当前位置: 首页 > news >正文

【机器人】机械臂轨迹和转矩控制对比

动力学控制轨迹跟踪控制是机器人控制中的两个概念,它们在目标、方法和应用上有所不同,但也有一定关联。以下是它们的区别和联系:


1. 动力学控制

动力学控制是基于机器人动力学模型的控制方法,目标是控制机器人关节力矩或力,使其达到期望的状态(如位置、速度、加速度)。

特点
  • 目标:根据期望的关节轨迹(位置、速度和加速度),计算关节力矩 τ\tau,使机器人沿着期望的轨迹运动。
  • 依赖动力学模型:通过动力学方程计算关节力矩,公式为:
适用场景
  • 用于高动态性能要求的任务。
  • 复杂的操作环境,例如考虑机器人动力学耦合和外部干扰的场景。
  • 提供关节力矩控制接口的伺服驱动器或系统。
示例


2. 轨迹跟踪控制

轨迹跟踪控制的重点是控制机器人沿着给定的轨迹运动。它关注的是末端执行器的位置和姿态是否准确地跟随给定的轨迹。

特点
  • 目标:使机器人末端的实际轨迹 x_{act}跟随期望轨迹 x_{des}
  • 控制层次:可以基于关节空间(Joint Space)或笛卡尔空间(Task Space)实现。
    • 在关节空间中,轨迹跟踪通过计算每个关节的期望位置。
    • 在笛卡尔空间中,轨迹跟踪控制的是机器人末端的空间位姿。
实现方法
  1. 关节空间轨迹跟踪

    • 给定每个关节的期望轨迹 q_{des}(t)
    • 使用位置控制器(如 PID 控制)驱动关节运动。
    • 不一定需要动力学模型。
  2. 笛卡尔空间轨迹跟踪

    • 给定机器人末端在笛卡尔空间中的期望轨迹。
    • 通过逆运动学计算得到关节空间的期望轨迹。
适用场景
  • 机器人末端需要执行复杂轨迹任务,例如焊接、绘图、喷涂等。
  • 对末端轨迹跟踪精度要求较高。
示例

使用逆运动学计算末端期望位置x_{des} 所需的关节角 q_{des}(t),然后通过位置控制或动力学控制实现轨迹跟踪。


3. 两者的区别

特性动力学控制轨迹跟踪控制
目标控制关节力矩 τ\tau 使机器人实现期望轨迹。控制机器人末端或关节跟随期望轨迹。
依赖模型需要精确的动力学模型,包括惯性、重力和摩擦等参数。不一定需要动力学模型,但需要运动学或逆运动学计算。
控制变量力矩 Tau、力 F。末端轨迹(位姿)或关节位置 q。
应用场景动力学建模精确、高动态性能任务(如力控、动态轨迹任务)。末端任务复杂、轨迹精确要求高(如绘图、喷涂)。
实现难度实现复杂,需要精确的动力学建模和复杂控制算法。相对简单,可基于位置控制或运动学计算实现。
对轨迹跟踪的支持可以通过力矩直接实现轨迹跟踪(高精度)。轨迹跟踪是核心目标,但控制方法可以多样化(简单或复杂)。

4. 联系

  • 动力学控制是实现轨迹跟踪控制的一个手段:
    • 轨迹跟踪控制可以利用动力学控制器,通过计算关节力矩 Tau 实现期望轨迹。
  • 轨迹跟踪控制可以独立于动力学控制,使用简单的 PID 控制器实现(如位置控制)。

5. 举例对比

动力学控制:

你需要机器人运动得非常流畅,并能考虑到惯性、重力和外部干扰的影响。例如:

  • 机器人以高精度抓取快速移动的物体。
  • 机器人在轨迹运动中承受非平衡负载(如搬运物品)。
轨迹跟踪控制:

你只需要机器人末端沿着特定路径运动,而不关心内部的动态特性。例如:

  • 机器人在平面上画一个正弦曲线。
  • 机器人按计划路径运动,但不需要处理动力学耦合。

总结

  • 动力学控制是实现机器人高精度控制的底层手段,通过直接控制力矩来影响运动。
  • 轨迹跟踪控制更注重实现末端的路径准确性,是一个更高层的控制目标,可以通过多种方式(动力学控制、位置控制等)实现。
http://www.lryc.cn/news/507961.html

相关文章:

  • 如何利用矩阵化简平面上的二次型曲线
  • 【系统移植】制作SD卡启动——将uboot烧写到SD卡
  • sql server 数据库还原,和数据检查
  • 工业大数据分析算法实战-day12
  • Hive其一,简介、体系结构和内嵌模式、本地模式的安装
  • LSTM-SVM时序预测 | Matlab基于LSTM-SVM基于长短期记忆神经网络-支持向量机时间序列预测
  • MacPorts 中安装高/低版本软件方式,以 RabbitMQ 为例
  • CVPR2024 | 通过集成渐近正态分布学习实现强可迁移对抗攻击
  • 建投数据与腾讯云数据库TDSQL完成产品兼容性互认证
  • 群晖利用acme.sh自动申请证书并且自动重载证书的问题解决
  • 质量小议51 - 茧房
  • 【C++图论】2359. 找到离给定两个节点最近的节点|1714
  • 重拾设计模式-外观模式和适配器模式的异同
  • 51c自动驾驶~合集42
  • 34 Opencv 自定义角点检测
  • 信创技术栈发展现状与展望:机遇与挑战并存
  • 跟我学c++中级篇——C++中的缓存利用
  • 二叉树_堆
  • word文档中有大量空白行删除不掉,怎么办?
  • python rabbitmq实现简单/持久/广播/组播/topic/rpc消息异步发送可配置Django
  • 构建高性能异步任务引擎:FastAPI + Celery + Redis
  • 永磁同步电机无速度算法--全阶滑模观测器
  • 部署开源大模型的硬件配置全面指南
  • 三、使用langchain搭建RAG:金融问答机器人--检索增强生成
  • Day13 用Excel表体验梯度下降法
  • 计算机组成原理的学习笔记(5)--数据的表示与运算·其四 浮点数的储存和加减/内存对齐/大端小端
  • 华为IPD流程6大阶段370个流程活动详解_第二阶段:计划阶段 — 86个活动
  • 如何使用 Flask 框架创建简单的 Web 应用?
  • 将Minio设置为Django的默认Storage(django-storages)
  • sed | 一些关于 sed 的笔记