机器人原理与应用

1.2机器人控制技术

工业用机器人主要的用途是完成搬运物体、焊接工件、拧扳手、操纵杆件或旋钮、装配零部件或高空擦玻璃、喷漆等高危、对人体健康有害的作业等各种操作任务。在对这些操作任务进行作业时,机械手末端执行器的工件有的不与外界环境相接触,有的则与外界环境发生接触。对于第一种情况,机器人可以在其工作空间中不受任何约束的自由运动,如喷漆、点焊、搬运等工作。相反,对于后一种情况,机器人末端执行器工件与外界发生接触,这时机器人在执行作业任务,其末端执行器就不能任意的自由运动,而只能在与外界接触环境保持一定大小接触力的一个或几个方向上做受限运动。所谓受限运动,即机器人在受限空间的运动,如机器人精密装配、擦玻璃、打毛刺、上螺钉等就是受限运动的例子。这两种不同情况下,对应机器人的控制要求也不一样。对于自由运动空间,控制的目标是完成机器人对给定期望轨迹的跟踪或点对点的定位运动,这类作业可用位置控制去完成;在受限运动空间,控制的目的不仅使机器人完成轨迹的跟踪,还必须考虑机器人与外界环境间的机械作用力。这是因为对于机器人从事与环境有接触的作业时,会与环境表面产生接触力,而接触力的大小是不确定的,如果接触力过大则会破坏接触表面甚至破坏机器人本身。此时仅采用位置控制则不能达到控制目标。为此,人们设想在位置控制的前提下增加力控制环节,这就出现了力/位置控制。

1.2.1 自适应控制

自适应控制就是根据系统要求的性能指标与实际系统的性能相比较所获得的信息来修正控制器参数或控制规律,使系统能够保持最优或次最优工作状态。也就是说,控制器能够及时修正自己的特性以适应控制对象和外部扰动的动态特性变化,使得整个控制系统始终获得满意的性能。

文献[8]利用机器人动力学模型非线性项参数化的特性得出保证系统全局渐进稳定的自适应控制方法。文献[9]采用线性近似化方法,假设机器人系统参数是慢时变的,通过对机器人动力学的线性化,结合传统模型参考自适应控制方法设计控制器。但如果考虑关节摩擦和外界随机干扰,这种方法就不能达到机器人精确跟踪的目的。文献[10]提出了基于模型的鲁棒自适应轨迹跟踪控制方法,它不要求系统参数缓慢变化,只需知道机器人模型结构,不需要己知是何种未知参数,可以应用与高速运动的轨迹跟踪,给控制器实现提供了很大方便。但该控制方案同多数控制方案一样需要测量关节加速度,考虑到实际应用中大多数工业机器人并没有配置加速度传感器。

1.2.2变结构控制

变结构控制是一类特殊的非线性控制,特殊性表现在系统的“结构”并不固定,而是可以在动态过程中,根据系统当前的状态有目的的变化,迫使系统按预定的“滑动模态”的状态轨迹运动,因此又称变结构控制为滑模变结构控制。该控制方法对于系统的非线性程度、参数时变规律以及外界干扰等不需要精确的数学模型,只要知道它们的变化

范围,就能对系统进行精确轨迹跟踪控制。这种控制方法通过不断切换控制量使得系统状态沿着滑模面滑动,并且系统在受到外界干扰和参数摄动时具有不变性。由于机器人系统是典型的非线性系统,存在多种不可预见的外部干扰。

文献[14]首次采用滑模控制方法针对二自由度刚性机器人设计滑模变结构

控制器,实验结果验证了该方法能够跟踪上时变参考轨迹。随后,文献『151针对多关节刚性机械手设计了终端滑模控制器,实现了关节按照指定的时间进行位

置跟踪。从理论上讲,由于滑动模态可以按需设计,而且一旦系统进入滑动模运动,在一定条件下,对外界干扰及参数摄动的不敏感性使得滑模变结构控制系统的鲁棒性比一般常规的连续系统强。然而其不利的抖振也给实际应用带来一定困难,这主要是由滑模变结构控制在本质上的不连续开关特性造成的。抖振不仅影响控制的精确性,增加能量消耗,而且容易激发系统的高频未建模动态,破坏系统性能,甚至使系统失稳而损坏控制器部件。为了克服这种缺陷,近年来有许多研究人员致力于减弱变结构控制系统的抖振现象的研究。文献[14]在滑动模态设计中引入“准滑动模态”和“边界层”的概念,利用饱和函数替代切换函数,在边界层内部为连续状态的反馈控制,而在边界层外采用正常的滑模控制,有效的避免或削弱了抖振。随后许多对边界层设计进行了研

究,如文献[16]提出一种基于系统状态范数的边界层厚度在线调整算法。

1.2.3 迭代学习控制

日本学者Uchiyama在1978年提出一个思想:利用重复控制的方法对高速运动的机械手臂进行控制,即对于给定的参考轨迹,通过不断重复地对其控制,并利用重复过程中产生的误差来不断修正控制律以达到期望控制效果的一种控制算法。接着Arimoto等人根据这一思想进一步进行控制研究,提出迭代学习控制这一概念。其核心思想是利用系统的先验知识,以系统的期望信号和测量的实际输出信号为依据来寻找一个理想的控制输入,达到期望的轨迹跟踪效果。

文献[2l-23】引入Lyapunov.1ike函数,解决了基于压缩映射的迭代学习控制的瓶颈一将满足全局Lipschitz连续性条件放宽为局部Lipschitz连续性条件。文[24]设计变结构迭代学习控制律,控制律为差分形式,结果证明跟踪误差能够完全收敛。文[251给出了基于复合能量函数的鲁棒迭代学习控制器,并分析了算设计算法的稳定性和收敛性。文[26]设计微分型学习律来处理常数参数扰动,并规定被学习的参数本次迭代的初值等于上一次迭代的终值,此控制方法也叫自适应迭代学习控制。文献[27]提出了模糊迭代学习控制策略,将模糊控制与迭代学习相结合。迭代学习控制的研究,对于强耦合、高度非线性、建模困难的且具有重复运动性质、对跟踪精度要求较高的动力学系统具有非常重要的意义。因此,迭代学习控制自提出以来就被广泛应用到机器人

系统控制中。研究工作者针对机械手的跟踪问题,提出一种新型线性学习控制算法,该方法结合迭代学习控制和传统的PID控制,理论证明了该算法使得系统的跟踪误差在高度非线性情况下能够达到渐进稳定。

1.2.4力/位置控制

机器人力控制技术的发展可追溯到主从遥控制的研究时代,当时由于无法得到机械手

执行器末端与外界环境的接触力信息,人们在机械手上开始安装传感器。随着工业技术的

不断发展,人们己不再满足于仅让机器人从事点焊、喷漆和搬运等自由运动的工作任务,

而是试图用机器人完成更复杂的像去毛刺、装配、边缘跟踪等与环境接触的任务。如果仅

对机器人进行纯位置的控制,则不可避免的会产生一些不希望的接触力,如果接触力过大,

会损坏工件甚至会破坏机械手本身。这就要求机器人对环境能够产生顺从的能力,即机器