机器人行业提出了一个自适应框架，能够抛光机器人关键部位零件的广泛处理：如倒角和圆角。其特点是相对低的接触力和低材料去除。，包括硬金属如钛使用协作机器人。研究者提出了一种基于阻抗控制的迭代学习控制器，在每次迭代中同时调整位置和力来调节抛光过程。所提出的控制器可以跟踪所需的轮廓，而无需任何抛光不同材料所需的力的先验知识。


此外，研究者提出了一种新的基于Lissajous曲线的复杂圆角刀具轨迹生成数学模型。在完成任务如倒角和切片使用一个协作工业机器人来验证新的框架进行了试验。表面粗糙度和轮廓测量表明，研究者的自适应控制器可以获得良好的抛光输出在各种材料，如钛，铝，木材。

超级打磨抛光机器人，超级精细，抛光如新！


研究背景与实验


机器人的研究在喷漆、码垛和焊接等工业应用方面取得了显著进展。由于末端执行器与环境的交互作用可以忽略，这些任务可以使用简单的基于位置或基于力的控制策略来执行。尽管机器人技术有许多进步，但涉及与人类擅长的环境进行物理交互的任务对机器人自主执行具有内在的挑战。


人类操作者为补偿不稳定性而表现出的微妙的位置和力适应不能仅通过预先编程的位置或力控制策略来捕捉。因此，行业中占总制造时间50%的抛光任务仍然主要依赖于熟练操作人员。尽管有增长，机器人整理占目前的机器人应用不到1%。


这是由于几个因素，例如机器人金属加工在表面光洁度、精度上仍不如手工操作，以及机器人本身的编程困难。当涉及到中小企业(SME)时，这些问题更加恶化，因为他们处理的高混合低批量零件。用于抛光的机器人在执行过程中需要高度的依从性来控制最终的输出。因此，需要一种自适应交互控制来实现期望的轮廓几何和表面粗糙度，这可以通过特殊的顺应工具(如宏-微系统)或基于控制算法的顺应性来实现。


在使用特殊顺从工具的交互控制中，末端执行器通常可以补偿不同轴上的力误差。柔性工具可以是被动的，也可以是主动工具，以保持所需的接触力。被动柔性工具通常依靠工具本身的顺应性来维持法向接触力，而主动柔性工具则依靠闭环力控制系统来修正力的误差。


此外，刀具的过度顺应性将降低抛光期间的刚度，并使轮廓跟踪的准确性降低。为了使用控制算法实现交互任务，通常会部署混合位置和力控制器或阻抗控制器。在表面精加工的混合位置和力控制中，位置通常沿表面调节，而力通常在法向控制。机械手的力控制策略和混合位置和力控制已广泛应用于包括去毛刺、抛光和磨削在内的精加工过程。


该研究的主要贡献包括基于固定阻抗的鲁棒ILC跟踪位置和隐式控制力以抛光各种材料，包括钛等硬金属，使用协作机器人和数学模型生成填充刀具路径。


倒角是一种精整操作，其锋利的边缘通常以45°的角度倾斜到两个相邻的直角面。为了获得倒角的工具路径，在研究者的框架内，人类操作人员以低阻抗(高顺应性)模式(即刚度值低至1N/m，而最大可达值高达5000 N/m)动态地教导机器人。利用操作者从运动学教学中得到的倒角和机器人姿态的起点和结束点，用用户指定的倒角深度线性插值生成参考轨迹，如图所示。

超级打磨抛光机器人，超级精细，抛光如新！

研究者选择了钛和铝优惠券作为倒角试验，因为他们是广泛使用的材料在制造业。经过输入命令和研究装置的工作发现，每次迭代后，机器人的参考轨迹与实际轨迹之间的位置误差逐渐减小。在初始通过过程中，误差降低是显着的，后一阶段则是逐步稳定。


研究者使用相同的臂端工具在铝加工优惠券中进行倒角试验，并观察到与钛试验相同的控制行为。经过输入命令和研究装置的工作发现，13次通过后，位置误差不再明显减小，达到绝对误差图所示的饱和点。与钛的试验相比，铝含量相对较低。因此，在每次迭代中观察到的平均力往往比图中描述的钛试验期间观察到的平均力要低。由于铝的硬度比钛低得多，机器人的实际轨迹在初始迭代时能够相对较快地接近期望的参考轨迹，从而使机器人在后一次通过时的力较低。

超级打磨抛光机器人，超级精细，抛光如新！


研究者在钛和铝工件中的表面粗糙度值分别小于1.5(μm)和1.85(μm)，这在工业上是可以接受的。

超级打磨抛光机器人，超级精细，抛光如新！


图为a平均绝对误差，b铝的平均法向力，c平均绝对误差d木片中的平均法向力

超级打磨抛光机器人，超级精细，抛光如新！


图为磨碎的工件。a铝和b木料


研究者观察到，每一次迭代的平均绝对误差和平均法向力相对于铝上的旋转试验相对较低。


研究结论


在该研究中，研究者提出了一个自适应框架来实现在各种材料的整理过程，使用一个协同机器人利用迭代阻抗控制体系结构和动觉教学。此外，研究者提出了一种基于Lissajous曲线的数学模型，用于实时生成复杂的圆角刀具轨迹。


在倒角和圆角过程上的实验证明，基于阻抗的迭代控制器可以获得各种材料的几何轮廓和表面光洁度。研究者的控制器不需要预先知道打磨材料所需的力，因为位置和力是基于迭代反馈同时调整的。


由于它的迭代适应，研究者的控制器减少了需要的返工量，因此非常适合中小型企业处理高容量和低混合部件。此外，研究者的框架成本低廉，因为它在克服手工编程相关问题时不需要额外的视觉和力传感器。


研究者承认，对于涉及复杂几何形状的任务，如完成风扇叶片和涡轮部件的加工，研究者将需要生成和调整自由曲面上的轨迹。为此，研究者计划在今后的工作中，将迭代学习控制器与Kana等人提出的轨迹生成方法相结合。