司徒立文,鹿振宇,杨辰光 | 面向装配任务的宽度学习机器人遥操作系统
文摘
科技
2024-11-18 12:02
北京
![]()
![]()
研究团队
司徒立文,杨辰光：华南理工大学自动化科学与工程学院
鹿振宇：英国西英格兰大学布里斯托机器人实验室
文章下载
Liwen SITU, Zhenyu LU & Chenguang YANG. Teleoperation with automatic posture regulation and broad learning control for assembly tasks. Sci China Inf Sci, 2024, 67(11): 219201, doi: 10.1007/s11432-023-4176-0
![]()
近年来，机器人遥操作系统因其能够将人类控制与机器人任务执行相结合，解决了全自动机器人在精度、感知和智能方面的限制，而被广泛应用于装配任务。然而，机器人遥操作在装配任务中仍然面临一些挑战。在复杂和非结构化的环境中，遥控机器人必须调节其机械臂的姿态以避开障碍物和奇异点，确保人类操作员的安全。此外，为了确保有效执行精度要求高的装配任务并实现快速准确的机械臂姿态调节，必须保证遥操作系统的轨迹跟踪性能。为了解决上述问题，本文设计了一种基于共享控制和宽度学习神经网络的装配遥操作系统，以减轻人类操作员的工作负担，提高任务执行效率，并确保机器人的跟踪性能，如图1所示。该系统包含三个控制器：用于机械臂姿势调节的零空间控制器，用于确保预定义的瞬态跟踪性能的基于障碍李雅普诺夫函数的关节控制器，以及用于补偿动力学不确定性和实现精密装配的自适应力矩控制器。![]()
(1) 设计三种机械臂姿势调节功能：可操作性优化、避障和关节限位预防，通过共享控制将它们集成在一起，使遥控机器人能够自主调节机械臂姿态，而操作员只需专注于装配操作。(2) 采用基于障碍李雅普诺夫函数的关节控制器，将瞬态跟踪误差限制在规定的误差范围内。(3) 开发了一种改进的基于宽度学习神经网络的力矩控制器。与依赖于经验预设节点的传统径向基函数神经网络相比，宽度神经网络动态生成神经节点，从而能够更准确地估计机械臂的不确定性并加快响应速度。本文所提出的面向装配任务的遥操作系统在Baxter机器人平台上进行了验证。在潜在动态障碍物的工作环境中，Baxter 机器人的左臂由操作员远程操作去夹取红色工件 A，右臂自动将棕色工件 B 夹取到工作区。当障碍物出现并接近左机械臂肘部时，左臂表现出快速避开障碍物的能力，同时保持组件 A 相对稳定；当障碍物消失后，左臂恢复到原始姿势。最后操作员完成将工件A插入到工件B的装配任务，如图2所示。![]()
为了验证基于宽度学习的力矩控制器的有效性，本文开展了对比实验，使用的力矩控制器分别为：（1）本文所提出的改进宽度学习力矩控制器；（2）径向基神经网络力矩控制器；（3）不包含动力补偿的力矩控制器；（4）现有文献[1]的宽度学习力矩控制器。关节角误差如图3所示，可得出本文所提出的力矩控制器的关节跟踪误差最小，这是因为该控制器拥有动态生成节点的特性，且将多个动力学参数看作一个整体去估计补偿，所以大大减小了估计误差并提高了响应速度。![]()
![]()
![]()
