Все выпуски

В работе рассматривается построение модели жесткости для антропоморфных платформ. Применяется эластостатическая модель жесткости для определения ошибок позиционирования для нижних конечностей робота. Одной из ключевых проблем в достижении быстрой и стабильной ходьбы двуногого робота являются отклонения, вызванные податливостью элементов робота. Эта проблема была решена с использованием метода виртуальных пружин для моделирования жесткости и нахождения деформаций, вызванных весом робота и силами, возникающими во время ходьбы в одноопорной и двухопорной фазах.

Для моделирования робота в фазе одноопорной поддержки робот представлен как последовательная кинематическая цепочка с базой в месте контакта опорной ноги и рабочим органом в ступне свободной ноги. Для фазы двухопорной поддержки робот моделируется как параллельный манипулятор с базой в точках контакта ног с поверхностью и рабочим органом в тазу.

В большинстве работ, связанных с моделированием жесткости, как правило, моделируется только податливость шарниров. В данной работе используются два метода построения модели: с учетом податливости звеньев и шарниров и с учетом податливости только шарниров. При этом производится идентификация значения жесткости каждого шарнира на полной модели, что позволяет учесть часть влияния податливости звена, пересчитанную на шарнир. Идентификация параметров жесткости шарниров произведена для двух антропоморфных роботов: малой платформы и полноразмерного AR-601M.

Для идентифицированных параметров были построены карты отклонений, показывающие ошибку позиционирования в зависимости от положения ступни робота в рабочем пространстве. Максимальную амплитуду в данном случае имеет Z компонента вектора отклонений вследствие влияния массы робота на его конструкцию.

In the work modeling method of anthropomorphic platforms is presented. An elastostatic stiffness model is used to determine positioning errors in the robot’s lower limbs. One of the main problems in achieving a fast and stable gait are deflections caused by the flexibility in the elements of the robot. This problem was solved using virtual joint modeling to predict stiffness and deformation caused by the robot weight and external forces.

To simulate a robot in the single-support phase, the robot is represented as a serial kinematic chain with a base at the supporting leg point of contact and an end effector in the swing leg foot. In the double support phase robot modeled as a parallel manipulator with an end effector in the pelvis. In this work, two cases of stiffness modeling are used: taking into account the compliance of the links and joints and taking into account only the compliance of joints. In the last case, joint compliances also include part of the link compliances. The joint stiffness parameters have been identified for two anthropomorphic robots: a small platform and a full-sized AR-601M.

Deflections maps were calculated using identified stiffness parameters and showing errors depending on the position of the robot end effector in the workspace. The errors in Z directions have maximum amplitude, due to the influence of the robot mass on its structure.

В данной работе показаны преимущества использования алгоритмов искусственного интеллекта для планирования эксперимента, позволяющих повысить точность идентификации параметров для эластостатической модели робота. Планирование эксперимента для робота заключается в подборе оптимальных пар «конфигурация – внешняя сила» для использования в алгоритмах идентификации, включающих в себя несколько основных этапов. На первом этапе создается эластостатическая модель робота, учитывающая все возможные механические податливости. Вторым этапом выбирается целевая функция, которая может быть представлена как классическими критериями оптимальности, так и критериями, напрямую следующими из желаемого применения робота. Третьим этапом производится поиск оптимальных конфигураций методами численной оптимизации. Четвертым этапом производится замер положения рабочего органа робота в полученных конфигурациях под воздействием внешней силы. На последнем, пятом, этапе выполняется идентификация эластостатичесих параметров манипулятора на основе замеренных данных.

Целевая функция для поиска оптимальных конфигураций для калибровки индустриального робота является ограниченной в силу механических ограничений как со стороны возможных углов вращения шарниров робота, так и со стороны возможных прикладываемых сил. Решение данной многомерной и ограниченной задачи является непростым, поэтому предлагается использовать подходы на базе искусственного интеллекта. Для нахождения минимума целевой функции были использованы следующие методы, также иногда называемые эвристическими: генетические алгоритмы, оптимизация на основе роя частиц, алгоритм имитации отжига т. д. Полученные результаты были проанализированы с точки зрения времени, необходимого для получения конфигураций, оптимального значения, а также итоговой точности после применения калибровки. Сравнение показало преимущество рассматриваемых техник оптимизации на основе искусственного интеллекта над классическими методами поиска оптимального значения. Результаты данной работы позволяют уменьшить время, затрачиваемое на калибровку, и увеличить точность позиционирования рабочего органа робота после калибровки для контактных операций с высокими нагрузками, например таких, как механическая обработка и инкрементальная формовка.

This paper demonstrates the advantages of using artificial intelligence algorithms for the design of experiment theory, which makes possible to improve the accuracy of parameter identification for an elastostatic robot model. Design of experiment for a robot consists of the optimal configuration-external force pairs for the identification algorithms and can be described by several main stages. At the first stage, an elastostatic model of the robot is created, taking into account all possible mechanical compliances. The second stage selects the objective function, which can be represented by both classical optimality criteria and criteria defined by the desired application of the robot. At the third stage the optimal measurement configurations are found using numerical optimization. The fourth stage measures the position of the robot body in the obtained configurations under the influence of an external force. At the last, fifth stage, the elastostatic parameters of the manipulator are identified based on the measured data.

The objective function required to finding the optimal configurations for industrial robot calibration is constrained by mechanical limits both on the part of the possible angles of rotation of the robot’s joints and on the part of the possible applied forces. The solution of this multidimensional and constrained problem is not simple, therefore it is proposed to use approaches based on artificial intelligence. To find the minimum of the objective function, the following methods, also sometimes called heuristics, were used: genetic algorithms, particle swarm optimization, simulated annealing algorithm, etc. The obtained results were analyzed in terms of the time required to obtain the configurations, the optimal value, as well as the final accuracy after applying the calibration. The comparison showed the advantages of the considered optimization techniques based on artificial intelligence over the classical methods of finding the optimal value. The results of this work allow us to reduce the time spent on calibration and increase the positioning accuracy of the robot’s end-effector after calibration for contact operations with high loads, such as machining and incremental forming.