一种基于阻抗迭代学习的物理人机交互控制方法技术

本发明专利技术提供了一种基于阻抗迭代学习的物理人机交互控制方法，包括如下步骤：建立五杆并联机器人的欧拉

【技术实现步骤摘要】
一种基于阻抗迭代学习的物理人机交互控制方法


[0001]本专利技术属于机器人控制
，具体涉及一种基于阻抗迭代学习的物理人机交互控制方法
。

技术介绍

[0002]并联机器人具有运行速度快
、
精度高
、
刚度大等优点，被广泛运用于精密加工
、
测量工程和航空航天等领域
。
并联机器人在生产自动化中占有极其重要的位置，为了使得机器人能对外界的变化产生响应，需要其具备一定的柔顺性
。
而主动柔顺控制正是实现这一目标的重要环节
。
最早的主动柔顺控制研究可以追溯到
50
年代，当时
Goertzs
针对放射性实验工场的恶劣环境，在电液式主从机械臂上装上力反馈装置，当操作者在主操作机上操作时，就可以感受到从操作机与环境的接触作用力，实质也就是力遥感
。
[0003]阻抗控制作为应用最为广泛的柔顺控制方法，通过建立机器人运动和外部作用力之间的动态关系，对机器人运动进行调节，从而实现机器人与环境的动态调整
。
然而目前的阻抗控制方法并不能很好的保证跟踪误差的一致收敛性，无法实现阻抗控制系统的稳定性
。

技术实现思路

[0004]为解决上述问题，本专利技术提供了一种基于阻抗迭代学习的物理人机交互控制方法，本专利技术采用了如下技术方案：
[0005]本专利技术提供了一种基于阻抗迭代学习的物理人机交互控制方法，包括如下步骤：
>S1
，建立五杆并联机器人的欧拉
‑
拉格朗日动力学模型；
S2
，根据并联机器人的轨迹跟踪误差，建立人机系统交互力模型；
S3
，基于欧拉
‑
拉格朗日动力学模型，设计机器人模型参考自适应控制；
S4
，基于人机系统交互力模型以及机器人模型参考自适应控制设计人机交互力迭代学习策略；
S5
，利用人机交互力迭代学习策略对五杆并联机器人进行控制测试
。
[0006]在本专利技术提供的一种基于阻抗迭代学习的物理人机交互控制方法中，还可以具有这样的特征，
S1
中欧拉
‑
拉格朗日动力学模型为：
[0007][0008]式中，
x∈R
n
为机器人末端执行器位置向量，
M(x)∈R
n
×
n
为机器人惯性矩阵，为机器人科里奥利和离心力矩阵，
G(x)∈R
n
为机器人重力向量，
u∈R
n
为机器人工作空间控制输入力，
u
e
∈R
n
为人机交互力
。
[0009]在本专利技术提供的一种基于阻抗迭代学习的物理人机交互控制方法中，还可以具有这样的特征，其中，
S2
中轨迹跟踪误差为：
[0010]e
k
＝
x
r
‑
x
k
(2)
[0011]式中，
x
k
表示迭代第
k
次的值，
x
r
表示参考轨迹；人机系统交互力模型为：
[0012][0013]式中，和分别代表第
k
次迭代过程中相互作用力的刚度矩阵与阻尼矩阵；所述刚度矩阵与所述阻尼矩阵的函数表达式如下
:
[0014][0015][0016]式中，
K
h
(t)
和
B
h
(t)
均为迭代无关项，分别在中起主导作用；
K
d,k
(t)
与
B
d,k
(t)
均为迭代依赖项；基于公式
(2)
‑
(5)
，人机系统交互力模型化简后为：
[0017][0018]式中，
F0(t)
＝
‑
K
h
(t)x
r
。
[0019]在本专利技术提供的一种基于阻抗迭代学习的物理人机交互控制方法中，还可以具有这样的特征，其中，根据轨迹误差定义的误差滑模面为：
[0020][0021]式中，
k1为正的控制参数；对欧拉
‑
拉格朗日动力学模型进行参数化表示：
[0022][0023]式中，
θ
为常数向量；参考欧拉
‑
拉格朗日动力学模型的表达式以及参数化后的欧拉
‑
拉格朗日动力学模型，误差滑模面转换为：
[0024][0025]设计控制输入
u
k
的自适应控制策略：
[0026][0027]式中，
k2>0
，与分别为
θ
和
u
e,k
的估计量；根据所述控制输入
u
k
的自适应控制策略对所述误差滑模面
r
k
对应的动力学表达式进行代入与化简，得到化简后的误差滑模面
r
k
对应的动力学表达式：
[0028][0029]式中，
[0030]在本专利技术提供的一种基于阻抗迭代学习的物理人机交互控制方法中，还可以具有这样的特征，其中，由以下微分自适应率更新：
[0031][0032][0033]式中，
r0为学习率，且
r0>0
；
proj(t)
为一个投影，具体为：
。
[0034]在本专利技术提供的一种基于阻抗迭代学习的物理人机交互控制方法中，还可以具有这样的特征，其中，所述式
(6)
中
F0(t)、K
h
(t)
和
B
h
(t)
的估计量为设计全饱和的自适应参数更新律：
[0035][0036][0037][0038][0039][0040][0041]式中，
t∈[0,T]，且
r1、r2、r3>0
；分别为前馈力辅助矩阵
、
刚度辅助矩阵和阻尼辅助矩阵；
[0042]在饱和函数定义下，
F0>0
，
[0043][0044]式中，
F(t)
为函数表达式，指代为和
F0为给定的常数
。
[0045]专利技术作用与效果
[0046]根据本专利技术的一种基于阻抗迭代学习的物理人机交互控制方法，通过设计阻抗控制确保参考轨迹跟踪误差的收敛，进而保证阻抗误差的收敛和阻抗控制的稳定性
。
另外，与传统控制器中对阻抗曲线要求不同，本专利技术中阻抗曲线不局限于周本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于阻抗迭代学习的物理人机交互控制方法，其特征在于，包括如下步骤：
S1
，建立五杆并联机器人的欧拉
‑
拉格朗日动力学模型；
S2
，根据并联机器人的轨迹跟踪误差，建立人机系统交互力模型；
S3
，基于所述欧拉
‑
拉格朗日动力学模型，设计机器人模型参考自适应控制；
S4
，基于所述人机系统交互力模型以及所述机器人模型参考自适应控制设计人机交互力迭代学习策略；
S5
，利用人机交互力迭代学习策略对所述五杆并联机器人进行控制测试
。2.
根据权利要求1所述的基于阻抗迭代学习的物理人机交互控制方法，其特征在于：其中，所述
S1
中欧拉
‑
拉格朗日动力学模型为：式中，
x∈R
n
为机器人末端执行器位置向量，
M(x)∈R
n
×
n
为机器人惯性矩阵，为机器人科里奥利和离心力矩阵，
G(x)∈R
n
为机器人重力向量，
u∈R
n
为机器人工作空间控制输入力，
u
e
∈R
n
为人机交互力
。3.
根据权利要求2所述的基于阻抗迭代学习的物理人机交互控制方法，其特征在于：其中，所述
S2
中轨迹跟踪误差为：
e
k
＝
x
r
‑
x
k
(2)
式中，
x
k
表示迭代第
k
次的值，
x
r
表示参考轨迹；所述人机系统交互力模型为：式中，和分别代表第
k
次迭代过程中相互作用力的刚度矩阵与阻尼矩阵；所述刚度矩阵与所述阻尼矩阵的函数表达式如下
::
式中，
K
h
(t)
和
B
h
(t)
均为迭代无关项，分别在中起主导作用；
K
d,k
(t)
与
B
d,k
(t)
均为迭代依赖项；基于公式
...

【专利技术属性】
技术研发人员：孙太任，杨建涛，
申请(专利权)人：上海理工大学，
类型：发明
国别省市：