基于扰动卡尔曼滤波的机器人免力矩传感器拖动示教方法

doi:10.12141/j.issn.1000-565X.210781

华南理工大学学报(自然科学版) ›› 2022, Vol. 50 ›› Issue (9): 116-125.doi: 10.12141/j.issn.1000-565X.210781

所属专题： 2022年机械工程

基于扰动卡尔曼滤波的机器人免力矩传感器拖动示教方法

张铁许锦盛邹焱飚

华南理工大学机械与汽车工程学院，广东广州 510640

收稿日期:2021-12-10 出版日期:2022-09-25 发布日期:2022-02-11
通信作者: 张铁（1968-），男，博士，教授，主要从事机器人技术及工程应用研究。 E-mail:merobot@scut.edu.cn
作者简介:张铁（1968-），男，博士，教授，主要从事机器人技术及工程应用研究。
基金资助:
广东省重点领域研发计划项目(2021B0101420003)

A Force-Sensorless Dragging Teaching Method Based on Disturbance Kalman Filter for Robot

ZHANG Tie XU Jinsheng ZOU Yanbiao

School of Mechanical and Automotive Engineering，South China University of Technology，Guangzhou 510640，Guangdong，China

Received:2021-12-10 Online:2022-09-25 Published:2022-02-11
Contact: 张铁（1968-），男，博士，教授，主要从事机器人技术及工程应用研究。 E-mail:merobot@scut.edu.cn
About author:张铁（1968-），男，博士，教授，主要从事机器人技术及工程应用研究。
Supported by:
the Key Field Research and Development Project of Guangdong Province(2021B0101420003)

摘要/Abstract

摘要：

拖动示教技术操作简便且效率高，更符合现代化的柔性生产，而实现工业机器人的拖动示教需要准确地测量外力与控制由外力所引起的关节运动。为了实现免力矩传感器测量操作者施加的外力，设计一种基于扰动卡尔曼滤波的外力观测器。该观测器通过将关节外力矩作为扰动项，并引入广义动量，建立机器人系统的状态空间方程，进而采用卡尔曼滤波算法得到关节外力矩的最优观测值。其中，为了提高外力的估计精度，提出以刚体动力学模型和深度神经网络相结合的方式建立机器人的动力学模型，该方法不仅避免了关节摩擦力矩的复杂建模过程，而且将模型中未建模的因素通过深度神经网络进行补偿。为了实现机器人在拖动示教过程中的牵引控制，将机器人的关节运动与外力矩之间的动态响应关系等效为一个质量阻尼系统，并提出一种自适应阻尼的导纳控制方法，将观测到的外力矩转换成示教运动的期望关节转角，并根据外力矩的变化趋势自适应地调整系统阻尼参数，以改善机器人的示教效果。实验表明，所建立的动力学模型在预测力矩上具有更低的均方根误差，可减小不少于20%的误差；采用所提出的控制方案在六自由度的工业机器人上实现了免力矩传感器的拖动示教，自适应阻尼调整方法能减少约19%的关节启动力矩，更有利于机器人示教运动的启停。

关键词: 工业机器人, 扰动卡尔曼滤波, 自适应阻尼的导纳控制, 拖动示教

Abstract:

The dragging teaching method is easy to operate and has high teaching efficiency, which is more in line with modern flexible production. To realize the dragging teaching of industrial robots, it is necessary to accurately measure the external force and control the motion caused by the external force. In order to measure the external force exerted by the operator without torque sensor, an external force observer based on disturbance Kalman filter was designed. The observer takes the external joint torque as the disturbance term, and introduces generalized momentum to establish the state space equation of the robot system, and then uses the Kalman filter algorithm to obtain the optimal observed value of the external torque. Among them, in order to improve the estimation accuracy, the robot dynamic model was established by combining the rigid-body dynamic model and a deep neural network, which not only avoids modeling the complex friction torque but also compensates for the unmodeled factors through the deep neural network. Besides, in order to realize the leading control of the robot in the process of dragging teaching, the dynamic response relationship between the teaching motion and the external torque is equivalent to a mass damping system. An admittance control method with adaptive damping was proposed to convert the observed external torque into the desired joint angle of the teaching motion, and adaptively adjust the system damping parameters according to the change trend of the external torque to improve the teaching effect of the robot. The experiment results show that the proposed dynamic model has a lower mean square root error in the prediction torque, which can reduce the error by no less than 20%. The proposed control scheme can realize the dragging teaching without torque sensors on the six-degree-of-freedom industrial robot, and the adaptive damping method can reduce the torque required to rotate the joint by about 19%, which is more conducive to the start and stop of the teaching motion.

Key words: industrial robot, disturbance Kalman filter, admittance control with adaptive damping, dragging teaching

中图分类号:

TP242.2

张铁, 许锦盛, 邹焱飚. 基于扰动卡尔曼滤波的机器人免力矩传感器拖动示教方法[J]. 华南理工大学学报(自然科学版), 2022, 50(9): 116-125.

ZHANG Tie, XU Jinsheng, ZOU Yanbiao . A Force-Sensorless Dragging Teaching Method Based on Disturbance Kalman Filter for Robot[J]. Journal of South China University of Technology(Natural Science Edition), 2022, 50(9): 116-125.

图/表 11

图1

图2

图3

图4

图5

表1

图6

表2

卡尔曼滤波中协方差矩阵参数"

$d i a g (a i, i)$	$Q c, p$	$Q c, e$	$Q q ˙$	$A e$
$a i, i$	0.001	2	0.001	-1

表2

图7

图8

图9

参考文献 21

1	ALBUSCHAFFER A， HADDADIN S，OTT C，et al ．The DLR lightweight robot：design and control concepts for robots in human environments［J］．Industrial Robot，2007，34（5）：376-385．
2	ZHANG H， AHMAD S， LIU G ．Torque estimation for robotic joint with harmonic drive transmission based on position measurements［J］．IEEE Transactions on Robotics，2015，31（2）：322-330．
3	ZHANG S， WANG S， JING F，et al ．A sensorless hand huiding scheme based on model identification and control for industrial robot［J］．IEEE Transactions on Industrial Informatics，2019，15（9）：5204-5213．
4	RAGAGLIA M， ZANCHETTIN A M， BASCETTA L，et al ．Accurate sensorless lead-through programming for lightweight robots in structured environments［J］．Robotics and Computer Integrated Manufacturing，2016，39：9-21．
5	WAHRBURG A，BOS J， LISTMANN K D，et al ．Motor- current-based estimation of cartesian contact forces and torques for robotic manipulators and its application to force control［J］．IEEE Transactions on Automation Science and Engineering，2018，15（2）：879-886．
6	HU J， XIONG R ．Contact force estimation for robot manipulator using semi-parametric model and disturbance kalman filter［J］．IEEE Transactions on Industrial Electronics，2018，65（4）：3365-3375．
7	WAHRBURG A， MORARA E， CESARI G，et al ．Cartesian contact force estimation for robotic manipulators using kalman filters and the generalized momentum［C］∥IEEE International Conference on Automation Science and Engineering. Sweden：IEEE，2015：1230-1235．
8	游有鹏，张宇，李成刚．面向直接示教的机器人零力控制［J］．机械工程学报，2014，50（3）：10-17．
	YOU Youpeng， ZHANG Yu， LI Chenggang ．Force-free control for the direct teaching of robots［J］．Journal of Mechanical Engineering，2014，50（3）：10-17．
9	YUAN J J， WANG S， WAN W，et al ．Direct teaching of industrial manipulators using current sensors［J］．Assembly Automation，2018，38（2）：216-225．
10	GOTO S， USUI T， KYURA N，et al ．Forcefree control with independent compensation for industrial articulated robot arms［J］．Control Engineering Practice，2007，15（6）：627-638．
11	HOGAN N ．Impedance control-an approach to manipulation．I - Theory．II - Implementation．III - Applications［J］．Journal of Dynamic Systems Measurement and Control，1985，107：1-24．
12	CAPURSO M， ARDAKANI M， JOHANSSON R，et al ．Sensorless kinesthetic teaching of robotic manipulators assisted by observer-based force control［C］∥IEEE International Conference on Robotics and Automation. Singapore：IEEE，2017：945-950．
13	STOLT A， ROBERTSSON A， JOHANSSON R ．Robotic force estimation using dithering to decrease the low velocity friction uncertainties［C］∥IEEE International Conference on Robotics and Automation，Seattle：IEEE，2015：3896-3902．
14	耿令波．工业机器人动力学参数辨识方法研究［D］．南京：南京航空航天大学，2013．
15	MARQUES F， FLORES P， CLARO J，et al ．A survey and comparison of several friction force models for dynamic analysis of multibody mechanical systems［J］．Nonlinear Dynamics，2016，86（3）：1407-1443．
16	CHEN W H， YANG J， GUO L，et al ．Disturbance-observer-based control and related methods—an overview［J］．IEEE Transactions on Industrial Electronics，2016，63（2）：1083- 1095．
17	AXELSSON P， GUSTAFSSON F ．Discrete-time solutions to the continuous-time differential lyapunov equation with applications to kalman filtering［J］．Automatic Control IEEE Transactions on，2015，60（3）：632-643．
18	SOUSA C D， CORTESAO R ．Physical feasibility of robot base inertial parameter identification：A linear matrix inequality approach［J］．International Journal of Robotics Research，2014，33（6）：931-944．
19	SWEVERS J， VERDONCK W， SCHUTTER J D ．Dynamic model identification for industrial robots［J］．IEEE Control Systems，2007，27（5）：58-71．
20	JIN J F， GANS N ．Parameter identification for industrial robots with a fast and robust trajectory design approach［J］．Robotics and Computer-Integrated Manufacturing，2015，31：21-29．
21	KINGMA D， BA J ．Adam：a method for stochastic optimization［C］∥International Conference on Learning Representations. San Diego：OpenReview．net，2015：1-15．

关节	RMSE/（N·m）		关节	RMSE/（N·m）
关节	DDM	WLS	关节	DDM	WLS
1	2.378 39	3.571 35	4	1.837 47	2.309 54
2	7.982 90	15.029 10	5	0.876 74	1.362 15
3	3.486 15	9.737 46	6	0.254 62	0.397 30

[1]	史步海, 欧华海, 郭清达. 基于位置跟踪器的机器人快速示教方法[J]. 华南理工大学学报(自然科学版), 2022, 50(10): 62-69.
[2]	杜鹃吴洪涛杨小龙陈柏程世利. 基于R* (3,0,1)几何代数的六轴机器人位姿反解[J]. 华南理工大学学报(自然科学版), 2018, 46(9): 30-35.
[3]	丁力吴洪涛姚裕李耀谢本华陈柏. 基于 WLS-ABC 算法的工业机器人参数辨识[J]. 华南理工大学学报（自然科学版）, 2016, 44(5): 90-95.
[4]	齐俊德张定华李山陈冰. 工业机器人绝对定位误差的建模与补偿[J]. 华南理工大学学报（自然科学版）, 2016, 44(11): 113-118.
[5]	丁亚东陈柏吴洪涛申浩宇. 一种工业机器人动力学参数的辨识方法[J]. 华南理工大学学报（自然科学版）, 2015, 43(3): 49-56.
[6]	管贻生邓休李怀珠尹振能吴文强江励. 工业机器人的结构分析与优化[J]. 华南理工大学学报（自然科学版）, 2013, 41(9): 126-131.
[7]	张铁应灿翟敬梅. 基于运动链末端耦合与解耦的机器人协同焊接算法[J]. 华南理工大学学报（自然科学版）, 2013, 41(11): 56-61,67.
[8]	翟敬梅康博唐会华. 工业机器人轨迹跟踪的自适应模糊变结构算法[J]. 华南理工大学学报(自然科学版), 2012, 40(12): 12-16,23.
[9]	刘海涛张铁. 基于时延估计和鲁棒H_∞控制的工业机器人跟踪控制[J]. 华南理工大学学报(自然科学版), 2012, 40(1): 77-81,87.
[10]	张铁戴孝亮. 基于距离误差的机器人运动学标定[J]. 华南理工大学学报（自然科学版）, 2011, 39(11): 98-103.
[11]	黄晨华张铁谢存禧. 工业机器人位姿误差建模与仿真[J]. 华南理工大学学报（自然科学版）, 2009, 37(8): 65-70.
[12]	蒋梁中杨进杨志张宗宝 . 基于MatlabRTW的机器人伺服系统设计方案[J]. 华南理工大学学报（自然科学版）, 2008, 36(9): 136-139.

基于扰动卡尔曼滤波的机器人免力矩传感器拖动示教方法

A Force-Sensorless Dragging Teaching Method Based on Disturbance Kalman Filter for Robot

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 11

参考文献 21

相关文章 12

编辑推荐

Metrics

本文评价