توصيفگر ها :
كنترل مشترك , تعامل فيزيكي انسان و روبات , يادگيري امپدانس , تخمين قصد حركت انسان , كنترل امپدانس مد لغزشي
چكيده فارسي :
امروزه، با توجه به مزاياي تكميلي مهارت‌هاي شناختي انسان‌ها در درك شرايط، استدلال و حل مسئله و قدرت اجرايي روبات‌ها، همكاري انسان و روبات در كنار يكديگر و به صورت مشترك مورد توجه قرار گرفته است. اما، چگونگي اجراي يك وظيفه مشترك توسط انسان و روبات با چالش‌هاي زيادي روبه‌رو است. در صورت عدم آگاهي روبات از قصد حركت انسان، روبات ممكن است به بار اضافي براي انسان تبديل شود. در مقابل، با آگاهي روبات از قصد حركت انسان، روبات مي‌تواند براي حركتي فعال ابتكار عمل داشته باشد و سبب كاهش تلاش انسان گردد. به علاوه، كنترل مشترك مستلزم تعهد به حمايت متقابل است و انتظار مي‌رود عوامل سهيم در راستاي پيشبرد وظيفه، ياري‌كننده يكديگر باشند. لذا، با قصد فراهم‌سازي رابطه‌ي عادلانه در همكاري انسان و روبات، نقش‌هاي متغير و پويا ايجاد مي‌شوند. در اين پژوهش، با هدف پاسخگويي به چالش‌هاي موجود، قصد حركت انسان به عنوان موقعيت هدف موردنظر در مدل ديناميكي دست شريك انساني تعريف مي شود و با استفاده از برآورد بيشينه درست‌نمايي و برآورد بيزي، دو روش پركاربرد در تخمين، يادگيري امپدانس دست انسان و تخمين قصد حركت آن به صورت برخط صورت مي‌گيرد. پس از يادگيري امپدانس دست انسان، روبات مي‌تواند امپدانس هدف خود را با يك قانون تنظيم ساده با هدف دستيابي به همكاري سازگار تعيين كند. در حالتي كه شريك انساني نقش فعالي در همكاري با روبات ايفا كند، مطلوب است كه امپدانس هدف روبات به منظور تطابق بيشتر با قصد حركت انسان كاهش يابد. از طرف ديگر، در صورت عدم تمايل شريك انساني به رهبري وظيفه مشترك، بهتر است امپدانس هدف روبات به دليل اطمينان از دقت موقعيت‌يابي در معرض اختلالات خارجي افزايش يابد. از سوي ديگر، در كاربردهاي مبتني بر تعامل انسان و روبات، كنترل نيرو و كنترل موقعيت الزامي است؛ اما، كنترل نيرو و كنترل موقعيت به صورت همزمان امكان‌پذير نيست. لذا، در اين پژوهش كنترل‌كننده‌ي امپدانس مد لغزشي مبتني بر تخمين‌زن پيشنهاد شده است. كنترل امپدانس، رويكردي متشكل از يك حلقه‌ي خارجي كنترل نيرو و يك حلقه‌ي داخلي كنترل موقعيت و با هدف كنترل رابطه‌ي ديناميكي ميان نيرو و موقعيت است. با ادغام تخمين قصد حركت دست انسان در كنترل امپدانس مد لغزشي پيشنهادي، روبات مسير مطلوب را توسط يك مسير متعادل دنبال مي‌كند كه در صورت همگرايي خطاهاي رديابي به صفر، روبات از امپدانس موردنظر پيروي مي‌كند. در كنترل رديابي مسير، به دليل اختلاف ميان ديناميك واقعي سيستم و مدل رياضي مورد استفاده در طراحي كنترل‌كننده، دقت و پايداري بالاي روش كنترلي حائز اهميت است. در اين پژوهش، از كنترل مد لغزشي به عنوان يكي از مهم‌ترين كنترل‌كننده‌هاي غيرخطي استفاده شده است كه در حضور عدم قطعيت‌هاي مدل، مقاوم بوده و توانايي دستيابي به عملكرد مورد انتظار را دارد. نتايج شبيه‌سازي، حاكي از اثربخشي روش‌هاي برآورد بيشينه درست‌نمايي و برآورد بيزي در يادگيري امپدانس بازوي دست انسان مي‌باشد. همچنين، عملكرد مناسب چهارچوب پيشنهادي در تخمين قصد حركت دست انسان، تعيين و رديابي مسير متعادل و كاهش نيروي تعامل ميان انسان و روبات در حركت نقطه به نقطه و حركت متغير با زمان نشان داده شده است.
چكيده انگليسي :
Nowadays, due to the complementary advantages of human cognitive skills in the understanding of situations, reasoning and problem solving, and the executive capability of robots, the cooperation of humans and robots together and jointly has been considered. However, performing a shared task by humans and robots faces many challenges. If the robot is not aware of the human motion intention, the robot may become an additional load for the human. On the other hand, with the robot's awareness of the human motion intention, the robot can take the initiative for an active motion and reduce the human's effort. In addition, shared control requires a commitment to mutual support, and participant agents are expected to assist each other to advance their tasks. Therefore, to provide a fair relationship in human-robot cooperation, variable and dynamic roles are created. In this study, to respond to the existing challenges, the human motion intention is defined as the desired target position in the dynamic model of the human limb and using the maximum likelihood estimation and Bayesian estimation, two widely used estimation methods, impedance learning of the human limb and its motion intention estimation is accomplished online. After impedance learning of the human limb, the robot can determine its target impedance with a simple tuning rule to achieve compatible cooperation. In the case that the human partner plays an active role in cooperation with the robot, the target impedance of the robot should be reduced in order to better match the human motion intention. In contrast, if the human partner is not intended to lead the shared task, it is better to increase the robot’s target impedance to ensure the accuracy of positioning exposed to external disturbances. On the other hand, in human-robot interaction-based applications, force control and position control are required; however, force control and position control are not possible at the same time. Thus, in this project, the sliding mode impedance control based on estimator is proposed. Impedance control is an approach consisting of an external force control loop and an internal position control loop to control the dynamic relationship between force and position. Integrating the human motion intention estimation in the proposed sliding mode impedance control, the robot follows the desired trajectory by a balanced trajectory such that if the tracking errors converge to zero, the robot follows the desired impedance. In tracking control, due to the difference between the real dynamics of the system and the mathematical model utilized in the controller design, the high accuracy and stability of the control method are important. In this research, sliding mode control is employed as one of the most significant nonlinear controllers, which is resistant in the presence of model uncertainties, and is able to achieve the expected performance. The simulation results indicate the effectiveness of the maximum likelihood estimation and Bayesian estimation methods in impedance learning of the human limb. In addition, the proper performance of the proposed framework in estimating the human motion intention, determining and tracking the balanced trajectory, and reducing the human-robot interaction force in point-to-point movement and time-varying movement has been shown.
