服务机器人研究报告

效劳机器人研究报告摘要机器人技术的研究已从传统的工业领域扩展到医疗效劳、教育娱乐、勘探勘测、生物工程、救灾救援等新领域，并快速开展。而效劳机器人技术经过近30年的开展，在机械、信息、材料、控制、医学等多学科交叉方面取得了重要的成果，同时机器人技术代表一个国家的高科技水平和自动化程度，了解和分析国内外的研究现状和最新进展有助于加快我国效劳机器人行业的开展。本学习研究报告在分析效劳机器人国内外研究现状和最新进展的根底上，介绍了效劳机器人的当前运用的一些关键性技术及其开展过程中的一些重要问题，对效劳机器人的动力学问题进行了研究分析，同时对移动式效劳机器人的路径规划技术做出了探讨，为更好的了解效劳机器人及其研究开展方向提供了理论参考。关键词：效劳机器人；开展近况；关键技术；动力学问题；路径规划技术AbstractTheresearchesofrobottechnologyaremovingfromthetraditionalindustrytomedicalservice,educationandentertainment,explorationandexploitation,bio-engineering,rescue,etc.,andtherelatedtechnologydevelopsrapidly.Butafterthirtyyears’development,theservicerobotshaveachievedimportantresultsintheinterdisciplinaryaspectinvolvingmechanicalengineering,information,material,controlaswellasmedicine.Thetechnologyoftherobotrepresentsanationalhigh-techlevelandthedegreeofautomation.ItishelpfultodeveloptheindustryofservicerobotsinChinaifweknowthecurrentsituationanddevelopmenttrendofservicerobotsresearchclearly.Thisstudyreportontheanalysisofservicerobot,onthebasisofdomesticandforeignresearchpresentsituationandthelatestprogressofservicerobotispresentedinthepaperthecurrentuseofsomekeytechnologyanditsdevelopment,Servicerobotsfordynamicswerestudiedandanalyzed,whilethepathplanningtechnologytomakemobileservicerobotsdiscussedthedevelopmenttrendofthefuturemarketofservicerobotshasmadeanalysisforabetterunderstandingofservicerobotsandResearchthedirectionofdevelopmentprovidesatheoreticalreference.Keywords:Servicerobots;Recentdevelopment;Keytechnologies;Dynamicsproblems;Pathplanningtechnology1绪论1.1效劳机器人定义国际机器人联合会(InternationalFederationofRobotics,IFR)给了效劳机器人一个初步的定义：效劳机器人是一种半自主或全自主工作的机器人，它能完成有益于人类的效劳工作，但不包括从事生产的设备。在我国《国家中长期科学和技术开展规划纲要(2006∼2020年)》中对智能效劳机器人给予了明确定义——“智能效劳机器人是在非结构环境下为人类提供必要效劳的多种高技术集成的智能化装备”国际机器人联合会对效劳机器人按照用途进行分类，分为专业效劳机器人和家用效劳机器人两类，如专业效劳机器人可分为水下作业机器人、空间探测机器人、抢险救援机器人、反恐防爆机器人、军用机器人、农业机器人、医疗机器人以及其他特殊用途机器人；个人或家庭用效劳机器人可分为家政效劳机器人、助老助残机器人、教育娱乐机器人等[1]。1.2新时代下世界各国机器人开展状况机器人技术集机械、信息、材料、智能控制、生物医学等多学科于一体，不但自身技术附加值高，产品应用范围广，而且已经成为重要的技术辐射平台，对增强军事国防实力、提高处理突发事件水平、带动整体经济开展、改善人民群众生活水平都具有十分重要的意义。世界各国纷纷将突破机器人技术、开展机器人产业摆在本国科技开展的重要战略地位。美、日、德、韩等国家和地区都非常重视机器人技术与产业的开展，将机器人产业作为战略产业，纷纷制定各自的机器人国家开展战略规划[2]。1.2.1美国机器人开展近况美国：引领智能化浪潮，明确提出以开展工业机器人提振制造业。2011年6月，奥巴马宣布启动《先进制造伙伴方案》，明确提出通过开展工业机器人提振美国制造业。根据该方案，美国将投资28亿美元，重点开发基于移动互联技术的第三代智能机器人。世界技术评估中心的数据显示，目前美国在工业机器人体系结构方面处于全球领先地位；其技术的全面性、精确性、适应性均超过他国，机器人语言研究水平更高居世界之首。这些技术与其固有的信息网络技术优势融合，为机器人智能化奠定了先进、可靠的根底。以智能化为主要方向，美国企业一方面加大对新材料的研发力度，力争大幅降低机器人自重与负载比，一方面加快开展视觉、触觉等人工智能技术，如视觉装配的控制和导航。随着智能制造时代的到来，美国有足够的潜力反超日本和欧洲。值得注意的是，以谷歌为代表的美国互联网公司也开始进军机器人领域，试图融合虚拟网络能力和现实运动能力，推动机器人的智能化。谷歌在2013年强势收购多家科技公司，已初步实现在视觉系统、强度与结构、关节与手臂、人机交互、滚轮与移动装置等多个智能机器人关键领域的业务部署。假设其机器人部门能按照“组织全球信息”的目标持续成长，未来谷歌既可以进入迅速成长的智能工业机器人市场，又能从机器人应用中获取巨量信息来反哺其数据业务。1.2.2日本机器人开展近况日本：产业体系配套完备，政府大力推动应用普及和技术突破。战后日本经济进入高速增长期，劳动力供给缺乏和以汽车为代表的技术密集型产业的开展刺激了工业机器人需求快速增长。上世纪60年代，日本从美国引进工业机器人技术后，通过引进、消化、吸收、再创新，于1980年率先实现了机器人的商业化应用，并将产业技术和市场竞争优势维持至今，以发那科、安川为代表的日系工业机器人与欧美系工业机器人分庭抗礼。日本工业机器人的产业竞争优势在于完备的配套产业体系，在控制器、传感器、减速机、伺服电机、数控系统等关键零部件方面，均具备较强的技术优势，有力推开工业机器人朝着微型化、轻量化、网络化、仿人化和廉价化的方向开展。近年来，还呈现出以工业机器人产业优势带动效劳机器人产业开展的趋势，并重点开展医疗/护理机器人和救灾机器人来应对人口老龄化和自然灾害等问题。日本一贯将机器人技术列入国家的研究方案和重大工程[3]，以工业机器人、仿人娱乐机器人为突破口，采用模块化和标准化道路，近两年开始正在积极开展RT(机器人技术)的研究，推进效劳机器人的产业化；另外经济产业省发布新产业开展战略和机器人技术战略，其中日本能源及产业技术综合开发机构(NEDO)资助工程包括：效劳机器人平安技术和验证工程(2009∼2013)2009年预算约1.2亿人民币；智能机器人技术软件方案(2007∼2011)2009年资助约9700万人民币；根本机器人技术开放式创新改良传统技术(2008∼2010)2009年资助约1000万人民币；先进机器人单元技术战略开发方案(2006∼2010)2009年预算约5447万人民币。2012年，受益于下游汽车产业对工业机器人的需求大幅增长，日本再次成为全球最大的工业机器人市场，工业机器人密度高达332台/万人，为全球最高。1.2.3德国机器人开展近况德国:带动传统产业改造升级，政府资助人机交互技术及软件开发。虽然德国稍晚于日本引进工业机器人，但与日本类似，二战后劳动力短缺和提升制造业工艺技术水平的要求，极大地促进了德国工业机器人的开展。除了应用于汽车、电子等技术密集型产业外，德国工业机器人还广泛装备于包括塑料、橡胶、冶金、食品、包装、木材、家具和纺织在内的传统产业，积极带动传统产业改造升级。2011年，德国工业机器人销量创历史新高，并保持欧洲最大多用途工业机器人市场的地位，工业机器人密度达147台/万人。德国政府在工业机器人开展的初级阶段发挥着重要作用，其后，产业需求引领工业机器人向智能化、轻量化、灵活化和高能效化方向开展。20世纪70年代中后期，德国政府在推行“改善劳动条件方案”中，强制规定局部有危险、有毒、有害的工作岗位必须以机器人来代替人工，为机器人的应用开启了初始市场。1985年，德国开始向智能机器人领域进军，经过10年努力，以库卡为代表的工业机器人企业占据全球领先地位。2012年，德国推行了以“智能工厂”为重心的“工业4.0方案”，工业机器人推动生产制造向灵活化和个性化方向转型。依此方案，通过智能人机交互传感器，人类可借助物联网对下一代工业机器人进行远程管理。这种机器人还将具备生产间隙的“网络唤醒模式”，以解决使用中的高能耗问题，促进制造业的绿色升级。目前，德国联邦教育及研究部已开始资助人机互动技术和软件的研究开发。1.2.4韩国机器人开展近况韩国:使用密度全球第一，多项政策支持第三代智能机器人的研发。20世纪90年代初，韩国政府为应对本国汽车、电子产业对工业机器人的爆发性需求，以“市场换技术”，通过现代集团引进日本发那科，全面学习后者技术，到本世纪大致建成了韩国工业机器人产业体系。2000年后，韩国的工业机器人产业进入第二轮高速增长期。2001年至2011年间，韩国机器人装机总量年均增速高达11.7%。国际机器人联合会的数据显示，2012年，韩国的工业机器人使用密度为世界第一，每万名工人拥有347台机器人，远高于58台的全球平均水平。目前，韩国的工业机器人生产商已占全球5%左右的市场份额。现代重工已可供给焊接、搬运、密封、码垛、冲压、打磨、上下料等领域的机器人，大量应用于汽车、电子、通信产业，大大提高了韩国工业机器人的自给率。但整体而言，韩国技术仍与日本、欧洲等领先国家存在较大差距。韩国政府近年来陆续发布多项政策，旨在扶植第三代智能机器人的研发与应用。2003年，产业资源部公布了韩国“十大未来成长动力产业”，其中就包括智能工业机器人；2008年9月，《智能机器人开发与普及促进法》正式实施；2009年4月，政府发布《第一次智能机器人根本方案》，方案在2013年前向包括工业机器人在内的五个机器人研究方向投入1万亿韩元〔约合61.16亿元人民币〕，力争使韩国在2018年成为全球机器人主导国家；2012年10月，《机器人未来战略战网2022》公布，其政策焦点为支持韩国企业进军国际市场，抢占智能机器人产业化的先机。1.2.5中国机器人开展近况中国:面临核心技术被兴旺国家控制等挑战，产业市场空间巨大。首先，我国在机器人领域的局部技术已到达或接近国际先进水平。机器人涉及的技术较多，大体可分为器件技术、系统技术和智能技术。我国在通用零部件、信息网络等局部器件和系统技术领域与兴旺国家的差距在10年左右，而对智能化程度要求不高的焊接、搬运、清洁、码垛、包装机器人的国产化率较高。近年来，我国在人工智能方面的研发也有所突破，中国科学院和多所着名高校都培育出专门从事人工智能研究的团队，机器人学习、仿生识别、数据挖掘以及模式、语言和图像识别技术[4]比拟成熟。其次，我国企业具有很强的系统集成能力，这种能力在电子信息等高度模块化产业和高铁等复杂产品产业都得到表达。系统集成的意义在于根据具体用户的需求，将模块组成可应用的生产系统，这可能成为我国机器人产业打破国外垄断的突破口。第三，我国机器人产业的市场空间巨大。目前，我国机器人使用密度较低，制造业万人机器人累计安装量不及国际平均水平的一半，效劳和家庭用机器人市场尚处于培育阶段，机器人应用市场增长空间巨大；二代机器人仍然是主流，机器人向第三代智能机器人升级换代空间巨大；机器人主要应用于汽车产业，机器人向其他领域扩展空间巨大。1.3效劳机器人的意义及未来空间《国家中长期科学和技术开展规划纲要(2006∼2020年)》明确指出将效劳机器人作为未来优先开展的战略高技术，并提出“以效劳机器人应用需求为重点，研究设计方法、制造工艺、智能控制和应用系统集成等共性根底技术”。效劳机器人技术作为战略性高技术，未来产业链长并带动性强，在世界范围内还处在分散开展阶段。通过效劳机器人核心技术与产品的攻关，对国家重大需求与平安具有重要意义；通过前沿技术、核心部件与相关标准的研发，对于国家民生科技与战略性新兴产业开展具有重要推动作用；通过感知、决策与执行等探索，对于传统产业升级与效劳有重要促进作用。一方面，随着我国逐步进入老龄化社会，我国助老效劳机器人需求量将面临井喷式增长；助老效劳机器人产品市场前景广阔，开展潜力巨大，为我国提供了难得的效劳机器人产业开展机遇。另一方面，公共平安事件如地震、洪涝灾害和极端天气以及矿难、火灾、社会安防等频发；另外，医疗与教育对效劳机器人的需求旺盛。这些都说明我国效劳机器人潜在巨大市场急待开发。效劳机器人技术具有综合性、渗透性的特点，着眼于利用机器人技术完成有益于人类的效劳工作，在老人/残疾人和特种领域具有广阔应用前景，同时具有技术辐射性强和经济效益明显的特点[5]。效劳机器人技术不仅是国家未来空间、水下与地下资源勘探、武器装备制高点的技术较量，而且将成为国家之间高技术剧烈竞争的战略性新兴产业,包括助老助残、危险作业、教育娱乐等，它是未来先进制造业与现代效劳业的重要组成局部，也是世界高科技产业开展的一次重大机遇。2效劳机器人关键技术效劳机器人关键技术可从产业与前沿创新两个方面进行划分。效劳机器人产业开展共性关键技术包含产品创意与性能优化设计，模块化/标准化体系结构设计,标准化、模块化、高性能、低本钱的执行机构，传感器、驱动器、控制器等核心零部件制造，高功率密度能源动力，信息识别与宜人化人机交互，人机共存平安，系统集成与应用，性能测试标准与维护技术等方面；效劳机器人前沿创新技术包含仿生材料与结构一体化设计、精密微/纳操作、多自由度灵巧操作、执行机构与驱动器一体化设计、非结构环境下的动力学与智能控制、生机电鼓励与控制、非结构环境认知与导航规划、故障自诊断与自修复、人类情感与运动感知理解、人类语义识别与提取、记忆和智能推理、多模式人机交互、多机器人协同作业等方面。以下将重点阐述仿生材料与结构、自重构机器人、复杂环境下机器人动力学问题、智能认知与感知、网络化交互及微纳系统等效劳机器人涉及的关键技术[6]。2.1仿生材料与结构自然界中生物经过亿万年长期进化,其结构与功能已到达近乎完美的程度，实现了机构与功能的统一，局部与整体的协调和统一。效劳机器人作为机器人的一个重要分支，从仿生学角度出发，吸收借鉴生物系统的结构、性状、原理、行为以及相互作用，能够为机器人的功能实现提供必要的技术支撑，其中仿生皮肤、人工肌肉及结构驱动一体化设计是当前及未来效劳机器人开展的重要课题。在仿生结构运动方面，仿鱼尾巴摆动机构效率主要面临着电机驱动效率的制约,灵巧手除了传统的手指性状模式外，仿生物的柔性驱动目前正成为一种趋势。目前来看，仿生材料与机构能够为未来机器人实现多功能高效率开展提供必要的技术储藏，一个很重要的问题是必须具备相应的光机电微纳加工工艺及传感驱动执行一体化设计能力，这对于仿生结构材料的未来应用至关重要。2.2导航、路径规划和定位技术导航是寻找路径或路线的任务过程，机器人必须确切平安地从一个位置移动到另一个位置而不会发生碰撞。导航包括三个问题：路径规划、定位、和运动控制。路径规划在导航过程中扮演着非常重要的角色，要求机器人在环境中穿行时，要选择适宜的路径规划器来规划机器人的路线。当移动机器人处在一个简单或复杂、静态或动态、或未知的环境中时，机器人的首要任务是感知环境，躲避障碍物，然后以最小的消耗〔时间、距离、或者能量〕完成任务，这个过程的根底所在就是路径规划。所谓路径规划就是指按照一定的性能指标，机器人如何从所处的环境中搜索一条从初始位置到目标位置的最优或次优路径。通常路径规划包含两个方面的意思：一个是关节机器手空间的路径规划；一个是移动机器人运动的路径规划。定位是确定移动机器人在二维工作环境中相对于全局坐标的位置及本身的姿态，是移动机器人导航的最根本环节。机器人的定位方式取决于所采用的传感器。移动机器人常用的传感器有摄像机、激光雷达、超声波、红外线、微波雷达、陀螺仪、指南针、声纳传感器、视觉传感器等。与此相对应，机器人定位技术可分为绝对定位和相对定位两类。运动控制是机器人导航中的一个重要方面，是移动机器人的执行机构，对系统平稳起着非常重要的作用。2.3多传感器系统与信息融合技术多传感器及先进的感知算法，将是在现实环境中实现具有高度灵活性及高鲁棒性行为机器人的关键。当特定传感器很不精确或是噪声太大而使单个传感器无法给出可靠数据时，可使用多传感器系统。多个传感器的使用可以提供更完全、更有效的环境信息，有利于机器人更好的完成自己的使命，但同时也出现了数据冗余、互补这样的问题。信息融合技术是关于如何协同利用多源信息，以获得对同一事物或目标更客观、更本质认识的综合信息处理技术，它可以很好的解决数据冗余、互补这类问题[7]。现在，信息融合技术已拓展到大型数据库的数据挖掘、遥感、战场监控及环保等方面。2.4多机器人技术由于单机器人技术的不断开展和社会需求的进一步提高，人们对于机器人的需求不再局限于单个机器人，而是对多个机器人组成的系统越来越感兴趣。与此同时，到了20世纪70年代后期，一些机器人学的研究者将人工智能中的多智能体理论应用到多机器人系统的研究中，由此开辟了多机器人系统研究。多机器人系统不是多个单机器人的简单堆砌，而是多个机器人的有机组合，它有效防止了单机器人的缺乏，充分发挥了群体机器人的优势。多机器人系统的应用领域主要是一些适合群体作业的场合或工作，如机器人生产线、海洋勘探、星球探索、无人作业飞机群、无人作业坦克群等。其中应用多机器人系统代表性的有：机器人足球〔Soccer〕，这项比赛已经吸引了各个国家越来越多的团体参加，这项赛事极大地推进了多移动机器人技术的研究，成为研究和验证人工智能成果的实验床；多目标观察，它要求多个机器人合作，尽可能长时间地观察多个移动目标，在任意时刻，对移动目标至少有一个机器人可以观测到。2.5复杂环境动力学控制技术随着人类探索空间的扩大及对任务需求的提高，未来效劳机器人的工作环境将是复杂多变的，高动态性、高适应性、高负载能力是效劳机器人特别是户外机器人开展的方向之一。以机械臂为代表的工业机器人必须满足对高负载及高速的双重需求，但是高负载与高速将给机器人带来额外的影响，一方面是对外部运动生成器提出更高的要求，其生成的指令必须是内环伺服控制器能够有效执行的；另一方面，大负载高速运动引起内部摩擦等非线性因素放大，如此，传统的动力学将不适合这种情况，对控制器的设计将提出更高要求。以四足机器人BigDog为代表的战场复杂地形环境下移动机器人那么诠释着机器人动力学控制的精髓。BigDog四足机器人在复杂地形移动时，通过自身携带的传感设备实时感知与周边环境的作用力，内部核心位姿控制器能够通过每条腿与地面接触的反响力来协调腿部运动学，核心问题包括四足机器人的运动学及全状态动力学精确建模用以。2.6电源技术移动电源的地位在移动式效劳机器人中历来十分重要,可以说是它的生命源。移动电源需要同时满足机器人的多种能源需要,如为移动机构提供动力、为控制电路提供稳定的电压和为效劳执行模块提供能源等。在移动式效劳机器人领域,一般采用化学电池作为移动电源。理想的电池应该具有十分高的能量密度、能够在放电过程中保持恒定的电压、内阻小以便具有快速放电能力、能够耐高温、可充电以及本钱低等。但实际上没有一种电池可同时具备上述优点,这就要求设计人员根据实际任务的需要,选择一种适宜的电池。3效劳机器人动力学问题效劳机器人的动力学理论离不开最根本的机器人动力学理论，同样的其动力学问题的研究离不开最根本的机器人动力学问题研究，机器人动力学的研究有牛顿-欧拉〔Newton-Euler〕法、拉格朗日〔Langrange〕法、高斯〔Gauss〕法、凯恩〔Kane〕方法、旋量〔对偶数〕方法和罗伯逊－魏登堡〔Roberson－Wittenburg〕法等[8,9]。本章主要介绍了牛顿-欧拉〔Newton-Euler〕法、拉格朗日〔Langrange〕法、理论根底，同时介绍了动力学研究常用的牛顿-欧拉〔Newton-Euler〕法、拉格朗日〔Langrange〕法在机器人运动学上的应用。3.1牛顿-欧拉动力学方程3.1.1牛顿-欧拉方程法原理牛顿—欧拉方程法原理：将机器人的每个杆件看成刚体，并确定每个杆件质心的位置和表征其质量分布的惯性张量矩阵。当确定机器人坐标系后，根据机器人关节速度和加速度，那么可先由机器人机座开始向手部杆件正向递推出每个杆件在自身坐标系中的速度和加速度，再用牛顿——欧拉方程得到机器人每个杆件上的惯性力和惯性力矩，然后再由机器人末端关节开始向第一个关节反向递推出机器人每个关节上承受的力和力矩，最终得到机器人每个关节所需要的驱动力〔矩〕，这样就确定了机器人关节的驱动力〔矩〕与关节位移、速度和加速度之间的函数关系，即建立了机器人的动力学方程[11]。机器人动力学研究的问题：机器人各个关节的运动与关节需要的驱动力〔矩〕之间的关系。同时机器人动力学按照条件的不同分为以下两种问题：1〕动力学正解问题，关节运动，求关节驱动力〔矩〕。2〕动力学逆解问题，关节驱动力〔矩〕，求关节运动。其数学模型是：与关节运动有关的参数位移、速度、加速度用表示；与关节力学特性〔驱动力或驱动力矩〕有关的参数用表示。动力学方程：，。正问题：，求。逆问题：，求。图3.1物体运动坐标系图如图3.1所示得到：牛顿惯性力方程为：欧拉惯性力矩方程为：质心上的惯性张量矩阵为：，其理论计算方法为：，，，，，。3.1.2牛顿-欧拉正向递推法正向递推，机器人各个关节的速度和加速度：①从1～n递推出机器人每个杆件在自身坐标系中的速度和加速度；②机器人每个杆件质心上的速度和加速度；③机器人每个杆件质心上的惯性力和惯性力矩。1〕杆件速度和加速度递推计算公式建立相邻两个杆件的坐标系：{i-1}、{i}。如图3.2所示。：i-1杆件速度和加速度，i关节速度和加速度；计算：i杆件速度和加速度。各参数如图3.3所示。相邻杆件的位姿矩阵，关节速度和加速度的矢量化：，如图3.4所示。图3.2杆件坐标系图3.3参数图图3.4矢量化图那么有：，2〕杆件质心上的速度和加速度递推计算公式其矢量图如图3.5所示，有：，，。3〕杆件质心上的惯性力和惯性力矩其矢量图如图3.6所示，图3.5速度加速度矢量图图3.6惯性力和惯性力矩图惯性力：惯性力矩：3.1.3牛顿-欧拉逆向递推法1〕关节承受的力和力矩递推计算公式建立相邻两个杆件的坐标系：{i-1}、{i}。如图3.7所示。：i-1杆件的惯性力和惯性力矩，i关节承受的力和力矩；计算：i-1关节承受的力和力矩。图3.7杆件坐标系图3.8力和力矩图坐标系:相邻杆件位姿矩阵：i-1杆件受力分析：，如图3.9所示。图3.9杆件i受力分析图图3.10杆件i-1受力分析图如图3.10以i-1杆件为研究对象，由达朗贝尔原理可得：2〕关节驱动力〔矩〕递推计算公式平移关节：回转关节：那么关节驱动力〔矩〕为：3.2递推初始条件正向递推初始条件如图3.11所示：图3.11正向递推初始条件机座0的速度和加速度：考虑杆件自重或手部负载为重物时：为描述在机座坐标系{0}中的标准重力加速度。3.2.2逆向递推初始条件如图3.12机器人手部负载：，图3.12逆向递推初始条件3.2.3递推应用条件应用递推公式应满足以下三个条件：1〕机器人的关节变量及其速度和加速度；2〕任一杆件i相对于与自身坐标系{i}方向相同的坐标系{Ci}所描述的惯性张量及其质心在自身坐标系{i}中的位置矢量〔可用实验等方法确定〕；3〕相邻杆件的位姿矩阵及必要的初始数据。3.3递推算法确实定由上述正逆向递推公式、正逆向递推初始条件及递推应用条件都满足的前提下得到以下递推算法：〔1〕正向递推算法〔2〕逆向递推算法3.4拉格朗日方程法拉格朗日方程的一般形式为：式中：--广义力，它可以是力，也可以是力矩；--系统选定的广义坐标；--广义坐标对时间的一阶导数，即速度；--拉格朗日函数，又称为拉格朗日算子，它被定义为系统的动能与势能之差L=T-U。对给定的机器人，可以按以下几个步骤建立拉格朗日动力学方程：〔1〕选取完全并独立的广义坐标：；〔2〕选定广义力：；〔3〕求出系统的动能T和势能U，并用其构造拉格朗日函数L=T-U；〔4〕将以上结果代入拉格朗日方程式中，即可求得机器人的动力学方程。3.5拉格朗日法的实际应用二关节机器人如图3.13所示，机器人的两个连杆长度分别为l1和l2，质量分别为m1和m2，且集中在各连杆的端部。假设将机器人直接悬挂在加速度为g的重力场中，试用拉格朗日方程建立该机器人的动力学方程。图3.13二关节机器人结构图解：1〕选取连杆绕关节的转角为变量θ1和θ2，那么系统的广义坐标就可以选为，即。2〕转动关节对应的是力矩，所以广义力就选为，即。3〕求出各连杆的动能和势能：连杆l1的动能为：连杆l1的势能为：对连杆l2求动能和势能时，要先写出其质心在直角坐标系中的位置表达式：然后求微分，那么其速度就为：由此可得连杆的速度平方值为：从而连杆l2的动能为：势能为：那么可构造出拉格朗日函数为：4〕求出机器人动力学方程：先将拉格朗日函数对和进行微分，即：再将拉格朗日函数对和进行微分，即：将以上结果代入方程即可得关节上的力矩分别为：将得到的机器人动力学方程简写为如下形式：当机器人有n个关节时，上式可推广为普遍形式：将其简化也可得到机器人的动力学模型：该模型反映了机器人关节驱动力〔矩〕与各个关节的位移、速度和加速度之间的关系，这是一个变系数、多变量、强耦合的非线性系统。4移动效劳机器人路径规划技术4.1移动效劳机器人路径规划技术概述移动效劳机器人的路径规划就是给定机器人及其工作环境信息，按照某种优化指标,在起始点和目标点间规划出一条与环境障碍无碰的路径。机器人路径规划的研究始于20世纪70年代，目前对这一问题的研究仍十分活泼,许多学者做了大量的工作。其主要研究内容按机器人工作环境不同可分为静态结构化环境、动态环境和动态不确定环境,按机器人获取环境信息的方式不同可分为基于模型的路径规划和基于传感器的路径规划。路径规划技术在机器人研究中占有重要位置，是移动机器人自主决策系统的重要组成局部，是对移动机器人进行更深层次研究和应用的根底。路径规划是指机器人按照一定的性能指标〔路径最短、时间消耗最少等〕，搜索一条从起始点到目标点的无碰撞最优或次优路径。路径规划主要涉及的问题包括：利用的环境信息或者传感器的探测信息建立一种合理的环境模型，然后利用适宜的算法搜索一条从起始位置到目标位置的最优或次优的无碰撞路径。移动机器人的路径规划方法分为基于地图的全局路径规划和基于传感器的局部路径规划。基于模型的全局路径规划，作业环境的信息完全，又称静态或离线路径规划；基于传感器的局部路径规划，作业环境的信息全部未知或局部未知，又称动态路径规划。全局路径规划的主要方法有：可视图法、自由空间法、栅格法、拓扑法等；局部路径规划的主要方法有：人工势场法、D*算法、神经网络算法、遗传算法、蚁群算法、粒子群算法等[12]。机器人路径规划主要包括三个方面的问题：第一，如何表示环境，即环境中的障碍物和自由空间如何在计算机中表示。合理的环境表示才能有利于减少规划量和规划时间。第二，定位问题，指的是机器人如何在环境中确定自身位置以及障碍物的位置，并在这个根底上确定平安的通行范围。第三，规划算法，机器人通过怎样的策略将一系列平安位置连接起来构成从起始点到目标点的平安路径。4.1Dijkstra路径规划算法Dijkstra算法[13]是由荷兰计算机科学家狄克斯特拉〔Dijkstra〕于1959年提出的，因此又叫狄克斯特拉算法。是从一个顶点到其余各顶点的最短路径算法，解决的是有向图中最短路径问题。Dijkstra算法是典型最短路径算法，用于计算一个节点到其他所有节点的最短路径。主要特点是以起始点为中心向外层层扩展，直到扩展到终点为止。Dijkstra算法能得出最短路径的最优解，但由于它遍历计算的节点很多，所以效率低。Dijkstra算法思想为：设G=(V，E)是一个带权有向图，把图中顶点集合V分成两组，第一组为已求出最短路径的顶点集合〔用S表示，初始时S中只有一个源点，以后每求得一条最短路径,就将所扩展的顶点参加到集合S中，直到全部顶点都参加到S中，算法就结束了〕，第二组为其余未确定最短路径的顶点集合〔用U表示〕，按最短路径长度的递增次序依次把第二组的顶点参加S中。在参加的过程中，总保持从源点v到S中各顶点的最短路径长度不大于从源点v到U中任何顶点的最短路径长度。此外，每个顶点对应一个距离，S中的顶点的距离就是从v到此顶点的最短路径长度，U中的顶点的距离，是从v到此顶点只包括S中的顶点为中间顶点的当前最短路径长度，且节点与节点之间有路径相连，那么路径权值为有限正数，否那么路径权值为无穷大。Dijkstra算法流程图如图4.1所示：图4.1Dijkstra算法流程图4.2A*算法相对于盲目搜索的效率低下，难以应用于复杂问题，人们试图利用问题所提供的特定信息来选择待扩展的顶点，以提高搜索速度。这种与具体问题有关，可知道搜索过程朝着可能的“最快”方向前进的信息被称为启发式信息。相应算法被称为启发式算法。在启发式算法中，通常利用估价函数将顶点对应的启发式信息转化为评价其搜索效率的代价值。在搜索的每一步根据估价函数从Open表中选择带扩展的顶点。根据搜索过程中选择带扩展顶点的范围，启发式搜索可分为全局择优搜索和局部择优搜索。全局择优启发式搜索是指在Open表的所有顶点中选择一个估计函数值最小的顶点进行扩展。局部择优启发式搜索是指在刚生成的子顶点集合中选择一个估价函数值最小的顶点进行扩展。在很多情况下，能够通过检测来确定合理的顺序，选择最优希望的节点加以扩展，搜索效率将会大大提高，称这类搜索为启发搜索〔HeuristicallySearch〕或有信息搜索〔InformedSearch〕。目前最常用的路径搜素算法之一是A*〔AStar〕算法。A*算法是计算最优路径的经典启发试图搜索算法，现已成功应用在机器人路径规划、游戏寻路、车辆导航等方面。估价函数的正确选取直接关系到A*算法的成功与否，而函数确实定与实际情形也有着密切的关系，可根据实际情况对估价函数模型进行变化。A*算法的规划流程如下：a)把S放入OPEN表，记f=h，令CLOSED表为空表。b)重复以下过程，直至找到目标节点为止，假设OPEN表为空表，失败退出。c)选取OPEN表中未设置过的具有最小f值的节点为最正确节点BESTNODE，并把它放入CLOSED表。d)假设BESTNODE为目标节点，那么成功求取一解。e)假设不是目标节点，那么扩展BESTNODE节点，产生后继节点SUCCSSORf)对每个成功的SUCCSSOR进行以下过程：1)建立从BESTNOD返回的指针；2)计算g〔SUC〕=g〔BES〕+g〔BES，SUC〕；3)如果SUCCSSOR，那么称此节点为OLD，并把它填入BESTNODE的后继节点表中；4)比拟新旧节点路径代价，如果g〔SUC〕<g〔OLD〕，那么重新确定OLD的父节点为BESTNODE，记下较小代价g〔OLD〕，并修正f〔OLD〕的值；5)假设至LOD节点代价较低或一样，那么停止扩展节点；6)假设SUCCSSOR不在OPEN表中，那么看其是否在CLOSED表中；7)假设SUCCSSOR在CLOSED表中，那么转向2〕；8)假设SUCCSSOR既不在OPEN表中，也不在CLOSED表中，那么把它放入OPEN表中，并填入BESTNODE后继表，然后转至7〕；g)计算f值。h)GOTOb)。A*算法流程图如图4.2所示：图4.2A*算法流程图4.3D*路径规划算法D*(D-Star，DynamicA*)算法[14]由Nilsson在1980年提出，是一种应用广泛的启发式搜索算法，原理是通过不断搜索逼近目的地的路径获取。经典的A*算法是在静态环境中求解最短路径的一种极为有效的方法，许多学者通过对该算法的深入研究后，提出动态A*算法，即D*〔DynamicAStar〕算法。D*算法是一种基于传感器的机器人路径规划算法，由于其适用于复杂环境能力强，在国外许多移动机器人研究中得到广泛应用。如在美国的火星探测器、DARPA〔DefenseAdvancedResearchProjectsAgency〕的无人战车UGV〔UnmannedGroundVehicles〕工程研究以及CMU〔CarnegieMellonUniversity〕开发的适用于城市环境下作战侦查的战术移动机器人中均得到应用。D*算法是动态的A*算法，首先基于离线应用A*算法建立目标距离势场。机器人向目标距离减小的方向前进，当遇到动态障碍时，从机器人当前的位置规划一条能够到达小于被阻路径的目标距离位置，而后更新路径，机器人沿更新后的路径实现避障。到达建立的目标距离区域后，恢复离线规划的路径方向前进。它如同多数路径规划算法一样都采取“先严格规划后反响执行”的模式。D*路径规划算法事先从每个可能的位置到目标点进行Dijkstra或者A*搜索建立目标距离势场，然后机器人沿着初始路径向目标距离减少的方向前进，当遇到动态障碍物时，地图不断地被更新，触发连续重规划。在D*算法中，用Dijkstra搜索建立目标距离势场，能够获得全局最优初始路径，但其遍历计算代价大，所以效率低；用A*搜索建立目标距离势场，在大多数场合下能够有效减少搜索空间，降低计算代价，但无法获得全局最优初始路径；并且，当事先建立的目标距离势场需要被不断地进行更新时，不管是用Dijkstra搜索还是用A*搜索修改局部势场都会导致连续重规划计算量大，耗时较长，制约机器人对动态环境的适应能力。4.4波阵面传播法波阵面传播型规划器很适合栅格化表示的环境。其根本原理是：波阵面把结构空间视为一种导热物质，如果存在一个路径，热从起始节点向目标节点传到，热量将最终到达目标节点。另外一个与波阵面规划器相类似的是图形学中的区域着色问题，在这个问题中，颜色向周围的像素扩散。波阵面传播的一个有意义的方面是，所有网格元素到目标的最优路径可以作为副产品计算出来，图的结果看起来像市场图。KenHughes提出的Trulla算法是诸多波阵面型路径规划器中的一种，该算法利用了与势场的相似性，它让路径自身来表示机器人应该怎么做，仿佛路径是一个传感器观测。波阵面传播法的一个吸引人的特点是它处理地形的方法，障碍物模型的导热率为零〔热量不能通过这个单元网格进行传导〕，畅通区域的导热率是无穷大，对于能够通过而不希望通过的地形区域[15]，可设置一个较低的导热率，这就意味着热量将以较低的速度穿过非期望区域。虽然有了非期望区域的损失，结果路径也可能是最有路径中的一条。波阵面法很自然地会在期望区域中的较长路径和非期望区域中的捷径之间进行折中选择。机器人路径规划的波阵面传播方法已经被其他的研究者提出过。传统的方法是首先启动一个列表，这个列表只包含目标点〔或者是围绕目标点小范围的区域〕，并且对于这个区域中每一个未访问的邻居传播两个区域之间遍历费用的一个值。该区域从列表中删除，并且它的所有新访问的邻居被添加到列表中，通过增加本钱对列表排序，并且这一过程用列表中最低本钱地区重复进行。当到达源区域，这一过程终止。使用计算本钱值在端点之间构造实际路径。5总结与展望本课程研究学习报告完成了以下工作：1〕从研究当今世界各国效劳机器人开展规划和近况出发，分析了国内外机器人产业的开展规划和特征，指出了我国效劳机器人的开展潜力和市场开展趋势；2〕以效劳机器人的开展离不开其技术的进步与突破为核心，对当今效劳机器人的前沿关键性技术进行了具体的介绍，在当今信息时代的冲击下，对效劳机器人的处理和交互信息的能力要求越来越高，所以研究其关键性技术是不可缺少的一大主题；3〕对效劳机器人中涉及的动力学正逆解问题进行了分析，以牛顿-欧拉〔Newton-Euler〕法、拉格朗日〔Langrange〕法为例具体的介绍了其正逆解的递推算法，同时从实际问题出发，利用拉格朗日法对机器人动力