关键词： Stewart并联平台   逆动力学控制   鲁棒控制   导纳控制   分数阶控制  

摘要： 在中国制造2025和工业4.0的产业政策影响下,我国制造业的产能日益增长,产业自动化的需求也愈发迫切,可移动式的装配机器人工作空间大、柔性高,更符合现代工厂的应用需求。在当前的工业装配领域,串联关节式机器人的应用极为广泛。这类机器人以其灵活性和适应性著称,但它们通常存在一个显著的局限性:其承载能力相对较弱。因此,串联关节式机器人主要适用于轻型或小型工件的精密组装作业。相较之下,并联机器人则展现出一系列互补的优势:这类机器人能够轻松承担较重的负载,使其在处理大型或重型组件时显得更为得心应手。其结构特性和性能优势使其在工业装配领域,特别是对于要求高负载能力和高精度定位的应用场合,成为一个极具吸引力的选择。因此研究并联机器人适用于各种应用场景下的控制方案具有极其重要的意义。本文以经典的Stewart并联机器人为主体搭建了实验平台,设计了可以用于实现高柔顺性、高实时性的分数阶可变阻尼导纳控制(FVDAC)以及基于Stewart并联平台逆动力学的鲁棒控制。对该控制系统进行了对应的仿真,同时也进行了上述两种控制方案实际效果的实验验证。最后还进行了舱段对接的实验,验证了所提方法在实际应用场景中的可行性。本文的主要研究内容如下: (1)对Stewart并联平台进行了精确的运动学建模,利用数值迭代法完成了正运动学的解算,同时利用了其与逆运动学的互逆性,进行了正运动学求解的验证。 (2)利用Newton-Euler法对Stewart并联平台进行了动力学建模,为实现精确建模,对并联平台进行了细致的拆分,分别对电动缸的伸缩杆、缸筒以及动平台建立动力学模型,最后建立整体的多刚体动力学,并进行了仿真与实验验证。同时在逆动力学控制的基础之上引入了鲁棒性成分,通过实验验证了该方法可以极大的提高对Stewart平台的控制稳定性。 (3)在传统的导纳控制基础之上,引入了分数阶控制以及变阻尼矩阵,实现了Stewart并联平台的高实时性、高柔顺性的主动柔顺控制,并对所提的改进方案进行了实验验证。 (4)利用实现的主动柔顺控制进行了并联机器人人机协作式的舱段对接实验,证明了所提方法在实际应用场景下的可行性与有效性。

关键词： 机械臂   柔顺控制   有限/固定时间稳定性   轨迹跟踪   模糊自适应控制  

摘要： 近年来,机械臂在复杂环境中执行较为困难的接触式任务时,仅依赖单一的位置控制已无法满足机械臂的柔顺控制需求。因为当机械臂与外部环境接触时会产生接触力,接触力太大会影响机械臂的柔顺性和稳定性;而接触力过小则会导致机械臂无法顺利完成预期任务。因此,机械臂需要在确保自身拥有足够柔顺性和稳定性的同时顺利完成任务,阻抗控制和轨迹跟踪控制则是实现这一目标的关键。轨迹跟踪控制可以让机械臂精确完成给定任务,而阻抗控制则可以根据接触力的大小对机械臂进行位置控制,使机械臂做出柔顺动作,从而提高机械臂的柔顺性。 此外,复杂的工作环境中存在着各种干扰,在这些干扰的影响下,会使机械臂控制系统出现跟踪精度低、收敛速度慢等问题,这些问题的研究对机械臂柔顺控制的发展至关重要。因此,本文以柔顺控制策略中的阻抗控制为基础,结合有限/固定时间控制理论,对机械臂的轨迹跟踪进行研究,主要研究内容如下: (1)以双连杆工业机械臂为研究对象,建立基于改进型DH参数法的运动学模型,并对机械臂的正运动学和逆运动学进行了详细推导,使用MATLAB中的机器人工具箱(Robotic Toolbox)对机械臂进行了运动学建模,以检验用DH参数法建立的机械臂运动学模型的准确性,并验证了机械臂正运动学和逆运动学推导结果的正确性,最后分别采用数值法和Monte Carl法对机械臂工作空间进行可视化仿真分析,为后续柔顺控制研究提供基础。 (2)针对机械臂在复杂环境中进行柔顺控制时存在未知扰动影响导致跟踪精度差、柔顺性低的问题,提出了基于实际有限时间的双幂次滑模阻抗控制方案。首先,建立带有未知干扰项的机械臂动力学模型,并将机械臂动力学进行空间转换。然后引入滑模控制,提高系统响应速度,并结合阻抗控制和双幂次函数设计了双幂次滑模阻抗来控制机械臂末端的运动轨迹,将接触力转化为位置控制,提高了机械臂系统的跟踪精度和柔顺性。接着设计了Lyapunov函数证明系统是实际有限时间稳定。通过仿真对比实例,对所设计的控制方案进行了仿真验证,结果证明了控制方案的有效性。 (3)针对机械臂在受到关节摩擦等不确定因素影响下导致柔顺控制时跟踪误差高、系统收敛慢等问题,设计了一种基于模糊自适应滑模算法的固定时间机械臂阻抗控制方案,该控制方案首先建立了含有关节摩擦等不确定因素影响的机械臂动力学方程,并对关节摩擦力和其他不确定因素等非线性项进行补偿。通过模糊自适应控制对机械臂轨迹运动进行实时轨迹调整以提高控制精度。结合滑模控制,加快系统柔顺控制的响应时间和提高系统的鲁棒性,然后将阻抗控制、模糊自适应控制和滑模控制组成复合控制方案,并设计合适的Lyapunov函数,证明了系统是实际固定时间稳定。最后的仿真实例和对比实验表明,该柔顺控制策略能有效提高机械臂柔顺性以及鲁棒性。

关键词： 超声机器人   柔顺控制系统   自主交互   安全约束  

摘要： 医学超声是一种重要的成像工具和应用最多的医学成像方式，与其他医学成像模式相比，超声具有电离辐射低、效率高、可用性强和实时成像的优点，在医学学科中被广泛使用。然而，超声扫描的操作并不标准化，需要极为熟练的医师来操作，这需要极大的人力成本，另一方面，超声扫描医师在进行超声扫描时所带来的身体负担与感染风险也是超声应用的一大痛点。为了解决这些问题，近年来已经出现了大量的机器人辅助医疗超声成像系统（RMUIS），它使用机器人移动超声探头，有望减少超声医师的身体和认知负担，提高超声扫描的质量，产生更标准化的成像结果。但尽管RMUIS有了蓬勃的发展，真正用于临床的成果依然很少，自主RMUIS的安全性、有效性和自主性不足仍然是目前阻碍自主RMUIS在更实际的医疗场景中应用的主要挑战。为此，研发一种有效、舒适、安全且易用的自主医疗超声成像系统来帮助医生进行超声扫描，具有极大的临床价值和现实应用意义。本文便是以自主超声机器人为研究对象，进行了视觉引导、自主获取超声图像、安全约束等三个方面的工作。　　首先，视觉引导部分使用了英特尔的Realsense深度相机来获取图像信息;为了自主获得待扫描区域坐标，使用HSV颜色空间法进行了人体皮肤分割实验，成功获得了人体待扫描位置;针对常用的棋盘格标定方法的遮挡问题与ArUco标定的角点位置准确性不高的问题，将二者结合了起来，生成了ChArUco标定板，并使用ChArUco标定板做了手眼标定实验，得到了机器人基坐标系与相机坐标系的转换矩阵，并采集了10组数据验证了转换矩阵的有效性;最后进行了视觉引导实验，相机获取的位置信息通过转换矩阵成功转换到机器人基坐标系之下，成功引导了机械臂将超声探头放置到指定的位置。　　其次，自主获取超声图像部分为了克服人体环境的不确定性，设计了一种与模型参数无关的自适应最优阻抗控制算法，并使用一个二连杆机械臂模型进行了仿真实验，验证了自适应最优阻抗控制算法的有效性;随后基于自适应最优阻抗控制算法设计了一种基于超声置信度的自适应最优阻抗控制算法，用以获取高质量的超声图像并保证接触力的最优稳定。最后设计了人体手臂按压实验，实验使用普通的阻抗控制与本算法分别对手臂进行按压，并观察按压过程中的接触力与图像置信度情况。该对比实验显示，本算法相较于普通的阻抗控制能够获取更高置信度的超声图像，并且能够保证接触力的最小且稳定，验证了算法的有效性。　　最后，针对超声扫描过程中的安全问题，基于端口哈密顿系统与能量罐理论，设计了一种安全约束控制器。该控制器能够实时监测机器人各个关节的能量变化情况，实时调整机器人的运动策略，以防止对人或者周围环境造成破坏。设计了碰撞检测实验，机器人在运动过程中实验者会去碰撞机器人，并观察机器人的反应。实验结果表明，当机器人碰撞到障碍物时，相应关节的能量罐储量会出现剧烈变化，当能量罐储量超出边界条件时，机器人能够马上停止并进入柔顺模式，验证了算法的有效性。

关键词： 多位姿下肢康复机器人   轨迹规划   重力补偿   柔顺控制  

摘要： 当今社会因脑中风和脊髓损伤导致的下肢运动功能障碍的人数激增,为有效促进患者受伤后康复训练,市面上先后出现多种不同功能的下肢康复机器人,随着生活水平提高,患者对于康复质量需求提升,具有柔顺控制策略的下肢康复机器人成为热点。基于所研发的多位姿端部牵引式下肢康复机器人,开展多位姿康复训练轨迹规划、人机交互模块及人体下肢重力补偿和基于变结构的柔顺控制策略,并通过相关的仿真与实验对研究成果的正确性进行了验证。具体进行了以下工作: 首先,基于下肢康复机器人运动学分析,针对不同康复运动模式对下肢康复机器人的康复训练轨迹规划。在下肢康复机器人的可操作空间内,针对坐、躺及站姿分别进行了针对性的康复训练轨迹规划,其中包括PHF(平行屈髋)及SLR(直腿抬升)训练轨迹、圆周轨迹及扇形运动轨迹。 其次,利用传感器标定对力信息进行初步校准,随后针对“零点”及末端重力干扰问题,推导出一种重力补偿算法。通过力学分析求出康复训练中人机交互力来实时抵消,使得六维力传感器采集的数据更为准确。 再次,受限于多位姿下肢康复机器人受到的系统未建模动态误差及环境干扰的问题,对比比例-微分控制的不足,提出了基于重力补偿的变结构滑膜鲁棒控制,并通过控制系统仿真验证所提的滑膜鲁棒控制的鲁棒性与柔顺性。 最后,利用C#.NET的winform设计人机交互界面,在现有样机基础上展开重力补偿实验及主动柔顺控制策略验证实验并对实验结果进行分析。

关键词： 气动柔顺打磨   迟滞建模   逆迟滞补偿   高阶滑模控制   自适应动态面控制   自适应事件触发控制  

摘要： 随着我国装备制造业水平的不断发展与提高,打磨抛光作为一道不可或缺的工序,对制造装备的外观质量与使用性能有重要影响。传统人工打磨抛光作业效率较低,一致性差,无法满足高端装备的制造需求。自动化打磨方式不仅能够提升效率,减少人力成本,同时也能够保证作业精度,因此,其广泛应用于当前规模化、产业化的一线生产制造场景。气动系统由于柔顺性较好,常用作自动化打磨的末端接触装置,针对其进行有源闭环控制可以在保证打磨力精度的同时,赋予接触作业一定的交互柔顺性。然而,气动柔顺打磨装置受摩擦力、空气阻力及自身制造工艺的影响会存在迟滞、死区、振动等非线性特性,这提升了其建模复杂度与精准控制难度。 考虑到上述实际问题,本文通过分析当前气动柔顺打磨领域的研究现状,针对气动柔顺打磨装置的迟滞建模与智能化控制方法进行探究,并开展三项具有理论与实际应用价值的工作,本文工作的主要贡献总结如下: 1)考虑外界扰动的高阶滑模控制方法。针对气动柔顺打磨装置存在的“气压-末端接触力”迟滞特性,本文使用一种改进切换Prandtl-Ishlinskii迟滞模型对其进行拟合,同时使用闭环积分逆补偿方法获取期望的气压信号。为了降低被控系统的建模复杂度,使用了一种“迟滞逆求解+控制”框架,将气动柔顺打磨装置的迟滞特性分离到闭环控制系统之外。进一步地,虽然传统滑模控制具有较强的鲁棒性,但其存在的不连续项会使控制量存在抖振问题,影响实际应用。因此,本文使用了一种高阶滑模控制方法,针对控制器导数开展设计工作,积分后获得控制输入。同时,在控制器中加入扰动估计,提升系统的抗干扰能力。最后,利用李雅普诺夫方法证明了跟踪误差的收敛性,并通过两组仿真,分别验证了所提方法的跟踪及抗干扰性能。 2)考虑传感器测量误差的自适应动态面控制方法。为了进一步提升气动柔顺打磨装置迟滞特性的建模效果,本文采用带有斜率项的不对称PrandtlIshlinskii算子进行迟滞建模,并使用逆乘法结构进行迟滞逆求解。考虑到打磨装置常常处于高温、高湿、高振动的生产环境,其传感器可能出现精度下降的情况。为此,本文在控制器设计过程中添加了一阶惯性环节降低求导难度,同时设计了虚拟控制律和一组自适应律来保证系统稳定性。结合李雅普诺夫分析方法,证明了即使使用传感器测量误差信号,闭环系统的跟踪误差也能收敛到原点附近的邻域。为验证所提方法的有效性,在所搭建的气动柔顺打磨实验平台上完成了三组针对不同打磨场景的实验。 3)考虑未建模动态的自适应神经网络事件触发控制方法。考虑到解析求解逆迟滞精度最高,本文在不对称Prandtl-Ishlinskii模型中引入了多项式项与PI算子提升建模与求逆精度。之后,为了处理实际系统与数学模型之间的未知动态,本文在动态面控制的基础上引入了神经网络结构,用于估计并实时补偿系统未建模动态。接下来,考虑到实际工业生产中的通信资源有限问题,设计了一种相对阈值事件触发机制用于降低通信负载,并通过李雅普诺夫方法证明了闭环系统的稳定性。最后,在实验平台上进行两组实验,实现了跟踪与节约通信资源的控制目标,从理论与实际给予所提方法双重保证。

关键词： 深度强化学习   机械臂   柔顺控制   恒力跟踪  

摘要： 随着机器人技术与医疗领域结合的不断深入,医疗辅助机器人逐渐成为提高医疗服务质量和效率的重要手段。人机交互的柔顺性是医疗机器人与身体接触时的首要目标,其自适应调整力度和动作的能力可以确保接触过程中的安全性与舒适性。然而,由于人体形态的差异性以及环境变化的不可预测性,在面对与人接触或应对复杂多变的动态环境时,医疗机器人的柔顺控制面临着诸多挑战。近年来,深度强化学习凭借其出色的学习和决策能力,成为机器人控制领域的重要技术手段。因此,本文针对医疗康复按摩机器人的柔顺控制展开研究,利用深度强化学习算法提高机械臂在复杂动态场景中的适应性、鲁棒性和自我优化能力。基于上述内容,本文主要研究内容如下: (1)针对背部康复按摩场景中的全覆盖按摩路径下力交互问题,本文提出了一种基于SAC算法的机械臂柔顺控制方法。首先,根据任务需求搭建了一个机械臂按摩背部的仿真场景,并根据按摩特点设计了覆盖背部全身的按摩路径。其次,为了提高机械臂柔顺按摩的控制策略,将该任务建模为深度强化学习中的马尔可夫决策过程,根据具体任务设计状态空间、动作空间及最优奖励函数。最后,引入了SAC算法完成静态场景下按摩的训练过程,通过实验证明机械臂可以在预定的路径下移动按摩的同时,能够与身体仿真模块间保持恒定的接触力,力误差在0.1N以内。 (2)针对动态场景下控制机械臂完成背部康复按摩的问题,本文提出了一种基于SAC算法的机械臂柔顺控制方法。考虑到实际按摩中人体的呼吸活动会导致背部产生上下微小起伏的动态变化,在上一研究内容的基础上搭建动态周期性变化的背部按摩仿真场景。针对该特定场景的具体要求,优化了状态空间和奖励函数的设计。在动态场景下的按摩任务利用SAC算法对机械臂进行训练,实验证明了机械臂末端能够实时恒力跟踪仿真模块的动态变化,很好地实现了动态场景下与身体仿真模块间的恒定接触力,力误差在0.1N以内。 (3)针对实际按摩中因环境变化等导致的不确定性问题,本文提出了一种结合PID前馈补偿与SAC算法的机械臂控制方法,该方法较好地实现动态不确定性场景下的机械臂柔顺控制。根据任务的实际需求,在周期性变化的动态场景基础上增加扰动因素来模拟环境和系统的不确定性。在深度强化学习的框架下,利用PID控制算法补偿人机交互中由于不确定性导致的控制输入偏差,从而降低环境扰动所带来的影响。经过实验验证,机械臂能够在有环境扰动的动态场景下实现与身体仿真模块较稳定的接触力,力误差在0.3N以内,提高了在环境扰动中机械臂按摩的适应能力。 本文所提出的机械臂柔顺控制策略在Pybullet仿真平台完成训练,并在仿真环境中进行了大量测试。通过对泛化实验和对比实验结果的分析,最终证实了所提出方法的有效性与鲁棒性。

关键词： 轴孔装配   柔顺控制   强化学习   多模态表征   操作技能学习  

摘要： 零部件装配是工业生产的基础工序和关键环节,直接影响着生产效率和产品质量。在机器人装配领域,研究人员已经取得大量成果,尤其是在结构化环境下的机器人自主装配技术已十分成熟,被广泛应用于工业生产过程,以替代人类完成重复性装配作业,从而提高生产效率并保证产品质量的一致性。然而,在面对未知环境或动态变化的复杂装配场景时,轴孔位姿偏差的不确定性会严重影响操作策略的实际应用效果[1]。此外,实际生产过程中,装配对象的形状复杂多样,且受到环境噪声和机器人感知能力不足的影响,机器人的泛化装配操作仍是一大挑战[2]。面向多形状轴孔装配任务,针对存在位姿偏差的不确定性环境,本文研究探讨稳定的接触交互控制问题和泛化的操作技能学习问题,提出了一个融合视觉-触觉信息的机器人轴孔装配策略,以获得稳定性更好、泛化性更强的操作策略,从而完成不确定性复杂操作环境下的装配任务。本文重点开展以下研究工作: （1）针对轴孔装配任务展开机理分析,以研究装配过程的复杂接触状态和运动控制逻辑。建立了机器人与环境的接触交互模型以及环境动力学模型,并详细分析不同接触状态下机器人的动态响应过程,以明确机器人控制目标。在此基础上,结合轴孔装配任务特点,采用导纳模型设计了一个面向装配过程的柔顺控制器,并完成了控制器参数的仿真分析和参数整定,以确保操作任务的安全性和稳定性。 （2）针对存在位姿偏差的不确定性装配场景,提出了一个基于参数辨识的可变柔顺控制框架,可以采用不同强化学习算法实现离散和连续取值情况下的刚度参数辨识,提高柔顺控制器对环境的适应性。此外,设计了一个双层模糊奖励机制以解决强化学习算法的奖励函数建模难题,有效地引导算法学习训练,从而获得一个最优辨识策略。在真实机器人平台上开展了面向插孔过程的装配实验,以验证基于强化学习的柔顺装配策略的有效性。 （3）面向存在较大位姿偏差和多种轴孔类型的不确定性复杂装配场景,采用RGB图像、深度图像、接触力信息和位姿信息4种模态数据作为环境反馈数据,并提出一种基于自编码器的视触觉融合网络来处理不同模态数据输入,以增强机器人对环境的感知理解能力。在此基础上,提出一个基于多模态表征和SAC（Soft Actor-Critic）算法的装配技能学习策略,将多模态表征作为强化学习算法输入状态,直接学习装配过程中机器人的动作调整策略,从而获得一个鲁棒性和泛化性更强的机器人装配技能。在仿真环境下完成了策略调试和训练,并开展装配测试以验证所提策略的有效性。此外,在不同初始位置和不同轴孔类型的装配场景下验证了多模态装配技能的泛化能力。