空间机器人主从遥操作的自抗扰控制

目前基于模型的控制方法是空间机器人遥操作控制的主流方法,但该方法不可避免地会引入运动的累积误差,甚至造成控制失稳。针对这一问题,基于自抗扰控制方法为空间机器人主从遥操作设计了一类单关节控制器,并采用计算机仿真方法研究了其基本性能,结果表明所设计的自抗扰控制器能够实现稳定的遥操作控制,且具有良好的抗扰性和鲁棒性。特别是由于自抗扰控制方法不依赖于机器人的数学模型,因此十分适合作为现行基于模型控制的有益补充。     

空间机器人深度学习识别捕获部位的应用探讨

针对空间机器人对捕获部位识别方法的普适性、实时性和准确性等要求,提出了采用深度学习方法对空间机器人捕获目标的特征部位进行识别。通过比较分析方法、数据驱动方法等传统识别方法和深度学习方法的优缺点,发现深度学习方法对于解决空间机器人捕获部位识别问题具有显著优势。进一步分析了应用深度学习方法解决捕获部位识别问题的几个关键技术问题,为后续空间机器人在轨捕获目标的研究与实践提供了新的思路。     

空间遥操作人体动作捕捉相似性控制方法

针对传统空间遥操作控制方法灵活性不足的问题,提出了一种ATSMS(Adaptive Terminal Sliding Mode Similarity,自适应终端滑模相似性)控制方法。该方法在利用动作捕捉技术采集操作者手臂末端位置和关节角数据的基础上,设计了ATSM(Adaptive Terminal Sliding Mode,自适应终端滑模)控制器,精确控制空间机器人的末端位置;还设计了钳位速度,控制机器人关节构型趋向于操作者手臂关节构型,且不会影响末端位置的精确控制。数值仿真和地面实验结果表明,ATSMS控制方法可以实现操作者对空间机器人末端位置的精确控制和关节空间的灵活控制,末端位置控制精度约为97.58%,操作者手臂与机器人关节空间平均相似度高达99.06%。因此,ATSMS控制方法提高了空间遥操作的灵活性,可以应用于未来更为精细和复杂的空间遥操作任务中。     

一种动态环境下空间机器人的快速路径规划方法

针对动态环境下空间机器人采用深度强化学习进行路径规划时存在的收敛速度慢问题,采用迁移学习算法设计了一种适应动态环境的快速路径规划器.首先,综合考虑空间机器人运动过程中存在的避障、时间和扰动约束,在静态环境下对深度神经网络进行预训练.其次,将上述训练后的权值作为动态环境下深度神经网络的初始权值,再经过动态环境下的训练进行参数微调.最后,以平面五自由度空间机器人为例对所设计的方法进行了验证,并与直接训练方法进行了比较.实验结果表明,该方法能够将训练收敛时间从1033回合缩短到450回合,在保证规划路径准确率的前提下,提高训练的收敛速度.