面向协作机器人人机交互的双编码器伺服系统研究

来源 :上海交通大学 | 被引量 : 0次 | 上传用户:xcwindd
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
随着科技的发展和社会需求的改变,各类产品向个性化、质量优转化;工业生产模式向柔性化、智能化制造转变,在这样的时代背景下,部署简单、灵活易用的协作机器人逐渐成为机器人研发领域的热点。碰撞检测与拖动示教功能体现了协作机器人安全性与协作性的本质特点,成为实现人机自然交互的基本功能。无外部传感器人机交互所带来的低成本高效益,吸引着众多学者投身于无外部传感器的人机交互算法的研究中。为推动无外部传感器碰撞检测和拖动示教的研究进展,本文以机器人双编码器关节为研究对象,以模型辨识、谐波减速器建模为支撑技术,展开面向协作机器人人机交互的双编码器伺服系统研究,提出基于双编码器伺服系统实现及提升无力传感器碰撞检测和拖动示教功能的研究思路。本文的具体研究工作如下:针对现有模型辨识算法的不足,提出一种基于相轨迹曲线拟合的模型辨识算法。利用继电器位置反馈获得实际相轨迹后,该算法结合相轨迹表达式与最优化理论实现对实际相轨迹的曲线拟合,根据相轨迹曲线拟合结果以及代价函数值能够直观、快速的验证辨识结果精度,避免了经典模型辨识算法中最小二乘法要求加速度信息、描述函数法存在近似误差的不足,实验验证结果表明该算法可以高效地实现精确、鲁棒的模型辨识,能够为碰撞检测和拖动示教中补偿器、干扰观测器的设计提供精确的模型参数,为基于双编码伺服系统实现及提升无力传感器的碰撞检测和拖动示教功能奠定了模型参数基础。为实现谐波减速器精确建模,对谐波减速器非线性特征展开研究。将谐波减速器运动学误差建模为由一系列谐波分量叠加而得到的周期性信号,提出一种基于快速傅里叶变换的分析方法,在“阶次域”中对运动学误差进行分析和辨识,通过谐波减速器运动学误差在线补偿实验验证了该分析方法的有效性;对谐波减速器的非线性刚度产生原因进行分析,介绍了三次多项式拟合和分段函数两种谐波减速器变刚度曲线建模方法,并在运动学误差得到补偿的基础上采集数据,针对实际情况中变刚度曲线表现形式,灵活应用建模方法对谐波减速器变刚度曲线进行建模。对谐波减速器的建模及非线性特征分析能够通过谐波减速器传动误差实现对谐波减速器输出转矩的估值,为基于双编码器伺服系统的碰撞检测和拖动示教中实现不受关节摩擦影响的外力矩观测提供了模型基础。在伺服系统模型辨识及谐波减速器建模技术基础上,本文面向协作机器人人机交互展开基于双编码器伺服系统的碰撞检测和拖动示教应用研究。针对无力传感器的碰撞检测因受机器人关节摩擦建模及动力学模型误差影响而灵敏度较低的问题,基于双编码器伺服系统建立机器人关节等效柔性模型,结合谐波减速器模型实现不受关节摩擦模型影响的外力矩观测,提升了无力矩传感器碰撞检测灵敏度;针对无力传感器拖动示教柔顺性受到机器人关节静摩擦不确定性影响的问题,基于双编码器伺服系统提出利用双编码器信号判断拖动示教起动阶段牵引力方向并进行力补偿的方法,使牵引力无需克服最大静摩擦即可拖拽机器人关节运动。仿真及实验结果表明,基于双编码器伺服系统能够实现和提升无力矩传感器的碰撞检测和拖动示教功能。
其他文献
随着近二十年来互联网技术的不断发展,网络攻击的数量不断增长,种类也日益繁多。在近些年来,作为互联网的重要接入点--网页(Web)应用在安全性方面也面临着越来越严峻的挑战。同时,作为机器学习的一个子类--深度学习在最近十年中也有了跨越式的发展。深度学习的方法被广泛应用在Web攻击的检测中。然而这些研究仅仅将关注点放在了如何使用深度学习的方法提高在特定数据集上的检测准确率,而没有深入探究Web应用中产
三维数据有着广泛的应用,比如自动驾驶、机器人、游戏等。和一维信号与二维图像相比,三维数据往往缺乏规则的空间结构并且对旋转鲁棒性有着更高的要求。近年来许多研究这从以上两点出发设计了适合三维数据的深度学习方法,极大地提高了三维数据分析的性能。三维旋转是一种重要的三维数据表达形式,可以更直接地表达三维空间中的相对关系,例如人体骨架关节的旋转,物体在三维空间中的姿态等。相比于点云数据,三维旋转有着独特的群
通道剪枝在卷积神经网络加速中有着广泛的应用,但如今已经遇到了瓶颈,主要源于两处挑战:1)对冗余性准确而直观的测量;2)模型卷积层之间的依赖性使得冗余性动态变化,如何对此建模。为此,本文首先引入了dropout技术,其中包含一个dropout rate的参数,表达了在训练中丢弃通道的概率。考虑到传统dropout难以优化,本文推导出了高斯dropout,使得dropout rate可以在贝叶斯框架下
随着无线通信技术的发展,无线设备的数量也在急剧增加。第五代移动通信技术采用认知无线电技术和新的多址接入技术等方法来提升无线系统的频谱利用效率。然而,射频干扰攻击会对通信系统的可用性造成严重破坏。干扰器通过发射非法信号,可以阻止合法节点接入通信网络,也可以干扰进行中的通信,降低节点的通信速率。如何在新的通信环境下防御射频干扰攻击就成为了一个亟须解决的课题。以Q-learning为代表的强化学习算法具
为了应对近年来深度卷积神经网络(CNNs)对于计算和存储需求的快速增长,研究人员提出了多种方法来实现模型压缩与加速,其中包括低秩分解,网络剪枝,权重量化,神经网络结构搜索和知识蒸馏等。在上述方法中,基于网络剪枝的算法通常能够在易用性和压缩加速性能之间取得良好的折中,因此格外受研究人员青睐。尽管现有的网络剪枝算法在一些特定的深度学习任务上展现出了不俗的压缩加速性能,这些算法在更广泛的实际应用场景中或
目标物体的位姿识别和各种场景下的运动规划问题是非结构化环境下机器人作业的关键技术。一方面,现有位姿识别算法中,基于模板搜索匹配或者基于迭代的算法速度较慢,基于神经网络的算法往往模型体积较大,意味着更大的存储需求和计算量。而嵌入式的机器人系统往往存储和计算能力受限,但有实时性及精度需求。另一方面,机器人系统中往往存在多场景的运动规划问题,包括高维问题。因此,使用的运动规划算法需要便于泛化、适用于高维
工件装配是智能制造领域中不可缺少的组成部分,如今小批量与多样化的生产模式对装配工作的快速性、准确性以及灵活性均提出了更高的要求。与传统方式相比,基于协作机器人的智能化装配在保证产品质量的同时,能够最大限度地提高生产过程的柔性与效率。国内外对于智能装配技术的研究主要集中在工件的识别与定位问题上。本文以包含平面特征的无纹理工业零件为研究对象,以复杂背景下工件识别与高性能位姿估计为研究切入点,提出将堆叠
随着计算机算力的提升、存储技术的发展以及互联网的普及,机器学习模型越来越多地受到人们的关注。大量的研究成果已经在现实生活中为我们带来了便捷。作为一项数据驱动的技术,机器学习模型可以有效地挖掘海量数据背后潜在的关系。数据质量的好坏对模型最终的性能起到了根本的、决定性的作用。但是用来训练模型的数据有的直接从外部环境中搜集整理而来,比如直接来自互联网上的用户。这样就给攻击者提供了攻击机器学习模型训练数据
推进高校组织育人工作,是把牢高校意识形态主导权、培养德智体美劳全面发展的时代新人、强化高校基层组织的凝聚力和战斗力的必然要求。当前,高校基层组织在培育时代新人方面存在一些困境。如,政治功能发挥不充分,导致组织育人的政治引领力不强;工作理念不能因势而进,导致组织育人的有效性不足;各类组织不能形成育人合力,导致组织育人的联动性不够,等等。鉴于此,文章提出优化组织育人,要旗帜鲜明,积极发挥高校组织在时代
当工业机器人视觉系统用于工件表面三维测量任务时,为了获得较好的测量精度,不仅需要对机器人视觉系统进行标定,还需要对相机进行拍摄位置规划与定位控制,以获得足够多的工件表面关键特征信息。现有的工业机器人视觉测量方案中,相机的拍摄位置需要根据人为经验进行规划,而相机定位通过机器人控制器的开环控制实现。然而,该方案无法保证工件表面的关键特征位于相机视野内,会导致关键特征信息缺失,影响三维重建精度。针对以上