基于高阶连续轨迹规划的柔性气动机械臂运动生成与滑模控制

《Journal of Engineering Research》:Motion Generation and Sliding Mode Control of Flexible Pneumatic Manipulator Based on High-Order Continuous Trajectory Planning

【字体: 大 中 小 】 时间:2026年09月21日 来源:Journal of Engineering Research 4.0

编辑推荐:

  摘要专业翻译 目的: 针对柔性气动机械臂因强非线性、气动延迟和材料柔性所导致的轨迹规划与控制严重脱节问题,本研究提出一种基于粒子群优化(Particle Swarm Optimization,PSO)和深度强化学习(Deep Reinforcement Lea

  
摘要专业翻译 目的: 针对柔性气动机械臂因强非线性、气动延迟和材料柔性所导致的轨迹规划与控制严重脱节问题,本研究提出一种基于粒子群优化(Particle Swarm Optimization,PSO)和深度强化学习(Deep Reinforcement Learning,DRL)的运动生成与滑模控制模型。 方法: 该模型结合PSO与DRL实现高阶连续轨迹规划,并引入SBR-RRT实现无碰撞运动生成。其核心技术创新在于建立分层规划–控制耦合机制:将优化后的轨迹参数作为标称参考传递,并持续反馈跟踪状态、障碍物状态及气动状态以进行在线修正,从而弥合轨迹生成与控制器执行之间的鸿沟。 结果: 该模型在穿越静态障碍物任务中成功率达96.56%,在执行动态目标抓取任务时精度达97.01%。模型计算负载为125.31 MFLOPS,控制精度为0.939。 结论: 该模型在机械臂轨迹规划与控制方面展现出优异能力,运动路径平滑,且具有良好的鲁棒性和性能稳定性,为机械臂的稳定运动提供了良好的技术方案。

论文解读

一、研究背景与问题

传统刚性机器人难以在非结构化工业环境中与人类及易碎物体安全交互,这催生了柔性气动机械臂(flexible pneumatic manipulator)的发展。凭借固有的柔顺性和高功率重量比,柔性气动机械臂在医疗康复、辅助可穿戴设备以及精细操作和抓取等场景中展现出显著优势和应用前景。然而,柔性特性也带来了诸多控制挑战,包括材料与气压的耦合效应可能影响运动控制。当前的运动生成与控制方法主要包括参数化建模和超螺旋算法,但在模型精度与实时性能之间取得平衡始终是一个难题。
更为关键的是,现有轨迹规划与控制方法通常被设计为两个相对独立的阶段:轨迹规划器在执行前主要优化几何可行性、运动时间或轨迹平滑性,而反馈控制器则在参考轨迹确定后抑制跟踪误差和扰动。对于柔性气动机械臂而言,这种分离尤为受限,因为气动延迟、柔性变形、执行器限制、障碍物约束和跟踪误差在运动过程中高度耦合。一条几何上可行的轨迹可能难以动态跟踪,而鲁棒控制器虽能减小跟踪偏差,却无法直接重构不合适的参考路径。因此,关键研究缺口并非轨迹规划或鲁棒控制某一方面的缺失,而是缺乏一种闭环规划–控制机制,能够协调全局平滑轨迹优化、在线自适应修正、无碰撞运动生成和强非线性气动机械臂的鲁棒跟踪。

二、研究内容与意义

针对上述局限,本研究将PSO与DRL相结合,建立高阶连续轨迹规划方法,并进一步开发面向柔性气动机械臂的运动生成与滑模控制框架。与简单地将优化、路径规划和控制算法并行组合不同,所提出的PDSR框架在这些模块之间建立了分层信息传递机制:PSO在运动约束下确定全局优化的五阶轨迹参数;DRL根据实时关节状态、跟踪误差、障碍物距离和气动压力学习残差修正量;SBR-RRT以修正后的连续轨迹作为采样参考生成无碰撞路径节点;滑模控制(Sliding Mode Control,SMC)将所得参考轨迹与实测状态误差转换为比例压力阀控制指令。跟踪状态和环境状态随后反馈至DRL和SBR-RRT层,形成闭环规划–控制回路。
该研究的主要贡献包括:其一,开发了PSO-DRL高阶连续轨迹规划器,由PSO提供全局优化的标称轨迹参数,DRL进行残差在线修正,将全局搜索与动态自适应相结合;其二,引入SBR-RRT运动生成机制,根据轨迹质量和障碍物安全性偏置路径采样,同时保持与连续参考轨迹的兼容性;其三,建立分层PDSR规划–控制架构,通过显式状态和误差反馈将轨迹优化、无碰撞运动生成和鲁棒滑模跟踪连接起来。该框架旨在缩小轨迹生成与控制器执行之间的传统分离,同时提升轨迹平滑性、振动抑制、避障能力和跟踪鲁棒性。其方法论新颖性并非来自PSO、DRL、SBR-RRT和SMC的简单顺序组合,而是通过共享轨迹变量和闭环状态反馈将这些模块耦合:PSO确定全局优化的五阶多项式系数作为标称轨迹参数,DRL仅学习这些系数和控制增益的残差修正,修正后的连续轨迹作为SBR-RRT的采样参考而非独立重规划,最终由SMC跟踪无碰撞参考轨迹,并将跟踪误差、关节状态、障碍物信息和气动响应反馈至DRL和SBR-RRT层。

三、关键技术方法

研究人员为开展本研究主要采用了以下关键技术方法:一是控制导向建模,在分段常曲率假设下建立三节段柔性气动机械臂的运动学与动力学模型,将弯曲状态作为广义坐标,并将变曲率偏差视为有界模型不确定性;二是PSO-DRL高阶连续轨迹规划方法,PSO用于全局优化五阶多项式轨迹系数,DRL用于根据实时状态学习残差修正;三是SBR-RRT无碰撞运动生成机制,以修正后的连续轨迹为采样参考,根据轨迹质量和障碍物安全性偏置采样;四是滑模控制方法,将参考轨迹与实测状态误差转换为比例压力阀控制指令,实现鲁棒跟踪。

四、研究结果

静态障碍物穿越实验: 模型在穿越静态障碍物任务中成功率达96.56%,表明SBR-RRT运动生成机制与连续轨迹参考相结合能够有效实现无碰撞运动。
动态目标抓取实验: 模型在执行动态目标抓取任务时精度达97.01%,验证了DRL残差在线修正机制在动态环境下对轨迹的实时调整能力。
计算性能评估: 模型计算负载为125.31 MFLOPS,控制精度为0.939,表明该框架在保证控制性能的同时具有较低的计算开销,具备实时应用的潜力。

五、讨论与结论

讨论部分: 现有混合方法虽已显著提升扰动抑制、参数自适应和轨迹跟踪性能,但大多数仍将期望轨迹视为外部给定参考,主要致力于改进控制器本身,未建立全局轨迹参数、局部轨迹修正、避障路径节点、跟踪误差和执行器控制信号在规划与控制模块间依次交换的完整信息回路。本研究提出的PDSR框架通过分层规划–控制耦合机制弥补了这一不足。
结论部分: 该模型在机械臂的轨迹规划与控制方面展现出优异能力,具有平滑的运动路径以及良好的鲁棒性和性能稳定性,为机械臂的稳定运动提供了良好的技术解决方案。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号