基于运动模块化技术的新型工业机器人轨迹生成组件

抽象

运动模块化为高等动物的运动控制的主要方法。这意味着肌肉的复杂动作是由基本运动原语，而大脑或中枢神经系统不关心运动的具体细节。然而，工业机器人控制系统不采用运动模块化的技术路线，它通过提供大量的采样点的产生复杂的轨迹。这种方法相当于使用大脑直接引导肌肉的特定运动，并且具有依赖更快的现场总线系统上，以获得复杂运动轨迹。这项工作构建了基于动态运动基元（DMP）理论的模块化的工业机器人轨迹生成组件。与此组件，机器人控制器能够产生复杂的轨迹而不增加采样点和能够获得良好的轨迹精度。最后，该系统的合理性是通过仿真和实验证明。

1.简介

运动模块化是将复杂运动分解为简单运动模块的思想。这意味着复杂的运动是由一些运动原语组成的。运动神经科学的研究表明，高级动物的神经系统是通过模块化方法控制的。中枢神经系统通过组合代表基本运动的模块来实现对多个肌肉和多个关节的协调控制[1]。神经科学对运动模块化的研究在肌肉协同方面取得了许多成果[2]，运动原语理解[3]，运动模式学习[4，以及运动建模[五]。

高等动物依靠模块化方法完成运动控制，运动模块化技术也应该是机器人控制的未来。但是目前的机器人控制系统并没有采用运动模块化技术路线图，而是采用了另一种集中控制技术路线图，提高了现场总线的能力，提高了控制效果。我们将在章节中对此进行详细介绍3。实际上，机器人领域的学者们已经对运动模块化进行了长期的研究。哈佛大学的罗杰·布拉克特教授首先在机器人领域提出了这个想法。他指出机器人的运动具有混合系统的特点，可以通过符号串和实值函数驱动机器人产生连续的运动。他提出了运动描述语言(MDL)方法[6，7]。然后将运动描述语言与动态系统相结合，建立倒立摆编舞机器人的控制方法[8]。MDL已在遥操作系统被应用[9]。此后，MDL也被应用于移动机器人的轨迹规划和控制[10]。基于对希尔伯特空间的功能分解理论，这项工作分解机器人获得运动元的轨迹。模块化的轨迹被发送到移动机器人和好的结果。该方法通过由函数空间分解映射所述机器人关节轨迹到运动图元被推广应用到工业机器人的控制[11]。然后，将少量运动原语发送到机器人关节，关节结合运动原语生成运动轨迹。通过该技术实现了不降低机器人轨迹精度而降低机器人实时通信频率的目的。但该方法存在运动基元泛化能力不足、基元个数不稳定等问题，不能应用于实际的工业机器人控制系统中。

本文利用动态运动原语(DMP)技术对动态运动原语方法进行了扩展，解决了前人工作中的不足。在过去，DMP方法主要用于机器人的任务级的模仿学习。轨迹的准确性的前提下尽可能地减少数据,这项工作是我们申请的新颖性DMP方法联合的水平轨迹生成首先基于模块化思想和新工业机器人运动轨迹生成组件添加到工业机器人控制器。

下面的章节将首先理清的动态运动原始理论，然后阐述基于运动的模块化技术，工业机器人轨迹生成组件。最后，推出了相应的仿真和实验结果。

2.动态运动基元的基础

动态运动基元（DMP）方法最早是由美国南加州大学的斯特凡Schaal教授提出，是机器人轨迹控制和规划的方法。这种方法提高了机器人运动图元的泛化能力，并且可以更好地倒退轨迹。它在机器人模仿学习的研究很多应用[12]、人机协作[13]，以及人的运动建模[14]。此外，这种方法已经应用到科学家，表演神经外科科学研究移动原语怎么可以用来学习适当的肌肉激励模式和有效地推广到新的技能，达到[15]。这一成果结合了神经科学和机器人运动模块的研究。

的DMP理论的基本思想是使用一个相对简单的和稳定的系统参数化复杂轨迹的表达，然后通过非线性函数调整系统，从而使系统的轨迹呈现出期望的特性。它继承线性系统的优势：汇聚到吸引域，鲁棒性干扰和时间独立性。加入力函数的允许系统产生任意运动轨迹。主要有两种类型的DMP模型：离散和节奏[16]。离散系统基于吸引点和节奏是基于极限周期。机器人操作器的轨迹基本上是从时间到机器人结构的映射。在实际的系统中，它是通过许多中间点的离散运动。因此，离散的DMP被选择为机械手轨迹控制的基础。

的DMP系统由两个部分组成：一个二阶系统和力功能系统。二阶系统产生基本动作会聚到目标位置。在机电系统的控制中，大多数模型可以通过弹簧阻尼模型进行说明。因此，我们使用弹簧阻尼模型作为DMP的基本二阶系统。该力的功能是一个补充二阶系统，并用于通过产生任意平滑运动轨迹，以适应原始轨迹的运动模式。使用弹簧阻尼系统，构建DMP，我们可以得到DMP系统的基本方程：

在基本方程中，力函数本质上是一个函数逼近器它使用一些回归方法来近似原始轨迹。使DMP系统收敛于给定的目标，同时产生满足要求且足够光滑的轨迹。但是，它不能确保系统收敛到目标点在基本方程中加入力函数后。因此，需要增加一个门控项，使系统达到目标时力函数收敛于0 。一阶系统有这样的财产(图1)，因此考虑使用变量作为一个长期门。此外，力功能是一个依赖于系统时间的函数;它不是一个时间独立的自主系统。我们应该使力函数成为一个不依赖于系统时间的自治系统 。因此，自变量力功能的可通过更换的门项。整个力项可表示为 。因此，完整的DMP系统可以表示为:

在方程（2),和分别为与弹簧系统相关的弹簧速率和阻尼系数，指示系统的目标位置， ， ，分别为系统位置、速度和加速度状态。的参数是控制运动的速度的比例因子。为带有门控项的力函数，用相位参数表示。

强制功能是使用回归方法来近似原始轨迹的函数逼近。有函数拟合许多算法可以概括为两个统一模型，其是线性模型（3）的混合物中，并基本函数的加权和（4）[17]。

在本文中，我们使用属于线性模型的混合物来近似本地加权回归（LWR）算​​法。根据LWR算法和DMP系统的特性，统一模型可以被简化，并且获得了函数逼近的特异性表达形式：

在哪里是一个标准高斯函数：

是高斯函数的中心，并是高斯函数，它是由用户预先给定的已知的参数的宽度。整个DMP系统不仅具有重量参数这需要通过之前的数据来解决。

求解最优参数该系统中，我们需要预先计划的机械臂的末端执行器的轨迹根据任务要求，然后根据机器人的运动学和动力学模型计算机器人关节的参考轨迹。在此之后，设置状态点数据上具有固定采样周期的轨迹进行采样。最后，将采样点的数据代入原始系统方程，并且能够获得的力的功能。

由上式(7)和力函数 ，最小误差准则被选择以找到该系统的最佳权重

中它

至此，DMP控制器的理论准备工作已经完成。数字2显示DMP算法从运动的原语的培训，实施的全过程。

3.基于运动模块化技术的轨迹生成组件

本节将采取实际的机器人控制系统为例来分析传统的工业机器人的控制系统的细节。数字3图示SIA-SmartPainting，一个由我们团队开发的用于车辆维护的涂装系统。其控制器是一种典型的集中式工业机器人控制系统。该系统对车门进行可视化建模，在上位控制器中生成绘制路径并进行插值运算，然后通过EtherCAT总线将轨迹中间点发送到关节。根据机器人控制任务的特点，将机器人控制系统从上到下分为四个层次:规划层、轨迹层、通信层和关节层。在规划层，ia - smartpainting系统将绘制的门可视化，以创建机器人末端执行器的运动路径。轨迹层执行逆向运动学、轨迹插值和时间参数化等操作。它将笛卡尔空间中的路径映射到关节空间并增加时间参数。通过插补和优化算法，规划出合理的速度和加速度。在得到关节空间的参考轨迹后，将相关数据传输到通信层，通信层的现场总线系统将参考轨迹的中间点发送到连接层。由于通信层是实时组件，机械手的闭环控制也在该层进行。 To ensure the smoothness of the trajectory and the stability of the spray gun while painting operation, the communication layer needs to perform closed-loop control of the position and speed of the joint. To improve the communication rate, we adopt the high-speed EtherCAT bus, and the real-time communication frequency can reach 1 kHz, that is, the communication layer performs closed-loop control with a period of 1 ms. The bottom layer of this control system is the joint layer. This layer receives the reference signal sent from the Fieldbus, controls the joint motor motion according to the reference signal, and feeds the motor status to the upper controller in real-time.

通过对一个典型的工业机器人控制系统的详细分析，可以发现工业机器人的控制系统主要由两种硬件组成:上位控制器和关节电机驱动器。上位控制器负责整个机器人手臂的控制，关节电机驱动器负责关节电机的运动控制。两部分依靠现场总线系统进行通信。在传统的工业机器人控制系统中，机器人的路径生成在规划层;轨迹层负责运动学逆解和插补计算;通信层实时向关节发送轨迹参考点;关节层是电机控制单元，根据参考信号控制关节电机的具体运动。这个控制系统本质上是一个离散控制离散关节的轨迹然后将轨迹的离散中间点发送给关节控制器。该系统的特点是关节的所有运动细节都由上控制器生成，关节本身只是一个执行单元，没有任何自主权。这种控制系统是一种集中式结构。 Under this structure, if we want to improve the trajectory accuracy of the robot, we need to increase the number of sampling points of the interpolation point, and the communication rate of the Fieldbus determines the accuracy of the trajectory. In connection with the idea of motion modularity, we hope to establish a modularized trajectory generation component. This component, with motion primitives in joints, can improve the trajectory accuracy and the performance of the robot without increasing the sampling points and communication rate.

目前已经有很多的模块化机器人的研究，但目前的模块化主要是指模块化接头，这在机械和电气方面的模块化。也就是说，只有硬件是模块化的，目前还没有软件模块化。我们希望用运动的模块化技术在系统中，使得运动由运动产生的原语的结构。因此，我们已根据在一个模块化的方式产生运动，改善关节的自主权，并取得了良好的运动性能不发送大量的轨迹的中间点的DMP理论轨迹生成组件。如从结构图中可以看出（图4，模块化系统比传统控制系统多了一个用于DMP模型生成和分析的组件。该系统首先预先计算机器人的运动轨迹，然后利用预先获得的运动轨迹对基本的DMP运动原语进行训练。在获得最佳参数后，我们将这些原语部署到联合驱动程序中。当机器人运行时，关节本身通过运动原语计算轨迹的前馈信息。上位控制器只需以非常低的频率控制关节轨迹的位置，就可以得到精确光滑的轨迹。该系统实现了前馈补充的控制。

数字五示出了添加新的轨迹生成组件到机器人控制系统之后的异同。层次结构是类似的，但也有在每个层中的特定功能的差异。规划层没有从传统的控制器不同，仍然是负责的路径规划。轨迹层负责轨迹解任务与运动原语的产生。具体地，该层应根据系统的优化索引和机器人的运动学和动力学模型计算的联合空间的参考轨迹。接着基于先前获得的轨迹上的DMP模型完成从轨迹映射到运动图元。通信层负责预先部署运动元到机器人关节的驱动程序。因此，操纵器的运动过程中，所述关节驱动器可以根据预部署运动原语生成轨迹的前馈信号。

传统的ly, to obtain a highly accurate and smooth trajectory, the upper controller generally performs reference trajectory sampling and control with a period of 1 ms. The advantage of this new method is that the reference trajectory is generated autonomously by the joint, and the upper controller can greatly improve the control period. For example, the joint’s position loop can be controlled with a period of 10 ms, but the trajectory accuracy and smoothness can also be realized. Figure6展示前馈而这种控制策略的反馈之间的关系。与模块化部件，所述机器人控制系统能够完成复杂的轨迹以小数目的采样点的，实现高速的现场总线与低速总线的控制效果，并提高了轨迹的准确度而不增加实时数据。

4.模拟

为了验证机器人控制系统的轨迹生成方法的可行性，我们需要首先模拟系统。仿真环境是由V-REP和MATLAB平台上构建的。V-REP是机器人集成仿真环境与机器人和环境模型。我们可以快速开发，并通过嵌入的脚本，插件或远程的API [研究机器人算法18]。在V-REP包含动态引擎，支持统一机器人描述格式（URDF）文件。导入与动态特性和机器人的惯性信息的URDF文件，机器人可以动态模拟和关节可被控制。显影剂也可以直接调节关节PID参数。我们将通过V-REP模拟机器人的身体和关节的驱动程序。用户可以操作机器人关节，并通过调用V-REP在MATLAB远程的API获得反馈。因此，我们编写一个程序来模拟机器人在MATLAB控制器。

该模拟使用了SIA-SmartPainting机器人模型作为分析对象，并控制机器人以再现四种类型以不同的方式末端执行器的轨迹（图7)，然后比较分析相关特征。仿真软件的具体版本为V-REP 3.5和MATLAB 2014a。仿真采用V-REP同步模式，仿真周期为5 ms。程序采用MATLAB编写，应用于传统的和模块化的系统架构:

(1)传统建筑:本方案应用于传统建筑的控制系统。上端系统控制关节位置回路，控制周期为50ms，关节上不存在模块化的引射生成组件。

（2）体系结构的模块化：该方案应用于模块化体系结构的控制系统。The upper system controls the position loop of the joint with a control period of 50 ms and there is modularized tajectory generation component on joint. The joint is simulated at the period of 5 ms to generate feedforward signal for the position and velocity loops.

为了使该轨迹的再现性的定量分析，我们定义末端执行器轨迹的姿态误差。由于机器人的姿态矩阵属于特殊欧氏集团 ，未封闭此外，它被认为是结束姿态矩阵映射到相应的李代数错误分析和比较。我们所期望的姿态矩阵 ，实际的轨迹矩阵是 ，使得实际轨迹点是一个一一对应与所述期望的轨迹点。随后的错误一世定义轨迹上的第-点为:

这是两种李代数区别的两个范数。因此，我们可以定义两条轨迹的均方根误差(RMSE):

表1示出了力函数的在不同类型tajectory的权重。表2示出了仿真结果，图的分析8示出了笛卡尔坐标机器人的位置的曲线。在四组模拟，机器人使用的相同的关节PID参数。可以看出，采用模块化的体系结构，更好的控制效果可以用相同的控制周期和相同的数据量而获得。仿真分析证明基于DMP技术轨迹生成组件的可行性。

5.实验

5.1。实验平台

为了验证运动模块化技术在工业机器人控制系统中的实际应用能力，我们搭建了由上位控制器和关节电机驱动器组成的原理验证实验平台(图)9）。上控制器的硬件与实时Linux系统的计算机。该软件系统主要是基于ROS，并已开发的软件包，如轨迹生成，DMP计算和通信。轨迹生成包是基于皮尔工业机器人的轨迹生成库开发[19]。DMP计算包是基于DMPBBO计算库开发的[20.]。数字10显示了实验平台的整体节点结构和信息流，蓝色虚线框指示由节点使用的对应的工具。

关节驱动器基于STM32平台，是一种具有DMP分析的无刷电机驱动器。为了提高电机控制的处理速度和稳定性，将驱动器分为低压侧和高压侧两个独立的部分。每个部分被分配一个独立的CPU。高压侧采用STM32F303芯片，该芯片内部集成了放大器单元，非常实用，适合电机控制应用。该芯片负责电枢电流的采样和PWM的产生。低压侧负责控制和操作，由STM32F405芯片处理。F4芯片包含一个浮点运算单元，可以为数学运算提供很好的支持。因此，在低压侧对无刷电机进行FOC控制、PID计算和DMP分析。数字11是驱动器单元的功能图。数字12是基于STM32的联合电机驱动器。

5.2。实验结果

此时，进行了单关节运动的实验。首先，机器人模型被控制在上控制系统的仿真环境中运行以前的四种类型的端部执行器的轨迹，然后将每个关节的轨迹数据被收集。我们使用的模拟环境训练DMP模型中收集的关节轨迹数据。在那之后，我们提前发送参数的联合驱动程序。关节电动机驱动器接收所述DMP的参数后存储该运动原语。一旦目标点被发送到电机驱动器，电机开始运行。During the motion, the upper controller controls the position loop of the motor in a period of 50 ms, which is longer than the joint feedforward given period (feedforward period is 5 ms). In the middle of the two control signals, the CPU on the low voltage side of the driver calculates the motion feedforward values (position, velocity, and acceleration) in real time. These feedforward signals are inputs of the corresponding control loop of the driver.

既然我们不能显示各关节的结果，我们只显示关节2的典型轨迹曲线（图13)，可以看出系统实现了良好的轨迹重构。实验证明了模块化控制系统在工业机器人控制中的有效性。

6.讨论

目前的工业机器人控制系统集中，和上控制系统负责运动的所有细节，就像人类用脑来指导每块肌肉的运动。然而，神经科学的研究表明，高等动物产生并以模块化的方式控制运动。因此，我们希望机器人控制系统还可以具有运动模块化的能力相同，它通过简单的原语结合复杂的运动和改善关节的自主权。基于所述DMP理论上，这工作建立用于工业机器人控制器模块化轨迹生成组件。首先，运动原语生成的方法由DMP理论构成。随后的功能和组件的效益进行了分析。最后，该系统的可行性进行了仿真和实验证明。

在实际工作中的运动模块化组件的重要性，可以列举如下：(1)关节的自主权得到了提高。关节通过运动原语自动生成运动轨迹的前馈信息，不需要上控制器提供所有运动细节。目前控制周期为1 ms的轨迹精度通过该组件可达到10 ms。这意味着降低对主控制器的实时性要求。我们不需要使用昂贵的实时操作系统。（2）低速现场总线系统可以被使用。由于上控制器的通信周期大大提高，高速总线系统不再是必要的。例如，机器人还可以与CAN总线取代了的EtherCAT总线后取得良好的运动性能。（3）机器人可以实现一个主多从设备控制模式。因为降低了上部控制器的控制频率的。上控制器可以大大降低反馈控制的频率。这意味着，多机器人协作的能力将有所提高。例如，在生产线上，一个上控制器可以负责多个操纵和操作由相同的上控制器同步。这将使它更容易为多机器人协同工作。

本研究还存在以下不足之处，需要在今后的研究中加以改进:（1）接头的时钟同步还没有被考虑。时钟同步是多轴控制的关键问题。这项工作只使用关节本身的本地时钟，并且不具有多轴时钟同步。时钟同步将是以后研究的重点。（2）运动原语的特性不钻研更深。目前系统获得运动由预先计算的轨迹，而不用分析该运动图元的特征基元。我们希望提取运动原语的特征，它们归类，并建立原语和轨迹之间的一对一的映射。

数据可用性

使用或生产此项目中的数据和其他信息将可用于发布。

利益冲突

作者宣称，有兴趣就本文的发布没有conficts。

致谢

本研究由国际热核实验堆(ITER)项目资助，资助项目2012GB102005。

参考

1. 《运动控制和运动学习的模块化》，在电机控制进度，施普林格，2016年查看在：谷歌学术
2. 纳文Kuppuswamy和Christopher M.哈里斯，“不要肌肉协同作用减少行为的维度？”在计算神经科学前沿卷。8，P。63，2014年查看在：出版商的网站|谷歌学术
3. I.泽尔曼，M.提顿，Y. Yekutieli，S. Hanassy，B. Hochner和T.闪光，“运动分解和章鱼手臂运动分类，”在计算神经科学前沿《经济学人》，第7卷第60页，2013年。查看在：出版商的网站|谷歌学术
4. S. A. Overduin, A. d 'Avella, J. M. Carmena，和E. Bizzi，“由微刺激诱发的肌肉协同作用优先编码在行为中，”在计算神经科学前沿卷。8，P。20，2014年查看在：出版商的网站|谷歌学术
5. M.萨托，L. Gizzi，D.G。劳埃德和D.里纳，“A肌骨模型由一维的低脉冲激励原语的从动人类运动的，”在计算神经科学前沿卷。7，P。79，2013。查看在：出版商的网站|谷歌学术
6. W. B.罗杰，“混合模型运动控制系统”论文对控制，施普林格，1993。查看在：谷歌学术
7. B.罗杰，“语言驱动的混合动力系统”，在1994年第33届IEEE会议的决策和控制程序，第4210-4214，IEEE，1994年。查看在：谷歌学术
8. H. Li和R. W.布洛基，“DMDL的编排，”在第44届IEEE会议的决策和控制程序，第4016-4021，IEEE，西班牙，2005年。查看在：谷歌学术
9. 华建华，李洪，王洋，宁，“基于多自由度的随机变时滞移动机器人控制方法”，载IEEE国际会议机器人与自动化，第1772-1777页，IEEE，中国，2011。查看在：谷歌学术
10. 尤金·弗兰克加尔加斯III“生成和使用分立的机器人控制字母表高级任务的”科技，2012佐治亚理工学院。查看在：谷歌学术
11. 赵明，清，龙，“机械臂轨迹生成的运动描述语言”，国立中山大学机械研究所硕士论文IEEE国际会议机器人与仿生学（ROBIO），第1950-1955，IEEE，中国，2017年。查看在：谷歌学术
12. 在A. J. Ijspeert，J.中西和S. Schaal，“学习吸引景观学习电机元，”在神经信息处理系统的进步，第1547至1554年，加拿大，2003。查看在：谷歌学术
13. W. LiuD。ChenL。章，“轨迹生成和用于在人机器人协作机器人操作器的调整方法”，Jiqiren机器人卷。38，没有。4，第504-512，2016。查看在：谷歌学术
14. j . F.-S。林、m . Karg和d . Kulić”运动原始人类运动分割建模:一个分析框架,“IEEE交易在人机系统第46卷，no。3, 2016年325-339页。查看在：出版商的网站|谷歌学术
15. E.吕克特和A. D'艾维拉，“习得与共享的协同参数化动态移动的原语，用于控制机器人和肌肉骨骼系统”，在计算神经科学前沿卷。7，P。138，2013。查看在：出版商的网站|谷歌学术
16. A. J. Ijspeert，J.中西，H.霍夫曼，P.牧师和S. Schaal，“动力运动基元：学习吸引模型运动行为，”神经计算卷。25，没有。2，第328-373，2013。查看在：出版商的网站|谷歌学术
17. F. Stulp和O. Sigaud，“许多回归算法，一个统一的模式：回顾”神经网络卷。69，第60-79，2015年。查看在：出版商的网站|谷歌学术
18. E.侯麦，S. P. N.辛格，和M.弗里斯，“V-REP：一种多功能且可扩展的机器人仿真框架”，在IEEE /智能机器人与系统国际RSJ会议，第1321-1326，IEEE，日本，2013。查看在：谷歌学术
19. 皮尔磁，“皮尔磁工业运动 - 工业轨迹生成moveit！” 2018。查看在：谷歌学术
20. F. Stulp，“DmpBbo - 一个C ++库动态运动的黑箱优化，”基元2014。查看在：谷歌学术

版权

版权所有:刘兆明等这是一篇开放获取下发布的文章知识共享署名许可，允许在任何媒体中不受限制地使用、发布和复制原创作品，只要原稿被正确引用。