CN116100550A - 基于双环力位耦合协同控制的多机器人模仿学习装配方法 - Google Patents

基于双环力位耦合协同控制的多机器人模仿学习装配方法 Download PDF

Info

Publication number
CN116100550A
CN116100550A CN202310111409.XA CN202310111409A CN116100550A CN 116100550 A CN116100550 A CN 116100550A CN 202310111409 A CN202310111409 A CN 202310111409A CN 116100550 A CN116100550 A CN 116100550A
Authority
CN
China
Prior art keywords
workpiece
force
learning
cooperative control
double
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.)
Pending
Application number
CN202310111409.XA
Other languages
English (en)
Inventor
宋小刚
李兵
徐鹏
秦磊
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.)
Shenzhen Graduate School Harbin Institute of Technology
Original Assignee
Shenzhen Graduate School Harbin Institute of Technology
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 Shenzhen Graduate School Harbin Institute of Technology filed Critical Shenzhen Graduate School Harbin Institute of Technology
Priority to CN202310111409.XA priority Critical patent/CN116100550A/zh
Publication of CN116100550A publication Critical patent/CN116100550A/zh
Pending legal-status Critical Current

Links

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
    • B25J9/1628—Programme controls characterised by the control loop
    • B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert 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
    • B25J9/1679—Programme controls characterised by the tasks executed
    • B25J9/1682—Dual arm manipulator; Coordination of several manipulators
    • 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
    • B25J9/1679—Programme controls characterised by the tasks executed
    • B25J9/1687—Assembly, peg and hole, palletising, straight line, weaving pattern movement
    • 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
    • B25J9/1694—Programme controls characterised by use of sensors other than normal servo-feedback from position, speed or acceleration sensors, perception control, multi-sensor controlled systems, sensor fusion
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Manipulator (AREA)

Abstract

本发明公开了一种基于双环力位耦合协同控制的多机器人模仿学习装配方法，包括：获取工件二的位置信息；对多机械臂进行双环力位耦合协同控制，多机械臂在夹持工件一时保持预定的接触内力，并将工件一搬运至工件二的上方，工件一和工件二相接触并达到预定的接触外力；通过模仿学习模型不断调整工件一的位置，直至检测到接触外力突变减小，工件一与工件二位置对齐，通过多机械臂夹持工件一与工件二装配至指定的安装位置；多机械臂协同夹持工件一回到初始位置，完成一个模仿学习回合；连续进行设定回合数的模仿学习回合，以完成训练。本发明结合双环力位耦合协同控制和模仿学习进行多机器人的装配，适用于在紧耦合状态下进行大型工件的高精度装配。

Description

基于双环力位耦合协同控制的多机器人模仿学习装配方法
技术领域
本发明涉及一种基于双环力位耦合协同控制的多机器人模仿学习装配方法。
背景技术
制造技术是经济竞争的核心，制造加工自动化程度越来越高。工业机器人广泛用于制造领域，用于提高生产效率和产品质量。目前工业机器人主要用于搬运、喷漆等不受约束作业，机器人末端工具的运动不受限制。针对受约束的任务，如装配等与工件接触的任务，一般的精密装配任务中有一定的公差配合精度要求，装配间隙小，极容易造成装配卡死。基于位置或速度控制的工业机器人接触刚度大，接触过程中易产生较大接触力，容易造成工件或工具损伤，基本无法完成精密装配任务。
尤其是针对大型工件装配时，由于工件具有一定重量，通常需要多机械臂进行协同配合；传统的工业机器人完成受约束任务时，普遍采用示教点变成或离线编程，存在着部署时间长，算法、编程复杂，对操作人员要求较高、仅用于结构化环境，对环境适应能力差等诸多不足。基于此，亟需提供一种适用于大型工件的高精度装配的方法，以实现自动化装配。
发明内容
本发明的主要目的是提供一种基于双环力位耦合协同控制的多机器人模仿学习装配方法，以实现大型工件的高精度装配。
为了实现上述主要目的，本发明提供了一种基于双环力位耦合协同控制的多机器人模仿学习装配方法，用于在紧耦合状态下进行大型工件的高精度装配，包括以下步骤：
步骤1：获取工件二的位置信息；
步骤2：对多机器人***中的多机械臂进行双环力位耦合协同控制，多机械臂在夹持工件一时保持预定的接触内力，并将工件一搬运至工件二的上方；然后工件一和工件二相接触，并达到预定的接触外力；
步骤3：建立模仿学习模型，并通过模仿学习模型不断调整工件一的位置，直至检测到接触外力突变减小，此时工件一与工件二位置对齐；通过多机械臂夹持工件一与工件二装配至指定的安装位置；
步骤4：多机械臂协同夹持工件一回到初始位置，完成一个模仿学习回合；连续进行设定回合数的模仿学习回合，以完成训练。
根据本发明的另一种具体实施方式，步骤3中的模仿学习模型如下：
模仿学习模型包括智能体、环境、状态空间、动作空间和奖励策略；其中多机器人***作为智能体，多机器人***根据工件一和工件二的接触状态，在动作空间内选取动作，并获取一定的奖励；
状态空间S表示为：
S＝[WEcx WEcy WEcz TEx TEy C]
动作空间A表示为：
Figure BDA0004076896600000021
其中，WEcx、WEcy、WEcz表示沿x、y、z轴的外力；TEx、TEy表示工件一在x-o-y平面内的位置，ΔT为工件一移动的步长；
每次获取的奖励表示为：
Rt＝rt+γrt+1+…+γn-trn＝rt+Rt+1
其中，r、γ(0＜γ＜1)和t分别表示当前的奖励和学习的步数；
获取奖励的策略表示为：
Figure BDA0004076896600000031
其中，tmax为最大的学习步数；在某个状态下的不同动作对应的奖励值会被记录在Q表中，Q表的更新方式为：
Q(s,a)←Q(s,a)+δ(r+γmaxa′Q(s′,a′)-Q(s,a))
其中，s′、a′为下一个状态和动作，δ表示学习率；选取动作的策略为：
Figure BDA0004076896600000032
其中ε∈(0,1)为贪婪系数，β∈(0,1)为随机数。
根据本发明的另一种具体实施方式，步骤4中，当模仿学习回合中的学习步数趋于稳定时，完成训练。
根据本发明的另一种具体实施方式，步骤2中对多机器人***中的多机械臂进行双环力位耦合协同控制的方法如下：
1)建立运动学约束
Figure BDA0004076896600000041
其中，
Figure BDA0004076896600000042
分别代表机械臂基座相对于世界坐标系、物体坐标系相对于世界坐标系、机械臂末端坐标相对于物体坐标系和机械臂末端相对于基坐标的齐次变换矩阵，i表示第i个机械臂；
进一步可将工件一的运动映射到机械臂的关节空间：
Figure BDA0004076896600000043
其中，qri、fIK(.)分别表示第i个机械臂的关节向量和机械臂的逆运动学；
2)建立力约束
通过牛顿欧拉方程建立工件一的动力学方程：
Figure BDA0004076896600000044
其中，m，I，g分别代表工件一的质量、惯量矩阵和重力加速度；
Figure BDA0004076896600000045
表示机械臂施加的力和力矩；fe、τe表示环境施加的力和力矩；v、ω代表工件一的线速度和角速度；
Wr可通过抓捕矩阵G求得：
Wr＝GWC
其中，
Figure BDA0004076896600000046
为机械臂施加在工件一的力；
Figure BDA0004076896600000047
则：
Figure BDA0004076896600000048
其中，
Figure BDA0004076896600000051
为广义逆矩阵，ws表示内力，
Figure BDA0004076896600000052
Figure BDA0004076896600000053
将机械臂施加在工件一上的力，分解为内力WI和外力WE：
Figure BDA0004076896600000054
综上，多机械臂的力位耦合方程如下：
Figure BDA0004076896600000055
Figure BDA0004076896600000056
Figure BDA0004076896600000057
Figure BDA0004076896600000058
Figure BDA0004076896600000059
Figure BDA00040768966000000510
其中，WEc、WEd、TEc、TEd、ME、BE、KE、αE和βE分别表示工件一与环境的接触力、期望外力、实际轨迹、期望轨迹、质量矩阵、阻尼参数矩阵、刚度参数、采样周期和更新率，字母“E”表示外环；WIc、WId、TIc、TId、MI、BI、KI、αI和βI分别表示工件一与机械臂的接触力、期望外力、实际轨迹、期望轨迹、质量矩阵、阻尼参数矩阵、刚度参数、采样周期和更新率，字母“I”表示内环。
根据本发明的另一种具体实施方式，每一机械臂的末端均设有力传感器。
根据本发明的另一种具体实施方式，多机器人***中的多机械臂以圆形阵列方式分布。
根据本发明的另一种具体实施方式，步骤1中通过RGB-D相机获取工件二的位置信息。
本发明具备以下有益效果：
本发明中能够进行大型工件的高精度装配，结合双环力位耦合协同控制和模仿学习进行多机器人的装配，适用于在紧耦合状态下进行大型工件的高精度装配；在多机器人***中多机械臂进行协同夹持工件时，可以有效防止机械臂同步误差引起的巨大内力对工件造成损坏，并对多机械臂协同装配时不确定因素的干扰具有较强的鲁棒性。
为了更清楚地说明本发明的目的、技术方案和优点，下面结合附图和具体实施方式对本发明作进一步的详细说明。
附图说明
图1是本发明的多机器人模仿学习装配方法的示意图；
图2是本发明中进行多次模仿学习回合训练的仿真图；
图3是本发明中进行多次仿真学习回合训练的实验图；
图4是本发明中多机械臂进行双环力位耦合协同控制的框架图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不限于下面公开的具体实施例的限制。
本发明实施例提供了一种基于双环力位耦合协同控制的多机器人模仿学习装配方法，用于在紧耦合状态下进行大型工件的高精度装配，包括以下步骤：
步骤1：通过RGB-D相机获取工件二的位置信息；
这里的位置信息在一定程度上是初略的、大概的，并非可以直接进行装配的精确位置信息，只是为装配提供范围性的位置信息。
步骤2：对多机器人***中的多机械臂进行双环力位耦合协同控制，以防止机械臂同步误差引起的巨大内力损伤工件，解决多机械臂协同搬运物体时力和位姿的双重耦合问题；多机械臂在夹持工件一时保持预定的接触内力，并将工件一搬运至工件二的上方；然后工件一和工件二相接触，并达到预定的接触外力；
具体的，如图1所示，本发明实施例中的多机器人***中具有三个机械臂，单个机械臂以圆形阵列方式分布；在其他实施例中，也可以设有更多的机械臂，这里不再展开介绍。其中，每一机械臂的末端均设有力传感器，以进行作用力的检测。
步骤3：建立模仿学习模型，并通过模仿学习模型不断调整工件一的位置，直至检测到接触外力突变减小，此时工件一与工件二位置对齐；通过多机械臂夹持工件一与工件二装配至指定的安装位置；
模仿学习模型如下：
模仿学习模型包括智能体、环境、状态空间、动作空间和奖励策略；其中多机器人***作为智能体，多机器人***根据工件一和工件二的接触状态，在动作空间内选取动作，并获取一定的奖励；
状态空间S表示为：
S＝[WEcx WEcy WEcz TEx TEy C]
动作空间A表示为：
Figure BDA0004076896600000081
其中，WEcx、WEcy、WEcz表示沿x、y、z轴的外力；TEx、TEy表示工件一在x-o-y平面内的位置，ΔT为工件一移动的步长；
每次获取的奖励表示为：
Rt＝rt+γrt+1+…+γn-trn＝rt+Rt+1
其中，r、γ(0＜γ＜1)和t分别表示当前的奖励、学习率和学习的步数；
获取奖励的策略表示为：
Figure BDA0004076896600000082
其中，tmax为最大的学习步数；在某个状态下的不同动作对应的奖励值会被记录在Q表中，Q表的更新方式为：
Q(s,a)←Q(s,a)+δ(r+γmaxa′Q(s′,a′)-Q(s,a))
其中，s′、a′为下一个状态和动作，δ表示学习率；选取动作的策略为：
Figure BDA0004076896600000091
其中ε∈(0,1)为贪婪系数，β∈(0,1)为随机数。
本发明实施例中的模仿学习流程如下：
Figure BDA0004076896600000092
Figure BDA0004076896600000101
步骤4：多机械臂协同夹持工件一回到初始位置，完成一个模仿学习回合；连续进行设定回合数的模仿学习回合，以完成训练。其中，当模仿学习回合中的学习步数趋于稳定时，完成训练。
如图2所示，经过仿真，在经过10个模仿学习回合后，后续的模仿学习回合中的学习步数趋于稳定在20步以下，在经过19个模仿学习回合后，后续的模仿学习回合中的学习步数趋于稳定在12步；则根据装配精度要求的高低，确定最佳的装配过程。
如图3所示，经过实验，在经过20个模仿学习回合后，后续的模仿学习回合中的学习步数趋于稳定在100步以下，在经过19个模仿学习回合后，后续的模仿学习回合中的学习步数趋于稳定在20-25步范围内；则根据装配精度要求的高低，确定最佳的装配过程。
如图4所示，本发明实施例中步骤2中对多机器人***中的多机械臂进行双环力位耦合协同控制的方法如下：
1)建立运动学约束
Figure BDA0004076896600000102
其中，
Figure BDA0004076896600000111
分别代表机械臂基座相对于世界坐标系、物体坐标系相对于世界坐标系、机械臂末端坐标相对于物体坐标系和机械臂末端相对于基坐标的齐次变换矩阵，i表示第i个机械臂；
进一步可将工件一的运动映射到机械臂的关节空间：
Figure BDA0004076896600000112
其中，qri、fIK(.)分别表示第i个机械臂的关节向量和机械臂的逆运动学；
2)建立力约束
在多机械臂协同搬运过程中，还需要解决负载分配问题；通过牛顿欧拉方程建立工件一的动力学方程：
Figure BDA0004076896600000113
其中，m，I，g分别代表工件一的质量、惯量矩阵和重力加速度；
Figure BDA0004076896600000114
表示机械臂施加的力和力矩；fe、τe表示环境施加的力和力矩；v、ω代表工件一的线速度和角速度；
Wr可通过抓捕矩阵G求得：
Wr＝GWC
其中，
Figure BDA0004076896600000115
为机械臂施加在工件一的力；
Figure BDA0004076896600000116
则：
Figure BDA0004076896600000117
其中，
Figure BDA0004076896600000121
为广义逆矩阵，ws表示内力，
Figure BDA0004076896600000122
Figure BDA0004076896600000123
将机械臂施加在工件一上的力，分解为内力WI和外力WE：
Figure BDA0004076896600000124
综上，多机械臂的力位耦合方程如下：
Figure BDA0004076896600000125
Figure BDA0004076896600000126
Figure BDA0004076896600000127
Figure BDA0004076896600000128
Figure BDA0004076896600000129
Figure BDA00040768966000001210
其中，WEc、WEd、TEc、TEd、ME、BE、KE、αE和βE分别表示工件一与环境的接触力、期望外力、实际轨迹、期望轨迹、质量矩阵、阻尼参数矩阵、刚度参数、采样周期和更新率，字母“E”表示外环；WIc、WId、TIc、TId、MI、BI、KI、αI和βI分别表示工件一与机械臂的接触力、期望外力、实际轨迹、期望轨迹、质量矩阵、阻尼参数矩阵、刚度参数、采样周期和更新率，字母“I”表示内环。
虽然本发明以具体实施例揭露如上，但这些具体实施例并非用以限定本发明实施的范围。任何本领域的普通技术人员，在不脱离本发明的发明范围内，当可作些许的变化/修改，即凡是依照本发明所做的同等变化/修改，应为本发明的保护范围所涵盖。

Claims (7)

1.基于双环力位耦合协同控制的多机器人模仿学习装配方法，用于在紧耦合状态下进行大型工件的高精度装配，其特征在于，包括以下步骤：
步骤1：获取工件二的位置信息；
步骤2：对多机器人***中的多机械臂进行双环力位耦合协同控制，多机械臂在夹持工件一时保持预定的接触内力，并将工件一搬运至工件二的上方；然后工件一和工件二相接触，并达到预定的接触外力；
步骤3：建立模仿学习模型，并通过模仿学习模型不断调整工件一的位置，直至检测到接触外力突变减小，此时工件一与工件二位置对齐；通过多机械臂夹持工件一与工件二装配至指定的安装位置；
步骤4：多机械臂协同夹持工件一回到初始位置，完成一个模仿学习回合；连续进行设定回合数的模仿学习回合，以完成训练。
2.如权利要求1所述的基于双环力位耦合协同控制的多机器人模仿学习装配方法，其特征在于：步骤3中的模仿学习模型如下：
模仿学习模型包括智能体、环境、状态空间、动作空间和奖励策略；其中多机器人***作为智能体，多机器人***根据工件一和工件二的接触状态，在动作空间内选取动作，并获取一定的奖励；
状态空间S表示为：
S＝[WEcx WEcy WEcz TEx TEy C]
动作空间A表示为：
Figure FDA0004076896590000021
其中，WEcx、WEcy、WEcz表示沿x、y、z轴的外力；TEx、TEy表示工件一在x-o-y平面内的位置，ΔT为工件一移动的步长；
每次获取的奖励表示为：
Rt＝rt+γrt+1+…+γn-trn＝rt+Rt+1
其中，r、γ(0＜γ＜1)和t分别表示当前的奖励和学习的步数；
获取奖励的策略表示为：
Figure FDA0004076896590000022
其中，tmax为最大的学习步数；在某个状态下的不同动作对应的奖励值会被记录在Q表中，Q表的更新方式为：
Q(s,a)←Q(s,a)+δ(r+γmaxa′Q(s′,a′)-Q(s,a))其中，s′、a′为下一个状态和动作，δ表示学习率；选取动作的策略为：
Figure FDA0004076896590000023
其中ε∈(0,1)为贪婪系数，β∈(0,1)为随机数。
3.如权利要求2所述的基于双环力位耦合协同控制的多机器人模仿学习装配方法，其特征在于：步骤4中，当模仿学习回合中的学习步数趋于稳定时，完成训练。
4.如权利要求1所述的基于双环力位耦合协同控制的多机器人模仿学习装配方法，其特征在于：步骤2中对多机器人***中的多机械臂进行双环力位耦合协同控制的方法如下：
1)建立运动学约束
Figure FDA0004076896590000031
其中，
Figure FDA0004076896590000032
分别代表机械臂基座相对于世界坐标系、物体坐标系相对于世界坐标系、机械臂末端坐标相对于物体坐标系和机械臂末端相对于基坐标的齐次变换矩阵，i表示第i个机械臂；
进一步可将工件一的运动映射到机械臂的关节空间：
Figure FDA0004076896590000033
其中，qri、fIK(.)分别表示第i个机械臂的关节向量和机械臂的逆运动学；
2)建立力约束
通过牛顿欧拉方程建立工件一的动力学方程：
Figure FDA0004076896590000034
其中，m，I，g分别代表工件一的质量、惯量矩阵和重力加速度；
Figure FDA0004076896590000035
表示机械臂施加的力和力矩；fe、τe表示环境施加的力和力矩；v、ω代表工件一的线速度和角速度；
Wr可通过抓捕矩阵G求得：
Wr＝GWC
其中，
Figure FDA0004076896590000041
为机械臂施加在工件一的力；
Figure FDA0004076896590000042
则：
Figure FDA0004076896590000043
其中，
Figure FDA0004076896590000044
为广义逆矩阵，ws表示内力，
Figure FDA0004076896590000045
Figure FDA0004076896590000046
将机械臂施加在工件一上的力，分解为内力WI和外力WE：
Figure FDA0004076896590000047
综上，多机械臂的力位耦合方程如下：
Figure FDA0004076896590000048
Figure FDA0004076896590000049
Figure FDA00040768965900000410
Figure FDA00040768965900000411
Figure FDA0004076896590000051
Figure FDA0004076896590000052
其中，WEc、WEd、TEc、TEd、ME、BE、KE、αE和βE分别表示工件一与环境的接触力、期望外力、实际轨迹、期望轨迹、质量矩阵、阻尼参数矩阵、刚度参数、采样周期和更新率，字母“E”表示外环；WIc、WId、TIc、TId、MI、BI、KI、αI和βI分别表示工件一与机械臂的接触力、期望外力、实际轨迹、期望轨迹、质量矩阵、阻尼参数矩阵、刚度参数、采样周期和更新率，字母“I”表示内环。
5.如权利要求4所述的基于双环力位耦合协同控制的多机器人模仿学习装配方法，其特征在于：每一机械臂的末端均设有力传感器。
6.如权利要求1所述的基于双环力位耦合协同控制的多机器人模仿学习装配方法，其特征在于：多机器人***中的多机械臂以圆形阵列方式分布。
7.如权利要求1所述的基于双环力位耦合协同控制的多机器人模仿学习装配方法，其特征在于：步骤1中通过RGB-D相机获取工件二的位置信息。
CN202310111409.XA 2023-02-14 2023-02-14 基于双环力位耦合协同控制的多机器人模仿学习装配方法 Pending CN116100550A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310111409.XA CN116100550A (zh) 2023-02-14 2023-02-14 基于双环力位耦合协同控制的多机器人模仿学习装配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310111409.XA CN116100550A (zh) 2023-02-14 2023-02-14 基于双环力位耦合协同控制的多机器人模仿学习装配方法

Publications (1)

Publication Number Publication Date
CN116100550A true CN116100550A (zh) 2023-05-12

Family

ID=86253949

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310111409.XA Pending CN116100550A (zh) 2023-02-14 2023-02-14 基于双环力位耦合协同控制的多机器人模仿学习装配方法

Country Status (1)

Country Link
CN (1) CN116100550A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117601137A (zh) * 2024-01-24 2024-02-27 海克斯康软件技术(青岛)有限公司 一种多机器人的联合控制方法
CN117601117A (zh) * 2023-11-02 2024-02-27 同济大学 一种基于协同阻抗的多机器人协调搬运控制方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117601117A (zh) * 2023-11-02 2024-02-27 同济大学 一种基于协同阻抗的多机器人协调搬运控制方法
CN117601117B (zh) * 2023-11-02 2024-05-24 同济大学 一种基于协同阻抗的多机器人协调搬运控制方法
CN117601137A (zh) * 2024-01-24 2024-02-27 海克斯康软件技术(青岛)有限公司 一种多机器人的联合控制方法
CN117601137B (zh) * 2024-01-24 2024-03-29 海克斯康软件技术(青岛)有限公司 一种多机器人的联合控制方法

Similar Documents

Publication Publication Date Title
CN116100550A (zh) 基于双环力位耦合协同控制的多机器人模仿学习装配方法
CN108818535B (zh) 机器人3d视觉手眼标定方法
CN104965517B (zh) 一种机器人笛卡尔空间轨迹的规划方法
CN110193829B (zh) 一种耦合运动学与刚度参数辨识的机器人精度控制方法
Lee et al. Relative impedance control for dual-arm robots performing asymmetric bimanual tasks
CN106475999B (zh) 刚性条件下基于阻抗模型的双臂协调的加速度控制方法
CN111923039B (zh) 一种基于强化学习的冗余机械臂路径规划方法
Polverini et al. Sensorless and constraint based peg-in-hole task execution with a dual-arm robot
CN108068113B (zh) 7-dof仿人臂飞行物体作业最小加速度轨迹优化
CN112405519A (zh) 上下料机器人运动轨迹规划方法
Jamisola et al. Task-space modular dynamics for dual-arms expressed through a relative jacobian
CN111515928B (zh) 机械臂运动控制***
CN108153957A (zh) 空间机械臂动力学仿真分析方法、***及存储介质
CN114310915B (zh) 基于视觉反馈的空间机械臂对接末端工具轨迹规划方法
Zhang et al. A high-fidelity simulation platform for industrial manufacturing by incorporating robotic dynamics into an industrial simulation tool
CN114473324A (zh) 基于示教学习的多机械臂协同拼接焊接控制方法及***
CN110253573A (zh) 一种基于串并联估计模型的柔性机械臂***模糊控制方法
CN114473323B (zh) 一种多机械臂力位耦合协同控制方法和焊接方法
He et al. Optimal design of industrial robot kinematics algorithm
CN115674204A (zh) 一种基于深度强化学习与导纳控制的机器人轴孔装配方法
CN113134839B (zh) 一种基于视觉和力位图像学习的机器人精密柔性装配方法
CN114800513A (zh) 基于单次拖动示教自动生成机器人轴孔装配程序的***和方法
CN111966040B (zh) 一种机器人拾放任务中用于平衡冲击动载的轨迹生成方法
CN110815230B (zh) 一种基于虚拟采样的六轴码垛机器人位姿适配方法
Yue Kinematic modelling and simulation of LeArm robot

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