六轴工业机械臂论文

1. 怎么保证机械臂运动平稳？
2. 科学家开发的全新柔性减震机器人抓手采用了什么机制？
3. 马斯克支持的实验室，如何使机器人像人类一样灵活地操纵物体？

怎么保证机械臂运动平稳？

谢邀。

“机械臂运动规划的过程”。

需要考虑一下几点：

1、各轴运动范围极限、速度极限、功率极限；

2、路径优化，包括路径长度，运动时间，无死区和奇点，速度是否平稳等；

3、对障碍物的避让；

4、各轴的速度和位置的规划，包括每一点位的速度和位置。

多轴工业机器人，从一点到另一点，可以指定各轴终点姿态、运行速度、加速度等具体参数；

如果不指定参数，在规划时一般是对整个路径进行规划，主要计算的是路径、速度的最优解和自身、外部约束的避让。

我了解到的某些工业机器人实际应用的算法中，插补运算是在驱动器级别完成的，在整个路径的规划中，并未将插补运算包含进去，但插补可以实现的约束，包含在路径规划的约束中。

科学家开发的全新柔性减震机器人抓手***用了什么机制？

除了少数例外，机器人抓手并不是因为它们具有柔软触感而闻名 - 所以它们通常不能用于抓获容易受影响的物体。然而，由于纽约州立大学布法罗分校科学家开发的减震抓手，这可能即将发生变化。

这种实验性夹手由副教授Ehsan Esfahani领导的团队创建，其***用两个电动指状物，沿着轨道朝向或远离彼此滑动。每个指状物都安装在一个磁性底座上，磁性底座位于两个“排斥”的钕磁铁之间，用于推动它。两块磁铁实际上都不接触底座，所以底座的两侧和相应的磁铁之间都有一个间隙 - 这个间隙可以起到减震弹簧的作用。

当两个“手指”靠在一起以抓住它们之间的物体时，每个“手指”两侧的磁铁相对靠近其底座，通过推动“手指”保持牢固地固定就位。随着该物品随后被抓起和移动（通过附着抓手的机械臂），抓手总是可能意外地撞击障碍物。如果发生这种情况，集成传感器会检测到撞击，并通过将磁铁移动远离“手指”瞬间响应。这减小了排斥力，允许两个“手指”通过相对于夹持器的其余部分暂时滑动来吸收冲击。

一旦障碍物被清除，磁铁就会重新移回，将“手指”推回到原来的位置。此外，该系统不仅可以保护正在运输的物品，还可以防止工厂工人受到工业机器人的伤害。

“这些抓手设计用于与人合作的协作机器人，”Esfahani说道。“它们将成为帮助者，因此它们需要安全，并且可变刚度抓手有助于实现这一目标。”

该技术现已通过衍生公司商业化，与第三方机械臂一起使用。相关研究成果在最近发表在《IEEE Transactions on Industrial Electronics》杂志上的一篇论文中对此进行了描述。

马斯克支持的实验室，如何使机器人像人类一样灵活地操纵物体？

近日来自OpenAI实验室的研究人员已经教会机器人如何和人类一样灵活地操纵物体。OpenAI实验室获得埃隆·马斯克和彼得·泰尔等亿万富翁的支持。该项目在OpenAI研究论文（题为《学习灵活的手动操作》）中有详细说明，并使用强化学习模型帮助机器人手掌握如何精确地抓住和操纵像正方体这样的物体。

研究人员称，机器人在短时间内积累了相当于100年的经验。研究人员在论文中写道：“虽然对物体的灵活操控是人类的一项基本日常任务，但对自主机器人来说仍然具有挑战性。现代机器人通常被设计用于受限设置中的特定任务，并且很大程度上无法利用复杂的末端执行器。相比之下，人们能够在多种环境中执行各种灵巧的操作任务，使人手成为机器人操纵研究的灵感来源。”

在帮助计算机视觉模型识别***纵物体的样子之后，研究人员转而进行了艰苦的工作，即使用384台机器来训练模型，以使用模拟的摄像机图像来预测物体的方向。为了加快学习速度，研究人员将项目的许多方面随机化，如重力和正方体表面的纹理等。所有这些都有助于让AI更好地了解在现实生活中操纵像这个正方体这样的东西会是什么样的 - 以及足够的变量来帮助AI学习如何处理任何模式。

卡内基梅隆大学机器人研究所的Smruti Amarjyoti告诉The Verge，这项研究本身并未预示机器人操纵方面的任何突破。但他表示，所产生的机器人手部动作是“优雅的”，他没有意识到可以通过人工智能实现。其他研究人员指出，该项目仍存在许多局限性，例如任务仅限于手掌朝上的机器人和机器人使用不是特别大的正方体。

“手动操作”对于人类来说轻而易举，因为我们能够在不***思索的情况下自如地适应并协调自己的手指，运用手掌皮肤的摩擦力与重力特性，单手完成诸多工作。但对于机器人而言，这却非常困难。

人类从婴儿时期开始，就经历了多年的学习与演练才慢慢掌握这种强大的手动操作能力; 相比之下，机器人显然没有那么多时间。其中的挑战在于，我们必须找到一种速度更快且效率更高的学习方法，不仅能够让机器人以手动方式实现反复操作，同时意识到哪些动作有效、哪些动作无效。

为此，OpenAI的研究人员正在利用强化学习训练卷积神经网络，从而控制一支拥有五根手指的Shadow手臂进行物体操控，而这整个学习过程只有短短50个小时。通过在模拟当中进行操作学习，加上经过精心设计的随机化模拟方法，更好地匹配现实世界中的场景需求。如此一来，即使从未接触过任何真实物体，Shadow手臂仍然能够顺利学会手动操作的精髓所在。

在理想情况下，只要有足够的计算能力，所有机器人都可以接受模拟训练。但问题在于，现实世界无法被完全精确地模拟出来，特别是在涉及摩擦、顺应性以及物体间相互作用等细小因素时，精确模拟将变得更为困难。因此，在可接受的状态内进行模拟虽然效果不错，但模拟成功与现实世界成功之间始终还存在着巨大的鸿沟。这会在某种程度上降低模拟训练的价值。

为了解决这类问题，很多研究人员会选择尽可能提升模拟场景的准确性，以便从中提取出一些有用的成果。但OpenAI却反其道而行之，选择了以可变性为主、准确性为辅，为仿真模拟提供一系列略有不同的参数调整方案，从而确保通过训练形成的行为方式足以在模拟场景之外起效。该项目名为“Dactyl”。

需要重申的是，OpenAI非常清楚其所使用的模拟场景并不足以精确反映各项重要指标——例如摩擦系数以及机器人手指随时间推移而表现出的运动方式等。为了让机器人准确概括其当前学习的内容，OpenAI尽可能引入更多模拟方面，从而覆盖一切无法良好建模的可变性因素。其中包括物体的质量与尺寸、物体表面与机器人指尖的摩擦力、机器人关节的阻尼水平、执行器力度、关节限制、电机间隙以及噪音大小等。这些因素会对物体施加较小的随机力以获得额外的未建模动态参数。当然，这一切仅仅是在操作层面——在物体姿态估计当中，OpenAI也以多种变化方式训练RGB相机，从而降低可视化的实现门槛。

OpenAI将此称为“域随机化”。在谈到手动操作时，OpenAI方面表示：“我们希望了解，经过扩展的域随机化方案能否解决远超现有机器人技术实现方法的任务。”在这方面，OpenAI构建了两套独立的神经训练网络，其中一个负责视觉，另一个负责操作，通过相互配合观察方块物体的姿态并以多种方式对其进行操控，如下图：

这些方块的操作（系列至少需要连续成功执行50次操控）源自6144个CPU核心与8个GPU在50小时内收集到的长达100年的机器人模拟实验结果。系统得到的惟一反馈（模拟与IRL）就是方块的位置以及手臂指尖的位置。在这项实验中，系统最初并不具备任何方块抓取概念或者操纵方法认知。因此，必须从零开始总结经验，包括手指旋转、多指协调、配合重力条件的力量控制与调整等。该系统整合了人类在进行手动操作时使用的所有技术，并对其做出了一系列细小且有趣的修改，比如：

[免责声明]本文来源于网络，不代表本站立场，如转载内容涉及版权等问题，请联系邮箱:83115484@qq.com，我们会予以删除相关文章，保证您的权利。转载请注明出处：http://www.ndtlw.com/post/31884.html