关键词： 轮式移动机器人   路径跟踪   模型参考自适应   神经动力学  

摘要： 本文提出一种自适应和神经动力学相结合的轮式移动机器人路径跟踪控制方法.首先,设计运动学控制器用来获得机器人期望速度;其次,考虑机器人动力学模型参数的不确定性,利用模型参考自适应方法来设计动力学控制规律,使得机器人实际速度渐近逼近期望值;再次,为克服速度和力矩的跳变,加入神经动力学模型对控制器进行优化,并且通过Lypunov理论来证明整个控制系统的稳定性;最后仿真结果表明该控制方法的有效性.

关键词： 程序设计能力   机器人足球仿真   学习兴趣  

摘要： 本文结合教学实际,提出在程序设计课程实验中引进机器人足球仿真竞赛题目,使学生提高学习兴趣和热情,提高程序设计能力及协作能力,进一步提升就业能力。

关键词： 运动目标捕捉   视觉阻抗控制   CMAC   网络   Kalman   滤波器  

摘要： 提出一种机器人捕捉运动目标的动力学视觉伺服方法。基于位置阻抗控制器,通过双目立体视觉检测并跟踪运动目标的位置,结合CMAC网络,采用以视觉阻抗的二次型为训练目标的学习型视觉阻抗控制器,用于克服控制器对系统结构参数变化适应性差的缺点,并对阻抗参数进行优化。实验结果表明,该视觉伺服方法在机器人捕捉运动目标时具有良好的动力学特性和轨迹控制效果。

关键词： 机器人教学   教学改革   教学方法  

摘要： 为了提高《机器人学基础》的教学效果,在分析我校本课程教学现状的基础之上,从教学内容和教学方法两方面进行了教学改革的探索。

关键词： 机器人学科建设   千叶工业大学   课程设置  

摘要： 在机器人学科建设方面,日本高校较早建立了成熟的培养理念,并制定了合理完善的课程体系。比较分析了日本多所高校机器人专业的课程设置内容及特点,并总结了课程设置和相关应用领域的关系,可供我们在学科建设中借鉴。

关键词： 机器人竞赛   教师培训班   青少年   福建省   成功   教师水平   竞赛活动   教育协会  

摘要： 为推动福建省青少年机器人竞赛活动普及．进一步提高全省青少年机器人竞赛指导教师水平．2010午11月28～30日，福建省青少年科技活动中心与福建省青少年科技教育协会共同在福州市举办了“第九期福建省青少年机器人竞赛指导教师培训班”，米自全省各中小学校的180多名指导教师参加了本次培训。

关键词： 机器人学   仿真实验教学   MATLAB   Robotics   Toolbox  

摘要： 简要介绍MATLAB Robotics Toolbox在机器人学仿真实验教学中的基本应用,具体内容包括齐次坐标变换、机器人对象构建、机器人运动学求解以及轨迹规划等。该工具箱可以对机器人进行图形仿真,并能分析真实机器人控制时的实验数据结果,因此非常适宜于机器人学的教学和研究。

关键词： 机器人学   卡耐基梅隆大学   JamesKuffner   云机器人  

摘要： 在Humanoids2010会议上，卡耐基梅隆大学的James Kuffner教授提出了“云机器人”的概念，引起了广泛的讨论。

关键词： 自动控制技术   机器人学   虚拟弹簧   欠驱动手   动态控制   速度观测器  

摘要： 采用虚拟弹簧对2关节欠驱动手指进行了动力学建模。并使用该方法建立实际的3关节欠驱动手指的动力学模型,通过动态控制实验验证了动力学模型的正确性。该方法不仅避免了求解微分几何方程,并且直接派生出可解耦的动力学模型。可直接进行逆动力学分析、仿真和实时控制。同时,建立了基于动力学模型的速度观测器,用于轨迹跟踪,弥补了欠驱动手没有速度传感器的缺点,补偿了欠驱动环节造成的不确定因素。与PID或计算力矩法相比较,其轨迹跟踪误差更小,动态控制效果更好。

关键词： Dexterous manipulation   Neural net approximation   Optimal force distribution  

摘要： Optimal fingertip forces can always be computed through the well-known optimization algorithms. However, computation time has always remained a real-time constraint. This article presents an efficient scheme to compute optimal grasping and manipulation forces for dexterous robotics hands. This is expressed as a quadratic optimization problem, and an artificial neural network (ANN) is used to learn such quadratic optimization formulations. Computation has been based on a nonlinear model of fingertip contacts and slips. In achieving object grasping while in motion, the hand Jacobian is considered an important matrix to be computed, but it is also highly intensive for real-time computed applications. Consequently, we investigated an efficient approach using artificial neural networks to learn optimal grasping forces. An ANN is used here to learn the optimal contact forces relating hand joint-space torques to the resulting object force. The results have indicated that the ANN has reduced computation times to reasonable values owing to its ability to map nonlinear force relations. Furthermore, the results have revealed that ANNs are capable of learning highly nonlinear relations relating to distributed fingertip forces and joint torques. The technique developed has also proved to be suitable for off-line learning of computed fingertip forces, even with large training samples.