提出基于神經網絡模型的搖操作主從式工程機器人的力覺反饋技術原理。首先根據機器人從動手機構的空載動力學特性，離線建立了空載神經網絡模型，然后依此模型在線辨識空載驅動力以間接提取負載力。該方法可提高力覺反饋的準確性和同步精度，實驗結果驗證了其有效性。 1 引言 人們在人體難以靠近的場所如宇宙空間、海底、地下及原子反應堆等附近的高溫、高壓、強輻射等惡劣環(huán)境中作業(yè)時，有必要使用遙操作工程機器人系統(tǒng)完成作業(yè)任務。為了提高機器人系統(tǒng)的作業(yè)效率，需要將遠端作業(yè)現(xiàn)場的聲音、圖像、運動和力等信息反饋給操作者，使操作者在聽覺、視覺、運動覺和力覺上具有臨場現(xiàn)實感。而在一些特殊場合，操作者對力覺反饋的質量要求更高。為了完成精確的操作任務，操作者不但要求能感覺到遠端作業(yè)現(xiàn)場的實際負載力，還要求其力覺能與負載存在同步。實現(xiàn)上述要求的前提是必須首先準確提取負載力，目前一種方法是在機器人抓取機構的末端安裝測力傳感器直接檢測負載力；另一種是檢測相關參量間接求出負載力。前者可使操作者獲得真實的力覺，但測力裝置易受現(xiàn)場環(huán)境影響，磨損問題突出。后者雖易于實現(xiàn)，但現(xiàn)有的算法誤差較大，操作者獲得的力覺精度不高。針對此問題，本文提出—了利用抓取機構的空載神經網絡（NN）模型間接提取負載力的方法，在日本岐阜大學開發(fā)的遙操作工程機器人上進行了實驗研究，驗證了該方法可以有效提高力覺反饋的準確性和同步精度。 2 力覺反饋技術原理 遙操作工程機器人可看作由主動手機構和從動手機構兩部分構成，其作業(yè)任務是靠操作者操縱主動手機構遙控從動手機構完成的。從動手機構分為直線型和轉動型，受力分析如圖1所示。 [align=center] 圖1 從動手機構受力[/align] 以直線型為例，力平衡可寫成如下形式： （1） 式中：F為驅動力，F(xiàn)[SUB]i[/SUB]為慣性力，F(xiàn)[SUB]f[/SUB]為摩擦力，F(xiàn)[SUB]e[/SUB]為彈性力，F(xiàn)[SUB]g[/SUB]為重力引起的負載力，F(xiàn)[SUB]L[/SUB]為負載力。 令F[SUB]L[/SUB]=0，得空載驅動力為： （2） 代入式（1）得： （3） 只要驅動力F和空載驅動力F[SUB]n[/SUB]已知，即可確定負載力F[SUB]L[/SUB]的大小。 由于F[SUB]i[/SUB]、F[SUB]f[/SUB]分別與從動手機構的加速度、速度有關，F(xiàn)[SUB]e[/SUB]與從動手機構的位移有關，F(xiàn)[SUB]g[/SUB]與從動手機構的空間位置有關，故空載驅動力可用如下函數(shù)式表示： （4） 式中：分別為從動手機構加速度、速度和位移，θ為從動手機構的空間位置角。 函數(shù)式（4）表示的是以加速度、速度、位移和空間位置為自變量，以空載驅動力為函數(shù)的從動手機構空載模型。可以看出，若能實測或計算出各變量，依此模型就可以計算出空載驅動力，進而計算出負載力。 [align=center] 圖2 力覺反饋控制結構[/align] 基于空載模型建立的主從機器人力覺反饋控制結構如圖2所示。主動手機構的力覺控制量為 （5） 式中：K[SUB]p[/SUB]為主力控制器力反饋增益，e[SUB]f[/SUB] 為較小的力差閾值。 若將主動手機構看作比例環(huán)節(jié)，則操作者獲得力覺的反力為： （6） 3 空載神經網絡模型 從上述控制算法看出，空載模型的計算是整個控制計算中的關鍵，模型的精度將直接影響力覺反饋控制的精度。由于從動手機構的加速度、速度、位移和空間位置角與空載驅動力具有復雜的非線性關系，難以用數(shù)學模型準確表達，因此，本文提出基于空載NN模型的力覺反饋控制方法?；舅枷胧鞘紫入x線建立從動手機構的空載NN模型，然后將它作為辨識器置于系統(tǒng)中，由其在線辨識出系統(tǒng)在任意運動狀態(tài)下的空載驅動力，以間接提取負載力。 建立準確的空載NN模型是實現(xiàn)上述方法的關鍵。由于多層前饋NN具有理論上可逼近任意非線性連續(xù)映射的能力，因此本文提出構建以從動手機構的加速度、速度、位移和空間位置角為輸入變量，以空載驅動力為輸出變量的4輸入1輸出多層前饋NN，如圖3所示。 [align=center] 圖3 NN結構[/align] 建立NN模型的過程就是利用樣本訓練網絡權系數(shù)的過程。在以力覺反饋精度為首要要求的系統(tǒng)中，所建立的NN必須具有較高的泛化能力。這里，本文將NN的訓練誤差函數(shù)定義為： 式中：F[SUB]n[/SUB]（i），F(xiàn)[SUB]nn[/SUB]（i）分別為實測的空載驅動力和NN輸出的空載驅動力，N為每組樣本的采樣點數(shù)。 4 驗證實驗 本文利用上述方法，在日本岐阜大學開發(fā)的遙操作工程機器人系統(tǒng)上進行了實驗研究。如圖4所示，該系統(tǒng)由作為工程機器人的液壓挖掘機和在遠端操縱工程機器人的兩個手柄組成。在液壓挖掘機的前端裝備了一個抓手，用來作為機械手來抓取物體。手柄機構（主動手機構）的位移由位移傳感器檢測，其下方安裝有DC馬達，操作者可以通過DC馬達和與DC馬達連接的減速齒輪來感覺來自抓手上的負載力。抓手由電液伺服閥和抓手液壓缸組成的電液伺服抓手機構（從動手機構）來驅動。抓手液壓缸的位移由嵌入液壓缸內的磁位移傳感器檢測，抓手液壓缸的驅動力由安裝在液壓缸內的一對壓力傳感器檢測。物體的升降和移動是靠電液伺服提升機構、手臂機構和擺動機構實現(xiàn)的。 本實驗系統(tǒng)的從動手機構屬于直線型，如圖5所示，系統(tǒng)相關參數(shù)見表1。 [align=center] 圖4 實驗系統(tǒng)組成 圖5 從動手機構 表1 系統(tǒng)參數(shù)[/align] 考慮工程方便性，本系統(tǒng)將空載NN模型的輸入速度v[SUB]s[/SUB]用位移Y[SUB]s[/SUB]的導數(shù)代替，加速度a[SUB]s[/SUB]用位移Y[SUB]s[/SUB]的二階導數(shù)代替。也考慮到本系統(tǒng)從動手機構重力較小（當θ=90°時，F(xiàn)[SUB]gmax[/SUB]<0.1F[SUB]nmax[/SUB]）和彈性力可略不計，將位移r，和空間位置角9變量取消，這樣，NN模型結構被簡化成2輸入1輸出結構。網絡訓練的目標量為實測的空載驅動力（F[SUB]n[/SUB]=p[SUB]1[/SUB]A[SUB]1[/SUB]-p[SUB]2[/SUB]A[SUB]2[/SUB]）。 為考核簡化后的NN模型的泛化能力，在數(shù)據采集時，讓提升機構和手臂機構做變速往復運動。利用采集的數(shù)據對NN網絡在Matlab6.1下進行訓練時，隱層節(jié)點數(shù)取30，網絡的訓練誤差取0.0001，訓練循環(huán)步數(shù)取500，獲得的仿真實驗結果如圖6所示。圖6（a）為測試訓練后記憶能力結果，圖6（b）為測試訓練后泛化能力結果，F(xiàn)[SUB]n[/SUB]、F[SUB]nn[/SUB]為規(guī)范化處理后的實測空載驅動力和NN輸出的空載驅動力?？梢钥闯?，網絡具備了良好的泛化能力，說明本實驗系統(tǒng)用位移的導數(shù)和二階導數(shù)代替從動手機構的實際速度和加速度是可行的，提升機構和手臂機構的加速度對抓手機構空載驅動力的影響可以不計，從動手機構的位移和空間位置角的變化對空載驅動力的影響可以忽略。 [align=center] 圖6 NN記憶和泛化能力評價結果 圖7 基于NN辨識空載驅動力的實驗結果 圖8 基于空載驅動力為定值的實驗結果[/align] 本文依據簡化的NN模型，對力覺反饋控制的效果進行了實驗研究。在圖7中，Y[SUB]m[/SUB]、Y[SUB]s[/SUB]分別為主、從動手機構的位移，F(xiàn)、F[SUB]nn[/SUB]和F[SUB]r[/SUB]分別為從動手機構的驅動力、由NN在線辨識的空載驅動力和操作者獲得的力覺反力。整個實驗過程包含了非抓?。蛰d）、抓取混凝土磚塊（AB段）、抓取輪胎（CD段）和抓手外側頂壓輪胎（EF段）等多種狀態(tài)?？梢钥闯觯蛰d驅動力是隨著系統(tǒng)的運動狀態(tài)而變的，力覺反力在空載運動狀態(tài)下為零。因此，操作者的力覺能夠與負載的存在保持準確同步。 圖8是采用本研究前期方法，即假定空載驅動力為定值的情況下測得的實驗結果。從中可以看出，在空載運動狀態(tài)下，反力F[SUB]r[/SUB]不為零，操作者仍感覺有負載存在。反復實驗研究還表明，若將定值的空載驅動力增大，雖然可以消除操作者在空載運動狀態(tài)下的力覺，但是操作者在抓取軟物體時卻難以感覺到負載的存在。 5 結論 準確提取負載力是提高遙操作工程機器人力覺反饋控制精度的前提。針對現(xiàn)有提取負載力算法精度不高問題，本文提出了利用機器人從動手機構的空載NN模型在線辨識空載驅動力以間接提取負載力的方法，實驗驗證它可以提高力覺反饋準確性和同步精度，是提高力覺反饋質量的一種簡單實用方法。