CN114488791B - 基于操作者意图理解的遥操作事件触发固定时间控制方法 - Google Patents

Abstract

本发明基于操作者意图理解的遥操作事件触发固定时间控制方法，属于机器人控制技术领域；首先建立遥操作***的动力学模型；然后利用神经网络对操作者的运动意图进行估计，可使机器人更好地顺应操作者的运动意图，进而使操作者花费更少精力来操作机器人，最终提高操作性能；基于IBLF时变输出的固定时间控制算法保证机器人的末端在预先设定的时变边界内，同时实现机器人对参考轨迹的快速追踪；基于事件触发的固定时间控制算法可节省了大量的通讯资源和减少***的通讯压力。本发明利用神经网络对操作者的运动意图进行估计，使机器人顺应操作者的运动意图，进而缓解操作者的压力，有助于***控制性能的提升。

Description

基于操作者意图理解的遥操作事件触发固定时间控制方法

技术领域

本发明属于机器人控制技术领域，具体涉及一种基于操作者意图理解的遥操作事件触发固定时间控制方法。

背景技术

遥操作作为扩展人类技能的主要方式，它将人的感知和机器人的操作能力结合起来，使人类从危险和不可达的环境中解离出来。因此，该技术被广泛应用于深空和深海探测、核废料处理、排爆、搜索救援、机器人手术等领域。完全自主是未来机器人控制的趋势，但是受限于当前计算机水平和人工智能技术的发展，完全自主的机器人在短期内无法实现。此外，远端机器人所交互的环境往往部分已知或者完全未知。然而，遥操作作为当下最具潜力的技术，其充分利用了人类的感知及决策和机器人操作能力，实现了“1+1＞2”的效果。因此，它是当前最为合适的人机混合智能策略。

遥操作主从端信号的远距离传输不可避免地给***引入时延，时延严重影响了***的稳定性，并使***的控制性能下降。外部扰动和机器人***本身的不确定性也严重使***的性能退化。受操作时间和操作空间限制，遥操作机器人需要在满足物理约束的同时，在预期时间内完成操作任务。同时，操作员在执行任务期间，面临强大的心理压力和操作压力。

现有技术Liu L,Gao T,Liu Y J,et al.Time-varying IBLFs-based adaptivecontrol of uncertain nonlinear systems with full state constraints[J].Automatica,2021,129:109595.中的方法虽然可处理时变输出约束问题，但是该方法为渐近收敛，其收敛速度较慢，对于操作时间受限的遥操作***不合适；

Wei Y,Zhou P,Wang Y,et al.IBLF-Based Adaptive Finite-time NeuralBackstepping Control of An Autonomous Airship With Full State Constraints[C]//2020IEEE 9th Data Driven Control and Learning Systems Conference(DDCLS).IEEE,2020:162-166.中的方法可处理常值输出约束问题，但是该方法为有限时间收敛，其收敛时间依赖于***的初值。

发明内容

要解决的技术问题：

为了避免现有技术的不足之处，解决遥操作***中时延和不确定性造成的***性能退化问题、主从端有限的通讯资源问题、遥操作机器人的操作空间和操作时间受限问题，本发明提出了一种基于操作者意图理解的遥操作***事件触发固定时间控制方法。其中，神经网络用于补偿不确定性(模型不确定性、外部干扰等)造成的影响；利用神经网络对操作者的运动意图进行估计，可使机器人更好地顺应操作者的运动意图，进而使操作者花费更少精力来操作机器人，最终提高操作性能；基于IBLF时变输出的固定时间控制算法保证机器人的末端在预先设定的时变边界内，同时实现机器人对参考轨迹的快速追踪；基于事件触发的固定时间控制算法可节省了大量的通讯资源和减少***的通讯压力。

本发明的技术方案是：基于操作者意图理解的遥操作事件触发固定时间控制方法，其特征在于具体步骤如下：

步骤一：建立遥操作***的动力学模型；

式中，j∈{m,s}为主从机器人标识，m表述主端机器人，s表述从端机器人，

q_j∈R^n×1分别为机器人的关节加速度、速度和位置；

x_j∈R^n×1分别为笛卡儿空间的加速度、速度和位置；M_xj为惯性量矩阵，C_xj为离心力和哥氏力矩阵，g_xj为重力项矩阵，u_xj表示控制输入，Δ_j不确定性的总和，F_mν＝F_h表示操作者施加力，F_sν＝F_e表示从端机器人和环境间的接触力，/>表示从端反馈到主端的力；

步骤二：利用径向基神经网络对操作者运动意图进行估计，使机器人顺应操作者的运动意图，公式如下：

式中，S_i表示径向基函数，x_m表示主端机器人的实际位置；/>表示用于估计操作者意图的神经网络权重向量；/>表示操作者的意图运动曲线；

步骤三：基于积分障碍李雅普诺夫函数IBLF时变输出约束，设计固定时间控制算法，即主、从端机器人的自适应固定时间控制器为：

通过设计自适应固定时间控制器u_xj,实现对参考轨迹固定时间追踪，同时要保证***输出x_η1在约束区域内，即/>式中，F_jν,j∈{m,s}分别为操作者力和机器人与环境间的接触力，K_j1,K_j2为正定对角阵，W_j2表示用于估计模型不确定性和外部干扰的神经网络权重向量，X_j2表示径向基函数，S_j2表示神经网络的输入向量，k_c(t)表示机器人的末端位置在时变边界；误差变量e_j1,e_j2,j∈{m,s}为：

其中：x_η1＝[x_j1,x_j2,…,x_jn], 为主从端的参考轨迹，α_j为待设计的虚拟控制量；主端的参考轨迹为/>从端的参考轨迹为：T_f(t)为主端到从端的网络传输时延；

步骤四：基于步骤三设计事件触发控制算法，即自适应固定时间事件触发控制器为：

触发条件：式中，0＜κ＜1， 表示大于零参数，t_k+1代表控制器的更新时间，自适应固定时间控制器和自适应固定时间事件触发控制器的差值/>在[t_k,t_k+1)期间，实际给机器人的控制输入为/>直到控制器满足触发条件/>时，实际给机器人的控制输入U_j将被更新为/>

本发明的进一步技术方案是：所述步骤一中，遥操作***是由一对n自由度机械臂组成的分布式***，动力学模型在笛卡儿空间下建立。

本发明的进一步技术方案是：所述步骤二中，的调节原则为使主端操作者和机器人之间的交互力最小，为此选取如下的代价函数：

采用梯度下降法，对求导得到主端操作者的神经网络更新率为：

式中， 为正常数。

本发明的进一步技术方案是：所述步骤三中，为/>的广义逆，满足如下条件

对求导得到更新律如下：

式中，为正对角阵，ι_j1,ι_j2为正常数。

本发明的进一步技术方案是：所述步骤三中，设计的虚拟控制量其中/>形式如下：

式中，0＜p＜1,q＞1, 和γ_j分别为：

有益效果

本发明的有益效果在于：本发明提出一种基于操作者意图理解的遥操作事件触发固定时间控制方法，提出的固定时间事件触发控制策略，即提升了***的收敛速度，消除收敛时间受初值的影响，也能够处理时变输出约束问题，同时节省了***的大量的通讯资源和减少***的通讯压力，为遥操作***开展实际任务提供了一种可行的解决方案；具体优势如下：

1)本发明利用神经网络对操作者的运动意图进行估计，使机器人顺应操作者的运动意图，进而缓解操作者的压力，有助于***控制性能的提升；

2)本发明首次提出了一种基于IBLF时变输出受限的固定时间控制器，实现了机器人在操作时间受限和操作空间受限下的固定时间收敛。确保机器人的输出不会超出预先设定的时变边界，该发明具有更快的收敛速度，达到机器人与环境间高效交互的目标。

现有技术中渐近收敛为当***运行时间趋向于无穷大时，***的稳态误差才收敛到对应界内；有限时间控制方法同渐近收敛相比，***的稳态误差可以在其收敛时间T_finite内收敛到对应界内，但是其收敛时间依赖于***的初值；本发明的固定时间控制方法的收敛时间不依赖于***的初值，***的稳态误差可以在其收敛时间T_fixed内收敛到对应界内。将本发明与文献1和2中对比，在控制输入相当的情况下，其他条件相同的情况下，通过仿真得出本发明的收敛速度最快。

3)本发明充分考虑了网络化遥操作的特点，在基于IBLF时变输出约束固定时间控制器的基础上，设计了自适应固定时间事件触发控制器，从一定程度上降低了***的计算负担和节省了有限的通讯资源。

在触发条件不满足的情况下，实际给机器人的控制输入保持不变(同周期采样驱动控制器u_xj，每个采样周期均需计算)；只有在触发条件满足的情况下，才重新计算控制输入。综上所述，本发明提出的自适应固定时间事件触发控制策略可以降低***的计算负担，同时通讯资源传输也相应减小。

附图说明

图1遥操作***控制框架图；

图2仿真效果图(x,y,z轴为例)；

图3主从端触发间隔图，(a)主端，(b)从端。

具体实施方式

下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

参照图1所示，本发明基于操作者意图理解的遥操作事件触发固定时间控制方法，步骤如下：

步骤一：***的动力学建模；

步骤二：对操作者的运动意图进行估计，进而使机器人顺应操作者的运动意图，缓解操作者的压力；

步骤三：设计一种基于IBLF(积分障碍李雅普诺夫函数)时变输出约束的固定时间控制算法，确保机器人的输出在预先设定的时变边界内，同时实现机器人对参考轨迹的快速追踪；

步骤四：在步骤三的基础上，设计事件触发控制算法，尽可能减少***的计算负担和有限的通讯资源。

综合以上步骤可实现遥操作***与环境间稳定、安全和高效交互。

上述步骤的具体计算过程如下：

步骤一：

遥操作***是由一对n自由度机械臂组成的分布式***，在笛卡儿空间下主从端的动力学形式如下：

式中j∈{m,s}为主从机器人标识，m表述主端机器人，s表述从端机器人；

q_j∈R^n×1分别为机器人的关节加速度、速度和位置。x_j∈R^n×1分别为笛卡儿空间的加速度、速度和位置。M_xj为惯性量矩阵，C_xj为离心力和哥氏力矩阵，g_xj为重力项矩阵，u_xj表示控制输入，Δ_j不确定性的总和，F_mν＝F_h表示操作者施加力，F_sν＝F_e表示从端机器人和环境间的接触力，/>表示从端反馈到主端的力。

步骤二：

操作者的运动意图无法进行精确表示，具有强非线性的特点。因此，神经网络作为一种有效的方式，可实现对操作者运动意图的理解和估计。机器人动力学由目标阻抗模型控制，其形式如下：

式(5)中，M_r,C_r,G_r分别表示主端机器人的期望惯性矩阵，期望阻尼和刚度矩阵；x_m分别表示主端机器人的实际位置，x_d表示主端机器人的静止位置。

对于操作者而言，采用通用的模型来描述操作者手指的动力学，其形式如下：

式(6)中，M_h,C_h,G_h分别表示操作者手指模型的质量、阻尼和刚度矩阵；表示操作者的意图运动曲线。当操作者对主端机器人进行操作时，为了保证操作任务的安全性，一般缓慢移动主端机器人，因此公式(6)可简化为

实际过程中无法获取操作者的C_h,G_h值，由式(7)可得，与/>x_m,F_h等变量有关，故无法轻易获取/>的值。在此，利用径向基神经网络对操作者运动意图进行估计，即

式(8)中，S_i表示径向基函数，x_m表示主端机器人的实际位置；表示用于估计操作者意图的神经网络权重向量；/>表示操作者的意图运动曲线；/>的调节原则为使主端操作者和机器人之间的交互力最小，为此选取如下的代价函数：

采用梯度下降法，选取(8)中主端操作者的神经网络更新率为：

式(10)中的 为正常数。对(10)式进行积分，再结合(8)可得到操作者运动意图/>

步骤三：

为了保证操作的安全性，需要对机器人的位置输出进行限制，即机器人的末端位置在时变边界k_c(t)内。本发明采用积分障碍李雅普诺夫函数(IBLF)和固定时间理论，首次提出基于IBLF时变输出约束的固定时间控制方法。

控制目标：通过设计自适应固定时间控制器u_xj,实现对参考轨迹固定时间追踪，同时要保证输出x_η1在约束区域内，即/>

设计主端机器人和从端机器人的自适应固定时间控制器为

式(11)中：为/>的广义逆，满足如下条件

式(11)中更新律选取如下：

式(11)中误差变量e_j1,e_j2,j∈{m,s}为

式中：x_η1＝[x_j1,x_j2,…,x_jn], 为主从端的参考轨迹，α_j为待设计的虚拟控制量。主端的参考轨迹为/>从端的参考轨迹为：T_f(t)为主端到从端的网络传输时延(可测)。

设计的虚拟控制量其中/>形式如下：

式中0＜p＜1,q＞1, 和γ_j分别为：

式(11)中：F_jν,j∈{m,s}分别为操作者力和机器人与环境间的接触力，ι_j1,ι_j2为正常数，K_j1,K_j2为正对角阵，为正对角阵。用于估计模型不确定性和外部干扰的神经网络权重向量为W_j2，由公式(13)可得，/>步骤四：

设计的自适应固定时间事件触发控制器为：

触发条件：

式(18)和(19)中，0＜κ_j＜1，t_k+1代表控制器的更新时间，自适应固定时间控制器和自适应固定时间事件触发控制器的差值/>在[t_k,t_k+1)期间，实际给机器人的控制输入为/>直到控制器满足触发条件时，实际给机器人的控制输入U_j将被更新为/>

针对遥操作***主从端的动力学模型(1)和(2)，选取虚拟控制量(15)、操作者意图理解神经网络更新律(10)和模型不确定性及外部干扰神经网络更新律(13)、自适应固定时间控制器(11)和自适应固定时间事件触发控制律(18)，可确保遥操作***稳定性，同时实现机器人对操作者运动意图的快速追踪和保证机器人的输出在预先设定的时变边界k_c(t)内，并降低了***的运算负担和节约有限的通讯资源。

遥操作***控制框架图：基于时变输出约束的遥操作***控制框架如图1所示。主端的位置信号x_m(t)经通讯链路传递到从端，得到从端的参考信号随后设计自适应固定时间事件触发控制器/>(见步骤3)，可实现从端机器人对参考信号/>的快速性追踪。为了使机器人更好地理解操作者的运动意图，利用神经网络对操作者的运动进行估计，进而得到/>(见步骤2)。随后在主端设计自适应固定时间事件触发控制器/>(见步骤3)，实现主端机器人对主端参考信号/>的快速性追踪。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (5)

1.基于操作者意图理解的遥操作事件触发固定时间控制方法，其特征在于具体步骤如下：

步骤一：建立遥操作***的动力学模型；

式中，j∈{m,s}为主从机器人标识，m表述主端机器人，s表述从端机器人，q_j∈R^n×1分别为机器人的关节加速度、速度和位置；/>x_j∈R^n×1分别为笛卡儿空间的加速度、速度和位置；M_xj为惯性量矩阵，C_xj为离心力和哥氏力矩阵，g_xj为重力项矩阵，u_xj表示控制输入，Δ_j不确定性的总和，F_mν＝F_h表示操作者施加力，F_sν＝F_e表示从端机器人和环境间的接触力，/>表示从端反馈到主端的力；

步骤二：利用径向基神经网络对操作者运动意图进行估计，使机器人顺应操作者的运动意图，公式如下：

式中，S_i表示径向基函数，x_m表示主端机器人的实际位置；/>表示用于估计操作者意图的神经网络权重向量；/>表示操作者的意图运动曲线；

步骤三：基于积分障碍李雅普诺夫函数IBLF时变输出约束，设计固定时间控制算法，即主、从端机器人的自适应固定时间控制器为：

通过设计自适应固定时间控制器u_xj,实现对参考轨迹固定时间追踪，同时要保证***输出x_η1在约束区域内，即/>式中，F_jν,j∈{m,s}分别为操作者力和机器人与环境间的接触力，K_j1,K_j2为正定对角阵，W_j2表示用于估计模型不确定性和外部干扰的神经网络权重向量，X_j2表示径向基函数，S_j2表示神经网络的输入向量，k_c(t)表示机器人的末端位置在时变边界；误差变量e_j1,e_j2,j∈{m,s}为：

其中：x_η1＝[x_j1,x_j2,,x_jn],为主从端的参考轨迹，α_j为待设计的虚拟控制量；主端的参考轨迹为/>从端的参考轨迹为：/>T_f(t)为主端到从端的网络传输时延；

步骤四：基于步骤三设计事件触发控制算法，即自适应固定时间事件触发控制器为：

触发条件：

式中，0＜κ＜1， 表示大于零参数，t_k+1代表控制器的更新时间，自适应固定时间控制器和自适应固定时间事件触发控制器的差值/>在[t_k,t_k+1)期间，实际给机器人的控制输入为/>直到控制器满足触发条件时，实际给机器人的控制输入U_j将被更新为/>

2.根据权利要求1所述基于操作者意图理解的遥操作事件触发固定时间控制方法，其特征在于：所述步骤一中，遥操作***是由一对n自由度机械臂组成的分布式***，动力学模型在笛卡儿空间下建立。

3.根据权利要求1所述基于操作者意图理解的遥操作事件触发固定时间控制方法，其特征在于：所述步骤二中，的调节原则为使主端操作者和机器人之间的交互力最小，为此选取如下的代价函数：

采用梯度下降法，对求导得到主端操作者的神经网络更新率为：

式中，为正常数。

4.根据权利要求1所述基于操作者意图理解的遥操作事件触发固定时间控制方法，其特征在于：所述步骤三中，为/>的广义逆，满足如下条件

对求导得到更新律如下：

式中，为正对角阵，ι_j1,ι_j2为正常数。

5.根据权利要求1所述基于操作者意图理解的遥操作事件触发固定时间控制方法，其特征在于：所述步骤三中，设计的虚拟控制量其中/>形式如下：

式中，0＜p＜1,q＞1, 和γ_j分别为：