摘要
随着工业生产的进步，大量的新兴制造业任务繁重且复杂，无法实现自动化，这就迫切要求机器人与人协同工作。在机器人与人发生交互过程中，会产生系统不稳定、精度丢失、饱和、机械非线性等现象，严重影响系统性能。对于协作机器人系统，除保证机器人高精度闭环运动控制外，能够适配不同工作任务更为重要。因此，拥有不同模块且能快速装配出最适用于完成给定任务的模块化机器人在人机协作领域中的应用愈加广泛。 模块化机器人是由功能简单而具有一定感知能力的模块有机连接而成。这些模块通常具有不同的尺寸和特征，工作人员通过这些模块能快速装配出最适用于完成给定任务的机器人，以适应不同的工作环境和工作任务的要求。因此，模块化机器人对人机物理交互任务具有很高的适配性。一方面，模块化机器人融合多种传感器进一步提升了机器人环境感知能力，能够在高度非结构化和随机环境中完成任务，避免交互作用力过大而导致人受到伤害或机器人本体受到损伤。另一方面，模块化机器人可以通过加减自身的模块去适配人机物理交互任务中频繁切换的任务目标。模块化机器人在与人进行人机物理交互的过程中，人的上肢会与机器人的末端传递力交互信息，人如果不能实时的对当前任务做出正确的措施，轻则会损坏机器人部分零部件，破坏机器人的性能，重则对于机器人交互的人体产生危害。因此保证人机物理交互系统安全稳定地完成对应的任务目标，保持模块化机器人与人上肢之间的交互力在安全的范围内，也就是令模块化机器人表现出柔顺性具有更重要的研究意义。此外在人机物理交互任务中，关键的问题之一是让机器人了解其人类伙伴的运动意图，以便机器人能够“主动”与人协作。在这方面，使机器人跟踪规定的轨迹是不适用的，当机器人根据人施加的力改变其运动时，一旦人想要改变运动意图，自然而然的就会变成机器人的负载。为了解决这一问题，需要估计人类伙伴的运动意图并将其集成到机器人控制中。本文针对上述问题，研究了面向人机物理交互的模块化机器人系统阻抗控制研究方法，具体内容包括： （1）基于关节力矩感知的模块化机器人子系统动力学模型建立 推导带有关节力矩传感器的机器人动力学方程，该方程显式地表现了非线性多变量结构。考虑每个模块由一个旋转接头和关节力矩传感器集成，本文通过关节中力矩传感器反馈的力矩信息，建立了模块化机器人的动力学模型，从而使常规的控制算法得以在模块化机器人上应用，并能能够保证机器人获得较高的控制精度，为后续的人类意图辨识、自适应阻抗控制方法以及对模型不确定性的补偿打下了坚实基础。 （2）基于RBF神经网络的人-模块化机器人分散鲁棒控制 利用已构建的子系统动力学模型，在推导建立了基于关节力矩反馈的模块化机器人系统动力学模型的基础上，建立并简化了人体上肢的阻抗模型。人的运动意图被进一步分析为关于交互力、上肢末端位置与速度的未知函数，同时利用径向基神经网络对协作人员运动意图进行动态估计，辨识出人机物理交互运动意图。为排除动力学模型建立时产生的模型不确定性干扰，设计了分散鲁棒控制器对模型不确定性进行了动态补偿。为使模块化机器人具备主动柔顺能力并且能有效的限制交互力，设计阻抗控制器以维持模块化机器人末端执行器与交互力在期望的阻抗关系上。最终通过Lyapunov定理证明了双闭环控制系统跟踪误差的一致最终有界。 （3）基于阻抗参数自学习的人-模块化机器人物理交互控制策略 设计基于阻抗参数自学习的人机交互控制策略，既能够实现对机器人的运动约束，保证人机物理交互的安全性能，又能够提升人机物理交互的柔顺程度。根据所提出的人机物理交互运动意图估计方法，考虑对人体阻抗参数自学习的方法，结合关节力矩反馈信息、关节位置等信息提出一种与神经网络和运动约束结合的自适应阻抗控制策略，用于与人协作执行任务的模块化机器人，并通过Lyapunov定理证明了轨迹跟踪误差的一致最终有界。最后将所提出控制策略与现存的阻抗控制策略进行实验对比，验证了所提出控制策略的有效性。
NETL