{11} = [\begin{matrix} 0 & 0 & 0 \\ 0 & 0 & 0 \\ 6.0 & 5.3 & 5.2 \end{matrix}] \\ E_{12} = [\begin{matrix} 0 & 0 & 0 \\ 0 & 0 & 0 \\ 4 & 6 & 2 \end{matrix}] E_{21} = [\begin{matrix} 0 & 0 & 8 \end{matrix}]^{Τ} \\ E_{22} = [\begin{matrix} 0 & 0 & 7 \end{matrix}]^{Τ} \end{array}$

假定控制器存在可加性摄动,并且选择描述不确定性的矩阵为

$\begin{array}{l} E_{f 1} = [\begin{matrix} 0 & 0 & 0 \\ 0 & 0 & 0 \\ 5 & 8 & 9 \end{matrix}] E_{f 2} = [\begin{matrix} 0 & 0 & 0 \\ 0 & 0 & 0 \\ 3.1 & 5.9 & 6.7 \end{matrix}] \\ D_{f} = [\begin{matrix} 2 & 5 & 3 \end{matrix}] \end{array}$

选取Q为3维单位阵,R取1,应用定理1解LMI可以得到非脆弱保性能H∞控制器的参数

$\begin{array}{l} k_{1} = [\begin{matrix} - 1274.5 & - 121.9 & - 397.9 \end{matrix}] \\ k_{2} = [\begin{matrix} - 436.9838 & - 42.5378 & - 136.6250 \end{matrix}] \end{array}$

由图1可以看出,控制的第一阶段在PD型计算力矩控制器的作用下,第一关节可以有效实现位置跟踪。在t=5s时对其进行制动,并采用基于T-S模型的非脆弱保性能H∞控制器,使第二关节实现位置跟踪。由图2可以看出,控制的第二阶段在基于T-S模型的非脆弱保性能H∞控制器的作用下,即使系统具有扰动且控制器参数发生摄动,第二关节仍然可以在很短的时间内有效的实现位置跟踪。

4 结束语

针对欠驱动机器人系统,将非脆弱控制、保性能控制以及H∞控制结合,提出了基于T-S模型的欠驱动机器人非脆弱保性能H∞控制策略并进行了仿真研究。仿真结果表明被动关节锁定后,当系统具有外部扰动和控制器参数不确定性时,在基于T-S模型的欠驱动机器人非脆弱保性能H∞控制律的作用下,第二关节能够实现位置跟踪。

欠驱动机器人论文篇2

水下机器人被广泛运用于水下作业活动中,是水下作业的重要载体。水下目标搜索是水下机器人的作业任务之一。水下目标搜索首先需要实现机器人的水下定位,配置齐全的水下机器人一般采用超短基线系统(ultra-short baseline,USBL)、惯性导航系统(inertial navigation system,INS)等进行水下定位。Opderbecke[1]针对USBL在AUV(autonomous underwater vehicle)水下定位的运用上进行了研究;Jalving等[2]采用融合了INS、DVL(doppler velocity log)等信息的组合定位方法,进一步提高了水下机器人的水下定位精度。搜索策略是贯穿水下搜索任务的指导思想,搜索路径的规划则是策略的主要体现。Petres等[3]和国内的徐玉如等[4]、Wang等[5]针对不同的作业任务,分别研究了AUV的路径规划方法。对于搜索任务而言,对目标物的识别是整个任务的重要环节。针对水下机器人通常搭载的水下摄像头和前视声纳,徐筱龙等[6]分别进行了视频信号模式识别的研究,Lorenson等[7]则针对AUV声纳图像的处理和识别进行了研究。

目前,国内配备小型水下遥控机器人(remotely operated vehicle,ROV)的单位逐渐增多,如何利用ROV和已有设备进行水底目标搜索受到越来越多的关注。但由于受体积和成本限制,很多小型ROV没有装配以USBL、INS为代表的水下定位设备,因此欠定位ROV不能给出标记自身的行进路线和已搜索区域。在这样的设备基础上,如果参照应用于定位功能齐全的ROV或AUV的搜寻策略,将难以保证搜索效率和搜索覆盖率。

在水下起伏较大的水域中,其底部深度变化幅度较大,其等深线间距(以ROV深度计有效分辨率大小作等深线,且其间距小于ROV的有效观测范围)较小。可以利用先验的等深线地图,配合ROV深度计实现ROV的初步定位。在初步定位的基础上,再通过选择对定位精度要求低的搜索策略,实现ROV对水底目标的搜索。

本文在设备仅限于欠定位ROV和侧扫声纳的基础上,提出了针对水下起伏较大水域的特殊情况,基于水下等深线图路径规划和导航的搜索策略,通过绘制水下地形图、规划搜索路径和搜索作业等,实现欠定位ROV对大起伏地形中的水下小型目标的搜索。

1 设备及功能

本文中,图1所示的小型开架式ROV“Outland1000”为传感器的载体,能在300m水下通过遥控实现进/退、侧移、潜/浮和转首四个自由度的运动,由脐带缆与水面控制器连接。通过开发自动航行控制器代替操作人员和遥控器,将ROV改造为具有自动航行能力和干预功能的ARV(autonomous & remotely-operated vehicle),可以实现控制精度更高的控制,并减轻操作人员的负担。

ARV搭载的传感器包括双目摄像头、Micron DST型前视声纳、小型磁罗经、深度计和高度计。ARV会通过脐带缆将水下视频信号,前视声纳图像,ARV实时航向、深度和离底高度等信息传输至水面控制器。其中,水下视频信号、前视声纳图像可用于辨识水下目标或障碍物。而ARV实时航向、深度、离底高度等信息则表示了ARV的水下状态,在水下先验地形图的配合下可用于ARV的水下导航。

侧扫声纳是一种向水底发射超声波,接收反射后的声纳信号并成像以实现水下地形探测的设备。在本文中,选用经济的Starfish公司450F型侧扫声纳进行水下探测,如图1所示。

2 搜索策略设计

由于本文讨论的ARV缺乏水下定位能力,所以可以让其沿等深线地图贴底航行,这样在单条等深线上,ARV就可以利用航向、深度、高度信息,沿着等深线轨迹航行。以此思路,设计搜索流程如图2所示。

整个搜索流程按照绘制水下等深线地图、规划搜索路径和搜索作业的步骤进行。

由于作业任务并不要求完全脱离操作人员的监督和设备的限制,所以水下地形图不需要包含水下地形特征库等信息,使用侧扫声纳绘制出一定密度的等深线地图即可。

通过分析与目标位置有关的外部信息,初步估计并计算目标在作业水域中各点的概率值,以此划分出优先级不同的子作业区,再将等深线地图与各自作业区叠加,依据ARV的探测能力,规划出其搜索路径。

进行搜索作业时,ARV被母船定位到指定地点入水,由自动航行控制器通过等深线地图进行导航。操作人员对前视声纳图像和水下视频进行监视,当出现疑似目标或障碍物时,切换成手动模式进行遥控。并通过声纳图像处理程序进行图像处理,提取特征并计算出与ARV的相对位置,以供操作人员在水下地形图中进行标注。

2.1 水下地形图的绘制

侧扫声纳一般用于获得水底地形和搜寻水底大型残骸,但本文只讨论侧扫声纳用于测量水深以绘制等深线地图的方法。

侧扫声纳的拖鱼左右侧各安装一条换能器线阵。工作时首先发射一个短促的声脉冲,声波按球面波方式向外传播,碰到水底或水中物体则产生散射。其中的反向散射波会按原传播路线返回换能器被换能器接收,经换能器转换成一系列电脉冲。一般情况下,坚硬或凸起的水底回波强;柔软平滑的水底回波弱;被遮挡的水底不产生回波;距离越远回波越弱。通过对电脉冲进行采集和相应的数字化处理,得到以若干扫描线构成的二维水下地形声图[8],如图3所示。

图3中,侧扫声纳的两侧波束存在夹角θ,夹角范围内为侧扫声纳的盲区。已知盲区边缘回波的探测距离为DL、DR,由下式即可得其相对侧扫声纳拖鱼的相对深度HL和HR,平均后可知拖鱼正下方的相对深度。已知拖鱼离水面的距离固定为H0,则可通过插值计算出侧扫声纳此刻位置的水深HM。HL、HR、HM的表达式为

通过软件截取侧扫声纳的每条数据,获得该时刻的DL和DR值,再根据式(1)即可计算出该点水深。使用同样的方法可获得整个作业区域的深度数据,再将等深的坐标点依次连接,得到等深线地图,如图4所示。

2.2 搜索路径规划

对于多数搜索任务,其作业区域内每点的重要性是不同的,因此,通过梳理外部信息,将作业区域按照优先级划分为不同的子作业区并依次搜索,能在一定程度上提高效率。

通过在作业区域内选取一个或多个可能性最大的点,并分别赋予一个可能的概率,假设其周围的各点受其影响,依次形成一个作业区域内概率的场,并以其作为作业区域的概率分布图。具体来说,假设在若干大概率的目标存在点中有一点为i,其周边各点的概率均受其影响,可认为

$\begin{array}{l} f_{i} (x, y) = \frac{1}{2 π σ_{x_{i}} σ_{y_{i}}} e^{- \frac{1}{2} [\frac{(x - μ_{x_{i}})^{2}}{σ_{x_{i}}^{2}} + \frac{(y - μ_{y_{i}})^{2}}{σ_{y_{i}}^{2}}]} \cdot Ρ_{i} = \\ \frac{1}{\sqrt{2 π} σ_{x_{i}}} e^{- \frac{(x - μ_{x_{i}})^{2}}{2 σ_{x_{i}}^{2}}} \cdot \frac{1}{\sqrt{2 π} σ_{y_{i}}} e^{- \frac{(y - μ_{y_{i}})^{2}}{2 σ_{y_{i}}^{2}}} \cdot Ρ_{i} (2) \end{array}$

其中,(μxi,μyi)为大概率目标存在点i的坐标,Pi为点i的目标存在概率。可将其简化为标准分布,取σxi=σyi=1。式(2)可写作

在得到区域内多个主要大概率离散点周边点的概率后,便可以知道区域内每点的目标存在概率。对所有大概率点所引起的概率分布进行求和,可得到区域内的概率分布:

根据概率分布的集中情况,对不同概率的区域进行划分,细分为多个具有不同优先级的子作业区,如图5所示,再将其与等深线地图进行叠加,即可进行最后的路径规划。

不同于通常的沿方波搜索路径规划,本策略采用如图6所示的基于等深线搜索路径规划。因为搜索任务需要ARV贴底进行且工作区域内的深度变化较大,过多的起伏运动会导致欠定位的ARV偏离航向;另一方面,通过沿等深线进行搜索,ARV即可通过深度计和高度计的反馈得知是否偏离预定路径。

在路径规划中,相邻路径间的间距大小直接影响到路径规划的合理性。间距太大会使对作业区的搜索覆盖率降低,造成遗漏,反之则影响作业效率。相邻路径的理想间距d由ARV的视觉和前视声纳的探测半径决定,同时也与ARV在被操纵中的定向航行性能有关。理想间距d的计算方式为

其中,D0为ARV视觉的探测半径;p0为视觉探测半径内对目标的辨识可信度,取值介于0～1之间;D1为前视声纳的探测半径;p1为声纳探测半径内对目标的辨识可信度;H(s)用于表示ARV的定向航行性能,定义为遥控操作ARV定向航行时,每行驶s,ARV实际位置偏移量。s的取值由ARV缆长及作业区域地形特点等确定。

由式(5)可以看出,在探测设备确定的情况下,通过缩短每趟搜索的航程、利用水下特征物作路标、减少ARV翻越地形的次数等,都能减小ARV的H(s),从而增大ARV搜索路径的理想间距d,提高效率。但是由于式(5)中多个参数难以准确地确定,理想间距d难以计算,该公式只用于分析影响搜索路径间距的因素。在实际操作中,可以根据实际情况取一个小于视觉探测直径的值。

在各个子作业区的等深线地图中,保留相邻距离总是小于d的等深线,作为子作业区中搜索作业的ARV规划路径。

2.3 搜索作业

搜索作业时,母船携带ARV到分段规划路径的起点定点下水,当ARV下潜至离底部某距离处,核实当前深度是否与等深线地图中的深度相等,不等则在小范围内巡游直至找到相应的深度点。随后即可切换至自动航行控制器对AVR进行导航。通过之前建立的Outland1000水动力学模型[9]和等深线地图,自动航行控制器能操作ARV沿规划路径航行。

当监视水下视频和前视声纳图像的操作人员发现可疑目标时,可将ARV切换至遥控模式。同时可以使用声纳图像识别程序对声纳信号进行处理,并在等深线地图中加以记录。

声纳图像识别程序可以通过RS485接口获得Micron DST型前视声纳的实时数据,将其解析并绘出整幅声纳图像。在进行图像处理时,先通过中值滤波算法去除高频的干扰噪声、进行阈值分割[10]。再经过边缘检测和特征图形提取之后,可以得到物体的图像大致形状、尺寸和与ARV的相对位置关系,识别过程如图7所示。随后,操作人员将识别后的信息记录到等深线地图中。

2.4 搜索策略比较

完成整个搜索策略的设计后,将该搜索策略和常用的沿方波搜索进行比对。下面先对搜索的时耗问题进行分析。

搜索策略的时间花费,主要与ARV的航行速度和搜索路径长度有关。对于本搜索策略和沿方波搜索策略,在都不进行重复搜索,且依照ARV有效探测距离规划路径的情况下,搜索路径的总长度近似相等,总长度S=A/d。其中A为搜索面积,d为理想间距。

但是由于本搜索策略相较常用策略,采用将作业区域按概率划分后依次搜索的方法,能在一定程度上提高搜索效率。如图5b所示的情况,将作业区域划分为3个区域,则搜索任务的时间期望为

$\begin{array}{l} Τ = t [\frac{1}{2} A_{1} Ρ_{1} + (1 - Ρ_{1}) \frac{Ρ_{2}}{Ρ_{2} + Ρ_{3}} (A_{1} + \frac{A_{2}}{2}) + \\ (1 - Ρ_{1}) \frac{Ρ_{3}}{Ρ_{2} + Ρ_{3}} (A_{1} + A_{2} + \frac{A_{3}}{2})] (6) \end{array}$

式中,t为ARV搜索每km2的平均时间花费;A1、A2、A3为三个区域的面积;P1、P2、P3 分别为三个区域中目标存在的概率。

对图5所示区域进行计算,结果如表1所示。

将表(1)中数据代入式(6),时间期望为0.3996,低于常用策略的时间期望。并且当区域内概率越集中时,本搜索策略的优势越明显。

本搜索策略与常用策略相比最大优点在于,本策略通过使ARV沿等深线航行并搜索,欠定位ARV能通过深度值的反馈,在检测到偏航后(深度值偏离了需跟踪的等深线值)对航线进行修正,使其摆脱对精确定位的依赖。而常用策略中,欠定位ARV则较难按照预定航线进行搜索作业。

3 湖试

为验证文中搜索策略,在湖北省荆门市漳河水库中选取了1000m×1000m的一片水域进行了实验。实验区域水下地形起伏大(深度介于3～45m之间)、风浪小等特点,较为符合文中的搜索策略要求。实验中的搜索目标选用尺寸不同的两个圆柱体,目标物1的尺寸为高1.6m、直径0.5m,目标物2为高3m、直径0.6m。两个目标物由第三方分别沉入实验区域内的不同位置。

按照本文的策略,首先利用侧扫声纳获得作业区域等深线数据,整理后导入Google Earth可得到等深线地图,如图8a所示。在此基础上,根据对目标可能存在点的外部信息进行梳理,作出作业区域的概率分布图。按照概率的大小将作业区域划分为三个不同优先级的区域,并与等深线地图叠加,如图8b所示,之后再确定理想间距d。根据现场情况,取理想间距d为5m。以5m为间距添加更多的等深线,以此作为ARV的搜索路径。

在搜索实验中,ARV依次在各优先级区域中作业,沿逐条等深线路径进行搜索,先后对两个目标物成功定位。实验表明了搜索策略对欠定位ARV在大起伏地形中小目标搜索问题的有效性[11]。

4 结语

本文提出一种欠定位ARV对大起伏地形中水底小目标的覆盖式搜索策略。在外部信息的支持下,按概率划分出优先级不同的子作业区。通过按等深线地图规划出的搜索路径,应用已有的深度、高度、航向传感器和等深线地图对欠定位ARV进行了导航。最后利用水下视频和前视声纳进行了人工目标识别。在水库的水下大起伏地形环境中进行了实验,取得预期的结果,证明了策略的有效性。

提出的搜索策略对欠定位ARV的水下目标搜索问题具有一定的工程意义。通过对非结构目标声纳识别技术的进一步研究,还可以逐步减少操作人员的介入,提高ARV在水下目标搜索上的智能程度。

参考文献

[1]Opderbecke J.At-sea Calibration of a USBL Un-derwater Vehicle Positioning System[C]//Oceans’97 MTS/IEEE Conference Proceed-ings.Halifax,1997:721-726.

[2]Jalving B,Gade K,Hagen O K.A Toolbox of AidingTechniques for the HUGIN AUV Integrated Iner-tial Navigation System[J].Modeling Identificationand Control,2004,25(3):173-190.

[3]Petres C,Pailhas Y,Patron P.Path Planning for Au-tonomous Underwater Vehicles[J].IEEE Transac-tions on Robotics,2007,23(2):331-341.

[4]徐玉如,姚耀中.考虑海流影响的水下机器人全局路径规划研究[J].中国造船,2008,46(4):109-114.Xu Yuru,Yao Yaozhong.Research on AUV GlobalPath Planning Considering Ocean Current[J].Ship-building of China,2008,46(4):109-114.

[5]Wang Hongjian,Xiong Wei.Research on Global PathPlanning Based on Ant Colony Optimization for AUV[J].Journal of Marine Science and Applica-tion,2009,1(8):58-64.

[6]徐筱龙,徐国华.OutLand1000水下机器人的视觉定位研究[J].中国机械工程,2010,21(11):1288-1292.Xu Xiaolong,Xu Guohua.Vision-based Localiza-tion of OutLand1000ROV[J].China Mechanical Engineering,2010,21(11):1288-1292.

[7]Lorenson A,Kraus D.3D-Sonar Image Formation and Shape Recognition Techniques[C]//OCEANS 2009-EUROPE.Bremen:2009:849-854.

[8]许枫,魏建江.第七讲侧扫声纳[J].物理,2006,35(12):1034-1037.Xu Feng,Wei Jianjiang.Side-scan Sonar[J].Phys-ics,2006,35(12):1034-1037.

[9]张燕,徐国华,徐筱龙,等.微型开架式水下机器人水动力系数测定[J].中国造船,2010,51(1):63-72.Zhang Yan,Xu Guohua,Xu Xiaolong,et al.Measur-ation of the Hydrodynamic Coefficients of the Mi-crominiature Open-shelf Underwater Vehicle[J].Shipbuilding of China,2010,51(1):63-72.

[10]王一童.前视扫描声纳的成像与目标特征提取[D].青岛:中国海洋大学,2009.

欠驱动机器人论文篇3

1体操机器人的动力学仿真

对机器人建模的方法很多, 但是大多利用拉格朗日方程。这里运用联立约束法[8]进行系统动态仿真, 与其他方法相比主要优点是对系统的运动无需任何假设, 并可以让双关节机器人的仿真要求只有一个输入参数, 即电动机所产生的力矩。本文利用矢量和动力学方程以及雅可比矩阵, 最终得到在笛卡尔坐标系下12个标量方程。

1.1矢量方程

利用雅可比矩阵, 可以推出相应的加速度方程为

然后确定两连杆质心处的加速度和节点变量之间

1.2动力学方程

第一根连杆推出的三个运动方程

第二根连杆推出的三个运动方程

其中, C12=cos (θ1+θ2) , S12=sin (θ1+θ2) 同样将其他形式省略为C1, S1。从上面12个方程, 如果将电动机的扭矩考虑在内, 就有12个未知量, 联立6个运动约束方程和6个动力学方程, 即可以得到一个12个未知量的线性方程组, 把这个矩阵方程嵌入到MAT-LAB函数中, 构造2连杆机器人Simulink仿真系统值得注意的是2个关节的轴承摩擦力的简单模型也要加入进去, 一般来说, 摩擦是阻止运动并且和速度有关的力或者力矩, 本文采用一种线性摩擦力模型, 即在模型中, 抵抗输入力矩与转速成正比。

2平衡控制器设计及研究

由于神经网络在系统辨识和动态系统控制中得到了非常成功的使用, 由于多层感知器网络具有全局逼近功能, 使得其在对非线性系统建模和对一般情况下的非线性控制器的实现等方面应用得比较普遍。对于双关节体操机器人这样复杂的系统, 运用传统的控制方法很难进行控制。使用神经网络反馈线性化控制方法, 可以去掉非线性, 把复杂的非线性系统变成现行系统进行控制和研究。

2.1反馈线化神经网络设计

设计反馈线性化控制器的第一步就是去辨识被控制系统。通过构建一个前向神经网络来表示实际被控系统。非线性自回归移动平均模型 (NARMA) 是一个一般的非线性系统标准模型, 表示为:

y (k+d) =N[y (k) , y (k-1) , …y (k-n+1) ,

u (k-1) , …, u (k-n-1) ] (13)

(13) 式中, u (k) 表示系统的输入, y (k) 表示系统的输出。第二步, 通过训练神经网络控制器对系统进行辨识, 在这个阶段, 训练神经网络使其近似于非线性函数。

如果希望系统输出跟随一些参考曲线y (k+d) =yτ (k+d) , 下一步有如下形式的非线性控制器:

u (k) =G[y (k) , y (k-1) , …, y (k-n+1) , yτ (k+d) ,

u (k-1) , …, u (k-1) , …, u (k-n+1) ] (14)

使用动态反馈, 且过程相当慢。改进后使用近似模型来代表系统, 改进的控制器是NARMA-L2近似模型, 模型如下:

undefined

该模型是并联形式, 下一个控制器输入u (k) 没有包含在非线性系统里。这种形式的优点是:能解决控制器输入使系统输出跟随参考曲线y (k+d) =yτ (k+d) 。最终的控制器形式如下:

undefined

直接使用该等式会引起实现问题, 因为基于y (k) 的同时必须同时得到u (k) 所以采用下述模型:

y (k+d) =f[y (k) , …, y (k-n+1) , u (k) , …, u (k-n+1) ]+

g[y (k) , …, y (k-n+1) , u (k) , …, u (k-n+1) ]×

u (k-1) (17)

(17) 式中d≥2。

利用NARMA-L2模型, 可以得到如下的控制器。

undefined

(18) 式中d≥2。

2.2设计仿真及结果分析

利用体操机器人的模型及反馈线性化控制器模型设计系统仿真, Simulink仿真框图如图2所示其中twolinkrobot为双关节体操机器人的仿真系统, 输入是电动机的力矩M2, 输出是角度θ1, θ2, 角速度α1, α2。S函数M2为模型参考输入, 输入是θ2, 输出是M2, 编写M函数:使得M2 初始值为0, 当θ2偏离值为正时, 负向微调M2;相反, 如果θ2偏离值为负时, 正向微调M2 。NARMA-L2为设计的反馈线性化神经网络控制器, 具体设计结构为:1) 考虑体操机器人的复杂性, 神经网络第一层神经元数目为9个神经元;2) 考虑实际系统控制中的延迟, 取输入延迟为0.01 s, 输出延迟在0.01 s。根据平衡点的分析, 输入数据限制在-1.2-1.2之间, 输出数据在0～inf之间;3) 训练函数选用trainlm, 其为采用了LM算法的训练函数, LM算法是为了训练中等规模的前馈神经网络而提出的最快速算法, 它对MATLAB实现也是相当有效的, 因为其矩阵的计算在MATLAB中是以函数实现的, 其属性在设置时变得非常明确。为了让神经网络更好的逼近实际系统的非线性模型, 训练步长为100次, 训练次数1 000次。

设定在平衡点附近的初始值为θ2 (两个连杆之间的夹角) 为0.01, θ1 (第一个连杆在笛卡儿坐标下的角度) 为1.571, M1 为0 N·M, M2为0 N·M。在仿真前需要先训练网络, 使用随机信号发生器对系统进行辨识, 产生随机数据如图4, 由训练结果图3可以看出, 训练误差达到10-7精度, 精度完全满足要求, 控制器f () 和g () 两个部分的网络参数在辨识中产生, 不需要重新训练网络, 只要将数据导入到控制器模块即可。然后进行仿真, 得到仿真结果。

3结语

本文讨论了体操机器人这一非线性系统基于神经网络控制的问题。主要从仿真试验的角度来对体操机器人进行分析和研究, 仿真的结果也表明用联立约束法设计的仿真模型能够满足仿真要求, 从另一个途径实现了对体操机器人数学建模, 并且设计的神经网络控制器能够使机器人在不平衡位置到达很好的收敛域和较强的平衡范围, 为以后研究提供了新的建模方法和研究途径。

摘要：运用神经网络设计体操机器人欠驱动机械系统的平衡控制器。首先利用联立约束法和矢量环对两关节体操机器人进行数学建模, 然后用反馈线性化理论将这个非线性系统线性化, 最后结合神经网络来设计平衡控制器。仿真结果表明, 神经网络控制可以有效地使系统在垂直向上位置附近到达平衡稳定状态, 从而实现了此类欠驱动系统基于神经网络的控制。

关键词：双关节体操机器人,联立约束法,神经网络,反馈线性化

参考文献

[1]Song MW.The Swing up control of robot manipulations.IEEE Trans on the Automatic Control, 1992;37 (11) :1782—1786

[2]Spong M W.The Swing up control problem for the Acrobot.IEEE Control System Magazine, 1995;15 (1) :49—55

[3]Lai X Z, She J H, Cai Z X.Fuzzy control strategy for Acrobots conm-bining model-based control.IEEE Proceedings Control Theory and Applications, 1999, 146 (6) :505—510

[4]郑艳, 朱媛, 井元伟.一类欠驱动机械系统基于滑模变结构控制.东北大学学报, 2005;26 (6) :511—514

[5]郑艳, 井元伟.Acrobot系统基于滑模的离散时间变结构控制.东北大学学报, 2006;27 (6) :591—594

[6]赖旭芝, 蔡自兴, 吴敏.一类欠驱动系统的模糊与变结构控制.自动化学报, 2001;27 (6) :850—854

[7]郑艳, 郑秀萍, 褚俊霞, 等.基于T-S模型的体操机器人系统模糊变结构控制.控制与决策, 2006;21 (1) :34—37

欠驱动机器人论文篇4

机器人智能作业的关键技术之一是软抓取即无损伤抓取。通常情况下,机械手任务是抓取和操作,控制夹持力来防止目标物体与机械手之间发生相对滑动和形变。至今为止由于其系统是非线性[1,2],机构方面未能突破难题。在上述研究中,机械手与环境的交互通过传感器系统来实现无损伤抓取。

触觉传感器是接触式传感器典型的代表,其集成接触觉和力觉传感器,具有成本低、响应快等特性,适合于机器人传感系统。本研究提出一种结构简单、体积小,易集成的聚偏二氟乙烯(PVDF)压电式传感器[3]。

1 系统总体方案

在机器人领域里,机械手完成精细、复杂作业任务,应具有决策权,自动适应环境,稳定抓取对象。但是,获得机器人与对象、环境相互作用时的一系列物理特征具有重要意义,比如,抓取对象的体积、外形、机械手与对象相互作用的摩擦系数。机械手具备触觉信息,并能在环境中采集相关参数,进行复杂操控任务[4,5,6]。系统实验装置,如图1所示。其主要由欠驱动多指手、直流无刷电机、Copley控制器、滑触觉传感系统4部分组成。

2 机械本体—欠驱动多指手

理想机械手设计应具备以下特点:(1)简化机器人整体系统的组装;(2)提高整体系统的可靠性和稳定性;(3)降低整体系统应用成本[7,8,9]。

本研究应用欠驱动多指手作为机器人与外界环境交互的夹持器。欠驱动多指手是由3只手指、手掌、手指旋转机构、驱动系统等构成,如图2所示。手指(1)通过耦合连杆(4)与丝杠(6)联接,手指旋转机构(5)能够改变手指方位。包括手指位置旋转自由度在内,该多指手共有11个自由度。3个手指呈120°均匀分布在手掌上,一只手指固定,其他二指可自由旋转并且辅助前面的一指完成各种抓取任务。每个手指的三指节之间集成欠驱动机构,均由包络抓取机构和精确捏取机构组成。包络抓取机构(3)采用两套串联的四连杆机构,并且与移动板(7)耦合,驱动三手指的张开和合拢;精确捏取机构(2)采用两套串联的平行四边形连杆机构,用于保持手指末端的姿态。通过手指旋转机构实现包络抓取与精确捏取两种不同抓取方式之间的转换。手指之间应用欠驱动的目的是简化系统机构,本研究采用直流无刷电机(8)驱动三手指运动。

1—手指;2—精确捏取机构;3—包络抓取机构;4—耦合连杆;5—手指旋转机构;6—丝杆;7—移动板;8—直流无刷电机;9—滑触觉传感器;10—手掌

本研究在欠驱动多指手末端指节安装传感器(9),做成30 mm×12 mm的平面,并且在传感器与手指之间加上一层绝缘橡胶表皮保护层,以免造成对传感器的损坏。

3 滑触觉传感器设计

滑触觉传感器设计由滑触觉传感器、电荷转换、低通滤波、工频陷波、输出放大、Copley控制器组成,如图3所示。

3.1 PVDF压电传感器

本研究研制出集触觉和滑觉与一体的复合传感器,传感器采用高分子压电材料PVDF作为敏感元件,具有信号无明显滞后现象,频率响应范围广,灵敏度比一般压电材料高等特征。

压电是电介质与力学性质的耦合,沿一定方向在PVDF压电膜表面施加力而使之变形,其内部产生极化现象,同时它的两个表面上产生等量异号电荷;当外力去掉后,恢复不带电状态。在压电弹性变形范围内,电荷密度与作用力之间的关系是线性的,可用以下方程式表达:

式中:A3—压电薄膜表面积,d33—其厚度方向上的压电应力常数,σ3—薄膜承受的应力。

PVDF压电传感器由PVDF薄膜和铜片用空心小铆钉铆接而成,引出正负电极,PVDF压电传感器用绝缘橡胶表皮封装,如图4所示。

1—绝缘橡胶表皮保护层;2—铜片;3—PVDF薄膜

3.2 调理放大电路

新型触觉传感器在机器人末端执行器实现无损抓取具有重要意义,但是传感器输出微弱信号和内部高阻抗等因素,因此设计PVDF压电传感器前置放大处理电路应满足以下条件:(1)将微弱电荷信号转化为电压信号;(2)将传感器的高阻抗输出变换为低阻抗输出;(3)将电压信号进行放大[10]。调理放大器电路主要由电荷转换电路、低通滤波电路、工频陷波电路、放大输出电路组成。

3.2.1 电荷转换

PVDF压电传感器具有压电效应,故可以把传感器等效成静电荷发生器或一种特殊的电容器。压电传感器测试中,电荷放大器是一种必不可少的信号处理电路,这部分的作用是将压电传感器的输出电荷信号Q转换成电压信号U,同时与PVDF传感器阻抗相匹配,实现阻抗变换,如图5所示。电荷转换电路为第1级,由AD544L电荷电压转换运算放大器、反馈电容C1和反馈电阻R1组成。本研究假设PVDF压电应变常数21×10-12 C/N,以及R1负载电阻为无穷大,加单位力于传感器,经采集的信息传递给电荷转化电路,计算出V01点理论电压:

根据式(3)得,通过调整反馈电容大小实现AD544L运放输出灵敏度值的改变,权衡以下因素:噪声、下限频率、漂移和泄漏现象,本研究选择了比较合适的反馈电容C1值。反馈电容和反馈电阻共同决定电荷放大器的下限频率:

第3级的电压放大电路主要由一个最基本的负反馈反相放大器OP07构成,其增益为:

Rp1是最大阻值为100 kΩ的可调电阻,其闭环增益A=-1~-2,因此,放大电路输出的电压信号放大倍数是可以通过改变Rp1的阻值来调节,以便提供不同的增益。加单位力于传感器,V02点输出最大电压为0.042 V。其中R4+Rp1值不能太大,否则会产生较大的噪声及漂移等干扰。

3.2.2 滤波电路

由于欠驱动多指手进行抓取动作触发传感器产生触觉、滑动信号,其频率一般在0~100 Hz之间。

第3级由LM358运算放大器和RC元件可以构成双T形有源陷波器,如图6所示,双T形电路形式上对称,由3个电阻和3个电容组成,其参数为R5=R6=2R7,R4=R5=0.5R6,陷波频率为50 Hz。

第4级为2阶低通滤波电路,如图7所示,其参数设计必须满足:R8=R9,C7=C8。,由基尔霍夫定律回路原理得:

根据式(6)可以得到低通滤波器截止频率:

经过滤波电路的信号放大了4倍。

3.2.3 放大兼输出

放大输出如图8所示,增益为:

整个前置对传感器信号放大了40倍,为了有效去除噪声,需要用屏蔽线来传输信号,这样明显降低了传输信号的损耗,同时避免了外部无效信号的干扰。

本研究根据上述硬件进行了测试,当物体接触滑触觉传感器后,PVDF触觉传感器发出阶跃信号,如图9所示,若物体与传感器之间有相对滑动,PVDF触滑觉传感器会产生交变电压信号,如图10所示。

4 实验与分析

欠驱动多指手对苹果进行精确捏取和包络抓取,如图11和图12所示。由实验可知,机械振动、交流电源的工频和电磁波高频信号干扰、调理电路放大倍数等对PVDF触滑觉传感器信号采集造成影响,导致机械手误操作,因此必须对实验装置进行接地以提高系统的抗干扰能力以及提高电机与丝杆同轴精度,实现无伤抓取。

5 结束语

本研究介绍了PVDF压电传感器原理和硬件的实现,并在试验平台上进行了果蔬抓取实验。欠驱动多指手滑触觉系统具有结构简单、实现方便,可靠性高等优点,且具有较好的实用价值,并为进一步研究及实现果蔬采摘机器人全自动化打下基础。

参考文献

[1]OTTAVIANO E,TOTI M,CECCARELLI M.Grasp ForceControl in Two-finger Grippers with Pneumatic Actuation[C]//IEEE International Conference on Robotics and Au-tomation,2000:1976-1981.

[2]BICCHI A,KUMAR V.Robotic Grasping and Contact:A Re-view[C]//IEEE International Conference on Robotics andAutomation,2000:348-353.

[3]YUJI J,SONODA C.A PVDF Tactile Sensor for Static Con-tact Forceand Contact Temperature[C]//IEEE Sensors,2006:738-741.

[4]SOLIMAN A M,ZAKI A M.A Robotic Gripper Based onAdvanced System Set-up and Fuzzy Control Algorithm[C]//IEEE International Conference on Robotics and AutomationLogistics,2009:1-6.

[5]ZAKI A M,SOLIMAN A M.Design and Implementation ofEfficient Intelligent Robotic Gripper[C]//Proceedings of the2010 International Conference on Modelling,Identificationand Control,2010:710-716.

[6]CHOI B,LEE S.Development of Anthropomorphic RobotHand with Tactile Sensor:SKKU Hand I[I C]//IEEE Interna-tional Conference on Robotics and Systems,2006:3779-3784.

[7]BROWN R G,BROST R C.A 3-d Modular Gripper DesignTool[C]//IEEE International Conference on Robotics andAutomation Proceedings,1997:2332-2339.

[8]MONKMAN G J,HESSE S,STEINMANN R,et al.RobotGrippers[M].Wiley-VCH,2007.

[9]MARTELL S J W,GINI G.Robotic hands:design rreview andproposal of new design process[J].Engineering and Tech-nology,2007(20):85-90.

清扫机器人移动驱动机构的研究篇5

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.

竞赛机器人驱动控制系统分析篇6

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7

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.

【欠驱动机器人论文】推荐阅读：

四轮驱动移动机器人07-14

单轴机器人驱动器设计07-14

研究驱动论文06-11

驱动设计论文06-19

驱动故障论文12-03