关键词:
拖动示教
动力学模型
牛顿欧拉法
神经网络
摘要:
随着中国制造2025的提出,国内对于工业制造领域内智能化的需求越来越大,机器人协作控制成为新的研究热点。传统工业机器人在现场采用示教盒示教作业时,需要对操作人员进行编程训练,并且针对不同的作业工序都需要单独编程,实施成本较高。因此,具有便捷化、简单化、适合小批量作业等特点的拖动示教成为新的研究热点。在此背景下,本文对基于动力学模型的机器人拖动示教技术作了相关研究。目前,拖动示教的实现方式上有多种。本文基于机器人的动力学模型研究机器人的拖动示教相关内容,在拖动示教过程中,计算出机器人的重力、摩擦力、惯性力等,并根据机器人的动力学模型和各关节的实时力矩实现对外界力的估算,然后根据估算的外界力进行机器人的运动控制,实现机器人的拖动示教。本文首先基于实验室现有硬件资源搭建实验平台,以埃夫特公司的ER3A-C60机器人为研究对象,控制器与伺服驱动器之间采用EtherCAT通信协议。基于VxWorks操作系统多任务机制实现了对机器人运行状态的实时采样与位置模式下的反馈控制,并根据电机的输出扭矩与电流之间的正比关系实现对机器人运行过程中关节力矩的采样。在软件架构上设计并实现了协作机器人的示教过程和再现过程中的各个软件模块。接着,本文对机器人的动力学模型进行分析,根据牛顿欧拉法对串联机器人的重力、摩擦力、惯性力等动力学模型进行建模,每个独立轴待辨识的参数有12个,然后将待辨识参数与机器人的关节空间输出力矩之间的函数关系转换成线性关系,并根据条件数,针对系数矩阵对于采样数据的误差敏感程度进行分析,生成了傅里叶形式的激励轨迹。基于牛顿欧拉法建立的机器人动力学模型待辨识的参数较多,较为复杂,且对采样数据的误差比较敏感。对此,本文将神经网络引入动力学模型中进行研究,利用神经网络的万能近似定理对动力学模型进行拟合预测,并利用开源库Tensorflow对神经网络建立分析。在加速度为零的匀速运动以及加速度变化的正弦运动两种情况下,将牛顿欧拉法形式动力学模型和神经网络形式动力学模型作了对比验证分析。最后,本文以实体机器人为对象,建立神经网络形式动力学模型,并进行了拖动示教物理实验,在拖动示教的实验验证中,先依次对机器人前三轴各自单独进行了拖动实验验证,大致确定各轴拖动时所需外力,最后对前三轴的同时拖动示教运动进行了物理验证。实验验证,利用神经网络形式的动力学模型能很好的实现机器人的拖动示教功能。