基于近端策略优化算法的四足机器人步态控制研究

足式机器人步态控制是机器人研究领域的难点问题,应用强化学习让机器人自主学习策略提供了一种很好的解决思路.基于ROS机器人操作系统搭建了四足机器人仿真平台,将近端策略优化算法用于四足机器人步态控制,并与其他深度强化学习算法进行了对比分析.仿真实验结果表明,近端策略优化算法在实际应用中具有更好的训练效果.     

基于自适应迭代的机器人曲面恒力跟踪

针对利用机器人进行打磨、抛光、去毛刺等场合时末端执行器对曲面工件轮廓跟踪时难以得到恒定接触力的问题,对机器人末端执行器和工件轮廓接触时的接触力进行研究,建立了实际跟踪过程中机器人末端执行器的接触力和已知传感器坐标系的映射关系,提出了一种基于自适应迭代学习算法的机器人力/位混合曲面恒力跟踪控制方法。该方法由两部分组成:基于机器人和环境接触时的阻抗模型设计了迭代学习控制律,在PD反馈控制的基础上通过迭代项克服机器人的未知参数和不确定性,并构建Lyapunov能量函数证明所提控制律的收敛性;将迭代学习控制律和力/位混合曲面恒力跟踪控制方法结合起来设计了用于曲面工件轮廓跟踪的控制方法。实验结果显示,经过15次迭代,接触力的波动范围逐渐变小并稳定在±3 N之内,验证了所提方法的有效性。      

机器人安全性研究现状及发展趋势

随着机器人逐渐应用于生产生活的各个领域,安全性也成为了机器人研究的重要方向之一。根据安全性研究目标对象的不同,分别从机器人自身安全性和交互安全性两方面概述了国内外研究现状,分析了机械结构与控制算法对提高机器人安全性所起到的作用。在此基础上,分析了目前研究还存在结构设计过于传统、对突发情况判断能力较弱、复杂条件下控制柔顺性不足等问题,限制了机器人的推广应用。指出了机器人安全性的研究正向着刚柔混合一体化机构、准确快速的环境判断、良好的柔顺控制的方向发展。      

水下机器人路径控制与仿真

研究了水下机器人的路径跟踪问题.首先考虑重力、浮力、推力、水动力以及附加质量的影响,建立了6自由度水下机器人的动力学模型.在此基础上设计了非线性控制系统,包括一个内控制回路和一个外控制回路.内控制回路根据机器人动力学模型引入非线性补偿,使得经内控制回路作用后的机器人化为一个解耦的线性定常系统,外控制回路采用比例微分(PD)控制,根据机器人实际轨迹与期望轨迹间的偏差进行负反馈控制.最后通过MATLAB对水下机器人追踪水面目标和跟踪空间螺旋线进行仿真,并给出了仿真曲线,从仿真结果可以看出,利用该方法可以使水下机器人具有较强的抗干扰能力,能够较好地实现对时变理论轨迹的跟踪.     

被动冗余度空间机器人动力学控制

研究了被动冗余度空间站机器人的动力学控制问题，包括非完整系统的运动规划，渐进稳定的动力学控制规律；在动力学控制中，利用被动冗余度机器人“非完整自运动”的运动学优化方法完成机器人的动力学控制，构造的动力学闭环控制律保证机器人运动过程中末端跟踪期望的运动轨迹，通过三连杆空间站机器人模型进行了仿真，结果证明了得到的结论。     

空间机器人操作：一种多任务学习视角

利用空间机器人辅助、代替航天员完成在轨服务操作是近年的技术发展趋势。基于学习的空间机器人操作以深度神经网络为控制器载体,对非结构化太空环境适应能力强,在高轨、地外、深空等场景具有良好应用前景。目前,无论是空间机器人操作,还是地面机器人操作,多数研究只关注单一任务学习问题。立足一种多任务学习新视角,针对空间机器人操作面临的多任务适应性要求高、精细化要求高、不确定性强问题,首先分析了在轨服务的多样化任务需求。其次,全面综述了机器人操作多任务学习算法与应用相关工作,分析了开展空间机器人操作多任务学习的难点挑战,给出了关键技术发展建议。相关关键技术的突破将有助于提升空间机器人系统的自主性、鲁棒性,进而助力中国在轨服务技术向无人全自主方向推进。     

可重构履带机器人的机构设计与控制方法实现

开发了用于完成复杂地形侦察作业的可重构履带机器人.从可重构机器人的特点出发,研究了模块化的机械电气结构和控制方法实现.设计实现的可重构机器人由4个基础运动模块,3个连杆模块和2个转动关节模块组成,通过各个模块的不同组合形式,实现了机器人构型的可重构.系统采用分布式控制体系,研究实现了机械构型发生改变时,基于ARM(Advanced RISC Microprocessor)的实时嵌入式控制系统的可重构.通过模拟楼宇内房间侦察作业,验证了可重构履带机器人具备复杂地形环境适应能力和简单方便的可重构性能.     

基于无源性的航天器姿态跟踪控制设计

考虑到机器人和航天器都是非线性力学系统,利用在机器人控制研究中发展起来的基于力学系统无源性的控制设计方法,在统一的理论框架内,根据航天器模型不确定性的不同情况,设计了多种姿态跟踪自适应和变结构控制律,并证明了闭环系统跟踪误差的收敛性。     

在轨空间机器人参数辨识研究

文章以在轨自由漂浮空间机器人为研究对象,建立了基于空间算子代数的空间机器人运动学模型,研究了机器人本体和所抓取未知目标卫星的参数辨识问题,如本体和未知目标的质心、质量以及惯量张量等参数。首先基于空间算子代数理论建立空间机器人运动学符号模型;然后基于线动量及角动量守恒方程即可对空间机器人本体和未知目标卫星进行未知参数的辨识;随后分析了机器人的参数对辨识过程的影响以及参数辨识对控制规律的影响。在地面实验室中验证了本参数识别方法的可行性以及效果。     

平面并联机器人的轨迹控制与在线监控

提出了三自由度平面并联机器人的运动学控制方法,通过逆向运动学求解实现对机器人的轨迹规划;提出完成并联机器人在线监控的2个步骤:首先利用解析法实现并联机器人的正向运动学分析,再综合运用二分法和插值法进行正解的在线计算.还研究和完成了基于PC的模块化机器人控制系统设计,该设计主要包括使用C+ +语言完成并联机器人运动学控制算法编程和设计基于PMD(Performance Motion Devices)的模块控制器.该控制系统在三自由度模块化平面并联机器人上进行了演示,并将在MATLAB下实现的数值法与C+ +语言编写的解析法进行了比较,其结果验证了运动学算法和运动控制器的性能.      

无人平台复杂地形探测的视触融合方法

为提高无人平台在复杂环境中的地形探测能力以及解决在小样本数据下识别地形困难的问题，提出了一种无人平台复杂地形探测的视触融合方法。在原始宽度学习的基础上，建立了多模态级联特征节点宽度学习框架。首先进行触觉和视觉初步特征提取和融合特征提取，随后将融合特征矩阵经宽度学习分类器得到地形识别的结果。最后，在自建的视觉-触觉地形 (V-T2)数据集进行了实验验证。结果表明，相比于传统的融合算法，提出的融合算法有很好的准确性和鲁棒性，为无人平台地形探测提供了有效的策略。     

基于深度强化学习的软件定义卫星姿态控制算法

深度强化学习（DRL）作为一种新型的基于机器学习的控制算法,在机器人和无人机等智能控制领域展现出了优异的性能,而卫星姿态控制领域仍然在广泛使用传统的PID控制算法。随着卫星的小型化、智能化以至软件定义卫星的出现,传统控制算法越来越难以满足姿态控制系统对适应性、自主性、鲁棒性的需求。因此对基于深度强化学习的姿态控制算法进行了研究,该算法使用基于模型的算法,比非基于模型的算法拥有更快的收敛速度。与传统控制策略相比,该算法无需对卫星的物理参数和轨道参数等先验知识,具有较强的适应能力和自主控制能力,可以满足软件定义卫星适应不同硬件环境,进行快速研发和部署的需求。此外,该算法通过引入目标网络和并行化启发式搜索算法之后,在网络精度和计算速度方面进行了优化,并且通过仿真实验进行了验证。      

基于增量式路标表观学习的移动机器人定位

在全景图像中,机器人参考定位的路标表观受到畸变、观察视角、路标尺度变化以及环境亮度的影响,致使基于全景视觉的机器人自主定位存在着许多难点有待解决.提出增量式的路标表观学习方法,准确估计路标的表观变化,并为基于粒子滤波的机器人定位过程提供准确的观测信息.增量式路标学习过程利用增量式概率主元分析为理论工具,将不同视角的路标表观的主元特征表示成不断自主更新的特征基底,为计算观测量与路标真实表观的相似度提供了实现途径和理论依据.该学习算法能够被集成到带有重采样的贯序权值采样粒子滤波算法过程中,实现了全景视觉机器人的精确自主定位.实验结果表明:该算法的定位误差小,计算量小,执行效率高,对全景图像中的各类干扰均不敏感.     

全柔性空间机器人基于虚拟力的输出反馈有限维重复学习控制及振动抑制

探讨了基座、关节、臂均存在柔性情况下,空间机器人关节轨迹运动及多重柔性振动的主动控制和主动抑制问题.结合线性弹簧、扭转弹簧、简支梁及假设模态法,利用拉格朗日方程建立了基座、关节、臂全柔性影响下的空间机器人系统动力学模型,利用奇异摄动法,将模型分解为关节运动慢变子系统与关节柔性振动快变子系统.为控制慢变子系统中载体姿态、关节刚性运动并且抑制臂的柔性振动,依据虚拟控制力的概念,设计了基于有限维傅里叶级数解析周期信号的输出反馈重复学习算法.李雅普诺夫直接法证实了上述控制器的稳定性.为了抑制快变子系统中基座和关节的柔性振动,分别采用线性二次最优控制方法以及引入关节柔性补偿器间接增大关节等效刚度的方式,使控制算法不局限于求解弱非线性问题.系统数值仿真结果表明,所提出的控制器能够有效抑制机器人多重柔性构件的振动,实现对期望信号的高品质追踪.      

模糊滑模迭代学习控制算法在液压系统中应用

普通比例(P, Proportion)和比例微分(PD, Proportion and Differential)迭 代学习控制(ILC, Iterative Learning Control)算法在液压位置伺服系统中收敛速度比较 慢,很难在实际中应用.为了提高ILC算法的收敛速度,将滑模控制算法引入ILC,提出模糊 滑模迭代学习控制(FSMILC, Fuzzy Sliding Mode Iterative Learning Control)算法,利 用滑模控制响应快的优点来加速ILC的收敛速度,利用模糊控制来减小滑模控制所引起的抖 动问题.FSMILC算法的实质是以系统的滑模函数作为模糊控制器的输入,以模糊控制器的输 出作为ILC的控制增量.通过仿真可以看出,FSMILC算法能够实现系统快速收敛,相对于P型 和PD型具有明显优势.      

基于高斯过程的机器人自适应抓取策略

在机器人抓取作业时,目标物体的位姿经常发生变化。为了使机器人在运动过程中能够适应物体的位姿变化,提出了一种基于高斯过程的机器人自适应抓取策略。该方法建立了从观测空间到关节空间的映射,使机器人从样本中学习,省去了机器人视觉系统的标定和逆运动学求解。首先,拖动机器人抓取物体,记录物体的观测变量和机器人的关节角度;然后,利用记录的样本训练高斯过程模型,实现观测变量和关节角度的关联;最后,当得到新的观测变量时,通过训练的高斯过程模型得到机器人的关节角度。经过训练后,UR3机器人成功抓取了物体。     

基于深度强化学习的高超声速飞行器动态面控制方法

针对高超声速飞行器控制问题,通过将深度强化学习与动态面控制方法相结合,设计了智能姿态控制算法。首先,利用模型先验知识,采用传统的动态面控制方法设计控制器结构。然后,考虑跟踪误差和控制量幅值约束的指标情况下,采用深度学习算法完成对控制器参数的智能寻优,代替传统设计中的人工调参试错过程。为提升训练效果,在奖励函数中引入了控制量变化率。最后,通过数值仿真验证了本文所设计控制方法的有效性与鲁棒性。