XiaoMi-AI文件搜索系统
World File Search System操纵器
强化学习控制可重构平面电缆驱动的平行操纵器*
摘要 - 由于电缆的固有灵活性和弹性，电缆驱动的并行机器人（CDPR）通常对模型和动态控制具有挑战性。将在线几何可重新配置性的附加包含在CDPR上导致具有高度非线性动力学的复杂不确定的系统。必要的（数值）冗余分辨率需要多个优化的层，以使其对实时控制的应用程序计算效率过高。在这里，深厚的强化学习方法可以提供一个无模型的框架来克服这些挑战，并可以提供实时的动态控制。本研究讨论了动态轨迹跟踪中无模型DRL实现的三个设置：（i）具有固定工作空间的标准非冗余CDPR； （ii）在可重构CDPR上具有冗余分辨率的端到端设置中； （iii）在一种脱钩的方法中，分别解决运动学和驱动裁员。
一种约束嵌入方法，用于与混合四肢平行运动学操纵器的动力学建模
平行运动学操纵器（PKM）的特征是封闭的运动环，由于四肢平行排列，但也是由于四肢中存在运动环。此外，许多PKM都是由通过串行组合运动环构建的四肢构建的。这样的四肢称为混合动力，形成了特定类别的复杂四肢。设计和基于模型的控制需要精确的动态PKM模型，而无需简化模型。动力学建模需要在PKM的标准运动学建模中具有运动关系，在该模型中，仅计算了操纵器的正向和逆运动解（相关输入和输出运动）。这与杂种四肢的PKM更加涉及。在本文中采用模块化建模方法，分别处理四肢，并且动作的单个动态方程（EOM）随后将其组装到整体模型中。运动模型的关键是四肢内单个循环的约束分辨率。此局部约束分辨率是一般约束嵌入技术的特殊情况。提出的方法最终允许对一般PKM进行系统的建模。该方法用于IRSBOT-2，其中每个肢体包含两个独立的回路。©2022作者。由Elsevier B.V.这是CC下的开放访问文章（http://creativecommons.org/licenses/4.0/）。
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。
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。
开发飞机飞行控制中的主动操纵器
大多数为飞机控制开发的触觉界面都提供触觉支持作为控制机械手上的附加力。本研究重新审视了主动机械手，这是一种不同于现有触觉界面但与之互补的设计理念。该控制装置将飞行员施加在其上的力传送到飞机，同时通过偏转角反馈飞机的旋转速度。研究发现，与传统的被动机械手相比，主动机械手在补偿跟踪任务中大大促进了目标跟踪和干扰抑制。此外，任务性能的更大改进与更高的强制函数带宽相关。这些发现是由于主动机械手将有效受控元件动力学转变为类似积分器的动力学，同时将干扰抑制集成到神经肌肉系统中。然而，在飞机状态反馈中作用于飞机的高频干扰会对主动机械手的操作效率产生不利影响。根据实验结果和被动性理论的结果，设计和评估了一个超前 - 滞后滤波器，它可以减轻这种影响而不影响任务性能。