CN107972030A - 一种冗余机械臂重复运动中的初始位置修正方法 - Google Patents

一种冗余机械臂重复运动中的初始位置修正方法 Download PDF

Info

Publication number
CN107972030A
CN107972030A CN201711101684.4A CN201711101684A CN107972030A CN 107972030 A CN107972030 A CN 107972030A CN 201711101684 A CN201711101684 A CN 201711101684A CN 107972030 A CN107972030 A CN 107972030A
Authority
CN
China
Prior art keywords
mrow
mover
msub
mechanical arm
msup
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201711101684.4A
Other languages
English (en)
Other versions
CN107972030B (zh
Inventor
孔颖
黄奕筱
朱佳超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Lover Health Science and Technology Development Co Ltd
Zhejiang University of Science and Technology ZUST
Original Assignee
Zhejiang Lover Health Science and Technology Development Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang Lover Health Science and Technology Development Co Ltd filed Critical Zhejiang Lover Health Science and Technology Development Co Ltd
Priority to CN201711101684.4A priority Critical patent/CN107972030B/zh
Publication of CN107972030A publication Critical patent/CN107972030A/zh
Application granted granted Critical
Publication of CN107972030B publication Critical patent/CN107972030B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1628—Programme controls characterised by the control loop
    • B25J9/1643—Programme controls characterised by the control loop redundant control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1612—Programme controls characterised by the hand, wrist, grip control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1628—Programme controls characterised by the control loop
    • B25J9/1653—Programme controls characterised by the control loop parameters identification, estimation, stiffness, accuracy, error analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Orthopedic Medicine & Surgery (AREA)
  • Manipulator (AREA)
  • Numerical Control (AREA)
  • Feedback Control In General (AREA)

Abstract

一种冗余机械臂重复运动中的初始位置修正方法，包括以下步骤：1)确定冗余机械臂末端执行器期望目标轨迹r*(t)和期望回拢的关节角度θ*(0)，设计终态吸引优化指标，形成机械臂重复运动规划方案，其中冗余机械臂实际运动时的初始关节角可以任意指定，不要求末端执行器处于期望轨迹上；2)给定冗余机械臂实际运动时的初始关节角度θ(0),以θ(0)为运动起始点，将新型的重复运动规划方案转化为相应的二次规划问题；3)构建有限值激活函数的终态神经网络模型，有限值终态神经网络求解时变矩阵方程；4)将求解得到的结果用于控制各关节电机，驱动机械臂执行任务。本发明提供一种精度高、有限时间收敛的冗余机械臂重复运动初始位置定位方法。

Description

一种冗余机械臂重复运动中的初始位置修正方法
技术领域
本发明涉及冗余机械臂的重复运动规划及控制技术，具体地，涉及一种有限时间收敛性能指标、在初始偏移情形下的冗余机械臂的逆运动学求解方法。
背景技术
机械臂一直是机器人领域中的研究热点。机械臂是指一个末端能动的机械装置，其末端任务包括搬运、焊接、油漆和组装等，目前已广泛应用于工业制造、医学治疗、娱乐服务、消防、军事和太空探索等领域中。根据自由度(Degrees-of-Freedom,DOF)的多少，机械臂可划分为冗余机械臂和非冗余机械臂。冗余机械臂是指所拥有的DOF多于完成给定末端任务所需的DOF的机械臂。对应地，非冗余机械臂是指执行给定的末端任务时没有多余DOF的机械臂。显然，较之非冗余机械臂，冗余机械臂因其有多余的DOF而更为灵活且更具优势,这也是其在实际工程应用中日益凸显出重要性的原因之一。
冗余机械臂在实时运动控制中存在的一个基础问题是冗余度解析问题，又被称作逆运动学。通过已知末端执行器的位置和姿态，求解其对应的冗余机械臂各个关节角的值。经典的做法是基于伪逆的冗余度解析方案。考虑在m维空间中作业的具有n个自由度的机械臂，末端轨迹与关节位移之间的关系(即正运动学问题)
r(t)＝f(θ(t))
其中，r(t)表示机械臂末端执行器在工作空间中笛卡尔坐标系下的位移，θ(t)表示关节位移。末端笛卡尔空间与关节空间之间的微分运动关系为
其中，是r的时间导数，是关节速度向量，是机械臂的雅克比矩阵。
对于冗余机械臂，传统方法是求解Moore-Penrose广义逆(伪逆)，可得关节变量速度的最小二乘解为
这里，J+＝JT(JJT)-1是雅克比矩阵J的伪逆。
D.E.Whitney(Resolved motion rate control of manipulators and humanprostheses,IEEE Trans.Man-Machine Syst.,1969,10(2):47-53)于1969年提出如下具有等式约束的最小速度范数性能指标作为运动规划的目标函数：
式中，A为正定加权矩阵。求解上述规划问题，需求解以下方程组
其解为
式(1)是式(3)当A＝I时的特殊情形。也可看出，规划问题是通过求解方程组(2)得到解决的。
末端执行器在笛卡尔操作空间做重复运动时，闭合的末端执行器运动轨迹可能产生非闭合的关节角轨迹，导致关节角偏差现象。这种非重复运动问题可能会引起机械臂在重复作业中出现不可预料的情况。一般来说,应用最为广泛的伪逆控制法不能获得重复性为了完成原有的重复运动。通常采用自运动的方法进行弥补,而自运动进行调整往往效率不高(详见Klein C A and Huang C,Review of Pseudo Inverse Control for use withKinematically Redundant Manipulators.IEEE Trans.Syst.Man.Cybern.1983,13(2):245-250；Tchon K,Janiak M.Repeatable approximation of the Jacobian pseudo-inverse.Systems and Control Letters,2009,58(12):849-856)。
基于二次优化(Quadratic Optimization,QP)的冗余解析方案受到关注，F.T.Cheng于1994年提出关节无偏差性能指标(F.-T.Cheng,T.-H.Chen,and Y.-Y.Sun,Resolving manipulator redundancy under inequality constraints,IEEETrans.Robotics Automat.,1994,10(1):65-71)：
为了高效地执行重复运动任务,Y.Zhang,引入重复运动指标作为优化准则。形成重复运动规划(Repetitive motion planning,RMP)方案,使用二次规划(QP)和递归神经网络(RNN)来进行冗余度解析(Zhang Y,Wang J,Xia Y.Adual neural network forredundancy resolution of kinematically redundant manipulators subject tojoint limits and joint velocity limits.IEEE Trans Neural Netw.,2003,14(3):658-667)。其中的重复运动指标为如下渐近收敛性能指标AOC(Asympototically-Convengent Optimality Criterion)：
递归神经网络求解器是求解基于二次型优化描述的冗余度解析问题的有效方法。通常的神经网络求解器具有渐近收敛性能，在计算时间足够长以后，能够获得有效解，且能应用于实时在线求解各类时变问题。
最近，具有有限时间收敛性能的递归神经网络被用求解时变问题。相比于具有渐近收敛动态特性的递归神经网络，终态收敛动态特性具有有限时间收敛性，不仅能够改进收敛速度，而且达到较高收敛精度。见诸文献的有限时间神经网络未采用激活函数，即线性激活函数，或具有无限值激活函数，即输入量趋于无穷时，激活函数也趋于无穷。实际实现时，由于能量有限，需采用带有有限值激活函数的神经网络求解器，而无限值激活函数神经网络的实现时存在本质困难。
发明内容
为了克服现有的冗余机械臂重复运动控制方法的精度较低，无法实现有限时间收敛的不足，本发明提供一种精度高、有限时间收敛的冗余机械臂重复运动中的初始位置修正方法，当机械臂初始各个关节角偏移期望位置时，保证冗余机械臂可以有效完成工作任务，无需考虑初始各个关节角是否在期望的任务轨迹上。
为了解决上述技术问题，本发明采用如下的技术方案：
一种冗余机械臂重复运动中的初始位置修正方法，包括以下步骤：
1)确定冗余机械臂末端执行器期望轨迹方程r*(t)，设定期望回拢的关节角度θ*(0)；
2)设计终态吸引优化指标，形成机械臂重复运动二次规划方案，其中冗余机械臂实际运动时的初始关节角可以任意指定，不要求末端执行器处于期望轨迹上；给定冗余机械臂实际运动时的初始关节角度θ(0),以θ(0)为运动起始点，形成的重复运动规划方案描述为具终态吸引优化指标的二次规划：
其中，θ、分别表示冗余机械臂的关节角度和角速度，θ*(0)是各个关节角的期望初始值，β是系数矩阵，用来形成关节位移的动态性能，γE是修正向量，其值与βE有关，θ(t)-θ*(0)表示各个关节角与初始期望关节角位移偏差，r*表示机械臂末端执行器期望的运动轨迹，表示末端执行器期望的速度向量；
由于机械臂的初始位置不在期望的轨迹上，通过减小末端执行器期望路径与实际运动轨迹位置间的误差(r*-f(θ))，改变末端执行器的运动方向，βr＞0表示位置的参数增益，用来调节末端执行器运动到期望路径的速率；J(θ)是冗余机械臂雅可比矩阵，f(θ)是冗余机械臂实际运动轨迹，βE是系数矩阵，用来形成关节位移的动态性能，γE是修正向量，其值与βE有关，t0为初始时刻的时间,
且满足
3)构建有限值激活函数的终态神经网络模型，其动态特性由下述方程描述
其中，E为误差变量，βE＞0为一设计参数，E为动态方程的收敛误差，γE是修正向量，其值与βE有关；
为求解步骤2)中的二次规划问题，建立拉格朗日函数
式中，λ(t)为拉格朗日乘子向量，λT是λ(t)向量的转置；通过拉格朗日函数对各个变量求导，并令其为零，得下述时变矩阵方程
WY＝v (3)
其中，
I为单位矩阵
记E＝WY-v，以式(2)所描述的有限值终态神经网络求解时变矩阵方程(3)，得到***求解方程如下
4)将步骤3)中求解得到的结果用于控制各关节电机，驱动机械臂执行任务。
本发明提供一种重复运动性能优化指标，即终态吸引优化指标，形成冗余机械臂轨迹规划的二次优化方法。以具有有限值激活函数的终态神经网络作为求解器，在初始位置偏移情形下，实现冗余机械臂有限时间收敛的重复运动规划任务。
本发明提供一种重复运动性能优化指标，即终态吸引优化指标，形成冗余机械臂轨迹规划的二次优化方法。以具有有限值激活函数的终态神经网络作为求解器，在初始位置偏移情形下，实现冗余机械臂有限时间收敛的重复运动规划任务。
为了实现上述目的，将冗余机械臂轨迹规划的优化指标设计为一种终态吸引的优化指标TOC(Teminal Optimality Criterion)，即
其中，c＝θ(t)-θ*(0)，θ、分别表示冗余机械臂的关节角度和角速度，θ*(0)是各个关节角的期望初始值，β是系数矩阵，即特征根为负，γ为一修正向量，其值与β有关，t0为初始时刻的时间。
且满足
上述可重复运动优化方案的设计思想是期望获得下述动态方程
其中，关节角位移偏差ε(t)＝θ(t)-θ(0)。此动态方程所表达的***有限时间收敛于零。
当基于二次优化的终态吸引指标达到最小值时，冗余机械臂的运动末端执行器在速度层上实现重复运动。
为了求解优化指标TOC下的重复运动规划问题，采用一种带有限值激活函数的终态神经网络模型，该网络的动态方程如下：
其中，βE＞0为系数矩阵，E为动态方程的收敛误差，γE是修正向量，其值与βE有关，
本发明的有益效果为：精度高、有限时间收敛，当机械臂初始各个关节角偏移期望位置时，保证冗余机械臂可以有效完成工作任务，无需考虑初始各个关节角是否在期望的任务轨迹上。
附图说明
图1本发明提供的重复规划方案的流程图。
图2采用本发明重复规划方案的冗余机械臂KATANA6M180。
图3冗余机械臂KATANA6M180末端执行器的运动轨迹。
图4冗余机械臂KATANA6M180各个关节误差轨迹。
图5冗余机械臂KATANA6M180末端执行器的各位置误差轨迹。
图6冗余机械臂KATANA6M180各个关节角速度变化轨迹。
图7以有限值终态神经网络和递归神经网络求解时的误差轨迹。
具体实施方式
结合附图，对本发明做如下进一步描述。
参照图1～图7，一种冗余机械臂重复运动中的初始位置修正方法，包括以下四个步骤组成：1、确定冗余机械臂末端执行器期望目标轨迹和期望回拢各关节角度2、建立具有终态吸引优化指标的冗余机械臂重复运动二次规划方案3、以有限值终态神经网络求解二次规划问题，获得各关节角轨迹。4、将求解得到的结果用于驱动电机运行，使冗余机械臂执行任务。
第一步.确定期望轨迹
设定冗余机械臂KATANA6M180期望回拢的关节角度
θ*(0)＝[0,0,0,0,0]T
确定平行四边形边长为0.04米，每条边需要的跟踪时间为1.5s,其面与X轴的夹角为π/6rad，末端执行器完成四边形轨迹时间T＝6s。考虑到冗余机械臂KATANA6M180的初始位置可能不在期望的运动轨迹上，将机械臂的5个关节角度初值设为θ(0)＝[0,0,0,-π/4,0]T。
第二步.建立冗余机械臂重复运动的二次规划方案
为实现冗余机械臂有限时间收敛的重复运动规划，将冗余机械臂重复运动轨迹规划描述为以下二次规划问题，其终态吸引的优化指标为
其中，c＝θ(t)-θ*(0)表示各个关节角与初始期望关节角位移偏差，r*表示机械臂末端执行器期望的运动轨迹，表示末端执行器期望的速度向量。由于机械臂的初始位置不在期望的轨迹上，通过减小末端执行器期望路径与实际运动轨迹位置间的误差(r*-f(θ))，改变末端执行器的运动方向，βr＞0表示位置的参数增益，用来调节末端执行器运动到期望路径的速率。βE是系数矩阵，用来形成关节位移的动态性能，γE是修正向量，其值与βE有关。
J(θ)是冗余机械臂雅可比矩阵，f(θ)是冗余机械臂实际运动轨迹。
第三步.构建有限值激活函数的终态神经网络模型，其动态特性由下述方程描述
其中，E为误差变量，βE＞0为一设计参数，E为动态方程的收敛误差，γE是修正向量，其值与βE有关；
为求解步骤2)中的二次规划问题，建立拉格朗日函数
式中，λ(t)为拉格朗日乘子向量，λT是λ(t)向量的转置；通过拉格朗日函数对各个变量求导，并令其为零，得下述时变矩阵方程
WY＝v (3)
I为单位矩阵
记时变矩阵方程误差E＝WY-v，依据有限值终态神经网络动态方程(3)构建神经网络模型
4)将步骤3)中求解得到的结果用于控制各关节电机，驱动机械臂执行任务。
用于实现本发明重复规划方案的冗余机械臂KATANA6M180如图2所示。该机械臂由1个基座，4个连接杆构成，通过关节1、关节2、关节3、关节4、关节5组成。该冗余机械臂如图连杆长度分别为L1＝0.2035米，L2＝0.19米，L3＝0.139米，L4＝0.315米。
机械臂的末端执行器在空间中的运动轨迹如图3所示。图中给出目标圆轨迹(黑色虚线)及机械臂末端执行器运动轨迹(黑色实线)。可以看出，末端执行器的初始位置不在期望的轨迹上。随着时间的增加，实际轨迹和期望轨迹吻合，末端执行器的终值位置误差精度在三个方向XYZ轴上达到10-4，如图5所示。
当冗余机械臂KATANA6M180各关节角经过10s后，各关节角的终值误差达到10-5，所有的关节轨迹基本闭合，其轨迹如图4所示。
为了验证终态吸引优化指标TOC在重复运动规划中的有效性，机械臂KATANA6M180末端执行器完成四边形轨迹过程中得到的关节角速度瞬态轨迹如图6所示。当T＝10s时，机械臂运动前后各关节角与其期望关节角位置之间的最大偏差为2.005*10-5,用递归神经网络求解得到的各个关节角的终值误差最大偏差为6.113*10-4，如表1所示。
表1
为比较渐近收敛网络与终态神经网络的收敛性能，定义计算误差JE(t)＝||W(t)y(t)-v(t)||2。图7给出分别用有限值终态神经网络和递归神经网络求解二次规划问题的误差收敛轨迹。从图中可以看出，以有限值终态神经网络求解时，当时间t接近0.006秒时，误差收敛精度达到0.3*10-3,以递归神经网络求解时,误差的收敛速度较慢。

Claims (1)

1.一种冗余机械臂重复运动中的初始位置修正方法，其特征在于：包括以下步骤：
1)确定冗余机械臂末端执行器期望轨迹方程r*(t)，设定期望回拢的关节角度θ*(0)；
2)设计终态吸引优化指标，形成机械臂重复运动二次规划方案，其中冗余机械臂实际运动时的初始关节角可以任意指定，不要求末端执行器处于期望轨迹上；给定冗余机械臂实际运动时的初始关节角度θ(0),以θ(0)为运动起始点，形成的重复运动规划方案描述为具终态吸引优化指标的二次规划：
<mrow> <mtable> <mtr> <mtd> <munder> <mrow> <mi>min</mi> <mi>i</mi> <mi>m</mi> <mi>i</mi> <mi>z</mi> <mi>e</mi> </mrow> <mrow> <mover> <mi>&amp;theta;</mi> <mo>&amp;CenterDot;</mo> </mover> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow> </munder> </mtd> <mtd> <mrow> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <msup> <mrow> <mo>(</mo> <mover> <mi>&amp;theta;</mi> <mo>&amp;CenterDot;</mo> </mover> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>+</mo> <msub> <mi>&amp;beta;</mi> <mi>E</mi> </msub> <mi>c</mi> <mo>+</mo> <mi>&amp;gamma;</mi> <mo>)</mo> </mrow> <mi>T</mi> </msup> <mrow> <mo>(</mo> <mover> <mi>&amp;theta;</mi> <mo>&amp;CenterDot;</mo> </mover> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>+</mo> <msub> <mi>&amp;beta;</mi> <mi>E</mi> </msub> <mi>c</mi> <mo>+</mo> <msub> <mi>&amp;gamma;</mi> <mi>E</mi> </msub> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>s</mi> <mi>u</mi> <mi>b</mi> <mi>j</mi> <mi>e</mi> <mi>c</mi> <mi>t</mi> <mi> </mi> <mi>t</mi> <mi>o</mi> </mrow> </mtd> <mtd> <mrow> <mi>J</mi> <mrow> <mo>(</mo> <mi>&amp;theta;</mi> <mo>)</mo> </mrow> <mover> <mi>&amp;theta;</mi> <mo>&amp;CenterDot;</mo> </mover> <mo>=</mo> <msup> <mover> <mi>r</mi> <mo>&amp;CenterDot;</mo> </mover> <mo>*</mo> </msup> <mo>+</mo> <msub> <mi>&amp;beta;</mi> <mi>r</mi> </msub> <mrow> <mo>(</mo> <msup> <mi>r</mi> <mo>*</mo> </msup> <mo>-</mo> <mi>f</mi> <mo>(</mo> <mi>&amp;theta;</mi> <mo>)</mo> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>
其中，θ、分别表示冗余机械臂的关节角度和角速度，θ*(0)是各个关节角的期望初始值，β是系数矩阵，用来形成关节位移的动态性能，γE是修正向量，其值与βE有关，θ(t)-θ*(0)表示各个关节角与初始期望关节角位移偏差，r*表示机械臂末端执行器期望的运动轨迹，表示末端执行器期望的速度向量；
由于机械臂的初始位置不在期望的轨迹上，通过减小末端执行器期望路径与实际运动轨迹位置间的误差(r*-f(θ))，改变末端执行器的运动方向，βr＞0表示位置的参数增益，用来调节末端执行器运动到期望路径的速率；J(θ)是冗余机械臂雅可比矩阵，f(θ)是冗余机械臂实际运动轨迹，βE是系数矩阵，用来形成关节位移的动态性能，γE是修正向量，其值与βE有关，t0为初始时刻的时间,
且满足
3)构建有限值激活函数的终态神经网络模型，其动态特性由下述方程描述
<mrow> <mover> <mi>E</mi> <mo>&amp;CenterDot;</mo> </mover> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <mo>-</mo> <msub> <mi>&amp;beta;</mi> <mi>E</mi> </msub> <mi>E</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>&amp;gamma;</mi> <mi>E</mi> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
其中，E为误差变量，βE＞0为一设计参数，E为动态方程的收敛误差，γE是修正向量，其值与βE有关；
为求解步骤2)中的二次规划问题，建立拉格朗日函数
<mrow> <mi>L</mi> <mrow> <mo>(</mo> <mover> <mi>&amp;theta;</mi> <mo>&amp;CenterDot;</mo> </mover> <mo>,</mo> <mi>&amp;lambda;</mi> <mo>,</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <msup> <mover> <mi>&amp;theta;</mi> <mo>&amp;CenterDot;</mo> </mover> <mi>T</mi> </msup> <mover> <mi>&amp;theta;</mi> <mo>&amp;CenterDot;</mo> </mover> <mo>/</mo> <mn>2</mn> <mo>+</mo> <msub> <mi>&amp;beta;</mi> <mi>E</mi> </msub> <msup> <mi>c</mi> <mi>T</mi> </msup> <mover> <mi>&amp;theta;</mi> <mo>&amp;CenterDot;</mo> </mover> <mo>+</mo> <msubsup> <mi>&amp;gamma;</mi> <mi>E</mi> <mi>T</mi> </msubsup> <mover> <mi>&amp;theta;</mi> <mo>&amp;CenterDot;</mo> </mover> <mo>+</mo> <msup> <mi>&amp;lambda;</mi> <mi>T</mi> </msup> <mrow> <mo>(</mo> <mi>J</mi> <mo>(</mo> <mi>&amp;theta;</mi> <mo>)</mo> <mover> <mi>&amp;theta;</mi> <mo>&amp;CenterDot;</mo> </mover> <mo>-</mo> <msup> <mover> <mi>r</mi> <mo>&amp;CenterDot;</mo> </mover> <mo>*</mo> </msup> <mo>-</mo> <msub> <mi>&amp;beta;</mi> <mi>r</mi> </msub> <mo>(</mo> <mrow> <msup> <mi>r</mi> <mo>*</mo> </msup> <mo>-</mo> <mi>f</mi> <mrow> <mo>(</mo> <mi>&amp;theta;</mi> <mo>)</mo> </mrow> </mrow> <mo>)</mo> <mo>)</mo> </mrow> </mrow>
式中，λ(t)为拉格朗日乘子向量，λT是λ(t)向量的转置；通过拉格朗日函数对各个变量求导，并令其为零，得下述时变矩阵方程
WY＝v (3)
其中，
I为单位矩阵
<mrow> <mi>Y</mi> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mover> <mi>&amp;theta;</mi> <mo>&amp;CenterDot;</mo> </mover> </mtd> </mtr> <mtr> <mtd> <mi>&amp;lambda;</mi> </mtd> </mtr> </mtable> </mfenced> <mo>,</mo> </mrow>
<mrow> <mi>v</mi> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mrow> <mo>-</mo> <msub> <mi>&amp;beta;</mi> <mi>E</mi> </msub> <mi>c</mi> <mo>-</mo> <msub> <mi>&amp;gamma;</mi> <mi>E</mi> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msup> <mover> <mi>r</mi> <mo>&amp;CenterDot;</mo> </mover> <mo>*</mo> </msup> <mo>+</mo> <msub> <mi>&amp;beta;</mi> <mi>r</mi> </msub> <mrow> <mo>(</mo> <msup> <mi>r</mi> <mo>*</mo> </msup> <mo>-</mo> <mi>f</mi> <mo>(</mo> <mi>&amp;theta;</mi> <mo>)</mo> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>.</mo> </mrow>
记E＝WY-v，以式(2)所描述的有限值终态神经网络求解时变矩阵方程(3)，得到***求解方程如下
<mrow> <mover> <mi>Y</mi> <mo>&amp;CenterDot;</mo> </mover> <mo>=</mo> <mo>-</mo> <mover> <mi>W</mi> <mo>&amp;CenterDot;</mo> </mover> <mi>Y</mi> <mo>-</mo> <mi>W</mi> <mover> <mi>Y</mi> <mo>&amp;CenterDot;</mo> </mover> <mo>+</mo> <mover> <mi>v</mi> <mo>&amp;CenterDot;</mo> </mover> <mo>-</mo> <msub> <mi>&amp;beta;</mi> <mi>E</mi> </msub> <mrow> <mo>(</mo> <mi>W</mi> <mi>Y</mi> <mo>-</mo> <mi>v</mi> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>&amp;gamma;</mi> <mi>E</mi> </msub> <mo>+</mo> <mover> <mi>Y</mi> <mo>&amp;CenterDot;</mo> </mover> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>
4)将步骤3)中求解得到的结果用于控制各关节电机，驱动机械臂执行任务。
CN201711101684.4A 2017-11-10 2017-11-10 一种冗余机械臂重复运动中的初始位置修正方法 Active CN107972030B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711101684.4A CN107972030B (zh) 2017-11-10 2017-11-10 一种冗余机械臂重复运动中的初始位置修正方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711101684.4A CN107972030B (zh) 2017-11-10 2017-11-10 一种冗余机械臂重复运动中的初始位置修正方法

Publications (2)

Publication Number Publication Date
CN107972030A true CN107972030A (zh) 2018-05-01
CN107972030B CN107972030B (zh) 2020-07-07

Family

ID=62013260

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711101684.4A Active CN107972030B (zh) 2017-11-10 2017-11-10 一种冗余机械臂重复运动中的初始位置修正方法

Country Status (1)

Country Link
CN (1) CN107972030B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108908340A (zh) * 2018-08-03 2018-11-30 浙江工业大学 采用有限区间神经网络的冗余机器人重复运动规划方法
CN109015657A (zh) * 2018-09-07 2018-12-18 浙江科技学院 一种面向冗余机械臂重复运动规划的终态网络优化方法
CN109940615A (zh) * 2019-03-13 2019-06-28 浙江科技学院 一种面向双臂机械手同步重复运动规划的终态网络优化方法
CN111319042A (zh) * 2020-02-06 2020-06-23 北京凡川智能机器人科技有限公司 一种基于遗忘因子动态参数的机器人柔顺装配控制方法
CN112428273A (zh) * 2020-11-16 2021-03-02 中山大学 一种考虑机械臂物理约束和模型未知的控制方法及***
WO2021082827A1 (zh) * 2019-10-29 2021-05-06 深圳市瑞立视多媒体科技有限公司 基于改进的反向运动学进行姿态解算的方法及相关设备
CN113771038A (zh) * 2021-09-28 2021-12-10 千翼蓝犀智能制造科技(广州)有限公司 一种冗余度机械臂突加度层运动规划的初始化方法
CN114326378A (zh) * 2022-01-27 2022-04-12 三一重机有限公司 作业机械轨迹控制方法、装置及作业机械
CN115213905A (zh) * 2022-08-02 2022-10-21 中山大学 冗余度机械臂位姿控制方法、***及机器人

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5371669A (en) * 1992-06-18 1994-12-06 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration Sliding mode control method having terminal convergence in finite time
CN201910764U (zh) * 2010-12-14 2011-07-27 长春工业大学 一种基于终端滑模的永磁同步电机直接转矩控制***
CN102291436A (zh) * 2011-07-22 2011-12-21 北京航空航天大学 一种分布式事务通信有限状态机模型及其验证方法
CN106945041A (zh) * 2017-03-27 2017-07-14 华南理工大学 一种冗余度机械臂重复运动规划方法
CN106985138A (zh) * 2017-03-13 2017-07-28 浙江工业大学 基于终态吸引优化指标的冗余机械臂轨迹规划方法
CN107127754A (zh) * 2017-05-09 2017-09-05 浙江工业大学 一种基于终态吸引优化指标的冗余机械臂重复运动规划方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5371669A (en) * 1992-06-18 1994-12-06 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration Sliding mode control method having terminal convergence in finite time
CN201910764U (zh) * 2010-12-14 2011-07-27 长春工业大学 一种基于终端滑模的永磁同步电机直接转矩控制***
CN102291436A (zh) * 2011-07-22 2011-12-21 北京航空航天大学 一种分布式事务通信有限状态机模型及其验证方法
CN106985138A (zh) * 2017-03-13 2017-07-28 浙江工业大学 基于终态吸引优化指标的冗余机械臂轨迹规划方法
CN106945041A (zh) * 2017-03-27 2017-07-14 华南理工大学 一种冗余度机械臂重复运动规划方法
CN107127754A (zh) * 2017-05-09 2017-09-05 浙江工业大学 一种基于终态吸引优化指标的冗余机械臂重复运动规划方法

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108908340A (zh) * 2018-08-03 2018-11-30 浙江工业大学 采用有限区间神经网络的冗余机器人重复运动规划方法
CN108908340B (zh) * 2018-08-03 2020-08-04 浙江工业大学 采用有限区间神经网络的冗余机器人重复运动规划方法
CN109015657A (zh) * 2018-09-07 2018-12-18 浙江科技学院 一种面向冗余机械臂重复运动规划的终态网络优化方法
CN109015657B (zh) * 2018-09-07 2021-12-10 浙江科技学院 一种面向冗余机械臂重复运动规划的终态网络优化方法
CN109940615A (zh) * 2019-03-13 2019-06-28 浙江科技学院 一种面向双臂机械手同步重复运动规划的终态网络优化方法
WO2021082827A1 (zh) * 2019-10-29 2021-05-06 深圳市瑞立视多媒体科技有限公司 基于改进的反向运动学进行姿态解算的方法及相关设备
CN111319042A (zh) * 2020-02-06 2020-06-23 北京凡川智能机器人科技有限公司 一种基于遗忘因子动态参数的机器人柔顺装配控制方法
CN111319042B (zh) * 2020-02-06 2023-03-07 北京凡川智能机器人科技有限公司 一种基于遗忘因子动态参数的机器人柔顺装配控制方法
CN112428273A (zh) * 2020-11-16 2021-03-02 中山大学 一种考虑机械臂物理约束和模型未知的控制方法及***
CN113771038A (zh) * 2021-09-28 2021-12-10 千翼蓝犀智能制造科技(广州)有限公司 一种冗余度机械臂突加度层运动规划的初始化方法
CN114326378A (zh) * 2022-01-27 2022-04-12 三一重机有限公司 作业机械轨迹控制方法、装置及作业机械
CN114326378B (zh) * 2022-01-27 2023-12-05 三一重机有限公司 作业机械轨迹控制方法、装置及作业机械
CN115213905A (zh) * 2022-08-02 2022-10-21 中山大学 冗余度机械臂位姿控制方法、***及机器人
CN115213905B (zh) * 2022-08-02 2023-08-25 中山大学 冗余度机械臂位姿控制的方法、***及机器人

Also Published As

Publication number Publication date
CN107972030B (zh) 2020-07-07

Similar Documents

Publication Publication Date Title
CN107972030A (zh) 一种冗余机械臂重复运动中的初始位置修正方法
CN106985138A (zh) 基于终态吸引优化指标的冗余机械臂轨迹规划方法
CN107891424A (zh) 一种求解冗余机械臂逆运动学的有限时间神经网络优化方法
CN107127754A (zh) 一种基于终态吸引优化指标的冗余机械臂重复运动规划方法
CN107972031A (zh) 一种冗余机械臂可重复运动的初始位置定位方法
CN107962566A (zh) 一种移动机械臂重复运动规划方法
US20210011458A1 (en) Method for programming repeating motion of redundant robotic arm
Zhang et al. A passivity-based approach for kinematic control of manipulators with constraints
CN108908347A (zh) 一种面向冗余移动机械臂容错型重复运动规划方法
Srisuk et al. Inverse kinematics solution using neural networks from forward kinematics equations
CN105354433B (zh) 一种空间机械臂参数对运动可靠性影响比重的确定方法
CN109159122B (zh) 采用椭圆型终态神经网络的冗余机器人重复运动规划方法
CN107685343A (zh) 一种机械臂运动学参数标定构型优化方法
CN109159124B (zh) 采用快速双幂次终态神经网络的冗余机器人重复运动规划方法
CN109940615A (zh) 一种面向双臂机械手同步重复运动规划的终态网络优化方法
CN109623812A (zh) 考虑航天器本体姿态运动的机械臂轨迹规划方法
CN108908340A (zh) 采用有限区间神经网络的冗余机器人重复运动规划方法
CN108908341B (zh) 二次根式终态吸引的冗余机器人重复运动规划方法
CN109015657A (zh) 一种面向冗余机械臂重复运动规划的终态网络优化方法
CN109159121B (zh) 采用抛物线型终态神经网络的冗余机器人重复运动规划方法
CN106875008A (zh) 一种机械手运动学逆解方法及***
CN116079730B (zh) 一种提升机器人手臂操作精度的控制方法及***
Ma et al. Trajectory optimization and closed-loop feedback control of multi-degree-of-freedom robot
Rahimi et al. Optimal motion planning of manipulators with elastic links and joints in generalized point-to-point task
Zhiyong et al. Research on LQR zone control algorithm for picking robot arm

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant