机器人控制的基本方法

机器人的控制方法,根据控制量、控制算法的不同分为多种类型。下面分别针对不同的类型,介绍常用的机器人控制方法。

一、根据控制量分类

按照控制量所处空间的不同,机器人控制可以分为关节空间的控制和笛卡尔空间的控制。对于串联式多关节机器人,关节空间的控制是针对机器人各个关节的变量进行的控制,笛卡尔空间控制是针对机器人末端的变量进行的控制。按照控制量的不同,机器人控制可以分为:位置控制、速度控制、加速度控制、力控制、力位混合控制等。这些控制可以是关节空间的控制,也可以是末端笛卡尔空间的控制。

位置控制的目标是使被控机器人的关节或末端达到期望的位置。下面以关节空间位置控制为例,说明机器人的位置控制。如图1-1所示,关节位置给定值与当前值比较得到的误差作为位置控制器的输入量,经过位置控制器的运算后,其输出作为关节速度控制的给定值。关节位置控制器常采用PID算法,也可以采用模糊控制算法。

图1-1 关节位置控制示意图

在图1-1中,去掉位置外环,即为机器人的关节速度控制框图。通常,在目标跟踪任务中,采用机器人的速度控制。此外,对于机器人末端笛卡尔空间的位置、速度控制,其基本原理与关节空间的位置和速度控制类似。

图1-2 加速度控制示意图

图1-2所示为分解加速度运动控制示意图。首先,计算出末端工具的控制加速度。然后,根据末端的位置,速度和加速度期望值,以及当前的末端位置、关节位置与速度,分解出各关节相应的加速度,再利用动力学方程计算出控制力矩分解加速度控制,需要针对各个关节进行力矩控制。

图1-3 关节力/力矩控制示意图

图1-3为关节的力/力矩控制框图。由于关节力/力矩不易直接测量,而关节电机的电流又能够较好的反映关节电机的力矩,所以常采用关节电机的电流表示当前关节力/力矩的测量值。力控制器根据力/力矩的期望值与测量值之间的偏差,控制关节电机,使之表现出期望的力/力矩特性。

图1-4 力位混合控制框图

图1-4所示为一种力位混合控制的框图,它由位置控制和力控制两部分组成。位置控制为PI控制,给定为机器人末端的笛卡尔空间位置,末端的笛卡尔空间位置反馈由关节空间的位置经过运动学计算得到。图中,T为机器人的运动学模型,J为机器人的雅克比矩阵。末端位置的给定值与当前值之差,利用雅克比矩阵的逆矩阵转换为关节空间的位置增量,再经过PI运算后,作为关节位置增量的一部分。

力控制同样为PI控制,给定为机器人末端的笛卡尔空间力/力矩,反馈由力/力矩传感器测量获得。末端力/力矩的给定值与当前值之差,利用雅克比矩阵的转置矩阵转换为关节空间的力/力矩。关节空间的力/力矩经过PI运算后,作为关节位置增量的另一部分。位置控制部分和力控制部分的输出,相加后作为机器人关节的位置增量期望值。机器人利用增量控制,对其各个关节的位置进行控制。图1-5所示的力位混合控制,只是力位混合控制中的一种简单方案,是R-C(Raibert-Craig)力位混合控制的简化形式,在实际应用中应针对具体环境进行一些必要的修正。

二、根据控制算法分类

按照控制算法的不同,机器人的控制方法可以分为PID控制、变结构控制、

自适应控制、模糊控制、神经元网络控制等方法。也有的文献将现有的控制算法分为逻辑门限控制、PID控制、滑模变结构控制、神经网络控制和模糊控制等。这些控制方法并非孤立的,在一个控制系统之中常常结合在一起使用。

1、PID控制

在工程实际中,应用最为广泛的调节器控制规律为比例、积分、微分控制,简称PID控制,又称PID调节。PID控制器问世至今已有近70年历史,它以其结构简单、稳定性好、工作可靠、调整方便而成为工业控制的主要技术之一。当被控对象的结构和参数不能完全掌握,或得不到精确的数学模型时,控制理论的其它技术难以采用时,系统控制器的结构和参数必须依靠经验和现场调试来确定,这时应用PID控制技术最为方便。

即当我们不完全了解一个系统和被控对象,或不能通过有效的测量手段来获得系统参数时,最适合用PID控制技术。PID控制,实际中也有PI和PD控制。PID控制器就是根据系统的误差,利用比例、积分、微分计算出控制量进行控制的。

2、变结构控制

变结构控制是20世纪50年代从苏联发展起来的一种控制方案。所谓变结构控制,是指控制系统中具有多个控制器,根据一定的规则在不同的情况下采用不同的控制器。采用变结构控制具有许多其他控制所没有的优点,可以实现对一类具有不确定参数的非线性系统的控制。

3、自适应控制

所谓自适应控制,是指系统的输入或干扰发生大范围的变化时,所设计的系统能够自适应调节系统参数或控制策略,使输出仍能达到设计的要求,其基本结构如图2-1所示。自适应控制所处理的是具有“不确定性”的系统,通过对随机变量状态的观测和系统模型的辨识,设法降低这种不确定性。控制结果常常是达到一定的控制指标,即“最优的控制”被“有效的控制”所取代。

自适应控制系统按其原理的不同,可分为模型参考自适应控制系统、自校正控制系统、自寻优控制系统、变结构控制系统和智能自适应控制系统等。在这些类型的自适应控制系统中,模型参考自适应控制系统和自校正控制系统较成熟,也较常用。

图2-1 自校正控制系统的基本结构

4、模糊控制

在模糊控制中,输入量经过模糊量化成为模糊变量,有模糊变量经过模糊规则的推理获得模糊输出,经过解模糊得到清晰的输出量用于控制。模糊控制最早

在1965年由美国加利福尼亚大学的Zadeh教授提出,1974年英国的E.H.Mamdani成功地将模糊控制应用于锅炉和蒸汽机控制。随后,模糊控制在控制领域得到了快速发展,并获得大量成功的应用。

5、神经元网络控制

神经网络控制是20世纪80年代末期发展起来的自动控制领域的前沿学科之一。它是智能控制的一个新的分支,为解决复杂的非线性、不确定、不确知系统的控制问题开辟了新途径。 神经网络控制是(人工)神经网络理论与控制理论相结合的产物,是发展中的学科。它汇集了包括数学、生物学、神经生理学、脑科学、遗传学、人工智能、计算机科学、自动控制等学科的理论、技术、方法及研究成果,其基本结构如图2-2所示。

在控制领域,将具有学习能力的控制系统称为学习控制系统,属于智能控制系统。神经控制是有学习能力的,属于学习控制,是智能控制的一个分支。 神经控制发展至今,虽仅有十余年的历史,已有了多种控制结构。如神经预测控制、神经逆系统控制等。

图2-2 神经网络控制系统结构

原文发布于微信公众号 - 机器人网(robot_globalsources)

原文发表时间:2017-09-05

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏机器之心

想轻松复现深度强化学习论文?看这篇经验之谈

选自Amid Fish 作者:Matthew Rahtz 机器之心编译 近期深度强化学习领域日新月异,其中最酷的一件事情莫过于 OpenAI 和 DeepMin...

3356
来自专栏BestSDK

人脸识别、情感分析,开发者必备50个机器学习API|值得收藏

该清单按照字母排序,对 API 的概述是基于对应官网所提供的信息整合而成。要是大家发现该清单中错过了某些当前流行的 API,可以在评论中告知。

2763
来自专栏IT派

50种机器学习和预测应用的API,你想要的全都有

API 是一套用于构建软件程序的协议和工具。对于应用开发者而言,有了开放的 API,就可以直接调用其他公司做好的功能为我所用,这在很大程度上提升了工作效率。

1342
来自专栏新智元

【解读谷歌TFX】基于TensorFlow可大规模扩展的机器学习平台

【新智元导读】 作者详细分析了Google通用机器学习平台和其实现过程。通过将上述组件集成到一个平台中,能够对组件进行标准化,简化平台配置,并将生产时间从数月缩...

4534
来自专栏量子位

现在,TensorRT 4开放下载了

1172
来自专栏机器之心

从实验室到工厂,模型部署中的几个重要问题及解决方案

选自kdnuggets 作者:Mauricio Vacas 机器之心编译 参与:Quantum Cheese、微胖 在这篇文章中,我们会讨论在模型管理和部署中如...

3257
来自专栏人工智能头条

有助于你掌握机器学习的十三个框架

1674
来自专栏新智元

【深度】基于论文,对谷歌 TPU 的最全分析和专业评价

【新智元导读】本文以 Google 最新公开的 TPU 论文《在数据中心中对张量处理器进行性能分析》的译本为基础,对该论文及 TPU 进行了评价。 源起 2...

5384
来自专栏腾讯移动品质中心TMQ的专栏

机器学习实现录像分帧速度测试

浏览器测试组一直将录像分帧作为速度测试的重要手段之一。录像分帧具有结果简单直观,证据保存完好等优点。所以,虽然录像分帧在效率上比不上代码埋点,Hook等方法,但...

3351
来自专栏机器学习养成记

关联分析(1):概念及应用

关联分析应用在项不多的情况下,从整体数据中挖掘潜在关联。具体应用场景可分为如下几个:

2072

扫码关注云+社区

领取腾讯云代金券