基于神经动力学的冗余度机器人混合优化策略
冗余度机器人拥有巨大的应用潜力，因为它们具有优越的灵活性和出众的准确性。但其现有的运动规划方案及其求解器的设计方法在很大程度上限制它们的进一步推广与普及。传统的冗余度机器人运动规划算法大多考虑结构化场景下的简单跟踪任务，这能够简化算法设计步骤并降低计算机的算力需求，但难以充分发挥冗余度机器人的灵活性特点，无法满足复杂环境和任务对机器人的性能和功能要求。对于多指标问题的考虑也大多基于伪逆矩阵法，这类传统的方法在优化问题的设计上不够直观灵活，在求解速度和求解精度上也存在局限性。这使得冗余度机器人在运动规划算法与求解器设计上存在较大的探究空间。 对于冗余度机器人运动规划问题，多个优化指标或功能指标的混合优化设计能够充分发挥其冗余度特性。优化指标所带来的性能优化和功能指标所赋予的附加功能，能够有效提高机器人对复杂环境和任务的适配能力，也能够使机器人系统更加智能。随着机器人应用领域的扩大，其工作环境将日渐繁杂，其任务需求也将愈发多样，多指标混合优化的机器人运动规划设计方案将起到重要作用。此外，为了在保证机器人控制性能的基础上，应对复杂指标所带来的求解复杂度上升的问题，需要设计一种鲁棒且高效的求解器。利用神经网络的并行求解结构特性，设计基于神经动力学的冗余度机器人运动规划求解器是一个行之有效的方案。 为了在机器人运动规划过程中提高其性能表现并增强其执行能力，本文针对冗余度机器人运动规划中的末端跟踪问题、障碍物碰撞问题、重复运动时关节角偏移问题、噪声干扰问题等关键问题，以提高冗余度机器人系统的运动规划性能为目标，以Kinova Jaco2机械臂和实验室自主设计的移动机器人为对象，从冗余度机器人运动规划中的运动学等式约束、功能约束、目标函数和求解器设计四个方面开展基于神经动力学的冗余度机器人混合优化策略的分析、设计与应用研究。 本文的主要工作总结如下： 1)设计了一种新型的运动学等式约束，用于克服传统机器人运动规划方案的末端跟踪性能缺陷。经过理论分析发现，基于对偶神经网络的机器人运动规划方案存在末端位置误差积累与限定初始位置配置的缺陷。在对传统方案控制律进行分析的基础上设计了一种能够在机器人任务执行过程中消除初始误差、克服误差积累问题的新型等式约束。并在仿真和实验中验证该等式约束在克服上述缺陷的有效性和在机器人控制上的准确性。 2)设计了一种新型混合功能约束，使机器人在运动规划过程中能够同时兼顾障碍物躲避、末端姿态保持和关节极限躲避三种功能。其中的末端姿态保持方法不需要精确的机器人姿态数据，能使机器人保持任意可达末端姿态。在固定机械臂和可移动机器人上的仿真和实验结果验证了该混合功能约束在机器人运动规划中的有效性。 3)设计了两种混合目标函数，均能在机器人进行无偏重复运动同时最大化其可操作性。这两种混合目标函数分别利用了传统的固定权重融合法和新提出的时变系数融合法进行设计。时变系数融合法通过在时间上对冗余度机器人灵活性进行再分配，提高机器人的运动规划性能。通过这两种混合目标函数在机器人重复运动任务上的仿真实验，验证了它们在机器人重复运动中兼顾关节角偏移问题和可操作性最大化问题的有效性，同时也通过对比实验结果探究了这两种融合方法的优化特性并证实了时变系数融合法的优越性。 4)设计了一种抗噪求解器，用于抑制机器人运动规划中的噪声干扰，特别是机器人重复运动时可能出现的周期性噪声。在证明该求解器的全局稳定性的基础上，验证其欧拉离散型和泰勒离散型的零稳定性和一致收敛性。通过机器人仿真和实验验证所提出的求解器在不同激活函数和不同周期噪声下的优秀抗扰能力和精确求解能力。 5)设计了一种兼顾关节角偏移问题和力矩范数最小化问题的混合优化方案，在加速度层解决机器人在重复运动过程中的关节角偏移问题和机器人力矩范数最小化问题。将其用于机器人上以验证该混合优化方案有效性。
冗余度机器人;运动规划;混合优化;神经动力学
华南理工大学
博士
控制科学与工程
张智军
2022
中文
TP242
2022-12-23（万方平台首次上网日期，不代表论文的发表时间）