一种受约束多机械臂力位混合控制方法技术

本申请涉及一种基于自适应降阶滑模算法的受约束多机械臂力位混合控制方法。所述方法包括：当接收到携带有期望位置信息的控制指令时，获取机械臂所控物体的位置信息；将所述被控物体的位置信息和所述期望位置信息，输入到由预先构建的降阶后的受约束双二自由度的多机械臂系统动力学模型和自适应降阶滑模控制器，构成的内外回路力位混合控制系统中，使所述内外回路力位混合控制系统根据所述位置信息和所述期望位置信息，输出控制信号控制所述机械臂沿期望的运动轨迹运动；采用该控制方法不仅提高了控制器的控制精度还提高了系统的响应速度。响应速度。响应速度。

【技术实现步骤摘要】
一种受约束多机械臂力位混合控制方法


[0001]本专利技术涉及工业自动化控制
，特别是涉及一种基于自适应降阶滑模算法的受约束多机械臂力位混合控制方法。

技术介绍

[0002]近年来，随着我国工业的快速发展，机器人的应用得到了极大的提高，并逐步运用到了制造业、农业等领域，同时国内对于机器人的研究也逐年深入，但这些应用和研究大多集中于单机械臂领域，对于多机械臂的研究和应用仍有所缺乏。在实际应用方面，单机械臂有着效率低下、易受干扰、无法适应复杂的工作环境、面对大而重的物体力不从心等诸多局限性，因此相较于单机械臂系统，多机械臂系统有很大的优势。
[0003]虽然相比于单机械臂系统，多机械臂在实际运用中有着诸多的优势，但这也对其提出了更高的控制要求。当多机械臂控制物体在约束环境上运动时多机械臂与物体形成一个整体，所以不仅要考虑控制物体按照期望的位置指令运动、控制物体与约束环境间约束力，还需要考虑到控制机械臂对于物体的夹持内力，保证机械臂稳固控制物体的同时不对物体造成损伤。因此，针对多机械臂系统的力位混合控制问题，国内外专家们提出了诸多的控制方法。于金鹏等将命令滤波与反步法相结合，同时基于误差补偿系统来消除滤波误差。Gueaieb等设计了一种滑模控制算法，解决了协调机械臂不确定性问题。李树荣等设计了一种神经网路自适应算法，克服模型建模以及时间滞后对系统的影响。
[0004]然而这些方法在控制器的设计上都比较复杂，并且只单独的考虑位置和内力的问题，忽略了约束力的影响。

技术实现思路

[0005]针对上述技术问题，提供一种能够将位置控制、约束力控制，内力控制整合在同一控制器中，并可以提高系统响应速度及降低控制器跟踪误差的基于自适应降阶滑模算法的多机械臂力位混合控制方法；
[0006]一种基于自适应降阶滑模算法的多机械臂力位混合控制方法，所述方法包括：
[0007]当接收到携带有期望位置信息的控制指令时，获取机械臂所控物体的位置信息；
[0008]将所述被控物体的位置信息和所述期望位置信息，输入到由预先构建的降阶后的受约束双二自由度的多机械臂系统动力学模型和自适应降阶滑模控制器，构成的内外回路力位混合控制系统中，使所述内外回路力位混合控制系统根据所述位置信息和所述期望位置信息，输出控制信号控制所述机械臂沿期望的运动轨迹运动；
[0009]所述预先构建的降阶后的受约束双二自由度的多机械臂系统动力学模型为：
[0010][0011]其中，x＝[x
1T
,x
2T
]T
为当前被控物体位置信息，为x1的一阶导数，为x1的二阶导数，D
L
(x1)∈R
(n*n)
为惯性矩阵，为离心力与哥氏力矩阵，G
L
(x1)∈R
n
为重力项矢量,n为机械臂自由度,R
(n*n)
表示n*n维实数空间列矢量，τ
L
为控制输入力矩，
[0012]所述预先构建的自适应降阶滑模器为：
[0013]τ＝J
eT
(J
oT
)
+
τ
a
+J
eT
(F
Id
‑
K
I
e
FI
)
[0014]其中，Y
a
为回归矩阵，p
a
为系统未知定常向量，为系统未知定常向量，分别为D1、C1、G1的估计，K
d
＞0，w＝diag(w1,...,w
n
)，K
λ
＞0，s为滑模函数，J
o
、J
e
、J
c
为雅可比矩阵，用于控制力的项λ
r
＝λ
d
‑
k
λ
e
λ
，λ
d
为期望接触力，力误差e
λ
＝λ
‑
λ
d
，λ为接触力，K
I
＞0，e
FI
＝F
I
‑
F
Id
，F
Id
为期望内力，F
I
为内力。
[0015]构建的降阶后的受约束双二自由度的多机械臂系统模型的方式，包括：
[0016]建立由k个n自由度机械臂及被控物体所组成的多机械臂系统。则第i个机械臂动力学模型为：
[0017][0018]其中：q
i
∈R
n
为机械臂角度向量,为q
i
的一阶导数，为q
i
的二阶导数，D
i
(q
i
)∈R
(n*n)
为惯性矩阵，为离心力与哥氏力矩阵，G
i
(q
i
)∈R
n
为重力项矢量，J
ei
(q
i
)∈R
(n*n)
为从q
i
到机械臂末端位置向量的雅可比矩阵，F
ei
∈R
n
为机械臂末端作用在被控物体上的力，τ为控制输入力矩。
[0019]可得k个机械臂所组成的多机械臂动力学模型：
[0020][0021]建立被控物体的动力学方程为：
[0022][0023]其中，x＝[x
1T
,x
2T
,...,x
nT
]T
∈R
n
为被控物体的位置向量，D
o
(x)∈R
(n*n)
为被控物体的惯性矩阵，为被控物体的离心力与哥氏力矩阵，G
o
(x)∈R
n
为被控物体的重力项矢量，F
o
∈R
n
为被控物体所受外力。
[0024]建立多机械臂系统动力学模型：
[0025]取x
ei
∈R
n
为第i个机械臂末端位置向量，有x
e
＝[x
e1T
,x
e2T
,...,x
ekT
]T
∈R
kn
，设：其中，为从q到位置向量x
e
的变换矩阵。
[0026][0027]其中：其中：
[0028]上述方程经过转换后得：
[0029]其中，τ
a
＝J
oT
J
e
‑
T
τ。J
o
、J
e
为雅可比矩阵。
[0030]最终建立受约束双二自由度多机械臂系统动力学模型：
[0031]设多机械臂系统在m维约束环境运行。取x
c
为物体与约束面的接触点本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自适应降阶滑模算法的机械臂力位混合控制方法，所述方法包括：当接收到携带有期望位置信息的控制指令时，获取机械臂所控物体的位置信息；将所述被控物体的位置信息和所述期望位置信息，输入到由预先构建的降阶后的受约束双二自由度的多机械臂系统动力学模型和自适应降阶滑模控制器，构成的内外回路力位混合控制系统中，使所述内外回路力位混合控制系统根据所述位置信息和所述期望位置信息，输出控制信号控制所述机械臂沿期望的运动轨迹运动；所述预先构建的降阶后的受约束双二自由度的多机械臂系统动力学模型为：其中，x＝[x
1T
,x
2T
]
T
为当前被控物体位置信息，为x1的一阶导数，为x1的二阶导数，D
L
(x1)∈R
(n*n)
为惯性矩阵，为离心力与哥氏力矩阵，G
L
(x1)∈R
n
为重力项矢量,n为机械臂自由度,R
(n*n)
表示n*n维实数空间列矢量，τ
L
为控制输入力矩，所述预先构建的自适应降阶滑模器为：τ＝J
eT
(J
oT
)
+
τ
a
+J
eT
(F
Id
‑
K
I
e
FI
)其中，Y
a
为回归矩阵，p
a
为系统未知定常向量，为系统未知定常向量，分别为D1、C1、G1的估计，K
d
＞0，w＝diag(w1,...,w
n
)，K
λ
＞0，s为滑模函数，J
o
、J
e
、J
c
为雅可比矩阵，用于控制力的项λ
r
＝λ
d
‑
k
λ
e
λ
，λ
d
为期望接触力，力误差e
λ
＝λ
‑
λ
d
，λ为接触力，K
I
＞0，e
FI
＝F
I
‑
F
Id
，F
Id
为期望内力，F
I
为内力。2.根据权利要求1所述的方法，其特征在于，构建的多机械臂系统模型的方式，包括：建立由k个n自由度机械臂及被控物体所组成的多机械臂系统。则第i个机械臂动力学模型为：其中：q
i
∈R
n
为机械臂角度向量,为q
i
的一阶导数，为q
i
的二阶导数，D
i
(q
i
)∈R
(n*n)
为惯性矩阵，为离心力与哥氏力矩阵，G
i
(q
i
)∈R
n
为重力项矢量，J
ei
(q
i
)∈R
(n*n)
为从q
i
到机械臂末端位置向量的雅可比矩阵，F
ei
∈R
n
为机械臂末端作用在被控物体上的力，τ为控制输入力矩。可得k个机械臂所组成的多机械臂动力学模型：建立被控物体的动力学方程为：其中，x＝[x
1T
,x
2T
,...,x
nT
]
T
∈R
n
为被控物体的位置向量，D
o
(x)∈R
(n*n)
为被控物体的惯性矩阵，为被控物体的离心力与哥氏力矩阵，G
o
(x)∈R
n
为被控物体的重力项矢量，F
o
∈R
n
为被控物体所受外力。
建立多机械臂系统动力学模型：取x
ei
∈R
n
为第i个机械臂末端位置向量，有x
e
＝[x
e1T
,x
e2T
,...,x
ekT
]
T
∈R
kn
，设：其中，为从q到位置向量x
e
的变换矩阵。其中：其中：上述方程经过转换后得：其中，τ
a
＝J
oT
J
e
‑
T
τ。J
o
、J
e
为雅可比矩阵。3.根据权利要求2所述的方法，其特征在于，最终建立受约束双二自由度多机械臂系统动力学模型：设多机械臂系统在m维约束环境运行。取x
...

【专利技术属性】
技术研发人员：朱志浩，李蔚，高直，王建冈，段文勇，彭思敏，
申请(专利权)人：盐城工学院，
类型：发明
国别省市：