XiaoMi-AI文件搜索系统
World File Search System操纵器
计算空间中机器人操纵器的离线直接教学
本文提出了一种使用增强和虚拟现实技术的机器人教学方法。机器人教学对于机器人完成工业生产的几项任务至关重要。尽管有各种方法可以执行机器人操纵的运动计划，但仍需要机器人教学才能进行精确和可靠性。在线教学，其中物理机器人在真实空间中移动以获得所需的运动，并且由于其易于性和可靠性而被广泛执行。但是，需要实际的机器人移动。相比之下，可以在计算空间中完全实现局部教学，并且需要将机器人的周围构造为计算机图形模型。此外，planar显示器不提供3D场景上的精通信息。我们提出的方法可以作为频道教学的使用，但是操作员可以使用头部安装的设备和虚拟3D空间中的指定控制器来直观地操纵机器人。我们通过增强和虚拟现实技术展示了机器人教学的两种方法，并显示了一些实验结果。
利用机器人操纵器进行柔性航天器建模与控制
由于存在碰撞风险和人造物体的堆积，尤其是在低地球轨道 (LEO) 中，围绕地球运行的空间垃圾的增多已成为现役航天器和未来任务面临的重大问题。为了缓解这一问题，人们提出了新的解决方案。空间机器人已被纳入在轨服务，以帮助人类在太空环境中开展活动，特别是机器人操纵器可以在主动清除碎片方面发挥关键作用。本论文的目的是开发一个灵活的航天器动力学和控制模型，包括空间操纵器。采用混合方法实现主体和操纵器动力学。具体而言，操纵器运动方程是从拉格朗日公式中获得的，而主体动力学则用刚体的欧拉方程表示。机械臂是一个带有两个连杆的两自由度 (DOF) 平面操纵器。主要结构特性是在与文献中的空间机械臂进行比较后选择的。另一方面，JAXA 微型卫星 PROCYON 被用作航天器的主体。与 PROCYON 航天器一样，也考虑了金字塔形配置的四个反作用轮系统。所有建模和仿真阶段均在 MATLAB/SIMULINK 环境中进行。这项工作的另一个重要方面是卫星的柔性部分，由 PROCYON 航天器的四个太阳能电池板表示。使用 PATRAN/NASTRAN 进行有限元法 (FEM) 分析，以获得模型所需的自然模式和频率，并评估刚性和柔性部分之间的耦合矩阵。论文的第二部分是关于控制策略。两种不同的控制器用于机械手的运动和主体姿态控制。机械臂采用简单的比例-积分-微分 (PID) 控制器，目的是实现所需的关节角度位置，以便捕获碎片/目标。对于姿态控制，采用具有线性二次调节器 (LQR) 的主动抗扰控制 (ADRC) 作为控制律，以便获得快速稳定的响应，并消除作用于系统的所有内部和外部扰动。仿真环境中的令人满意的结果证明了 ADRC 执行姿态控制的能力，
机器学习驱动的人类技能转移以控制拟人化操纵器
摘要 - 引入了人类手臂和拟人化操纵剂之间的运动学映射，以转移人类的技能并完成类似人类的行为，以控制拟人化的操纵剂。大数据和机器学习的可用性有助于模仿拟人化机器人控制。在本文中，提出了一种机器学习驱动的人类技能，以控制跨倍形操纵器。拟议的深卷积神经网络（DCNN）模型利用旋转运动重建方法模仿类似人类的行为，以实现快速和有效的学习。最后，训练有素的神经网络被翻译成管理拟人机器人机器人的冗余优化控制。这种方法还适用于具有拟人化运动结构的其他冗余机器人。
使用软执行器网络对软水下操纵器的基于学习的外观
摘要 - 与环境对象的互动可以引起外部感受和本体感受信号的重大变化。然而，水下软操作器中外部感受传感器的部署遇到了许多挑战和约束，从而对其感知能力施加了限制。在本文中，我们提出了一种基于学习的新型表达方法，该方法利用内部本体感受信号并利用软执行器网络（SAN）的原理。def> div>趋势倾向于通过水下软操作器中的sans传播，并且可以通过本体感受传感器检测到。我们从传感器信号中提取特征，并开发完全连接的神经网（FCNN）基于分类器以确定碰撞位置。我们已经构建了一个培训数据集和一个独立的验证数据集，目的是培训和验证分类器。使用独立的验证数据集以97.11％的精度识别出碰撞位置的实验结果，该碰撞位置在水下软机器人的感知和控制范围内表现出潜在的应用。
机器人操纵器和自动驾驶汽车的连续循环中基于平坦的控制
摘要：通过使用基于平局的控制方法来解决机器人操纵器和自动驾驶汽车的多变量和非线性动力学的控制问题，该方法在连续循环中实现。这些机器人系统的状态空间模型分为两个子系统，它们之间在级联回路中连接。这些子系统中的每个子系统都可以独立看作是一个差异的系统，并且可以通过其动力学反转来执行其控制，就像输入输出输出线性化频率的情况下一样。第二个子系统的状态变量成为第一个子系统的虚拟控制输入。又将外源控制输入应用于第一个子系统。整个控制方法是在两个连续的循环中实现的，并且通过Lyapunov稳定性分析也证明了其全球稳定性属性。在两个案例研究中确定了控制方法的有效性：（a）控制3-DOF工业刚性链接机器人操纵器，（ii）控制3-DOF自主水下容器。
使用机器对机器技术的平行操纵器开发人造视力
摘要：本研究着重于为灵活的Delta机器人机器人制定人工视觉系统，并将其与机器到机器（M2M）通信集成在一起，以优化实时设备的交互。这种集成旨在提高机器人系统的速度并提高其整体性能。在有限的空间中，人工视觉系统与M2M通信的拟议组合可以检测和识别具有高度准确性的目标，以定位，进一步定位以及进行制造过程，例如组装或零件的分类。在这项研究中，RGB图像用作Mask -R -CNN算法的输入数据，并且根据Delta Robot ARM原型的特征对结果进行处理。从Mask -R -CNN获得的数据适用于Delta机器人控制系统中，并提出了其独特的特征和定位要求。M2M技术使机器人组能够快速反应变化，例如移动对象或其位置变化，这对于分类和包装任务至关重要。该系统在接近实际的条件下进行了测试，以评估其性能和可靠性。
在复杂森林环境中探索的球形空中操纵器机器人
从无人机中受益匪浅的重要研究领域是精确农业，因为它们具有出色的空间分解能力，因此非常适合对蔬菜斑块进行详细的小规模分析。据我们所知，很少有研究应用无人机来探索诸如果园之类的复杂森林环境，通常依靠间接的甲基化来获取作物信息。在这项工作中，我们提出了一种新的方法，可以使特征的测量（例如分别测量水果或茎/叶）进行评估，以评估其成熟度或检测作物疾病。为了实现这一目标，我们引入了一种名为“ Sambot：球形空中ma-nipulator机器人”的新设计，该设计由一个由球形结构保护的迷你UAV组成，其前部有一个固定的操纵器。sambot与机械手的访问空间的能力相结合的球形脱落的保护益处。拟议的设计与ROS2兼容，ROS2是机器人研究和工业应用中广泛使用的框架。我们提议的范围的潜在应用范围范围超出了精确农业的范围，这些地区范围内，诸如矿山或崩溃的建筑物，结构检查以及自主地下导航等地区的搜索和救援区域。
使用CAD和GUI
摘要 - 行业中的操纵者日益普及的人增加了对操纵器的运动学和动态知识的掌握的需求。另一方面，操纵器是为了学习目的而不是负担得起的物品，因此建模是正确的解决方案之一，也是一种新的贡献形式来引入物理操纵器，而无需在实验室中进行许多操纵器。通过这项工作，可以将4度（DOF）操纵器的4度操纵器的物理建模与其原始形式作为教育机器人类似，并且可以设计仪表板来控制其运动。使用Autodesk Inventor开发了操纵器的机械物理模型，并且使用图形用户界面（GUI）MATLAB进行操作参数的设置。使用的操纵器模型是Dobot Magician，它具有四个Revolute关节。使用Autodesk Inventor设计工具进行建模的优势是直观的用户界面，易于理解和无学生许可，因此，它比学生（例如在现有研究中）对学生更友好。作为一种学习媒体，这种建模非常复杂，可以学习机械设计，在SIMSCAPE多机上使用XML（可扩展的标记语言）扩展转换为MATLAB，在SIMSCAPE上设置了运动学和动力学，并在MATLAB上使用GUI设计控制界面。这项工作通过基于前向运动学和反向运动学方法的GUI设定的路径计划方法证明了机器人运动的准确性。
在功能限制下，用于移动操纵器系统的基于控制屏障功能的视觉伺服
本文提出了一种针对移动操纵器系统（MMS）的新控制策略，该策略集成了基于图像的视觉伺服（IBVS），以解决操作限制和安全限制。基于控制屏障功能（CBF）的概念的拟议方法提供了一种解决方案，以应对各种操作挑战，包括可见性约束，操纵器关节限制，预定义的系统速度界限和系统动态不确定性。提出的控制策略是两层结构，其中第一级CBF-IBVS控制器计算控制命令，并考虑到视野（FOV）约束。通过利用空空间技术，这些命令被转移到MMS的联合配置，同时考虑系统操作限制。随后在第二级中，用于整个MMS使用的CBF速度控制器对关节级的命令进行跟踪，以确保遵守预定义的系统的速度限制以及整个组合系统动力学的安全性。拟议的控制策略提供了出色的瞬态和稳态响应，并提高了对干扰和建模不确定性的弹性。此外，由于其计算复杂性较低，因此可以在板载计算系统上轻松实现，从而促进实时操作。通过仿真结果说明了拟议策略的有效性，与常规IBVS方法相比，该结果揭示了增强的性能和系统安全性。结果表明，所提出的方法可有效解决移动操纵器系统的具有挑战性的操作限制和安全限制，使其适合于实际应用。
使用贝叶斯优化的机器人操纵器学习节能轨迹计划
如今，机器人已部署在许多不同的行业中，例如，作为自动制造系统的一部分[1]。 有很多原因，例如它们的准确性，重复性和（重复）任务执行的速度[2]。 但是，工业机器人的部署增加导致制造工艺消耗的电能增加。 能源成本的上升以及成为能源中立的愿望增加了减少能源消耗的需求[3]。 此外，行业必须适应能源分配和供应的波动，以考虑灵活的能源价格或能源供应限制[4]。 因此，实现最大的能源效率，同时可以灵活地调整能源使用，例如，通过更改生产速度，这是最重要的感兴趣[5]。 存在着各种旨在针对机器人制造系统能源效率的方法。 首先，一个人可以针对制造过程的节能设计，例如，在不使用机器人时避免进行预期任务的超大机器人或减少空闲时间[6]。 其次，人们可以专注于软件端，例如路径优化，计划实现路径的能量最佳轨迹，或在机器人闲置时使用使用的节能备用模式[6]。 我们将重点放在第二类方法上，考虑到给定的机器人，特定任务以及预定义轮廓成功完成任务完成的指定途径。 仍然要计算一种能节能的轨迹，该轨迹实现了利用可用自由度的路径。如今，机器人已部署在许多不同的行业中，例如，作为自动制造系统的一部分[1]。有很多原因，例如它们的准确性，重复性和（重复）任务执行的速度[2]。但是，工业机器人的部署增加导致制造工艺消耗的电能增加。能源成本的上升以及成为能源中立的愿望增加了减少能源消耗的需求[3]。此外，行业必须适应能源分配和供应的波动，以考虑灵活的能源价格或能源供应限制[4]。因此，实现最大的能源效率，同时可以灵活地调整能源使用，例如，通过更改生产速度，这是最重要的感兴趣[5]。存在着各种旨在针对机器人制造系统能源效率的方法。首先，一个人可以针对制造过程的节能设计，例如，在不使用机器人时避免进行预期任务的超大机器人或减少空闲时间[6]。其次，人们可以专注于软件端，例如路径优化，计划实现路径的能量最佳轨迹，或在机器人闲置时使用使用的节能备用模式[6]。我们将重点放在第二类方法上，考虑到给定的机器人，特定任务以及预定义轮廓成功完成任务完成的指定途径。仍然要计算一种能节能的轨迹，该轨迹实现了利用可用自由度的路径。例如，避免高速度和加速度可减少能耗。但是，这导致长