第5章 機器人控制

1、機器人學基礎機器人學基礎國家級國家級智能科學基礎系列課程教學團隊智能科學基礎系列課程教學團隊“機器人學機器人學”課程配套教材課程配套教材蔡自興蔡自興 主編主編20092第五章 機器人控制5.1 機器人的基本控制原則 從控制觀點看，機器人系統(tǒng)代表冗余的、多變量和本質(zhì)上非線性的控制系統(tǒng)，同時又是復雜的耦合動態(tài)系統(tǒng)。每個控制任務本身就是一個動力學任務。機器人學基礎35.1 機器人的基本控制原則控制器分類 機器人控制器是具有多種結構形式，包括非伺服控制、伺服控制、位置和速度反饋控制、力（力矩）控制、基于傳感器的控制、非線性控制、分解加速度控制、滑?？刂?、最優(yōu)控制、自適應控制、遞階控制以及各種智能控制等

2、 。 第五章 機器人控制5.1.1 基本控制原則45.1.1 基本控制原則5.1 機器人的基本控制原則5.1 表機器人控制的分類及其分析方法5.1.1 基本控制原則5主控變量 圖5.1表示一臺機器人的各關節(jié)控制變量。5.1 圖機器手各關節(jié)控制變量5.1 機器人的基本控制原則6主要控制層次 圖5.2表示機器人的主要控制層次。第一級：人工智能級第二級：控制模式級 第三級：伺服系統(tǒng)級5.2 圖機器手主要控制層次5.1.1 基本控制原則5.1 機器人的基本控制原則5.1.2 伺服控制系統(tǒng)舉例液壓缸伺服傳動系統(tǒng)75.1 機器人的基本控制原則5.3 圖液壓缸伺服傳動系統(tǒng)結構圖電-液壓伺服控制系統(tǒng) 85.1

3、.2 伺服控制系統(tǒng)舉例5.4 -圖電 液壓伺服控制系統(tǒng)5.1 機器人的基本控制原則9 機器人為串續(xù)連桿式機械手，其動態(tài)特性具有高度的非線性。要控制這種由馬達驅(qū)動的操作機器人，用適當?shù)臄?shù)學方程式來表示其運動是十分重要的。這種數(shù)學表達式就是數(shù)學模型，或簡稱模型。 在設計模型時，提出下列二個假設： （1）機器人的各段是理想剛體，因而所有關節(jié)都是理想的，不存在摩擦和間隙。 （2）相鄰兩連桿間只有一個自由度，要么為完全旋轉(zhuǎn)的，要么是完全平移的。第五章 機器人控制5.2 機器人的位置控制105.2.1 直流傳動系統(tǒng)的建模n傳遞函數(shù)與等效方框圖 5.5圖 直流電動機伺服傳動原理5.2 機器人的位置控制11直

4、流電動機的轉(zhuǎn)速調(diào)整5.2 機器人的位置控制5.8圖 具有測速反饋的直流電動機控制原理圖5.2.1 直流傳動系統(tǒng)的建模(a) 控制原理圖(b) 等效電路圖12基本控制結構5.2.2 位置控制的基本結構5.9圖 機器人位置控制基本結構5.2 機器人的位置控制(a) 關節(jié)空間控制結構(b) 直角坐標空間控制結構13PUMA機器人的伺服控制結構 5.10 PUMA圖 機器人的伺服控制結構5.2.2 位置控制的基本結構5.2 機器人的位置控制145.2.3 單關節(jié)位置控制器n位置控制系統(tǒng)結構5.11圖 斯坦福機械手的位置控制系統(tǒng)方框圖5.2 機器人的位置控制15單關節(jié)控制器的傳遞函數(shù) 5.12圖 一個關

5、節(jié)的電動機-齒輪-負載聯(lián)合裝置示意圖)()()()(2IemmmmImmKkBRSBLJRJSLSKSVS(5.35)5.2.3 單關節(jié)位置控制器5.2 機器人的位置控制165.13圖 機械手位置控制器結構圖5.2 .3 單關節(jié)位置控制器5.2 機器人的位置控制17參數(shù)確定及穩(wěn)態(tài)誤差 的確定關節(jié)控制器的穩(wěn)態(tài)誤差1KK 和tetIeffmKkKKBJRK/ )/(1ImeffKRJK4/2ILgfmsspKKCCCRe/ )(5.2 .3 單關節(jié)位置控制器5.2 機器人的位置控制(5.53)(5.55)(5.64)5.2 .4 多關節(jié)位置控制器18動態(tài)方程的拉格朗日公式各關節(jié)間的耦合與補償耦合慣

6、量補償?shù)挠嬎鉵iqLqLdtdiii, 2 , 1,T616161ijkikjijkiaijijiDqqDqJqD T5.2 機器人的位置控制195.3 機器人的力和位置混合控制5.3.1 力和位置混合控制方案主動剛性控制 如果希望在某個方向上遇到實際約束，那么這個方向的剛性應當降低，以保證有較低的結構應力；反之，在某些不希望碰到實際約束的方向上，則應加大剛性，這樣可使機械手緊緊跟隨期望軌跡。于是，就能夠通過改變剛性來適應變化的作業(yè)要求。第五章 機器人控制5.15圖 主動剛性控制框圖205.3.1 力和位置混合控制方案雷伯特-克雷格位置/力混合控制器5.16 R-C圖 控制器結構5.3 機器人

7、的力和位置混合控制21雷伯特-克雷格位置/力混合控制器對R-C控制器進行如下改進：在混合控制器中考慮機械手的動態(tài)影響，并對機械手所受重力及哥氏力和向心力進行補償； 考慮力控制系統(tǒng)的欠阻尼特性，在力控制回路中，加入阻尼反饋，以消弱振蕩因素。引入加速度前饋，以滿足作業(yè)任務對加速度的要求，也可使速度平滑過渡。改進后的R-C力/位置混合控制系統(tǒng)結構圖如圖5.17所示。5.3.1 力和位置混合控制方案225.17R-C圖 改進后的混合控制系統(tǒng)結構雷伯特-克雷格位置/力混合控制器5.3.1 力和位置混合控制方案235.3.1 力和位置混合控制方案操作空間力和位置混合控制系統(tǒng)5.18/圖 操作空間力 位置混

8、合控制系統(tǒng)框圖5.3 機器人的力和位置混合控制5.3.2 力和位置混合控制系統(tǒng)控制規(guī)律的綜合位置控制規(guī)律系統(tǒng)的控制器方程為：閉環(huán)系統(tǒng)的動態(tài)方程：取24)(),()()()(qGqqCqqKqqKqqMTdppdpdd (5.67)0qKqKqpppd (5.70)IKIKnppnpd22(5.71)5.3 機器人的力和位置混合控制25力控制規(guī)律令圖5.17中的位置適從選擇矩陣 S=0，控制末端在基坐標系z0方向上受到反作用力。設約束表面為剛體，末端受力如圖5.19所示，那么對三連桿機械手進行力控制時有力控制選擇矩陣：100000000S5.3.2 力和位置混合控制系統(tǒng)控制規(guī)律的綜合5.3 機器

9、人的力和位置混合控制5.19圖 機械手末端受力圖力控制規(guī)律閉環(huán)系統(tǒng)的動態(tài)方程：上式表明，關節(jié)1對力控制不起作用，關節(jié)2和3對力控制有作用。265.3.2 力和位置混合控制系統(tǒng)控制規(guī)律的綜合)()(0223333233233313233322223221dfdfddfdfdffHqKJJqKJqffHqKJJqKJqq (5.76)27力和位置混合控制規(guī)律設約束坐標系與基坐標系重合。如果要求作業(yè)在基坐標系的z0方向進行力控制，在某個與x0y0平面平行的約束面上進行位置控制，則適從選擇矩陣為位置： 力： 000010001S100000000SfHJHJHJHJHJHJfHfHJzKzyKyKyx

10、KxKxfdpppdpppd23313222312221311221322110 (5.84)5.3.2 力和位置混合控制系統(tǒng)控制規(guī)律的綜合5.3 機器人的力和位置混合控制5.4 機器人的智能控制5.4.1 智能控制系統(tǒng)的分類 遞階控制系統(tǒng)遞階智能控制系統(tǒng)是個整體。組織級代表控制系統(tǒng)的主導思想，并由人工智能起控制作用。協(xié)調(diào)級是上（組織）級和下（執(zhí)行）級間的接口，承上啟下，并由人工智能和運籌學共同作用。執(zhí)行級是遞階控制的底層，要求具有較高的精度和較低的智能，它按控制論進行控制，對相關過程執(zhí)行適當?shù)目刂谱饔谩?8第五章 機器人控制遞階控制系統(tǒng) 智能控制系統(tǒng)是由三個基本控制級構成的，其級聯(lián)交互結構如

11、圖5.20 所示。遞階智能控制系統(tǒng)遵循提高精度而降低智能（IPDI）的原理。概率模型用于表示組織級推理、規(guī)劃和決策的不確定性，指定協(xié)調(diào)級的任務以及執(zhí)行級的控制作用。采用熵來度量智能機器執(zhí)行各種指令的效果，并采用熵進行最優(yōu)決策。295.4.1 智能控制系統(tǒng)的分類 5.20圖 遞階智能機器的級聯(lián)結構30圖5.21表示具有視覺反饋的PUMA600機械手的智能系統(tǒng)分級結構圖。遞階控制系統(tǒng) 5.4.1 智能控制系統(tǒng)的分類 5.21圖 具有視覺反饋的機械手遞階控制結構315.4.1 智能控制系統(tǒng)的分類 專家控制系統(tǒng)專家控制系統(tǒng)是一個應用專家系統(tǒng)技術的控制系統(tǒng)，也是一個典型的和廣泛應用的基于知識的控制系統(tǒng)。

12、幾乎所有的專家控制系（控制器）都包含知識庫、推理機、控制規(guī)則集和或控制算法等。圖5.22 畫出專家控制系統(tǒng)的基本結構。5.4 機器人的智能控制5.22圖 專家控制器的典型結構325.4 .1 智能控制的分類模糊控制系統(tǒng)有效性：提供一種實現(xiàn)基于知識（基于規(guī)則）的甚至語言描述的控制規(guī)律的新機理。 提供了一種改進非線性控制器的替代方法 。模糊控制系統(tǒng)的基本結構如圖5.23所示。5.23圖 模糊控制系統(tǒng)的基本結構5.4 機器人的智能控制335.4 .1 智能控制的分類學習控制系統(tǒng)學習控制具有4個主要功能：搜索、識別、記憶和推理。在線學習控制系統(tǒng)和離線學習控制系統(tǒng)，分別如圖5.26(a) 和圖5.26(

13、b)所示。5.4 機器人的智能控制5.24圖 學習控制系統(tǒng)原理圖345.4 .1 智能控制的分類神經(jīng)控制系統(tǒng)基于人工神經(jīng)網(wǎng)絡的控制(ANN-based control)，簡稱神經(jīng)控制(neurocontrol)或NN控制。提出的神經(jīng)控制的結構方案很多，包括NN學習控制、NN直接逆控制、NN自適應控制、NN內(nèi)?？刂啤N預測控制、NN最優(yōu)決策控制、NN強化控制、CMAC控制、分級NN控制和多層NN控制等。圖5.25 表示監(jiān)督式神經(jīng)控制器的結構。5.25NN圖 監(jiān)督式學習控制器的結構5.4 機器人的智能控制355.4 .1 智能控制的分類進化控制系統(tǒng)進化與反饋作為自然界存在的兩種基本調(diào)節(jié)機制，具有

14、明顯的互補性。把進化思想與反饋控制理論相結合，產(chǎn)生了一種新的智能控制方法進化控制。進化控制是綜合考察了幾種典型智能控制方法的思想起源、組成結構、實現(xiàn)方法和技術等之后提出來的，它模擬生物界演化的進化機制，將進化思想與反饋控制理論相結合，提高了系統(tǒng)在復雜環(huán)境下的自主性、創(chuàng)造性和學習能力。5.4 機器人的智能控制365.4 .2 機器人的自適應模糊控制模糊控制是應用最廣的一種智能控制，它具有多種結構形式，如PID模糊控制、自組織模糊控制、自校正模糊控制、自學習模糊控制、專家模糊控制等。 自適應模糊控制器控制系統(tǒng)設計5.4 機器人的智能控制5.26 ZebraZERO圖 機器人模型5.27/圖 附加力

15、外環(huán)的機器人力 位置自適應模糊控制系統(tǒng)框圖37自適應模糊控制器實驗研究 經(jīng)分析研究和實驗研究結果可知，這種含有附加力外環(huán)的力位置自適應模糊控制方法，可以在不改變機器人原有位置控制器的情況下，使機械手在其末端執(zhí)行器與接觸剛度變化范圍較大的外界工作環(huán)境接觸時具有較強的適應能力，對力和位置的控制具有良好的魯棒性和跟蹤能力。該方法通用性強，具有一定的實用價值。 5.4.2 機器人的自適應模糊控制385.4.3 多指靈巧手的神經(jīng)控制多指靈巧手又稱多指多關節(jié)機械手，是一種關聯(lián)加串聯(lián)形式的機器人，一般由手掌和3 5個手指組成，每個手指有34個關節(jié)。多指靈巧手的機械本體一般較小，自由度又較多，可完成各種抓持及

16、操作。多指靈巧手比一般的機器人具有更強的非線性。5.4 機器人的智能控制395.4.3 多指靈巧手的神經(jīng)控制網(wǎng)絡結構及學習算法采用一個3201的三層前饋網(wǎng)絡來學習原有的控制器的輸入輸出關系。學習結束后，用此前饋網(wǎng)絡當作控制器。學習采用BP算法與趨化算法相結合的混合學習算法，即先用BP算法對網(wǎng)絡進行訓練，然后再用趨化算法訓練。5.4 機器人的智能控制40網(wǎng)絡結構及學習算法趨化算法把權重W設為-0.1, 0.1上的隨機初值，即W0；把樣本輸入網(wǎng)絡并計算網(wǎng)絡輸出；求目標函數(shù)J的值，并令B1J；產(chǎn)生與權重W維數(shù)相同、零均值的-1, +1上正態(tài)分布的隨機向量；令 ，是一實系數(shù)；求目標函數(shù)J的值，令B2=

17、J；如果E2E1，則令W0=W1，轉(zhuǎn)到（4）；否則，轉(zhuǎn)到（4）。1,0aWaWW5.4.3 多指靈巧手的神經(jīng)控制415.4.3 多指靈巧手的神經(jīng)控制基于神經(jīng)網(wǎng)絡的控制器設計控制系統(tǒng)硬件控制系統(tǒng)軟件控制軟件分為兩部分，上位機軟件用C語言編寫，伺服控制器的軟件用MCS51單片機匯編語言編寫。5.31圖 控制系統(tǒng)硬件簡圖5.4 機器人的智能控制5.32圖 控制器結構圖425.4.3 多指靈巧手的神經(jīng)控制5.33圖 主機軟件流程圖5.4 機器人的智能控制43基于神經(jīng)網(wǎng)絡的控制器設計復合控制方法通過實驗發(fā)現(xiàn)，單純用神經(jīng)網(wǎng)絡控制器進行控制，系統(tǒng)的響應在跟蹤階段可以很好地跟蹤給定的軌跡，但穩(wěn)態(tài)效果不好，存在較大的穩(wěn)態(tài)誤差。由于時間限制，網(wǎng)絡學習只能得到一個近似的最優(yōu)解，而不可能得到真正的最優(yōu)解。為了使系統(tǒng)具有良好的穩(wěn)態(tài)響應，采用一個P