第5章-機器人控制

第5章機器人控制

機器人概論控制的基本原則機器人位置控制機器人力和位置混合控制智能控制5.1機器人的基本控制原則研究機器人的控制問題是與其運動學和動力學問題密切相關(guān)的。從控制觀點看，機器人系統(tǒng)代表冗余的、多變量和本質(zhì)上非線性的控制系統(tǒng)，同時又是復雜的耦合動態(tài)系統(tǒng)。每個控制任務(wù)本身就是一個動力學任務(wù)。在實際研究中，往往把機器人控制系統(tǒng)簡化為若干個低階子系統(tǒng)來描述。5.1機器人的基本控制原則5.1.1基本控制原則1.控制器分類非伺服控制、伺服控制、位置和速度反饋控制、力（力矩）控制、基于傳感器的控制、非線性控制、分解加速度控制、滑?？刂啤⒆顑?yōu)控制、自適應(yīng)控制、遞階控制以及各種智能控制等5.1機器人的基本控制原則5.1.1基本控制原則5.1機器人的基本控制原則從機器人控制算法的處理方式來看，可分為串行、并行兩種結(jié)構(gòu)類型。串行處理結(jié)構(gòu)(1)單CPU結(jié)構(gòu)、集中控制方式(2)二級CPU結(jié)構(gòu)、主從式控制方式(3)多CPU結(jié)構(gòu)、分布式控制方式計算負擔重、實時性差離線規(guī)劃和前饋補償解耦5.1機器人的基本控制原則并行處理結(jié)構(gòu)1982年J.Y.S.Luh首次提出1、考慮給定的并行處理器結(jié)構(gòu)，根據(jù)處理器結(jié)構(gòu)所支持的計算模型，開發(fā)算法的并行性；2、首先開發(fā)算法的并行性，然后設(shè)計支持該算法的并行處理器結(jié)構(gòu)，以達到最佳并行效率。5.1機器人的基本控制原則5.1.1基本控制原則2.主要控制變量本質(zhì)上是將電信號轉(zhuǎn)換為電動機等動力機構(gòu)的力矩矢量，通過變速機等中間部件，轉(zhuǎn)換為機械手或其他執(zhí)行機構(gòu)的轉(zhuǎn)角或位移：5.1機器人的基本控制原則5.1.1基本控制原則3.主要控制層次主要分為三個控制級：人工智能級、控制模式級和伺服系統(tǒng)級。（1）人工智能級詞匯和自然語言理解、規(guī)劃的產(chǎn)生以及人物描述等。仍處于研究階段。5.1機器人的基本控制原則5.1.1基本控制原則3.主要控制層次（2）控制模式級建立之間的雙向關(guān)系在建立系統(tǒng)動力學模型的問題上主要的困難有：無法準確地建立各部分的機械誤差；即使能夠完全考慮誤差，也無法完成所需的所有在線操作；控制對模型變換的響應(yīng)。5.1機器人的基本控制原則5.1.1基本控制原則3.主要控制層次（3）伺服系統(tǒng)級解決機器人的一般實際問題。主要包括伺服電機的控制、液壓缸伺服控制、電-液伺服控制等。5.1機器人的基本控制原則5.1.2伺服控制系統(tǒng)舉例液壓缸伺服傳動系統(tǒng)作為液壓傳動系統(tǒng)的動力元件，能夠省去中間動力減速器，從而消除齒隙和磨損問題。結(jié)構(gòu)簡單、比較便宜，在工業(yè)機器人機械手的往復運動裝置和旋轉(zhuǎn)運動裝置上都獲得了廣泛應(yīng)用。5.1機器人的基本控制原則5.1.2伺服控制系統(tǒng)舉例液壓缸伺服傳動系統(tǒng)5.1機器人的基本控制原則液壓缸伺服傳動系統(tǒng)5.1機器人的基本控制原則電-液壓伺服控制系統(tǒng)當采用力矩伺服電機作為位移給定元件時，液壓系統(tǒng)的方框圖如圖所示電流I與配油器輸入信號的關(guān)系可由下列傳函表示：增益阻尼系數(shù)→1自然振蕩角頻率5.1機器人的基本控制原則同樣可得活塞位移x與配油器輸入信號（位移誤差信號）間的關(guān)系：5.1機器人的基本控制原則系統(tǒng)傳遞函數(shù)：當采用力矩電機作為位移給定元件時：τ1很小可以忽略時，T1'(s)≈k15.2機器人的位置控制機器人為串續(xù)連桿式機械手，其動態(tài)特性具有高度的非線性?？刂七@種由馬達驅(qū)動的操作機器人，用適當?shù)臄?shù)學方程式來表示其運動是十分重要的。這種數(shù)學表達式就是數(shù)學模型，或簡稱模型?？刂茩C器人運動的計算機，運用這種數(shù)學模型來預測和控制將要進行的運動過程。近似模型5.2機器人的位置控制在設(shè)計模型時，提出下列兩個假設(shè)：（1）機器人的各段是理想剛體，因而所有的關(guān)節(jié)都是理想的，不存在摩擦和間隙；（2）相鄰兩連桿只有一個自由度，要么為完全旋轉(zhuǎn)的，要么為完全平移的。5.2機器人的位置控制1.傳遞函數(shù)與等效方框圖勵磁控制直流電動機的開環(huán)傳遞函數(shù)：電樞（轉(zhuǎn)子）角位移勵磁回路電壓電機轉(zhuǎn)矩常數(shù)勵磁回路電阻勵磁回路電感傳動系統(tǒng)總轉(zhuǎn)動慣量J=Jm+Jc/η2總黏滯摩擦系數(shù)F=fm+fc/η2總反饋系數(shù)K=kc/η25.2機器人的位置控制假設(shè)K=0：電氣時間常數(shù)機械時間常數(shù)5.2機器人的位置控制因為轉(zhuǎn)子轉(zhuǎn)速ω=dθm/dt，所以：電樞控制直流電動機的傳遞函數(shù)：電樞回路電壓電樞回路電阻電樞回路電感考慮電動機轉(zhuǎn)動時產(chǎn)生反電勢的系數(shù)5.2機器人的位置控制2.直流電動機的轉(zhuǎn)速調(diào)整從穩(wěn)定性和精度上看，要獲得滿意的伺服傳動性能，必須在伺服電路內(nèi)引入補償網(wǎng)絡(luò)。主要有比例、微分、積分、測速補償四種。5.3機器人的力和位置混合控制1.主動剛性控制如果希望在某個方向上遇到實際約束，那么這個方向的剛性應(yīng)當降低，以保證有較低的結(jié)構(gòu)應(yīng)力；反之，在某些不希望碰到實際約束的方向上，則應(yīng)加大剛性，這樣可以使機械手緊緊跟隨期望軌跡。5.3機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）沒有考慮機械手動態(tài)耦合的影響，這就會導致機械手在工作空間某些非奇異位置上出現(xiàn)不穩(wěn)定。可以進行如下改進：（1）在混合控制器中考慮機械手動態(tài)影響，并對機械手所受重力及哥氏力和向心力進行補償；（2）考慮力控制系統(tǒng)的欠阻尼特性，在力控制回路中，加入阻尼反饋，以削弱震蕩因素；（3）引入加速度前饋，以滿足作業(yè)任務(wù)對加速度的要求，也可以使速度平滑過渡。5.3機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機器人的力和位置混合控制3.操作空間力和位置混合控制系統(tǒng)因為機械手的末端運動是所有關(guān)節(jié)運動的復雜函數(shù)，即使每個關(guān)節(jié)的動態(tài)性能可行，末端的動態(tài)性能未必能滿足要求。5.4機器人的智能控制5.4.1智能控制系統(tǒng)的分類目前常見的智能控制系統(tǒng)主要有：遞階控制系統(tǒng)、專家控制系統(tǒng)、模糊控制系統(tǒng)、神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)、學習控制系統(tǒng)和進化控制系統(tǒng)等。實際上，這幾種方法和機制往往結(jié)合在一起，形成混合控制系統(tǒng)，從而優(yōu)化系統(tǒng)的控制效果。5.4機器人的智能控制1.遞階控制系統(tǒng)遞階控制系統(tǒng)最早由薩里迪斯和梅斯特爾等人提出，它是按照精度隨智能降低而提高的原理（IPDI）分級分布的。5.4機器人的智能控制1.遞階控制系統(tǒng)遞階智能控制系統(tǒng)把定性的用戶指令變換為一個物理操作序列，系統(tǒng)的輸出時通過一組施于驅(qū)動器的具體指令來實現(xiàn)的。5.4機器人的智能控制2.專家控制系統(tǒng)（ExpertControlSystem）專家控制系統(tǒng)是一個應(yīng)用專家系統(tǒng)技術(shù)的控制系統(tǒng)，也是一個典型的和廣泛應(yīng)用的基于知識的控制系統(tǒng)。專家系統(tǒng)控制系統(tǒng)主要包括知識庫、推理機、控制規(guī)則集和/或控制算法等。5.4機器人的智能控制2.專家控制系統(tǒng)（ExpertControlSystem）與一般控制系統(tǒng)的區(qū)別：專家控制系統(tǒng)數(shù)據(jù)級知識庫程序級一般控制系統(tǒng)數(shù)據(jù)級程序級5.4機器人的智能控制2.專家控制系統(tǒng)（ExpertControlSystem）知識庫（KnowledgeBase）：用于存儲某領(lǐng)域?qū)＜壹壍膶I(yè)知識，包括事實、可行操作與規(guī)則等。綜合數(shù)據(jù)庫（GlobalDatabase）：又稱全局數(shù)據(jù)庫或總數(shù)據(jù)庫，用于存儲領(lǐng)域或問題的初始數(shù)據(jù)和推理過程中得到的中間數(shù)據(jù)（信息），即被處理對象的一些當前事實。推理機（ReasoningMachine）：用于記憶所采用的規(guī)則和控制策略的程序，使整個專家系統(tǒng)能夠以邏輯方式協(xié)調(diào)地工作。根據(jù)知識進行推理和導出結(jié)論，而不是簡單地搜索現(xiàn)成的答案。5.4機器人的智能控制2.專家控制系統(tǒng)（ExpertControlSystem）解釋器（Explanatory）：向用戶解釋專家系統(tǒng)的行為，包括解釋推理結(jié)論的正確性以及系統(tǒng)輸出其他候選解的原因。接口（Interface）：又稱界面，它能夠使系統(tǒng)與用戶進行對話，使用戶能夠輸入必要的數(shù)據(jù)、提出問題和了解推理過程及推理結(jié)果等。5.4機器人的智能控制建立專家系統(tǒng)的一般步驟：設(shè)計初始知識庫①問題的知識化②知識的概念化③概念的形式化④形式的規(guī)則化⑤規(guī)則的合法化A知識庫的改進與歸納反復對知識庫及推理規(guī)則進行改進試驗歸納出更完善的結(jié)果C原型機的開發(fā)與試驗包括整個模型的典型知識只涉及與試驗有關(guān)的足夠簡單的任務(wù)和推理過程B5.4機器人的智能控制3.模糊控制系統(tǒng)在傳統(tǒng)的控制領(lǐng)域里，控制系統(tǒng)動態(tài)模式的精確與否是影響控制優(yōu)劣的最主要關(guān)鍵。傳統(tǒng)的控制理論對于明確系統(tǒng)有強而有力的控制能力，但對于過于復雜或難以精確描述的系統(tǒng)，則顯得無能為力。5.4機器人的智能控制3.模糊控制系統(tǒng)模糊控制是一類應(yīng)用模糊集合理論的控制方法。模糊控制的有效性可以從兩個方面來考慮。一方面，模糊控制提供一種實現(xiàn)基于知識（基于規(guī)劃）的甚至語言描述的控制規(guī)律的新機理。另一方面，模糊控制提供了一種改進非線性控制器的替代方法，這些非線性控制器一般用于控制含有不確定性和難以用傳統(tǒng)非線性控制理論處理的裝置。5.4機器人的智能控制對輸入量進行滿足模糊控制需求的處理↓對輸入量進行尺度變換↓確定模糊語言取值和隸屬度函數(shù)5.4機器人的智能控制隸屬度函數(shù)高斯型隸屬函數(shù)廣義鐘形隸屬函數(shù)S型隸屬函數(shù)梯形隸屬函數(shù)三角形隸屬函數(shù)Z形隸屬函數(shù)5.4機器人的智能控制幾種解模糊的方式：1、重心法2、最大隸屬度法：顧名思義就是輸出最大隸屬度的值3、系數(shù)加權(quán)平均法5.4機器人的智能控制4.遺傳算法遺傳算法（GeneticAlgorithm）是模擬達爾文生物進化論的自然選擇和遺傳學機理的生物進化過程的計算模型，是一種通過模擬自然進化過程搜索最優(yōu)解的方法。主要特點：直接對結(jié)構(gòu)對象進行操作，不存在求導和函數(shù)連續(xù)性的限定；具有內(nèi)在的隱并行性和更好的全局尋優(yōu)能力；采用概率化的尋優(yōu)方法，能自動獲取和指導優(yōu)化的搜索空間，自適應(yīng)地調(diào)整搜索方向，不需要確定的規(guī)則。5.4機器人的智能控制常用名詞：種群（population）基因（gene）個體(individual)染色體(chromosome)代（generation）適應(yīng)度（fitness）選擇（selection）遺傳算子（geneticoperators）交叉（crossover）變異（mutation）解碼（decoding）5.4機器人的智能控制初始種群一代適應(yīng)度測試=理想情況選擇繁殖子代變異5.4機器人的智能控制基本遺傳算法偽代碼/*Pc：交叉發(fā)生的概率*Pm：變異發(fā)生的概率*M：種群規(guī)模*G：終止進化的代數(shù)*Tf：進化產(chǎn)生的任何一個個體的適應(yīng)度函數(shù)超過Tf，則可以終止進化過程*/初始化Pm，Pc，M，G，Tf等參數(shù)。隨機產(chǎn)生第一代種群Popdo{計算種群Pop中每一個體的適應(yīng)度F(i)。初始化空種群newPopdo{根據(jù)適應(yīng)度以比例選擇算法從種群Pop中選出2個個體5.4機器人的智能控制基本遺傳算法偽代碼if(random(0,1)<Pc){對2個個體按交叉概率Pc執(zhí)行交叉操作}if(random(0,1)<Pm){對2個個體按變異概率Pm執(zhí)行變異操作}將2個新個體加入種群newPop中}until(M個子代被創(chuàng)建)用newPop取代Pop}until(任何染色體得分超過Tf，或繁殖代數(shù)超過G)5.4機器人的智能控制5.人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetwork，即ANN），是20世紀80年代以來人工智能領(lǐng)域興起的研究熱點。它從信息處理角度對人腦神經(jīng)元網(wǎng)絡(luò)進行抽象，建立某種簡單模型，按不同的連接方式組成不同的網(wǎng)絡(luò)。在工程與學術(shù)界也常直接簡稱為神經(jīng)網(wǎng)絡(luò)或類神經(jīng)網(wǎng)絡(luò)。5.人工神經(jīng)網(wǎng)絡(luò)5.4機器人的智能控制基于規(guī)則的專家系統(tǒng)或模糊控制監(jiān)督學習神經(jīng)網(wǎng)絡(luò)控制（SupervisedNeuralControl,SNC）受控系統(tǒng)的動力學特性未知或部分已知5.4機器人的智能控制實現(xiàn)SNC的步驟：通過傳感器及傳感信息處理獲取必要的和有用的控制信息構(gòu)造神經(jīng)網(wǎng)絡(luò)，包括選擇合適的神經(jīng)網(wǎng)絡(luò)類型、結(jié)構(gòu)參數(shù)和學習算法等訓練SNC，實現(xiàn)從輸入到輸出的映射，以產(chǎn)生正確的控制5.4機器人的智能控制（1）神經(jīng)元模型：神經(jīng)元模型是模擬生物神經(jīng)元結(jié)構(gòu)而被設(shè)計出來的。5.4機器人的智能控制基本概念：1、權(quán)值矩陣：相當于神經(jīng)網(wǎng)絡(luò)的記憶。在訓練的過程中，動態(tài)調(diào)整和適應(yīng)。2、神經(jīng)網(wǎng)絡(luò)中的每個節(jié)點接受輸入值，并將輸入值傳遞給下一層，輸入節(jié)點會將輸入屬性值直接傳遞給下一層（隱層或輸出層）。在神經(jīng)網(wǎng)絡(luò)中，隱層和輸出層節(jié)點的輸入和輸出之間具有函數(shù)關(guān)系，這個函數(shù)稱為激勵函數(shù)。5.4機器人的智能控制常見的激勵函數(shù)5.4機器人的智能控制BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)正向傳播5.4機器人的智能控制單個樣本的損失函數(shù)（LossFunction）代價函數(shù)（CostFunction）反向傳播——通過計算輸出層與期望值之間的誤差來調(diào)整網(wǎng)絡(luò)參數(shù)，從而使得誤差變小。5.4機器人的智能控制5.4.2機器人智能控制實踐1.Matlab模糊控制工具箱在命令行輸入fuzzy，即可進入模糊控制工具箱。5.4機器人的智能控制點擊Edit->AddVariable->input添加輸入變量點擊Edit->AddVariable->output添加輸出變量5.4機器人的智能控制通過修改TypeName等修改模糊規(guī)則5.4機器人的智能控制所有規(guī)則都添加完成之后，點擊Edit->Rules進入規(guī)則設(shè)計界面，根據(jù)提前設(shè)計好的規(guī)則生成方法5.4機器人的智能控制點擊Addrule添加相應(yīng)的規(guī)則。之后可以點擊View，看設(shè)計的規(guī)則情況。左下角的方框里Andmethod\Ormethod之類的選項是設(shè)計規(guī)則里選擇and和or進行變量選取的選取方法。5.4機器人的智能控制例：求下述二元函數(shù)的最大值：（1）個體編碼（2）產(chǎn)生初始群體（3）適應(yīng)度計算（4）選擇新個體（5）交叉（6）變異fi/Σfi5.4機器人的智能控制求一個復雜的二維函數(shù)的最大值。函數(shù)顯式為：y=10*sin(5*x)+7*abs(x-5)+10這個函數(shù)圖像為：5.4機器人的智能控制主函數(shù)流程圖：5.4機器人的智能控制（1）生成二進制種群%初始化種群大小%輸入變量：%popsize：種群大小%chromlength：染色體長度-->>轉(zhuǎn)化的二進制長度%輸出變量：%pop：種群function

pop=initpop(popsize,chromlength)pop=round(rand(popsize,chromlength));%rand(3,4)生成3行4列的0-1之間的隨機數(shù)%rand(3,4)%5.4機器人的智能控制%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%所以返回的種群就是每行是一個個體，列數(shù)是染色體長度5.4機器人的智能控制（2）把二進制返回對應(yīng)的十進制%二進制轉(zhuǎn)化成十進制函數(shù)%輸入變量：%二進制種群%輸出變量%十進制數(shù)值function

pop2=binary2decimal(pop)[px,py]=size(pop);fori=1:pypop1(:,i)=2.^(py-i).*pop(:,i);end%sum(.,2)對行求和，得到列向量temp=sum(pop1,2);pop2=temp*10/1023;5.4機器人的智能控制（3）計算適應(yīng)度函數(shù)%計算函數(shù)目標值%輸入變量：二進制數(shù)值%輸出變量：目標函數(shù)值function[objvalue]=cal_objvalue(pop)x=binary2decimal(pop);%轉(zhuǎn)化二進制數(shù)為x變量的變化域范圍的數(shù)值objvalue=10*sin(5*x)+7*abs(x-5)+10;5.4機器人的智能控制（4）選擇新的個體%如何選擇新的個體%輸入變量：pop二進制種群，fitvalue：適應(yīng)度值%輸出變量：newpop選擇以后的二進制種群function[newpop]=selection(pop,fitvalue)%構(gòu)造輪盤[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));%從小到大排列5.4機器人的智能控制（4）選擇新的個體fitin=1;newin=1;whilenewin<=px

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

elsefitin=fitin+1;endend5.4機器人的智能控制（5）交叉%輸入變量：pop：二進制的父代種群數(shù)，pc：交叉的概率%輸出變量：newpop：交叉后的種群數(shù)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機器人的智能控制（6）變異%輸入變量：pop：二進制種群，pm：變異概率%輸出變量：newpop變異以后的種群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.