第5章-机器人控制

第5章机器人控制

机器人概论控制的基本原则机器人位置控制机器人力和位置混合控制智能控制5.1机器人的基本控制原则研究机器人的控制问题是与其运动学和动力学问题密切相关的。从控制观点看，机器人系统代表冗余的、多变量和本质上非线性的控制系统，同时又是复杂的耦合动态系统。每个控制任务本身就是一个动力学任务。在实际研究中，往往把机器人控制系统简化为若干个低阶子系统来描述。5.1机器人的基本控制原则5.1.1基本控制原则1.控制器分类非伺服控制、伺服控制、位置和速度反馈控制、力（力矩）控制、基于传感器的控制、非线性控制、分解加速度控制、滑模控制、最优控制、自适应控制、递阶控制以及各种智能控制等5.1机器人的基本控制原则5.1.1基本控制原则5.1机器人的基本控制原则从机器人控制算法的处理方式来看，可分为串行、并行两种结构类型。串行处理结构(1)单CPU结构、集中控制方式(2)二级CPU结构、主从式控制方式(3)多CPU结构、分布式控制方式计算负担重、实时性差离线规划和前馈补偿解耦5.1机器人的基本控制原则并行处理结构1982年J.Y.S.Luh首次提出1、考虑给定的并行处理器结构，根据处理器结构所支持的计算模型，开发算法的并行性；2、首先开发算法的并行性，然后设计支持该算法的并行处理器结构，以达到最佳并行效率。5.1机器人的基本控制原则5.1.1基本控制原则2.主要控制变量本质上是将电信号转换为电动机等动力机构的力矩矢量，通过变速机等中间部件，转换为机械手或其他执行机构的转角或位移：5.1机器人的基本控制原则5.1.1基本控制原则3.主要控制层次主要分为三个控制级：人工智能级、控制模式级和伺服系统级。（1）人工智能级词汇和自然语言理解、规划的产生以及人物描述等。仍处于研究阶段。5.1机器人的基本控制原则5.1.1基本控制原则3.主要控制层次（2）控制模式级建立之间的双向关系在建立系统动力学模型的问题上主要的困难有：无法准确地建立各部分的机械误差；即使能够完全考虑误差，也无法完成所需的所有在线操作；控制对模型变换的响应。5.1机器人的基本控制原则5.1.1基本控制原则3.主要控制层次（3）伺服系统级解决机器人的一般实际问题。主要包括伺服电机的控制、液压缸伺服控制、电-液伺服控制等。5.1机器人的基本控制原则5.1.2伺服控制系统举例液压缸伺服传动系统作为液压传动系统的动力元件，能够省去中间动力减速器，从而消除齿隙和磨损问题。结构简单、比较便宜，在工业机器人机械手的往复运动装置和旋转运动装置上都获得了广泛应用。5.1机器人的基本控制原则5.1.2伺服控制系统举例液压缸伺服传动系统5.1机器人的基本控制原则液压缸伺服传动系统5.1机器人的基本控制原则电-液压伺服控制系统当采用力矩伺服电机作为位移给定元件时，液压系统的方框图如图所示电流I与配油器输入信号的关系可由下列传函表示：增益阻尼系数→1自然振荡角频率5.1机器人的基本控制原则同样可得活塞位移x与配油器输入信号（位移误差信号）间的关系：5.1机器人的基本控制原则系统传递函数：当采用力矩电机作为位移给定元件时：τ1很小可以忽略时，T1'(s)≈k15.2机器人的位置控制机器人为串续连杆式机械手，其动态特性具有高度的非线性。控制这种由马达驱动的操作机器人，用适当的数学方程式来表示其运动是十分重要的。这种数学表达式就是数学模型，或简称模型。控制机器人运动的计算机，运用这种数学模型来预测和控制将要进行的运动过程。近似模型5.2机器人的位置控制在设计模型时，提出下列两个假设：（1）机器人的各段是理想刚体，因而所有的关节都是理想的，不存在摩擦和间隙；（2）相邻两连杆只有一个自由度，要么为完全旋转的，要么为完全平移的。5.2机器人的位置控制1.传递函数与等效方框图励磁控制直流电动机的开环传递函数：电枢（转子）角位移励磁回路电压电机转矩常数励磁回路电阻励磁回路电感传动系统总转动惯量J=Jm+Jc/η2总黏滞摩擦系数F=fm+fc/η2总反馈系数K=kc/η25.2机器人的位置控制假设K=0：电气时间常数机械时间常数5.2机器人的位置控制因为转子转速ω=dθm/dt，所以：电枢控制直流电动机的传递函数：电枢回路电压电枢回路电阻电枢回路电感考虑电动机转动时产生反电势的系数5.2机器人的位置控制2.直流电动机的转速调整从稳定性和精度上看，要获得满意的伺服传动性能，必须在伺服电路内引入补偿网络。主要有比例、微分、积分、测速补偿四种。5.3机器人的力和位置混合控制1.主动刚性控制如果希望在某个方向上遇到实际约束，那么这个方向的刚性应当降低，以保证有较低的结构应力；反之，在某些不希望碰到实际约束的方向上，则应加大刚性，这样可以使机械手紧紧跟随期望轨迹。5.3机器人的力和位置混合控制2.雷伯特-克雷登位置/力混合控制器（R-C控制器）没有考虑机械手动态耦合的影响，这就会导致机械手在工作空间某些非奇异位置上出现不稳定。可以进行如下改进：（1）在混合控制器中考虑机械手动态影响，并对机械手所受重力及哥氏力和向心力进行补偿；（2）考虑力控制系统的欠阻尼特性，在力控制回路中，加入阻尼反馈，以削弱震荡因素；（3）引入加速度前馈，以满足作业任务对加速度的要求，也可以使速度平滑过渡。5.3机器人的力和位置混合控制2.雷伯特-克雷登位置/力混合控制器（R-C控制器）5.3机器人的力和位置混合控制3.操作空间力和位置混合控制系统因为机械手的末端运动是所有关节运动的复杂函数，即使每个关节的动态性能可行，末端的动态性能未必能满足要求。5.4机器人的智能控制5.4.1智能控制系统的分类目前常见的智能控制系统主要有：递阶控制系统、专家控制系统、模糊控制系统、神经网络控制系统、学习控制系统和进化控制系统等。实际上，这几种方法和机制往往结合在一起，形成混合控制系统，从而优化系统的控制效果。5.4机器人的智能控制1.递阶控制系统递阶控制系统最早由萨里迪斯和梅斯特尔等人提出，它是按照精度随智能降低而提高的原理（IPDI）分级分布的。5.4机器人的智能控制1.递阶控制系统递阶智能控制系统把定性的用户指令变换为一个物理操作序列，系统的输出时通过一组施于驱动器的具体指令来实现的。5.4机器人的智能控制2.专家控制系统（ExpertControlSystem）专家控制系统是一个应用专家系统技术的控制系统，也是一个典型的和广泛应用的基于知识的控制系统。专家系统控制系统主要包括知识库、推理机、控制规则集和/或控制算法等。5.4机器人的智能控制2.专家控制系统（ExpertControlSystem）与一般控制系统的区别：专家控制系统数据级知识库程序级一般控制系统数据级程序级5.4机器人的智能控制2.专家控制系统（ExpertControlSystem）知识库（KnowledgeBase）：用于存储某领域专家级的专业知识，包括事实、可行操作与规则等。综合数据库（GlobalDatabase）：又称全局数据库或总数据库，用于存储领域或问题的初始数据和推理过程中得到的中间数据（信息），即被处理对象的一些当前事实。推理机（ReasoningMachine）：用于记忆所采用的规则和控制策略的程序，使整个专家系统能够以逻辑方式协调地工作。根据知识进行推理和导出结论，而不是简单地搜索现成的答案。5.4机器人的智能控制2.专家控制系统（ExpertControlSystem）解释器（Explanatory）：向用户解释专家系统的行为，包括解释推理结论的正确性以及系统输出其他候选解的原因。接口（Interface）：又称界面，它能够使系统与用户进行对话，使用户能够输入必要的数据、提出问题和了解推理过程及推理结果等。5.4机器人的智能控制建立专家系统的一般步骤：设计初始知识库①问题的知识化②知识的概念化③概念的形式化④形式的规则化⑤规则的合法化A知识库的改进与归纳反复对知识库及推理规则进行改进试验归纳出更完善的结果C原型机的开发与试验包括整个模型的典型知识只涉及与试验有关的足够简单的任务和推理过程B5.4机器人的智能控制3.模糊控制系统在传统的控制领域里，控制系统动态模式的精确与否是影响控制优劣的最主要关键。传统的控制理论对于明确系统有强而有力的控制能力，但对于过于复杂或难以精确描述的系统，则显得无能为力。5.4机器人的智能控制3.模糊控制系统模糊控制是一类应用模糊集合理论的控制方法。模糊控制的有效性可以从两个方面来考虑。一方面，模糊控制提供一种实现基于知识（基于规划）的甚至语言描述的控制规律的新机理。另一方面，模糊控制提供了一种改进非线性控制器的替代方法，这些非线性控制器一般用于控制含有不确定性和难以用传统非线性控制理论处理的装置。5.4机器人的智能控制对输入量进行满足模糊控制需求的处理↓对输入量进行尺度变换↓确定模糊语言取值和隶属度函数5.4机器人的智能控制隶属度函数高斯型隶属函数广义钟形隶属函数S型隶属函数梯形隶属函数三角形隶属函数Z形隶属函数5.4机器人的智能控制几种解模糊的方式：1、重心法2、最大隶属度法：顾名思义就是输出最大隶属度的值3、系数加权平均法5.4机器人的智能控制4.遗传算法遗传算法（GeneticAlgorithm）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。主要特点：直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。5.4机器人的智能控制常用名词：种群（population）基因（gene）个体(individual)染色体(chromosome)代（generation）适应度（fitness）选择（selection）遗传算子（geneticoperators）交叉（crossover）变异（mutation）解码（decoding）5.4机器人的智能控制初始种群一代适应度测试=理想情况选择繁殖子代变异5.4机器人的智能控制基本遗传算法伪代码/*Pc：交叉发生的概率*Pm：变异发生的概率*M：种群规模*G：终止进化的代数*Tf：进化产生的任何一个个体的适应度函数超过Tf，则可以终止进化过程*/初始化Pm，Pc，M，G，Tf等参数。随机产生第一代种群Popdo{计算种群Pop中每一个体的适应度F(i)。初始化空种群newPopdo{根据适应度以比例选择算法从种群Pop中选出2个个体5.4机器人的智能控制基本遗传算法伪代码if(random(0,1)<Pc){对2个个体按交叉概率Pc执行交叉操作}if(random(0,1)<Pm){对2个个体按变异概率Pm执行变异操作}将2个新个体加入种群newPop中}until(M个子代被创建)用newPop取代Pop}until(任何染色体得分超过Tf，或繁殖代数超过G)5.4机器人的智能控制5.人工神经网络人工神经网络（ArtificialNeuralNetwork，即ANN），是20世纪80年代以来人工智能领域兴起的研究热点。它从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。在工程与学术界也常直接简称为神经网络或类神经网络。5.人工神经网络5.4机器人的智能控制基于规则的专家系统或模糊控制监督学习神经网络控制（SupervisedNeuralControl,SNC）受控系统的动力学特性未知或部分已知5.4机器人的智能控制实现SNC的步骤：通过传感器及传感信息处理获取必要的和有用的控制信息构造神经网络，包括选择合适的神经网络类型、结构参数和学习算法等训练SNC，实现从输入到输出的映射，以产生正确的控制5.4机器人的智能控制（1）神经元模型：神经元模型是模拟生物神经元结构而被设计出来的。5.4机器人的智能控制基本概念：1、权值矩阵：相当于神经网络的记忆。在训练的过程中，动态调整和适应。2、神经网络中的每个节点接受输入值，并将输入值传递给下一层，输入节点会将输入属性值直接传递给下一层（隐层或输出层）。在神经网络中，隐层和输出层节点的输入和输出之间具有函数关系，这个函数称为激励函数。5.4机器人的智能控制常见的激励函数5.4机器人的智能控制BP神经网络的结构正向传播5.4机器人的智能控制单个样本的损失函数（LossFunction）代价函数（CostFunction）反向传播——通过计算输出层与期望值之间的误差来调整网络参数，从而使得误差变小。5.4机器人的智能控制5.4.2机器人智能控制实践1.Matlab模糊控制工具箱在命令行输入fuzzy，即可进入模糊控制工具箱。5.4机器人的智能控制点击Edit->AddVariable->input添加输入变量点击Edit->AddVariable->output添加输出变量5.4机器人的智能控制通过修改TypeName等修改模糊规则5.4机器人的智能控制所有规则都添加完成之后，点击Edit->Rules进入规则设计界面，根据提前设计好的规则生成方法5.4机器人的智能控制点击Addrule添加相应的规则。之后可以点击View，看设计的规则情况。左下角的方框里Andmethod\Ormethod之类的选项是设计规则里选择and和or进行变量选取的选取方法。5.4机器人的智能控制例：求下述二元函数的最大值：（1）个体编码（2）产生初始群体（3）适应度计算（4）选择新个体（5）交叉（6）变异fi/Σfi5.4机器人的智能控制求一个复杂的二维函数的最大值。函数显式为：y=10*sin(5*x)+7*abs(x-5)+10这个函数图像为：5.4机器人的智能控制主函数流程图：5.4机器人的智能控制（1）生成二进制种群%初始化种群大小%输入变量：%popsize：种群大小%chromlength：染色体长度-->>转化的二进制长度%输出变量：%pop：种群function

pop=initpop(popsize,chromlength)pop=round(rand(popsize,chromlength));%rand(3,4)生成3行4列的0-1之间的随机数%rand(3,4)%5.4机器人的智能控制%ans=%%0.81470.91340.27850.9649%0.90580.63240.54690.1576%0.12700.09750.95750.9706%round就是四舍五入%round(rand(3,4))=%1101%1110%0011%所以返回的种群就是每行是一个个体，列数是染色体长度5.4机器人的智能控制（2）把二进制返回对应的十进制%二进制转化成十进制函数%输入变量：%二进制种群%输出变量%十进制数值function

pop2=binary2decimal(pop)[px,py]=size(pop);fori=1:pypop1(:,i)=2.^(py-i).*pop(:,i);end%sum(.,2)对行求和，得到列向量temp=sum(pop1,2);pop2=temp*10/1023;5.4机器人的智能控制（3）计算适应度函数%计算函数目标值%输入变量：二进制数值%输出变量：目标函数值function[objvalue]=cal_objvalue(pop)x=binary2decimal(pop);%转化二进制数为x变量的变化域范围的数值objvalue=10*sin(5*x)+7*abs(x-5)+10;5.4机器人的智能控制（4）选择新的个体%如何选择新的个体%输入变量：pop二进制种群，fitvalue：适应度值%输出变量：newpop选择以后的二进制种群function[newpop]=selection(pop,fitvalue)%构造轮盘[px,py]=size(pop);totalfit=sum(fitvalue);p_fitvalue=fitvalue/totalfit;p_fitvalue=cumsum(p_fitvalue);%概率求和排序ms=sort(rand(px,1));%从小到大排列5.4机器人的智能控制（4）选择新的个体fitin=1;newin=1;whilenewin<=px

if(ms(newin))<p_fitvalue(fitin)newpop(newin,:)=pop(fitin,:);newin=newin+1;

elsefitin=fitin+1;endend5.4机器人的智能控制（5）交叉%输入变量：pop：二进制的父代种群数，pc：交叉的概率%输出变量：newpop：交叉后的种群数function[newpop]=crossover(pop,pc)[px,py]=size(pop);newpop=ones(size(pop));fori=1:2:px-1

if(rand<pc)cpoint=round(rand*py);newpop(i,:)=[pop(i,1:cpoint),pop(i+1,cpoint+1:py)];newpop(i+1,:)=[pop(i+1,1:cpoint),pop(i,cpoint+1:py)];

elsenewpop(i,:)=pop(i,:);newpop(i+1,:)=pop(i+1,:);endend5.4机器人的智能控制（6）变异%输入变量：pop：二进制种群，pm：变异概率%输出变量：newpop变异以后的种群function[newpop]=mutation(pop,pm)[px,py]=size(pop);newpop=ones(size(pop));fori=1:px

if(rand<pm)mpoint=round(rand*py);

ifmpoint<=0;mpoint=1;

end5.