具有刚性和弹性关节的机器人在轨迹跟踪中前馈控制作用的负载泛化
《Control Engineering Practice》:Payload generalization on feedforward control actions for trajectory tracking in robots with rigid and elastic joints
【字体:
大
中
小
】
时间:2026年09月23日
来源:Control Engineering Practice 5.3
编辑推荐:
**摘要**
各行业使用机器人执行重复性任务,因为它们具有高精度和出色的性能,这些性能通常通过基于精确机器人模型的前馈控制动作来实现。然而,精确的动力学模型往往难以获取,尤其是对于具有弹性元件的机器人或负载发生变化的情况。基于学习的前馈方法在模型不确定性下的轨迹跟踪方面前景
**摘要**各行业使用机器人执行重复性任务,因为它们具有高精度和出色的性能,这些性能通常通过基于精确机器人模型的前馈控制动作来实现。然而,精确的动力学模型往往难以获取,尤其是对于具有弹性元件的机器人或负载发生变化的情况。基于学习的前馈方法在模型不确定性下的轨迹跟踪方面前景广阔,但当任务参数变化时,通常会面临泛化问题。本文提出了一种新颖的方法,用于根据负载参数泛化前馈控制动作,该方法独立于底层控制器。首先,推导出实现负载泛化所需的最少示例物体数量。然后,提出一种算法,仅需给定新负载的参数,即可执行相同的轨迹,无需了解机器人的动力学模型,即使在存在弹性关节的情况下也是如此。通过在不同机器人和控制器上进行的跟踪任务的仿真和实验,验证了所提算法的有效性。进行两组实验:一组在标准Franka Emika Panda机器人上,另一组在配备弹性腕的Franka Emika Panda机器人上。**引言**机器人技术已被证明是物流和制造业的关键技术,在拣选和放置操作等重复性任务中表现出卓越的效果,以及拆托、处理易碎物品,甚至抛掷货物和物体等任务。机器人改变这些行业的能力源于其在人机交互任务中的安全性以及出色的跟踪性能。安全性的提升越来越得益于在机器人关节中物理采用弹性元件,从而形成了所谓的关节软机器人。然而,这一进步以机器人建模和描述复杂度增加为代价。在已知机器人动力学模型存在不确定性的情况下,可以采用自适应控制技术来估计和补偿未知参数。此类方案利用了操作器动力学关于动力学参数的线性特性,从已知的模型结构中在线估计这些参数,以计算控制力矩;近期的公式甚至无需持续激励即可恢复精确参数。然而,此类基于反馈的技术通常需要高增益,这会加剧动力学特性,损害软机器人的柔顺性;尽管近期的自适应计算力矩方案通过实现低反馈增益来缓解这一问题,但它们仍然是基于反馈和模型的。此外,当机器人动力学发生变化时,自适应控制必须重新初始化参数估计,导致性能次优的瞬态阶段。相同的参数线性性也构成了负载识别的基础,其中负载的惯性参数从测量的关节力矩和运动中离线估计:这是与本文所解决问题的逆问题,本文利用已知的负载参数来生成相应的前馈力矩。相比之下,良好的跟踪性能通常通过前馈控制动作来实现,这些动作要么基于对系统动力学的完美了解计算得出,要么通过基于学习的技术实现。由于前者依赖于精确的系统建模,在许多实际场景中变得极具挑战性。因此,近年来免模型和基于学习的控制策略得到了越来越多的研究。此类控制器中的一个例子是迭代学习控制,它为重复性操作系统的瞬态性能提升提供了强有力的解决方案,主要应用于工业机器人领域。与经典控制技术不同,迭代学习控制利用前一次迭代的数据,以无模型、数据驱动的方式最小化跟踪误差。尽管其性能令人鼓舞,但基于学习的方法,特别是迭代学习控制,在将预学习的控制动作泛化到新场景方面仍面临困难。实际上,任何场景的轻微变化,例如需要执行不同的轨迹或移动不同的负载,都会导致需要使用新的控制动作,由于系统模型并不完全可用,这并非容易实现,并且每当任务变化时都需要重复整个学习阶段。多项研究已解决了基于学习的控制器中的泛化问题。例如,有作者提出了泛化学到的控制动作关于刚度特性的解决方案。还有研究开发了一种程序,用于缩放和泛化学到的控制动作,以在不同速度下执行期望轨迹。该问题还从终点和轨迹泛化的角度进行了进一步探讨。然而,这些解决方案均未针对负载的动力学参数泛化控制动作,也未以独立于控制器的纯前馈方式实现,对于可能具有弹性关节的机器人,这是执行精确、安全和快速操作的许多拣选和放置任务的关键特性。在许多应用中,如制造业或物流,机器人反复操作多种物体,每个物体的质量、惯性或几何形状都不同。传统的前馈学习控制器通常需要在某些任务参数变化时重新学习,例如被操作的物体,导致耗时过程,限制了可扩展性。本文开发了一种新颖的方法,用于将前馈控制动作(由任何控制器获取)泛化为针对不同负载跟踪期望轨迹的动作。为此,首先证明泛化前馈控制动作所需的示例数量等于定义物体的动力学参数数量加一。然后引入一种算法,能够仅基于给定参数的新负载执行相同的轨迹。其核心思想是收集一组示例物体的前馈控制动作数据。从这些数据中计算回归矩阵,使得能够估计任何具有已知参数的新物体所需的前馈控制。这使得该方法易于在工业环境中实施,在这些环境中此类参数通常是可用的或可测量的。此外,这种纯数据驱动、独立于控制器的方法无需预先了解机器人的动力学模型,并可在实际应用中提升跟踪性能,即使在机器人结构中存在弹性元件的情况下也是如此。所提方法的有效性在刚性和软关节机器人上均得到了验证,展示了其独立于操作器结构和控制器的运行能力,同时仅依赖于描述负载的动力学参数。具体而言,还在配备变刚度执行器腕和SoftClaw的Franka Emika Panda操作器上进行了实验。本文的组织结构如下。第2节定义问题、系统模型和负载描述。第3节详细介绍所提的负载泛化方法,第4节提供该方法的大量验证,包括仿真结果和实际实验。最后,第5节讨论结论和未来研究方向。**章节摘要****问题陈述**本节为具有刚性和弹性关节的机器人定义轨迹跟踪任务的负载泛化问题。**所提方法**本节介绍问题的解决方案。如图1所示,所提方法分为三个主要模块:1. 示例力矩:在第一模块中,收集一组具有已知参数的示例物体的前馈力矩。这些数据为捕获负载参数对系统动力学的影响提供了基础。2. 回归估计:在第二模块中,利用收集的数据计算回归矩阵,使得能够……**验证**本节介绍仿真和实验结果以验证所提方法。仿真测试在两个系统上进行:每个关节由串联弹性执行器驱动的自由度软关节操作器,以及Franka Emika Panda。此外,使用Panda操作器和配备软腕系统的Panda机器人进行实验,该机器人由qbmove Advanced执行器驱动。**结论**本文提出了一种方法,用于将前馈控制输入(由任何控制器获取)泛化为针对不同负载跟踪期望轨迹的动作。该方法适用于具有刚性和弹性关节的系统。该算法独立于机器人的模型,因为它仅需了解负载的动力学参数即可泛化力矩,无需重复学习过程。该方法的有效性通过仿真和实验得到了验证。**作者贡献声明****Giorgia Pazzi:** 撰写–初稿,验证,软件,方法论,形式化分析。**Giorgio Simonini:** 撰写–初稿,方法论。**Michele Pierallini:** 撰写–审阅与编辑。**Paolo Salaris:** 撰写–审阅与编辑,资金支持获取。**Giorgio Grioli:** 撰写–审阅与编辑,概念构思。**Manolo Garabini:** 撰写–审阅与编辑,监督,概念构思。**Franco Angelini:** 撰写–审阅与编辑,监督,资金支持获取,概念构思。**利益冲突声明**作者声明他们没有已知的竞争性经济利益或个人关系,这些利益或关系可能影响到本文所报告的工作。**作者简介****Giorgia Pazzi** 是意大利比萨大学信息工程(机器人)专业的博士研究生。她拥有计算机与电子工程学士学位以及机器人和自动化工程硕士学位。她的研究聚焦于基于学习的控制以及前馈控制器的控制动作泛化,以及软机器人系统的建模与控制。她的研究在多种机器人平台上进行,包括软关节操作器、四足机器人等。Giorgia Pazzi|Giorgio Simonini|Michele Pierallini|Paolo Salaris|Giorgio Grioli|Manolo Garabini|Franco Angelini比萨大学"Enrico Piaggio"研究中心,地址:Largo Lucio Lazzarino 1,Pisa,56126,意大利
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号