履带机器人运动控制器c++_协作机器人柔顺运动控制综述（下）

2.4　阻抗控制实现中的关键问题

确定了协作机器人系统阻抗控制结构、控制策略和方法后，阻抗控制技术在实施过程中仍需要以下几个关键问题：1）系统动力学建模（包括协作机器人动力学建模和外界交互环境建模）；2）力的感知；3）阻抗参数的选取。

对于协作机器人来说，轨迹跟踪误差和力控制精度主要是由于动力学建模不精确或无法建模引起的。一些学者对系统动力学建模进行了研究，其中具有代表性的工作有：黎柏春等提出了由外关节向内关节逐步辨识的方法，避免了整体辨识降低了辨识的难度[55]；Athanasios S. P等利用在线深度学习算法，实时辨识机器人逆模型，该算法在保证良好的泛化能力、收敛性和自适应性的前提下，能够更好的实现对逆动力学模型的时变特性的辨识[56]；李二超等提出了通过力传感器获取的信息来估算未知轮廓的约束关系，构建接触环境模型，从而使用机器人在阻抗控制方法下沿着未知环境模型实现了恒力跟踪[57]。

力感知精度直接影响协作机器人的柔顺运动控制性能，目前协作机器人中力觉的感知常采用力/力矩传感器。根据安装位置分为关节力矩传感器和腕部力/力矩传感器：关节力矩传感器可以直接感知各驱动关节的输出力矩，有利于提高机器人的柔顺运动控制性能以及人机交互的安全性[58]；腕部式力/力矩传感器通常具有6个自由度力/力矩感知能力，能够获得机器人末端同环境的交互作用力/力矩，主要应用于机器人与外界环境交互作业时的柔顺运动控制。

阻抗参数能决定机器人与环境之间接触力的变化以及运动轨迹的跟踪情况，但目前尚未有关于阻抗控制参数的具体调整规则，通常需要不断尝试才能得到最优参数的组合，效率较低[59]。为提高阻抗参数的调整效率，崔亮提出了使用临界惯性适度法和模糊自整定两种方法获取阻抗参数的最优值[59]；李坤针对双臂机器人的协同阻抗控制，首先利用仿真方法分析阻抗参数对柔顺控制性能的影响，然后应用遗传算法对阻抗参数进行优化[60]。Chiara T.L等根据在线计算得到的实际导纳特性与期望导纳特性之间的差异，在保证无源性的前提下，实现了与环境交互过程中导纳控制器参数的实时调整[61]。然而，现有的阻抗参数选取方法尚处于研究探索阶段，尤其是在稳定性和鲁棒性方面需要进一步完善。

3　柔顺运动控制技术展望

从安全防护网走出来的协作机器人，正在逐步融入人类的生产和生活环境，也必将与人类实现安全、高效、紧密的交互与协作。未来等待协作机器人的将是更加多样化的工作任务和更加复杂的作业环境，这对其柔顺运动控制技术提出了更高的要求。因此，协作机器人的柔顺运动控制方法需要不断改进和创新，主要将呈现以下几方面发展趋势。

（1）通过驱动关节本体结构创新提高协作机器人的安全性和柔顺运动控制性能。例如：创新设计可变阻抗的双定子力矩电机，或是在驱动关节中引入轻质高效的变阻抗/刚度装置[62]，并基于变阻抗/刚度驱动装置设计相应的柔顺运动控制器。通过关节本体的变阻抗/刚度特性和变阻抗控制算法的有机结合，可望显著提高协作机器人柔顺运动控制性能。

（2）采用理论模型与数据驱动模型相结合提高协作机器人系统的动力学建模精度[63]。精确的动力学模型一方面能够有效地提高协作机器人的轨迹跟踪和力控制精度，另一方面便于控制器优化和控制性能分析，从而有助于提高协作机器人柔顺运动控制性能。

（3）建立协作机器人柔顺运动性能的分析评价方法，为柔顺运动控制器优化设计奠定基础。一方面需研究能够表征机器人系统柔顺运动控制性能的指标[64]；另一方面是研究机器人控制系统中各因素对柔顺控制性能（如稳定性、鲁棒性、控制精度）影响的分析方法，如驱动器响应特性、摩擦力、采样时间延迟、动力学模型误差和交互环境不确定性等。

（4）采用三维视觉技术与力感知技术相结合，提高对非结构化环境和人类行为的感知认知能力。通过信息融合技术和人工智能技术的引入，既可以提高对非结构化环境的建模的可靠性和精度，又能够对人类的动作和行为进行认知与预测，有助于对柔顺运动控制策略进行优化选择，也有助于协作机器人期望阻抗参数的智能化调整，从而使协作机器人能够更好地适应非结构化环境并完成与人协作任务。

4　结论

协作机器人已成为全球机器人产业中发展最为迅速，市场应用最为广阔的一类机器人，而协作机器人的柔顺运动控制技术对于实现安全、高效的人机协作至关重要。本文对目前应用最为广泛的基于阻抗控制的柔顺运动控制方法进行了归纳分析，结果表明：已有的协作机器人阻抗控制技术对于已知的结构化交互环境可实现令人满意的柔顺运动控制性能，但对于未知的非结构化环境，其主要柔顺运动控制性能（如力、位置追踪精度、控制算法的稳定性和鲁棒性）尚不能满足实际应用要求；在人机交互与协作方面，由于现有协作机器人对人类行为的感知、认知能力较差，阻抗控制技术仅能在一定程度上保证人机交互的柔顺性和安全性，尚无法实现针对复杂任务的人机交互协作。为了进一步提高协作机器人在非结构化环境下的操作安全性、运动柔顺性以及人机自然交互与高效协作的能力，未来需要探索的研究方向主要有：关节驱动方式的改进和创新、基于数据驱动的系统建模和参数辨识方法、协作机器人柔顺运动性能的分析评价方法、非结构化环境及人类行为的感知认知方法和智能柔顺运动控制方法等。

★国家自然科学基金—浙江两化融合联合基金项目（基金号U1509202）；国家自然科学基金—青年科学基金项目（基金号51805523）。

参考文献：

[1] International Organization for Standardization. Robots and robotic devices - Collaborative robots [EB/OL]. https://www. http://iso.org/standard/62996.html, 2016-02-04/2017 - 03 - 15.

[2] Kemp C C, Edsinger A and Torres Jara E. Challenges for robot manipulation in human environments [J]. IEEE Robotics and Automation Magazine, 2007, 14 ( 1 ) : 20.

[3] Albu Schaffer A, Haddadin S, Ott C, et al. The DLR lightweight robot: design and control concepts for robots in human environments [J]. Industrial Robot, 2007, 34 ( 5 ) : 376 - 385.

[4] Burger R, Haddadin S, Plank G, et al. The driver concept for the DLR Lightweight Robot III [C]. The IEEE International Conference on Intelligent Robots and Systems, 2010 : 5453 - 5459.

[5] UNIVERSAL ROBOTS. Collaborative robots -ur3-robot, ur5-robot and ur10-robot [Z]. https://www.universal-robots. cn, 2019.

[6] Franka Emika GmbH. Collaborative robots - Franka Emika [Z]. https://www.franka.de, 2019.

[7] 遨博智能科技有限公司. 遨博协作机器人AUBO-i3, AUBO-i5, AUBO-i7, AUBO-i10 [Z]. http://new.aubo-robotics.cn, 2019.

[8] R. D. Howard. Joint and actuator design for enhanced stability in robotic force control [D]. Massachusetts Institute of Technology, Cambridge, MA, USA, 1990.

[9] A. Calanca and P. Fiorini. On the role of compliance in force control [C]. Int. Conf. intelligent Autonomous Systems, 2014.

[10] Tonietti G, Schiavi R and Bicchi A. Design and Control of a Variable Stiffness Actuator for Safe and Fast Physical Human/Robot Interaction [C]. IEEE International Conference on Robotics and Automation, 2005 : 526 - 531.

[11] F Flacco and A De Luca. A pure signal-based stiffness estimation for VSA devices [C]. IEEE International Conference on Robotics and Automation, 2014 : 2418 - 2423.

[12] Jafari A, Tsagarakis N G and Caldwell D G. Aw AS-II: A new Actuator with Adjustable Stiffness based on the novel principle of adaptable pivot point and variable lever ratio [C]. IEEE International Conference on Robotics and Automation, 2011 : 4638 - 4643.

[13] Tsagarakis NG, Sardellitti I and aldwell D G. A new variable stiffness actuator (Comp Act-VSA): Design and modelling [C]. IEEE International Conference on Intelligent Robots and Systems, 2011 : 78 - 383.

[14] A Jafari, N G Tsagarakis and D G Caldwell. A Novel Intrinsically Energy Efficient Actuator With Adjustable Stiffness (Aw AS) [C]. IEEE Transactions on Mechatronics, 2013 : 355 - 365.

[15] M. H. Raibert and J. J. Craig. Hybrid position/force control of manipulators [J]. ASME, Journal of Dynamic Systems, Measurement, and Control, 1981, 102 : 126 - 133.

[16] N. Hogan. Impedance control: an approach to manipulation: part I—theory, implementation and applications [J]. Journal of Dynamic Systems, Measurement, and Control, 1985, 107 ( 1 ) : 1 - 24.

[17] Ott C, Albu Schaffer A and Hirzinger G. Comparison of adaptive and nonadoptive tracking control laws for a flexible joint manipulator [C]. IEEE International Conference on Intelligent Robots and Systems, 2002 : 2018 - 2024.

[18] Ott C. Cartesian. Impedance Control of Redundant and Flexible Joint Robots [M]. City: Springer, 2008 : 83 - 108.

[19] Brogliato B, Ortega R and Lozano R. Global tracking controllers for flexible joint manipulators: a comparative study [J]. Automatica, 1995, 31 ( 7 ) : 941 - 956.

[20] Spong M, Khorasani K and Kokotovic P V. An integral manifold approach to the feedback control of flexible joint robots [J]. IEEE Journal of Robotics and Automation, 1987, 3 ( 4 ) : 291 - 300.

[21] Khalil H K and Grizzle J. Nonlinear systems [M]. City: Prentice hall Upper Saddle River, 2002 : 162 - 179.

[22] Lozano R, Brogliato B. Adaptive control of robot manipulators with flexible joints [J]. IEEE Transactions on Automatic Control, 1992, 37 ( 2 ) : 174 - 181.

[23] Albu Sch ffer A, Ott C and Hirzinger G. A unified passivity based control framework for position, torque and impedance control of flexible joint robots [J]. The International Journal of Robotics Research, 2007, 26 ( 1 ) : 23 - 39.

[24] Ott C, Albu Schaffer A, Kugi A, et al. A passivity based Cartesian impedance controller for flexible joint robots part I: Torque feedback and gravity compensation [C]. IEEE International Conference on Robotics and Automation. 2004 : 2659 - 2665.

[25] Ott C, Albu Schaffer A, Kugi A, et al. On the passivity based impedance control of flexible joint robots [J]. IEEE Transactions on Robotics, 2008, 24 ( 2 ) : 416 - 429.

[26] 何斌. 微分代数方程Hamilton系统及其在电力系统稳定控制中的应用研究[D]. 上海交通大学, 2007.

[27] 吴凡, 耿志勇. 受控拉格朗日函数方法综述[J]. 自动化学报, 2012 : 145 - 155.

[28] 张奇. 轻型机械臂系统及其基于无源性理论的柔顺控制研究[D]. 哈尔滨工业大学，2014.

[29] Albu Sch ffer Alin and Hirzinger G. Cartesian Impedance Control Techniques for Torque Controlled Light Weight Robots [C]. IEEE International Conference on Robotics and Automation, 2002.

[30] C. Ott, R. Mukherjee, and Y. Nakamura. A hybrid system framework for unified impedance and admittance control [J]. Journal of Intelligent and Robotic Systems, 2015, 78 ( 3 ) : 359 - 375.

[31] Calanca A, Muradore R and Fiorini P. A Review of Algorithms for Compliant Control of Stiff and Fixed-Compliance Robots [J]. IEEE/ASME Transactions on Mechatronics, 2016, 21 ( 2 ) : 613 - 624.

[32] Shoushtari A L, Dario P and Mazzoleni S. A Review on the Evolvement Trend of Robotic Interaction Control [J]. Industrial Robot, 2016, 43 ( 5 ) : 535 - 551.

[33] 董建伟, 周巧倩, 徐建明. 机器人阻抗控制研究[C]. 第十三届中国控制会议论文集, 2018.

[34] Ozgoli S , Taghirad H D. A survey on the control of flexible joint robots[J]. Asian Journal of Control, 2010, 8 ( 4 ) : 332 -344.

[35] 蒋再男, 刘宏, 黄剑斌, 等. 基于阻抗内环的新型力外环控制策略[J]. 航空学报, 2009, 30 ( 8 ) : 1515 - 1520.

[36] F. Nagata, T. Hase, Z. Haga, et al. CAD/CAM-based position/force controller for a mold polishing robot [J]. Mechatronics, 2007, 17 : 207 - 216.

[37] J. He, M. Luo and Q. Zhang. Dual impedance control with variable object stiffness for the dual-arm cooperative manipulators [C]. Asia-Pacific Conference on Intelligent Robot Systems, 2016 : 102 - 108.

[38] Mosadeghzad M, Medrano-Cerda G A, Saglia J A, et al. Comparison of various active impedance control approaches, modeling, implementation, passivity, stability and trade-offs [C]. IEEE/ASME International Conference on Advanced Intelligent Mechatronics. 2012.

[39] Stefan S, Arne R and Rudiger D, Forward Dynamics Compliance Control (FDCC): A New Approach to Cartesian Compliance for Robotic Manipulators[C]. IEEE/RSJ International Conference on Intelligent Robots and Systems, 2017.

[40] H. Seraji, R. Colbaugh. Force tracking in impedance control [J]. International Journal of robotics research, 1993, 16 ( 1 ) : 97 - 117.

[41] D. Erickson, M. Weber, and I. Sharf. Contact Stiffness and Damping Estimation for Robotic ystems [J]. The International Journal of Robotics Research 2016, 22 ( 1 ) : 41 - 57.

[42] F. Wang, Z. Luo, H. Liu and L. Wang. Impedance model based fuzzy force control for robot manipulator contacting with a constrained surface with uncertain errors [C]. IEEE International Conference on Robotics and Biomimetics, 2010 : 1555 - 1558.

[43] Z.Li, C. Yang, C. Y. Su, S. Deng, et al. Decentralized Fuzzy Control of Multiple Cooperating Robotic Manipulators With Impedance Interaction [J]. IEEE Transactions on Fuzzy Systems, 2015, 23 ( 4 ) : 1044 - 1056.

[44] Y.Y. Chen, Z. Ji, B.D. Wang, et al. High precision fuzzy impedance control of free-form surfaces polishing robotic arm based on position control [C]. IEEE/ASME International Conference on Advanced Intelligent Mechatronics, 2005 : 819 - 824.

[45] B. Rahmani and M. Belkheiri. Adaptive state feedback control of robotic manipulators using neural networks [C]. 2017 5th International Conference on Electrical Engineering-Boumerdes, 2017 : 1 -5.

[46] 朱秋国, 熊蓉, 吕铖杰, 毛翊超. 新型串联弹性驱动器设计与速度控制[J]. 电机与控制学报, 2015, 19 ( 06 ) : 83 - 88.

[47] 李正义, 曹汇敏. 适应环境刚度、阻尼参数未知或变化的机器人阻抗控制方法[J]. 中国机械工程, 2014, 25 ( 12 ) : 1581 - 1585.

[48] Y. Li, S. S，Ge, Q. Zhang and T. H. Lee. Neural networks impedance control of robots interacting with environments [J], IET Control Theory Applications, 2013, 7 ( 11 ) : 1509 - 1519.

[49] He W and Dong Y. Adaptive Fuzzy Neural Network Control for a Constrained Robot Using Impedance Learning [J]. IEEE Transactions on Neural Networks and Learning Systems, 2018, 29 ( 4 ) : 1174 - 1186.

[50] Polydoros A S and Nalpantidis L. Survey of Model-Based Reinforcement Learning: Applications on Robotics [J]. Journal of Intelligent and Robotic Systems, 2017, 86 ( 2 ) : 153 - 173.

[51] C.C. Cheah and D.Wang. Learning impedance control for robotic manipulators [J]. IEEE Transactions on Robotics and Automation, 1998, 14 ( 3 ) : 452 - 465.

[52] T. Yamawaki, H. Ishikawa and M. Yashima. Iterative learning of variable impedance control for human-robot cooperation [C]. IEEE/RSJ International Conference on Intelligent Robots and Systems, 2016 : 839 - 844.

[53] J. Buchli，F. Stulp，E Theodorou and S Schaal. Learning variable impedance control [J]. International Journal of Robotics Research, 2011, 30 (7) : 820 - 833.

[54] Z. Li, J. Liu, Z. Huang, et al. Adaptive Impedance Control of Human -Robot Cooperation Using Reinforcement Learning [J]. IEEE Transactions on Industrial Electronics, 2017, 64 ( 10 ) : 8013 - 8022.

[55] 黎柏春, 王振宇, Alexey Demin, 等. 一种改进的机器人动力学参数辨识方法[J]. 中国工程机械学报, 2015, 13 ( 05 ) : 381 - 387.

[56] Polydoros A S, Nalpantidis L, Kruger V. Real-time deep learning of robotic manipulator inverse dynamics[C]. IEEE/RSJ International Conference on Intelligent Robots and Systems, 2015.

[57] 李二超, 李战明. 基于力/力矩信息的面向位控机器人的阻抗控制[J]. 控制与决策, 2016, 31(05) : 957 - 960.

[58] L. Roveda, N. Iannacci, F. Vicentini, et al. Optimal Impedance Force-Tracking Control Design With Impact Formulation for Interaction Tasks [J]. IEEE Robotics and Automation Letters, 2016, 1 ( 1 ) : 130 - 136.

[59] 崔亮. 机器人柔顺控制算法研究[D]. 哈尔滨工程大学, 2013.

[60] 李坤. 面向双臂协同的阻抗控制方法研究[D]. 哈尔滨工业大学, 2017.

[61] Chiara T.L, Federica F, Lorenzo S, et al. Admittance Control Parameter Adaptation for Physical Human-Robot Interaction [C]. IEEE International Conference on Robotics and Automation. 2017.

[62] Kashiri N, Caldwell D G, Tsagarakis N G. A Self-Adaptive Variable Impedance Actuator Based on Intrinsic Non-linear Compliance and Damping Principles [C]. IEEE International Conference on Robotics and Automation 2017.

[63] Athanasios S. P, Evangelos B, Lazaros N, Online Multi-Target Learning of Inverse Dynamics Models for Computed-Torque Control of Compliant Manipulators [C]. IEEE/RSJ International Conference on Intelligent Robots and Systems, 2017.

[64] Y. Zhao, N. Paine, S. J. Jorgensen and L. Sentis. Impedance Control and Performance Measure of Series Elastic Actuators [J]. IEEE Transactions on Industrial Electronics, 2018, 65 ( 3 ) : 2817 - 2827.

作者简介：

杨桂林（1965-），男，天津人，高级研究员，博士生导师，现就职于中国科学院宁波材料技术与工程研究所，研究方向是智能机器人与先进制造技术。

王冲冲（1989-），女，河南洛阳人，助理研究员，博士，现就职于中国科学院宁波材料技术与工程研究所，研究方向是工业机器人控制技术。

摘自《自动化博览》2019年2月刊