关键词:
欠驱动爬楼梯机构
平衡控制
滑模控制
干扰自适应
径向基神经网络
摘要:
随着信息化时代和机器人时代的到来,任务类型和使用场景变得更加多元化,因此机器人不仅仅局限于满足特定环境下的单一需求。作为最成熟、应用最为广泛的轮式结构也更多的被机器人使用而赋予了复杂地形下的运动能力。在结构复杂度、承载能力和速度性能等方面,轮式结构在结构化环境下具有独特的优势。但是在半结构化、非结构化环境下,传统的轮式结构很难满足使用需求。同时,机器人在工作过程中,随着任务和通行环境复杂程度的增加,需要对环境进行感知来保证机器人通行的稳定与安全,对环境感知的依赖增加的同时,系统的冗杂程度也随之增加。本文针对上述问题,从欠驱动机构设计、机器人模型建立、平衡算法搭建和仿真实验等方面开展对常见机器人使用场景(平地和台阶场景)下的轮式运动平台的研究,完成了星形轮式爬楼梯机器人的设计工作,以及平衡控制方法的提出和验证工作。本文的主要研究内容如下:(1)完成了星形轮式爬楼梯机器人的设计和样机搭建工作。基于星形轮系、差动原理和倒立摆原理设计了创新机构并应用于机器人,使得运动模式可以在平地和台阶两种矛盾的环境下自适应自调整,在高速度和高力矩两种模式间智能切换。机构的欠驱动特性,使得机器人可以被动适应环境的变化,机器人具备了根据场景智能选择运动模式和动力输出模式能力的同时,运动机构的柔性也使得机器人对环境的变化不敏感,因此在通行过程(尤其是台阶攀爬过程)中,不需要对环境信息进行精确的检测和建模,降低了机器人对环境检测的依赖以及系统的复杂性。(2)提出了迁移项等效干扰的动力学建模策略。根据系统特点,在机器人动力学模型的建立过程中,将模型向目标模型迁移,并将差异项等效为干扰。两输入四输出的系统等效成为外加有界干扰的一输入两输出系统,一定程度上降低机器人模型的复杂程度。(3)基于等效模型提出了径向基(Radial Basis Function,RBF)网络干扰补偿的解耦滑模算法。首先通过解耦算法对模型进行了解耦,并使用RBF神经网络对不确定性因素和模型建立过程中的等效干扰进行了补偿,最终结合滑模算法实现了机器人的平衡控制算法搭建。同时由于平衡控制算法中没有轮系状态的直接参与,在机器人通行过程中对环境作用具有不敏感的特性,同样也降低了通行过程中对环境检测的依赖。(4)完成了机器人的样机仿真和实物实验工作。通过Matlab和Matlab/Adams环境下的仿真和机器人的实物实验在机构可行性、模型准确性、平衡控制算法有效性等方面得到了验证,验证了平衡算法在收敛速度和抗干扰能力方面的优越性,也证明了机器人在平地和楼梯环境中具备良好的通行能力和运动模式的自选择能力。同时,在不对场景检测的条件下完成的不同路段(坑洼、斜坡、上下台阶)的实验,也证明了通过欠驱动机构的柔性特性和RBF神经网络自适应干扰来降低对环境检测依赖的可行性。