两自由度迭代学习控制用于工业机器人灵活性补偿

两自由度迭代学习控制用于工业机器人灵活性补偿

大多数工业机器人使用无负载侧误差测量的齿轮电机传动,齿轮减速器会造成传动误差和振动，降低机械手的灵活性，限制了机器人在很多方面的应用。本文提出了一个精确有效的迭代学习控制方案（ILC）来补偿工业机器人机械手的关节灵活性，引入二自由度ILC方法，伺服灵活性补偿更有效。

对于工业机器人伺服系统，除了消除负载侧跟踪误差，也要消除电机侧跟踪误差，电机侧跟踪误差将导致控制器的不良反馈，影响基本伺服性能。一种普遍的消除两者跟踪误差的方法是电动机侧和负载侧使用双级学习结构，分别是扭矩学习行为和电机参考学习行为。但是，因为重型工业伺服系统的复杂动力学，电机几乎没有扭矩学习行为。由于机器人可以被认为是非线性多刚体系统的组合和线性质量弹簧阻尼链，因此引入一个具有两自由度的双级ILC方案，包括一个转矩ILC和一个振动ILC，在每次学习迭代中引用双级ILC，学习控制器将学习矩阵作用于轨迹跟踪误差和误差的变化，得到学习控制量，每次轨迹跟踪控制后，学习控制量都更新。系统的不确定性和变化使用牛顿-欧拉法进行评估，基本前馈转矩通过高斯过程回归（GPR）的扭矩学习控制计算得到，GPR学习控制对高频加速度误差和振动的影响不敏感。振动传感器直接测量末端执行器运动振动。PSD摄像机的敏感探测器用于测量安装在机器人上的红外线标记的位置，三轴惯性测量单元（IMU）用于测量末端执行器加速度和角速度。传感器融合使用运动卡尔曼滤波器（KKF），组合来自PSD摄像机和惯性测量单元的综合测量效果。通过直接测量末端执行器的运动和使用双级ILC控制方案，可以消除电机侧和负载侧的跟踪错误，实现机器人的灵活性补偿。

Cong Wang et al.2016 IEEE International Conference on Robotics and Automation(ICRA)Stockholm, Sweden,May 16-21,2016

编译：罗兰