并联机器人刚度与静力学研究现状与进展

并联机器人的刚度与静力学分析, 对于机构力学性能研究具有重要的理论价值和意义. 本文围绕杆支撑、绳牵引和钢带传动 3 种结构形式, 详细阐述了国内外并联机构刚度和静力学分析的研究现状. 着重从有限元、解析模型和性能分析 3 方面分析了杆支撑并联机构的刚度研究进展. 讨论了有关绳牵引并联机构中绳拉力、动载荷频率、绳牵引预紧力与刚度、静力学之间关系的研究成果. 根据钢带并联机器人结构的特殊性, 对钢带并联机构的刚度与静力学分析中可能遇到的失稳与振动问题进行了探讨. 最后, 对并联机器人技术发展情况进行总结与展望, 指出随着刚度分析与静力学分析的不断深入, 并联机器人的力学理论将会日趋成熟和完善, 为并联机器人机构优化设计提供更深入、系统的理论依据.      

基于模糊PID的助行机器人调速系统的研究

助行机器人对系统的动态特性要求较高,而且在其爬楼的过程中有诸多不确定的因素,基于传统控制策略的单闭环负反馈控制系统调速效果难以令人满意。在这种情况下建立了系统的数学模型,设计了基于模糊PID的双闭环调速控制系统,并和传统的PID控制进行了对比。为了保证助行机器人爬楼过程的平稳性和乘坐者的舒适性,参考电梯运行的速度曲线,设计了正弦速度给定曲线。仿真结果表明：在助行机器人调速系统中,模糊PID控制比传统PID控制启动和制动过程更平稳,舒适性更高,误差更小,精度更高。     

消防机器人行走控制系统的设计与实现

近年来火灾事故频发,消防人员的安全问题无法保证,“机器换人”这一理念是处置火灾救援的一个重要手段和发展趋势。本文针对火灾现场的环境复杂性,设计了消防机器人的行走控制方案,通过设计电机驱动系统的硬件电路与针对行走控制系统进行MATLAB模拟仿真,实现并优化了消防机器人的越障及转弯功能。主要对电机驱动部分及整个系统软件流程进行设计。通过测试,验证了行走控制方案的可靠性。     

基于北斗/iNEMO惯性模块的机器人运动姿态解算方法

基于北斗/iNEMO惯性模块研究了一种组合式机器人运动姿态测量系统和解算方法。设计了以ARM为核心的嵌入式组合姿态解算平台,通过四元数法和卡尔曼滤波技术,对iNEMO惯性组件测量数据进行融合,进而在高动态环境中实时解算出机器人的运动姿态。同时,以北斗接收机输出的1PPS上升沿脉冲作为数据融合的同步信号,并利用其输出的导航信息辅助iNEMO惯性模块实现精对准。测试结果验证了设计方案的可行性和正确性,为机器人姿态解算提供了一种高精度、高稳定性、小体积、低功耗的解决方案。     

基于遗传算法的变电站巡检机器人任务路径规划方法研究

近年来,随着变电站巡检机器人在变电站中的广泛使用,巡检机器人路径规划问题越来越成为亟待解决的问题。巡检机器人在已知的拓扑地图中标记了待执行巡检任务的停靠点,不同任务需要从初始点出发经过不同的一系列停靠点再返回初始点,如何规划路径是机器人面临的问题。首先分析了路径规划面临的问题,然后通过分析拓扑地图的特征,对地图进行等价简化,再对问题进行建模使用遗传算法求解巡检任务路径规划的近似最优解。通过仿真实验证明,提出的基于遗传算法的路径规划方法是可行有效的,为变电站巡检机器人任务路径规划提供了一种有效方法。     

基于Socket通信的工业机器人监控系统研究

针对Epson-G6和Staubli-TX90工业机器人,研究一种基于Socket通信的工业机器人监控系统。系统分为本地监控端和Web远程监控端。基于TCP协议和Socket通信技术,编写了机器人控制器服务端程序和MFC类库开发的客户端程序,客户端分为通讯功能模块,末端坐标轨迹存储模块和基于OpenGL类库的运动姿态展现模块。在此基础上, 基于J2EE架构和WebSocket通信协议编写了Web远程监控端程序,分为用户管理模块和实时监控模块。系统实现了机器人末端坐标轨迹的采集并远程存储至PostgreSQL数据库,同时通过逆运动学计算展现了机器人三维运动姿态,并在Web页面以动态曲线方式监控机器人的末端坐标轨迹。     

基于RFID的移动机器人巡逻路径优化研究

针对移动机器人在大范围环境中的巡逻路径优化问题,提出一种基于RFID信息节点导引方法的路径和时间优化策略。研究了在一由实际环境抽象得出的拓扑地图环境下,使用RFID标签来标记环境中的关键位置,例如走廊,交叉点,拐角等,并且利用标签中储存的导航指令来指导移动机器人的行动。将机器人分为3路巡逻,优化得出巡逻总路程最短且历经信息节点数均衡的路径。设定机器人在节点的停留时间,研究了机器人在一限定时间内巡逻完所有节点的分组及路径优化方法。为大范围布置RFID信息节点导引机器人行动的环境下,提供了一种巡逻路径优化方案。     

基于行为模糊控制的移动机器人路径规划

针对未知环境下移动机器人路径规划和提高自主导航安全性问题,基于行为的控制结构思想,在此基础上提出了一种基于模糊控制的移动机器人路径规划算法;根据传感器接收的障碍物和目标距离方位信息,将路径规划分成避障行为、趋向目标行为;结合模糊逻辑理论和人类驾驶经验,制定模糊规则,输出转角和速度;仿真结果表明,移动机器人能够克服环境中的不确定性,有效地实现良好的路径规划,验证了模糊控制算法的可行性,体现了该路径规划策略的有效性和正确性。     

利用三角形及其九点圆的摄像机标定

提出基于三角形及其九点圆的摄像机标定方法.利用了三角形九点圆中其九个点的特殊性,并且利用透视投影变换保二次曲线不变性,得到其像点在像平面共椭圆,从而可以通过九点的映射关系将透视投影变换的非线性问题线性化.图像分割和角点提取的误差会直接影响标定的精度,在此三角形及其九点圆中的点特别是算法中的关键点三角形顶点和垂心都是三条直线的交点,减小图像分割与提取时造成的误差.DLT方法的不精确就源于图像分割和角点提取的误差,方法克服了DLT方法的不足.张的方法无法保证单应性矩阵的正交性,因此为了保证正交性和提高精度需要优化.与传统方法相比操作简单,应用九点圆定理,仿射变换的引入将透视投影非线性问题线性化,避免了参数之间的非线性方程求解,降低了参数求解的复杂性,因此其定标过程快捷,准确.模板的构造,减少了图像分割和交点提取误差,算法实现保证旋转矩阵的正交性.综合上述分析,理论上表明方法的有效性.同时实验表明,标定方法操作简单,不需要计算机视觉的专业知识,快速,精度高,鲁棒性好.     

A proposed hybrid neural network for position control of a walking robot

The use of a proposed recurrent neural network control system to control a four-legged walking robot is presented in this paper. The control system consists of a neural controller, a standard PD controller, and the walking robot. The robot is a planar four-legged walking robot. The proposed Neural Network (NN) is employed as an inverse controller of the robot. The NN has three layers, which are input, hybrid hidden and output layers. In addition to feedforward connections from the input layer to the hidden layer and from the hidden layer to the output layer, there is also a feedback connection from the output layer to the hidden layer and from the hidden layer to itself. The reason to use a hybrid layer is that the robot’s dynamics consists of linear and nonlinear parts. The results show that the neural-network controller can efficiently control the prescribed positions of the stance and swing legs during the double stance phase of the gait cycle after sufficient training periods. The goal of the use of this proposed neural network is to increase the robustness of the control of the dynamic walking gait of this robot in the case of external disturbances. Also, the PD controller alone and Computed Torque Method (CTM) control system are used to control the walking robot’s position for comparison.