论文部分内容阅读
机器人磨削作为机器人应用研究的重要领域,在过去的几十年中取得了显著的发展。在大多数应用场合,需要手动示教机器人以获得磨削路径,这种方法非常费力并且无法满足智能制造的需求。如今,随着机器人应用领域的不断扩大,传感器技术的逐渐成熟以及智能算法的发展,使得智能制造成为可能。而如何实现机器人自主、高效的磨削加工是实现智能制造的关键。本文针对如何提高机器人磨削加工中的工作效率和如何实现机器人对待加工毛坯表面的感知以实现自动加工两方面展开研究,主要内容分为以下三个部分:(1)为了提高机器人的磨削效率,研究了机器人的时间最优轨迹规划方法,以缩短辅助行程的运行时间。提出了一种与迭代学习算法相结合的类数值积分的时间最优轨迹规划方法NI-like(numerical integration-like)。在提出的方法中,机器人路径由标量路径坐标表示,并离散化为N个点。假设两个相邻点之间的运动是匀加速运动,因此通过使用匀加速运动方程而不是数值积分来获得满足约束限制的时间最优轨迹。为了提高动力学模型的准确性,考虑了库仑摩擦和粘滞摩擦(大多数研究都忽略了这些因素)。此外,设计了一种迭代学习方法,在每个离散点的动力学模型中添加迭代学习补偿项来解决模型一对象不匹配的问题。(2)为了避免机器人时间最优轨迹规划中模型-对象不匹配的问题,提出了一种无动力学模型的强化学习时间最优轨迹方法。在提出的方法中,我们使用一种改进的SARSA(State-action-return-state-action,状态-动作-回报-状态-动作)算法和两步法来找到时间最优轨迹并确保可行性:首先,使用改进的SARSA算法,通过强化学习智能体和机器人运动学模型的交互来找到满足运动学约束的安全轨迹。之后,使用改进的SARSA通过强化学习智能体与真实世界之间的交互找到时间最优轨迹,并确保实际测量的力矩在最后一次交互时满足给定的力矩约束限制。(3)为了实现机器人对毛坯表面的感知以实现机器人的自主加工,对机器人末端与毛坯接触的力控制方法展开了研究。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:1)、基于机器人和毛坯表面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能量函数证明所提出控制律的收敛性;2)、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毛坯表面轮廓跟踪的控制方法。通过该方法可以自动获得用于毛坯表面磨削加工的机器人初始路径。