CN109940622B - 一种基于电机电流的机器人机械臂无传感碰撞检测方法 - Google Patents
一种基于电机电流的机器人机械臂无传感碰撞检测方法 Download PDFInfo
- Publication number
- CN109940622B CN109940622B CN201910349412.9A CN201910349412A CN109940622B CN 109940622 B CN109940622 B CN 109940622B CN 201910349412 A CN201910349412 A CN 201910349412A CN 109940622 B CN109940622 B CN 109940622B
- Authority
- CN
- China
- Prior art keywords
- layer
- mechanical arm
- current
- neural network
- neuron
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 42
- 238000013528 artificial neural network Methods 0.000 claims abstract description 42
- 210000002569 neuron Anatomy 0.000 claims description 45
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 10
- 230000001133 acceleration Effects 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 5
- 238000009434 installation Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 230000005355 Hall effect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Images
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
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
-
- 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
-
- 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
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1658—Programme controls characterised by programming, planning systems for manipulators characterised by programming language
-
- 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
- B25J9/1674—Programme controls characterised by safety, monitoring, diagnostic
- B25J9/1676—Avoiding collision or forbidden zones
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/33—Director till display
- G05B2219/33027—Artificial neural network controller
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/39—Robotics, robotics to robotics hand
- G05B2219/39082—Collision, real time collision avoidance
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Manipulator (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于电机电流的机器人机械臂无传感碰撞检测方法，采集机械臂关节电机的输出电流；搭建神经网络并应用反向传播算法更新神经网络的权重和偏差，得到估计的电流值；根据机械臂关节电机输出电流与神经网络输出的估计电流之间的误差值与碰撞检测阈值比较用于碰撞判定。本发明简单易于操作，且具有更高的普适性。
Description
技术领域
本发明属于机器人机械臂碰撞检测技术领域，具体涉及一种基于电机电流的机器人机械臂无传感碰撞检测方法。
背景技术
近年来，机械臂在航空航天、工业生产、医疗、家庭等领域有了广泛地应用。然而，当机器人在工作时，很可能与突然闯入其工作空间中的人或者物体发生碰撞，如果不能精确辨识并采取及时的反应措施，很可能会对人和机器人的安全带来巨大的威胁。因此，安全性是机器人工作首要考虑的问题之一。
目前，在机器人碰撞检测方面也已提出了很多的方法。其中较为普遍的方法是在机械臂上安装各种传感器来检测碰撞的发生，例如腕部传感器、视觉传感器、感知皮肤等，安装传感器虽然可以快速检测到碰撞，但它同时会增加机器人的生产成本以及***的复杂性。考虑到这些问题的存在，也有学者提出了使用无传感的方法来检测碰撞。例如有人提出利用机械臂关节电机的扭矩输出与建立的数学模型估计的扭矩输出进行比较，计算两者之间的误差，进而为检测***设置阈值。如果误差超过预定阈值，则机器人断定此时受到碰撞。然而，误差的计算通常需要精确的机器人动态模型和加速度值。在实际中加速度一般含有噪声且难以估计，并且机器人动态模型会随着时间变化而变化，对于低自由度的机器人，比如一个或两个自由度的，动态模型的计算还相对简单，但是对于高自由度机器人来说，机器人动态模型会非常复杂而大大增加计算量，所以此时动态模型就会变得不可用。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于电机电流的机器人机械臂无传感碰撞检测方法，利用机械臂关节电机电流误差实现无传感碰撞检测。
本发明采用以下技术方案：
一种基于电机电流的机器人机械臂无传感碰撞检测方法，采集机械臂关节电机的输出电流；搭建神经网络并应用反向传播算法更新神经网络的权重和偏差，得到估计的电流值；根据机械臂关节电机输出电流与神经网络输出的估计电流之间的误差值与碰撞检测阈值比较用于碰撞判定。
具体的，采用巴特沃斯滤波器对机械臂关节电机的输出电流进行滤波处理。
进一步的，巴特沃斯滤波器的归一化传递函数H(s)为
其中，s＝jω，ω为信号频率，
的常数，n＝2,4,6...为滤波器阶数。
具体的，神经网络包括输入层，隐藏层和输出层，输入层输入各关节电机的位置、速度以及前一时刻的电流信息，然后经过计算，输出层输出各关节电机的估计电流值。
进一步的，神经网络估计的第P个关节的估计电流值
为：
其中，p＝1,2,...n为机械臂关节电机数，
为第1层第j个神经元到第2层第i个神经元的连接权重，
为第2层第i个神经元到第3层第k个神经元的连接权重，
为第1层到第2层第j个神经元的偏差，
为第2层到第3层第i个神经元的偏差，xi为输入向量X的第i个输入值，ni为输入神经元个数，nh为隐藏层神经元个数。
具体的，若误差大于检测阈值，则判定机器人此时受到碰撞，机械臂由原有的控制程序转换为相应的碰撞反应控制；若误差小于检测阈值，此时机械臂按照原有控制程序运行，同时神经网络应用反向传播算法对神经网络的权重和偏差进行更新。
进一步的，采用反向传播算法来实时更新神经网络的权重和偏差，各参数表达式如下：
其中，
为第2层第i个神经元的激活函数，
为第1层第j个神经元到第2层第i个神经元的连接权重，
为第2层第i个神经元到第3层第k个神经元的连接权重，
为第1层到第2层第j个神经元的偏差，
为第2层到第3层第k个神经元的偏差，no为输出层神经元个数，η和α分别为神经网络的学习率和动量系数。
与现有技术相比，本发明至少具有以下有益效果：
本发明提出了一种基于神经网络的机器人机械臂碰撞检测方法，通过搭建神经网络得到电机的估计电流值，再根据霍尔效应采集电机的输出电流，经过巴特沃斯滤波器滤波之后计算其与估计电流的误差，并将误差值与预定的碰撞检测阈值进行比较，从而判断机械臂是否受到外界物体的碰撞，不需要建立复杂的***动力学模型，也不需要测量加速度，计算上更加高效，可以容易地用于现有***而不需要对机械臂的结构做出改变。在实际应用中，只需要检测电机的电流即可，这种直接利用机械臂关节电机的电流数据来进行碰撞检测的方法，避免了给机械臂安装额外的传感器，降低了机械臂的生产成本。
进一步的，设计一个巴特沃斯滤波器来对电流数据进行滤波处理，使得设置的碰撞检测阈值更加精确。
进一步的，为避免建立复杂的机械臂动力学模型，同时为了本发明提出的碰撞检测方法更具有普适性，搭建一个三层神经网络模型来进行电流估计。
进一步的，通过计算实际电流与估计电流之间的误差来与预定阈值进行比较，从而判断碰撞是否发生。若是，立即驱使机械臂做出反应；若不是，则对神经网络算法进行更新。
进一步的，通过反向传播算法来实时更新神经网络的权重和偏差，使得神经网络输出的估计电流值更加接近机械臂正常运转时输出的实际电流值，从而当机械臂受到碰撞时其实际电流与估计电流之间的误差增大而超过预定阈值，提高碰撞检测准确性。
综上所述，本发明通过神经网络计算而不需要建立复杂的***动力学模型，也不需要测量加速度，计算上更加高效，可以容易地用于现有***而不需要对机械臂的结构做出改变。在实际应用中，只需要检测电机的电流即可，这种直接利用机械臂关节电机的电流数据来进行碰撞检测的方法，避免了给机械臂安装额外的传感器，降低了机械臂的生产成本。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的总体技术方案；
图2为基于神经网络的碰撞检测方法；
图3为神经网络结构示意图。
其中，1.输入层；2.隐藏层；3.输出层；4.神经元；5.网络。
具体实施方式
本发明提供了一种基于电机电流的机器人机械臂无传感碰撞检测方法，通过计算机械臂关节电机输出电流与神经网络输出的估计电流之间的误差，并将其与碰撞检测模块中预定阈值进行比较来判断碰撞的发生。
请参阅图1，一种基于电机电流的机器人机械臂无传感碰撞检测***，包括机械臂关节电机控制***、滤波器、碰撞检测及反应控制***、电机和编码器，机械臂关节电机控制***包括转换开关、位置控制模块和电机伺服控制***，电机伺服控制***包括速度控制模块和电流控制模块，碰撞检测及反应控制***包括反应控制模块和碰撞检测模块。
转换开关的选择端一端与设置关节轨迹连接，另一端与反应控制模块和碰撞检测模块连接，转换开关的公共端依次经位置控制模块、速度控制模块、电流控制模块和滤波器后与电机连接，编码器与电机连接，用于将速度，位置信息通过速度反馈发送至速度控制模块；反应控制模块和碰撞检测模块将电流反馈发送至电流控制模块。
本发明一种基于电机电流的机器人机械臂无传感碰撞检测方法，包括以下步骤：
S1、计算电流误差，根据本发明所述技术方案，碰撞判定是由电流误差与预定阈值进行比较而判定的，因此需要计算电机输出电流与神经网络估计电流之间的差值；
计算电流误差通过以下公式推导，根据n-DOF机械臂动力学模型描述公式(1)以及电机转矩与电流的线性关系式(2)；
其中，
分别为机械臂关节位置、速度和加速度向量，
为机械臂正定、对称惯性矩阵，
为科氏矩阵，
为机械臂重力矢量，
为电机转矩；
τ＝Tc·i (2)
其中，Tc为电机转矩常数，可直接由电机手册中得到，
为各电机输出电流向量；
令
引入积分器来对估计电流进行如下表达，
其中，
为估计电流向量，K为增益；
将公式(1)，(2)带入公式(3)，得到公式(4)如下：
考虑到加速度中一般含有噪声成分，因而为消除上式中加速度
的影响，引入公式(5)，(6)；
因为M(q)是一个正定对称矩阵，
是一个斜对称矩阵，故而
为斜对称矩阵，记作
根据其性质
解得：
从而将公式(4)重新写成如下形式：
得到关节电机电流的误差为：
S2、设置滤波器，由于电机运行过程中摩擦和扰动的存在，电流中一般含有噪声，因此本发明将设计一个巴特沃斯滤波器来对电流数据进行滤波处理，使得设置的碰撞检测阈值更加精确；
巴特沃斯滤波器的传递函数为
S3、搭建神经网络，为避免建立复杂的机械臂动力学模型，同时为了本发明提出的碰撞检测方法更具有普适性，搭建一个三层神经网络模型来进行电流估计，同时应用反向传播算法来更新神经网络的权重和偏差；
选取如下sigmoid函数作为神经网络的激活函数：
模仿公式(7)得到由神经网络估计的电流为
其中，p＝1,2,...n为机械臂关节电机数，
为第p个关节电机的估计电流，
为第1层第j个神经元到第2层第i个神经元的连接权重，
为第2层第i个神经元到第3层第k个神经元的连接权重，
为第1层到第2层第j个神经元的偏差，
为第2层到第3层第i个神经元的偏差，xi为输入向量X的第i个输入值，ni为输入神经元个数，nh为隐藏层神经元个数。
公式(8)现在可表示为：
采用反向传播算法来实时更新神经网络的权重和偏差，公式(10)中的各参数表达式如下：
其中，
为神经网络训练信号，训练输出信号
以满足υk＝0，
为第2层第i个神经元的激活函数，no为输出层神经元个数，η和α分别为神经网络的学习率和动量系数。
S4、设置碰撞检测阈值，通过对神经网络的训练结果进行分析，设置相应的阈值进行碰撞判定。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
(1)请参阅图2，本发明所述的碰撞检测方法需包括一机器人，且机器人应包括有一规划的状态。在实施方式中，机器人可以是点焊等工业机器人。
(2)请参阅图3，本发明所述神经网络共有三层，包括输入层1，隐藏层2和输出层3，输入层1，隐藏层2和输出层3设置有若干神经元4，输入层1，隐藏层2和输出层3之间权值计算与偏差通过网络5传输。输入层输入各关节电机的位置、速度以及前一时刻的电流信息，之后根据公式(10)得到由神经网络估计的电流值；
(3)机械臂关节电机电流一般无法直接测量，采用霍尔效应传感器进行测量，同时应用巴特沃斯滤波器对电流数据进行滤波处理；
(4)电流误差经由公式(11)计算；
(5)在实施方式中，电流误差会与之前设定的检测阈值进行比较，若误差大于检测阈值则判定机器人此时受到碰撞，机械臂将会由原有的控制程序转换为相应的碰撞反应控制；若误差小于检测阈值，此时机械臂按照原有控制程序运行，同时神经网络也会根据式(12)～(16)，应用反向传播算法对神经网络的权重和偏差不断进行更新。
(6)在实施方式中，当机械臂故障清除之后，机械臂会回到控制程序直到结束。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。
Claims (4)
1.一种基于电机电流的机器人机械臂无传感碰撞检测方法，其特征在于，采集机械臂关节电机的输出电流，采用巴特沃斯滤波器对机械臂关节电机的输出电流进行滤波处理；搭建神经网络并应用反向传播算法更新神经网络的权重和偏差，得到估计的电流值，神经网络包括输入层，隐藏层和输出层，输入层输入各关节电机的位置、速度以及前一时刻的电流信息，然后经过计算，输出层输出各关节电机的估计电流值，神经网络估计的第p个关节的估计电流值
为：
其中，p＝1,2,...n为机械臂关节电机数，
为第1层第j个神经元到第2层第i个神经元的连接权重，
为第2层第i个神经元到第3层第k个神经元的连接权重，
为第1层到第2层第j个神经元的偏差，
为第2层到第3层第i个神经元的偏差，xi为输入向量X的第i个输入值，ni为输入神经元个数，nh为隐藏层神经元个数；
根据机械臂关节电机输出电流与神经网络输出的估计电流之间的误差值与碰撞检测阈值比较用于碰撞判定。
2.根据权利要求1所述的基于电机电流的机器人机械臂无传感碰撞检测方法，其特征在于，巴特沃斯滤波器的归一化传递函数H(s)为
其中，s＝jω，ω为信号频率，
的常数，n＝2,4,6...为滤波器阶数。
3.根据权利要求1所述的基于电机电流的机器人机械臂无传感碰撞检测方法，其特征在于，若误差大于检测阈值，则判定机器人此时受到碰撞，机械臂由原有的控制程序转换为相应的碰撞反应控制；若误差小于检测阈值，此时机械臂按照原有控制程序运行，同时神经网络应用反向传播算法对神经网络的权重和偏差进行更新。
4.根据权利要求1所述的基于电机电流的机器人机械臂无传感碰撞检测方法，其特征在于，采用反向传播算法来实时更新神经网络的权重和偏差，各参数表达式如下：
其中，υk为输出层各神经元输出误差，
为第2层第i个神经元的激活函数，
为第1层第j个神经元到第2层第i个神经元的连接权重，
为第2层第i个神经元到第3层第k个神经元的连接权重，
为第1层到第2层第j个神经元的偏差，
为第2层到第3层第k个神经元的偏差，no为输出层神经元个数，η和α分别为神经网络的学习率和动量系数。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910349412.9A CN109940622B (zh) | 2019-04-28 | 2019-04-28 | 一种基于电机电流的机器人机械臂无传感碰撞检测方法 |
| US16/853,358 US20200338735A1 (en) | 2019-04-28 | 2020-04-20 | Sensorless Collision Detection Method Of Robotic Arm Based On Motor Current |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910349412.9A CN109940622B (zh) | 2019-04-28 | 2019-04-28 | 一种基于电机电流的机器人机械臂无传感碰撞检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109940622A CN109940622A (zh) | 2019-06-28 |
| CN109940622B true CN109940622B (zh) | 2020-10-27 |
Family
ID=67016520
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910349412.9A Active CN109940622B (zh) | 2019-04-28 | 2019-04-28 | 一种基于电机电流的机器人机械臂无传感碰撞检测方法 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20200338735A1 (zh) |
| CN (1) | CN109940622B (zh) |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111168665B (zh) * | 2019-11-29 | 2022-08-23 | 江苏集萃智能制造技术研究所有限公司 | 机器人及其碰撞检测方法和装置 |
| CN110977972B (zh) * | 2019-12-03 | 2021-02-12 | 珠海格力电器股份有限公司 | 一种多关节机器人碰撞检测方法、计算机可读存储介质及机器人 |
| CN110919633A (zh) * | 2019-12-06 | 2020-03-27 | 泉州市微柏工业机器人研究院有限公司 | 一种基于力矩控制的机器人的位置偏移方法 |
| CN110900659B (zh) * | 2019-12-11 | 2021-06-04 | 广东博智林机器人有限公司 | 一种机器人碰撞检测方法、装置、电子设备及存储介质 |
| EP4076093A1 (de) * | 2019-12-20 | 2022-10-26 | DewertOkin Technology Group Co., Ltd. | Elektromotorischer möbelantrieb |
| CN111645070B (zh) * | 2020-05-19 | 2022-06-14 | 华为技术有限公司 | 机器人的安全防护方法、装置与机器人 |
| CN111872936B (zh) * | 2020-07-17 | 2021-08-27 | 清华大学 | 一种基于神经网络的机器人碰撞检测***及方法 |
| CN111823235A (zh) * | 2020-07-22 | 2020-10-27 | 西北农林科技大学 | 一种用于采摘机械臂的碰撞检测方法 |
| CN113319853B (zh) * | 2021-06-18 | 2022-11-22 | 广东智源机器人科技有限公司 | 机器人控制方法、装置、电子设备以及机器人*** |
| CN113681567A (zh) * | 2021-09-14 | 2021-11-23 | 北京清飞科技有限公司 | 一种新型无传感器机器人碰撞检测方法及其*** |
| CN114193510A (zh) * | 2021-12-07 | 2022-03-18 | 苏州迪天机器人自动化有限公司 | 基于电流学习的机器人灵敏碰撞检测方法及机器人 |
| CN115107009A (zh) * | 2021-12-23 | 2022-09-27 | 沈阳新松机器人自动化股份有限公司 | 一种洁净机器人碰撞保护智能控制方法 |
| CN114310895B (zh) * | 2021-12-31 | 2022-12-06 | 达闼科技（北京）有限公司 | 机器人碰撞检测方法、装置、电子设备及存储介质 |
| CN115389077B (zh) * | 2022-08-26 | 2024-04-12 | 法奥意威(苏州)机器人***有限公司 | 碰撞检测方法、装置、控制设备及可读存储介质 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102426391B (zh) * | 2011-09-05 | 2014-06-11 | 华南理工大学 | 一种判断机器人运行是否发生碰撞的方法 |
| KR101674968B1 (ko) * | 2015-11-04 | 2016-11-10 | 재단법인대구경북과학기술원 | 화재 현장에서 충돌 회피를 위한 무선 통신 시스템 및 그것을 이용한 충돌 회피 방법 |
| US10154886B2 (en) * | 2016-01-06 | 2018-12-18 | Ethicon Llc | Methods, systems, and devices for controlling movement of a robotic surgical system |
| CN206242971U (zh) * | 2016-11-21 | 2017-06-13 | 清华大学 | 一种车辆及其碰撞吸能控制装置 |
| CN107775639B (zh) * | 2017-10-26 | 2020-10-23 | 广州市敏嘉机器人技术有限公司 | 一种基于电流法的机器人防碰撞方法与*** |
| CN108303743B (zh) * | 2017-12-27 | 2020-07-10 | 顺丰科技有限公司 | 一种无人机螺旋桨碰撞检测方法及检测装置 |
| CN109202907B (zh) * | 2018-10-08 | 2024-02-27 | 广州数控设备有限公司 | 一种基于工业机器人的无传感弹性碰撞装置及方法 |
| CN109288592A (zh) * | 2018-10-09 | 2019-02-01 | 成都博恩思医学机器人有限公司 | 具有机械臂的手术机器人及检测机械臂碰撞的方法 |
| CN109472358B (zh) * | 2018-10-17 | 2021-10-19 | 深圳市微埃智能科技有限公司 | 基于神经网络的焊接工艺参数推荐方法、装置及机器人 |
| CN109460006B (zh) * | 2018-11-08 | 2020-07-07 | 国网四川综合能源服务有限公司四川电力工程分公司 | 一种控制***振荡检测的方法 |
-
2019
- 2019-04-28 CN CN201910349412.9A patent/CN109940622B/zh active Active
-
2020
- 2020-04-20 US US16/853,358 patent/US20200338735A1/en not_active Abandoned
Also Published As
| Publication number | Publication date |
|---|---|
| CN109940622A (zh) | 2019-06-28 |
| US20200338735A1 (en) | 2020-10-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109940622B (zh) | 一种基于电机电流的机器人机械臂无传感碰撞检测方法 | |
| CN112549024B (zh) | 基于时间序列分析的机器人免传感碰撞检测方法及应用 | |
| US20180107174A1 (en) | Human collaborative robot system having improved external force detection accuracy by machine learning | |
| US8793069B2 (en) | Object recognition system for autonomous mobile body | |
| CN109249397B (zh) | 一种六自由度机器人动力学参数辨识方法和*** | |
| CN106569487B (zh) | 一种基于观测器的伺服***的故障检测方法 | |
| Choi et al. | Enhanced SLAM for a mobile robot using extended Kalman filter and neural networks | |
| CN112683269B (zh) | 一种附有运动加速度补偿的marg姿态计算方法 | |
| CN111267105A (zh) | 一种六关节机器人的动力学参数辨识及碰撞检测方法 | |
| CN114012734B (zh) | 一种参数自适应的机器人碰撞检测方法 | |
| CN113365788A (zh) | 作业判别装置及作业判别方法 | |
| US11874666B2 (en) | Self-location estimation method | |
| Lim et al. | Momentum observer-based collision detection using LSTM for model uncertainty learning | |
| Du et al. | A novel human–manipulators interface using hybrid sensors with Kalman filter and particle filter | |
| CN113370208A (zh) | 一种可重构机械臂子***的控制方法及*** | |
| CN113246137A (zh) | 基于外力矩估计模型的机器人碰撞检测方法 | |
| CN114516050B (zh) | 基于位形雅可比条件数优化的机器人外力估计方法及*** | |
| CN117091592A (zh) | 姿态解算方法、姿态解算装置以及计算机存储介质 | |
| CN114407022B (zh) | 一种基于模型参数误差观测器的机械臂碰撞检测方法 | |
| CN116638507A (zh) | 一种自适应阻抗控制与预测控制相结合的遥操作控制方法 | |
| CN113987961A (zh) | 机器人跳跃落地检测方法 | |
| CN114454150A (zh) | 一种基于复合学习的臂式机器人控制方法及机器人*** | |
| CN113043269B (zh) | 一种基于机器人模型的机器人接触力观测*** | |
| Guanshan | Neural network applications in sensor fusion for a mobile robot motion | |
| Ramamoorthy et al. | Self-Balancing Vehicle Based on Adaptive Neuro-Fuzzy Inference System. |
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 |