摘要
近年来，机器人行业的重心逐渐从结构化的工业场景向诸如医疗与服务等非结构化场景转移。这种转变迫使新一代机器人技术需要全方位地考虑机器人的操作精确性、智能性与安全性。传统的预编程手段和高刚度控制显然难以满足这种技术需求，而机器人的技能学习与柔顺控制技术凭借强泛化能力及特有的安全性保障，有望成为新一代机器人的主流技术，因此受到了人们的广泛关注。 然而现有的技能学习方法远未成熟，其在复现精度、泛化能力及收敛性保障之间存在诸多权衡，多数研究往往为了保障收敛性选择牺牲复现精度和泛化能力，从而降低了技能学习方法的性能。其次，使用柔顺控制将进一步降低机器人的操作精度。现有的柔顺控制方法通过在线调节机器人的柔顺程度以寻求柔顺性与精确性的最佳动态权衡，然而如何设计最优的机器人变柔顺策略仍是该领域亟待解决的一个问题。另外，在线调节机器人柔顺性可能引起机器人系统不稳定，进而产生安全隐患。针对这些问题，本文提出了一种基于动态系统学习和变阻抗控制的机器人柔顺操作技能获取方法，其中前者用于编码机器人的操作技能并充当机器人的运动规划器，后者自适应调节机器人的柔顺性并充当机器人的运动控制器，从而使机器人兼具精确性、智能性与安全性。本文取得的主要创新性成果如下： 1.针对非自治动态系统的运动技能编码，通过在传统高斯过程学习算法的基础上设计一种高斯过程超参数约束，提出了一种非参数化技能编码的高斯过程基元算法，克服了因参数化形式限制而导致编码精度受限的问题，并在提升技能编码精度的同时使高斯过程基元算法具有定时过定点与多元混合的能力。 2.针对自治动态系统的点到点运动技能编码，通过笛卡尔坐标系与类极坐标系的等价变换设计了一种具有全局唯一极小值点的神经网络能量函数，基于此提出了一种全局渐近稳定自治动态系统的学习算法，克服了自治动态系统稳定性与精确泛化性难以兼得的难题，并使其具有处理状态约束的能力以应对机器人在实际任务中面临的物理约束。 3.针对自治动态系统的周期性运动技能编码，通过使用高斯过程拟合周期性运动形状设计了一种与周期性运动兼容的能量函数，基于此提出了一种具有稳定极限环的自治动态系统学习算法，克服了传统周期性运动编码方法因引入相位参数而导致抗干扰能力弱的问题，并使习得的自治动态系统具有可控的收敛时间以保证机器人执行任务的效率。 4.针对机器人最优变阻抗控制，通过修改传统阻抗模型建立了一种以阻抗参数为输入的新模型，并提出了基于模型预测的最优变阻抗控制算法，解决了机器人跟踪精度和接触柔顺性的最优动态权衡问题，并使机器人具有处理物理约束和阻抗参数约束的能力以满足实际任务需求。 5.针对机器人稳定变阻抗控制，通过变量代换在工作2所提能量函数的基础上设计了一种对称神经网络能量函数，并提出了一种基于能量函数学习的机器人变阻抗控制方法，克服了由机器人变刚度行为引起的系统不稳定问题，在保证机器人操作安全性的同时提升了机器人的控制精度。 最后，总结了本文的主要工作和存在的问题，并对下一步的研究进行展望。
NETL