冗余自由度机械臂的参数辨识与控制
课题的总结
| Category | Method |
|---|---|
| 如何进行kinematic parameter运动学参数的辨识 | |
| 支持哪些次要任务（secondary task） | |
| 如何将主要任务和次要任务进行解耦？ | |
| 采用何种方法进行求解？ |
- 更详细/理论一些：QP是如何构建的？通过哪些公式更新参数？
实验室/研究者
- Shuai Li, HK PolyU, Google Scholar
Dynamic neural networks based kinematic control for redundant manipulators with model uncertainties
Zhihao Xu et al., 广东省智能制造研究所 and HKPOLYU, Neurocomputing journal 2019
| Category | Method |
|---|---|
| 如何进行kinematic parameter运动学参数的辨识 | kinematic regressor matrix |
| 支持哪些次要任务（secondary task） | 关节角度和速度的上下界 |
| 如何将主要任务和次要任务进行解耦？ | |
| 采用何种方法进行求解？ | QP问题RNN求解 |
- 利用位置和速度误差学习机械臂参数：An identifier which is related to joint velocity and tracking error is designed to learn the kinematic parameters online.
- 使用的是
（参见3.2. Jacobian adaptation） 为kinematic regressor matrix，与Jacobian的关系为 为kinematic parameters， 为一个对角正定矩阵 ， 为笛卡尔坐标下的跟踪误差， 为关节速度
- 使用的是
- 用RNN求解QP问题，secondary task为joint angles和velocity上下界
分别为control output
Adaptive Projection Neural Network for Kinematic Control of Redundant Manipulators With Unknown Physical Parameters
Yinyan Zhang et al., 华南理工大学 and HKPOLYU, IEEE Trans on Industrial Electronics, 2018
| Category | Method |
|---|---|
| 如何进行kinematic parameter运动学参数的辨识 | 不直接更新运动学参数而是更新Jacobian。Jacobian可以分解为两项，一项由运动学参数决定，另一项由关节角度决定。 |
| 支持哪些次要任务（secondary task） | 主要任务为轨迹跟踪，次要任务为物理限制 |
| 如何将主要任务和次要任务进行解耦？ | Jacobian特性 |
| 采用何种方法进行求解？ | adaptive projection neural network (adpative PNN) |
- Adaptive Projection Neural Network定义为
所以并不直接更新运动学参数，而是更新Jacobian？
- 不涉及次要任务
Actual Shape-Based Obstacle Avoidance Systhesized by Velocity-Acceleration Minimization for Redundant Manipulators: An Optimization Perspective
Boyu Ma et al., 哈工大 and 中国空间技术研究院, IEEE Trans on Systems, Man, and Cybernetics: systems 2023
| Category | Method |
|---|---|
| 如何进行kinematic parameter运动学参数的辨识 | 不进行辨识 |
| 支持哪些次要任务（secondary task） | 次要任务为优化速度和加速度使运动过程中能量最低 |
| 如何将主要任务和次要任务进行解耦？ | |
| 采用何种方法进行求解？ | 用RNN求解QP |
- Actual shape-based obstacle avoidance synthesized by velocity-accelration minimization (ASOA-VAM)
- 通过Gilbert-Johnson-Keerthi (GJK)算法计算manipulator与障碍物之间的距离
- 未考虑运动学参数的不准确性，次要任务为运动速度和加速度，最小化运动所需的能量（ensuring that less kinetic energy will be consumed during the motion）
- 将ASOA-VAM转化为QP问题，通过RNN求解