基于能量罐的机械臂柔顺控制
我用能量罐处理变阻抗、零空间分层和力位混合控制中的稳定性问题。
我在硕士期间研究机械臂的柔顺控制,主要处理三个问题:运行中改变刚度、多优先级任务同时执行,以及力控和位置控制之间的切换。我用带障碍函数的能量罐设计了三类控制器,并在 7-DOF Franka Emika Panda 上做了实机实验。
这段实验里,我在 t = 48 s 给机械臂下发刚度变化指令,y、z 方向刚度从 100 N/m 增大到 1105 N/m。对照结果是:不加能量罐时,机械臂失稳、位置误差发散;加入后仍保持稳定,刚度增大后的跟踪误差也明显减小。
改变阻抗参数,尤其是提高刚度,会向系统注入能量。我用能量罐管理这部分能量,在刚度变化时提供所需的能量。原有方法的储能可能持续增长,因此我在能量罐中引入了障碍函数:储能越接近上限,允许输入的功率越小,让系统能量保持在设定的上界内。
人机交互实验能直接看到这个约束。人推机械臂时,系统能量迅速上升,但没有越过设定上限;没有障碍函数的对照中,能量则持续增长。
我还做了推抽屉实验。机械臂以较低刚度起步,最初推不动抽屉,再按需要提高刚度完成推动。
我利用冗余自由度,在主任务之外安排零空间次任务。分层可以让次任务不干扰主任务,但主任务对次任务的影响仍可能破坏稳定性。我用能量罐监测并补偿这部分能量,再把变阻抗控制引入每个优先级。
对照实验中,不用这套方法时,系统总能量在起始阶段明显上升;加入后,能量保持在一个恒定值附近。各层可以改变阻抗,任务误差按优先级相继收敛。
在 Panda 上,我进一步实现了全身柔顺,同时使用笛卡尔空间和关节空间阻抗。操作者分别从两个空间推动机械臂,两种控制没有发生冲突;交互结束后,系统都能回到稳定状态,位置误差和关节角误差保持有界。
我把能量罐与分层任务模型结合,设计了自适应力位混合控制器。机械臂根据自身状态调整刚度,并决定是否接入力控制器,以兼顾力跟踪和柔顺性。
实验任务是沿曲面跟踪轨迹并进行力打磨。操作者两次与正在打磨的机械臂交互:接触时,机械臂降低刚度;交互结束后,重新接入力控制器、恢复刚度,继续打磨。分层任务模型也把关节角误差维持在合理范围内;不用该控制器的对照中,误差会逐渐增大,直到遇到奇异点。
我在 ROS 环境中用 C++ 实现控制器,通过 libfranka / frankaros 与 7-DOF Franka Emika Panda 通信。每次实验前先回到初始位形,再以初始笛卡尔位置和关节位置作为期望平衡点。
- 控制器依赖较精确的模型。后续可以考虑自适应控制或神经网络在线补偿模型误差。
- 变阻抗框架允许参数变化,但还没有确定阻抗参数应怎样变化;我希望进一步结合人机协作中的人体生理信号。
- 自适应力位混合需要较精确的曲面方程,后续可以通过视觉伺服提高自主性。