智能机器人复习
机器人期末复习,自用,有任何问题恕不负责
智能机器人的分类
功能分类机器人
坐标系分类:
- 笛卡尔机器人
- 圆柱形机器人
- 球面或极坐标系机器人
- 铰接式或转动机器人
除了以上坐标系机器人
还有以下机器人
- 钟摆机器人
- SCARA机器人
- 并联机器人
- 移动机器人
- 移动平台机器人
- 可穿戴机器人
驱动器分类
- 电动驱动器:一次输入电源是来自配电系统的电能。
- 液压驱动器:通过合适的泵将蓄水池中储存的水力转化为机械能。
- 气动驱动器:利用压缩机提供的气动能量,即压缩空气,通过活塞或涡轮将其转化为机械能
传感器分类
-
按照物理量测量方式分类:
- 压力传感器
- 温度传感器
- 湿度传感器
- 光学传感器
- 加速度传感器
- 磁力传感器
- 电流传感器
- 电压传感器
- 频率传感器
-
按照感知环境分类:
- 接触式传感器:需要接触所测量的物体,例如力传感器和温度探头。
- 非接触式传感器:不需要接触所测量的物体,例如光学传感器和磁力传感器。
- 空气传感器:用于测量空气中的物理量,例如温度、湿度、气压等。
- 液体传感器:用于测量液体中的物理量,例如液位、流量、压力等。
- 气体传感器:用于测量气体中的物理量,例如气体浓度、温度、湿度等。
-
按照输出信号类型分类:
- 模拟传感器:输出模拟信号,例如电压和电流信号。
- 数字传感器:输出数字信号,例如脉冲信号和数字信号。
- 开关传感器:输出开关信号,例如光电开关和接近开关。
-
按照应用场景分类:
- 汽车传感器:用于汽车中的测量和控制,例如车速传感器和氧气传感器。
- 工业传感器:用于工业自动化中的测量和控制,例如压力传感器和温度传感器。
- 医疗传感器:用于医疗设备中的测量和监测,例如血压传感器和心电传感器。
- 家庭传感器:用于家庭自动化中的测量和控制,例如温度传感器和湿度传感器。
总的来说,传感器是测量和控制系统中不可或缺的元件,在各种领域中都有着广泛的应用。
内部传感器(Internal Sensors)是一种用于测量系统内部参数的传感器设备,通常嵌入在系统内部的电子元件中。内部传感器可以测量系统内部的电压、电流、温度、速度、位置、加速度、角速度等参数。内部传感器通常用于监测和控制系统内部电子元件的状态和行为,以实现自动化控制和精确测量。
一些常见的内部传感器类型包括:
-
温度传感器:温度传感器用于测量系统内部的温度。例如,晶体管温度传感器和集成电路温度传感器等。
-
电流传感器:电流传感器用于测量系统内部的电流。例如,霍尔传感器和电阻式电流传感器等。
-
加速度传感器:加速度传感器用于测量系统内部的加速度。例如,微机电系统(MEMS)加速度传感器和压电式加速度传感器等。
-
角速度传感器:角速度传感器用于测量系统内部的角速度。例如,陀螺仪和MEMS角速度传感器等。
-
位置传感器:位置传感器用于测量系统内部的位置和位移。例如,编码器和霍尔传感器等。
总的来说,内部传感器是一种非常重要的控制元件,用于测量系统内部参数,从而实现自动化控制和精确测量。在各种应用场景中,选择合适的内部传感器可以实现精确的测量和控制,并提高系统的精度和稳定性。
外部传感器(External Sensors)是一种用于向系统提供外部信息的传感器设备。外部传感器可以测量环境参数,例如温度、湿度、气压、光照度、声音等,也可以测量机械参数,例如力量、速度、位移、位置等。外部传感器通常用于监测和控制系统中的物理参数,以实现自动化控制和精确测量。
一些常见的外部传感器类型包括:
- 温度传感器:温度传感器用于测量环境或物体的温度。例如,热敏电阻、热电偶和红外线传感器等。
- 湿度传感器:湿度传感器用于测量环境或物体的湿度。例如,电容式湿度传感器和阻抗式湿度传感器等。
- 气压传感器:气压传感器用于测量环境或物体的气压。例如,差压传感器和压力传感器等。
- 光照传感器:光照传感器用于测量环境或物体的光照强度。例如,光敏电阻和光电二极管等。
- 声音传感器:声音传感器用于测量环境或物体的声音强度。例如,麦克风和压电传感器等。
- 位置传感器:位置传感器用于测量物体的位置和位移。例如,编码器和激光传感器等。
总的来说,外部传感器是一种非常重要的控制元件,用于向系统提供外部信息,从而实现自动化控制和精确测量。在各种应用场景中,选择合适的外部传感器可以实现精确的测量和控制,并提高系统的精度和稳定性。
编码器分类
编码器(Encoder)是一种测量旋转或线性位移的设备,通常被用于工业自动化、机器人、数控机床、医疗设备和航空航天等领域中。
-
增量式线性编码器(Incremental Linear Encoder):它们通过测量物体相对于编码器的位移量来输出脉冲信号。相邻两个脉冲的距离是固定的,因此可以计算出物体的位移量。增量式线性编码器通常具有较高的精度和较低的成本。
-
绝对式线性编码器(Absolute Linear Encoder):它们通过测量物体相对于编码器的绝对位置来输出编码值。绝对式线性编码器通常具有较高的精度和稳定性,但成本较高。
-
增量式旋转编码器(Incremental Rotary Encoder):它们通过测量旋转轴的相对运动来输出脉冲信号。相邻两个脉冲的距离是固定的,因此可以计算出旋转轴的角度。增量式旋转编码器通常具有较高的精度和较低的成本。
-
绝对式旋转编码器(Absolute Rotary Encoder):它们通过测量旋转轴的绝对位置来输出编码值。绝对式旋转编码器通常具有较高的精度和稳定性,但成本较高。
总的来说,编码器是一种非常重要的控制元件,用于测量和控制运动系统中的位置和速度。根据应用场景和要求,可以选择不同类型的编码器来实现精确的测量和控制。
坐标变化
自由度计算
机械系统的自由度被定义为完整描述其姿态或构型所需的独立坐标或最小坐标的数量。
n = s ( r − p − 1 ) + ∑ i p n i n = s(r - p - 1) + \sum^p_i n_i n=s(r−p−1)+i∑pni
- s s s:工作空间的尺寸(对于平面,s=3;空间,s=6)
- r r r:系统中刚体或连杆的数量
- p p p:系统中运动副或关节的数量
- n i n_i ni:每个关节的相对自由度
坐标旋转
齐次变换矩阵的三个物理意义
- 可以作为两个坐标系之间的坐标变换矩阵
- 可以描述坐标系{B}相对于{A}的位置和姿态
- 可以作为运动算子来表示刚体的运动情况
操作臂末端执行器相对固定坐标系的空间位置和姿态描述可以用4*4齐次变换矩阵来描述
一些坐标变换例题
只平移不旋转
只旋转不平移
向X和Y轴平移2和1个单位,再沿W轴旋转30°
4个DH参数的意义
- d:当前关节轴线与上一关节轴线在上一关节坐标系下的距离,即沿z轴的偏移量。
- θ:当前关节轴线绕上一关节轴线旋转的角度,即绕z轴的转角。
- a:当前关节轴线在上一关节坐标系下的投影长度,即沿x轴的偏移量。
- α:当前关节轴线绕上一关节轴线旋转后沿x轴的倾斜角度,即绕x轴的转角。
最基本控制法
基本的控制方法是开环控制(Open-loop Control),也称为非反馈控制。在开环控制中,控制器输出一个预先设定的控制信号,该信号直接作用于执行器或被控制对象,以实现对系统的控制。开环控制没有对系统的输出进行测量或反馈,因此不能对系统的偏差进行校正,容易受到外部干扰和内部扰动的影响。开环控制通常适用于对系统要求不高的简单控制任务,例如对电灯开关的控制、机械臂的简单运动控制等。
雅可比矩阵
雅可比矩阵定义为关节空间速度向末端操作空间传递的映射矩阵
X ˙ = J ( q ) q ˙ \dot X = J(q)\dot q X˙=J(q)q˙
欧拉-拉格朗日法
欧拉-拉格朗日法(Euler-Lagrange equation)是经典力学中的一种数学方法,用于描述质点、刚体或连续介质在运动中的动力学规律。它是一种变分原理,通过求解能量变分的极值来确定系统的运动方程。
T i = 1 2 m i c ˙ i T c ˙ i + 1 2 ω i T I i ω i T_i = \frac{1}{2}m_i\dot c^T_i \dot c_i + \frac{1}{2} \omega^T_i I_i \omega_i Ti=21mic˙iTc˙i+21ωiTIiωi
- T i T_i Ti为第i个刚体的动能
- m i m_i mi为其质量
- c ˙ i \dot c_i c˙i为质心速度
- I i I_i Ii为惯性张量
- ω i \omega_i ωi为角速度
- 公式中第一项表示刚体的平动动能,第二项表示刚体的转动动能。
正向运动学(Forward Kinematics)是机器人运动学中的一个重要概念,用于描述机器人末端执行器的位置和姿态,即机器人的位置学问题。正向运动学可以将机器人的关节变量(例如关节角度)转换为末端执行器的位姿(位置和姿态),从而实现机器人的位置控制和轨迹规划。
正向运动学的计算过程通常分为两步:
- 建立机器人的运动学模型,通常使用DH参数或其他表示方法来描述机械结构和关节运动。
- 根据机器人的运动学模型和关节变量,计算机器人末端执行器的位姿。这个过程通常通过矩阵乘法来实现,将各个坐标系之间的变换矩阵相乘,得到机器人的正向运动学矩阵,从而得到机器人末端执行器的位姿。
逆向运动学(Inverse Kinematics)是机器人运动学中的一个重要概念,用于描述机器人末端执行器的轨迹规划和位置控制,即机器人的控制学问题。逆向运动学可以将机器人末端执行器的位姿(位置和姿态)转换为关节变量(例如关节角度),从而实现机器人的位置控制和轨迹规划。
逆向运动学的计算过程通常分为两步: - 建立机器人的运动学模型,通常使用DH参数或其他表示方法来描述机械结构和关节运动。
- 根据机器人的运动学模型和末端执行器的位姿,计算机器人各个关节的角度。这个过程通常需要解决非线性方程组,因为机器人的运动学模型是非线性的。
概念,用于描述机器人末端执行器的轨迹规划和位置控制,即机器人的控制学问题。逆向运动学可以将机器人末端执行器的位姿(位置和姿态)转换为关节变量(例如关节角度),从而实现机器人的位置控制和轨迹规划。
逆向运动学的计算过程通常分为两步: - 建立机器人的运动学模型,通常使用DH参数或其他表示方法来描述机械结构和关节运动。
- 根据机器人的运动学模型和末端执行器的位姿,计算机器人各个关节的角度。这个过程通常需要解决非线性方程组,因为机器人的运动学模型是非线性的。