关键词:
机械手臂
抓握控制
演示学习
前馈控制
反馈控制
摘要:
2021年全球范围内工业机器人安装数量达到51.7万台,比上一年增加了 31%。机械手臂作为机器人重要的组成部分之一,能协助或代替人完成各项操作性任务,在工业、军事、医疗、航空航天等领域发挥着重要的作用。尽管机械手臂应用广泛,但目前很难兼具机械手和机械臂的高自由度和灵巧操控,机械手和机械臂开发环境往往相互独立,缺乏有效集成,且大多仍依赖繁琐的程序命令进行控制,与人体自然手臂抓取行为相比,机械手臂面对复杂环境和解决复杂任务时程序可移植性差、泛化能力低。因此,研究具有仿人行为的机械手臂系统运动控制至关重要。前人开展了多项研究致力于提升机器人的仿人学习控制,但由于受抓取位姿不确定性、反馈控制能力不足等问题的制约,可在复杂环境下用于实际复杂抓握操控任务的机械手臂仍十分缺乏。因此,研究开发具有仿人抓握控制的高集成性、低编程负荷、优越控制性能的手臂一体化机器人具有重要意义。由于机械手臂的控制不同于人类大脑的调控,因此需要设计开发有效的控制器对机械手臂的抓取运动行为进行精准控制。抓取控制常见的两类控制方式是前馈控制与反馈控制。前馈控制依靠识别使用者的运动意图,选择合适的预设模式,触发抓握动作的开始,令手指关节遵循预先给定的方式运动,反馈控制通过获取外部环境信息作为反馈输入,以此实时调节手指关节角度,以适应各种未知状态。常见的可用于反馈的外部信号包括视觉信号、力触觉信号等。现有的机械手臂在前馈控制与反馈控制方面均存在许多不足,例如,前馈控制的自由度过高,运动意图的解码复杂度过大,亟需降低运动控制的自由度;反馈控制下,如何更有效地利用实时力反馈信息,提升抓取不确定物体的控制效率是提升抓取稳定性的关键。所以,建立合适的前馈控制与反馈控制机制以提升机械手臂仿人抓取性能至关重要。基于以上思考,本文从整合操作系统、降低任务学习成本、提高控制性能方面出发,搭建了一个多自由度机械手臂系统,建立了一种合适的仿人抓握技能学习方法,设计了前馈与反馈相结合的仿人抓取控制策略,实现了高度仿人的抓握操作。本文详细地论述了在系统开发与集成、仿人抓取技能学习与控制策略等方面所做的工作,取得的主要进展和结果如下:(1)搭建了机械手和机械臂一体化的系统,开发了具有高灵敏度弯曲度检测功能的数据手套,实现人手五指关节角度数据的实时获取,并可将数据通过无线方式传输至控制系统,实现机械手的仿人抓握姿态映射。开发了一款无线力采集装置,可获取抓握物体时的指尖接触力信息,并将接触力作为反馈输入控制器。对所使用设备的开发环境进行整合,设计了两款用户使用操作界面,建立了数据输入、姿态选择、图像显示等功能,实现了机械手臂的基础运动功能。设计了水瓶抓取实验,通过对上述仿人抓取平台进行测试,发现所搭建的多自由度机械手臂仿人抓取平台可完成连贯、可靠的抓握运动任务。(2)开发适合机械臂的抓握技能学习方法。在物理引导环境下通过直接拖动机械臂末端获得关节轨迹,利用动态运动原语(Dynamic Motion Primitive,DMP)对轨迹进行建模和学习,随后对7个关节分别建立DMP模型以提高轨迹复现的精度。搭建了空间演示下的操作环境,建立了基于运动捕捉系统和惯性测量单元(Inertial Measuring Unit,IMU)的人手三维空间运动数据,并将其映射于三维空间形成机械臂末端运动轨迹。对获取的IMU原始数据进行处理,通过坐标转换、重力消除等技术得到世界坐标系下的数据,通过运动状态识别、运动速度补偿等进一步提高了轨迹精度。通过计算平均绝对误差(Mean Absolute Error,MAE)、最大绝对误差(Maximum Absolute Error,MAX)以及均方根误差(Root Mean Square Error,RMSE)对不同的轨迹结果进行比较。结果表明,在物理引导下,学习轨迹与原始轨迹的MAE、MAX与RMSE均保持在10-3的数量级及以下,说明DMP用于单一演示轨迹中能够得到良好的学习效果,同时DMP具有较好的泛化性。在空间演示下使用所述方法对IMU数据处理后得到MAE、MAX与RMSE参数值均显著小于在无速度补偿方法和无运动判别方法下得到的值,从而证明了所述方法的有效性。(3)研究设计了机械手仿人抓取的前馈和反馈控制系统。在前馈控制中,首先建立了 33种人手抓取姿态数据集,结合本研究中机械手的驱动结构,选择了 9种姿态映射至机械手构建了预抓取数据集。利用姿势协同作用,使用主成分分析(Principal Component Analysis,PCA)对预抓取数据集进行处理,找到机械手驱动关节之间的协同关系,并重建抓取姿态。在反馈控制中,使用采集的接触力信息作为反馈输入,参照导纳控制的原理构建力反馈控制器,找到目标力与实际力之间的差值与关节电机位置之间的关系。根据功能划分将手指关节进行定