1.背景介绍 目前已经广泛落地的力控制方案是在机械臂末端安装多轴力矩传感器,用以检测机械臂对外界环境施加的力反馈值,并配合适当的控制策略,已达到控制机械臂与环境的作用力。 这篇文章所要探讨的力控制(上述力控制方案)与位置控制的区别,是要从控制的原理上探究其区别,而不是表面上看这两者的区别。我们先来看看什么是现代控制理论。 2.控制的一般性流程 基于拉式变换与传递函数的经典控制理论在
机械臂的力控制在机器人打磨、装配等领域愈来愈成为刚需。对于力控制的分类方法有多种多样。这里从整体实现方案上来讨论两种力控方案:整臂力控与末端力控。 桂凯:机器人力控制概述 1. 整臂力控 在机械臂末端安装力传感器,控制器通过力传感器检测机械臂与外界环境的接触力,并改变各个关节的出力与位置,来达到调整机械臂与末端环境接触力的目的。 整臂力控制方案 整体控制思路很自然,与人的行为模式
1.背景 一提到机器人动力学大家往往首先想到的是机器人关节力矩与关机运动间的关系。 桂凯:机器人动力学方程的四种形式 其实不然,牛顿-欧拉方程可以描述的是每个关节的六维力/力矩(Fx,Fy,Fz,Mx,My,Mz)与关节运动的关系,而机器人关节力矩与关节运动本质上只是Mz与关节运动间的关系。 因此,机器人完整的动力学是每个关节处六维力与关节运动间的关系。我们要获取完整的机器人动力学特性
1.背景介绍 机械臂在与外界环境或用户发生物理力交互时,需要表现出较好的柔顺性,以防止产生过大的碰撞力伤害用户、工件甚至机械臂本身。这就需要机械臂需要有良好的力控制功能。本文总结下目前机械臂在不加外界力传感器下所实现的一种类似力控制的功能——软浮动(soft move, soft servo)。 2.软浮动介绍 将机械臂应用于机床的上下料中,当机械臂把工件运动到机床的卡盘位置并停止,卡盘开始
1.背景介绍 在之前的一篇文章中,我们从力检测方式与力控制理论两个角度探讨了力控制的发展历史。力控制理论相对完善,而在交互力检测的方式上面却存在很大差别。目前实际中最常用的两种方式是关节式单轴力矩传感器和末端式六轴力矩传感器。本文主要分析这两种方式的利弊。 2.末端式六轴 这是现今最广泛的一种方式。四大家族的机器人带有各自的力控制包,其实现的基础也是在机械臂的末端安装有六轴/三轴力传感器。这
有了前面机器人动力学建模(机器人动力学方程的四种形式)和最小惯性参数集(机器人最小惯性参数集)的基础,明白了离散系统辨识与连续系统辨识的区别,接下来我们就可以开始做动力学参数辨识的工作了。 采用的方法是大家最熟悉的最小二乘法:通过采集N组数据,记录关节位置与力矩,带入到基于最小惯性参数集的动力学方程中,由于Yr'*Yr是满秩的,即可以算出动力学参数向量pr 动力学参数辨识的算法看起来是很容
1.前言 机器人传统的位置控制主要还是基于三环PID反馈控制来实现的。这种策略的优势是操作员不需要对系统进行建模,仅通过参数调节即可获取优异的位置追踪响应性能,且PID控制器鲁棒性好,抗干扰能力强。因此目前这种三环串级式PID控制器成为机器人乃至整个自动化领域的主流选择。遗憾的事,我们无法从理论上严格证明PID控制器的稳定性,只是它好用,所以我们一直用它。 2.动力学前馈 控制理论本
问渠那得清如许 四大机器人公司(发那科,ABB,安川和库卡)的服务对象集中在工业界。他们生产的机器人往往都是庞然大物,锋芒毕露,让人远观而心畏,更别说近距离去接触它们。而工厂中机器伤人的事件也屡见不鲜。原因主要在于这类机器人一般是基于位置控制,它们严格按照预定的轨迹去运行,当人主动或被动地去改变它们的运动时,结果只是以卵击石,自讨苦吃。它们蛮如野牛,人们也避之唯恐不及。
1. 背景介绍 在之前的文章中,我们讨论力检测及力控制的一些方法,其中我们也着重讨论了通过电流环进行力控制的局限性。而力控制目前主流的方案是在机械臂末端安装多轴力矩传感器,如下图所示: 通用的是六轴力矩传感器,它可以同时测量出三方向的力与三方向的扭矩。厂家会给用户一个解耦矩阵,用于获取独立的六维力/力矩信息。 一般的,力矩传感器后会有一些末端执行器,比如夹爪等,这些负载会干扰传感
1.背景介绍 机械臂的位置控制是机械臂最重要的功能。机械臂的位置控制精度也是研究者及工程师一直关注的问题。本文梳理下机械臂位置控制的一些发展脉络,帮助大家提高对其的认识以及如何去提升机械臂的位置控制性能。 精度衡量:直接测量机械臂末端的位置比较困难,这里采用一种近似的方式,比较机械臂各轴指令角度与实际编码器反馈角度间的偏差值。 2.控制策略 三环反馈伺服控制 这种位置控制方式
上文中我们提到了机器人动力学方程的四种形式,其中的第四种(最小惯性参数集)形式对于机器人的系统辨识及控制尤其重要。 对于一根杆件,共需如下十个经典参数描述它的质量分布情况:惯性张量矩阵,如下所示,共有六个参数 质量M 三维质心(X,Y,Z),一般我们会把质量乘上质心,组成一个最终的三个惯性参数(MX,MY,MZ),这么做的原因在于动力学中的重力矩一般包含质量乘质心这一项。
1 背景介绍 UR在每个关节里都是采用单圈绝对值编码器与多圈增量式编码器混合工作的方式。关于此双编码器的用途,UR官方没有说明,网上目前推测的用途包含两个: 绝对值型的用来找零点,增量式用来做控制;实际中可能会把增量式的反馈值接入到位置环,而绝对值的接入到速度环。 通过两个编码器的误差值可间接获取关节输出力矩,也即把双编码器当做关节力矩传感器来用。 功能1的争议不大,国内很多家
背景介绍 机器人在完成一些与环境存在力作用的任务时,比如打磨、装配,单纯的位置控制会由于位置误差而引起过大的作用力,从而会伤害零件或机器人。机器人在这类运动受限环境中运动时,往往需要配合力控制来使用。 位置控制下,机器人会严格按照预先设定的位置轨迹进行运动。若机器人运动过程中遭遇到了障碍物的阻拦,从而导致机器人的位置追踪误差变大,此时机器人会努力地“出力”去追踪预设轨迹,最终导致了机器人与障碍
力觉与智能 视觉可以提供丰富的学习材料,以供机器人学习。人类从一无所知的婴儿成长为经验丰富的智者,这一过程我们也会通过视觉获取各种信息。然而,若只有视觉材料显然不足以让人类变得这么智能。在这其中,力觉信息也发挥了同等重要的作用。 所谓的力觉信息,就是人类感知到与外界环境产生的交互力信息。婴儿的步态总是千奇百怪的,在他们不断练习行走的过程中,会根据地面与脚底的接触力,纠正腿部肌肉收缩
当我们获得了基于最小惯性参数集的机器人动力学方程tau=Yr*pr后,即可通过系统辨识的方法获取最小惯性参数集Pr。而在辨识前,我们需明确离散系统辨识与连续系统辨识的区别。 实际的物理系统是用微分方程描述的连续系统: (1) 这里的ai和bi就是我们需要辨识的系统参数。 连续系统辨识 通过实验和状态估计的方法,获取系统的输入输出,及其各阶导数,方程(1)可写为如下形式
机器人动力学研究最基础的是建立完整的动力学方程,这其中最关键的是建立多连杆机构的动力学方程。笔者以经典的PUMA560机器人构型为例,阐述四种不同的机器人动力学形式及函数文件。计算环境为matlab,方便研究者的使用。 拉格朗日形式 这是基于拉格朗日方程所建立的动力学表达式,其形式如下 其中各项的求取过程如下: 基于如上推导过程,笔者写了如下的函数LagrangeRob
目前,机器人在工作中需要与环境或用户发生交互影响,比如波士顿Atlas,康复外骨骼,手术机器人,以及协作机器人等。这种应用场景下,单纯的位置控制不能满足要求,它容易使机器人与外界发生强烈的抵触,进而容易使机器人伤害到用户,也伤害到机器人本身。力控(或柔顺控制)应运而生。 任赜宇:为什么我们在机器人运动控制中一直在强调力控?(Force/Torque Control)390 赞同 · 48 评论文
目前在人机交互类场合,主流的方案都是在机器人的结构上引入力矩传感器或SEA等易于检测用户力矩的方式,通过控制算法实现柔顺控制效果。机器人在于人交互时,拥有碰撞检测与拖动示教功能,提升用户的体验。 人机交互中重要的是预测用户的自主力矩。人机交互的实现既然可以在“机”上做工作,同样我们也可以通过“人”的一侧实现,毕竟自主力的来源是人。一般地,我们收缩肌肉时,皮肤表面会产生一种电生理信号——肌电信
1.背景介绍 关于通过电流环进行牵引示教的意义,可参考两篇文献“[1]面向直接示教的机器人零力控制”和“[2] Sensorless Kinesthetic Teaching of Robotic Manipulators Assisted by Observer-based Force Control”(这个团队针对拖动示教问题连续几年发了ICRA)。 2.方案分析目前市
牵引示教,其本质是一种柔顺控制,也即让机器人在用户面前,表现得跟温顺地绵羊,用户可以轻松随意指挥他运动。 那首先需要做的是,要让我们的绵羊(机器人)感知到我们向其施加的力;这里的感知就是通过传感器获得的。这里我们比较电流环与力矩传感器在感知外力上的区别。 1. 理论解释 下图是一个简化的机器人关节模型,其中的弹簧相当于力矩传感器。初始时关节处于静止状态。 现在在连杆中施加外力矩 力矩传感器
前面我们分析了下UR跟Kuka机器人力控方面的工作,尤其是针对他们牵引示教这块。这类机器人我们都亲切地轻型协作机器人。但光是个牵引示教的功能,也不足以完全体现出“协作”这一理念。接下里,我们介绍三个更能体现人机协作的机器人工作场景。 场景一 机器人需要在机器视觉的辅助下,完成一个画圆的任务(红色虚线)。要完成这个任务,需要两个阶段:先让机器人进入相机视野内,再通过视觉伺服控制机器人末端完成轨
x 背景介绍 上回书我们尝试了去复现UR机器人拖动示教的原理。经过一番尝试,阻抗控制/导纳控制可能是UR采取的策略。 目前市面上,类似UR的协作机器人平台还有DLR-KUKA的LWR和iiwa等。以这两款机器人为例,它跟UR在结构上有一点重要的不同。 UR在每个关节上采取的是双编码器的方式,分别测量电机角度和连杆角度。而LWR等在每个关节上还加入了一个单轴力矩传感器(一般位于减速器输出端与末
问题引出 一开始,人们想要控制机器人运动时,一般根据目标轨迹与机器人的逆模型,反算出所需的力矩,再把这个力矩发送给电机,这样就大功告成啦(图1)。然而事实却不尽人意,机器人着了魔似得,竟然不听我们的话跑偏了。事后分析,发现了影响了我们对机器人的控制:外界的扰动。 图1 开环控制框图 讨厌的扰动来源与哪呢。它主要有两个:一个是环境施加的,比如人为对机器人施加力,风带来的力等等(环境扰动),这
积分
粉丝
勋章
TA还没有专栏噢
第三方账号登入
看不清?点击更换
第三方账号登入
QQ 微博 微信