協(xié)作機器人-感知、交互、操作與控制技術 課件全套 劉星1-基礎理論 -8-操作控制

協(xié)作機器人基礎理論什么是協(xié)作機器人？協(xié)作機器人指的是一種能夠在共享工作空間中實現(xiàn)物理人–機器人交互并執(zhí)行協(xié)作任務的機器人系統(tǒng)。協(xié)作機器人正逐漸融入人類社會，與人類、其他機器人或非結構化環(huán)境等進行密切和復雜的交互。協(xié)作機器人是下一代機器人的重要發(fā)展方向，其柔順控制技術對于實現(xiàn)安全穩(wěn)定的協(xié)作交互至關重要。典型協(xié)作機器人典型工業(yè)機器人協(xié)作機器人特點傳統(tǒng)機器人大規(guī)模重復生產(chǎn)簡單繁重勞動生產(chǎn)環(huán)境隔離智能感知人機協(xié)作環(huán)境共融傳統(tǒng)工業(yè)機器人缺乏感知能力，柔順性和安全性不足，無法適應新的工作模式；協(xié)作機器人實現(xiàn)環(huán)境共融是未來機器人應用的主要形式，機器人的安全性和可操作性是協(xié)作機器人發(fā)展的核心需求；環(huán)境感知和交互行為控制是應對這一要求的關鍵技術。協(xié)作機器人協(xié)作機器人特點人機協(xié)作裝配噴涂搬運醫(yī)療康復擬人操作傳統(tǒng)工業(yè)機器人協(xié)作機器人環(huán)境感知技術：力覺感知，視覺感知，環(huán)境建模，場景理解等交互控制技術：力位混合控制，阻抗控制，動態(tài)行為控制等

外力感知和交互控制是協(xié)作機器人非常重要的共性核心功能。協(xié)作機器人特點1、協(xié)作機器人通常具有質(zhì)量輕、安全性高、對環(huán)境的感知適應性好，人機交互能力強等優(yōu)點，能夠滿足任務多樣性和環(huán)境復雜性的要求，用于執(zhí)行與未知環(huán)境和人發(fā)生交互作用的操作任務；2、為了實現(xiàn)同外界環(huán)境和人的安全交互與協(xié)作，協(xié)作機器人既需要具有輕量化的機械本體結構，還必須具備柔順運動性能。協(xié)作機器人分類按用途分類協(xié)作機器人按用途可分為工業(yè)協(xié)作機器人、服務協(xié)作機器人、醫(yī)療協(xié)作機器人、特種協(xié)作機器人等。按構型分類固定式協(xié)作機器人、移動式協(xié)作機器人、車臂復合型協(xié)作機器人、無人機——機械臂復合型協(xié)作機器人等。按負載分類5kg負載、10kg負載等。按人機距離分類人機共生型協(xié)作機器人、人機近距離協(xié)作機器人、人機遠程協(xié)作機器人。協(xié)作機器人的想法起源于1995年GMMotorFoundation贊助的一個項目，旨在研究如何輔助裝配線上的操作人員更好地完成裝配作業(yè)。研究人員提出采用機器人輔助操作并找出使其足夠安全的方法，以便機器人能與工人協(xié)同工作。1996年，美國西北大學的Colgate教授和Peshkin教授發(fā)表論文首次提出了協(xié)作機器人概念。但是協(xié)作機器人快速發(fā)展則是始于2005年由歐盟第六框架計劃資助的SME（SmallandMedium-sizedEnterprises）機器人項目，并持續(xù)得到第七框架計劃資助，ABB、KUKA等機器人廠商均參加了該項目。目前世界領先的協(xié)作機器人有優(yōu)傲（UniversalRobots）公司的UR3、UR5、UR10，KUKA公司的LBRiiwa，ABB公司的雙臂協(xié)作機器人YuMi，F(xiàn)ANUC公司的CR系列機器人，以及Rethink公司的Baxter和Sawyer。國外協(xié)作機器人發(fā)展情況

近年來在國家相關政策的大力支持下，國內(nèi)協(xié)作機器人應用得到了良好的發(fā)展，國內(nèi)市場上也涌現(xiàn)出大批國產(chǎn)協(xié)作機器人。國產(chǎn)協(xié)作機器人發(fā)展情況《“十四五”機器人產(chǎn)業(yè)發(fā)展規(guī)劃》明確指出，研制面向3C、汽車零部件等領域的大負載、輕型、柔性、雙臂、移動等協(xié)作機器人。未來，隨著技術的持續(xù)迭代創(chuàng)新，協(xié)作機器人將實現(xiàn)更加靈活而廣泛的應用。協(xié)作機器人本體結構其驅動關節(jié)普遍采用了高轉矩密度的永磁力矩電機結合諧波減速器的傳動方案，以提高機器人的載荷/自重比，如德國宇航中心（DLR）研制的輕型機器人LWR及其與KUKA合作的商業(yè)產(chǎn)品iiwa機器人、丹麥UniversalRobots公司的UR機器人、德國Franka公司的FrankaEmika機器人、國內(nèi)遨博智能公司的AUBO-i系列機器人等。為了提高協(xié)作機器人的本體柔性及其力控性能，一部分協(xié)作機器人通過在其關節(jié)傳動鏈中串聯(lián)一個彈性元件而構成串聯(lián)彈性致動器（SEA），如Rethink公司所研發(fā)的Sawyer與Baxter。串聯(lián)彈性致動器雖然有利于提高機器人運動的柔順性，但由于系統(tǒng)的結構剛度低，反過來制約了其運動控制帶寬和精度，使之應用受限。為了兼顧協(xié)作機器人的柔順性能和定位精度，在驅動關節(jié)中增加一個專門設計的變剛度裝置成為了一個新的研究熱點，代表性工作包括Tonietti研制的變剛度致動器（VSA），德國宇航中心研制的變剛度關節(jié)VS-Joint，意大利IIT的DarwinG.Caldwell教授等人先后研制的變剛度執(zhí)行機構等。

這些結構雖然能夠在不同程度上改變關節(jié)的剛度，但卻顯著增加了關節(jié)的重量、結構復雜性以及控制難度，目前仍處于研發(fā)階段，在協(xié)作機器人中實際應用較少。總之，本體結構的輕量化設計可以有效提高協(xié)作機器人的操作安全性，但本體結構的柔性化設計在改善協(xié)作機器人的柔順運動性能方面仍然存在很多局限。

因此，研究與應用柔順運動控制方法成為了當前提高協(xié)作機器人柔順運動性能的首要手段。

協(xié)作機器人柔順控制協(xié)作機器人柔性運動控制策略和方案可分為兩種：i）被動柔順性其中，由于機械手結構、伺服或特殊柔順裝置固有的柔順性，末端效應器位置由接觸力自身調(diào)節(jié)；ii）主動柔順性其中，通過構造力反饋來實現(xiàn)可編程機器人反應，通過控制交互力或在機器人末端生成特定于任務的順應軌跡來提供柔順性。協(xié)作機器人柔順控制

主動柔順控制方法可大致分為直接法和間接法兩大類，直接法指的是分別對力和運動進行直接控制，而間接法指的是對力和運動之間的動態(tài)關系進行控制以實現(xiàn)柔順運動。對運動和力進行直接控制的方式，最具代表性的是由Raibert和Craig于1981年提出的力/位混合控制方法，這種方法基于交互操作時機器人位置子空間與力子空間的互補性和正交性進行力和位置的解耦控制，也就是在位置子空間進行位置控制，在力子空間進行力控制，主要用于需要精確力控的場合。但實施該方法的前提條件是已知交互操作所需的力和位置軌跡，不適用于非結構化環(huán)境下的交互協(xié)作。因此，建立在力-運動混合控制基礎上的直接法在協(xié)作機器人柔順運動控制中應用受限。間接法并不直接控制力或位置/速度，而是通過控制交互點處機器人所受外力與運動狀態(tài)之間的動態(tài)關系，使之滿足期望的動態(tài)柔順運動特性，實現(xiàn)對機器人柔順運動性能的控制，并通過改變期望動態(tài)特性以滿足不同交互操作任務的柔順性需求。這種控制方式最早由Hogan于1985年借鑒電路中阻抗的概念和特點而提出，將由交互點處速度到交互力之間的傳遞關系用“阻抗”來描述，這種基于間接方式實現(xiàn)機器人柔順運動控制的方法被稱作阻抗控制。由于阻抗控制能夠確保機器人在受約束環(huán)境中進行操作，同時保持適當?shù)慕换チ?，并且對一些不確定因素和外界干擾具有較強的魯棒性，又在實施時具有較少的計算量，目前被廣泛應用于協(xié)作機器人的柔順運動控制。協(xié)作機器人柔順控制協(xié)作機器人交互環(huán)境分類從是否提供能量來分，可以分為主動環(huán)境和被動環(huán)境；從環(huán)境位置是否變化，可以分為常位置環(huán)境和變位置環(huán)境；從動力學參數(shù)是否變化，可以分為常參數(shù)環(huán)境和變參數(shù)環(huán)境；從環(huán)境參數(shù)是否隨機變化，可以分為確定環(huán)境和隨機變化環(huán)境；從環(huán)境動力學特性，可以分為彈性環(huán)境、塑性環(huán)境和剛性環(huán)境；從機器人-環(huán)境約束特性，可以分為瞬時耦合環(huán)境、松耦合環(huán)境和緊耦合環(huán)境。。。。協(xié)作機器人操作任務分類與這些任務不同的是，許多復雜的先進機器人應用，如裝配和加工，都要求機器人與其他物體進行機械耦合。原則上，可以區(qū)分兩個基本的接觸任務子類。第一種是基本力任務，其本質(zhì)要求末端執(zhí)行器與環(huán)境建立物理接觸并施加特定于過程的力。一般來說，這些任務需要同時控制末端執(zhí)行器的位置和相互作用力。這類任務的典型例子是機械加工過程，如磨削、去毛刺、拋光、彎曲等。在這些任務中，力是操作任務的固有部分，并對其成功實現(xiàn)起決定性作用（如金屬切削或塑性變形）。為了防止工具在操作過程中過載或損壞，必須根據(jù)某些明確的任務要求控制接觸力。第二種任務的主要重點在于末端運動，該運動必須在受約束曲面附近實現(xiàn)（柔順運動）。這類任務的典型代表是零件裝配過程。在這些任務中控制機器人的問題，原則上是精確定位的問題。然而，由于過程、傳感和控制系統(tǒng)固有的缺陷，這些任務不可避免地伴隨著與約束表面的接觸而產(chǎn)生反作用力。交互作用力的測量為適當修改指定的機器人運動提供了有用的信息。最近的醫(yī)療機器人在外科手術中的應用（例如脊柱外科、神經(jīng)外科和顯微外科手術、膝關節(jié)和髖關節(jié)置換術）也可以被認為是此類接觸任務。謝謝協(xié)作機器人動力學16機器人動力學模型基于拉格朗日公式的機器人動力學建?；舅枷?將拉格朗日方程應用于機器人動力學建模。拉格朗日方程:其中，(拉格朗日函數(shù))。i.e.

K

和

P

分別代表機器人系統(tǒng)動能和勢能，并且

=機器人第i個廣義坐標值=機器人第i個廣義力/力矩(1)17動力學概念18什么是機器人廣義坐標和廣義力/力矩?

廣義坐標:一組完整地描述了機器人位置（位置以及姿態(tài)）的坐標。動力學概念19*存在各種廣義坐標集合:（1）（2）*廣義坐標的一個常見而自然的選擇是使用關節(jié)變量，對于旋轉關節(jié)對于平動關節(jié)動力學概念20

廣義力:廣義力的定義取決于廣義坐標的選擇。如果選擇關節(jié)變量作為廣義坐標，則廣義力（或扭矩）是關節(jié)i處的作用力或扭矩。(2)動能求解21

關節(jié)速度:其中，

。

第i個坐標系相對于第i-1個坐標系的齊次變換矩陣。(3)(4)動能求解22(=0)(5)動能求解23注意:(6)(7)(8)24其中:

的一般形式(Fu,etal)旋轉關節(jié)平動關節(jié)動能求解25的定義旋轉關節(jié)平動關節(jié)動能求解26動能(關節(jié)速度)

令為第i個連桿相對于基座的動能。(10)（對于質(zhì)量dm來說）動能求解27

注意

，

，

，

獨立于第i個連桿的位置。由關節(jié)速度表達式可知：(11)(12)動能求解28

對所有分量進行積分可得：

(13)動能求解29總動能

(14)動能求解30其中，(15)(16)動能求解31

----第i個連桿質(zhì)量----第i個連桿質(zhì)心(17)動能求解32

動能可以表示成如下的二次形式：

其中，。(18)動能求解33

證明:

定義(19)動能求解34(20)(21)動能求解35勢能

對于連桿i來說,

總勢能

:質(zhì)心位置:第i個連桿質(zhì)量g:重力矢量,(22)(23)勢能求解36注意：對于水平系統(tǒng)來說對于空間機器人而言，需要根據(jù)具體情況對g進行設置。(24)勢能求解37拉格朗日函數(shù)：拉格朗日方程：(25)(26)拉格朗日函數(shù)求解38因此,(27)(28)(29)拉格朗日方程求解39拉格朗日方程求解40應用拉格朗日方程:令則機器人動力學方程可以寫成如下所示：

k=1,...,n(30)(31)(32)(33)拉格朗日方程求解41注意：

克里斯托弗形式交換第二項的求和順序(34)(35)拉格朗日方程求解機器人動力學方程42

科氏力離心力矢量

關節(jié)變量矢量

重力矢量機器人動力學方程：(36)(37)機器人動力學方程43

其他等價形式:

(38)(39)機器人動力學方程44考慮摩擦力和外力：以上只考慮了剛體力學中的那些力，而沒有考慮摩擦力和接觸外力等情況。粘性摩擦：庫倫摩擦：同時考慮兩者：最后考慮接觸外力：更加完整的機器人動力學方程如下所示：(63)(64)(65)(66)(67)機器人動力學方程45慣量矩陣D(q)具有如下特性：對稱性 DT=D正定性Q=xTDx>0,

為什么??

(動能)

是的平方形式；G(q)僅僅是q的函數(shù)；對于每一個自由度都有一個獨立的控制輸入。機器人動力學方程特性：機器人動力學方程465) 動力學的參數(shù)線性特性(參數(shù)線性動力學)所有關注的常數(shù)參數(shù)，如連桿質(zhì)量、轉動慣量等，都以廣義坐標系的已知函數(shù)系數(shù)的形式出現(xiàn)。

通過將系數(shù)定義為參數(shù)向量，我們得到：

(40)機器人動力學方程476) 矩陣

是斜對稱的:

如果,則

證明:

N矩陣的第

kj個元素是

(41)(42)(43)機器人動力學方程48同樣：(44)機器人動力學算例49關節(jié)變量:連桿質(zhì)量:連桿參數(shù):對于旋轉關節(jié)已知

機器人動力學算例50假設：機器人動力學算例51因為

可以定義如下：獨立于(45)52機器人動力學算例53矩陣形式如下所示：注意(47)(46)(48)(49)機器人動力學算例54令則動力學方程可以表示成如下所示：acc.vel.(50)機器人動力學算例55

令

，尋找

使得其中，課堂練習：機器人動力學算例56步驟1:分解上述方程習題答案：機器人動力學算例57步驟2:建立參數(shù)線性模型機器人動力學算例笛卡爾空間動力學58機器人關節(jié)空間動力學可以表示成如下：令

其中h(q)表示一般非線性變換。盡管y(t)可以是任何感興趣的點的笛卡爾位置，這里我們將其視為末端執(zhí)行器的笛卡爾位置或任務空間位置（即末端執(zhí)行器在基坐標系中的位置和姿態(tài)）。笛卡爾空間機器人動力學方程：同時，建立了笛卡爾空間速度和關節(jié)空間速度之間的關系。(51)(52)(53)59假定在感興趣的區(qū)域中雅可比矩陣滿足條件，則:這就是“逆加速度”變換。(54)(55)(56)笛卡爾空間動力學60因此，

回憶,其中

F

是

笛卡爾空間力矢量(Cartesianforcevector)。因此,或者其中，(57)(58)(59)(60)笛卡爾空間動力學61注意:

只要非奇異，關節(jié)空間動力學所列出的所有性質(zhì)都可以移植到笛卡爾空間動力學方程。

對稱正定；

是斜對稱的；參數(shù)線性性質(zhì)在笛卡爾空間同樣滿足：其中笛卡爾空間方程表示成如下所示：并且是機械臂參數(shù)矢量。，其中，

是已知常數(shù)；,表示重力參數(shù)有界。

(61)(62)笛卡爾空間動力學機器人動力學仿真62動力學仿真：

(68)(69)(70)含柔性機器人動力學63含柔性關節(jié)動力學：對于具有較大的關節(jié)/傳動彈性的多自由度串聯(lián)機械臂，當考慮電機和連桿側的粘性摩擦項以及關節(jié)的彈簧阻尼時，機器人關節(jié)空間的動力學模型可以改寫為如下所示：(71)(72)含柔性機器人動力學64含柔性連桿動力學：針對柔性連桿變形的描述問題，首先需要對柔性連桿進行空間離散化。常見的針對連桿的離散化方案有：集中質(zhì)量法、有限段法、有限元法和假設模態(tài)法等。集中質(zhì)量法是將柔性連桿總質(zhì)量按設定的規(guī)則集中于一定數(shù)量的離散節(jié)點上，并且將整個柔性連桿所受外力載荷等效分布在各個節(jié)點上。有限段法將柔性連桿離散為一定數(shù)量剛性梁段，相鄰剛性梁段之間以具有彈簧阻尼器功能的柔性節(jié)點相連。連桿的柔性僅體現(xiàn)在柔性節(jié)點處，比較適合細長桿件的柔性機械臂系統(tǒng)。有限元法將柔性連桿離散為一定數(shù)量的有限自由度的柔性單位體，獲得各單位體的動力學方程后即可整合為整個連桿的動力學方程。假設模態(tài)法將柔性連桿等效為歐拉-伯努利梁，通過機械振動分析法獲得梁彎曲振動的微分方程，并結合邊界條件獲得柔性連桿的變形振動方程。謝謝協(xié)作機器人力觸覺感知目錄CONtants機器人外力感知技術研究現(xiàn)狀010203基于關節(jié)扭矩傳感器的外力估計方法機器人多點外力感知方法04機器人觸覺感知方法機器人外力感知技術研究現(xiàn)狀腕部力傳感器方案電子皮膚方案電機電流信號+雙編碼器方案僅感知末端外力成本過高需輸出端編碼器，誤差影響因素多關節(jié)扭矩傳感器方案精度有待提高僅靠末端多維力傳感器不能滿足人機協(xié)作中的安全性需求；在機器人關節(jié)中附加扭矩傳感器是協(xié)作機器人的一個發(fā)展趨勢；基于關節(jié)扭矩傳感器的機器人力感知精度還有待提升?；陉P節(jié)扭矩傳感器的外力估計方法優(yōu)勢：能夠測量機械臂任意位置上的接觸力能夠將電機側與連桿側的動力學方程分離，從而大大減少誤差因素更加適用于柔性關節(jié)機械臂難點：仍然需要關節(jié)角加速度信號連桿側的摩擦仍然會對測量精度造成影響1）廣義動量觀測器的使用消除了對角加速度信號的依賴觀測器方程：無需加速度信號通常未知2）關節(jié)扭矩傳感器的使用使得連桿側與電機側動力學方程相分離僅使用連桿側動力學參數(shù)即可實現(xiàn)外力估計，減少了影響力估計精度的因素；對于柔性關節(jié)，電機位置與連桿位置之間存在相位差，使用關節(jié)扭矩傳感器時僅需知道連桿位置，避免了相位差對估計精度的影響。使用關節(jié)扭矩傳感器時的觀測器方程：2.1.1基于關節(jié)扭矩傳感器的廣義動量觀測器基于關節(jié)扭矩傳感器的外力估計方法柔性關節(jié)機械臂連桿側動力學方程：

由于，假設外力為零時，式（1）可表達成如下所示：(1)(2)對于單自由度機械臂而言，上式可以改寫為：(3)選擇如下參數(shù)時，式（3）傳遞函數(shù)的伯德圖如右所示：MCDKFq3.7kg?m^20N?m?s/rad258N?m?s/rad2865N?m/rad2N?m?s/rad柔性關節(jié)機械臂簡圖

改進的基于廣義動量法的外力觀測方法摩擦項建模補償外力觀測器工作流程摩擦項神經(jīng)網(wǎng)絡擬合神經(jīng)網(wǎng)絡摩擦項擬合消除了對摩擦模型參數(shù)的需要利用前向神經(jīng)網(wǎng)絡對摩擦項進行精確擬合；神經(jīng)網(wǎng)絡通常用于局部擬合，工作條件改變后須重新進行訓練。針對摩擦力特性，探索神經(jīng)網(wǎng)絡全局擬合方法在摩擦建模中的應用。摩擦力的特性分析當關節(jié)角速度接近零時，摩擦力主要表現(xiàn)為靜摩擦;當關節(jié)速度相對較小時，線性摩擦和非線性摩擦都很顯著，同時存在遲滯行為;當關節(jié)速度較大時，摩擦的非線性很弱，主要表現(xiàn)為線性；在不同運動方向上存在不對稱現(xiàn)象。

充分激勵出摩擦力的各項特性全局建模對激勵軌跡的要求如下所示:機器人多點外力感知方法機器人多點外力感知方法機器人-環(huán)境多點交互簡圖類似于牛頓-歐拉法，使用反向法（Backwardmethod）逐步求解每個連桿上作用的接觸力。上式可以拆分成兩個方程，然后，使用反向法和連桿側廣義動量觀測法進行機械臂多點接觸力估計：1）將關節(jié)2扭矩傳感器信號

代入到連桿側廣義動量觀測器中，求得接觸點2處的接觸力；2）將關節(jié)1扭矩傳感器信號減去由接觸力引起關節(jié)扭矩信號，得到關節(jié)1殘余扭矩傳感器信號；3）將關節(jié)1殘余扭矩傳感器信號

代入到連桿側廣義動量觀測器中，得到接觸點1處的接觸力；實驗裝置dSPACE控制系統(tǒng)兩自由度機械臂

D-H方法機器人運動學建模可重構關節(jié)單元1.伺服執(zhí)行單元2.傳動軸3.外殼4.編碼器5.外殼

6.軸承7.輸出法蘭8.花鍵軸9.扭矩傳感器實驗裝置dSPACE控制系統(tǒng)+兩自由度機械臂實驗內(nèi)容：無接觸力實驗：機械臂執(zhí)行正余弦軌跡往復運動，使用提出算法估計接觸力有接觸力實驗：機械臂執(zhí)行正余弦軌跡往復運動，使用提出算法估計接觸力，并與測力計所得結果進行比較。機器人觸覺感知

在人機協(xié)作過程中，機器人可以憑借不同的傳感技術利用語音、視覺等感官方式理解操作者的意圖。但是由于實際作業(yè)場景下的噪聲影響以及視覺遮擋問題，這些交流的信息通道時常被堵塞。并且，使機器人能夠根據(jù)人類的期望“感覺”、“理解”和響應觸覺信息，將使人類和機器人之間的互動更加直觀。

觸覺傳感需要一個復雜的感測系統(tǒng)，它能夠區(qū)分多種環(huán)境刺激如壓力、橫向應變、剪切力、彈性、扭轉和振動以及各種機械應激等，其中的壓阻式、電容式和壓電式工作原理的傳感器在機器人應用中非常廣泛。近幾年，基于視覺原理的觸覺傳感器也得到了廣泛的應用。

在接觸式人機協(xié)作中，操作者與機器人通過接觸的方式即觸覺感知進行信息交流。機器人感知操作者意圖信息與外界環(huán)境變化是制定機器人控制策略、實現(xiàn)機器人柔順運動的重要前提，而機器人向人類提供關于任務和環(huán)境信息的反饋也是必要的，在反饋通道中，觸覺也起著重要的作用。謝謝協(xié)作機器人力控制目錄CONtants單自由度力控制010203多自由度力控制力/位置混合控制單自由度力控制當機器人沿空間軌跡運動時，位置控制是合適的，當末端執(zhí)行器與環(huán)境發(fā)生接觸時，位置控制是不夠的。

如果末端執(zhí)行器、工具或環(huán)境的剛度較高，則執(zhí)行操縱器接觸環(huán)境表面的操作變得越來越困難。用硬刮刀刮去玻璃表面的油漆比用海綿擦窗戶更難。在清洗和刮擦任務中，不指定玻璃平面的位置是合理的，而是指定一個垂直于表面的力。在其他情況下，通過空間分解，調(diào)節(jié)軌跡和控制接觸表面上的力也是非常重要的。力/位置混合控制單自由度力控制考慮一個簡單的1自由度平移關節(jié)機械臂與環(huán)境接觸，如下圖所示。圖1一個簡單的單自由度平移關節(jié)機械臂無力反饋力控制目標：指定輸入力，使機械手移動到所需的恒定位置，從而對環(huán)境施加力?？梢詫h(huán)境建模為彈簧，彈簧常數(shù)表示環(huán)境的剛度，因此作用在環(huán)境上的力由如下公式表示：其中是環(huán)境的靜態(tài)位置。圖1一個單自由度平移關節(jié)機械臂無力反饋力控制忽略重力和摩擦力，系統(tǒng)的運動方程由下式給出采用簡單的PD控制律其中，和分別表示比例和微分增益。圖1一個單自由度平移關節(jié)機械臂無力反饋力控制閉環(huán)系統(tǒng)：這是一個穩(wěn)定的二階系統(tǒng)，因為特征方程在左半平面上只有極點。我們可以通過考察穩(wěn)態(tài)條件來研究PD控制律如何控制施加在環(huán)境上的力。在穩(wěn)定狀態(tài)下，位置為因此，施加在環(huán)境上的穩(wěn)態(tài)力為機器人的穩(wěn)態(tài)剛度為圖1一個單自由度平移關節(jié)機械臂無力反饋力控制由于環(huán)境剛度通常非常大，所以剛度常數(shù)

非常大，也就是說

，環(huán)境上的穩(wěn)態(tài)力可以估計為這表明作用在環(huán)境中的穩(wěn)態(tài)力可以看作是一個具有剛度常數(shù)的彈簧。因此，比例增益可以被認為是代表所需的“剛度”的機械臂。通過改變我們可以修改機械手的剛度。因此稱為剛度控制。注意：上述控制策略通過給出稍微位于接觸面內(nèi)部的目標位置來對環(huán)境施加力。為了消除位置誤差，位置控制器在表面施加穩(wěn)態(tài)力。不需要力反饋。力反饋力控制讓我們看一個非常簡單的系統(tǒng)的力控制問題，如圖所示：其中，

m表示系統(tǒng)的質(zhì)量（剛性），表示接觸環(huán)境的剛度，代表模型的不確定性，包括未知摩擦模型等等。力反饋力控制讓我們看一個非常簡單的機器人力控制問題，如右圖所示：其中，m表示系統(tǒng)的質(zhì)量（剛性），表示接觸環(huán)境的剛度，代表模型的不確定性，包括未知摩擦模型等等，表示期望接觸力。我們希望控制的變量是作用在環(huán)境上的力，也就是作用在彈簧上的力系統(tǒng)的動力學方程為就我們希望控制的變量而言，我們有(4.1)(4.2)(4.3)力反饋力控制使用分區(qū)控制器的概念，我們使用得出控制律式中，是期望力與環(huán)境接觸力之間的誤差。系統(tǒng)閉環(huán)誤差是然而，在

未知情況下，控制器是不可行的。如果我們選擇將該變量排除在我們的控制律之外，即將（4.8）和（4.3）相等，并通過將所有時間導數(shù)設置為零來進行穩(wěn)態(tài)分析，我們得到(4.7)(4.6)(4.5)(4.4)(4.8)(4.9)力反饋力控制如果我們選擇在控制律（4.6）中使用來代替我們有控制律將（4.10）和（4.3）取等，我們有在穩(wěn)定狀態(tài)下，我們有(4.10)(4.11)(4.12)即力反饋力控制當環(huán)境剛度很大時（通常情況下），可能很小，因此（4.12）中的穩(wěn)態(tài)誤差比（4.9）中的穩(wěn)態(tài)誤差有較大的改進。下圖是使用（4.11）的閉環(huán)系統(tǒng)的框圖。力反饋力控制實際應用中的一些考慮會影響上述力控制方案的實際實施。通常，力的軌跡是恒定的，也就是說，我們通常感興趣的是將接觸力控制為一個常數(shù)。因此傳感器測量到的力是相當“嘈雜的”，數(shù)值微分計算是不明智的。然而，由于，我們可以得到。這是更現(xiàn)實的，因為大多數(shù)機器人可以獲得良好的速度測量。環(huán)境的剛度往往是未知的，也許會不停地發(fā)生變化。然而，已知的變化范圍為。通常，使用標稱值，并選擇控制器增益和，以使系統(tǒng)對參數(shù)變化具有魯棒性。力反饋力控制實際力控制系統(tǒng)如下：n自由度力控制雅可比矩陣與環(huán)境接觸力在推廣到n連桿機器人的情況之前，讓我們定義一些符號，因為作用在環(huán)境上的力是用任務空間（約束空間）坐標表示的，而機器人方程通常是用關節(jié)空間坐標表示的。任務空間坐標通過稱為任務空間雅可比矩陣與關節(jié)空間坐標相關聯(lián)。任務空間矢量與關節(jié)空間矢量之間的關系可以從操縱器運動學和適當?shù)娜蝿湛臻g幾何體中找到，并通過以下函數(shù)表示：的導數(shù)由以下公式表示：n自由度力控制一般來說，是任務空間的雅可比矩陣。轉換矩陣T通常用于將關節(jié)速度轉換為與末端執(zhí)行器方向相關的滾動、俯仰和偏航導數(shù)（即角速度）?？紤]機器人與環(huán)境接觸時的動力學方程其中，表示機器人在關節(jié)空間坐標系中對環(huán)境施加的力。如果機器人不移動，則該機器人動力學方程意味著機器人的關節(jié)力矩有兩個部分：一個是保持機器人在重力作用下的位置，另一個是對環(huán)境施加的力（假設沒有靜摩擦）。n自由度力控制環(huán)境力通常用任務空間坐標表示。利用能量守恒和，可以得到因此，關節(jié)空間力矩和任務空間力之間的關系可以表示成如下所示：包括環(huán)境力的機器人動力學方程現(xiàn)在可以表示為(5.1)n自由度力控制施加在環(huán)境上的力現(xiàn)在以矩陣形式表示其中，表示環(huán)境剛度的對角線半正定常數(shù)矩陣，是表示環(huán)境靜態(tài)位置的向量。請注意，如果機器人不受特定任務空間方向的約束，則相應的對角元素設置為零。n-連桿機器人的PD剛度控制器由下式給出其中，表示所需的恒定末端執(zhí)行器位置。注意，對于將任務空間誤差信號轉換為關節(jié)空間是必要的。n自由度力控制將PD控制律代入動力學（5.1）得到閉環(huán)動力學方程其中，。為了證明系統(tǒng)的穩(wěn)定性，可以對閉環(huán)系統(tǒng)進行Lyapunov穩(wěn)定性分析。在穩(wěn)定狀態(tài)下，機器人的位置由如下方程給出在單自由度的情況下，我們假設比大很多。在受約束的任務空間方向上，對環(huán)境的穩(wěn)態(tài)力可以近似為這意味著可以解釋為機械臂在指定任務空間方向上的剛度。在非約束任務空間方向上，。因此這意味著我們得到了設定點控制?；旌狭?位置控制方案因此，該PD剛度控制律既能實現(xiàn)設定點位置控制，又能實現(xiàn)穩(wěn)態(tài)力控制?？刂圃鲆嬗糜谡{(diào)整機械臂的剛度。剛度控制的缺點是只能用于設定點控制，所需位置和力必須恒定。在許多力控制應用中，雖然所需的力可能是恒定的，但位置軌跡不是恒定的。與約束坐標系{C}對齊的笛卡爾坐標機器人。約束坐標系{C}，是一個附加到環(huán)境或機器人末端執(zhí)行器的坐標系，以便在其中描述任務。對于具有三個自由度的簡單機器人，在X、Y和Z方向上具有平移運動關節(jié)，假設機器人與連接到環(huán)境的約束框架{C}對齊。末端執(zhí)行器與剛度為的表面接觸，其力方向為-。因此，需要在方向上進行力控制，和方向進行位置控制。在這種情況下，解決混合位置力控制問題的答案也很明顯?；旌狭?位置控制方案關節(jié)1和3可以控制定位，而關節(jié)2應該使用力控制器控制。然后，我們可以提供一個位置軌跡和方向，而獨立地提供一個力軌跡（也許只是一個常數(shù)）的方向。笛卡爾空間動力學方程如下所示：其中，表示末端執(zhí)行器的位置和方向向量；指作用在末端執(zhí)行器上的力-力矩矢量。該方程可以用來實現(xiàn)解耦笛卡爾位置控制。主要思想是，通過在笛卡爾空間中使用動力學模型，可以控制（解耦）實際機械臂和計算模型的組合系統(tǒng)作為一組獨立的、未耦合的單位質(zhì)量（在笛卡爾空間中）。因此，笛卡爾機器人的混合控制器可以推廣應用。總結1.當末端執(zhí)行器與環(huán)境發(fā)生任何接觸時，單靠位置控制是不夠的，需要調(diào)節(jié)軌跡并控制力。2.無力反饋的力控制可以通過設定稍微位于接觸面內(nèi)部的目標位置對環(huán)境施加接觸力。3.當存在模型不確定性時，力反饋力控制可以調(diào)節(jié)接觸力。4.通過混合位置/力控制，可以跟蹤沿不同方向的位置軌跡和力軌跡。西北工業(yè)大學智能機器人研究中心主講人：劉正雄劉星謝謝！協(xié)作機器人阻抗控制目錄CONtants標title題010203標title題標title題阻抗控制阻抗控制不單獨考慮運動和力問題，而是采用控制器來調(diào)節(jié)機器人運動與環(huán)境力之間的動態(tài)行為。在阻抗控制中，控制設計指定了機械手的運動與施加在環(huán)境上的力之間的期望動態(tài)行為。由于目標阻抗與運動力之間有歐姆定律，因此所需的動態(tài)行為被稱為目標阻抗。利用將力與電壓、速度與電流等同的機械/電氣類比，力與速度之比（類似扭矩與角速度）稱為機械阻抗。在頻域中，這表示為：其中，是環(huán)境力，是速度，是阻抗。就位置而言，我們可以寫為（歐姆定律）阻抗控制對于線性情況，環(huán)境的期望阻抗可規(guī)定如下：其中，常數(shù)M、B和K分別表示機械臂慣性、阻尼和剛度。把以上兩個方程結合起來就得到了在時域中方程（5.2）規(guī)定了機械手實現(xiàn)目標環(huán)境阻抗所需的響應。阻抗控制器的任務是產(chǎn)生由（5.2）表示的實際機械臂響應。(5.2)阻抗控制阻抗控制策略可以使用機械臂動力學的任務空間公式來實現(xiàn)?？紤]在任務空間（約束空間）中建立的機器人動力學方程式中，和是關節(jié)空間公式中和矩陣的任務空間等價，并且是關節(jié)空間輸入力矩的任務空間公式。使用分區(qū)控制律公式，我們可以選擇控制器的以下模型基礎部分，其中伺服（誤差驅動）部分由（5.2）中給出的期望阻抗公式導出，如下所示：對于工作空間接觸力，在關節(jié)空間所需的扭矩輸入如右所示：阻抗控制孔軸裝配機器人(林君健,2013)；人機協(xié)作機器人(Z.Li,2017)；康復訓練機器人(XiangLi,2018)；……輪廓跟蹤(AntonioLopes,2008)；機器人直接示教(J.Ko,2016)；人體外骨骼(A.Taherifar,2017)；……基于位置控制實現(xiàn)基于力控制實現(xiàn)需要精確的機器人動力學模型，包括摩擦力模型等，并且對不確定性和時變參數(shù)非常敏感。不需要精確的機器人動力學模型，內(nèi)環(huán)軌跡跟蹤可以使用自適應/魯棒控制方法來實現(xiàn)。阻抗控制實驗結果共享阻抗控制實驗結果被動阻抗控制實驗結果實驗視頻實驗視頻阻抗控制實驗結果共享阻抗控制實驗結果實驗視頻機器人-環(huán)境交互場景阻抗控制框圖阻抗控制用于調(diào)節(jié)機器人-環(huán)境之間的接觸力以及相對運動之間的動態(tài)關系，目前的研究存在以下問題：很多研究僅考慮機器人阻抗控制特性，未將環(huán)境動力學參數(shù)和位置參數(shù)考慮在內(nèi)；自適應阻抗控制方法僅實現(xiàn)了高效的機器人-環(huán)境交互控制，但是并非最優(yōu)結果；目前研究多是針對單接觸點單交互任務的情況，對于多接觸點多協(xié)作任務的研究很少；阻抗控制模型比較單一，無法適用于很多交互控制問題。阻抗控制注意阻抗控制代表了各種力控制策略的統(tǒng)一。剛度控制策略可以看作是阻抗控制的一種特例，只考慮穩(wěn)態(tài)力/位移關系。請注意，在自由空間中移動的末端執(zhí)行器在給定速度下對環(huán)境施加零力，因此具有零阻抗。而剛性附著在墻上的機械手在任何外力作用下都是靜止的，因此具有無限的阻抗。純位置控制可以看作是無限阻抗阻抗控制，純力控制可以看作是零阻抗控制被認為是具有零阻抗的阻抗控制。實際實施考慮：阻抗控制是一個笛卡爾公式，因此是相當復雜的計算。此外，還可能出現(xiàn)奇異性問題（J矩陣奇異性）。機器人力控制器的大部分，仍然只存在于研究實驗室。目前很少有工業(yè)機器人真正實現(xiàn)任何形式的力控制策略。一些工業(yè)機器人具有相當原始的力控制能力，例如在刀架中使用簡單的位置補償來調(diào)整接觸力，對于重載應用還有很多工作要做。阻抗控制許多制造業(yè)選擇更簡單的被動方案來實現(xiàn)力調(diào)節(jié)，或使用其他手段，如刀具電流測量（雅馬哈機器人）。機器人阻抗控制器沒有得到普遍應用的原因有：阻抗控制器的復雜性；昂貴的力傳感器；機器人動力學模型不準確；性能差；在任務空間中制定和明確位置/力控制策略的困難。阻抗控制隨著人們對服務、醫(yī)療保健、娛樂等應用領域的研究興趣不斷增強，機器人有望在未知環(huán)境中工作。大多數(shù)傳統(tǒng)的機器人控制器設計假定外部環(huán)境是固定的不適用。需要研究什么？機器人和未知環(huán)境之間的交互。阻抗控制人-機器人交互的一些例子跟隨擦桌子握手……阻抗控制將人的感知能力與機器人的負載分擔能力結合起來使機器人能夠理解人類伙伴的運動意圖human-robotcooperation如果機器人扮演跟隨者的角色，它將增加人類伙伴的負載。因此機器人應根據(jù)人的意圖調(diào)整阻抗參數(shù)，進而調(diào)節(jié)運動軌跡。阻抗控制人類在接球時會調(diào)整肢體阻抗。將阻抗學習技術應用于機器人控制是可能的。中樞神經(jīng)系統(tǒng)：運動技能阻抗控制新的門/球是未知的環(huán)境。人類學會在開門/接球時反復調(diào)整肢體阻抗。將阻抗學習技術應用于機器人控制是可能的?？偨Y1.阻抗控制調(diào)節(jié)機械手運動和施加在環(huán)境上的力之間的動態(tài)行為。2.阻抗控制是各種力控制策略的統(tǒng)一。3.純位置控制可視為無限阻抗阻抗控制，純力控制可視為零阻抗阻抗控制。4.當人類在執(zhí)行新任務時調(diào)整肢體阻抗時，可以將阻抗學習技巧應用到機器人控制中。西北工業(yè)大學智能機器人研究中心匯報人：劉星謝謝人-機器人交互技術人-機器人交互概述可以將人機交互簡單地理解為“人如何與機器或某個復雜系統(tǒng)的溝通和互動過程”。Schmidtler等人認為人-機器人交互是人類和機器人之間所有交互形式的總稱。人機交互實現(xiàn)的過程中存在三個不可忽略的關鍵主題：意圖檢測、角色分配和信息反饋。面向接觸式人機交互，研究者提出人與機器人共享控制的框架，包括三個關鍵思想：意圖檢測、意圖識別與行為響應。協(xié)作機器人是下一代機器人的重要發(fā)展方向，其柔順控制技術對于實現(xiàn)安全穩(wěn)定的協(xié)作交互至關重要。人-機器人交互接口可以將人機交互簡單地理解為“人如何與機器或某個復雜系統(tǒng)的溝通和互動過程”。Schmidtler等人認為人-機器人交互是人類和機器人之間所有交互形式的總稱。人機交互實現(xiàn)的過程中存在三個不可忽略的關鍵主題：意圖檢測、角色分配和信息反饋。面向接觸式人機交互，研究者提出人與機器人共享控制的框架，包括三個關鍵思想：意圖檢測、意圖識別與行為響應。常用人機交互設備和方式相機深度相機比普通相機多出深度維度，提供更多信息。應用：微軟Kinect（人體骨骼追蹤）、英特爾RealSense、LeapMotion（手勢識別）。VR眼鏡HTCVivePro系列：六自由度交互、高刷新率與高分辨率。應用：游戲與娛樂領域，減少眩暈感，增強沉浸感。語音交互代表技術：Siri。肌電信號通過表面肌電信號反映肌肉運動狀態(tài)，通過對手臂上的表面肌電信號進行放大濾波、提取特征值和模式識別等處理后，可用于判斷手部的動作意圖。常用人機交互設備和方式腦電信號腦電信號解讀人體運動意圖。腦機接口可以幫助用戶與機器人之間實現(xiàn)更好更自然的交互。手控器交互通過位姿指令控制機器人，分為三自由度和六自由度手控器，機械結構上有串聯(lián)和并聯(lián)手控器。應用：醫(yī)療手術、空間遙操作等。缺點：交互不自然，易引起疲勞。腦電信號靈活、高效，適合精細操控機器人。主要設備：穿戴式數(shù)據(jù)手套、外骨骼等。腦電接口圖數(shù)據(jù)手套ForceDimension手控器人機交互方式分類根據(jù)人機交互過程中人體動作控制信息的獲取方式，可分為：1.外設附著方式：即附著在人肢體上的感應設備對人體動作信息進行采集。優(yōu)點：響應速度快、識別精度高。缺點：需要額外設備，增加成本，交互不夠自然，不易普及，主要應用于快速響應和精確控制的工業(yè)領域。2.計算機視覺方式：通過視頻捕捉設備采集人體動作信息，分析RGB圖像、紅外圖像等數(shù)據(jù)，提取動作信息。優(yōu)點：無需佩戴設備，設備要求低，輕便且易于普及。缺點：對環(huán)境和光照要求較高，處理速度可能受到限制。人機交互方式分類按自然交互的方式分類，可分為：1.體態(tài)語言交互：通過肢體語言和姿勢來與機器進行互動。手勢識別：通過具有符號功能的手勢來進行信息交流和控制機器人。肢體動作識別：多關節(jié)協(xié)同動作，通過全身動作與機器人交互。姿態(tài)行為理解：識別整體身體姿態(tài)及行為，理解用戶意圖。2.語音交互：通過語音指令與機器進行交流，實現(xiàn)控制與反饋。應用：如智能助手（Siri、Alexa）、智能家居控制等。優(yōu)點：交互自然，不需要物理接觸，適合遠程操作。3.其他交互方式：如眼球、意念、表情、唇讀等，針對不同的應用和人群，在特殊情況下更為有效。應用：面部識別、情感識別、增強現(xiàn)實（AR）互動等。人-機器人協(xié)作控制被動協(xié)作控制：機器人沒有自己的運動意圖或期望運動軌跡，只是強調(diào)對外部交互力的響應，以順應其伙伴，如人類伙伴的運動意圖。應用：人-機器人拖動示教。例子：Ficuciello等采用被動阻抗調(diào)制策略，在KUKALWR4機器人上進行試驗，機器人順應接觸力，但仍表現(xiàn)出負載特性。共享協(xié)作控制：機器人和人類伙伴都有各自的運動意圖或目標軌跡。機器人在外部干預下平衡自身運動意圖與環(huán)境順應之間的關系。例子：Li等使用博弈論實現(xiàn)自然交互，Kucukyilmaz研究動態(tài)角色交換機制，Wang等提出參考軌跡自適應方法。主動協(xié)作控制：機器人主動估計、預測或學習合作伙伴的運動意圖、任務分配、協(xié)作角色、動力學參數(shù)和成本函數(shù)，增強協(xié)作的靈活性和自然性。人-機器人協(xié)作控制人類意圖理解行為識別：指檢測和分類給定輸入信息中的人類活動，從而理解人的行為。在人機協(xié)作中，行為識別幫助判斷人的意圖，并影響機器人的反應。早期研究：主要聚焦于簡單行為（如跑步、行走）在固定背景下的識別，重點在設計運動特征和描述符。當前挑戰(zhàn)：人機協(xié)作的特殊需求：在協(xié)作中，不同行為之間差異小且無明顯時間間隔，需要識別相似度高的行為。實時處理問題：現(xiàn)有算法仍主要處理整段數(shù)據(jù)，無法實時處理片段數(shù)據(jù)，限制了其在人機交互中的應用。未來方向：需要開發(fā)適應動態(tài)場景的實時行為檢測與識別算法。人-機器人協(xié)作控制人類意圖理解基于運動預測的意圖理解：通過識別人類當前的動作意圖，預測未來運動，幫助機器人動態(tài)理解人的意圖，完成互適應的協(xié)作任務。在動態(tài)、不確定的情境下，機器人通過預測人的運動，實現(xiàn)更準確的協(xié)作。知識網(wǎng)絡與意圖理解：建立層次化的知識網(wǎng)絡，機器人利用結構化知識“讀取”人的意圖。手臂軌跡分析：通過神經(jīng)網(wǎng)絡建模動態(tài)運動信息，分析手臂軌跡，推理目標位置。使用Kinect數(shù)據(jù)，在3D空間建模目標位置，并通過近似EM算法進行在線學習。建立意圖導向動態(tài)模型：利用貝葉斯理論推斷運動生成過程，并結合意圖理解，支持機器人的學習與協(xié)作。人-機器人協(xié)作控制人機交互安全性隨著老齡化社會和人力資源短缺，機器人從工廠擴展到家庭和辦公室等有人環(huán)境。安全性和可靠性是機器人成功融入有人環(huán)境的關鍵。機器人應減少人類疲勞、提高力量、速度和精度，同時提供經(jīng)驗和理解力。然而，機器人在非結構化環(huán)境中的自主行為可能帶來安全風險，特別是物理人機交互（pHRI）中的潛在傷害。目前，機器人安全標準尚不明確，尤其在實際應用中仍需解決安全性問題。人-機器人協(xié)作控制1.安全框架擬人感知：人們期望機器人具備類似人類的品質(zhì)和能力，尤其在物理交互中，機器人設計類似人類機械臂更易理解。認知與任務執(zhí)行：機器人服務員側重任務執(zhí)行，而機器人同伴更注重認知交互。交互方式因人而異，機器人反應也有所不同。交互界面設計：有效的溝通依賴共同理解領域，界面設計確保機器人始終處于控制之下。pHRI安全性：關注機器人與用戶的碰撞風險，評估機器人傳遞的能量和功率對用戶的潛在傷害。人-機器人協(xié)作控制2.安全pHRI中的力學和控制問題被動安全性限制：簡單添加被動順應性覆蓋物不足以解決高沖擊載荷問題。大慣性機械臂難以根本解決此問題?？刂撇呗裕哼m當控制律和復雜的軟件架構能改善安全性，盡管無法完全彌補機械設計缺陷。力/阻抗控制：可以使用外部感知設備，用于監(jiān)控任務執(zhí)行，降低意外風險，但依然存在系統(tǒng)故障和不可預測行為的威脅。運動控制的局限：當前工業(yè)機器人多為位置控制，單一運動控制無法應對非結構化環(huán)境中的交互任務。力/阻抗控制的優(yōu)勢：提供柔順性，減少意外接觸力，實現(xiàn)更自然的物理交互。機器人動態(tài)行為控制阻抗控制：廣泛應用于機器人與環(huán)境的物理交互，阻抗參數(shù)描述交互力與運動之間的關系。能夠調(diào)節(jié)交互點的動態(tài)行為，但僅為動態(tài)行為控制的一種方法。多點交互控制：在多點交互中，接觸點的行為與其他點的狀態(tài)相關，傳統(tǒng)的阻抗模型無法完全描述，需要用更為一般的動態(tài)行為模型來描述。主動人-機器人協(xié)作人機協(xié)作在個性化制造中具有重要應用，結合人的靈活性與機器人的精度優(yōu)勢。為了實現(xiàn)更好的協(xié)作，機器人需要實時感知、分析工作場景，并主動做出決策。當前的人機協(xié)作研究主要集中在人類認知上，但缺乏對工作場景中其他元素的全面考慮，尤其是當向主動協(xié)作發(fā)展時。隨著深度學習和計算機視覺技術的發(fā)展，人機協(xié)作系統(tǒng)正向多模態(tài)通信和上下文感知發(fā)展，從反應式機器人輔助向更智能的協(xié)同任務執(zhí)行轉變。主動式人機協(xié)作的目標是實現(xiàn)人類操作員和機器人之間的自組織、雙向協(xié)作，以應對復雜的工業(yè)任務。主動人-機器人協(xié)作主動場景理解：實現(xiàn)人機主動協(xié)作，全面理解人機協(xié)作場景，提取環(huán)境信息并轉化為決策與規(guī)劃知識。三個層次的視覺理解：對象層次：識別任務相關物體。人類層次：識別人類動作、意圖。環(huán)境層次：分析環(huán)境的影響因素。環(huán)境智能感知：獲取場景中物體屬性（如位置、狀態(tài)），并篩選與任務相關的信息（例如水杯的位置，排除無關數(shù)據(jù)如背景墻壁）。視覺注意力選擇性機制：模仿人類選擇性注意力，聚焦與任務相關的視覺信息，濾除干擾，提升場景理解效率。通過選擇性注意機制與語義分割技術，精準提取關鍵物體，增強任務執(zhí)行成功率。主動人-機器人協(xié)作主動對象感知對象識別1）簡單地將物體分類為不同的類別，如扳手、螺釘、齒輪等；使用激光掃描、KNN、SVM等方法進行物體分類。2）根據(jù)利用率或屬性（如抓握位置、工具功能等）精心識別物體的功能可用性。以表示物體的交互特性，例如抓握點在哪里以及可以對物體執(zhí)行什么動作。對象定位1）檢測，它用對象周圍的邊界框表示對象位置；2）分割，基于對象的幾何信息定位對象并輸出像素級分割結果；3）其他，其主要依賴于先驗知識或幾何信息來定位對象。主動人-機器人協(xié)作主動對象感知目標姿態(tài)估計物體姿態(tài)估計是自主機器人操作的一塊缺失的拼圖，因為它可以以3D物體模型和感官觀察之間映射的形式提供精確的物體姿態(tài)，根據(jù)主要輸入或特征源將其進一步分為兩類。1）2D特征：僅使用2D圖像作為輸入源來解決6自由度姿態(tài)估計。2）點云：盡管只使用2DRGB相機有好處，但深度信息在精確的6D姿態(tài)估計過程中仍然很重要。利用深度信息的常用方法是將深度或RGB-D圖像轉換為點云。主動人-機器人協(xié)作主動人員識別1.人員定位：為了實現(xiàn)有效的人-機器人協(xié)作，應首先定位人類在人機協(xié)作場景中的位置，以便機器人能夠在不與人體碰撞的情況下主動規(guī)劃其協(xié)作動作。1）人體檢測：安全性是人機協(xié)作系統(tǒng)設計中的關鍵，防撞方法通過圖像處理技術（如邊緣檢測、形狀濾波）在RGB-D圖像中分割并檢測人體，從而計算危險指數(shù)，但此方法在非受控環(huán)境中存在局限性。2）人臉檢測：人機協(xié)作利用人臉檢測來檢索人體位置信息，并獲得識別操作員的機會。2.人類活動1）識別：機器人應該通過攝像機或其他傳感器了解一個人過去和現(xiàn)在的狀態(tài)，從而了解人類從事的活動。2）預測：一些研究人員傾向于預測人類操作員的預期行為。主動人-機器人協(xié)作主動人員識別3.人體姿勢1）身體姿勢：人體姿勢通常被表述為從傳感器數(shù)據(jù)推斷出的骨骼或關節(jié)圖，以支持人機協(xié)作中的細粒度機器人規(guī)劃。Kinect相機和CNN模型廣泛用于靜態(tài)姿勢估計，如PoseNet和OpenPose用于關節(jié)位置估計和人體工程學分析。過融合傳感器數(shù)據(jù)和分類器（如CNN、KNN、SVM），可以識別工人的站立姿勢。2）手勢識別：早期方法依賴手工特征（如HOG、Hu矩）和分類器（如隨機森林、SVM）進行手勢分類，用于機器人控制和遙操作。近年來，基于深度學習的手勢識別逐漸取代傳統(tǒng)方法，提升了魯棒性。此外，還使用肌電圖（EMG）和腦電圖（EEG）等非視覺手段用于手勢識別和機器人控制。主動人-機器人協(xié)作主動環(huán)境分析為了處理更復雜的任務，例如導航到看不見的地方以獲取人機協(xié)作組裝過程中所需的特定工具，機器人應具備更全面地感知和建模整個工作環(huán)境的技能。1.場景圖：將環(huán)境的感知結果轉換為拓撲圖結構。2.2D地圖：為了能夠表示場景元素的詳細幾何關系，2D地圖是遵循人類實踐經(jīng)驗的自然選擇，通常采用俯視圖的形式。3.3D表示：精細的3D信息（如點云和體素圖）被用來表示環(huán)境，支持更復雜的操作并避免碰撞。主動人-機器人協(xié)作主動視覺推理對物體、人和環(huán)境的感知可以提供對人機協(xié)作工作場景的整體理解。為了彌合場景理解和主動決策之間的差距，機器人在與人類操作員協(xié)作時需要一種推理機制。視覺推理是指通過對人機協(xié)作場景的視覺觀察，對視覺線索的潛在含義或未來機器人動作的指示進行推理。1.視覺提示基于視覺線索的推理是協(xié)作機器人更高層次認知智能的基本要求。早期工作包括使用貝葉斯決策方法推理裝配零件檢測的傳感模式和利用卷積變分自編碼（ConvVAE）與LSTM模型進行目標圖像推理，幫助機器人自動選擇零件。2.視覺和語言提示結合視覺和語言線索進行推理能提供更準確的信息。早期工作通過數(shù)學模型和知識庫模型結合視覺和語言信息，增強推理能力，例如集成對象定位、人類活動識別與語音識別進行推理。挑戰(zhàn)和未來方向1.基于功能可用性的智能物體認知機器人應具備智能的認知能力，不僅識別物體類別，還能理解與后續(xù)動作相關的物體固有價值。在復雜的人機協(xié)作任務中，機器人可能面對未知對象，但依然需要根據(jù)已識別對象的功能進行拆卸規(guī)劃。2.協(xié)同操作對象的精確建模盡管計算機視覺在物體檢測和分類中廣泛應用，人機協(xié)作中的精確物體建模仍存在挑戰(zhàn)。尤其在裝配任務中，實時的6-DoF目標姿態(tài)估計技術對精確建模至關重要，但受到依賴CAD模型、遮擋問題和計算效率等限制，影響了其實際應用。3.更精細的人體感知計算機視覺中的密集人體姿勢和手勢建模趨勢，為更精細的人體感知提供了新的可能，尤其適用于主動式人機協(xié)作場景。挑戰(zhàn)和未來方向4.分層和混合工作空間建模傳統(tǒng)的工作空間建模方法（如場景圖、2D地圖、3D表示）無法滿足未來人機協(xié)作系統(tǒng)的需求，特別是在靈活制造車間中。為支持精細協(xié)作和中長導航任務，分層和混合環(huán)境表示成為優(yōu)選方案，具備動態(tài)交替和交互機制，適應不同粒度的應用。5.視覺語言推理視覺和語言推理是實現(xiàn)人機協(xié)作中人機無縫協(xié)作的關鍵。盡管已有大量研究利用視覺和語言線索進行推理，但大多數(shù)工作忽視了知識庫的整合，并主要關注固定機械臂推理，而非移動機器人在更長時間和物理距離上的推理需求。6.基于視覺場景理解的延遲問題視覺傳感器在人機協(xié)作場景中的應用受限于延遲問題，主要由低采樣率、大數(shù)據(jù)流和計算復雜性引起。隨著5G和Wi-Fi等技術的發(fā)展，數(shù)據(jù)流問題有所緩解，但如何減少算法級別的計算延遲仍是挑戰(zhàn)。利用神經(jīng)架構搜索技術來搜索特定任務和硬件平臺的有效模型結構，希望自動獲得輕量級和低延遲模型。謝謝機器人-環(huán)境交互技術機器人-環(huán)境交互分類依據(jù)機器人與其環(huán)境之間交互的性質(zhì)，可分為兩類：非接觸任務和接觸任務。第一種即自由空間中的無約束運動，如機器人攜帶攝像頭進行巡檢等，機器人對環(huán)境沒有任何的影響。在非接觸任務中，機器人自身的動力學對其性能有著至關重要的影響。與這些任務相反，許多復雜的高級機器人應用屬于接觸任務，如裝配和加工，需要機械臂與其他物體進行力耦合。機器人-環(huán)境交互建模剛性機械臂與環(huán)境交互的動力學模型由以下形式的向量微分方程描述：使用機器人雅可比矩陣，我們可以將機器人動力學模型從關節(jié)坐標系轉換為末端執(zhí)行器坐標系:由于力相互作用過程通常非常復雜，很難用精確的數(shù)學方法進行描述，因此不得不引入某些簡化，從而部分地將問題理想化。在實踐中，交互力

通常建模為機器人動力學的函數(shù)，即末端執(zhí)行器的運動（位置、速度和加速度）和控制輸入的函數(shù)：(1)(2)(3)機器人-環(huán)境交互控制對柔順運動控制中遇到的問題進行了廣泛的研究，提出并闡述了幾種控制策略和方案。這些方法可以根據(jù)柔順的種類進行初步的系統(tǒng)化。根據(jù)該標準，可以區(qū)分柔順運動的兩組基本控制概念，如下所示：被動柔順，由于機械手結構、伺服或特殊柔順裝置中固有的柔順性，末端執(zhí)行器位置由接觸力本身調(diào)節(jié)；主動柔順，其中柔順性通過構建力反饋閉環(huán)來實現(xiàn)，以便通過控制交互力或通過在機器人末端生成特定于任務的順應性來實現(xiàn)可編程機器人反應。主動柔順控制方法可分為力控制和阻抗控制。主動柔順控制方法力控制，即通常的位置/力控制，其中所需的交互力和機器人位置都受到控制。在力控制中，給定期望的力軌跡，并測量力以實現(xiàn)反饋控制。力控制方法可以分為力位混合控制、統(tǒng)一力/位置控制、并聯(lián)位置/力控制等。阻抗控制，它使用作用力和末端執(zhí)行器位置之間的不同關系來調(diào)整末端執(zhí)行器對外力的機械阻抗。阻抗控制問題可以定義為設計控制器的要求，以便交互力根據(jù)目標阻抗定律控制末端執(zhí)行器的標稱位置和實際位置之間的差異。阻抗控制可以分為基于力控制的阻抗控制和基于位置控制的阻抗控制。機器人-環(huán)境交互控制發(fā)展趨勢通過分析國內(nèi)外研究現(xiàn)狀，不難發(fā)現(xiàn)機器人-環(huán)境交互控制技術還不能滿足要求。在機器人-環(huán)境交互控制領域還有許多問題亟待解決：首先，對于機器人-環(huán)境交互問題，目前很多研究只考慮機器人的阻抗控制參數(shù)，并未考慮環(huán)境模型參數(shù)。這使得系統(tǒng)模型并不完整。當機器人與環(huán)境相互作用時，將機器人與環(huán)境作為一個整體來考慮是很自然的。其次，對于機器人-環(huán)境交互問題，目前許多研究假設環(huán)境參數(shù)是已知的，這在實際應用中通常無法實現(xiàn)。第三，對于機器人-環(huán)境交互問題，目前許多研究都假設交互只發(fā)生在單個接觸點上，而機器人-環(huán)境多點交互問題非常常見，但目前關于這方面的研究很少。第四，對于機器人-環(huán)境交互問題，通常采用阻抗控制方法。但是阻抗控制只是動態(tài)行為控制的一種特殊情況，其在很多復雜場合的應用受到限制。為此，需要進一步研究更為一般的動態(tài)行為控制模型和框架來解決這類問題。展望

對于環(huán)境動力學模型和位置參數(shù)未知的機器人-環(huán)境交互問題，如何獲得優(yōu)化的交互性能是一個非常重要和復雜的問題。對于這類問題，強化學習方法提供了非常合適的工具。在強化學習方法中，系統(tǒng)與環(huán)境之間相互作用產(chǎn)生的強化信號是對當前行為的評價，然后根據(jù)強化信號更新控制策略以適應環(huán)境。在機器人-環(huán)境交互中，交互作用力是對當前機器人-環(huán)境交互行為的一個評價標準，基于這一指標可以對阻抗行為進行更新以獲得優(yōu)化的交互性能。這兩種情況非常類似，因此可以使用強化學習方法解決機器人-未知環(huán)境交互控制問題。謝謝協(xié)作機器人操作控制目錄CONtants操作任務分類010203操作任務建模操作技能學習操作任務分類從是否需要進行力控制可以分為力控制操作任務和不需要力控制的操作任務；從被操作