关键词：
神经动力学
冗余机器人
模型预测控制
数据驱动
摘要：
由于自由度大于执行任务所需的最小自由度,冗余机器人具有较高的灵活性,因而被应用到外科手术、工业组装和拆卸等领域。然而,当前冗余机器人的运动规划研究仍面临一些问题。第一,为了充分利用冗余机器人的额外自由度,一些现有的运动规划方案以优化形式构建,并以关节角速度或关节角加速度作为决策变量。然而,在这些运动规划方案中,尽管控制任务、系统约束和性能指标涉及到不同的关节层,但它们都需要在关节空间中统一转化到决策变量层进行处理。这种处理方式可能会产生一些局限性,如减小关节可行域、导致对非决策变量层的干扰响应滞后等。第二,冗余机器人工作空间中的障碍物可能会对其安全运行构成潜在的隐患,而现有的避障方法存在非线性约束难处理、计算量大、可行空间小等缺陷。第三,冗余机器人领域中的许多研究严重依赖模型信息,这限制了此类研究的应用范围。因为在很多情况下,难以获取冗余机器人的精确模型信息。第四,面向冗余机器人运动规划方案的实时求解器存在噪声抑制能力不足等问题。因此,本文聚焦以上问题,为不同任务中的冗余机器人设计多种运动规划算法。本文的主要研究内容如下。
首先,面向可以被描述为时变矩阵方程的冗余机器人运动规划方案,本文提出了两种具有噪声抑制能力的神经动力学(Neural dynamics,ND)模型作为求解器。一种是饱和允许函数激励的噪声抑制ND(Noise-suppressing ND,NSND)模型。所提出的NSND模型具有噪声抑制能力,且能在一定程度上避免设备损坏或违背物理限制,这对于存在关节约束等饱和约束且对噪声敏感的机器人系统是至关重要的。另一种是具有速度补偿和非线性加速的噪声抑制梯度ND(Noise-suppressing gradient ND with velocity compensation and nonlinear acceleration,NSGND-VN)模型。所提出的NSGND-VN模型消除了梯度ND(Gradient ND,GND)模型在求解冗余机器人运动规划方案时存在的滞后误差,并具有噪声抑制和加速收敛性能。理论分析证明了所提模型的收敛性和鲁棒性。此外,计算机仿真验证了所提模型的有效性和优越性。
其次,面向固定基座冗余机器人和移动冗余机器人,并考虑避障、位置与姿态控制、关节约束等问题,本文提出了三种运动规划算法。1)提出了一种改进的避障(Modified obstacle avoidance,MOA)方法。与现有的避障方法相比,所提出的MOA方法以更简洁的形式扩大了冗余机器人逃逸速度的可行空间,且不产生风险空间。此外,基于MOA方法提出了轨迹跟踪-避障(Trajectory-tracking and modified-obstacle-avoidance,TT-MOA)方案,并利用NSGND模型(简化的NSGND-VN模型)在噪声环境中对其进行求解。2)提出了一种面向冗余机器人运动规划的模型预测控制(Model predictive control,MPC)方案,并利用一种ND模型对其进行求解。所提出的MPC方案直接处理三层关节约束,不会减小冗余机器人的关节可行域,并同时最小化跟踪误差、关节角速度范数和关节角加速度范数。3)在MOA方法的基础上,提出了扩展的MOA(Extended MOA,EMOA)方法以避开移动障碍物。基于EMOA方法,进一步提出了一种用于移动冗余机器人轨迹跟踪、姿态控制以及避障的MPC方案,并利用离散ND(Discrete-time ND,DTND)模型对其进行求解。计算机仿真和物理实验验证了所提算法的可行性和优越性。
最后,面向冗余机器人的模型未知问题,本文提出了两种MPC算法用于在模型未知的情况下实现对冗余机器人的运动规划。一种是数据驱动的基于ND的MPC(ND-based MPC,NDMPC)算法。所提出的数据驱动NDMPC算法由MPC方案、DTND模型、离散雅克比矩阵(Discrete-time Jacobian matrix,DTJM)估计器组成,不需要模型训练和初始状态下实际的雅克比矩阵,并消除了现有方法的滞后误差。另一种是以基于回声状态网络(Echo state network,ESN)的类小脑模型作为冗余机器人运动学模型的类小脑MPC(Cerebellum-like MPC,CLMPC)算法。此外,提出了一种面向类小脑模型的在线训练算法和一种基于ND的误差校正算法,并将其嵌入到CLMPC算法中以改善其性能。计算机仿真和物理实验验证了所提算法能够有效地控制模型未知的冗余机器人,并优于对比算法。
