一种允许碰撞的绳索牵引并联机器人的数据驱动控制策略

1.本发明涉绳索牵引并联机器人技术领域，尤其是涉及一种允许碰撞的绳索牵引并联机器人的数据驱动控制策略。


背景技术：

2.绳索牵引并联机器人(cdpr)是一种由一组柔性绳索驱动的机器人，由于具有低惯性、工作空间范围大、驱动系统紧凑和高有效载荷重量比等优点，cdpr得到广泛的应用。然而，对于一个cdpr，多绳索结构可能会导致碰撞的发生，碰撞会导致cdpr出现不可预测的行为，因此，无碰撞约束通常应用于现有的cdpr的应用和研究。
3.近年来，学者们建议允许碰撞来扩大cdpr的工作空间，然而，允许碰撞也给cdpr的运动学和动力学建模带来挑战。如果允许绳索和复杂障碍物之间发生碰撞，现有的研究就不再能解决cdpr的运动学和动力学建模问题和基于动力学的控制问题。随着障碍物数量的增加和障碍物表面的复杂化，使得根据cdpr的参数和结构进行运动学和动力学建模的方法将会变得不方便，甚至不可行。
4.为了获得难以基于结构进行建模的机器人的运动学或动力学模型，研究人员提出了数据驱动的建模策略。由于神经网络(nns)的发展，近年来数据驱动的建模策略通常是基于nns这一载体的。giorelli等学者基于数据驱动建模技术解决了非恒定曲率柔性机械臂的逆运动学问题。为了实现欠约束驱动悬挂式绳索牵引并联机器人的运动学控制，aflakian等学者基于神经网络估计了绳索牵引并联机器人的位置。chawla等学者提出应用神经网络来解决反向和正向的动态静力学问题，并将绳索的质量和弹性考虑在内。该研究中神经网络用于表示无应变绳索长度、绳索拉力和末端执行器位姿之间的隐式关系。mishra等学者开发了一种神经网络，用于在重力作用下对带有弹性绳索的悬挂式绳索牵引并联机器人进行实时正向几何静力学分析。在我们之前的研究中，神经网络用于完全约束(fully-constrained)的绳索牵引并联机器人的逆动力学建模。然而，对于允许绳索与复杂表面或多个障碍物发生碰撞的cdpr，数据驱动动力学建模策略尚不适用。没有动力学模型，基于动力学的控制策略就无法用于允许碰撞的cdpr。


技术实现要素：

5.本发明的目的是提供一种允许碰撞的绳索牵引并联机器人的数据驱动控制策略，该策略可以同时解决允许碰撞的平面cdpr的动力学建模和最优拉力分布问题。
6.为实现上述目的，本发明提供了一种允许碰撞的绳索牵引并联机器人的数据驱动控制策略，包括以下技术方案：
7.s1、阐述初步工作；
8.s2、提出一种基于动力学的数据驱动控制策略；
9.s3、将已开发的数据驱动建模策略和基于动力学的数据驱动控制策略应用于一个允许绳索与多个障碍物之间发生碰撞的由三根绳索驱动两个自由度(dof)的平面cdpr；
10.s4、总结。
11.优选的，所述s1具体为：
12.s1.1建立cdpr动力学模型
13.设置一个允许与m根绳索发生碰撞的n个自由度的cdpr，一个cdpr的末端执行器的动力学模型可以基于牛顿—欧拉公式表示为：
[0014][0015]
其中分别表示末端执行器的速度和加速度，m(x)是质量矩阵，表示科里奥利矩阵和向心矩阵，g(x)是重力向量，ω表示应用在末端执行器上的力螺旋；
[0016]
施加在末端执行器上的力螺旋可以表示为：ω＝jτ；
[0017]
其中j是cdpr的雅可比矩阵，τ＝[τ1,v1,...,vm]
t
是一个绳索拉力向量；
[0018]
对于无碰撞约束的cdpr，雅可比矩阵可以表示为：
[0019][0020]
其中ci(i＝1，2，...，m)是第i根绳索的单位向量；可以表示为：
[0021][0022]
s1.2基于动力学的cdpr控制策略
[0023]
对于具有无碰撞约束的cdpr的位姿控制，由一个在任务空间中的控制器确定一个目标力螺旋(表示为ω
*
)，该目标力螺旋用来控制cdpr由当前位姿运动到目标位姿(表示为x
*
)；根据目标力螺旋ω
*
，确定关节空间中的目标绳索拉力(表示为τ
*
)，然后驱动器施加目标电缆拉力τ
*
在cdpr上，并将cdpr驱动到目标位姿x
*
；
[0024]
s1.3问题陈述
[0025]
对于一个允许绳索和多个复杂障碍之间发生碰撞的cdpr，很难解析地确定单位向量ci和cdpr的雅可比矩阵j，该情况下，无法通过目标力螺旋ω
*
来求解在关节空间中的目标绳索拉力τ
*
，也无法将基于传统动力学的控制策略用于cdpr的控制上。
[0026]
优选的，所述s2具体为：
[0027]
s2.1首先执行数据驱动建模策略，其步骤如下：
[0028]
(1)生成由末端执行器的位姿、绳索拉力和末端执行器上的力螺旋组成的数据样本；
[0029]
(2)从收集的数据样本中选择特定的预处理后数据样本；
[0030]
(3)基于预处理后的数据样本和神经网络建立一个tsjs模型；
[0031]
s2.2基于所建立的tsjs模型，执行数据驱动动力学控制策略，其实现步骤如下：
[0032]
(1)将建立的tsjs模型迁移到基于传统动力学的控制策略中，从而建立基于数据驱动的动力学控制策略；
[0033]
(2)根据基于传统动力学的控制策略和末端执行器的参数，在任务空间中设计一个控制器；
[0034]
(3)基于tsjs模型和任务空间中的控制器来控制允许碰撞的cdpr。
[0035]
优选的，所述s3具体为：
[0036]
s3.1实验设置
[0037]
首先开发了一个平面cdpr样机，在一个底座上固定有5个障碍物的环境中对cdpr样机进行实验，所述障碍物包括圆柱体和具有平滑边缘的方形柱体，所述圆柱体标号为o1、o2和o5，所述方形柱体标号为o3和o4；
[0038]
s3.2数据生成
[0039]
将cdpr样机水平放置，并在底座上固定一个具有高摩擦系数的垫片，末端执行器初始化到cdpr的可行区域的四个“角”附近的区域，由三个电机产生三个绳索拉力的组合，最终收集末端执行器的位置x，绳索拉力τ，施加在末端执行器上的力f和末端执行器的速度
[0040]
s3.3数据选择
[0041]
对采集到的数据样本进行预处理，从采集的数据样本中去除末端执行器在x方向或y方向的速度大于1.2m/s的离群数据样本；然后，使用ks方法选择800个预处理后的数据样本，在本发明中，一对数据样本之间的距离，记为[xi,yi]
t
和[xj,yj]
t
，定义为
[0042][0043]
s3.4数据验证
[0044]
根据所提出的数据驱动建模策略，基于fnn和预处理后的数据样本学习tsjs模型，80％预处理后的数据样本用于训练，20％预处理后的数据样本用于验证；
[0045]
s3.5基于动力学控制的轨迹跟踪
[0046]
cdpr样机由数据驱动控制策略和障碍物简化控制策略控制，以跟踪圆形目标轨迹，目标轨迹可以表示为：
[0047][0048]
其中，t是一个时间参数，x
*
，y
*
单位为米。
[0049]
优选的，所述s4具体为：
[0050]
本发明讨论了由多根绳索驱动的多自由度的cdpr的动力学建模和控制，允许绳索和多个复杂障碍之间发生碰撞，提出了一种数据驱动的动力学建模策略，建立了一个tsjs模型，在tsjs模型的基础上，提出了一种基于数据驱动的动力学控制策略。
[0051]
因此，本发明采用上述的一种允许碰撞的绳索牵引并联机器人的数据驱动控制策略，该策略可以同时解决允许碰撞的平面cdpr的动力学建模和最优拉力分布问题。
[0052]
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
[0053]
图1是本发明一种允许碰撞的绳索牵引并联机器人的数据驱动控制策略实施例中允许绳索和障碍物之间发生碰撞的cdpr符号；
[0054]
图2是本发明一种允许碰撞的绳索牵引并联机器人的数据驱动控制策略实施例中基于无碰撞约束的cdpr的传统动力学控制策略流程图；
[0055]
图3是本发明一种允许碰撞的绳索牵引并联机器人的数据驱动控制策略实施例中
基于fnn的tsjs模型的结构示意图；
[0056]
图4是本发明一种允许碰撞的绳索牵引并联机器人的数据驱动控制策略实施例中收集的数据样本中所包含的末端执行器的位置；
[0057]
图5是本发明一种允许碰撞的绳索牵引并联机器人的数据驱动控制策略实施例中预处理后的数据样本中所包含的末端执行器的位置；
[0058]
图6是本发明一种允许碰撞的绳索牵引并联机器人的数据驱动控制策略实施例中训练良好的tsjs模型的平均验证误差；
[0059]
图7是本发明一种允许碰撞的绳索牵引并联机器人的数据驱动控制策略实施例中由选定的tsjs模型确定的绳索拉力组合的最小绳索拉力；
[0060]
图8是本发明一种允许碰撞的绳索牵引并联机器人的数据驱动控制策略实施例中由选定的tsjs模型确定的绳索拉力组合的平均绳索拉力；
[0061]
图9是本发明一种允许碰撞的绳索牵引并联机器人的数据驱动控制策略实施例中两种策略的轨迹跟踪图。
具体实施方式
[0062]
以下通过附图和实施例对本发明的技术方案作进一步说明。
[0063]
除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
[0064]
实施例一
[0065]
本发明公开了一种允许碰撞的绳索牵引并联机器人(cdpr)的数据驱动控制策略，包括以下技术方案：
[0066]
s1、阐述初步工作，其具体为：
[0067]
s1.1建立cdpr动力学模型
[0068]
图1为建立的一个允许与m根绳索发生碰撞的n个自由度的cdpr，ai和bi(i＝1，2，...，m)分别表示第i根绳索在基座和末端执行器上的锚定点，锚定点ai和bi的位置分别用向量ai和bi表示；
[0069]
一个cdpr的末端执行器的动力学模型可以基于牛顿—欧拉公式表示为：
[0070][0071]
其中分别表示末端执行器的速度和加速度，m(x)是质量矩阵，表示科里奥利矩阵和向心矩阵，g(x)是重力向量，ω表示应用在末端执行器上的力螺旋；
[0072]
施加在末端执行器上的力螺旋可以表示为：ω＝jτ；
[0073]
其中j是cdpr的雅可比矩阵，τ＝[τ1,τ1,...,τm]
t
是一个绳索拉力向量；
[0074]
对于无碰撞约束的cdpr，雅可比矩阵可以表示为：
[0075][0076]
其中ci(i＝1，2，...，m)是第i根绳索的单位向量；可以表示为：
[0077][0078]
s1.2基于动力学的cdpr控制策略
[0079]
对于具有无碰撞约束的cdpr的位姿控制，图2中总结了一种基于传统动力学的控制策略的流程图，由一个在任务空间中的控制器确定一个目标力螺旋(表示为ω
*
)，该目标力螺旋用来控制cdpr由当前位姿运动到目标位姿(表示为x
*
)；根据目标力螺旋ω
*
，确定关节空间中的目标绳索拉力(表示为τ
*
)，然后驱动器施加目标电缆拉力τ
*
在cdpr上，并将cdpr驱动到目标位姿x
*
；
[0080]
s1.3问题陈述
[0081]
对于一个允许绳索和多个复杂障碍之间发生碰撞的cdpr，很难解析地确定单位向量ci和cdpr的雅可比矩阵j。该情况下，无法通过目标力螺旋ω
*
来求解在关节空间中的目标绳索拉力τ
*
，也无法将基于传统动力学的控制策略用于cdpr的控制上。
[0082]
s2、提出一种基于动力学的数据驱动控制策略，其具体为：
[0083]
图3中总结了实现数据驱动建模策略和基于数据驱动的动力学控制策略的步骤，s2.1首先执行数据驱动建模策略，其步骤如下：
[0084]
(1)生成由末端执行器的位姿、绳索拉力和末端执行器上的力螺旋组成的数据样本。数据样本包括末端执行器的位姿、绳索拉力、末端执行器上的力螺旋以及其他必要的元素(例如，末端执行器的速度)。在数据生成中，可以通过绳索拉力或机械臂等外部设备将末端执行器移动到不同的位姿处。在生成数据时，应该让驱动器施加绳索拉力的某些组合在末端执行器上，并通过向末端执行器施加足够大的摩擦力或采用外部装置(例如，机械臂)来使末端执行器保持在准静态状态下。
[0085]
为了使得数据样本包括符合最优拉力分布的绳索拉力组合，以实现由n+1根绳索驱动n个自由度的力螺旋，在数据生成中应使n+1根绳索中至少一根绳索的拉力为最小绳索拉力。然后，需要测量末端执行器上的力螺旋和末端执行器的位姿。随后记录下末端执行器的位姿、绳索拉力和末端执行器上的力螺旋作为数据样本。
[0086]
(2)从收集的数据样本中选择特定的预处理后数据样本。为了提高tsjs模型的精度，需要对收集的数据样本进行预处理，以去除异常数据样本并保留均匀分布的数据样本。然后使用经过预处理的数据样本来建立tsjs模型。为了对对收集的数据样本进行预处理，首先需要去除异常数据样本。可以根据所收集的数据样本的末端执行器的位姿或速度来查找异常数据样本。
[0087]
由于数据驱动建模策略假设末端执行器处于准静态状态，因此如果一个数据样本的末端执行器的速度大于某一个临界值，则应去除该数据样本。随后，可以基于数据样本对之间的距离，根据kennard-stone(ks)算法来选取数据样本。可以基于数据样本中末端执行器的位姿(或者末端执行器的位姿和末端执行器上的力螺旋)来定以数据样本对之间的距离。需要注意的是，绳索牵引并联机器人的位姿的单位可能是不一致的，例如米(m)和度
(deg)。为了解决该问题，可以在计算数据样本对之间的距离前先对数据进行归一化(normalization)处理。
[0088]
(3)基于预处理后的数据样本，可以建立一个tsjs模型，该模型可将在某个位姿下施加在末端执行器上的力螺旋映射成绳索拉力。一个tsjs模型j
tsjs
(ω,x)满足
[0089]
τ＝j
tsjs
(ω,x)；
[0090]
根据普遍逼近原理(universal approximationtheorem)，对于一个非线性输入-输出映射，能够通过使用具有有限个神经元的单隐层前馈神经网络(feedforwardneuralnetwork，fnn)来逼近任何一个连续函数。tsjs模型可以通过使用前馈神经网络拟合预处理后的数据样本来学习得到。特别地，若使用如图3所示的前馈神经网络来建立一个由n+1根绳索驱动的允许碰撞的n-dof的cdpr的tsjs模型，则需要神经网络具有2n个输入和n+1个输出。
[0091]
根据参考文献中提出的fnn隐层大小优化算法，可以确定fnn的合适大小。根据fnn隐层大小优化算法，应在逐步增加fnn隐层神经元个数的基础上学习tsjs模型，然后根据不同隐层神经元个数下学习的tsjs模型的精度来确定最佳的隐层神经元个数。需要注意的是，tsjs模型的输入和输出应该是有界的，因为在实际的数据样本中，末端执行器的位姿、绳索拉力和末端执行器上的力螺旋都是有界的。
[0092]
s2.2基于所建立的tsjs模型，进行基于数据驱动的动力学控制策略，其实现步骤如下：
[0093]
(1)将建立的tsjs模型迁移到基于传统动力学的控制策略中，从而建立基于数据驱动的动力学控制策略；
[0094]
(2)根据基于传统动力学的控制策略和末端执行器的参数，在任务空间中设计一个控制器；为了控制允许碰撞的平面cdpr，基于传统动力学的控制策略在任务空间中的控制器同样适用于允许碰撞的cdpr。因此，可以基于上述方法之一以及末端执行器的结构和参数来设计任务空间中的控制器。
[0095]
对于允许碰撞的平面cdpr，由于在数据驱动动力学控制策略中使用了tsjs模型，因此末端执行器的的动力学模型可以通过将ωe添加到式式‖ωe‖＝‖ω
*-jj
tsjs
(ω
*
,x)‖≤ω
max
中而改写为：
[0096][0097]
其中ωe表示误差上界。
[0098]
在本发明中，设计了一种基于pid控制的控制器，其可以被设计为：
[0099][0100]
其中kd，k
p
，ki表示pid控制器的增益，e＝x
*-x表示姿态误差，t是一个时间参数，i表示一个对角元素为1的方阵，表示对时间的导数。
[0101]
(3)应用基于tsjs模型和任务空间中的控制器的数据驱动动力学控制策略来控制允许碰撞的绳索牵引并联机器人。对于允许碰撞的绳索牵引并联机器人的位姿控制，任务空间中的控制器通过目标位姿和末端执行器的位姿来确定任务空间中的目标力螺旋ω
*
。然后，tsjs模型根据目标力螺旋ω
*
和末端执行器的位姿x计算输出目标绳索拉力τ
*
。最后，驱动器施加目标绳索拉力τ
*
来控制绳索牵引并联机器人的末端执行器移动到目标位姿。
[0102]
s3、将已开发的数据驱动建模策略和基于数据驱动的动力学控制策略应用于一个允许绳索与多个障碍物之间发生碰撞的由三根绳索驱动两个自由度(dof)的平面cdpr，其具体为：
[0103]
s3.1实验设置
[0104]
首先开发了一个平面cdpr样机，该平面cdpr样机由三根绳索驱动，有两个可控的平移自由度。三个带滑轮的直驱电机被用于驱动绳索，滑轮的半径为0.05m。实验中可行的绳索拉力范围为0n至45n。这三根绳索连接到固定在力传感器上的同一锚定点上。该实验通过该力传感器测量绳索施加在末端执行器上的合力。末端执行器的位置和速度由动作捕捉系统测量得到。末端执行器的质量为4.772kg。cdpr样机的运行频率为50hz。
[0105]
在一个底座上固定有5个障碍物的环境中对cdpr样机进行实验，所述障碍物包括圆柱体和具有平滑边缘的方形柱体，所述圆柱体标号为o1、o2和o5，所述方形柱体标号为o3和o4；在实验中，第一根绳索可能会与o1发生碰撞，第二根绳索可能会与o2和o3发生碰撞，第三根绳索可能会与o4和o5发生碰撞。在该实验环境中，根据cdpr样机的参数和结构，很难建立起它的逆动力学模型。
[0106]
设基坐标系的原点fb位于正方形底座的中心，末端执行器坐标系的原点fe位于末端执行器的中心。当fb与fe相互重合时，末端执行器上锚定点的位置、底座上锚定点的位置和基坐标系中障碍物的位置如表1所示。由此，末端执行器的位置的可行区域如表2所示，x和y反应了末端执行器的位移量。
[0107]
表1锚定点和障碍物的位置(单位：m)
[0108][0109][0110]
表2末端执行器位置的可行区域(单位：m)
[0111][0112]
s3.2数据生成
[0113]
将cdpr样机水平放置，并在底座上固定一个具有高摩擦系数的垫片，末端执行器初始化到cdpr的可行区域的四个“角”附近的区域，由三个电机产生三个绳索拉力的组合，最终收集末端执行器的位置x，绳索拉力τ，施加在末端执行器上的力f和末端执行器的速度本发明共收集了5524个数据样本，所采集的数据样本中所包含的末端执行器的位置如图4所示。
[0114]
s3.3数据选择
[0115]
对采集到的数据样本进行预处理，从采集的数据样本中去除末端执行器在x方向或y方向的速度大于1.2m/s的离群数据样本；然后，使用ks方法选择800个预处理后的数据样本，ks方法可使所有样本之间的最小距离最大化，使预处理后的数据样本分布均匀。在本发明中，一对数据样本之间的距离，记为[xi,yi]
t
和[xj,yj]
t
，定义为
[0116][0117]
预处理后的数据样本中所包含的末端执行器的位置如图5所示，结果表明，预处理后的数据样本中的末端执行器的位置均匀地分布在可行区域中。
[0118]
s3.4数据验证
[0119]
根据所提出的数据驱动建模策略，基于fnn和预处理后的数据样本学习tsjs模型，80％预处理后的数据样本用于训练，20％预处理后的数据样本用于验证；基于不同神经元个数的前馈神经网络以学习tsjs模型的平均验证精度如图6所示，结果表明，对于800个预处理后的数据样本，基于具有24个隐层神经元个数的前馈神经网络学习出的tsjs模型具有最佳的平均精度。基于具有24个隐层神经元个数的前馈神经网络学习出的tsjs模型的均方根误差为4.781。因此，选择具有24个隐层神经元个数的前馈神经网络学习出的tsjs模型作为所提出的基于数据驱动动力学控制策略的tsjs模型。
[0120]
由选定的tsjs模型确定的每个绳索拉力组合的最小绳索拉力如图7所示。由选定的tsjs模型确定的每个绳索拉力组合的平均绳索拉力如图8所示，可知最小绳索拉力的平均值为0.584n，而平均绳索拉力的平均值为15.252n。结果表明，由选定的tsjs模型确定的绳索拉力组合中至少有一个绳索拉力倾向于在零附近。结果表明，所提出的数据生成方法能够生成满足最优拉力分布的数据样本。
[0121]
s3.5基于动力学控制的轨迹跟踪
[0122]
cdpr样机由数据驱动控制策略和障碍物简化控制策略控制，以跟踪圆形目标轨迹，目标轨迹可以表示为：
[0123][0124]
其中，t是一个时间参数，x
*
，y
*
单位为米。
[0125]
这两种策略在轨迹上的轨迹跟踪图如图9所示，目标轨迹用一条黑色的虚线表示，虚线内侧表示障碍-简化控制策略，与虚线大致吻合的线表示数据驱动控制策略，两种策略控制的cdpr样机的轨迹跟踪误差见表3。根据图9和表3可知，数据驱动控制策略的平均位置跟踪误差和最大位置跟踪误差分别为0.0044m和0.0096m。障碍物简化控制策略的平均位置跟踪误差和最大位置跟踪误差分别为0.0096m和0.0169m。数据驱动控制策略在控制cdpr样机跟踪目标轨迹方面的性能优于障碍物简化控制策略。验证了数据驱动控制策略在控制允许碰撞的平面cdpr位姿方面的有效性。
[0126]
表3轨迹跟踪误差(单位：m)
[0127] 数据驱动控制策略障碍-简化的控制策略平均位置循迹误差0.00440.0096最大位置跟踪误差0.00960.0169
[0128]
s4、总结：
[0129]
本发明讨论了由n+1根绳索驱动的允许绳索和多个复杂障碍物发生碰撞的n自由度cdpr的建模和控制问题，提出了一种数据驱动动力学建模策略用以建立绳索牵引并联机器人的tsjs模型，在tsjs模型的基础上，提出了一种基于数据驱动的动力学控制策略。
[0130]
为了评估提出的数据驱动动力学建模策略和数据驱动动力学控制策略，开发了一个由三根绳索驱动两个自由度的平面cdpr样机并进行了实验。实验结果证明，数据驱动动力学建模策略可以同时解决允许碰撞的平面cdpr的动力学建模和最优拉力分布问题。数据驱动动力学控制策略在控制遭受绳索与圆柱体和方形柱体障碍物发生碰撞的绳索牵引并联机器人的位姿方面的性能优于将障碍物简化的动力学控制策略。
[0131]
因此，本发明采用上述一种允许碰撞的绳索牵引并联机器人的数据驱动控制策略，可以同时解决允许碰撞的平面cdpr的动力学建模和最优拉力分布问题。
[0132]
最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。

技术特征：
1.一种允许碰撞的绳索牵引并联机器人的数据驱动控制策略，其特征在于：包括以下技术方案：s1、阐述初步工作；s2、提出一种基于动力学的数据驱动控制策略；s3、将已开发的数据驱动建模策略和基于动力学的数据驱动控制策略应用于一个允许绳索与多个障碍物之间发生碰撞的由三根绳索驱动两个自由度(dof)的平面cdpr；s4、总结。2.根据权利要求1所述的一种允许碰撞的绳索牵引并联机器人的数据驱动控制策略，其特征在于：所述s1具体为：s1.1建立cdpr动力学模型设置一个允许与m根绳索发生碰撞的n个自由度的cdpr，a
i
和b
i
(i＝1，2，...，m)分别表示第i根绳索在基座和末端执行器上的锚定点，锚定点a
i
和b
i
的位置分别用向量a
i
和b
i
表示；一个cdpr的末端执行器的动力学模型可以基于牛顿—欧拉公式表示为：其中分别表示末端执行器的速度和加速度，m(x)是质量矩阵，表示科里奥利矩阵和向心矩阵，g(x)是重力向量，ω表示应用在末端执行器上的力螺旋；施加在末端执行器上的力螺旋可以表示为：ω＝jτ；其中j是cdpr的雅可比矩阵，τ＝[τ1,τ1,...,τ
m
]
t
是一个绳索拉力向量；对于无碰撞约束的cdpr，雅可比矩阵可以表示为：其中c
i
(i＝1，2，...，m)是第i根绳索的单位向量；可以表示为：s1.2基于动力学的cdpr控制策略对于具有无碰撞约束的cdpr的位姿控制，总结了一种基于传统动力学的控制策略的流程图，由一个在任务空间中的控制器确定一个目标力螺旋(表示为ω
*
)，该目标力螺旋用来控制cdpr由当前位姿运动到目标位姿(表示为x
*
)；根据目标力螺旋ω
*
，确定关节空间中的目标绳索拉力(表示为τ
*
)，然后驱动器施加目标电缆拉力τ
*
在cdpr上，并将cdpr驱动到目标位姿x
*
；s1.3问题陈述对于一个允许绳索和多个复杂障碍之间发生碰撞的cdpr，很难解析地确定单位向量c
i
和cdpr的雅可比矩阵j，该情况下，无法通过目标力螺旋ω
*
来求解在关节空间中的目标绳索拉力τ
*
，也无法将基于传统动力学的控制策略用于cdpr的控制上。3.根据权利要求1所述的一种允许碰撞的绳索牵引并联机器人的数据驱动控制策略，其特征在于：所述s2具体为：s2.1首先执行数据驱动建模策略，其步骤如下：
(1)生成由末端执行器的位姿、绳索拉力和末端执行器上的力螺旋组成的数据样本；(2)从收集的数据样本中选择特定的预处理后数据样本；(3)基于预处理后的数据样本和神经网络建立一个tsjs模型；s2.2基于所建立的tsjs模型，执行数据驱动动力学控制策略，其实现步骤如下：(1)将建立的tsjs模型迁移到基于传统动力学的控制策略中，从而建立基于数据驱动的动力学控制策略；(2)根据基于传统动力学的控制策略和末端执行器的参数，在任务空间中设计一个控制器；(3)基于tsjs模型和任务空间中的控制器来控制允许碰撞的cdpr。4.根据权利要求1所述的一种允许碰撞的绳索牵引并联机器人的数据驱动控制策略，其特征在于：所述s3具体为：s3.1实验设置首先开发了一个平面cdpr样机，在一个底座上固定有5个障碍物的环境中对cdpr样机进行实验，所述障碍物包括圆柱体和具有平滑边缘的方形柱体，所述圆柱体标号为o1、o2和o5，所述方形柱体标号为o3和o4；s3.2数据生成将cdpr样机水平放置，并在底座上固定一个具有高摩擦系数的垫片，末端执行器初始化到cdpr的可行区域的四个“角”附近的区域，由三个电机产生三个绳索拉力的组合，最终收集末端执行器的位置x，绳索拉力τ，施加在末端执行器上的力f和末端执行器的速度s3.3数据选择对采集到的数据样本进行预处理，从采集的数据样本中去除末端执行器在x方向或y方向的速度大于1.2m/s的离群数据样本；然后，使用ks方法选择800个预处理后的数据样本，在本发明中，一对数据样本之间的距离，记为[x
i
,y
i
]
t
和[x
j
,y
j
]
t
，定义为：s3.4数据验证根据所提出的数据驱动建模策略，基于fnn和预处理后的数据样本学习tsjs模型，80％预处理后的数据样本用于训练，20％预处理后的数据样本用于验证；s3.5基于动力学控制的轨迹跟踪cdpr样机由数据驱动控制策略和障碍物简化控制策略控制，以跟踪圆形目标轨迹，目标轨迹可以表示为：其中，t是一个时间参数，x
*
，y
*
单位为米。5.根据权利要求1所述的一种允许碰撞的绳索牵引并联机器人的数据驱动控制策略，其特征在于：所述s4具体为：本发明讨论了由多根绳索驱动的多自由度的cdpr的动力学建模和控制，允许绳索和多个复杂障碍之间发生碰撞，提出了一种数据驱动的动力学建模策略，建立了一个tsjs模型，
在tsjs模型的基础上，提出了一种基于数据驱动的动力学控制策略。

技术总结
本发明公开了一种允许碰撞的绳索牵引并联机器人(CDPR)的数据驱动控制策略，包括以下技术方案：S1、阐述初步工作；S2、提出一种基于动力学的数据驱动控制策略；S3、将已开发的数据驱动建模策略和基于动力学的数据驱动控制策略应用于一个允许绳索与多个障碍物之间发生碰撞的由三根绳索驱动两个自由度(DOF)的平面CDPR；S4、总结。本发明采用上述的一种允许碰撞的绳索牵引并联机器人的数据驱动控制策略，该策略可以同时解决允许碰撞的平面CDPR的动力学建模和最优拉力分布问题。力学建模和最优拉力分布问题。力学建模和最优拉力分布问题。


技术研发人员：熊昊 许根源 陆文杰
受保护的技术使用者：哈尔滨工业大学（深圳）
技术研发日：2023.05.11
技术公布日：2023/8/16