Identyfikacja parametrów modelu dynamiki robota LWR 4+

• Autorzy: Woliński Ł. , Wojtyra M.

Warianty tytułu

EN

LWR 4+ dynamic model identification

• Języki publikacji: PL

Abstrakty

PL

Artykuł porusza problem identyfikacji parametrów modelu dynamiki robota KUKA LWR 4+. Opracowanie takiego modelu umotywowane jest potrzebami związanymi ze sterowaniem i symulacją robota. Spośród dostępnych metod identyfikacji (klasyczna, uczenie maszynowe, sieci neuronowe) wybrano metodę klasyczną, bazującą na ważonej metodzie najmniejszych kwadratów. Przedstawiono plan eksperymentu i opisano wybraną metodę oraz przygotowania, polegające głównie na zaplanowaniu właściwej trajektorii do pomiarów. Zaprezentowano i omówiono wyniki przeprowadzonych pomiarów. Poprawność modelu została potwierdzona.

EN

The paper deals with the identification of the KUKA LWR 4+ robot dynamic model. The development of such a model is motivated by the need to simulate and control the robot. Given the available identification methods (classic, machine learning, neural networks), a classic one, based on the weighted linear least squares estimation, is chosen. A plan of the experiment is presented, and the identification method and experiment design - consisting mostly of planning of the suitable trajectory for measurements - are described. The obtained results are shown and discussed, while the correctness of the dynamic model is verified.

Słowa kluczowe

PL

robotyka; sterowniki robotów; programowanie robotów; dynamika robota; LWR 4+

EN

robotics; robot controllers; robot programming; robot dynamics; LWR 4+

• Wydawca: Oficyna Wydawnicza Politechniki Warszawskiej
• Czasopismo: Prace Naukowe Politechniki Warszawskiej. Elektronika
• Rocznik: 2018
• Tom: z. 196
• Strony: 449--458
• Opis fizyczny: Bibliogr. 27 poz., tab., wykr.

Twórcy

autor

Woliński Ł.

• Instytut Techniki Lotniczej i Mechaniki Stosowanej, Politechnika Warszawska, ul. Nowowiejska 24, 00-665 Warszawa

autor

Wojtyra M.

• Instytut Techniki Lotniczej i Mechaniki Stosowanej, Politechnika Warszawska, ul. Nowowiejska 24, 00-665 Warszawa

Bibliografia

• [1] V. Bargsten, J. d. Gea Fernandez, Y. Kassahun. Experimental robot inverse dynamics identification using classical and machine learning techniques. In: Proceedings of ISR 2016: 47th International Symposium on Robotics. Proceedings, June, 2016, s. 1-6.
• [2] V. Bargsten, P. Zometa, R. Findeisen. Modeling, parameter identification and model-based control of a lightweight robotic manipulator. In: 2013 IEEE International Conference on Control Applications (CCA). Proceedings, Aug, 2013, s. 134-139.
• [3] R. Bischoff et al. The KUKA-DLR lightweight robot arm - a new reference platform for robotics research and manufacturing. In: ISR 2010 (41st International Symposium on Robotics) and ROBOTIK 2010 (6th German Conference on Robotics). Proceedings, June, 2010, s. 1-8.
• [4] W. K. Chung, L.-C. Fu, T. Kroger. Motion control. In: Springer Handbook of Robotics Red. B. Siciliano, O. Khatib, s. 163-194. Springer International Publishing 2016.
• [5] M. Gautier, W. Khalil. Direct calculation of minimum set of inertial parameters of serial robots. IEEE Transactions on Robotics and Automation, Jun, 1990, Vol. 6, No. 3, s. 368-373.
• [6] C. Gaz, F. Flacco, A. De Luca. Extracting feasible robot parameters from dynamic coefficients using nonlinear optimization methods. In: 2016 IEEE International Conference on Robotics and Automation (ICRA). Proceedings, May, 2016, s. 2075-2081.
• [7] P. Guglielmetti, R. Longchamp. Real-time identification of a robot manipulator using a "neural network" approach. In: Proceedings of the IEEE International Workshop on Intelligent Motion Control. Proceedings, Aug, 1990. Vol. 1, s. 217-222.
• [8] Z. H. Jiang, T. Ishida, M. Sunawada. Neural network aided dynamic parameter identification of robot manipulators. In: 2006 IEEE International Conference on Systems, Man and Cybernetics. Proceedings, Oct, 2006. Vol. 4, s. 3298-3303.
• [9] A. Jubien, M. Gautier, A. Janot. Dynamic identification of the kuka lightweight robot: Comparison between actual and confidential kuka's parameters. In: 2014 IEEE/ASME International Conference on Advanced Intelligent Mechatronics. Proceedings, July, 2014, s. 483-488.
• [10] H. Kawasaki, T. Bito, K. Kanzaki. An efficient algorithm for the model-based adaptive control of robotic manipulators. IEEE Transactions on Robotics and Automation, 1996, Vol. 12, No. 3, s. 496-501.
• [11] K. Kozlowski. Experimental identification of robot dynamic parameters. In: Modelling and Identification in Robotics, s. 131-188. London, Springer London 1998.
• [12] K. Kozlowski. Identification of robot model parameters. In: Modelling and Identification in Robotics, s. 101-130. London, Springer London 1998.
• [13] T. Kröger. Fast Research Interface Library. http://cs.stanford.edu/people/tkr/fri/html/annotated.html, 2014. Online; accessed: 25-April-2017.
• [14] KUKA. Lightweight Robot 4+ Specification, Version: Spez LBR 4+ V2en., 06.07.2010.
• [15] H. Lyu et al. Time-optimal and energy-efficient trajectory generation for robot manipulator with kinematic constraints. In: 2017 13th IEEE Conference on Automation Science and Engineering (CASE). Proceedings, Aug, 2017, s. 503-508.
• [16] D. Nguyen-Tuong, J. Peters. Learning robot dynamics for computed torque control using local gaussian processes regression. In: 2008 ECSIS Symposium on Learning and Adaptive Behaviors for Robotic Systems (LAB-RS). Proceedings, Aug, 2008, s. 59-64.
• [17] D. Nguyen-Tuong, J. Peters. Using model knowledge for learning inverse dynamics. In: 2010 IEEE International Conference on Robotics and Automation. Proceedings, May, 2010, s. 2677-2682.
• [18] D. Nguyen-Thong, M. Seeger, J. Peters. Computed torque control with nonparametric regression models. In: 2008 American Control Conference. Proceedings, June, 2008, s. 212-217.
• [19] A. Reiter, A. Müller, H. Gattringer. Inverse kinematics in minimum-time trajectory planning for kinematically redundant manipulators. In: IECON 2016 - 42nd Annual Conference of the IEEE Industrial Electronics Society. Proceedings, Oct, 2016, s. 6873-6878.
• [20] G. Schreiber, A. Stemmer, R. Bischoff. The Fast Research Interface for the KUKA lightweight robot. In: Proceedings of the IEEE ICRA 2010 Workshop on ICRA 2010 Workshop on Innovative Robot Control Architectures for Demanding (Research) Applications - How to Modify and Enhance Commercial Controllers. Proceedings, May, 2010, s. 15-21.
• [21] B. Siciliano et al. Robotics. Modelling, Planning and Control. Springer-Verlag London 2009.
• [22] J. Swevers et al. Optimal robot excitation and identification. IEEE Transactions on Robotics and Automation, Oct, 1997, Vol. 13, No. 5, s. 730-740.
• [23] J. Swevers, W. Verdonck, J. De Schutter. Dynamic model identification for industrial robots. IEEE Control Systems, Oct, 2007, Vol. 27, No. 5, s. 58-71.
• [24] L. Woliński, P. Malczyk. Dynamic modeling and analysis of a lightweight robotic manipulator in joint space. Archive of Mechanical Engineering, August, 2015, Vol. 62, No. 2, s. 279-302. 10.1023/A:1021909032551.
• [25] L. Woliński, M. Wojtyra. Comparison of dynamic properties of two LWR 4+ robots. In: ROMANSY 21 - Robot Design, Dynamics and Control. Proceedings of the 21st CISM-IFToMM Symposium. Proceedings, June, 2016. Vol. 569, s. 413-420.
• [26] Ł. Woliński. Adaptive Learning Control Algorithm for KUKA LWR 4+ Robots. In: Proceedings of the 8th ECCOMAS Thematic Conference on Multibody Dynamics 2017. Proceedings, Jun, 2017, s. 627-634.
• [27] A. M. Zanchettin, P. Rocco. Motion planning for robotic manipulators using robust constrained control. Control Engineering Practice, 2017, wolumen 59, s. 127-136.

Uwagi

PL

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2019).