基于动力学模型的轮式移动机器人运动控制_张洪宇

文章编号：1006-1576（2008）11-0079-04

基于动力学模型的轮式移动机器人运动控制

张洪宇，张鹏程，刘春明，宋金泽

（国防科技大学机电工程与自动化学院，湖南长沙 410073）

摘要：目前，对不确定非完整动力学系统进行设计的主要方法有自适应控制、预测控制、最优控制、智能控制等。结合WMR动力学建模理论的研究成果，对基于动力学模型的WMR运动控制器的设计和研究进展进行综述，并分析今后的重点研究方向。

关键词：轮式移动机器人；动力学模型；运动控制；非完整系统

中图分类号：TP242.6; TP273 文献标识码：A

Move Control of Wheeled Mobile Robot Based on Dynamic Model

ZHANG Hong-yu, ZHANG Peng-cheng, LIU Chun-ming, SONG Jin-ze

(College of Electromechanical Engineering & Automation, National University of Defense Technology, Changsha 410073, China) Abstract: At present, methods of non-integrity dynamic systems design mainly include adaptive control, predictive control, optimal control, intelligence control and so on. Based on analyzing the recent results in modeling of WMR dynamics, a survey on motion control of WMR based on dynamic models was given. In addition, future research directions on related topics were also discussed.

Keywords: Wheeled mobile robot; Dynamic model; Motion control; Non-integrity system

0 引言

随着生产的发展和科学技术的进步，移动机器人系统在工业、建筑、交通等实际领域具有越来越广泛的应用和需求。进入21世纪，随着移动机器人应用需求的扩大，其应用领域已从结构化的室内环境扩展到海洋、空间和极地、火山等环境。较之固定式机械手，移动机器人具有更广阔的运动空间，更强的灵活性。移动机器人的研究必须解决一系列问题，包括环境感知与建模、实时定位、路径规划、运动控制等，而其中运动控制又是移动机器人系统研究中的关键问题。故结合WMR动力学建模理论的研究成果，对基于动力学模型的WMR运动控制器设计理论和方法的研究进展进行研究。

1 WMR动力学建模

有关WMR早期的研究文献通常针对WMR的运动学模型。但对于高性能的WMR运动控制器设计，仅考虑运动学模型是不够的。文献[1]提出了带有动力小脚轮冗余驱动的移动机器人动力学建模方法，以及WMR接触稳定性问题和稳定接触条件。文献[2]提出一种新的WMR运动学建模的方法，这种方法是基于不平的地面，从每个轮子的雅可比矩阵中推出一个简洁的方程，在这新的方程中给出了车结构参数的物理概念，这样更容易写出从车到接触点的转换方程。文献[3]介绍了与机器人动作相关的每个轮子的雅可比矩阵，与旋转运动的等式合并得出每个轮子的运动方程。文献[4]基于LuGre干摩擦模型和轮胎动力学提出一种三维动力学轮胎/道路摩擦模型，不但考虑了轮胎的径向运动，同时也考虑了扰动和阻尼摩擦下动力学模型，模型不但可以应用在轮胎/道路情况下，也可应用在对车体控制中。在样例中校准模型参数和证实了模型，并用于广泛应用的“magic formula”中，这样更容易估计摩擦力。在文献[5]中同时考虑运动学和动力学约束，其中提出新的计算轮胎横向力方法，并证实了这种轮胎估计的方法比线性化的轮胎模型好，用非线性模型来模拟汽车和受力计算，建立差动驱动移动机器人模型，模型本身可以当作运动控制器。

2 WMR运动控制器设计的主要发展趋势

在WMR控制器设计中，文献[6]给出了全面的分析，WMR的反馈控制根据控制目标的不同，可以大致分为3类：轨迹跟踪（Trajectory tracking）、路径跟随（Path following）、点镇定（Point stabilization）。轨迹跟踪问题指在惯性坐标系中，机器人从给定的初始状态出发，到达并跟随给定的参考轨迹。路径跟随问题是指在惯性坐标系中，机器人从给定的初始状态出发，到达并跟随指定的几何

收稿日期：2008-05-19；修回日期：2008-07-16

作者简介：张洪宇（1978-）男，国防科学技术大学在读硕士生，从事模式识别与智能系统研究。

，

路径。两者的区别：前者的参考轨迹依赖于时间变量，而后者的路径独立于时间变量。点镇定是指系统从给定的初始状态到达并稳定在指定的目标状态，一般将系统的平衡点作为目标点。对WMR而言，点镇定又可称为姿态镇定（Posture stabilization）或姿态调节（Posture regulation）。

在WMR运动控制的理论研究中，一般假设WMR的非完整约束是一种理想约束[7]，即轮子与地面为点接触，并且接触点处只有纯滚动而不发生相对滑动（包括侧向滑动和纵向滑动）。根据Brockett 条件[8]可知：非完整系统用时不变光滑反馈不能在平衡点渐进稳定，不存在将系统镇定到非奇异位形的光滑时不变静态状态反馈控制律。实际上，连续的时不变静态状态反馈控制律也不存在[9]。Pomet 推广了Brockett的结论，指出连续（光滑）时不变动态状态反馈律同样不存在[10]。这就给出了镇定控制的本质的约束：不存在使得非完整系统镇定的连续时不变状态反馈律。这样，非完整系统镇定控制律的可能形式受到了本质的约束，经典线性系统理论中许多成熟结果无法直接应用于非完整系统的镇定控制；而非完整WMR还是本质非线性的欠驱动无漂移动力学系统，所以其控制更加困难。

在现实WMR控制中，非完整系统有很强的应用背景，具有高度非线性和强耦合特征，是复杂的多输入多输出系统。由于测量和建模不精确，加上负载的变化和外界干扰，很难获得精确的系统模型。因此，基于精确模型的反馈控制律在实际中存在局限性，研究不确定非完整系统更具实际意义。

近年来有关不确定非完整系统镇定和跟踪问题的文献很多，主要是因为对不确定性或干扰采用了不同的模型，以及使用了不同的处理方法以实现鲁棒性或适应性目标。目前，对不确定非完整动力学系统进行设计的主要方法有自适应控制、预测控制、最优控制、智能控制等。

(1) 自适应控制

大多数WMR自适应控制器设计都假设系统中的不确定性可用常系数进行参数线性化。文献[11]全面介绍了自适应控制方法在WMR运动控制中的应用，对其中自适应能力和对不确定WMR建模方法进行了分析，并对比说明了控制效果。

传统的自适应控制器设计往往基于一个参数或慢时变的系统模型，针对传统的自适应控制器设计的这个缺点，可应用模糊推理机制扩展对环境扰动（如：在文献[12]中提到的可变摩擦）的补偿。针对非二次系统的控制器设计，文献[13]的跟踪控制中应用线性化输入输出模型的方法来得到1个最小二次方，这样提高了自适应能力。在文献[14]的轨迹跟踪问题中把状态反馈控制器与自适应控制器结合来估计未知的方向误差，其中考虑了动态模型，用输入输出线性化的方法来动态跟踪参考轨迹。应用自适应控制在解决轨迹跟踪和姿态镇定的问题时，经常把镇定问题常转化为等价的跟踪问题[15]。

(2) 预测控制方法

预测控制技术是非重要的领域，在移动机器人预测方法领域因为参考轨迹可以提前知道，路经跟踪是非常有希望实现的。多数的以模型为基础的预测控制器用线性化的WMR运动学模型来预测未来系统的输出。在文献[16]中选择了通用的预测控制来实现移动机器人的控制，其中用二次损失函数来惩罚跟踪误差，来实现控制代价最小化。使用Smith 预测器的通用预测控制器来估计系统时延的方法在文献[17]应用。在文献[18]中基于线性时变描述的系统时用了模型预测控制，控制规律还是通过最优化的损失函数来得到。对于轨迹跟踪问题的非线性预测控制在文献[19]中提到，其中使用一个多层神经网络来对非线性运动学的移动机器人建模，向先前研究的一样，控制向量的最优解也是通过最小化的损失函数来获得。文献[20]把模型预测控制用在WMR轨迹跟踪控制，线性化的跟踪误差预测未来系统行为，用二次损失函数惩罚系统跟踪误差和控制效果来得出控制律。提出的控制器包括对速度和加速度的约束来防止WMR侧滑，用Smith预测器来补偿视觉死区。在真实WMR试验中，把提出的控制器与时变状态反馈控制器进行了比较。

(3) 最优控制

文献[13,20,21]等在WMR控制中都应用了最优控制理论，针对四轮驱动的WMR动力学模型，采用Pacejka轮胎模型，在文献[22]的多输入系统中，通过设计控制器完成状态反馈和控制分配，用线性二次规划来设计控制器得到状态空间模型，求得二次型性能指标的最优控制器。通过正反两方面对控制器参数的调整来分析控制器性能，试验结果证实在和目标冲突时控制策略成功地最小化了反对命令，在转弯失败的情况下也能保持较好的轨迹。

(4) 智能控制方法

以神经网络、模糊控制、进化算法、增强学习

方法等为代表的智能控制方法，由于其良好的学习功能，对干扰和模型参数不确定具有较好的鲁棒性；再加上智能控制方法设计出的控制律本身可能是不连续的，可以避开Brockett必要条件，为解决不确定非完整系统的控制问题提供了新的手段，因而越来越受到重视。

①神经网络控制

自适应控制、最优控制、预测控制等方案大多假定系统中的模型不确定性可采用常系数进行参数线性化。这要求预先掌握动力学模型信息，并且需要大量的数学推导。一旦系统的环境和结构发生改变，则需要重新建立数学模型，使得系统的适应性较差。神经网络模拟人脑神经网络的结构和功能的大规模并行非线性系统，具有强大的学习功能，其容错能力、非线性逼近能力使得它在WMR建模与控制中得到了广泛应用。神经网络控制方法基本不依赖于模型。将神经网络应用于具有高度非线性的非完整系统控制，可以有效降低系统不确定性对控制器性能的影响，从而提高系统对环境的适应能力。文献[23]对基于小脑模型关节控制器（CMAC）的直接梯度增强学习算法进行了研究，并在WMR路经跟踪控制中应用。目前，把神经网络应用到WMR 控制中的文献也很丰富[24～26]。

②模糊控制

模糊控制是以模糊数学、模糊语言形式的知识表示和模糊逻辑的规则推理为基础，是具有反馈通道的闭环控制。模糊控制器主要由模糊化、知识库、模糊推理和清晰化4部分组成。模糊控制是模仿人的一种控制方法。在模糊控制中，通过用一组语言描述的规则来表示专家的知识。模糊控制中还包括模糊条件语句和模糊控制规则。模糊控制处理WMR在未知动态系统和非确定性环境有很多成功应用的例子[24,27,28]。然而，模糊控制器的性能依靠它的基本规则，这个基本规则可能很难编译。为达到要求的性能，提出了学习和调节模糊规则的一些方法，较流行的基于数据输入输出模糊系统方法：查表法；梯度下降训练；最小二次递归；聚类法等。可是，输入输出数据可能不容易利用，上述的方法属于监督学习的方法。另一个广泛使用的方法是利用基于Lyapunov自适应规律的合成方法[29]，在文献中也指出了其缺点：需要一些系统模型信息；只能针对一些特殊类别的系统。

③增强学习（reinforcement learning）应用到控制系统

增强学习思想基于这样的常识：如果一个动作后得到了令人满意的状态，或对性能有提高，那么产生这种动作的趋势就加强。从本质上说，增强学习是直接的自适应最优控制[30]，不像监督学习，正确的动作或轨迹对增强学习不是必须的，应用增强学习的环境可以是非结构化的或者有关环境的先验信息很少或完全未知的。

文献[23]研究了增强学习在移动机器人路径跟踪控制器设计和优化中的应用。提出了基于增强学习的自适应PID控制器设计方法。该方法通过神经网络增强学习算法实现了PID增益的自适应优化整定，具有不依赖对象动力学模型，能实现在线优化的特点。其中分别针对无人驾驶汽车和室内移动机器人的路径跟踪控制问题，研究了增强学习PID控制器在上述问题中的应用。文献[27]提出在考虑非完整约束WMR获取最优动作一个新颖的方法，算法是用增强学习方法同时来建立和更新车模型和最优行为，这种方法克服了增强学习技术在应用到连续的非线性系统的限制。文献[31]提出一种基于增强学习来调节模糊控制器参数的方法，这种结构包括Q网络估计器（QEN）和Takagi-Sugeno-type模糊参考系统（TSK-FIS）组成。一般的Q学习方法是基于有限离散动作选择最优的动作，这种方法不象其他的模糊Q学习方法，而是设计的控制器从TSK-FIS中直接获得控制输出。QEN用来估计最优值函数，FIS基于QEN提出估计值函数产生控制输出。QEN和FIS参数的学习算法是基于瞬时差分（TD）和梯度下降算法，在车辆径向控制系统研究说明该设计方法的性能。

3 结论

由于传统控制方法较成熟，应用传统控制方法针对机器人动力学模型控制器设计已得到验证，故在能获得精确的WMR模型时，应用传统控制方法可得到很好的控制效果。增强学习已引起了国际学术界的关注，增强学习对不利分析和很难获得控制对象模型时，求解最优控制方法和决策问题提供有效的方法，在WMR控制领域中有广阔的应用前景。参考文献：

[1] Y.P.Li, T.Zielinska, M.H. Ang Jr.,C.W. Lim. Vehicle

Dynamics of Redundant Mobile Robots with Powered Caster Wheels[J]. SIMTech Technical Reports, 2007, 8(2):

98-103.

[2] Yong Chang, Dalong Tan. Kinematics Analysis of a

Six-Wheeled Mobile Robot[M]. Proceedings of the 2006

IEEE/RSJ International Conference on Intelligent Robots

and Systems October 9-15, Beijing: 2006.

[3] M. Tarokh and G. Mcdermott, Kinematics Modeling and

Analyses of Articulated Rovers[J]. IEEE Trans. Rovotics

and Automation, 2005, 21(1): 8.

[4] Xavier Claeys, Jinggang Yi, Luis Alvarez. A Dynamic

Tire/Road Friction Model for 3D Vehicle Control and

Simulation[J]. IEEE Intelligent Transportation Systems

Conference Proceedings-Oakland (CA), USA-August

2001: 25-29; 483-488.

[5] J.R.Asensio, L. Montano. A Kinematic and Dynamic

Model-based Motion Controller for Mobile Robots[C].

15th Triennial World Congress, Barcelona, Spain, 2002. [6] Luca A D, Oriolo G, Vendittelli M. Control of wheeled

Mobile Robots: An experimental Overview RAMSETE-

Articulated and Mobile Robotics for Services and

Technologies[J]. Nicosia S, Siciliano B, Bicchi A, et al,

Springer, 2001: 270; 181-216.

[7] Goldstein H. Classical Mechanics[M]. Reading: Addison-

Wesley, 1980.

[8] R.W. Brockett. Asymptotic Stability and Feedback

Stabilization, in: R.W. Brockett, R.S. Millman, H.J.

Sussmann (Eds.), Differential Geometric Control Theory,

Birkh Auser, Boston, MA, 1983: 181-191.

[9] Jiang Z P. Robust Exponential Regulation of

Nonholonomic Systems with Uncertainties[J].

Automatica, 2000, 36(2): 189-209．

[10] Pomet J B. Explicit Design of Time-Varying Stabilizing

Laws for a Class of Controllable Systems Without

Drift[J]. Systems & Control Letters, 1992, 18(2):

147-158．

[11] F. Pourboghrat, M.P. Karlsson, Adaptive Control of

Dynamic Mobile Robots with Nonholonomic constraints

[J]. Computers and Electrical Engineering, 2002(28):

241–253.

[12] F.M. Raimondi, M. Melluso, A new Fuzzy Dynamics

Controller for Autonomous Vehicles with Nonholonomic

Constraints, Robotics and Autonomous Systems 52, 2005:

115-131.

[13] D.-H. Kim, J.-H. Oh, Tracking Control of a Two-Wheeled

Mobile Robot Using Input-Output Linearization[J].

Control Engineering Practice, 1999, 7(3): 369-373.

[14] S.P.M. Noijen, P.F. Lambrechts, H. Nijmeijer, An

Observer-Controller Combination for a Unicycle Mobile

Robot[J]. International Journal of Control, 2005, 78(2):

81-87.

[15] F. Pourboghrat, M.P. Karlsson, Adaptive Control of

Dynamic Mobile Robots with Nonholonomic Constraints[J]. Computers and Electrical Engineering,

2002(28): 241–253.

[16] A. Ollero, O. Amidi, Predictive Path Tracking of Mobile

robots. Application to the CMU Navlab, in: Proceedings

of 5th International Conference on Advanced Robotics,

Robots in Unstructured Environments[J]. ICAR’91, Pisa,

Italy, 1991(2): 1081-1086.

[17] J.E. Normey-Rico, J. Gomez-Ortega, E.F. Camacho, A

Smith-Predictorbased Generalised Predictive Controller

for Mobile Robot Path-Tracking[J]. Control Engineering

Practice 1999, 7(6): 729-740.

[18] F. K¨uhne, W.F. Lages, J.M. Gomes da Silva Jr., Model

Predictive Control of a Mobile Robot Using Linearization[C]. in: Proceedings of Mechatronics and

Robotics 2004, Aachen: Germany, 2004.

[19] D. Gu, H. Hu, Neural predictive control for a car-like

Mobile Robot[J]. Robotics and Autonomous Systems,

2002, 39(2): 73-86.

[20] Gregor Klancar, Igor Skrjanc, Tracking-Error

Model-Based Predictive Control for Mobile Robots in

Real Time[J]. Robotics and Autonomous Systems, 2007,

55: 460-469.

[21] Tomás Martínez-Marín. Learning Optimal Motion

Planning for Car-like Vehicles, Proceedings of the 2005

International Conference on Computational Intelligence

for Modelling, Control and Automation, and International Conference on Intelligent Agents, Web

Technologies and Internet Commerce. 0-7695-2504-0/05,

2005.

[22] John Harris Plumlee, Multi-input Ground Vehicle Control

Using Quadratic Programming Based Control Allocation

Techniques. Thesis Submitted to the Graduate Faculty of

Auburn University. 2004, 5.

[23] 徐昕. 增强学习及其在移动机器人导航与控制中的应

用研究[D]. 长沙: 国防科技大学博士学位论文, 2002. [24] Jinzhu Peng, Yaonan Wang, Wei Sun. Trajectory-Tracking

Control for Mobile Robot Using Recurrent Fuzzy Cerebellar Model Articulation Controller[J]. Neural Information Processing–Letters and Reviews, 2007, 11(1):15-23.

[25] Julien Scharl, Dimitri Mavris，Building Parametric and

Probabilistic Dynamic Vehicle Models Using Neural

Networks, AIAA 2001-4373.

[26] Toronto, Ontario, Canada,Using Reflexes to Speed ANN

Learning in an Autonomous Mobile Robot.

[27] J. E. Naranjo, C. Gonzalez, J. Reviejo, R. Garcia, and T.

De Pedro, Adaptive Fuzzy Control for Inter-Vehicle Gap

Keeping[J]. IEEE Trans. Intell.Transp. Syst., 2003, 4(3),

132–142.

[28] Stable Adaptive fuzzy control of nonlinear systems[J].

IEEE Trans.Fuzzy Syst., 1993, 1(2): 146-155.

[29] R. S. Sutton, A. G. Barto, R. J. Williams,

Reinforcement Learning is Direct Adaptive Optimal

Control[J]. IEEE Control Syst. Mag., 1992, 12(2): 19-22. [30] R. S. Sutton, A. G. Barto, R. J. Williams. Reinforcement

Learning is Direct Adaptive Optimal Control[J]. IEEE

Control Syst. Mag., 1992, 12(2): 19-22.

[31] Xiaohui Dai, Chi-Kwong Li. An Approach to Tune Fuzzy

Controllers Based on Reinforcement Learning for Autonomous Vehicle Control[J]. IEEE Transactions on

Intelligent Transportation Systems, SEPTEMBER 2005,

6(3): 285.

用平面二连杆机器人为例贯穿运动学、雅可比、动力学、轨迹规划甚至控制与编程分析

一、平面二连杆机器人手臂运动学 平面二连杆机械手臂如图1所示，连杆1长度1l ，连杆2长度2l 。建立如图1所示的坐标系，其中，),(00y x 为基础坐标系，固定在基座上，),(11y x 、),(22y x 为连体坐标系，分别固结在连杆1和连杆2上并随它们一起运动。关节角顺时针为负逆时针为正。 图1平面双连杆机器人示意图 1、用简单的平面几何关系建立运动学方程 连杆2末段与中线交点处一点P 在基础坐标系中的位置坐标： ) sin(sin )cos(cos 2121121211θθθθθθ++=++=l l y l l x p p （1） 2、用D-H 方法建立运动学方程 假定0z 、1z 、2z 垂直于纸面向里。从),,(000z y x 到),,(111z y x 的齐次旋转变换矩阵为： ?? ??? ???????-=100 010000cos sin 00sin cos 1 111 01θθ θθT （2） 从),,(111z y x 到),,(222z y x 的齐次旋转变换矩阵为： ?? ??? ???????-=100 010000cos sin 0sin cos 2 212212 θθ θθl T （3） 从),,(000z y x 到),,(222z y x 的齐次旋转变换矩阵为：

? ???? ???????+++-+=?? ??? ? ? ?? ???-?????????????-=?=10000100sin 0)cos()sin(cos 0)sin()cos( 1000010 000cos sin 0sin cos 1000 010000cos sin 00sin cos 1121211121212212 2111 1120102θθθθθθθθθθθθθθθθ θθl l l T T T （4） 那么，连杆2末段与中线交点处一点P 在基础坐标系中的位置矢量为： ? ?? ? ? ???????=????????????++++=? ? ? ?? ? ?????????????? ?? ???+++-+=?=110)sin(sin )cos( cos 10010000100sin 0)cos()sin(cos 0)sin()cos( 212112121121121211121212 020p p p z y x l l l l l l l P T P θθθθθθθθθθθθθθθθ （5） 即， ) sin(sin )cos(cos 2121121211θθθθθθ++=++=l l y l l x p p （6） 与用简单的平面几何关系建立运动学方程（1）相同。 建立以上运动学方程后，若已知个连杆的关节角21θθ、，就可以用运动学方程求出机械手臂末端位置坐标，这可以用于运动学仿真。 3、平面二连杆机器人手臂逆运动学 建立以上运动学方程后，若已知个机械臂的末端位置，可以用运动学方程求出机械手臂二连杆的关节角21θθ、，这叫机械臂的逆运动学。逆运动学可以用于对机械臂关节角和末端位置的控制。对于本例中平面二连杆机械臂，其逆运动学方程的建立就是已知末端位置 ),(p p y x 求相应关节角21θθ、的过程。推倒如下。 （1）问题 ) sin(sin )cos(cos 2121121211θθθθθθ++=++=l l y l l x p p 已知末端位置坐标),(p p y x ，求关节角21θθ、。 （2）求1θ

机器人的动力学控制

机器人的动力学控制 The dynamics of robot control 自123班 庞悦 3120411054

机器人的动力学控制 摘要：机器人动力学是对机器人机构的力和运动之间关系与平衡进行研究的学科。机器人动力学是复杂的动力学系统，对处理物体的动态响应取决于机器人动力学模型和控制算法。机器人动力学主要研究动力学正问题和动力学逆问题两个方面，需要采用严密的系统方法来分析机器人动力学特性。本文使用MATLAB 来对两关节机器人模型进行仿真，进而对两关节机器人进行轨迹规划，来举例说明独立PD 控制在机器人动力学控制中的重要作用。 Abstract: for the robot dynamics is to study the relation between the force and movement and balance of the subject.Robot dynamics is a complex dynamic system, on the dynamic response of the processing object depending on the robot dynamics model and control algorithm.Kinetics of robot research dynamics problem and inverse problem of two aspects, the need to adopt strict system method for the analysis of robot dynamics.This article USES MATLAB to simulate two joints, the robot, in turn, the two joints, the robot trajectory planning, to illustrate the independent PD control plays an important part in robot dynamic control. 一 动力学概念 机器人的动力学主要是研究动力学正问题和动力学逆问题两个方面，再进一步研究机器人的关节力矩，使机器人的机械臂运动到指定位臵，其控制算法一共有三种：独立PD 控制，前馈控制和计算力矩控制，本文主要介绍独立PD 控制。 动力学方程：)()(),()(q G q F q q q C q q M +++=? ????τ

仿人机器人运动学和动力学分析

国防科学技术大学 硕士学位论文 仿人机器人运动学和动力学分析 姓名：王建文 申请学位级别：硕士 专业：模式识别与智能系统 指导教师：马宏绪 20031101

能力；目前，ＡＳＩＭＯ代表着仿人机器人研究的最高水平，见图卜２。２０００年，索尼公司也推出了自己研制的仿人机器人ＳＤＲ一３Ｘ，２００２年又研制出了ＳＤＲ一４Ｘ，见图卜３。日本东京大学也一直在进行仿人机器人的研究，与Ｋａｗａｄａ工学院合作相继研制成功了Ｈ５、Ｈ６和Ｈ７仿人机器人，其中Ｈ６机器人高１．３７米，体重５５公斤，具有３５个自由度，目前正在开发名为Ｉｓａｍｕ的新一代仿人机器人，其身高１．５米，体重５５公斤，具有３２个自由度。日本科学技术振兴机构也在从事ＰＩＮＯ机器人的研究，ＰＩＮＯ高０．７５米，采用２９个电机驱动，见图卜４。日本Ｗａｓｅｄａ大学一直在从事仿人机器人研究计划，研制的ｗＬ系列仿人机器人和ＷＥＮＤＹ机器人在机器人界有很大的影响，至今已投入１００多万美元，仍在研究之中。Ｔｏｈｏｋｕ大学研制的Ｓａｉｋａ３机器人高１．２７米，重４７公斤，具有３０个自由度。美国的ＭＩＴ和剑桥马萨诸塞技术学院等单位也一直在从事仿人机器人研究。德国、英国和韩国等也有很多单位在进行类似的研究。 图卜１Ｐ２机器人图卜２ＡＳＩＭＯ机器人图１．３ＳＤＲ－４Ｘ机器人图１－４ＰＩＮＯ机器人 图卜５第一代机器人图ｌ－６第二代机器人图１．７第三代机器人图１—８第四代机器人 在国家“８６３”高技术计划和自然科学基金的资助下，国内也开展了仿人机器人的研究工作。目前，国内主要有国防科技大学、哈尔滨工业大学和北京理工大学等单位从事仿人机器人的研究。国防科技大学机器人实验室研制机器人已有１０余年的历史，该实验室在这期间分四阶段推出了四代机器人，其中，２０００年底推出的仿人机器入一“先行者”一是国内第一台仿人机器人。２００３年６月，又成功研制了一台具有新型机械结构和运动特性的仿人机器人，这台机器人身高１．５５米，体重６３．５公斤，共有３６个自由度，脚踝有力 第２页

用平面三连杆机器人为例贯穿运动学、雅可比、动力学、轨迹规划甚至控制与编程

精心整理 一、平面二连杆机器人手臂运动学 平面二连杆机械手臂如图1所示，连杆1长度1l ，连杆2长度2l ，连杆3长度为3l 。建立如图1所示的坐标系，其中，),(00y x 为基础坐标系，固定在基座上，),(11y x 、),(22y x 、33(,)x y 为连体坐标系，分别固结在连杆1、连杆2、连杆3上并随它们一起运动。关节角顺时针为负逆时针为正。 1 θ 图11112123123p p x y 2、用D-H 方法建立运动学方程 假定0z 、1z 、2z 垂直于纸面向外。从),,(000z y x 到),,(111z y x 的齐次旋转变换矩阵为： ?? ??? ???????-=100 010000cos sin 00sin cos 1 11101 θθ θθT （2）

从),,(111z y x 到),,(222z y x 的齐次旋转变换矩阵为： ?? ??? ???????-=100 010000cos sin 0sin cos 2 212212θθ θθl T （3） 从222(,,)x y z 到333(,,)x y z 的齐次旋转变换矩阵为： 33212cos sin 0l T θθ-????=从(003T =003P =结论：（6）与用简单的平面几何关系建立运动学方程（1）相同。 补充：正解用于仿真，逆解用于控制 建立以上运动学方程后，若已知个连杆的关节角123θθθ、、，就可以用运动学方程求出机械手臂末端位置坐标，这可以用于运动学仿真。 3、平面二连杆机器人手臂逆运动学 二、平面二连杆机器人手臂的速度雅可比矩阵 速度雅可比矩阵的定义：从关节速度向末端操作速度的线性变换。现已二连杆平面机器人为例推导速度雅可比矩阵。 上面的运动学方程两边对时间求导，得到下面的速度表达式：

机器人机械臂运动学分析(仅供借鉴)

平面二自由度机械臂动力学分析 [摘要] 机器臂是一个非线性的复杂动力学系统。动力学问题的求解比较困难，而且需要较长的运算时间，因此，这里主要对平面二自由度机械臂进行动力学研究。本文采用拉格朗日方程在多刚体系统动力学的应用方法分析平面二自由度机械臂的正向动力学。经过研究得出平面二自由度机械臂的动力学方程，为后续更深入研究做铺垫。 [关键字] 平面二自由度 一、介绍 机器人是一个非线性的复杂动力学系统。动力学问题的求解比较困难，而且需要较长的运算时间，因此，简化解的过程，最大限度地减少工业机器人动力学在线计算的时间是一个受到关注的研究课题。 机器人动力学问题有两类： (1) 给出已知的轨迹点上的，即机器人关节位置、速度和加速度，求相应的关节力矩向量Q r。这对实现机器人动态控制是相当有用的。 (2) 已知关节驱动力矩，求机器人系统相应的各瞬时的运动。也就是说，给出关节力矩向量τ，求机器人所产生的运动。这对模拟机器人的运动是非常有用的。 二、二自由度机器臂动力学方程的推导过程 机器人是结构复杂的连杆系统，一般采用齐次变换的方法，用拉格朗日方程建立其系统动力学方程，对其位姿和运动状态进行描述。机器人动力学方程的具体推导过程如下： (1) 选取坐标系，选定完全而且独立的广义关节变量θr ，r=1, 2,…, n。 (2) 选定相应关节上的广义力F r：当θr是位移变量时，F r为力；当θr是角度变量时， F r为力矩。 (3) 求出机器人各构件的动能和势能，构造拉格朗日函数。 (4) 代入拉格朗日方程求得机器人系统的动力学方程。 下面以图1所示说明机器人二自由度机械臂动力学方程的推导过程。

FANUC 机械手资料相关 机器人正运动学方程的D-H表示法

2.8机器人正运动学方程的D-H表示法 在1955年，Denavit和Hartenberg在“ASME Journal of Applied Mechanics”发表了一篇论文，后来利用这篇论文来对机器人进行表示和建模，并导出了它们的运动方程，这已成为表示机器人和对机器人运动进行建模的标准方法，所以必须学习这部分内容。Denavit-Hartenberg(D-H)模型表示了对机器人连杆和关节进行建模的一种非常简单的方法，可用于任何机器人构型，而不管机器人的结构顺序和复杂程度如何。它也可用于表示已经讨论过的在任何坐标中的变换，例如直角坐标、圆柱坐标、球坐标、欧拉角坐标及RPY坐标等。另外，它也可以用于表示全旋转的链式机器人、SCARA机器人或任何可能的关节和连杆组合。尽管采用前面的方法对机器人直接建模会更快、更直接，但D-H表示法有其附加的好处，使用它已经开发了许多技术，例如，雅克比矩阵的计算和力分析等。 假设机器人由一系列关节和连杆组成。这些关节可能是滑动（线性）的或旋转（转动）的，它们可以按任意的顺序放置并处于任意的平面。连杆也可以是任意的长度（包括零），它可能被弯曲或扭曲，也可能位于任意平面上。所以任何一组关节和连杆都可以构成一个我们想要建模和表示的机器人。 为此，需要给每个关节指定一个参考坐标系，然后，确定从一个关节到下一个关节（一个坐标系到下一个坐标系）来进行变换的步骤。如果将从基座到第一个关节，再从第一个关节到第二个关节直至到最后一个关节的所有变换结合起来，就得到了机器人的总变换矩阵。在下一节，将根据D-H表示法确定一个一般步骤来为每个关节指定参考坐标系，然后确定如何实现任意两个相邻坐标系之间的变换，最后写出机器人的总变换矩阵。

机器人学第六章(机器人运动学及动力学)

第六章 机器人运动学及动力学 6.1 引论 到现在为止我们对操作机的研究集中在仅考虑动力学上。我们研究了静力位置、静力和速度，但我们从未考虑过产生运动所需的力。本章中我们考虑操作机的运动方程式——由于促动器所施加的扭矩或作用在机械手上的外力所产生的操作机的运动之情况。 机构动力学是一个已经写出很多专著的领域。的确，人们可以花费以年计的时间来研究这个领域。显然，我们不可能包括它所应有的完整的内容。但是，某种动力学问题的方程式似乎特别适合于操作机的应用。特别是，那种能利用操作机的串联链性质的方法是我们研究的天然候选者。 有两个与操作机动力学有关的问题我们打算去解决。向前的动力学问题是计算在施加一 组关节扭矩时机构将怎样运动。也就是，已知扭矩矢量τ，计算产生的操作机的运动Θ、Θ 和Θ 。这个对操作机仿真有用，在逆运动学问题中，我们已知轨迹点Θ、Θ 和Θ ，我们欲求出所需要的关节扭矩矢量τ。这种形式的动力学对操作机的控制问题有用。 6.2 刚体的加速度 现在我们把对刚体运动的分析推广到加速度的情况。在任一瞬时，线速度矢量和角速度矢量的导数分别称为线加速度和角加速度。即 B B Q Q B B Q Q 0V ()V ()d V V lim dt t t t t t ?→+?-==? （6-1） 和 A A Q Q A A Q Q 0()()d lim dt t t t t t ?→Ω+?-ΩΩ=Ω=? （6-2） 正如速度的情况一样，当求导的参坐标架被理解为某个宇宙标架{}U 时我们将用下面的记号 U A AORG V V = （6-3） 和 U A A ω=Ω （6-4）

6.2.1 线加速度 我们从描述当原点重合时从坐标架{}A 看到的矢量B Q 的速度 A A B A A Q B Q B B V V B R R Q =+Ω? （6-5） 这个方程的左手边描述A Q 如何随时间而变化。所以，因为原点是重合的，我们可以重写（6-5）为 A A B A A B B Q B B d ()V dt B B R Q R R Q =+Ω? （6-6） 这种形式的方程式当推导对应的加速度方程时特别有用。 通过对（6-5）求导，我们可以推出当{}A 与{}B 的原点重合时从{}A 中看到的B Q 的 加速度表达式 A A B A A A A Q B Q B B B B d d V (V )()dt dt B B R R Q R Q =+Ω?+Ω? （6-7） 现在用（6-6）两次── 一次对第一项，一次对最后一项。（6-7）式的右侧成为： A B A A A A B Q B B Q B B A A A A B B Q B B V () +Ω?+Ω?+Ω?+Ω? B B B B R R V R Q R V R Q （6-8） 把相同两项合起来 A B A A A A B Q B B Q B B A A A B B B V 2 () +Ω?+Ω?+Ω?Ω? B B B R R V R Q R Q （6-9） 最后，为了推广到原点不重合的情况，我们加上一项给出{}B 的原点的线加速度的项，得到下面的最后的一般公式 A B A A A A BORG B Q B B Q B B A A A B B B V 2 () ++Ω?+Ω?+Ω?Ω? A B B B V R R V R Q R Q （6-10） 对于我们将在本章上考虑的情况，我们总是有B Q 为不变，或 B Q Q V 0== B V （6-11） 所以，（6-10）简化为 A A A A A A Q BORG B B B B B V ()=+Ω?Ω?+Ω? A B B V R Q R Q （6-12） 我们将用这一结果来计算操作机杆件的线加速度。 6.2.2 角加速度 考虑{}B 以A B Ω相对于{}A 转动的情况，而{}C 以B C Ω相对于{}B 转动。为了计算 A C Ω我们把矢量在坐标架{}A 中相加

基于动力学模型的轮式移动机器人运动控制_张洪宇

文章编号：1006-1576（2008）11-0079-04 基于动力学模型的轮式移动机器人运动控制 张洪宇，张鹏程，刘春明，宋金泽 （国防科技大学机电工程与自动化学院，湖南长沙 410073） 摘要：目前，对不确定非完整动力学系统进行设计的主要方法有自适应控制、预测控制、最优控制、智能控制等。结合WMR动力学建模理论的研究成果，对基于动力学模型的WMR运动控制器的设计和研究进展进行综述，并分析今后的重点研究方向。 关键词：轮式移动机器人；动力学模型；运动控制；非完整系统 中图分类号：TP242.6; TP273 文献标识码：A Move Control of Wheeled Mobile Robot Based on Dynamic Model ZHANG Hong-yu, ZHANG Peng-cheng, LIU Chun-ming, SONG Jin-ze (College of Electromechanical Engineering & Automation, National University of Defense Technology, Changsha 410073, China) Abstract: At present, methods of non-integrity dynamic systems design mainly include adaptive control, predictive control, optimal control, intelligence control and so on. Based on analyzing the recent results in modeling of WMR dynamics, a survey on motion control of WMR based on dynamic models was given. In addition, future research directions on related topics were also discussed. Keywords: Wheeled mobile robot; Dynamic model; Motion control; Non-integrity system 0 引言 随着生产的发展和科学技术的进步，移动机器人系统在工业、建筑、交通等实际领域具有越来越广泛的应用和需求。进入21世纪，随着移动机器人应用需求的扩大，其应用领域已从结构化的室内环境扩展到海洋、空间和极地、火山等环境。较之固定式机械手，移动机器人具有更广阔的运动空间，更强的灵活性。移动机器人的研究必须解决一系列问题，包括环境感知与建模、实时定位、路径规划、运动控制等，而其中运动控制又是移动机器人系统研究中的关键问题。故结合WMR动力学建模理论的研究成果，对基于动力学模型的WMR运动控制器设计理论和方法的研究进展进行研究。 1 WMR动力学建模 有关WMR早期的研究文献通常针对WMR的运动学模型。但对于高性能的WMR运动控制器设计，仅考虑运动学模型是不够的。文献[1]提出了带有动力小脚轮冗余驱动的移动机器人动力学建模方法，以及WMR接触稳定性问题和稳定接触条件。文献[2]提出一种新的WMR运动学建模的方法，这种方法是基于不平的地面，从每个轮子的雅可比矩阵中推出一个简洁的方程，在这新的方程中给出了车结构参数的物理概念，这样更容易写出从车到接触点的转换方程。文献[3]介绍了与机器人动作相关的每个轮子的雅可比矩阵，与旋转运动的等式合并得出每个轮子的运动方程。文献[4]基于LuGre干摩擦模型和轮胎动力学提出一种三维动力学轮胎/道路摩擦模型，不但考虑了轮胎的径向运动，同时也考虑了扰动和阻尼摩擦下动力学模型，模型不但可以应用在轮胎/道路情况下，也可应用在对车体控制中。在样例中校准模型参数和证实了模型，并用于广泛应用的“magic formula”中，这样更容易估计摩擦力。在文献[5]中同时考虑运动学和动力学约束，其中提出新的计算轮胎横向力方法，并证实了这种轮胎估计的方法比线性化的轮胎模型好，用非线性模型来模拟汽车和受力计算，建立差动驱动移动机器人模型，模型本身可以当作运动控制器。 2 WMR运动控制器设计的主要发展趋势 在WMR控制器设计中，文献[6]给出了全面的分析，WMR的反馈控制根据控制目标的不同，可以大致分为3类：轨迹跟踪（Trajectory tracking）、路径跟随（Path following）、点镇定（Point stabilization）。轨迹跟踪问题指在惯性坐标系中，机器人从给定的初始状态出发，到达并跟随给定的参考轨迹。路径跟随问题是指在惯性坐标系中，机器人从给定的初始状态出发，到达并跟随指定的几何 收稿日期：2008-05-19；修回日期：2008-07-16 作者简介：张洪宇（1978-）男，国防科学技术大学在读硕士生，从事模式识别与智能系统研究。 ，

机器人运动学知识介绍

机器人运动学知识介绍 收藏 21:53|发布者: dynamics|查看数: 1125|评论数: 2| 来自: 东方早报 摘要: 现在你可能正拿着一本书，边看边翻页，并时不时回头，越过肩膀察看后面是否有红眼的恶意机器人。随着书页的翻动，你也许会在无意识里考虑这个问题。作为人类，在物理世界移动是如此自然，只需要一丁点的意识即可。而 ... 丹尼尔·威尔逊 现在你可能正拿着一本书，边看边翻页，并时不时回头，越过肩膀察看后面是否有红眼的恶意机器人。随着书页的翻动，你也许会在无意识里考虑这个问题。作为人类，在物理世界移动是如此自然，只需要一丁点的意识即可。而另一方面，机器人———就像最后一个选择踢球的孩子———为了避免伤到自己和别人，每一个动作都必须经过仔细考虑。机器 人专家管这个过程叫做“操作研究”。 前进和逆转 如果你醒来发现自己处在一具新的躯体中，拥有金属手臂，每只手只有三根手指，你会怎么样呢？如果不知道手臂的长度，拿东西会很困难；如果只有三根手指，那么你必须找到一个全新的抓取和握东西的方法；由于弯曲的金属手臂，你可能再也没有约会的机会。这些就是身处各地的孤独的机器人们所面临的重大问题。 运动学研究旨在解决机器人的手臂转向何方(动力学则为了解决移动的速度和劲道)。机器人运动学可分两类：前进和逆转。前进运动学的问题是机器人运用它对自身的了解(关节角度和手臂长度)来判断自己在三维空间中到底身处何方。这算是简单的部分，逆转运动学正好相反，它解决机器人如何移动才能达到合适的姿势(改变关节位置)这一问题。机器人在握你手之前，需要知道你手的大概方位，以及从这里移向那里的最优顺序。有时候，可能没有最好的解决方案(试试用你的右手碰你的右肘)。 对逆转运动学来说，大多数方案运用传感器(通常是视觉和力)来估计机器人身体的当前位置。只要有了这个，机器人就能够计划下一步行动(握手、问好或绞断你的脖子)。机器人的反应很敏捷，日本ATR实验室的类人机器人能够更新视觉，估计世界形势，并且在一秒钟里能够做60个动作。这些类人机器人已经能够跳舞，耍弄彩球，玩篮球和曲棍球。 扫描环境和选择动作的过程叫做反馈环路。新的信息被经常性地用于更新当前的决定。如果缺乏经常性更新，机器人的操作技能会变得糟糕。传感器的损伤(或非常不可信赖的传感器)会干扰这一重要的环路。比如以视觉为基础的跟踪遇到混乱的场景会大受干扰，或者浪费资源去跟踪一些无意义的目标(比如落叶等)。震动可以扰乱力传感器，即使它们位于机器人手臂的内部。虽然机器人能够反应得更快更精确，但它们总是依赖于不断更新的信息和持续改进的计划。