Data-Driven Motion-Force Control Scheme for Redundant Manipulators: A Kinematic Perspective 论文阅读笔记
技术内容
Data-Driven 数据驱动
Redundant manipulators 冗余操纵器(机械臂?)
Kinematic control 运动学控制
RNN 循环神经网络
Motion-force control
英文叙述技巧
- this article proposes … 本文提出
- the key contribution of this article … 本文的关键是
- conventional industrial robots 传统工业机器人
- resolution 解决方案
个人理解
Abstract
Introduction
段落开头引入DOFs自由度概念,强调冗余机械臂的自由度比一般机器人自由度要高,接着描述多余的自由度是用于干什么的,(obstacle avoidance,排除故障;singularity avoidance,奇点回避;minimizing the system energy consumption,减少系统能耗)解决这些问题。
冗余机械臂有两种控制方案,一种是运动控制(motion control),另一种是force control(力控制)
- 运动控制(motion control)
对于运动控制,文中说明要想让机器人或者机械臂等装置按照预定轨迹精确的运行,在运行过程中程中就要尽可能少(即最好没有)的发生接触。根据此观点引出运动控制的核心问题是计算实时的控制命令,用以驱装置按照预定轨迹运动。
按照现有的机器人模型可知,机械臂可以通过角度,速度,加速度角度在关节和笛卡尔空间中进行控制
叙述现有的解决方法:Zhang和Yan从优化的角度研究了冗余机械臂的运动规划问题,并将控制问题转化为二次规划问题(QP)并由VP-RNNs(变参数递归神经网络)求解。
- 力控制(force control)
对于力控制,文中描述当使用力控制时会导致机械臂与目标物体直接交互,故需要测量相关接触力用以调整实时的接触力,力控制在实际工业应用中可以是切割等。
- 混合动力控制(Hybrid motion-force)
文中提到纯运动控制(motion control)一旦机械臂在预定轨迹中遇到障碍,所产生的位置跟踪误差就会急剧增加,为了回到既定的轨迹路线上减少跟踪误差,会导致机械臂内部内力过大,使得机械臂内部电机关节等部件受损。
这一问题是现有操作机械臂的任务之一,即在混合动-力的控制的条件下,控制操纵机械臂与障碍物之间的力。当机械臂遇到障碍物时,智能的调整预设的运动轨迹,消除机械臂内力作用。
说到此处,引入导纳模型,以及基于导纳模型的自适应控制方法,随后简述了导纳模型并以实例进行叙述。
通过该模型的铺垫,引入调整需要获取当前机械臂状态的信息,但在实际操作中一些数据信息是无法得到的,所以再次引入了一种无模型的双网络用以解决该类问题,通过这种方式可以不需要了解机械臂的一些相关信息(这个双网络系统由两个神经网络组成:一个解析网络和一个评估网络。解析网络接收末端执行器的目标姿态作为输入,并输出相应的关节角度解。评估网络则根据解析网络的输出和末端执行器的实际姿态,评估解的质量。通过训练这两个网络,系统可以自动学习适应不同冗余解决方案的关节配置。)
提出DDMFC(data-driven-based motion-force control)方案,通过数据驱动实现控制机械臂,通过RNN求解DDMFC方案中的解。
2023.06.16
文章进入理论公式的描述和推到,因为没接触过,所以在补课…