解决机器人实时运动控制面临的挑战

科研创新：解决机器人实时运动控制面临的挑战

【匠领导读】运动控制是机器人系统的软件组件，它决定了机器人应该如何移动来完成已经定义好的任务。机器人手臂通过旋转和滑动关节的动作移动，而移动机器人通过运动和转向工作。

另一方面，机器人任务是通过机器人上的工具（末端执行器）完成的。任务是可以操纵的，如使用机械手时，它们具有感知能力，就像用相机进行定位一样。运动和任务这两个概念是解决机器人高级应用的关键。

图1:运动控制的挑战在于，当工具(或末端执行器)工作时，关节是被控制的，两者之间的关系很复杂。

工具可以完成工作，关节可以被控制

运动控制问题的核心，如图1所示，是通过工具完成工作，但是受控的是关节，两者之间的关系很复杂。一个描述机器人手臂上的探针位置的方程可以得到一页又一页的三角函数，这是一个简单的方法。另一方面 – 计算如何放置关节以获得所需工具位置的控制解决方案 – 甚至可能没有方程式，它可能只能通过迭代获得解决。

一些机器人，如图2所示，比执行单项任务（例如抓住螺丝刀）所需的最小执行器相比拥有更多的执行器，这种冗余赋予机器人更强大的功能，但运动控制也更加复杂。想想人类，拥有很多的关节，这样我们就有很多方法可以把那块旧披萨从冰箱里拿出来，事实上是方法无穷无尽的，利用这些冗余，我们可以绕过牛奶盒周围，保持平衡，移动顺畅，以减轻关节压力，避免关节限制。但这需要大脑进行控制，具有冗余度的机器人得益于同样平滑、高效的控制，但它需要大量的处理能力。

每当有不止一种方法与机器人做某事时，所选择的方式应该具有特殊的品质 – 例如，最大化与碰撞的距离。路径还可以提高强度，最小化时间，避免工作空间限制，降低功耗并提高准确性。在实践中，最好的动作通常是这些 – 和其他 – 纯粹品质的组合。

运动控制还必须包含约束，机器人关节具有速度和加速度限制，执行器具有最大扭矩或力。机器人的物理部位不能在空间上重叠，不能超过关节限制。这些是机器人和世界的物理现实所施加的限制。期望的任务、约束和优化相结合，使机器人运动控制成为一项挑战。

图2:有些机器人的自由度比完成任务所需的最小自由度要高。这些运动学上冗余的机器人功能强大，但难以控制。

控制技术的复杂性需要实时处理

然而，已经开发了各种数学技术来应对这一挑战，有时使用专用方程，但常用的技术是使用所谓的机械手雅可比矩阵。雅可比矩阵是一种数学对象，它以简化的方式将工具速度描述为关节速度的函数。它直接避开了复杂的位置计算。因为它具有简化的形式，所以更容易反转以解决控制问题，唯一的缺点是它适用于速度而不是位置，使用雅可比矩阵定位需要算法反馈技术。

尽管雅可比矩阵能够被定义、计算和反转进行控制，但挑战仍然存在。第一个是如何在本地和全局选择和集成所需的优化，全局控制涉及在路径中具有灵活性的大运动，只要端点是正确的，而局部控制涉及精确定义，通常是较小的运动。许多机器人任务使用全局和本地控制的组合来执行，以及如何选择和实现优化是开放是一个开放性的领域。

管理更高的衍生品也是一个需要持续改进的领域，尤其是在线控制。如今，许多机器人在开始运动之前都会离线生成完整路径。离线路径生成允许在计算早期状态时使用机器人的未来状态。这有助于限制运动的高阶导数(例如反射，加速度的导数)，这些高阶导数会引起振动。然而，缺点是，在运动开始之前，知识是不完整的，一旦机器人开始在预先计算的路径上，它就不能对环境和用户输入的变化做出反应。需要做更多的工作来实时优化控制高阶导数。

在这种权衡中发挥作用的是控制算法的计算速度。当实时应用时，速度是关键。一种强大的算法方法是探索多种备选方案——逐次逐次地选择最佳方案。更快的实现允许更多的选择和改进的控制。

图3：Energid的Actin软件控制UR5。在左侧，滑块允许直接放置关节，在中心，机器人用鼠标交互来说明工具放置，在右侧，配置要避免的冲突。

算法存在于纸上或演示中以及它的实际应用之间存在鸿沟，因为使用算法本身很困难。要实现稳定的机器人，甚即使是罕见的问题也需要解决。必须要适应机器人类型、环境和任务不可避免的偏差，而且它必须很容易地与其他软件集成。

实际机器人系统的运动控制

目前解决这些需求的是多个免费、开源和商业软件包。EngIDID的Actin软件，如图3所示，是一个商业实例。它在制造、医疗和能源等领域应用得到应用。使用Actin软件的一个突出的例子是在箱子拾取中，一次一部分必须从一堆随机的零件中取出。拣仓要求运动控制是快速和平滑的，同时避免与存放零件的料仓和料仓中其他零件的碰撞，先进的运动控制使机器人箱拾取非常实用。