Wyniki wyszukiwania - BazTech

1

Algorytm skalowania prędkości dla trajektorii w przestrzeni zadań

Wojtyra Marek, Woliński Łukasz

Prace Naukowe Politechniki Warszawskiej. Elektronika

|

2022

|

z. 197, t. 2

213-222

PL

Artykuł przedstawia nowy algorytm skalowania trajektorii, umożliwiający planowanie ruchu w przestrzeni zadań, pozwalający na uwzględnienie fizycznych możliwości manipulatora w postaci ograniczeń nakładanych na prędkości i przyspieszenia w przestrzeni złączowej. W odróżnieniu od klasycznego algorytmu skalowania, który jednolicie skaluje całą trajektorię i musi być wykonany przed rozpoczęciem ruchu, proponowany algorytm może być realizowany online, a skalowanie jest stosowane tylko do części planowanej trajektorii. W proponowanym podejściu ruch jest analizowany w przyjętym horyzoncie predykcji. Klasyczne podejście do skalowania zostało zmodyfikowane w taki sposób, że skalowanie jest wykonywane tylko wtedy, gdy w horyzoncie predykcji wykryte zostanie naruszenie ograniczeń nałożonych na prędkości lub przyspieszenia złączowe. W artykule omówiono podstawy działania algorytmu, a następnie przedstawiono jego szczegóły. Przedstawiono przykład skalowania trajektorii dotyczący manipulatora o dwóch stopniach swobody poruszającego się w pobliżu konfiguracji osobliwej.

EN

A new trajectory scaling algorithm is presented. The algorithm allows for planning a task space trajectory while considering the manipulator’s physical capabilities in terms of limits for joint space velocities and accelerations. Contrary to the classic scaling algorithm which scale the whole trajectory uniformly and has to be executed before the motion starts, the proposed algorithm can be executed online, and the scaling is applied only to the part of the planned trajectory. In the proposed approach, the planned motion is analyzed in a specified prediction horizon. Theoretical basics of the classic trajectory scaling method are adapted in such a way that the scaling is performed only when the analysis detects a violation of joint velocity or acceleration constraints at the prediction horizon. In this paper, the underlying ideas are introduced and discussed, then the core formulae of the algorithms are detailed. An example of scaling a trajectory of a 2-DOF manipulator in the vicinity of a boundary singularity is presented.

2

Inverse kinematics solution for humanoid robot minimizing gravity-related joint torques

Mikołajczyk Kacper, Szumowski Maksymilian, Woliński Łukasz

Archive of Mechanical Engineering

|

2022

|

LXIX, nr 3

393--409

EN

A method of solving the inverse kinematics problem for a humanoid robot modeled as a tree-shaped manipulator is presented. Robot trajectory consists of a set of trajectories of the characteristic points (the robot’s center of mass, origins of feet and hands frames) in the discrete time domain. The description of motion in the frame associated with the supporting foot allows one to represent the robot as a composite of several serial open-loop redundant manipulators. Stability during the motion is provided by the trajectory of the robot’s center of mass which ensures that the zero moment point criterion is fulfilled. Inverse kinematics solution is performed offline using the redundancy resolution at the velocity level. The proposed method utilizes robot’s redundancy to fulfill joint position limits and to reduce gravity-related joint torques. The method have been tested in simulations and experiments on a humanoid robot Melson, and results are presented.

3

Comparison of the adaptive and neural network control for LWR 4+ manipulators: simulation study

Woliński Łukasz

Archive of Mechanical Engineering

|

2020

|

LXVII, nr 1

111--121

EN

This paper deals with two control algorithms which utilize learning of their models’ parameters. An adaptive and artificial neural network control techniques are described and compared. Both control algorithms are implemented in MATLAB and Simulink environment, and they are used in the simulation of a postion control of the LWR 4+ manipulator subjected to unknown disturbances. The results, showing the better performance of the artificial neural network controller, are shown. Advantages and disadvantages of both controllers are discussed. The usefulness of the learning algorithms for the control of LWR 4+ robots is discussed. Preliminary experiments dealing with dynamic properties of the two LWR 4+ robots are reported.