機器人控制的基本方法

機器人的控制方法，根據控制量、控制演算法的不同分為多種類型。下面分別針對不同的類型，介紹常用的機器人控制方法。

一、根據控制量分類

按照控制量所處空間的不同，機器人控制可以分為關節空間的控制和笛卡爾空間的控制。對於串聯式多關節機器人，關節空間的控制是針對機器人各個關節的變數進行的控制，笛卡爾空間控制是針對機器人末端的變數進行的控制。按照控制量的不同，機器人控制可以分為：位置控制、速度控制、加速度控制、力控制、力位混合控制等。這些控制可以是關節空間的控制，也可以是末端笛卡爾空間的控制。

位置控制的目標是使被控機器人的關節或末端達到期望的位置。下面以關節空間位置控制為例，說明機器人的位置控制。如圖1-1所示，關節位置給定值與當前值比較得到的誤差作為位置控制器的輸入量，經過位置控制器的運算后，其輸出作為關節速度控制的給定值。關節位置控制器常採用PID演算法，也可以採用模糊控制演算法。

圖1-1 關節位置控制示意圖

在圖1-1中，去掉位置外環，即為機器人的關節速度控制框圖。通常，在目標跟蹤任務中，採用機器人的速度控制。此外，對於機器人末端笛卡爾空間的位置、速度控制，其基本原理與關節空間的位置和速度控制類似。

圖1-2 加速度控制示意圖

圖1-2所示為分解加速度運動控制示意圖。首先，計算出末端工具的控制加速度。然後，根據末端的位置，速度和加速度期望值，以及當前的末端位置、關節位置與速度，分解出各關節相應的加速度，再利用動力學方程計算出控制力矩分解加速度控制，需要針對各個關節進行力矩控制。

圖1-3 關節力/力矩控制示意圖

圖1-3為關節的力/力矩控制框圖。由於關節力/力矩不易直接測量，而關節電機的電流又能夠較好的反映關節電機的力矩，所以常採用關節電機的電流表示當前關節力/力矩的測量值。力控制器根據力/力矩的期望值與測量值之間的偏差，控制關節電機，使之表現出期望的力/力矩特性。

圖1-4 力位混合控制框圖

圖1-4所示為一種力位混合控制的框圖，它由位置控制和力控制兩部分組成。位置控制為PI控制，給定為機器人末端的笛卡爾空間位置，末端的笛卡爾空間位置反饋由關節空間的位置經過運動學計算得到。圖中，T為機器人的運動學模型，J為機器人的雅克比矩陣。末端位置的給定值與當前值之差，利用雅克比矩陣的逆矩陣轉換為關節空間的位置增量，再經過PI運算后，作為關節位置增量的一部分。

力控制同樣為PI控制，給定為機器人末端的笛卡爾空間力/力矩，反饋由力/力矩感測器測量獲得。末端力/力矩的給定值與當前值之差，利用雅克比矩陣的轉置矩陣轉換為關節空間的力/力矩。關節空間的力/力矩經過PI運算后，作為關節位置增量的另一部分。位置控制部分和力控制部分的輸出，相加後作為機器人關節的位置增量期望值。機器人利用增量控制，對其各個關節的位置進行控制。圖1-5所示的力位混合控制，只是力位混合控制中的一種簡單方案，是R-C（Raibert-Craig）力位混合控制的簡化形式，在實際應用中應針對具體環境進行一些必要的修正。

二、根據控制演算法分類

按照控制演算法的不同，機器人的控制方法可以分為PID控制、變結構控制、

自適應控制、模糊控制、神經元網路控制等方法。也有的文獻將現有的控制演算法分為邏輯門限控制、PID控制、滑模變結構控制、神經網路控制和模糊控制等。這些控制方法並非孤立的，在一個控制系統之中常常結合在一起使用。

1、PID控制

在工程實際中，應用最為廣泛的調節器控制規律為比例、積分、微分控制，簡稱PID控制，又稱PID調節。PID控制器問世至今已有近70年歷史，它以其結構簡單、穩定性好、工作可靠、調整方便而成為工業控制的主要技術之一。當被控對象的結構和參數不能完全掌握，或得不到精確的數學模型時，控制理論的其它技術難以採用時，系統控制器的結構和參數必須依靠經驗和現場調試來確定，這時應用PID控制技術最為方便。

即當我們不完全了解一個系統和被控對象，或不能通過有效的測量手段來獲得系統參數時，最適合用PID控制技術。PID控制，實際中也有PI和PD控制。PID控制器就是根據系統的誤差，利用比例、積分、微分計算出控制量進行控制的。

2、變結構控制

變結構控制是20世紀50年代從蘇聯發展起來的一種控制方案。所謂變結構控制，是指控制系統中具有多個控制器，根據一定的規則在不同的情況下採用不同的控制器。採用變結構控制具有許多其他控制所沒有的優點，可以實現對一類具有不確定參數的非線性系統的控制。

3、自適應控制

所謂自適應控制，是指系統的輸入或干擾發生大範圍的變化時，所設計的系統能夠自適應調節系統參數或控制策略，使輸出仍能達到設計的要求，其基本結構如圖2-1所示。自適應控制所處理的是具有「不確定性」的系統，通過對隨機變數狀態的觀測和系統模型的辨識，設法降低這種不確定性。控制結果常常是達到一定的控制指標，即「最優的控制」被「有效的控制」所取代。

自適應控制系統按其原理的不同，可分為模型參考自適應控制系統、自校正控制系統、自尋優控制系統、變結構控制系統和智能自適應控制系統等。在這些類型的自適應控制系統中，模型參考自適應控制系統和自校正控制系統較成熟，也較常用。

圖2-1 自校正控制系統的基本結構

4、模糊控制

在模糊控制中，輸入量經過模糊量化成為模糊變數，有模糊變數經過模糊規則的推理獲得模糊輸出，經過解模糊得到清晰的輸出量用於控制。模糊控制最早

在1965年由美國加利福尼亞大學的Zadeh教授提出，1974年英國的E.H.Mamdani成功地將模糊控制應用於鍋爐和蒸汽機控制。隨後，模糊控制在控制領域得到了快速發展，並獲得大量成功的應用。

5、神經元網路控制

神經網路控制是20世紀80年代末期發展起來的自動控制領域的前沿學科之一。它是智能控制的一個新的分支，為解決複雜的非線性、不確定、不確知系統的控制問題開闢了新途徑。 神經網路控制是（人工）神經網路理論與控制理論相結合的產物，是發展中的學科。它彙集了包括數學、生物學、神經生理學、腦科學、遺傳學、人工智慧、計算機科學、自動控制等學科的理論、技術、方法及研究成果，其基本結構如圖2-2所示。

在控制領域，將具有學習能力的控制系統稱為學習控制系統，屬於智能控制系統。神經控制是有學習能力的，屬於學習控制，是智能控制的一個分支。 神經控制發展至今，雖僅有十餘年的歷史，已有了多種控制結構。如神經預測控制、神經逆系統控制等。

圖2-2 神經網路控制系統結構

衝壓自動化生產線：這速度、這效率....

【內附多個視頻案例】工業機器人在輕合金重力鑄造自動化中的應用

100%焊接自動化生產線，大開眼界

工業機器人主要部件組成簡介

掃描二維碼，加小編好友