《Forests》：Design and Redundancy Control Approach of a Novel Three-Platform Parallel-Coupled Mobile Robot
编辑推荐：
基于并联机构冗余性、高刚度和强承载能力的优势，可将其应用于移动机器人领域。本文提出一种新型三平台并联耦合移动机器人，并对其进行了运动分析和动力学建模。基于协同融合思想，提出主动内力调控策略和驱动力同步协调控制策略，并采用神经网络方法对这两种控制策略进行优化。最
基于并联机构冗余性、高刚度和强承载能力的优势，可将其应用于移动机器人领域。本文提出一种新型三平台并联耦合移动机器人，并对其进行了运动分析和动力学建模。基于协同融合思想，提出主动内力调控策略和驱动力同步协调控制策略，并采用神经网络方法对这两种控制策略进行优化。最后，样机实验测试表明，与力–位混合控制相比，主动内力调控将内力误差降至初始值的11.6%，经神经网络优化后进一步降至6.5%；同步协调控制将支链驱动误差降至初始值的10.2%，经神经网络优化后进一步降至5.1%。实现了对残余耦合和模型不确定性的自适应补偿，进一步实现了内力误差的高精度收敛。这为机器人的稳定协作和高精度作业提供了可靠的内力控制保障。
论文解读
一、研究背景与问题提出
随着机器人技术的进步，跨学科研究被广泛开展，以探索提高机器人性能的有效途径，满足不同任务和环境下的作业需求。在复杂危险移动环境中，机器人需要在障碍物密布的地形中自主避障以降低碰撞风险。并联机构相较于串联机构具有无累积定位误差的优势，但其工作空间相对有限且存在奇异位形。根据驱动方式，并联机构可分为非冗余驱动和冗余驱动两类：当执行器数量等于末端执行器自由度（DOFs）时采用非冗余驱动；冗余驱动则指执行器总数超过系统固有自由度。增加冗余驱动关节可有效抑制并联机构的奇异位形，从而扩大有效工作空间，同时优化执行器间的力分配有助于提升整体驱动性能。
然而，现有研究存在若干不足：多数研究局限于单平台冗余驱动机构的被动内力分配和局部力–位协调；控制策略在可扩展性和通用性方面存在缺陷，鲜有研究涉及多移动平台系统中的多体耦合动力学问题；多数方法主要解决机构内单一冗余驱动单元的控制，对多个冗余驱动之间的协调研究有限，且众多关节间的耦合效应常被忽略，闭环内力多采用被动分配方式而缺乏主动调控机制。冗余驱动机构的典型特征是线性无关执行器数量超过系统自由度，驱动关节间存在强耦合。对于在特殊地下环境中作业的移动机器人，不仅需要考虑驱动力间的耦合，还需满足工作环境对位姿的要求。针对上述问题，本文提出一种基于协同融合概念的新型力/位混合控制策略。
二、研究内容与结论
研究人员创新性地提出一种三平台并联机器人，采用对称结构特征，基于平行四边形规则设计机器人平台，其下平台构型为对称可折叠展开机构。上平台为等边三角形承载平台，位于机器人顶部；上三角平台的底角通过两条RPR支链与前支架连接，顶点通过R关节支链与中平台连接。中平台设计为等腰梯形以避免运动过程中两条前RPR支链与中平台发生碰撞。中平台通过四条UPS支链与中支架和后支架连接，并通过一条UPR支链与第二人字形连杆耦合。为提高机器人整体稳定性，中支架设计得比前、后支架更长。前、中、后支架两端均安装麦克纳姆轮。
在运动学分析方面，研究人员通过闭环矢量法建立了机器人的逆运动学模型，推导出各驱动支链的位移表达式。在动力学建模方面，采用虚功原理建立了非冗余驱动和冗余驱动两种模式下的动力学模型，并通过ADAMS仿真验证了模型正确性。在控制策略设计方面，提出了主动内力调控策略和驱动力同步协调控制策略，并采用BP神经网络对两种策略进行优化。样机实验表明，所提方法显著降低了内力误差和支链驱动误差，实现了高精度收敛。
三、关键技术方法
研究人员主要采用了以下关键技术方法：一是基于虚功原理的动力学建模方法，分别建立非冗余驱动和冗余驱动模式下的动力学方程，冗余模式下采用广义逆方法求解驱动力分配的最小范数解；二是主动内力调控策略，将冗余驱动系统作为主动力调节模块，通过闭环控制调节关键构件内力，实现机器人与工作环境间的柔顺包容协作；三是驱动力同步协调控制策略，将位置控制执行器的实际驱动力闭环反馈至力控制执行器，通过建立二次性能指标求解最优同步协调解；四是BP神经网络优化方法，利用神经网络在线学习能力自适应整定PID控制器增益参数和同步协调权重系数，学习率为0.01，惯性系数为0.9，控制周期为1 ms，权重在[?0.5, 0.5]范围内随机初始化，全程在线学习无需离线预训练。
四、研究结果
4.1 动力学模型仿真验证
基于冗余和非冗余驱动模式下的动力学分析，通过ADAMS仿真验证所建动力学模型的正确性。设定上平台沿Y轴做周期性摆动，一个完整摆动周期为16 s，下平台保持静止。模型仿真得到的驱动力和驱动力矩分布与理论计算结果基本一致，验证了所建动力学模型能准确反映机构的力传递和载荷分布特性。
4.2 主动内力控制仿真与实验
基于MATLAB建立三平台并联机器人冗余驱动力和位置混合驱动控制系统，将#6和#7支链连杆的内力检测值反馈至控制系统。分别采用传统力–位混合驱动控制、主动内力调控和基于神经网络的主动内力控制三种策略进行仿真验证和物理样机实验。结果表明，与传统力–位混合控制相比，主动内力调控将内力误差降至初始值的11.6%，经神经网络优化后进一步降至6.5%。
4.3 同步协调控制仿真与实验
采用驱动力同步协调控制策略，将#1–#5非冗余驱动支链的实时驱动力采集并反馈至力控制执行器进行动态力调节。通过耦合运算计算机器人驱动误差，形成同步协调控制策略。结果表明，同步协调控制将支链驱动误差降至初始值的10.2%，经神经网络优化后进一步降至5.1%。
五、讨论与结论
研究人员实现了对残余耦合和模型不确定性的自适应补偿，进一步实现了内力误差的高精度收敛。主动内力调控策略通过主动闭环控制关键构件内力，使机器人接触或承受外部载荷时获得良好的仿生柔顺性，有效减少机器人与作业环境间的刚性碰撞，提高作业安全性。驱动力同步协调控制策略通过协调所有内部驱动关节的输出并合理分配驱动力，减少了驱动冗余引起的内能损耗，提高了机器人的工作效率。神经网络优化方法充分发挥了神经网络优异的非线性映射和自学习能力，使机器人在不同构型和载荷下均能实现高精度内力控制。该研究为机器人的稳定协作和高精度作业提供了可靠的内力控制保障，为多移动平台系统中多体耦合动力学问题的解决提供了新思路。
