机器人建模辨识控制——柔性运动控制

这篇具有很好参考价值的文章主要介绍了机器人建模辨识控制——柔性运动控制。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

《Modeling Identification and control of robots》
Chapter15 compliant motion control 柔性运动控制

中间会穿插一些前面的知识作为补充,具体均在目录中体现,原书中有错误的地方也均在本文中体现

14.3.1 关节空间中的PID控制

τ = K p ( q d − q ) + K d ( q ˙ d − q ˙ ) + K i ∫ t 0 1 ( q d − q ) d τ (1) \tau=K_p(q_d-q)+K_d(\dot{q}_d-\dot{q})+{K_i}\int_{t_0}^1(q_d-q)d\tau\tag{1} τ=Kp(qdq)+Kd(q˙dq˙)+Kit01(qdq)dτ(1)
机器人建模辨识控制——柔性运动控制,机器人,机器人,人工智能

14.3.3 任务空间中的PID控制

当机器人在任务空间(笛卡尔空间)中的运动轨迹已经明确时,可以采用以下两种方法来构建控制系统:

  • 在任务空间task space中设计控制方法;
  • 将任务空间中的指定轨迹转换为关节空间中的轨迹,然后在关节空间中进行控制。

机器人建模辨识控制——柔性运动控制,机器人,机器人,人工智能

根据上图,为获得关节空间中的力矩 τ \tau τ,需要将(1)中的q替换为x,得到任务空间中的F,由于 τ = J T F \tau={J^T}F τ=JTF,需再左乘 J T J^T JT得到关节空间中的 τ \tau τ,因此有:
τ = J T [ K p ( x d − x ) + K d ( x ˙ d − x ˙ ) + K i ∫ t 0 1 ( x d − x ) d τ ] (2) \tau=J^T[K_p(x_d-x)+K_d(\dot{x}_d-\dot{x})+{K_i}\int_{t_0}^1(x_d-x)d\tau] \tag{2} τ=JT[Kp(xdx)+Kd(x˙dx˙)+Kit01(xdx)dτ](2)
将任务空间的期望轨迹转换为关节空间的期望角度有两种方法,一是通过正运动学计算出关节位置再微分计算关节速度和加速度,二是计算关节位置,速度,加速度如下:

  1. 关节位置

    q d = F . K . ( x d ) q_d=F.K.(x_d) qd=F.K.(xd)

  2. 关节速度

    x ˙ d = J ( q d ) q ˙ d \dot{x}_d=J(q_d)\dot{q}_d x˙d=J(qd)q˙d

    q ˙ d = J ( q d ) − 1 x ˙ d \dot{q}_d=J(q_d)^{-1}\dot{x}_d q˙d=J(qd)1x˙d

  3. 关节加速度

    x ¨ d = J ˙ q ˙ d + J q ¨ d \ddot{x}_d=\dot{J}\dot{q}_d+{J}\ddot{q}_d x¨d=J˙q˙d+Jq¨d

    q ¨ d = J − 1 ( x ¨ d − J ˙ q ˙ d ) \ddot{q}_d={J}^{-1}(\ddot{x}_d-\dot{J}\dot{q}_d) q¨d=J1(x¨dJ˙q˙d)

14.4 线性解耦控制

14.4.1 介绍

线性化和解耦技术是利用适当的反馈规律将非线性控制问题转化为线性控制问题

14.4.2 在关节空间中计算力矩控制

假设关节的位置和速度是可测量的并且测量结果是无噪声的。设 A ^ \hat{A} A^ H ^ \hat{H} H^分别为A和H的估计。因此控制力矩可写为:
τ = A ^ ( q ) w ( t ) + H ^ ( q , q ˙ ) \tau=\hat{A}(q)w(t)+\hat{H}(q,\dot{q}) τ=A^(q)w(t)+H^(q,q˙)
推导出在建模完美且不存在干扰的理想情况下,问题简化为n个解耦双积分器的线性控制问题。 q ¨ = w ( t ) \ddot{q}=w(t) q¨=w(t)是新的输入控制向量。

​ 注:机器人动力学模型的一般形式为:
τ = A ( q ) q ¨ + C ( q , q ˙ ) q ˙ + Q ( q ) + d i a g ( q ˙ ) F v + d i a g ( s i g n ( q ˙ ) ) F c \tau=A(q)\ddot{q}+C(q,\dot{q})\dot{q}+Q(q)+diag(\dot{q})F_v+diag(sign(\dot{q}))F_c τ=A(q)q¨+C(q,q˙)q˙+Q(q)+diag(q˙)Fv+diag(sign(q˙))Fc
​ 更简明的形式为:
τ = A ( q ) q ¨ + H ( q , q ˙ ) (3) \tau=A(q)\ddot{q}+H(q,\dot{q})\tag{3} τ=A(q)q¨+H(q,q˙)(3)

14.4.3 在任务空间中计算力矩控制

任务空间中的动态控制也称为分解加速度控制,把(3)中的 q ¨ \ddot{q} q¨替换掉:
τ = A J − 1 ( X ¨ − J ˙ q ˙ ) + H \tau=A {J^{-1}}(\ddot{X}-\dot{J}\dot{q})+H τ=AJ1(X¨J˙q˙)+H
对任务空间中的方程进行求解和解耦的控制方法表述为:
τ = A ^ J − 1 ( w ( t ) − J ˙ q ˙ ) + H ^ \tau=\hat{A} {J^{-1}}(w(t)-\dot{J}\dot{q})+\hat{H} τ=A^J1(w(t)J˙q˙)+H^

15 柔性运动控制

15.3 被动刚性控制

15.4 主动刚性控制

c f c = K c   c d X c τ = J T f d X = J d q τ = J T K c J d q = K q d q ^cf_c=K_c\ ^cdX_c\\ \tau=J^Tf\\ dX=Jdq\\\tau=J^TK_cJdq=K_q dq cfc=Kc cdXcτ=JTfdX=Jdqτ=JTKcJdq=Kqdq

矩阵 K q K_q Kq称为关节刚度矩阵,它不是对角矩阵而是对称的。它决定了伺服回路在关节空间中的比例增益。它与运动学模型的雅可比矩阵具有相同的奇异位置,这意味着,对于这些构型,我们无法在柔度框架的所有自由度上或周围获得所需的刚度。所以可以将模型更新如下:

机器人建模辨识控制——柔性运动控制,机器人,机器人,人工智能

τ = K q ( q d − q ) + K d ( q ˙ d − q ˙ ) + Q \tau=K_q(q^d-q)+K_d(\dot{q}^d-\dot{q})+Q τ=Kq(qdq)+Kd(q˙dq˙)+Q
Q代表重力补偿, K d K_d Kd可被理解为阻尼矩阵,如果在某个方向上需要纯力控制,可以 τ = J T f \tau=J^Tf τ=JTf添加前馈力。

这种主动刚性控制的优点是执行起来相对简单,因为刚度矩阵可以在线更改,以使机器人的行为适应各种任务约束。

15.5 阻抗控制

阻抗控制的基本思想是当机器人的效应器与环境相互作用时,赋予机器人一个规定的动态行为。期望的性能由表示质量-弹簧-阻尼系统的广义动态阻抗指定。

机器人阻抗Z根据任务的不同阶段而变化。通常,将机器人等效为一个质量-弹簧-阻尼器二阶系统,其传递函数为:
s Z ( s ) = M s 2 + B s + K sZ(s)=Ms^2+Bs+K sZ(s)=Ms2+Bs+K

  • M给高值可以限制机器人动力学,加速度越小,状态越难改变
  • 在需要耗散动能从而抑制响应的方向上给予B高值
  • 刚度K影响位置控制的精度:沿力控制方向,刚度应足够小以限制接触力;相反,在位置控制方向上,用户应设置较高的刚度以获得末端执行器的精确定位。

根据有无力传感器,可以将阻抗控制框图分为两种形式:

  1. 无力传感器反馈

机器人建模辨识控制——柔性运动控制,机器人,机器人,人工智能

  1. 有力传感器反馈

机器人建模辨识控制——柔性运动控制,机器人,机器人,人工智能

15.5.1 无力传感器的阻抗控制

机器人建模辨识控制——柔性运动控制,机器人,机器人,人工智能

无力传感器反馈的阻抗控制方案,相当于任务空间中的PD控制(14.3.3)

τ = J T [ B ( X ˙ d − X ˙ ) + K ( X d − X ) ] + Q \tau=J^{\mathrm{T}}\left[\mathbf{B}\left(\mathbf{\dot{X}}^\mathrm{d}-\mathbf{\dot{X}}\right)+\mathbf{K}\left(\mathbf{X}^\mathrm{d}-\mathbf{X}\right)\right]+\mathbf{Q} τ=JT[B(X˙dX˙)+K(XdX)]+Q

K矩阵和B矩阵包含任务空间中的比例增益和导数(微分)增益,可以分别解释为机器人的刚度矩阵和阻尼矩阵。矢量Q表示重力扭矩补偿。

15.5.2 有传感器的阻抗力控

当机器人和环境接触时施加于环境的接触力向量为 F e F_e Fe时, F e F_e Fe一般为 6 × 1 6\times1 6×1的力与力矩向量,机器人的动力学模型为
(the dynamic model of a robot exerting a wrench F e F_e Fe on its
environment):
τ = A ( q ) q ¨ + C ( q , q ˙ ) q ˙ + Q ( q ) + J T F e \tau=A(q)\ddot{q}+C(q,\dot{q})\dot{q}+Q(q)+J^TF_e τ=A(q)q¨+C(q,q˙)q˙+Q(q)+JTFe
期望的接触力:
F e = Λ ( X ¨ d − X ¨ ) + B ( X ˙ d − X ˙ ) + K ( X d − X ) F_e=\Lambda\left(\ddot{{X}}^{d}-\ddot{{X}}\right)+\mathrm{B}\left(\dot{{X}}^{d}-\dot{{X}}\right)+\mathrm{K}\left(X^{d}-X\right) Fe=Λ(X¨dX¨)+B(X˙dX˙)+K(XdX)
可以推导出:
X ¨ ( t ) = X ¨ d + Λ − 1 [ B ( X ˙ d − X ˙ ) + K ( X d − X ) − F e ] \ddot{X}(t)=\ddot{X}^d+\Lambda^{-1}\left[B\left(\dot{X}^d-\dot{X}\right)+K\left(X^d-X\right)-F_e\right] X¨(t)=X¨d+Λ1[B(X˙dX˙)+K(XdX)Fe]
其中, X d ( t ) X^d(t) Xd(t)是期望轨迹位置, X ( t ) X(t) X(t)是实际位置。

把在关节空间表达的动力学方程转换为在任务空间中表达,即将其中的 q q q用x代替,又有 q ¨ = J − 1 ( x ¨ − J ˙ q ˙ ) \ddot{q}={J}^{-1}(\ddot{x}-\dot{J}\dot{q}) q¨=J1(x¨J˙q˙) q ˙ = J ( q ) − 1 x ˙ \dot{q}=J(q)^{-1}\dot{x} q˙=J(q)1x˙,则推导过程如下:
J − T τ = J − T A ( q ) q ¨ + J − T C ( q , q ˙ ) q ˙ + J − T Q ( q ) + F e = J − T A ( q ) ( J − 1 ( x ¨ − J ˙ q ˙ ) ) + J − T C ( q , q ˙ ) q ˙ + J − T Q ( q ) + F e = J − T A ( q ) J − 1 x ¨ − J − T A ( q ) J − 1 J ˙ q ˙ + J − T C ( q , q ˙ ) q ˙ + J − T Q ( q ) + F e = J − T A ( q ) J − 1 x ¨ + ( J − T C ( q , q ˙ ) − J − T A ( q ) J − 1 J ˙ ) q ˙ + J − T Q ( q ) + F e = J − T A ( q ) J − 1 x ¨ + ( J − T C ( q , q ˙ ) − J − T A ( q ) J − 1 J ˙ ) J − 1 x ˙ + J − T Q ( q ) + F e = J − T A ( q ) J − 1 x ¨ + ( J − T C ( q , q ˙ ) J − 1 − J − T A ( q ) J − 1 J ˙ J − 1 ) x ˙ + J − T Q ( q ) + F e \begin{aligned} J^{-T}\tau&=J^{-T}A(q)\ddot{q}+J^{-T}C(q,\dot{q})\dot{q}+J^{-T}Q(q)+F_e\\ &=J^{-T}A(q)({J}^{-1}(\ddot{x}-\dot{J}\dot{q}))+J^{-T}C(q,\dot{q})\dot{q}+J^{-T}Q(q)+F_e\\ &=J^{-T}A(q){J}^{-1}\ddot{x}-J^{-T}A(q){J}^{-1}\dot{J}\dot{q}+J^{-T}C(q,\dot{q})\dot{q}+J^{-T}Q(q)+F_e\\ &=J^{-T}A(q){J}^{-1}\ddot{x}+(J^{-T}C(q,\dot{q})-J^{-T}A(q){J}^{-1}\dot{J})\dot{q}+J^{-T}Q(q)+F_e\\ &=J^{-T}A(q){J}^{-1}\ddot{x}+(J^{-T}C(q,\dot{q})-J^{-T}A(q){J}^{-1}\dot{J})J^{-1}\dot{x}+J^{-T}Q(q)+F_e\\ &=J^{-T}A(q){J}^{-1}\ddot{x}+(J^{-T}C(q,\dot{q})J^{-1}-J^{-T}A(q){J}^{-1}\dot{J}J^{-1})\dot{x}+J^{-T}Q(q)+F_e\\ \end{aligned} JTτ=JTA(q)q¨+JTC(q,q˙)q˙+JTQ(q)+Fe=JTA(q)(J1(x¨J˙q˙))+JTC(q,q˙)q˙+JTQ(q)+Fe=JTA(q)J1x¨JTA(q)J1J˙q˙+JTC(q,q˙)q˙+JTQ(q)+Fe=JTA(q)J1x¨+(JTC(q,q˙)JTA(q)J1J˙)q˙+JTQ(q)+Fe=JTA(q)J1x¨+(JTC(q,q˙)JTA(q)J1J˙)J1x˙+JTQ(q)+Fe=JTA(q)J1x¨+(JTC(q,q˙)J1JTA(q)J1J˙J1)x˙+JTQ(q)+Fe
可写作;
J − T τ = A x ( q ) X ¨ + C x ( q , q ˙ ) X ˙ + Q x ( q ) + F e J^{-T}\tau=A_x(q)\ddot{X}+C_x(q,\dot{q})\dot{X}+Q_x(q)+F_e JTτ=Ax(q)X¨+Cx(q,q˙)X˙+Qx(q)+Fe
其中,

  • A x ( q ) = J − T A ( q ) J − 1 A_x(q)=J^{-T}A(q){J}^{-1} Ax(q)=JTA(q)J1是任务空间中的惯性矩阵
  • C x ( q , q ˙ ) = J − T C ( q , q ˙ ) J − 1 − J − T A ( q ) J − 1 J ˙ J − 1 = J − T C ( q , q ˙ ) J − 1 − A x ( q ) J ˙ J − 1 C_x(q,\dot{q})=J^{-T}C(q,\dot{q})J^{-1}-J^{-T}A(q){J}^{-1}\dot{J}J^{-1}=J^{-T}C(q,\dot{q})J^{-1}-A_x(q)\dot{J}J^{-1} Cx(q,q˙)=JTC(q,q˙)J1JTA(q)J1J˙J1=JTC(q,q˙)J1Ax(q)J˙J1是科里奥利力矩和离心力矩在任务空间中的表达
  • Q x ( q ) = J − T Q ( q ) Q_x(q)=J^{-T}Q(q) Qx(q)=JTQ(q)是任务空间中的重力矩
    机器人建模辨识控制——柔性运动控制,机器人,机器人,人工智能
    书中有误,这里是有力传感器的阻抗控制

因此用 w ( t ) w(t) w(t)代替 X ¨ \ddot{X} X¨,解耦控制有:
τ = J T [ A ^ x ( q ) w ( t ) + C ^ x ( q , q ˙ ) X ˙ + Q ^ x ( q ) + F e ] = J T A ^ x ( q ) { X ¨ d + Λ − 1 [ B ( X ˙ d − X ˙ ) + K ( X d − X ) − F e ] } + J T C ^ x ( q , q ˙ ) X ˙ + J T Q ^ x ( q ) + J T F e = J T A ^ x ( q ) { X ¨ d + Λ − 1 [ B ( X ˙ d − X ˙ ) + K ( X d − X ) ] } + J T ( C ^ x ( q , q ˙ ) X ˙ + Q ^ x ( q ) + F e − A ^ x ( q ) Λ − 1 F e ) = J T A ^ x ( q ) { X ¨ d + Λ − 1 [ B ( X ˙ d − X ˙ ) + K ( X d − X ) ] } + J T [ C ^ x ( q , q ˙ ) X ˙ + Q ^ x ( q ) + ( I − A ^ x ( q ) Λ − 1 ) F e ] \begin{aligned} \tau &=J^{T}[\hat{A}_x(q)w(t)+\hat{C}_x(q,\dot{q})\dot{X}+\hat{Q}_x(q)+F_e]\\ &=J^{T}\hat{A}_x(q)\{\ddot{X}^d+\Lambda^{-1}[B(\dot{X}^d-\dot{X})+K\left(X^d-X\right)-F_e]\}+\\ & J^{T}\hat{C}_x(q,\dot{q})\dot{X}+J^{T}\hat{Q}_x(q)+J^{T}F_e\\ &=J^{T}\hat{A}_x(q)\{\ddot{X}^d+\Lambda^{-1}[B(\dot{X}^d-\dot{X})+K\left(X^d-X\right)]\}+\\ & J^{T}(\hat{C}_x(q,\dot{q})\dot{X}+\hat{Q}_x(q)+F_e-\hat{A}_x(q)\Lambda^{-1}F_e)\\ &=J^{T}\hat{A}_x(q)\{\ddot{X}^d+\Lambda^{-1}[B(\dot{X}^d-\dot{X})+K\left(X^d-X\right)]\}+\\ & J^{T}[\hat{C}_x(q,\dot{q})\dot{X}+\hat{Q}_x(q)+(I-\hat{A}_x(q)\Lambda^{-1})F_e]\\ \end{aligned} τ=JT[A^x(q)w(t)+C^x(q,q˙)X˙+Q^x(q)+Fe]=JTA^x(q){X¨d+Λ1[B(X˙dX˙)+K(XdX)Fe]}+JTC^x(q,q˙)X˙+JTQ^x(q)+JTFe=JTA^x(q){X¨d+Λ1[B(X˙dX˙)+K(XdX)]}+JT(C^x(q,q˙)X˙+Q^x(q)+FeA^x(q)Λ1Fe)=JTA^x(q){X¨d+Λ1[B(X˙dX˙)+K(XdX)]}+JT[C^x(q,q˙)X˙+Q^x(q)+(IA^x(q)Λ1)Fe]
如果如果在准静态情况下,因为机械臂末端与环境直接接触,速度近似为零,这里我们认为速度为0, J ˙ \dot{J} J˙ C ^ ( q , q ˙ ) X ˙ \hat{C}(q,\dot{q})\dot{X} C^(q,q˙)X˙被认为是零矩阵,因为实际控制过程中科里奥利力矩阵计算量很大,上式可以改写为:
τ = J T A ^ x ( q ) Λ − 1 [ Λ X ¨ d + B ( X ˙ d − X ˙ ) + K ( X d − X ) − F e ] + Q x ( q ) + J T F e \tau=J^{T}\hat{A}_x(q)\Lambda^{-1}[\Lambda\ddot{X}^d+B(\dot{X}^d-\dot{X})+K\left(X^d-X\right)-F_e]+{Q}_x(q)+J^TF_e τ=JTA^x(q)Λ1[ΛX¨d+B(X˙dX˙)+K(XdX)Fe]+Qx(q)+JTFe
这里 F e F_e Fe出现了两次

  • J T F e J^TF_e JTFe补偿机器人施加的外部力矩
  • − J T A ^ x Λ − 1 F e -J^T\hat{A}_x\Lambda^{-1}F_e JTA^xΛ1Fe表示增益为 − J T A ^ x Λ − 1 -J^T\hat{A}_x\Lambda^{-1} JTA^xΛ1的力反馈

而且,如果 Λ = A x ( q ) \Lambda=A_x(q) Λ=Ax(q),那么包含 F e F_e Fe的项就会消失,从而变为下图所示的无力反馈的非线性解耦阻抗控制:
τ = A ^ ( q ) J − 1 [ X ¨ d + Λ − 1 [ B ( X ˙ d − X ˙ ) + K ( X d − X ) ] − J ˙ q ˙ ] + H ^ ( q , q ˙ ) \tau=\hat{A}(q)J^{-1}[\ddot{X}^d+\Lambda^{-1}[B(\dot{X}^d-\dot{X})+K(X^d-X)]-\dot{J}\dot{q}]+\hat{H}(q,\dot{q}) τ=A^(q)J1[X¨d+Λ1[B(X˙dX˙)+K(XdX)]J˙q˙]+H^(q,q˙)文章来源地址https://www.toymoban.com/news/detail-766848.html

到了这里,关于机器人建模辨识控制——柔性运动控制的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 六自由度机器人(机械臂)运动学建模及运动规划系列(一)——简介

    毕业设计做了六轴机器人相关的课题,做完之后学到很多,在这里分享一下。本篇首先对六轴机器人及其研究内容进行简单的介绍。 六轴机器人中的六轴指个六自由度,由关节和连杆组成。常见的六轴机器人为 串联型旋转关节机器人 。这里以一款川崎机器人为例,展示一下

    2024年02月02日
    浏览(44)
  • 建模分析 | 差速轮式移动机器人运动学建模(附Python/Matlab仿真)

    🔥附C++/Python/Matlab全套代码🔥课程设计、毕业设计、创新竞赛必备!详细介绍全局规划(图搜索、采样法、智能算法等);局部规划(DWA、APF等);曲线优化(贝塞尔曲线、B样条曲线等)。 🚀详情:图解自动驾驶中的运动规划(Motion Planning),附几十种规划算法 差速轮式移动机器人

    2024年02月05日
    浏览(41)
  • 六自由度机器人(机械臂)运动学建模及运动规划系列(四)——轨迹规划

    对机器人进行轨迹规划的主要任务是,根据机器人的工作环境和工作任务要求,求得一系列机器人末端位姿变换的时间序列,使得机器人末端可以正确地从初始姿态沿着期望的轨迹运动到终止位姿,完成工作任务,。对于六自由度的机器人来说,轨迹规划要解决的关键问题是

    2024年02月03日
    浏览(65)
  • 【5. ROS机器人的运动控制】

    2023年04月28日
    浏览(44)
  • MATLAB算法实战应用案例精讲-【人工智能】基于机器视觉的机器人及机械臂运动规划(补充篇)

    目录 前言 几个高频面试题目 机器人抓取时怎么定位的?用什么传感器来检测?

    2024年02月07日
    浏览(50)
  • 1.1 机器人运动控制算法专栏介绍

    本博客专栏将从理论到实践进行全面讲解,从机器人运动控制的基础理论到代码实现,读者将能够全面了解机器人运动控制的关键环节。本专栏从数学公式的推理,到代码实现的详细阐述,读者将能够更好地理解和应用机器人运动控制的相关知识。通过实例、图像、代码和解

    2024年02月09日
    浏览(43)
  • 建模分析 | 平面2R机器人(二连杆)运动学与动力学建模(附Matlab仿真)

    🔥附C++/Python/Matlab全套代码🔥课程设计、毕业设计、创新竞赛必备!详细介绍全局规划(图搜索、采样法、智能算法等);局部规划(DWA、APF等);曲线优化(贝塞尔曲线、B样条曲线等)。 🚀详情:图解自动驾驶中的运动规划(Motion Planning),附几十种规

    2024年02月05日
    浏览(55)
  • 利用qt实现机器人可视化界面,并在界面上控制机器人各个关节运动

     本工程借助于clion配置的qt环境,同时依赖eigen tinyxml2等开源库,也借鉴了博客上一些文章,具体哪些忘记了,十分抱歉。本工程仅供参考。机械臂模型为史陶比尔官网的TX2-60L-HB。可以去那下载对应的stp文件。 最终图:  通过鼠标中键控制旋转 缩放,配合ctrl进行平移。加载

    2024年02月11日
    浏览(52)
  • 干货 | 足式机器人运动控制发展方向——轨迹优化

    “ 运动控制技术的进步使得足式机器人的运动能力更强,而近来轨迹优化作为主流学术研究方向,能够为足式机器人运动控制的发展提供可能的指引。本期技术干货,我们邀请到了小米工程师 徐喆 ,向我们介绍足式机器人运动控制的发展方向——轨迹优化。 ” 一、前言 足

    2023年04月22日
    浏览(47)
  • 综述:运动想象脑机接口控制机器人的研究

    BCI是一种特殊的信息交换系统,它使大脑能够直接与外部环境互动,而不依赖于大脑的外周神经系统和人体的运动系统。随着BCI的快速发展,对于思维正常但患有神经系统疾病或严重残疾的患者,BCI可使他们重新获得锻炼或与环境沟通的能力,提高生活质量。对于健康人群来

    2024年02月04日
    浏览(53)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包