三维物体平稳堆放概念的学习

提出在机器人动作规划控制系统中，增加学习模块，通过分析各种三维物体堆放的不稳定因素，从和平稳的正面例和堆放倒塌的反面例中，学习平稳堆放Ｓｔａｂｌｅ－Ｓｔａｃｋ概念。利用抽象的Ｓｔａｂｌｅ－Ｓｔａｃｋ概念，修正和改进机器人动作规划的制定以提高机器人自动化水平。     

INVERSE KINEMATICS FOR A 6 DOF MANIPULATOR BASED ON NEURAL NETWORK

运用神经网络求解机器人运动学位姿逆解，突破了文献局限于研究位置逆解的状况，首次实现自组织神经网络求解机器人姿态逆解。通过深入分析基于Ｋｏｈｏｎｅｎ网络原理和Ｖｉｄｒｏｗ－Ｈｏｆ误差修正的Ｍ．Ｒ．Ｓ．自组织神经网络及机器人运动学特性，创新了自组织神经网络训练算法并建立了一类工业机器人位姿逆解的神经网络方法。对ＰＵＭＡ５６０机器人的计算机仿真结果表明，本算法在自组织能力和定位控制精度方面大幅度提高。     

遥操作机器人神经网络Smith预估控制(英文)

针对遥操作机器人通讯通道中存在的时延 ,提出了一种神经网络 Smith预估控制方法。控制系统适合于时延不变但未知的情况。控制系统包括主控制器和从系统两部分。从系统采用动态神经网络辨识机器人的动态模型 ,神经网络权重在线学习 ,用神经网络的输出对非线性系统进行局部非线性补偿 ,将非线性系统线性化。主系统针对线性化的从系统 ,采用 Smith预估控制解决时延问题并保证系统的性能品质。通过李雅普诺夫稳定理论保证了时延控制系统的稳定性。对两关节机器人的仿真结果说明了该方法的有效性。     

超声电机驱动的3自由度机器人的设计与实现

本文探讨基于USM机器人的性能,设计了USM驱动的3-DOF机器人,基于层次硬件结构建立了该机器人的控制系统,引入了位置-速度复合控制对该机器人进行控制,规划并编程实现了该机器人的控制软件.实验表明,该机器人能实现精确而平稳的连续轨迹跟踪.     

基于多目标协同进化算法的多机器人路径规划

提出一种合作型多目标优化协同进化算法,并应用于具有3个优化目标的多机器人路径规划问题中.算法采用一种新型的子群体间合作方式,提高了候选解的多样性,且避免了在一般多目标进化算法中难以处理的适应值分配或非支配排序过程,减小了对计算资源的消耗.针对多机器人路径规划问题的特点,给出了多机器人间的协调策略,并在算法的群体初始化和进化算子的设计中,引入了基于问题专门知识的启发式方法.在复杂工作环境下的仿真实例表明了算法的有效性.     

低速风洞绳牵引并联机器人支撑系统的模型姿态与振荡控制研究

介绍了基于机器人技术的绳牵引并联机构的特点;设计并建造了适用于低速风洞试验的八绳六自由度绳牵引并联支撑机构样机(WDPSS-8),给出其具体的结构参数,分析了该机构的特点及可行性;建立了该系统的运动学位姿逆解模型和静力学模型,完成了运动学逆解的推导,得到已知缩比模型位姿求绳长变化的公式;搭建了相应的绳牵引并联机构的控制实验平台,在此基础上进行了静力学工作空间的分析,通过 Matlab 编程仿真得到了缩比模型在主位姿处3个姿态角的工作空间;并在此实验平台上进行了缩比模型的三转动自由度姿态变化运动控制,实现了缩比模型运动到指定角度的控制;在此基础上按指定振幅和频率进行了三转动单自由度振荡的运动控制;对运动控制试验结果进行了初步的误差分析.     

一种带负载工业机器人动力学模型辨识方法

针对带负载工况下六自由度关节型工业机器人动力学模型的辨识问题,提出了一种带负载机器动力学模型的参数辨识方法。在获 得机器人本体动力学模型的前提下,用Newton Euler法建立负载动力学模型进行补偿,设计激励轨迹获取负载贡献的力矩,然后用加权最小二乘法辨识出负载模型中未知参数。最后对得到的带负载完整机器人动力学模型进行验证与分析,结果表明通过辨识得到的预测力矩与测量力矩有较好的跟随性,所提出的辨识方法具有一定的工程参考价值。     

基于浮力调节的AUV升沉运动控制技术

研究基于浮力调节的自主式水下机器人(Autonomous underwater vehicle, AUV)升沉运动控制问题.分析了海水密度与深度的关系,研究了潜深对AUV升沉运动及浮力调节系统的影响,建立了基于浮力调节的AUV升沉运动动力学模型,提出了一种基于浮力调节的AUV滑模模糊控制方法,进行了基于浮力调节的AUV升沉运动控制仿真研究和定深控制水池实验验证,讨论了基于垂推和浮力调节进行升沉控制的能耗对比.     

管道机器人动力学分析

在分析了开链式拓扑结构的多节蠕动机器人结构和运动特点的基础上,利用空间算子代数(Spatial operator algebra,SOA)方法,建立了适用于这类机器人系统的通用动力学模型,为验证所建立的动力学模型的正确性,将原理样机运行试验和与动力学仿真分析结果进行了对比.在此基础上,利用该动力学模型,对样机结构的改进与优化,并对机器人运动学和动力学性能的影响进行了分析和评估,为机器人运动控制策略的拟定提供了重要的依据.     

Model1000水下机器人容错控制

针对复杂海洋环境中水下机器人的可靠性问题,将在线学习的RCMAC递归小脑神经网络应用于水下机器人时变、非线性故障的辨识和容错控制中。在OUTLAND的ROV水下机器人Model1000上设置各种传感器和推进器故障进行水下故障辨识和容错控制实验,实验结果证明了RCMAC网络在水下机器人故障辨识和容错控制中的有效性。