基于关节力矩估计的可重构机器人分散镇定与最优控制研究

Decentralized control, as a kind of advance control strategy that satisfying the requirement of parallel modular control, has been widely implemented in the design of the control systems for reconfigurable robots. However, the existing decentralized control strategies strongly depend on the measurements feedback from the force/torque sensors, which are assembled in the joint modules of the robots, and the cost of the existing decentralized control method of compensating the subsystem dynamic coupling effects is very large. For the purpose of farthest reducing manufacture cost, improving control accuracy and optimizing energy consumption, this project priority addresses the problem of joint torque estimation without using force/torque sensors, and then exploring the decentralized stabilization and optimal control method for reconfigurable robots. First, the characteristics of torsional compliance and hysteresis of the harmonic drive in each joint module are revealed, and an adaptive joint torque estimation method is presented based on a nonlinear harmonic drive model. Second, a multivariate decoupling strategy of model uncertainty is illustrated and an approximate iteration method is investigated to obtain the optimal compensation control law of the uncertainty, then, the problem of decentralized stabilization for reconfigurable robots is addressed. At last, the decentralized optimal control problem of task constrained reconfigurable robot is transformed into a two-player zero-sum game, then, an online learning method is illustrated to obtain the Nash equilibrium solution to the zero-sum game, and ultimately achieving the decentralized optimal control of the task constrained reconfigurable robot. The researches of this project will be beneficial to establish novel methods of advancing and expanding the decentralized control theory of reconfigurable robots.

分散控制作为一种迎合并行模块化控制需求的先进控制策略，被广泛应用于设计可重构机器人的控制系统。然而，现有分散控制策略强烈依赖于机器人关节末端力/力矩传感器的量测信息反馈，且对子系统动力学耦合效应的补偿代价很大。为了最大限度的降低制造成本，提高控制精度，优化能源消耗，本项目以无力/力矩传感器条件下的关节力矩估计为切入点，探索可重构机器人分散镇定与最优控制方法。首先，揭示机器人关节谐波传动装置的柔度与滞回特性，提出基于非线性谐波传动模型的关节力矩自适应估计方法；然后，阐明耦合模型不确定性多元解耦策略，研究不确定性最优补偿控制律的近似迭代方法，完成可重构机器人的分散镇定；最后，将任务约束下的可重构机器人分散最优控制问题转化为一类二人零和博弈问题，阐明零和博弈Nash均衡解的在线学习方法，实现面向任务约束的可重构机器人分散最优控制。本项目的研究将为可重构机器人分散控制理论的推进与拓展开辟新的途径。

可重构机器人是一类具有标准模块与接口，可根据不同的任务需求对自身构形进行重新组合与配置的机器人。根据“可重构”与“模块化”的设计理念，可重构机器人的每个关节模块均包含了通讯、传感、驱动、控制等单元，通过对这些模块进行重新配置可以使机器人呈现多种装配构形来完成不同的工作任务，从而表现出传统机器人所不具有的优势。.本项目针对可重构机器人系统的关节力矩估计与分散最优控制相关问题展开研究。首先，揭示了谐波传动装置各柔性元件的局部柔度系数及负载、外力变化下的形变特性，研究了高精度的非线性谐波传动建模方法，实现了任务约束及负载变化条件下的可重构机器人关节力矩自适应估计。然后，将可重构机器人动力学模型描述为耦合力矩交联下关节子系统的集合，阐释了模型不确定性的多元解耦策略，解决了耦合模型不确定性的最优补偿问题，实现了可重构机器人系统的分散镇定。接下来，研究了任务约束下可重构机器人关节约束力矩上界函数的构建策略，提出了基于二人零和博弈的可重构机器人系统神经-最优控制方法，解决了二人零和博弈Nash均衡解的在线求取问题，实现了可重构机器人系统的分散最优控制。.项目执行过程中收获了丰富的研究成果，在国内外权威学术期刊和会议上发表及录用学术论文28篇，其中，SCI论文10篇，EI论文18篇；授权国家发明专利2项；培养博士后1名，博士研究生7名，硕士研究生20名。在理论上，本项目促进了可重构机器人控制方法的完善，拓宽了分散镇定与最优控制理论的应用范围，推动了机器人系统力矩估计与分散控制理论的发展。在应用上，本项目将理论成果应用到项目组开发的谐波传动式可重构机器人系统中进行了实验研究，验证并改进理论方法与技术方案，为今后复杂结构机器人及大型工程机械的实际应用提供切实可行的依据方案。