2.4 手臂的控制
2.4.1 运动控制
对于机器人手臂的运动来说，人们通常关注末端的运动，而末端运动乃是由各个关节的运动合成实现的。因而必须考虑手臂末端的位置、姿态与各个关节位移之间的关系。此外，手臂运动，不仅仅涉及末端从某个位置向另外一个位置的移动，有时也希望它能沿着特定的空间路径进行移动。为此，不仅要考虑手臂末端的位置，而且还必须顾及它的速度和加速度。若再进一步从控制的观点来看，机器人手臂是一个复杂的多变量非线性系统，各关节之间存在耦合，为了完成高精度运动，必须对相互的影响进行补偿。
1. 关节伺服和作业坐标伺服
现在来研究n 个自由度的手臂，设关节位移以n 维向量12(,,,)T n n q q q q =∈?L 表示，i q 是第i 个关节的位移，刚性臂的关节位移和末端位置、姿态之间的关系以下式给出：
()r r f q = （1）
m r ∈?是某作业坐标系表示的m 维末端向量，当它表示三维空间内的位置姿态时，m=6。如式（1）所示，对刚性臂来说，由于各关节的位移完全决定了手臂末端的位置姿态，故如欲控制手臂运动，只要控制各关节的运动即可。
设刚性臂的运动方程式如下所示：
()(,)()M q q h q q q g q τ=++Γ+&&&& （2）
式中，()n n M q ?∈?为手臂的惯性矩阵；(,)n h q q
∈?&为表示离心力和哥氏力的向量，n n ?Γ∈?为粘性摩擦系数矩阵；()n g q ∈?为表示重力项的向量；1(,,)T n n τττ=∈?L 为关节驱动力向量。
机器人手臂的驱动装置是一个为了跟踪目标值对手臂当前运动状态进行反馈构成的伺服系统。无论何种伺服系统结构，控制装置的功能都是检测各关节的
当前位置q 及速度q &，将它们作为反馈信号，最后直接或间接地决定各关节的驱
动力τ。
图1给出了控制系统的构成示意图。来自示教、数值数据或外传感器的信号等构成了作业指令，控制系统根据这些指令，在目标轨迹生成部分产生伺服系统需要的目标值。伺服系统的构成方法因目标值的选取方法的不同而异，大体上可以分为关节伺服和作业坐标伺服两种。当目标值为速度、加速度量纲时，分别称之为速度控制或加速度控制，关于这些将在本节2.和3.中加以叙述。
图1 刚性臂控制系统的构成
1） 关节伺服控制
讨论以各关节位移的形式给定手臂运动目标值的情况。
令关节的目标值为12(,,,)T n d d d dn q q q q =∈?L 。图2给出了关节伺服的构成。若目标值是以关节位移的形式给出的，那么如图2所示，各个关节可以独立构成伺服系统，因此问题就变得十分简单。目标值d q 可以根据末端目标值d r 由式（1）的反函数，即逆运动学（inverse kinematics ）的计算得出
1()d r d q f r -= （3）
图2 关节伺服构成举例
如果是工业机器人经常采用的示教方法，那么示教者实际上都是一面看着手臂末端，一面进行示教的，所以不必进行式（3）的计算，d q 是直接给出的。如果想让手臂静止于某个点，只要对d q 取定值即可，当欲使手臂从某个点向另一个点逐渐移动，或者使之沿某一轨迹运动时，则必须按时间的变化使d q 发生变化。
为了简单起见，假设驱动器的动态特性忽略不计，各个关节的驱动力i τ可以
直接给出。这时，最简单的一种伺服系统如下所示：
()i pi di i vi i k q q k q τ=--& （4）
pi k 是比例增益，vi k 是速度反馈增益。对于全部关节，可以将式（4）归纳表示为
()p v d K q q K q τ=--& （5）
式中，()n n pi p diag k K ?=∈?；()n n vi v diag k K ?=∈?。这种关节伺服系统把每一个关节作为简单的单输入、单输出系统来处理，所以其结构简单，现在的工业机器人大部分都由这种关节伺服系统来控制。但是，从式（2）中可知，从手臂的动态特性来看，严格地说，每个关节都不是单输入、单输出系统，惯性项和速度项在关节彼此之间存在动态耦合。在式（5）所表示的关节伺服中，这些耦合均被视为外部干扰来进行处理，为了减少外部干扰的影响，在保持稳定性范围内应该尽量将增益pi k 、vi k 设置得大一些。但无论怎样加大增益，由于重力项的影响，手臂在静止状态下，各个关节仍会产生稳态误差，即将式（5）代入式（6）
中，若0q q
==&&&，将产生下式所示的稳态误差e ： 1()p d g e q q K q -=-= （6）
有时为了使稳态误差为零，可在式（5）中再加上积分项，构成
()()p v i d d dt K q q K q K q q τ=--+-?& （7）
式中，n n i K ?∈?为积分环节的增益矩阵，和p K 、v K 一样，它是一个对角矩阵。 传统上，上述伺服系统是用模拟电路构成的。近年来，由于微处理器和信号处理器等高性能、低价格的计算器件的普及，将伺服系统的一部分或全部改成数字电路的所谓软件伺服已经很普遍了。与模拟电路的情况相比，软件伺服能进行更精细的控制。例如，不再让各个关节的增益pi k 、vi k 固定不变，而是让其按照手臂不同姿态时所期望的响应特性而变化，用下式代替式（7），通过对重力项的计算，直接实现重力项的补偿
()()p v d g q K q q K q τ=--+& （8）
后续的内容中，都是在软件伺服假设的前提下展开讨论的。如后面所述，软件伺服系统方式还能有比式（7）和式（8）更高级的控制方法，但是即使用式（7）和式（8）的简单的控制方法，闭环系统的平衡点d q 也能达到渐进稳定，即经过无限长的时间，q 能收敛于d q 。即在多数场合，式（7）和式（8）的控制方法已经足够了。
2）作业坐标伺服控制
关节伺服控制的结构简单，对软件伺服来说，计算量少，采样时间较短，所以是工业机器人经常采用的方法，这一点已经在前面有所论述。但在自由空间内对手臂进行控制时，在很多场合都希望直接给出手臂末端位置、姿态运动的显式表达。例如，让手臂从某个点沿直线运动至另一个点就是这种情况。
在这种情况下，很自然会取末端姿态向量r 的目标值d r 作为手臂运动的目标值。一旦得到d r ，利用上述式（3）变换为d q ，当然也能应用关节伺服方式。但是，为此不但需要事前求解末端目标值d r ，而且往往要在运动中对其加以在线修正，于是必须实时计算式（3）的逆运动学方程式。此外，因为在关节伺服系统中各个关节是独立受控的，它们的实际响应结果导致的末端位置、姿态的响应比较难以预测，而且为了得到期望的末端响应，对各关节伺服系统的增益调节也十分困难。
因此，现在我们来研究不将d r 变为d q ，而把d r 本身作为目标值来构成伺服系统。由于在很多情况下，末端位置、姿态d r 是用固定于空间内的某一个作业坐标系来描述的，所以把以d r 作为目标值的伺服系统称为作业坐标伺服。
下面举一最简单的作业坐标伺服的例子。为此，首先将式（1）的两边对时间进行微分，由此可得下式：
()r T
f r q J q q q ?==?&&& （9） 式中，()T m n r J q q
f q ?=??∈?&，称之为雅可比矩阵，雅可比矩阵为q 的函数。r 和q &通常如式（1）所示，为非线性关系。与此相反，由式（9）可知，r &和q &为线性关系。式中()J q 是q 的函数。
根据式（9）和虚功原理，可得下式：
()T J q f τ= （10）
式中，()T J q 表示()J q 的转置，当m=6时，6(,,,,,)T x y z f f f f m m m αβγ=∈?，是组合向量，包括作业坐标系所描述的三维平移力向量和以欧拉角等描述的r 的姿态所对应的三维旋转力向量，式（10）表示与手臂末端的力和旋转力等效的各关节驱动力的关系式。若取欧拉角(,,)αβγ作为r 的姿态分量，则,,m m m αβγ为绕欧拉角各自旋转轴的力矩，这从直观上非常难以理解。所以，在机器人学中，雅可比矩阵经常不是根据式（9），而是根据速度的关系直接按照下式来定义：
(,)()T T T s s v J q q
ω==& （11）
在式（11）中，末端速度向量s 的姿态分量不是姿态分量的时间微分描述，而是用角速度向量3ω∈?来表示。不过，在s 中，3v ∈?是末端的平移速度，和r 的位置分量的时间微分一致。式（11）的矩阵()s J q 也称为雅可比矩阵，它表示
末端速度向量S 与关节速度q &之间的关系。虽然它不是从式（9）原本的数学意
义出发的，但是在机器人学中通常称之为雅可比矩阵。
若采用式（11）所定义的雅可比矩阵，对应于式（10）右边的f 就成为
()T
z y x z y x m m m f f f ,,,,,，f 的旋转力分量就变成绕三维空间内某些轴旋转的力矩向量，这样从直觉就很容易理解。
有了上面一些预备知识，可以用下式给出一个作业坐标伺服的例子：
()[()()]T p v d J q g q K r r K q τ=--+& （12）
此时对应的控制系统示于图3中，再考虑附加积分环节，即如下式所示：
()[()()]T p v i d d J q dt K r r K r r K q τ=-+--?& （13）
图3 作业坐标伺服举例
如果将末端位置、姿态的误差向量d r r -分解成位置和姿态分量，用
[,]T T T p o e e 表示，各个分量可以用p d e p p =-，[,,]T o d d d
e ααββγγ=---来表示。3p ∈?是末端位置向量，d p 是目标值，(,,)αβγ是欧拉角或横摇角、纵摇角、偏转角，(,,)d d d αβγ是其目标值。由式（10）可知，与式（12）、式（13）右边第一项中的p K 有关的项产生的使r 与d r 一致的潜在的力()p d
f K r r =-可视为是施加在末端上的。式（12）、式（13）中手臂末端的当前位置、姿态r 可根据当前的关节位移q ，由式（1）的正运动学（direct kinematics ）计算求得。
为了从直观上便于理解，可以认为式（12）、式（13）的方法就是要把末端拉向目标值的方向。另外它还有一个特点，就是不含逆运动学计算。与式（7）、式（8）一样，式（12）和式（13）表明闭环系统的平衡点d r 是渐进稳定的。
3）姿态的误差表示
在式（12）或式（13）中，可以用式（11）中的雅可比矩阵()s J q 代替式（9）中的雅可比矩阵。但此时s 的姿态分量ω无对应的位置量纲来表示（ω的积分值没有物理意义），故必须留意末端的误差，即姿态分量d r r -的表示方法。现令末端的姿态误差由基准作业坐标系的姿态矩阵033h R ?∈?给出，即
0[,,]h R n o a = （14）
式中，3,,n o a ∈?表示姿态矩阵中的列向量，它们是基准坐标系表示的末端坐标系中x 轴，y 轴，z 轴方向的单位向量。姿态目标值也可以用姿态矩阵的形式来表示，即
0[,,]hd d d d R n o a = （15）
在式（12）或式（13）中，如果用雅可比矩阵()s J q ，则d
r r -的姿态向量可以用下式给出的0e 代替0e ： 01[]2
d d d
e n n o o a a =?+?+? （16） 从而得到与式（12）对应的式子如下：
()[]()[,]T T T T s p o p v J q g q K e e K q τ=-+& （17）
同样，用式（16）所定义的0e ，式（13）可以变形为
0sin e k φ= （18）
式中，k 是从0R 转向0hd R 的等效旋转轴方向的单位向量（图4）；φ表示绕此轴的旋转角。0e 即是指向k 方向的、大小为sin φ的向量。若用0e 表示姿态的误差，虽然姿态的误差角φ超过2π后0e 的模反而会变小，当φπ=时变为0，会产生错误的结果，但是，如果假设姿态误差不太大，如在22πφπ-<<的范围内，那就没什么问题了。
图4 等效旋转轴
若用欧拉角（或横摇角、纵摇角、偏转角）表示姿态，则式（10）中f 对应的姿态分量在直观上就变得难以理解了，而且在表现奇异点方面也会出现问题。用式（16）定义的0e 虽然在直观上容易理解，在表现奇异点方面也没有问题，但是只有在姿态误差小的条件下才有效。因此，这里最后介绍采用四元数（quaternion ）的姿态误差的表示法。四元法作为欧拉参数（Euler parameters ）为人们所熟知。设从基准姿态向某一个别的姿态01R 变化的等效旋转轴为u ，绕
该轴的旋转角为θ，则四元数4?q
∈?用下式定义： ?[,]T T q
ηε= cos 2θη=，sin 2
u θε= （19） 在式（19）中要注意，等效旋转轴的向量u 无论是从基准坐标系，还是从用01R 表示的坐标系，它的表达都是相同的，即0110R u R u u ==。这时，旋转矩阵01
R 与四元数?q
具有如下式所示的关系： 021(21)2([])T R I ηεεηε=-++? （20）
式中，[]?g 为与向量的外积等效的变形对称矩阵；I 为33?单位矩阵。式（20）也可反过来应用，即给出四元数，求解与之对应的旋转矩阵。
本书将与当前手臂末端姿态0h R 及其目标姿态0hd R 所对应的四元数分别定义
为?[,]T T h h h q
ηε=和?[,]T T hd hd hd q ηε=。于是，与从末端姿态0h R 到目标姿态0hd R 的等效旋转相对应的四元数?[]T q δηδε?=可以利用下式求出：
T h hd h hd δηηηεε=+ （21）
h hd hd h hd δεηεηεεε=--? （22）
式中，这时的等效旋转轴用0h R 或0hd R 表示的坐标系来描述。因此，若考虑用基准坐标系描述该等效旋转轴向量，设为sin
2k ?ε?=00()h hd R R δεδε==，则可用下式给出：
h hd hd h hd εηεηεεε?=-+? （23）
要注意的是，δε与ε?仅第三项的外积符号不同。这里使用式（23）给出的ε?代替前面的0e ，虽然特性上它们同样是非线性的，但即使姿态的误差角φ超过2π，仍呈单调增加。
2. 速度控制
在1.中就关节伺服和作业坐标伺服的有关内容作了说明，手臂的目标值是以位置量纲给 出的。但是，有时手臂作业不用末端的位置和姿态来指定，而改成命令它从当前的位置向某一个方向移动，例如手臂末端从当前位置垂直向上运动，或者只绕规定轴旋转变化姿态，这相当于使用操纵杆操纵遥控机械手的情况。对于这种类型的运动指令，虽然也允许用位置量纲的目标值给出，但必须沿着末端目标值运动的方向时时刻刻改变目标值。在关节伺服的场合还必须对每个末端目标值根据式（3）进行一次逆运动学计算，以求得关节目标值，显然为此将花费很多计算时间。对于这种运动指令，人们很自然地想到把末端速度作为目标值给出。
末端速度r &或s 与关节速度q &之间具有如式（9）或式（11）所示的线性关系。设d r &或d
s 为末端速度的目标值。假设手臂无冗余性，也不存在奇异状态，于是m=n ，式（9）或式（11）
的雅可比矩阵为正则矩阵，这时实现d r &或d s 的关节速度1(,,)T n d d dn q q q =∈?&&&L 可由下式
求出：
1()d d q J q r -=&& （24）
或
1()d s d q J q s -=&& （25）
如果手臂具有冗余性，即n>m 时，或者手臂处于奇异状态下，不存在雅可比矩阵的逆矩阵，那么就无法直接应用式（24）或式（25）。在实际的计算中，与其按式（24）或式（25）直接求解雅可比矩阵的逆矩阵，不如把式（24）或式
（25）看作是雅可比矩阵，写出系数矩阵的联立代数方程，然后用消去法去求解d r &，从计算量的角度来看后者会更有利些。
我们可以把式（24）或式（25）视为把末端运动分解成必要的关节运动，故
称之为分解速度控制（RMRC ：Resolved Motion Rate Control ）。式（24）、式（25）的目标是速度，与其说是这些式子本身在实施控制，倒不如将其视为以速度量纲进行逆运动学计算更妥当。和式（3）一样，应该把它们的作用看成是把末端空间的目标值变换为关节空间的目标值。如果在各个关节处具备独立跟踪目标速度di q &的速度伺服系统，那么只要把式（24）或式（25）所求得的d q &的各个元素作为各个关节伺服系统的目标值即可。因此，这种情况可以说是利用关节伺服进行的速度控制。图5给出了此时控制系统的构成。
图5 关节伺服的速度控制举例
另外，式（24）和式（25）中的各个关节伺服系统也适用于本节1.中所涉及的把关节位
移di q 作为目标值的情况。设末端速度的目标值用时间函数()d r t &给出，
而且关节目标值的初始值为0()d r t ，则在时刻t 的目标值()d r t 为
1()(())()d d q t J q t r t -=&& （26）
00()()()t
d d d t q t q t q v dv =+?& （27） 用式（26）和式（27）计算()d q t ，相当于式（3）的逆运动学计算的数值计算，这个方法对用式（3）的无解析解的手臂尤其有效。不过，若反复用式（26）、式（27）进行计算，存在着与目标位置之间的位置积累误差增大的问题。为了解决这一问题，只要在式（26）中加上位置反馈即可，如下式所示：
1()[()]d d p d J q r q K r r -+=-&& （28）
对含雅可比矩阵s J 的式（25）也可以采用同样的办法，不过此时应该将对应于s 的姿态分量ω的末端姿态误差改换成式（16）中的0e ，或者用式（23）的ε?表示，如下式所示：
1()[][,]T T T d s d p o p J q s q K e e -+=& （29）
在式（28）或式（29）中，是从末端误差d r r -的角度来求解d q &的，因此将d q &作
为各个关节速度伺服系统的目标值进行控制的方法，无法明确地区分是属于关节
伺服还是属于作业坐标伺服。
3．加速度控制
前面就将目标值设定为位置或速度的场合的手臂伺服系统的构成做了介绍。但是在关节
伺服的情况下，即使给出正确的目标值d q 、d q &，实际的响应情况仍然被各个关节伺
服系统的性能所左右。通常的做法是在保证稳定的情况下调大增益，减小与目标值的偏差，然而手臂的运动速度越快、加速度越大，则离心力、哥式力、惯性力和关节轴间耦合的影响也就越大，误差也越严重。即使保证作业坐标伺服的式
（12）和式（13）具有目标值的渐进稳定性，也无法保证过渡特性的好坏，而且随着手臂姿态的不同，响应特性还可能会发生变化。这些问题之所以产生，是因为在迄今所考虑的控制策略中，并未涉及手臂动态特性的式（2）所致。因此，在本小节中所叙述的方法是将目标值再追加加速度，即考虑手臂的动态特性，以显式的形式给出过渡特性的要求。
首先，设目标值为d q 、d q &、d q &&，即包括关节变量加速度，这时考虑采用如
下的控制方法：
()[()()()](,)d d v p d M q q q q g q K K q q h q q q τ+-+=-++Γ+&&&&&&（30）
这是关节伺服加速度控制，图6表示伺服系统的结构。在式（30）中，()M q 、
(,)h q q &、Γ、()g q 均和式（2）中的意义相同，式（30）相当于进行逆运动力学（inverse
dynamics ）计算，以求出能实现由()()adj d d v p d q q q q K K q q +-+=-&&&&&&所给出的
关节加速度的关节驱动力。为简便起见，先假设()M q 、(,)h q q
&等的值可以正确计算。把式（30）代入式（2）的左边整理后，得
()[0]v p M q e e e K K ++=&&& （31）
式中，d e q q =-。因为()M q 是正定对称矩阵，故两边乘上1()M q -后得到
0v p e e e K K ++=&&& （32）
图6 用关节伺服的加速度控制
适当选择位置增益p K 、速度增益v K ，可以使e 渐进收敛于0，使q 与d q 达到一致。瞬态响应特性可由p K 、v K 来确定。例如，设v v k I K =、p p
k I K =（I 是n n ?的单位矩阵），若2v n k ζω=、2p n k ω=，则式（32）的响应是角频率为n ω、阻尼系数为ζ的二阶系统响应。控制手臂运动时，一般不希望出现超调量，所以通常取1ζ=。这样在加速度控制中之所以瞬态特性也能被满足，是因为通过离心力、哥氏力、重力等的补偿，使非线性手臂的动态特性被线性化，同时考虑了惯性项使系统解耦的结果。因此，可以将式（30）的加速度控制视为本节4.中打算加以说明的动态控制（dynamic control ）的一种方式。
式（30）所示的加速度控制由于能够给定瞬态特性，所以这种控制策略非常有效，不过也应该指出它的问题是计算量非常大。为了缩短采样时间，可将式（30）的部分计算省略，采用下面简化的公式：
[()()()]d d v p i d d M q q q K K q q K q q dt τ+-+=-+-?%&&&& （33）
式（33）中省略了(,)h q q &、q Γ&、()g q 的计算，n n M ?∈?%被()M q 取代，简化
为仅由对角元素构成的常数矩阵。M
%的对角元素最好选择()M q 的对角元素的代表值。此外，为了消除稳态误差，在式（33）中重新补上了积分项。各种工业机器人减速比的数值比较大，故驱动器惯性的影响也会比较大，所以()M q 的对角元素比非对角元素大得多，而轴间耦合的影响相对变小。因而在很多情况下，采用式（33）的近似控制策略能够满足计算的要求。
下面讨论目标值为d r 、d r &、d r &&的情况，此时目标值包括了末端位置、姿态的
加速度。为此，首先应该求出末端加速度和关节加速度之间的关系。将式（9）的两边对时间进行微分，即可得
()()J q q J q q r +=&&&&&& （34）
式中，()J
q &表示[()]d J q dt 。 为了跟踪目标轨迹d r ，把根据d r &&所修正的末端加速度adj r &&以下式给出：
()()adj d d v p d r r r r K K r r =+-+-&&&&&& （35）
式中，v K 、p K 是适当的增益矩阵；r &是当前的末端速度，它由传感器测得的关节速度q
&用式（9）求得。从式（34）可以求得实现给定的末端加速度adj r &&的关节加速度为
1()[()]adj adj J q J q q q r --=&&&&& （36）
再由下式求出实现该关节加速度的关节驱动力：
()()(,)adj M q q g q h q q q τ=++Γ+&&&& （37）
将式（35）~式（37）归纳为一个式子，得到
1()()[()()]()
()(,)d d v p d M q J q r r J q q g q r K K r r h q q q τ-+-+-=-++Γ+&&&&&&&&
（38）
这就是作业坐标伺服的加速度控制，它与式（30）给出的关节伺服加速度控制是相对应的。我们假设正确地完成了式（37）的逆动力学计算，即()M q 、(,)h q q &、Γ、()g q 的计算结果正确，把式（37）代入式（2）中后可得下式：
adj q q =&&&& （39）
即实际响应与给定加速度adj q &&一致。把式（39）代入式（36）中后得adj r r =&&&&，再把它代
入式（35）中后可得
0r r r v p e e e K K ++=&&& （40）
式中，r d e r r =-。式（40）是与关节伺服的式（32）相互相对应的。式（35）~式（37）给出的作业坐标伺服，是为了在末端产生期望加速度而求解出各个关节的加速度，因而称其为分解加速度控制（resolved acceleration control ）。它可以视为是由上述分解运动控制向加速度的扩展。但必须注意的是，分解速度控制只是为了把末端目标速度向关节速度变换，而分解加速度控制则要考虑当前值和目标值之间的误差，并将之视为伺服系统的一部分。另外，在分解速度控制中，实际上无法保证分解的各个关节目标速度正确地被实现，但在分解加速度控制中，若正确掌握了手臂的动态特性模型，则如式（39）所示，指令加速度将得到正确的实现。图7表示了分解加速度控制的总体结构。
图7 分解加速度控制 在式（36）中，若用()s J q 代替()J q ，则目标值以d s ，d s &，d p 、hd R 给出，于
是可用下式代替式（35）和式（36）：
1()[()]()[,]T T T adj d d p o s v p J q s s s J q q K K e e q -+-+-=&&& （41）
这就是原来由Luh 等提出的分解加速度控制的方案。另外，也可以将姿态分量的误差置换为式（23）定义的ε?，以代替0e 。
如前所述，若姿态误差用0e 来表示，则在产生特大姿态误差时增益会等效下降，瞬态特性恶化。用ε?虽然可以改善瞬态特性，但误差是非线性的这一条并无改变。但是无论在什么情况下（用0e 时除了φπ=±的特殊情况以外）
，理论上是保证姿态逐渐收敛于目标姿态。另外，如有必要，也可以用四元数让姿态误差的响应特性成为线性关系。
4. 轨迹控制
本小节中，将首先讨论目标轨迹的给定方法，然后介绍手臂高精度跟踪目标轨迹的方法，即动态控制的方法。
1） 轨迹控制方式
如果想让机器人手臂末端沿目标轨迹运动，有两种给定轨迹的方式：一种是所谓示教机器人中采用的示教再现方式；另一种是把目标轨迹用数值形式给出的数值控制方式。
所谓示教再现方式是在执行作业前，让手臂末端沿着实际目标值进行移动，同时将相应的数据和作业速度等其他信息一起存入机器人中，在执行时将所示教的动作再现，于是手臂末端就沿目标轨迹运动。示教时手臂运动的方式也分为两种：一种是直接示教方式（操作者直接用手握住机器人手臂末端使其做动作）；另一种是远距离示教方式（用示教盒的按钮或
开关发出运动指令）。
在示教再现方式中，记忆再现轨迹的方式通常有点位控制（PTP control: Point-To-Point control）和连续路径控制（CP control：Continuous Path control）两种（图8）。
图8 PTP控制和CP控制
（1）PTP控制例如，点焊等作业，人们关注在示教点上对末端的位置和姿态定位的问题。至于向该点运动的路径和速度等则不是主要的问题。这种不考虑路径，而是一个接一个地在示教点处反复进行定位的控制就是PTP控制。
（2）CP控制例如，弧焊、喷漆等作业，必须控制机器人以示教的速度沿着示教的路径进行运动。这样的控制称为CP控制。按示教的方法不同CP控制又分为两种：其一是示教时让机器人沿着实际的路径运动，并每隔一个微小的间距就大量记忆该路径上的位置，再现时把所记忆的点一个接一个地作为伺服系统的目标值给出，以达到路径跟踪的目的；另一个是和PTP控制一样，示教时只记忆路径上的主要点，再现时则在这些主要点之间用直线或圆弧来插补，计算出每个微小间距的路径上的点，再把它们输出给伺服系统（图9）。后者和前者相比，需要记忆的点数较少，路径修正也比较容易，因而系统具有灵活性，但必须对其进行插补修正。
（a）圆弧插补（b）直线插补
图9 带插补的CP控制
所谓数值控制方式，它和数控机床一样，是把目标轨迹以数值、数据的形式给出。所谓数据，是把作业对象的CAD数据、在实施控制中所得到的来自传感器的测量数据等各种数据经过变换后给出的。可见，数值控制方式比单纯的再现示教轨迹的示教再现方式更具有一般性、通用性、灵活性。然而，把目标值以数值的形式给出可能会导致计算时间过长，出现机器人装配误差、每台设备本身的分散误差带来新的问题等麻烦。
2）目标轨迹生成
在PTP 控制和CP 控制中，轨迹是由示教直接给出的，而在数值控制方式中，目标轨迹，即输出给伺服系统的目标值的时间函数必须以数值的形式给出。随着机器人手臂面临的作业不同，作业空间内的末端轨迹不一定非要从起点至终点在整个区间内都要预先给定，有时仅给定起点和终点，有时仅给定起点、终点及路径所经过的若干中间点即可。在这种情况下，必须人为设定未给定区间内适当的轨迹。下面我们就来研究，当手臂末端由某个位置（包括姿态，下同）0r 历经某一时间f t 移向另一个位置f r 时，如何确定0r 和f r 之间轨迹的问题。实际上，这个问题也适用于CP 控制中的插补。
在求目标轨迹时应该注意的是，为了生成实际可行的光滑轨迹，至少应保证位置和速度的连续性条件。另外，为了不使末端产生不必要的振动，还希望能够保证加速度的连续性条件。关于目标轨迹生成的方法，目前已有许多种方案，本节只介绍利用时间多项式给定轨迹的方法。这个方法进一步可分为用关节变量描述轨迹和用末端位置变量描述轨迹两种，它们分别对应于关节伺服和作业坐标伺服。
首先就关节变量的方法加以讨论。设对应于0r 和f r 的关节变量0q 和f q 已经给出。若只给出0r 、f r ，则可以求解逆运动学方程，预先求出0q 、f q 。任意选一个关节变量i q 记作ξ，令初始时刻0的值为0ξ，终点时刻f t 的值为f ξ，即
0(0)ξξ=，()f f t ξξ= （42）
再将另外两个时刻的ξ的速度和加速度作为边界条件以下式表示：
0(0)ξξ=&&，()f f
t ξξ=&& （43） 0(0)ξξ=&&&&，()f f t ξξ=&&&& （44）
虽然满足这些条件的光滑的函数很多，但考虑到简化计算和形式简单，本节选择时间t 的多项式。能满足任意给出的式（42）~式（44）的边界条件的多项式，其最低次数是应该为5，所以设
2345012345()t a a t a t a t a t a t ξ=+++++ （45）
经过计算，满足式（42）~式（44）的待定系统05a a :结果如下：
00a ξ= （46）
11
a ξ=& （47） 2012
a ξ=&& （48）
2300031[2020(812)(3)]2f f f f f f
a t t t ξξξξξξ=--+--&&&&&& （49） 240004
1[3030(1416)(32)]2f f f f f f
a t t t ξξξξξξ=-+++-&&&&&& （50） 250051[1212(66)()]2f f f f f f a t t t ξξξξξξ=
--+--&&&&&& （51） 特殊是，若00f
ξξ==&&&&、0ξ、f ξ、0ξ&、f ξ&满足如图10所示的关系，即 00()2f
f f
t ξξξξ-=+&& （52） 时，50a =，于是()t ξ为4次多项式。
图10 起点时刻和终点时刻的边界条件
若把这个4次多项式和直线插补结合起来应用，就可以比较容易地给出各种轨迹。例如，下面讨论一个情况，即从起点0ξ的静止状态开始，经加速、等速、减速，最后到点f ξ停止。如图11所示，先适当选择决定加减时间的参数?，然后确定中间的辅助点02ξ、1f ξ。在这里是这样确定的，首先把01ξ、2f ξ取为010ξξ=、2f f ξξ=，然后让02ξ和1f ξ处于01ξ和2f ξ相连的直线上。接着用折线{}0012f f ξξξξ把0ξ、02ξ之间和1f ξ、f ξ之间的各个端点连接起来，并用4
次多项式的关系使其加速度为0。再将02ξ、1f ξ之间以直线相连接。于是02t ≤≤?
为加速区间；22f t t ?≤≤-?为等速区间；2f f t t t -?≤≤为减速区间。
图11 从起点到终点的轨迹
再讨论用多项式连接0ξ和f ξ的情况。若只考虑位置、速度的边界条件（式
（42）、式（43）），而不考虑表示加速度连续性的式（44），那么目标轨迹可以不
用式（45）给出，而用t 的3次多项式给出，特别当0ξ、f ξ、0ξ&、f ξ&满足式
（52）时，()t ξ变为2次多项式。即有时3次多项式和2次多项式也可以代替上述的4次多项式。
上面介绍了关节变量的方法。不过若用这种方法确定0r 和f r 之间的轨迹，就可能难以预测末端将沿着什么样的轨迹进行运动。另外，有些场合要求给定末端轨迹本身，例如作业希望末端沿直线移动。在这种情况下，就可以选择由末端位置变量来确定0r 和f r 之间轨迹的方法。有许多种方法可以用来描述末端移动位置和姿态的6个变量，一旦选定某种方法，确定了一组变量后，剩下的就完全可以用与关节变量同样的处理方法来确定各个变量的目标时间轨迹。即在6个变量中任选一个，令其为ξ，并假定一个如式（45）所示的时间多项式，然后求出满足边界条件的系数即可。这样就得到沿直线路径运动的目标时间轨迹，而该直线连接六维欧几里德空间内表示末端位置的两个点0r 和f r 。
表示末端移动位置的3个变量，常常用末端坐标系原点相对于基准直角坐标系的坐标来表示。在上述目标轨迹决定法的例子中，末端坐标系的原点位置做直线运动。关于末端的姿态，若取描述姿态的三个变量为欧拉角或横摇角、纵摇角、偏转角，则直线运动也与这些变量有关。既然末端姿态的运动是在基准直角坐标系内所表示的，却要由围绕3个斜交的轴旋转来合成，这样显然造成了直观上理解的困难。为了改进这个问题，可以将对应于0r 的末端坐标系姿态矩阵设为0O ，将对应于f r 的末端坐标系的姿态矩阵设为f O ，于是能求出从0O 转向f O 的等效旋转轴f k 和转角f φ，若用式（45）来描述姿态目标轨迹绕f k 轴由0旋转至
f φ的目标轨迹，那么从基准坐标系来观察该轨迹，就得到一条围绕唯一的、方向固定的旋转轴f k 旋转的轨迹，这样从直观上就变得容易理解了。
3）动态控制
在示教再现方式中，目标轨迹通常是以各个关节变量的形式来记录的，因而手臂的控制依赖由每个关节伺服回路组成的关节伺服就足够了，其构成也很简单。但在这种情况下，离心力、哥氏力、重力等引起的各个关节之间的耦合是作为外部干扰来处理的，往往无法满足高速、高精度控制的要求。如在本节2.中所
述，当目标轨迹以时间函数()d t q 或()d t r 给出时，速度()d t q &、()d t r &和加速度
()d t q &&、()d t r &&也可以通过解析法求得。在这种场合采用涉及手臂动态特性的高级控制策略更为可取。
所谓动态控制法（dynamic control ）或计算转矩法（computed torque method ）就是一种考虑机器人手臂动态特性，并能实现给定目标轨迹的控制方法。下面将介绍它的两级控制方式，即针对非线性系统的线性补偿和针对线性系统的伺服补偿方法。设机械手的运动方程式表示为
()()(,)M q q G q h q q q τ=++Γ+&&&& （53）
要注意的是，现在可以把[,]T T T q q &作为这个系统的状态变量，将q u 作为新的输入，并按下述关系进行非线性状态的反馈补偿：
()?(,)q M q u h q q τ=+& （54）
式中，
()?(,)(,)G q h q q h q q q =+Γ+&&& （55）
于是可得
q q u =&& （56）
这是一个对于关节变量来说的线性解耦系统。也就是说，式（54）完成了线性补偿。如果式（54）中不含有建模误差，而且在系统中未混入外部干扰，假设将目标加速度()d t q &&以
q u 给出，则它能完全实现()()d t t q q =的目标轨迹。但是，由于建模误差和外部干扰是无法避免的，所以一个基本的方法就是通过设置对式（56）线性系统的伺服补偿器来减少上述因素的影响。图12所示即为该系统的方框图。
图12 关节变量线性化和伺服补偿的两级控制
例如，考虑设置如下式所示的补偿值：
()()d d q v p d q q q u K K q q +-+=-&&&& （57）
若将误差e 定义为
d e q q =- （58）
由式（57）和式（58）可得
0v p e e e K K +=+&&& （59）
若取v K p K 为对角元素是正值的对角矩阵，即对每个关节设置了PD 动作反馈回路，则e 的各个元素均收敛于0。那么，即使有建模误差和外部干扰，也能够在某种程度上减少其影响
以上是基于有关关节变量的线性化的方法。但是，有些场合并非要求关节变量，而是希望针对机械手作业直接相关的变量，如末端位置、姿态等加以解耦和伺服补偿。所以，下面讨论对n 维输出变量r 线性化的方法，此时r 由下式给出：
()r R q = （60）
若对式（60）进行微分，可得
()r J q q =&& （61）
式中，()J q 是以()T
J q R q =??给出的雅可比矩阵。假设在q 的适当范围内雅可比矩阵()J q 是正则矩阵，若将r u 作为新的输入，并按下式关系进行非线性状态反馈补偿：
1()()[()](,)r M q J q J q u h q q q τ--=++&&&& （62）
则得到
r u τ=&& （63）
即得到对输出r 的线性解耦系统，于是和式（56）的情况一样，若对线性系统式（63）设置适当的伺服补偿器，则可以得到如图13所示的控制系统。这样的伺服补偿器有很多种设计方法，如选用下式：
()()d d r v p d r r r u K K r r +-+=-&&&& （64）
则当d e r r =-时，就与式（59）相同。值得指出的是，它的控制原则与本节3.中所述的分解加速度控制的形式相同。选用这种两级控制方式时必须考虑的因素是，由于式（54）或式（62）的计算非常复杂，所以必须使用数字计算机进行，因而就产生了如何缩短采样周期的问题。另外，还要尽可能减少原数学建模的建模误差和外部干扰的影响，即必须设计所谓鲁棒伺服补偿器。前者可以考虑选择牛顿-欧拉计算公式的逆运动学问题计算来解决。后者就要参考用2个自由度伺服系统的研究方法或灵敏度函数、互补灵敏度函数的研究方法来解决。
图13 输出的线性化和伺服补偿的两级控制
5.解耦控制
在本小节中，将介绍非线性系统的解耦控制理论，并把它用于机械手，然后介绍同时进行动态特性线性化、输出变量间的解耦和任意极点配置的方法。这个理论给出了在本节 4.中所介绍的两级控制中线性补偿的理论根据，所以是很有意义的。
现在我们来研究n 输入、n 输出的非线性时变系统，该系统如下式所示：
()(,)(,)()t a x t B x t u t x =+ （65）
()(,)(,)()t c x t D x t u t y =+ （66）
式中，x 为s n 维状态向量；y 为n 维输出向量；u 为n 维输入向量。另外，(,)a x t 、(,)B x t 、(,)c x t 、(,)D x t 是已知向量或矩阵。在该系统中，通过实施如下所示的适当的非线性时变状态反馈控制律：
()(,)(,)()t e x t G x t u t u =+% （67）
输出y 的各个元素不但可以相互解耦，而且具有任意指定的极点。式（67）中()u
t %为新的n 维输入向量。
假设(,)D x t 的第i 行向量为(,)i d x t ，
(,)c x t 和y 的第i 个元素为(,)i c x t 和i y ，
全向移动机器人的运动控制 作者：Xiang Li, Andreas Zell 关键词：移动机器人和自主系统，系统辨识，执行器饱和，路径跟踪控制。 摘要：本文主要关注全向移动机器人的运动控制问题。一种基于逆运动学的新的控制方法提出了输入输出线性化模型。对执行器饱和及驱动器动力学在机器人性能体现方面有重要影响，该控制法考虑到了以上两个方面并保证闭环控制系统的稳定性。这种控制算法常用于真实世界的中型组足球机器人全方位的性能体现。
1.介绍 最近，全方位轮式机器人已在移动机器人应用方面受到关注，因为全方位机器人“有一个满流动的平面，这意味着他们在每一个瞬间都可以移动，并且在任何方向都没有任何调整”。不同于非完整的机器人，例如轮式机器人，在执行之前具有旋转任何所需的翻译速度，全方位机器人具有较高的机动性并被广泛应用在动态环境下的应用，例如在中型的一年一度的足球比赛。 大多数移动机器人的运动控制方法是基于机器人的动态模型或机器人的运动学模型。动态模型直接描述力量施加于车轮和机器人运动之间的关系，以外加电压的每个轮作为输入、以机器人运动的线速度和角加速度作为输出。但动态变化所造成的变化的机器人惯性矩和机械组件的扰动使控制器设计变得较为复杂。假设没有打滑车轮发生时，传感器高精度和地面足够平坦，由于结构的简单，因而运动模型将被广泛应用于机器人的设计行为中。作为输入运动学模型是机器人车轮速度，输出机器人的线速度和角速度，机器人的执行器的动力都快足以忽略，这意味着所需的轮速度可以立即达到。然而，该驱动器的动态极限，甚至降低了机器人在真实的情况中的表现。 另一个重要方面是机器人控制的实践：执行器饱和。因机器人轮子的指挥电机速度是有饱和的界限的，执行器饱和能影响到机器人的性能，甚至使机器人运动变得不稳定。 本文提出了一个全方位的机器人的一种运动控制方法，这种控制方法是基于逆输入输出的线性的运动学模型。它需要不仅考虑到驱动器动力学的识别，但也需要考虑到执行器饱和控制器的设计，并保证闭环控制系统系统稳定性。 本文其余的部分：在2节介绍了运动学模型的一个全方位的中型足球机器人；在3节介绍了路径跟踪与定位跟踪问题基于逆运动学模型的输入输出线性化的解决方法，其中包括执行器饱和分析；4部分介绍了动态识别器及其在控制性能方面的影响；最后的实验结果和结论讨论部分分别在5和6。
机器人控制与轨迹规划 实验报告 姓名： 学号： 学院： 电话： 邮箱： 2016年5月
论述题（每题10分） 1)SSF2000机器人有哪几个轴，请对每一个轴的性能进行详细说明； 2)对于示教模式、再现模式、远程模式进行详细说明； 3)对于关节插补、直线插补、圆弧插补、自由曲线插补方法进行详细说明； 4)如何实现程序内容的删除； 5)请详细说明在示教模式下如何实现机器人第7轴的运动控制； 6)请对机器人常用坐标系进行详细说明； 7)机器人安全模式分为哪几种？ 8)试述机器人示教编程的过程及特点。 现场操作题（20分）
一、SSF2000机器人有哪几个轴，请对每一个轴的性能进行详细说明： 答：SSF2000机器人具有6个控制轴，其中，基本轴3个，分别为S轴、L轴、U轴；腕部轴3个，分别为R轴、B 轴、T轴。各个轴的作用及性能如下： 1、S轴，控制本体左右回转，最大动作范围：±170°，最大速度：3.67 rad/s，210?/s； 2、L轴，控制下臂前后运动，最大动作范围：+155°，-90°，最大速度：3.32 rad/s，190?/s； 3、U轴，控制上臂上下运动，最大动作范围：+250°，-175°，最大速度：3.67 rad/s，210?/s； 4、R轴，控制上臂带手腕回旋，最大动作范围：±180°，最大速度：6.98 rad/s，400?/s，允许力矩：11.8N·m，允许惯性力矩：0.24Kg·m2； 5、B轴，控制手腕上下运动，最大动作范围：+225°，-45°，最大速度：6.98 rad/s，400?/s，允许力矩：8.8N·m，允许惯性力矩：0.17Kg·m2； 6、T轴，控制手臂回旋，最大动作范围：±360°，最大速度：10.47 rad/s，600?/s，允许力矩：5.9N·m，允许惯性力矩：0.06Kg·m2。 二、对于示教模式、再现模式、远程模式进行详细说明 答：1、示教模式：即“TEACH”模式，可用示教编程器进行轴操作和编辑，在此模式中，外部设备发出的启动信 号无效。在示教模式下可以进行：编制、示教程序、修改已登录程序、各种特性文件和参数的设定。示教时，必须把示教编程器的模式旋钮旋至“TEACH”。
机器人视觉（Robot Vision）简介 机器视觉系统的组成 机器视觉系统是指用计算机来实现人的视觉功能，也就是用计算机来实现对客观的三维世界的识别。按现在的理解，人类视觉系统的感受部分是视网膜，它是一个三维采样系统。三维物体的可见部分投影到网膜上，人们按照投影到视网膜上的二维的像来对该物体进行三维理解。所谓三维理解是指对被观察对象的形状、尺寸、离开观察点的距离、质地和运动特征（方向和速度）等的理解。 机器视觉系统的输入装置可以是摄像机、转鼓等，它们都把三维的影像作为输入源，即输入计算机的就是三维管观世界的二维投影。如果把三维客观世界到二维投影像看作是一种正变换的话，则机器视觉系统所要做的是从这种二维投影图像到三维客观世界的逆变换，也就是根据这种二维投影图像去重建三维的客观世界。 机器视觉系统主要由三部分组成：图像的获取、图像的处理和分析、输出或显示。 将近80%的工业视觉系统主要用在检测方面，包括用于提高生产效率、控制生产过程中的产品质量、采集产品数据等。产品的分类和选择也集成于检测功能中。下面通过一个用于生产线上的单摄像机视觉系统，说明系统的组成及功能。 视觉系统检测生产线上的产品，决定产品是否符合质量要求，并根据结果，产生相应的信号输入上位机。图像获取设备包括光源、摄像机等；图像处理设备包括相应的软件和硬件系统；输出设备是与制造过程相连的有关系统，包括过程控制器和报警装置等。数据传输到计算机，进行分析和产品控制，若发现不合格品，则报警器告警，并将其排除出生产线。机器视觉的结果是CAQ系统的质量信息来源，也可以和CIMS其它系统集成。 图像的获取 图像的获取实际上是将被测物体的可视化图像和内在特征转换成能被计算机处理的一系列数据，它主要由三部分组成： ＊照明 ＊图像聚焦形成 ＊图像确定和形成摄像机输出信号
机器人视觉系统 ——人脸识别技术 优势 1 不被察觉，不会引起人的反感。 2 非接触性，不需要和设备接触即可识别 3 自然性 4 准确，可靠，灵活。 原理 在检测到人脸并定位面部关键特征点之后，主要的人脸区域就可以被裁剪出来，经过预处理之后，馈入后端的识别算法。识别算法要完成人脸特征的提取，并与库存的已知人脸进行比对，完成最终的分类。 主要过程 一般分三步： (1)首先建立人脸的面像档案。即用摄像机采集单位人员的人脸的面像文件或取他们的照片形成面像文件，并将这些面像文件生成面纹(Faceprint)编码贮存起来。 (2)获取当前的人体面像。即用摄像机捕捉的当前出入人员的面像，或取照片输入，并将当前的面像文件生成面纹编码。（智械科技） (3)用当前的面纹编码与档案库存的比对。即将当前的面像的面纹编码与档案库存中的面纹编码进行检索比对。上述的“面纹编码”方式是根据人脸脸部的本质特征和开头来工作的。这种面纹编码可以抵抗光线、皮肤色调、面部毛发、发型、眼镜、表情和姿态的变化，具有强大的可靠性，从而使它可以从百万人中精确地辩认出某个人。人脸的识别过程，利用普通的图像处理设备就能自动、连续、实时地完成。 实现方法 基于OpenCv人脸识别设计方案 1 系统组成 以OpenCV 图像处理库为基础，利用库中提供的相关功能函数进行各种处理：通过相机对图像数据进行采集，人脸检测主要是调用已训练好的Haar 分类器来对采集的图像进行模
式匹配，检测结果利用PCA 算法可进行人脸图像训练与身份识别，而人脸表情识别则利用了Camshift 跟踪算法和Lucas–Kanade 光流算法。
坐标系ouvw 除绕坐标系oxyz的坐标轴旋转外， 还可以绕它本身的坐标轴旋转。如果坐标系ouvw 绕坐标系oxyz 的坐标轴旋转， 则可对旋转矩阵左乘相应的基本旋转 矩阵； 如果ouvw 绕本身的坐标轴旋转，则可对旋转矩阵右乘相应 的基本旋转矩阵。 2目前机器人的运动学和动力学研究主要向下面所述的几个方 面深人发展： 1.机器人的轨迹规划。 2.切实可行的设计和评价机器人的动力学方法。 3.适应机器人的实时计算，减少计算时间，提高 计算效率。 4.解决控制系统的反馈、稳定等方面的问题。 5.随着机器人以高速、高精度发展，考虑构件弹性及振动影响的动力学研究。 6.改进和完善动力学建模方法。 3国内主要采用open GL软件实现机器人仿真 4运动学和动力学模型简化条件 (1) 假设机器人各杆件是刚性的；忽略各杆件的变形，都当作 刚性构件来处理； (2) 各构件的摩擦忽略不计； 目前，已经能够对一般结构的六自由度串联机器人进行逆运动 学求解，但是要获得显式解，只有满足下列两个充分条件之一： a．3 个相邻关节轴交于一点。 b．3 个相邻关节轴平行。 5假定坐标系oxyz 是三维空间中的固定坐标系(在机器人运动学中为总体坐标系)，坐标系ouvw 固定在机器人杆件上并随杆件一起运动(此坐标系为附体坐标系) 6齐次坐标是用n+1 维坐标来描述n 维空间的位置 7在机器人杆件关节上建立坐标系有两种方法：一是把杆件坐标 系建立在每个杆件的下关节处；二是把杆件坐标系建立在每个杆件 的上关节处。 8 i 杆件的坐标系设置在i+1 号关节上，并固定i 关节， 坐标系{i}与杆件i 无相对运动 这种传递矩阵是把i 杆件的坐标系设置在i 号关节上，并固定i关节， 坐标系{i}与杆件i 无相对运动
TB04-2372.jtdc-1 机器人控制标准包 机器人运动控制器 我们在机器人控制上拥有丰富的经验。除了标量机器人和２维并行机构的机器人是做为选项。其他机械机构的机器人我们提供了特殊控制技术。链接型和并行机构的机器人可以像自动机械一样运行。■优点 ◆有效运用于内部研发能够短期内使自己研发的产品稳定动作。 ◆追求独特的技术能够用于研发特殊组装和动作的机器人，并投入生产现场。◆技术知识保密自己开发技术知识的保密 ◆应用于自动机械可以应用于加工机械以及装配机械之类的生产机械的操作和运转 ■机构变换 ◆直交系列机器人◆标量机器人◆２维并行机构机器人◆垂直多关节机器人◆６维并行机构机器人 〈标准〉〈选项〉〈选项〉〈独特〉〈独特〉 ■正确的轮廓控制■按控制周期变换机构■正确的轨迹 按控制周期执行机构变换，实现插补之间的接合部的圆滑轨迹控制。可应用于精密加工。 ■运行程序（技术语言?Ｇ语言） 像去除加工毛刺及钻孔机械，使用输出ＣＡＭ的Ｇ语言文件来实现ＤＮＣ运行。 ■拥有丰富技能对应实际生产中的作业 通过可选项，能够用于搬运，加工，熔接，去除毛刺，装配等生产机械的操作和运行。◆可选项机能例 宏机能，多任务，扭矩指令（贴接?控制力度）ＤＮＣ运行触摸屏 插补前的加减速Ｓ字加减速手动脉冲发动器，高精度制动开关（接触开关）接线?法线控制 同频同步平行轴控制■触摸屏及专用ＰＣ软件 ■触摸屏例 ■专用ＰＣ画面例 使用触摸屏或ＰＣ也可以操作。■动作机构计算的可２次开发 我们的经验可以对应您的特殊需求。 另外，你也可以自行开发动作机构变换软件。■应用于机器人控制的运动控制器◆ＳＬＭ４０００机器人规格 单板独立单机工作４轴脉冲列输入３２ 输出３２ＲＳ２３２／ＵＳＢ ◆ＰＬＭＣ４０机器人规格ＰＬＣ动作 ４轴脉冲列输入１６输出１６ＲＳ２３２可使用通用ＰＬＣ扩展（梯形 ?ＩＯ? 模拟等） ◆ＰＬＭＣ－ＭⅡＥＸ机器人规格ＭＥＣＨＡＴＲＯＬＩＮＫ－Ⅱ 标准４／９／１６轴最大３０轴可使用通用ＰＬＣ扩展（梯形?ＩＯ?模拟等） ◆多軸运动功率放大器机器人规格多轴伺服功放一体型最大７轴输入４２输出４２可节省配线节省成本 A B a1 a2a3Accurate contour Uncontrolled path by simple positioning Calculation at each sampling time
（二）简答题 1.智能机器人的所谓智能的表现形式是什么？ 答:推理判断、记忆 2.机器人分为几类？ 答:首先，机器人按应用分类可分为工业机器人、极限机器人、娱乐机器人。 1)工业机器人有搬运、焊接、装配、喷漆、检验机器人，主要用于现代化的工厂和柔性加工系统中。 2)极限机器人主要是指用在人们难以进入的核电站、海底、宇宙空间进行作业的机器人，包括建筑、农业机器人。 3)娱乐机器人包括弹奏机器人、舞蹈机器人、玩具机器人等。也有根据环境而改变动作的机器人。 其次，按照控制方式机器人可分为操作机器人、程序机器人、示教机器人、智能机器人和综合机器人。 3. 机器人由哪几部分组成？ 机器人由三大部分六个子系统组成。三大部分是机械部分、传感部分和控制部分。六个子系统是驱动系统、机械结构系统、感受系统、机器人一环境交换系统、人机交换系统和控制系统。 4. 什么是自由度？ 答:人们把构建相对于参考系具有的独立运动参数的数目称为自由度。 5. 机器人技术参数有哪些？各参数的意义是什么？ 答:机器人技术参数有:自由度、精度、工作范围、速度、承载能力 1）自由度：是指机器人所具有的独立坐标轴的数目，不包括手爪（末端操作器）的开合自由度。在三维空间里描述一个物体的位置和姿态需要六个自由度。但是，工业机器人的自由度是根据其用途而设计的，也可能小于六个自由度，也可能大于六个自由度。
2）精度：工业机器人的精度是指定位精度和重复定位精度。定位精度是指机器人手部实际到达位置与目标位置之间的差异。重复定位精度是指机器人重复定位其手部于同一目标位置的能力，可以用标准偏差这个统计量来表示，它是衡量一列误差值的密集度（即重复度）。 3）工作范围：是指机器人手臂末端或手腕中心所能到达的所有点的集合，也叫工作区域。 4）速度；速度和加速度是表明机器人运动特性的主要指标。 5)承载能力：是指机器人在工作范围内的任何位姿上所能承受的最大质量。承载能力不仅取决于负载的质量，而且还与机器人运行的速度和加速度的大小和方向有关。为了安全起见，承载能力这一技术指标是指高速运行时的承载能力。通常，承载能力不仅指负载，而且还包括机器人末端操作器的质量。 6. 机器人手腕有几种？试述每种手腕结构。 答：机器人的手臂按结构形式分可分为单臂式，双臂式及悬挂式按手臂的运动形式区分，手臂有直线运动的。如手臂的伸缩，升降及横向移动，有回转运动的如手臂的左右回转上下摆动有复合运动如直线运动和回转运动的组合。2直线运动的组合2回转运动的组合。手臂回转运动机构，实现机器人手臂回转运动的机构形式是多种多样的，常用的有叶片是回转缸，齿轮转动机构，链轮传动和连杆机构手臂俯仰运动机构，一般采用活塞油（气）缸与连杆机构联用来实现手臂复合运动机构，多数用于动作程度固定不变的专用机器人。 7. 机器人机座有几种？试述每种机座结构。 答：机器人几座有固定式和行走时2种 1)固定式机器人的级左右直接接地地面基础上，也可以固定在机身上 2)移动式机器人有可分为轮车机器人，有3组轮子组成的轮系四轮机器人三角论系统，全方位移动机器人，2足步行式机器人，履带行走机器人 8. 试述机器人视觉的结构及工作原理 答:机器人视觉由视觉传感器摄像机和光源控制计算器和图像处理机组成原理：由视觉传感器讲景物的光信号转换成电信号经过A/D转换成数字信号传递给图像处理器，同时光源控制器和32 摄像机控制器把把光线，距离颜色光源方向等等参数传递给图像处理器，图像处理器对图像数据做一些简单的处理将数据传递给计算机最后由计算器存储和处理。 9. 工业机器人控制方式有几种？
机器人视觉系统(Robot Vision)简介 【字体：大中小】时间：2014-08-28 11:00:06 点击次数：23次 机器视觉系统的组成 机器视觉系统是指用计算机来实现人的视觉功能，也就是用计算机来实现对客观的三维世界的识别。按现在的理解，人类视觉系统的感受部分是视网膜，它是一个三维采样系统。三维物体的可见部分投影到网膜上，人们按照投影到视网膜上的二维的像来对该物体进行三维理解。所谓三维理解是指对被观察对象的形状、尺寸、离开观察点的距离、质地和运动特征（方向和速度）等的理解。 机器视觉系统的输入装置可以是摄像机、转鼓等，它们都把三维的影像作为输入源，即输入计算机的就是三维管观世界的二维投影。如果把三维客观世界到二维投影像看作是一种正变换的话，则机器视觉系统所要做的是从这种二维投影图像到三维客观世界的逆变换，也就是根据这种二维投影图像去重建三维的客观世界。 机器视觉系统主要由三部分组成：图像的获取、图像的处理和分析、输出或显示。 将近80%的工业视觉系统主要用在检测方面，包括用于提高生产效率、控制生产过程中的产品质量、采集产品数据等。产品的分类和选择也集成于检测功能中。下面通过一个用于生产线上的单摄像机视觉系统，说明系统的组成及功能。 视觉系统检测生产线上的产品，决定产品是否符合质量要求，并根据结果，产生相应的信号输入上位机。图像获取设备包括光源、摄像机等；图像处理设备包括相应的软件和硬件系统；输出设备是与制造过程相连的有关系统，包括过程控制器和报警装置等。数据传输到计算机，进行分析和产品控制，若发现不合格品，则报警器告警，并将其排除出生产线。机器视觉的结果是CAQ系统的质量信息来源，也可以和CIMS其它系统集成。 图像的获取 图像的获取实际上是将被测物体的可视化图像和内在特征转换成能被计算机处理的一系列数据，它主要由三部分组成： ＊照明 ＊图像聚焦形成 ＊图像确定和形成摄像机输出信号
中国海洋大学工程学院 机械电子工程研究生课程考核论文 题目： AUV水下机器人运动控制系统研究报告课程名称：运动控制技术 姓名：李思乐 学号： 21100933077 院系：工程学院机电工程系 专业：机械电子工程 时间：2010-12-26 课程成绩： 任课老师：谭俊哲
AUV水下机器人运动控制系统设计 摘要：以主推加舵控制的小型自治水下机器人为研究对象，建立了水下机器人的数学模型并进行了分析。根据机器人结构的特点，对模型进行了必要的简化。设计了机器人的运动控制系统。以成功研制的无缆自治水下机器人(AUV) 为基础，对其航行控制和定位控制方法进行了较详细的分析. 同时介绍了它的推进器布置、控制系统结构、推力分配等方法。最后展示了它的运行实验结果。 关键词：水下机器人；总体设计方案；运动控制系统；电机仿真 1 引言 近年来国外水下机器人技术发展迅速，技术水平较高。其中，具有代表性的产品有：美国Video Ray 公司开发出的Scout、Explorer、Pro 等系列遥控式水下机器人，美国Seabotix公司研发的LBV-ROV 系列，英国AC-CESS 公司的AC-ROV系列。 随着海洋开发、探测的需求越来越强，水下机器人成为全世界研究的热门课题。小型自治水下机器人具有低成本、小型化、操作灵活等特点成为近年来国内外研究的热点。自治水下机器人（Autonomous Underwater Vehicles, AUV）,载体采用模块化设计思想, 可根据需要适当增减作业或传感器模块, 载体采用鱼雷状流线外形, 总长约2 m, 外径25 cm, 基本模块包括推进器模块、能源模块、电子舱模块、传感器模块以及GPS、无线电通讯模块, 基本传感器有姿态传感器、高度计、深度计和视觉传感器, 支持光纤通讯, 载体可外挂声学设备, 通过光纤系统进行遥控操作可实现其半自主作业, 也可在预编程指令下实现自主作业。系统基本模块组成设计如图1-1所示[1]。它具有开放式、模块化的体系结构和多种控制方式（自主/半自主/遥控），自带能源。这种小型水下机器人可在大范围、大深度和复杂海洋环境下进行海洋科学研究和深海资源调查，具有更广泛的应用前景。在控制系统的设计过程中充分考虑了系统的稳定性和操纵性。控制器具有足够的鲁棒性来克服建模误差，以及水动力参数变化。 图1-1 系统基本模块组成设计 2机器人物理模型 2.1 AUV 物理模型 为了研究AUV 的运动规律，确定运行过程中AUV 的位置和姿态，需要建立AUV 的动力学模型。为了便于分析，建立适合于描述AUV 运动的两种参考坐标系，即固定坐标系Eξηζ 和运动坐标系Oxyz，如图2-1 所示：包含5 个推进器，分别是艉部的2 个主推进器、艉部的1 个垂向推进器和艏部的2 个垂向推进器。左右对称于纵中
机器人视觉伺服技术发展概况综述 目前，在全世界的制造业中，工业机器人已经在生产中起到了越来越重要的作用。为了使机器人能够胜任更复杂的工作，机器人不但要有更好的控制系统，还需要更多地感知环境的变化。其中机器人视觉以其信息量大、信息完整成为最重要的机器人感知功能。 机器人视觉伺服系统是机器视觉和机器人控制的有机结合，是一个非线性、强耦合的复杂系统，其内容涉及图象处理、机器人运动学和动力学、控制理论等研究领域。随着摄像设备性能价格比和计算机信息处理速度的提高，以及有关理论的日益完善，视觉伺服已具备实际应用的技术条件，相关的技术问题也成为当前研究的热点。 本文对机器人视觉伺服技术进行了综述，介绍了机器人视觉伺服系统的概念及发展历程和分类，重点介绍了基于位置的视觉伺服系统和基于图像的视觉伺服系统。对机器人视觉所涉及的前沿问题做了概括，并指出了目前研究中所存在的问题及今后发展方向。 机器人视觉伺服系统 视觉伺服的定义： 人类对于外部的信息获取大部分是通过眼睛获得的，千百年来人类一直梦想着能够制造出智能机器，这种智能机器首先具有人眼的功能，可以对外部世界进行认识和理解。人脑中有很多组织参与了视觉信息的处理，因而能够轻易的处理许多视觉问题，可是视觉认知作为一个过程，人类却知道的很少，从而造成了对智能机器的梦想一直难以实现。随着照相机技术的发展和计算机技术的出现，具有视觉功能的智能机器开始被人类制造出来，逐步形成了机器视觉学科和产业。所谓机器视觉，美国制造工程师协会(sme society of manufacturing engineers)机器视觉分会和美国机器人工业协会(ria robotic industries association) 的自动化视觉分会给出的定义是： “机器视觉是通过光学的装置和非接触的传感器自动地接收和处理一个真实物体的图像，以获得所需信息或用于控制机器人运动的装置。”
2.4 手臂的控制 2.4.1 运动控制 对于机器人手臂的运动来说，人们通常关注末端的运动，而末端运动乃是由各个关节的运动合成实现的。因而必须考虑手臂末端的位置、姿态与各个关节位移之间的关系。此外，手臂运动，不仅仅涉及末端从某个位置向另外一个位置的移动，有时也希望它能沿着特定的空间路径进行移动。为此，不仅要考虑手臂末端的位置，而且还必须顾及它的速度和加速度。若再进一步从控制的观点来看，机器人手臂是一个复杂的多变量非线性系统，各关节之间存在耦合，为了完成高精度运动，必须对相互的影响进行补偿。 1.关节伺服和作业坐标伺服 现在来研究n个自由度的手臂，设关节位移以n i个关节的位移，刚性臂的关节位移和末端位置、姿态之间的关系以下式给出： （1） m维末端向量，当它表示三维空间内的位置姿态 时，m=6。如式（1）所示，对刚性臂来说，由于各关节的位移完全决定了手臂末端的位置姿态，故如欲控制手臂运动，只要控制各关节的运动即可。 设刚性臂的运动方程式如下所示： （2） 量为粘性摩擦系数矩阵；表示重力项的向量； 机器人手臂的驱动装置是一个为了跟踪目标值对手臂当前运动状态进行反馈构成的伺服系统。无论何种伺服系统结构，控制装置的功能都是检测各关节的 1给出了控制系统的构成示意图。来自示教、数值数据或外传感器的信号等构成了作业指令，控制系统根据这些指令，在目标轨迹生成部分产生伺服系统需要的目标值。伺服系统的构成方法因目标值的选取方法的不同而异，大体上可以分为关节伺服和作业坐标伺服两种。当目标值为速度、加速度量纲时，分别称之为速度控制或加速度控制，关于这些将在本节2.和3.中加以叙述。
图1 刚性臂控制系统的构成 1） 关节伺服控制 讨论以各关节位移的形式给定手臂运动目标值的情况。 令关节的目标值为12(,,,)T n d d d dn q q q q =∈?。图2给出了关节伺服的构成。若目标值是以关节位移的形式给出的，那么如图2所示，各个关节可以独立构成伺服系统，因此问题就变得十分简单。目标值d q 可以根据末端目标值d r 由式（1）的反函数，即逆运动学（inverse kinematics ）的计算得出 1()d r d q f r -= （3） 图2 关节伺服构成举例 如果是工业机器人经常采用的示教方法，那么示教者实际上都是一面看着手臂末端，一面进行示教的，所以不必进行式（3）的计算，d q 是直接给出的。如果想让手臂静止于某个点，只要对d q 取定值即可，当欲使手臂从某个点向另一个点逐渐移动，或者使之沿某一轨迹运动时，则必须按时间的变化使d q
XXXX大学 《智能机器人》结课论文 移动机器人对运动目标的检测跟踪方法 学院（系）： 专业班级： 学生学号： 学生姓名： 成绩：
目录 摘要 (1) 0、引言 (1) 1、运动目标检测方法 (1) 1．1 运动目标图像HSI差值模型 (1) 1.2 运动目标的自适应分割与提取 (2) 2 运动目标的预测跟踪控制 (3) 2．1 运动目标的定位 (3) 2．2 运动目标的运动轨迹估计 (4) 2．3 移动机器人运动控制策略 (6) 3 结束语 (6) 参考文献 (7)
一种移动机器人对运动目标的检测跟踪方法 摘要：从序列图像中有效地自动提取运动目标区域和跟踪运动目标是自主机器人运动控制的研究热点之一。给出了连续图像帧差分和二次帧差分改进的图像HIS 差分模型，采用自适应运动目标区域检测、自适应阴影部分分割和噪声消除算法，对无背景图像条件下自动提取运动目标区域。定义了一些运动目标的特征分析和计算 ，通过特征匹配识别所需跟踪目标的区域。采用 Kalrnan 预报器对运动目标状态的一步预测估计和两步增量式跟踪算法，能快速平滑地实现移动机器人对运动目标的跟踪驱动控制。实验结果表明该方法有效。 关键词：改进的HIS 差分模型；Kahnan 滤波器；增量式跟踪控制策略。 0、引言 运动目标检测和跟踪是机器人研究应用及智能视频监控中的重要关键技术 ，一直是备受关注的研究热点之一。在运动目标检测算法中常用方法有光流场法和图像差分法。由于光流场法的计算量大，不适合于实时性的要求。对背景图像的帧问差分法对环境变化有较强的适应性和运算简单方便的特点，但帧问差分不能提出完整的运动目标，且场景中会出现大量噪声，如光线的强弱、运动目标的阴影等。 为此文中对移动机器人的运动目标检测和跟踪中的一些关键技术进行了研究，通过对传统帧间差分的改进，引入 HSI 差值模型、图像序列的连续差分运算、自适应分割算法、自适应阴影部分分割算法和图像形态学方法消除噪声斑点，在无背景图像条件下自动提取运动 目标区域。采用 Kalman 滤波器对跟踪目标的运动轨迹进行预测，建立移动机器人跟踪运动 目标的两步增量式跟踪控制策略，实现对目标的准确检测和平滑跟踪控制。实验结果表明该算法有效。 1、运动目标检测方法 接近人跟对颜色感知的色调、饱和度和亮度属性 (H ，S ，I )模型更适合于图像识别处理。因此，文中引入改进 型 HSI 帧差模型。 1．1 运动目标图像HSI 差值模型 设移动机器人在某一位置采得的连续三帧图像序列 ()y x k ,f 1-，()y x f k ,，()y x f k ,1+
第一章 1机器人组成系统的4大部分：机构部分、传感器组、控制部分、信息处理部分 2机器人学的主要研究内容：研究机器人的控制与被处理物体间的相互关系 3机器人的驱动方式：液压、气动、电动 4机器人行走机构的基本形式：足式、蛇形式、轮式、履带式 5机器人的定义：由各种外部传感器引导的、带有一个或多个末端执行器、通过可编程运动，在其工作空间内对真实物体进行操作的软件可控的机械装置 6机器人的分类：1工业机器人2极限环境作业机器人3医疗福利机器人 7操作臂工作空间形式：1直角坐标式机器人2圆柱坐标式机器人3球坐标式机器人 4 scara 机器人5关节式机器人 8机器人三原则 第一条：机器人不得伤害人类. 第二条：机器人必须服从人类的命令，除非这条命令与第一条相矛盾。 第三条：机器人必须保护自己，除非这种保护与以上两条相矛盾。 第二章 1、什么是位姿：刚体参考点的位置和姿态 2、RPY 角与欧拉角的共同点：绕固定轴旋转的顺序与绕运动轴旋转的顺序相反并且旋转角度相同，能得到相同的变换矩阵，都是用三个变量描述。欧拉角为左乘RPY 角为右乘。 RPY 中绕x 旋转为偏转绕y 旋转为俯仰绕z 旋转为回转 3 、矩阵的左乘与右乘：左乘（变换从右向左）—指明运动相对于固定坐标系 右乘（变换从左向右）—指明运动相对于运动坐标系 4、齐次变换 T A B ：表示同一点相对于不同坐标系{B}和{A}的变换，描述{B}相对于{A}的位姿 5、自由矢量：完全由他的维数、大小、方向，三要素所规定的矢量 6、线矢量：由维数、大小、方向、作用线，四要素所规定的矢量 7、齐次变换矩阵 ?? ????=1000 0B A A B A B P R T 8、其次坐标变换?? ??????????=???? ??11000 10P P R P B B A A B A R A B 为旋转矩阵0B A P 为{B}的原点相对{A}的位置矢量 9、旋转矩阵：绕x 轴??????????-a a a a cos sin 0sin cos 0001y 轴??????????-a a a a cos 0sin 010sin 0cos z 轴?? ?? ? ?????-1000cos sin 0sin cos a a a a 10、变换矩阵求逆：?? ? ? ??-=10 0B A T A B T A B B A P R R T 已知B 相对于A 的描述求A 相对于B 的描述
? 117 ? ELECTRONICS WORLD? 技术交流 本文主要结合相关的研究背景设计了一种水下清洁机器人，作为一种水下设备的清洁维护的机器人，保障水下设备的正常运行。文章首先在引言部分对本文的研究背景及意义进行阐述，然后重点提出了水下清洁机器人运动控制系统的总体设计方案，并对其运动模型进行设计和仿真。 1 引言 海洋开发逐渐向特殊领域以及高深度领域转变，难度越来越大，人力开发已经完全不能够满足开发的需求，机器人开发已经成为了新趋势。本文主要在此背景下分析和研究水下清洁机器人的运动控制系统的设计。本文设计的水下清洁机器人主要是用于对水下的一些大型设备，例如海底搜救设备、勘测设备、取样设备等进行水下维护和修复等，能够在水下特殊环境中对海底设备进行维护和处理，能够较大程度上的促进海底开发技术的发展。 2 水下清洁机器人运动控制系统总体设计 2.1 水下清洁机器人运动控制流程 本文设计的水下清洁机器人的控制系统主要由主机、控制算法、控制电路、指令转换、机器人载体、采样设备等组成，具体的控制流程为：主机控制算法进行水下机器人的动力分配，并结合指令转换算法进行整理转换，结合控制电路开启操控箱，下达操作指令，机器人载体接到命令驱动机器人进行采样，采集样本之后将样本信息传递到主机处理系统当中，进行处理。 2.2 模拟运动控制平台结构设计 水下机器人的运动控制平台主要包括六个部分：步进电机、云台、安装板、推进器、U型板以及轴承等。其中云台主要实现的是2自由度的运动，包括水平和横向两个方向。本文模拟的控制平台主要实现的是3自由度的运动控制，除了上述2自由度之外，还包括前后摇摆自由度。由于多了一个自由度，因此需要对运动进行定位，该运动平台的定位主要由带套轴承和法兰轴组成固定左侧，由带套轴承和电机轴固定右侧，右侧的电机由法兰固定，由此就设计出了一个6自由度的模拟运动控制平台（边宇枢，高志慧，贠超，6自由度水下机器人动力学分析与运动控制：机械工程学报，2007）。 2.3 地面操控台结构设计 地面操控台主要是对上述的模拟运动控制平台进行控制，地面操控台主要包括显示器、操纵杆、按钮以及指示灯等。其中操纵杆有2个，一个用来控制云台的摄像机，一个用来控制模拟运动平台，面板主要是结合人体舒适度进行设计，角度定为70°（裴文良，郭映言，陈金山，申龙，水下机器人的研发及其应用：制造业自动化，2018）。 3 水下机器人运动模型及仿真分析 该部分主要对上述设计的水下机器人的运动模型以及仿真进行分析： 3.1 水下机器人的运动学建模 为了便于我们对机器人参数和变量的统一管理，可以定义以下 状态变量： 其中 ，，即用η1和η2分别表示稳定系下水下机器人的位置向量和方向向量，用v1和v2分别表示动态系下水下机器人的线速度和角度，用τ1和τ2表示在动态系下作用于水下机器人的力和力矩向量。 水下机器人的速度变量由稳定系转换成为动态系，从而通过动态控制器实现对运动的控制，同时要获得水下机器人的静态位置和姿态就必须要将水下机器人的速度变量由动态系转换成为稳定系，从而得到水下机器人的位置矢量。由此可知，在研究水下机器人状态时，需要分析和研究机器人速度变量的动态和静态的转变。 3.2 基于神经网络的轨迹控制器 本文主要设计了基于神经网络模型的水下机器人的运动轨迹控制器，具体的控制流程如下：当机体接收到信号后，传递到控制器，再通过执行器作用于机体，做出相应的动作，机器人本身还具有抗干扰的功能。输出与控制器之间用RBF网络连接。（朱大奇，陈亮，刘乾，一种水下机器人传感器故障诊断与容错控制方法：控制与决策，2009） 3.3 水下机器人神经网络轨迹控制的仿真 结合上述设计的基于神经网络模型的水下机器人的运动轨迹控制器，采用MATLAB进行仿真如下。该控制器设计的目的是实现对水下机器人运动状态的识别和跟踪，通过分析水下机器人的水下运动情况，结合轨迹参考实现了未知动力学的局部精确逼近和部分神经网络权值的收敛，从而奠定一定的学习控制器基础。 结合神经网络的训练实验得到，在神经网络权值的训练过程中，一些神经网络的权值最终收敛，可以作为神经网络的常数权值存储。在自适应神经网络控制器的作用下，将被控系统未知动态分量的局部精确逼近。 水下清洁机器人运动控制系统设计研究 （下转第121页）
I．引言 机器人抓取运动目标是指机器人基于内部控制系统的控制，完成运动目标的跟踪和抓取，是智能机器人的一个前沿应用课题，在工业、航天和娱乐等领域有良好的应用前景。在运动目标的捕捉中，一方面，机器人手爪必须快速跟踪并接近目标;另一方面必须能够感知环境以避开可能的障碍，其中状态反馈和路径规划需要很高的实时性和抗干扰能力。此外，系统还受到动力学约束、关节几何约束等限制，而这一切都必须在实时条件下完成。 抓取运动目标技术在航空航天、工业生产、遥感技术、军事技术、特殊环境作业等多领域有着广泛的应用。该技术的研究最典型的应用就在于太空卫星捕捉机器人，众所周知由宇航员来接近和捕捉正在旋转的卫星很危险而且困难，从而使人们意识到应该使用机器人进行太空服务，近年来越来越多的机器臂装配到了航天设备上。此外，抓取运动目标的技术还可以应用在工业生产过程中抓取装配线传送带上正在运动的零部件；球类机器人（如：足球机器人，排球机器人等）；太空、深海等场合的自动对接和作业。 对于机器人抓取运动目标，其末端机械手的动作规划和目标检测等问题就需要传感技术与机器人控制技术的完美结合。目前，对于目标状态的测取一般采用图像传感（CCD摄像机），但是单视觉反馈有着它自身的缺陷，单摄像机模型往往能够获得较为精确的平面位置信息，而不能获得精确的深度信息。为此，在状态测取时，一般采用多摄像机模型或摄像机与位置传感器相结合模型。对于抓取运动目标动作规划目前一般存在有三种方法：直接瞄准法、比例导引法、以及预测-规划-执行( Prediction Planning and Execution，PPE) 方法。后文将具体讨论以上内容。 II．系统组成 下图是一个典型的机器人抓取运动目标的系统方框图。抓取运动咪表的机器人与一般的机器人相比，其操作对象大多为状态参数不确定的运动目标，同时机器人与目标之间的接触速度较高。因此必须着重研究以下问题: 实时状态测
封面
作者：PanHongliang 仅供个人学习 中国海洋大学工程学院 机械电子工程研究生课程考核论文 题目： AUV水下机器人运动控制系统研究报告
课程名称：运动控制技术姓名：李思乐 学号： 21100933077 院系：工程学院机电工程系专业：机械电子工程 时间：2010-12-26 课程成绩： 任课老师：谭俊哲
AUV水下机器人运动控制系统设计 摘要：以主推加舵控制的小型自治水下机器人为研究对象，建立了水下机器人的数学模型并进行了分析。根据机器人结构的特点，对模型进行了必要的简化。设计了机器人的运动控制系统。以成功研制的无缆自治水下机器人(AUV) 为基础，对其航行控制和定位控制方法进行了较详细的分析. 同时介绍了它的推进器布置、控制系统结构、推力分配等方法。最后展示了它的运行实验结果。关键词：水下机器人；总体设计方案；运动控制系统；电机仿真 1 引言 近年来国外水下机器人技术发展迅速，技术水平较高。其中，具有代表性的产品有：美国Video Ray 公司开发出的Scout、Explorer、Pro 等系列遥控式水下机器人，美国Seabotix公司研发的LBV-ROV 系列，英国AC-CESS 公司的AC-ROV系列。 随着海洋开发、探测的需求越来越强，水下机器人成为全世界研究的热门课题。小型自治水下机器人具有低成本、小型化、操作灵活等特点成为近年来国内外研究的热点。自治水下机器人（Autonomous Underwater Vehicles, AUV）,载体采用模块化设计思想, 可根据需要适当增减作业或传感器模块, 载体采用鱼雷状流线外形, 总长约2 m, 外径25 cm, 基本模块包括推进器模块、能源模块、电子舱模块、传感器模块以及GPS、无线电通讯模块, 基本传感器有姿态传感器、高度计、深度计和视觉传感器, 支持光纤通讯, 载体可外挂声学设备, 通过光纤系统进行遥控操作可实现其半自主作业, 也可在预编程指令下实现自主作业。系统基本模块组成设计如图1-1所示[1]。它具有开放式、模块化的体系结构和多种控制方式（自主/半自主/遥控），自带能源。这种小型水下机器人可在大范围、大深度和复杂海洋环境下进行海洋科学研究和深海资源调查，具有更广泛的应用前景。在控制系统的设计过程中充分考虑了系统的稳定性和操纵性。控制器具有足够的鲁棒性来克服建模误差，以及水动力参数变化。 图1-1 系统基本模块组成设计 2机器人物理模型 2.1 AUV 物理模型 为了研究AUV 的运动规律，确定运行过程中AUV 的位置和姿态，需要建立AUV 的动力学模型。为了便于分析，建立适合于描述AUV 运动的两种参考坐标系，即固定坐标系Eξηζ 和运动坐标系Oxyz，如图2-1 所示：包含5 个推进器，分别是艉部的2 个主推进器、艉部的1 个垂向推进器和艏部的2 个垂向推进器。左右对称于纵中剖面，上和下、前和后都不对称[2]。 图2-1AUV水下机器人物理模型 1.2微小型水下机器人动力学分析 微小型水下机器人总长 1.5m，采用锂电池作为能源，尾部为一对水平舵和一对垂直舵，单桨推进，可携带惯导设备、探测声纳、水下摄像机、深度计等设备，设计巡航速度约 2 节。首先建立适合描述水下机器人空间运动的坐标
机器人视觉系统的组成及工作原理 【摘要】随着大规模集成电路技术的发展，视觉系统逐渐走向实用化。由于微型计算机的飞速发展，使用的视觉系统已经进入领域，其中机器人视觉系统是机器视觉应用的一个重要领域。本文叙述机器人视觉系统的各部分组成，及各部分组成的工作原理。 【关键词】CCD；视频数字；信号处理器 1.机器人视觉系统的硬件系统 1.1机器人视觉系统的硬件由下述几个部分组成 (1)景物和距离传感器常用的摄像机、CCD图像传感器、超声波传感器和结构光设备等。 (2)视频信号数字化设备其任务是把摄像机或CCD输出的信号转换成方便计算和分析的数字信号。 (3)视频信号快速处理器，视频信号实时、快速、并行算法的硬件实现设备：如DSP系统。 (4)计算机及其外设根据系统的需要可以选用不同的计算机及其外设来满足机器人视觉信息处理及机器人控制的需要。 (5)机器人或机械手及其控制器。 1.2机器人视觉的软件系统有以下几个部分组成 (1)计算机系统软件选用不同类型的计算机，就有不同的操作系统和它所支持的各种语言、数据库等。 (2)机器人视觉信息处理算法图像预处理、分割、描述、识别和解释等算法。 (3)机器人控制软件。 https://www.doczj.com/doc/8a2472060.html,D原理 视觉信息通过视觉传感器转换成电信号，在空间采样和幅值化后，这些信号就形成了一幅数字图像。机器人视觉使用的主要部分是电视摄像机，它由摄像管或固态成像传感器及相应的电子线路组成。这里我们只介绍光导摄像管的工作原理，因为它是普遍使用的并有代表性的一种摄像管。固态成像传感器的关键部分有两种类型：一种是电荷耦合器件(CCD)；另一种是电荷注入器件(CID)。与具有摄像管的摄像机相比，固态成像器件重量轻、体积小、寿命小、功耗低。不过，某些摄像管的分辨率仍比固态摄像机高。光导摄像管外面是一圆柱形玻璃外壳2，内部有位于一端的电子枪7以及位于另一端的屏幕1和靶。加在线圈6、9上的电压将电子束聚焦并使其偏转。偏转电路驱使电子束对靶的内表面扫描以便“读取”图像。玻璃屏幕的内表面镀有一层透明的金属薄膜，它构成一个电极，视频信号可从此电极上获得。一层很薄的光敏“靶”附着的金属膜上，它是一层由一些极小的球状体组成，球状的电阻反比于光的强度。在光敏靶的后面有一个带正电荷的细金属网，它使电子枪发射出的电子减速，以接近于0的速度达到靶面。在正常工作时，将正电压加在屏幕的金属镀膜上。在无光照时，光敏材料呈现绝缘体特性，电子束在靶的内表面上形成一个电子层以平衡金属膜上的正电荷。当电子束扫描靶内表面时，光敏层就成了一个电容器，其内表面具有负电荷，而另一面具有正电荷。光投射到靶层，它的电阻降低，使得电子向正电荷方向流动并与之中和。由于流动的电子电荷的数量正比于投射到靶的某个局部区域上的光的强度，因此其效果是在靶表面上形成一幅图像，该图像与摄像管屏幕上的图像亮
0.1 简述工业机器人的定义，说明机器人的主要特征。 答：机器人是一种用于移动各种材料、零件、工具、或专用装置，通过可编程动作来执行种种任务并具有编程能力的多功能机械手。 1.机器人的动作结构具有类似于人或其他生物体某些器官（肢体、感官等）的功能。 2.机器人具有通用性，工作种类多样，动作程序灵活易变。 3.机器人具有不同程度的智能性，如记忆、感知、推理、决策、学习等。 4.机器人具有独立性，完整的机器人系统在工作中可以不依赖于人的干预。 0.2工业机器人与数控机床有什么区别？ 答：1.机器人的运动为开式运动链而数控机床为闭式运动链； 2.工业机器人一般具有多关节，数控机床一般无关节且均为直角坐标系统； 3.工业机器人是用于工业中各种作业的自动化机器而数控机床应用于冷加工。 4.机器人灵活性好，数控机床灵活性差。 0.5简述下面几个术语的含义：自有度、重复定位精度、工作范围、工作速度、承载能力。答：自由度是机器人所具有的独立坐标运动的数目，不包括手爪（末端执行器）的开合自由度。 重复定位精度是关于精度的统计数据，指机器人重复到达某一确定位置准确的概率，是重复同一位置的范围，可以用各次不同位置平均值的偏差来表示。 工作范围是指机器人手臂末端或手腕中心所能到达的所有点的集合，也叫工作区域。 工作速度一般指最大工作速度，可以是指自由度上最大的稳定速度，也可以定义为 手臂末端最大的合成速度（通常在技术参数中加以说明）。 承载能力是指机器人在工作范围内的任何位姿上所能承受的最大质量。 0.6什么叫冗余自由度机器人？ 答：从运动学的观点看，完成某一特定作业时具有多余自由度的机器人称为冗余自由度机器人。 0.7题0.7图所示为二自由度平面关节型机器人机械手，图中L1=2L2，关节的转角范围是0゜≤θ1≤180゜,-90゜≤θ2≤180゜,画出该机械手的工作范围（画图时可以设L2=3cm）。