一种机器人任务多线程异步解释器

本文介绍了一种机器人任务程序解释技术 在分析了机器人指令和程序格式的基础上,讨论了任务解释器的功能和性能需求,进而提出了多线程异步解释的方案.文章详细介绍了这一方案的核心及技术实现细节,并给出了两级线程处理函数的基本框架 该方案在两种机器人控制器中的良好性能证明了其较强的通用性和先进性     

基于ADAMS的焊接机器人轨迹规划

通过Pro/E建立六关节弧焊机器人的CAD模型,导入ADAMS软件并通过点驱动的方式,求解各关节角度随时间的变化;通过ADAMS的后处理模块,将测量所得各关节角度随时间的变化曲线转换为样条曲线,在各关节上添加驱动电机,观察求解的准确性;求解所得的各关节角度随时间变化的数据转换为相应的脉冲函数关系,在物理样机上进行驱动。     

仿尺蠖步态的爬杆机器人的动态仿真研究

以仿尺蠖步态的爬杆机器人为研究对象，对其机械结构及行进步态进行了分析，并进一步利用ADAMS软件建立了该仿生机器人的虚拟样机，对该仿生机器人进行了动态模拟仿真实验。研究了在爬杆过程中仿生机器人头部与尾部的速度及位移随时间的变化关系，以及该仿生机器人对变直径工作杆的适应能力，同时分析了不同摩擦材料制成的自锁机构对机器人运动特性的影响。仿真结果表明：该仿生机器人对于直径在一定范围内变化的工作杆有着较好的适应能力，且自锁机构的静摩擦系数为影响该机器人运动特性的关键参数。     

基于k-trajectory算法的电力线巡检机器人的轨迹平滑方法

研究了一种电力线路巡检飞行机器人轨迹平滑的方法.首先,利用坐标变换将机器人在三维空间中的运动映射到二维平面上;其次,在符合飞行机器人动力学规律的基础上,阐述了在k-trajectory算法基础上进行轨迹平滑的方法,分析了三种情况下机器人的飞行轨迹;最后,通过计算机仿真实验证明了该方法的正确性和有效性.     

SIWRII型水下机器人仿真技术

仿真技术为机器人设计、路径规划、演示等方面日益广泛,本文用OpenGL构建了SIWRII型机器人的仿真模型,用它来显示机器人的位姿状态并代替机器人主手控制机器人。     

基于神经网络的Q学习在Khepera Ⅱ机器人避障中的应用

为了提高移动机器人的自主学习能力,在传统的机器人行为控制结构基础上设计了智能控制结构,同时引入了基于神经网络的Q学习模块算法,克服了传统算法只能应用到离散状态中的不足.移动机器人的避障实验结果表明,该方法能够使移动机器人通过自学习实现自主避障.     

3-RRR并联机器人含间隙的运动学标定及误差补偿

机器人构件几何尺寸误差与关节间隙共同影响了机器人的定位准确度与精确度.文中基于考虑关节间隙的误差模型,使用运动学标定的方法对上述两误差源进行了识别,分析了关节间隙对重复定位中误差分布规律的影响.通过在逆运动学模型中补偿识别到的构件几何误差,以及将标定后的定位误差补偿到控制指令,提高了机构定位准确度;通过在控制中实时补偿关节间隙对定位误差的影响,提高了重复定位精确度.     

一种串联机器人的随机误差分析方法

利用旋量理论,通过定义关节处的误差运动旋量,建立了包含结构参数误差的串联机器人误差模型. 在此基础上,提出了一种将Monte Carlo方法与串联机器人误差模型相结合的随机误差分析方法,用于揭示机器人末端位姿误差的概率特性. 并以直角坐标装配机器人为例,在Matlab软件环境中进行了仿真,得到了机器人末端随机位置误差在工作空间内的分布规律. 仿真结果表明,该方法正确、有效,仿真得到的随机误差特性对标定精度的提高以及最优工作空间的选择具有重要意义.      

基于遗传算法优化的机器人非奇异终端滑模控制

六自由度并联机器人是一个强耦合、高度非线性的系统,针对此特性研究了非奇异终端滑模控制方法,为改善其运动品质,结合指数趋近律的思想,给出了系统的控制律.利用李雅普诺夫（Lyapunov）理论验证了存在建模误差和外部干扰时六自由度并联机器人控制系统的稳定性,确保了控制系统的鲁棒性.为了进一步减少滑模控制的抖振,提高系统收敛速度和跟踪性能,采用了遗传算法来优化非奇异滑模面和控制律的参数.仿真结果表明：提出的控制策略参数优化后能使机器人的轨迹跟踪稳态误差趋近于零、系统调整时间短、驱动器控制律平滑,达到了高性能的位姿控制.     

PSO-QGA在移动机器人复杂路径规划中的应用

量子遗传算法具有适应性强、收敛速度快、适合于全局搜索的特点,粒子群优化算法的优点是具有记忆能力,在智能搜索的实现上可以结合个体和全局的最佳位置实现位置定位,但粒子群优化算法在搜索速度和择优能力方面还有待提升.因此提出了一种改进的路径规划算法,即利用量子遗传算法结合粒子群优化算法的记忆功能和最佳定位能力,实现对移动机器人路径规划算法的改进.通过仿真实验已经证明,改进后的移动机器人路径规划算法在稳定性和路径优化选择上都优于单纯的粒子群优化算法和量子遗传算法,并且改进后的算法更适合于复杂路径中实现优化.