機器人行業提出了一個自適應框架，能夠拋光機器人關鍵部位零件的廣泛處理：如倒角和圓角。其特點是相對低的接觸力和低材料去除。，包括硬金屬如鈦使用協作機器人。研究者提出了一種基于阻抗控制的迭代學習控制器，在每次迭代中同時調整位置和力來調節拋光過程。所提出的控制器可以跟蹤所需的輪廓，而無需任何拋光不同材料所需的力的先驗知識。


此外，研究者提出了一種新的基于Lissajous曲線的復雜圓角刀具軌跡生成數學模型。在完成任務如倒角和切片使用一個協作工業機器人來驗證新的框架進行了試驗。表面粗糙度和輪廓測量表明，研究者的自適應控制器可以獲得良好的拋光輸出在各種材料，如鈦，鋁，木材。

超級打磨拋光機器人，超級精細，拋光如新！


研究背景與實驗


機器人的研究在噴漆、碼垛和焊接等工業應用方面取得了顯著進展。由于末端執行器與環境的交互作用可以忽略，這些任務可以使用簡單的基于位置或基于力的控制策略來執行。盡管機器人技術有許多進步，但涉及與人類擅長的環境進行物理交互的任務對機器人自主執行具有內在的挑戰。


人類操作者為補償不穩定性而表現出的微妙的位置和力適應不能僅通過預先編程的位置或力控制策略來捕捉。因此，行業中占總制造時間50%的拋光任務仍然主要依賴于熟練操作人員。盡管有增長，機器人整理占目前的機器人應用不到1%。


這是由于幾個因素，例如機器人金屬加工在表面光潔度、精度上仍不如手工操作，以及機器人本身的編程困難。當涉及到中小企業(SME)時，這些問題更加惡化，因為他們處理的高混合低批量零件。用于拋光的機器人在執行過程中需要高度的依從性來控制最終的輸出。因此，需要一種自適應交互控制來實現期望的輪廓幾何和表面粗糙度，這可以通過特殊的順應工具(如宏-微系統)或基于控制算法的順應性來實現。


在使用特殊順從工具的交互控制中，末端執行器通?？梢匝a償不同軸上的力誤差。柔性工具可以是被動的，也可以是主動工具，以保持所需的接觸力。被動柔性工具通常依靠工具本身的順應性來維持法向接觸力，而主動柔性工具則依靠閉環力控制系統來修正力的誤差。


此外，刀具的過度順應性將降低拋光期間的剛度，并使輪廓跟蹤的準確性降低。為了使用控制算法實現交互任務，通常會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，位置通常沿表面調節，而力通常在法向控制。機械手的力控制策略和混合位置和力控制已廣泛應用于包括去毛刺、拋光和磨削在內的精加工過程。


該研究的主要貢獻包括基于固定阻抗的魯棒ILC跟蹤位置和隱式控制力以拋光各種材料，包括鈦等硬金屬，使用協作機器人和數學模型生成填充刀具路徑。


倒角是一種精整操作，其鋒利的邊緣通常以45°的角度傾斜到兩個相鄰的直角面。為了獲得倒角的工具路徑，在研究者的框架內，人類操作人員以低阻抗(高順應性)模式(即剛度值低至1N/m，而最大可達值高達5000 N/m)動態地教導機器人。利用操作者從運動學教學中得到的倒角和機器人姿態的起點和結束點，用用戶指定的倒角深度線性插值生成參考軌跡，如圖所示。

超級打磨拋光機器人，超級精細，拋光如新！

研究者選擇了鈦和鋁優惠券作為倒角試驗，因為他們是廣泛使用的材料在制造業。經過輸入命令和研究裝置的工作發現，每次迭代后，機器人的參考軌跡與實際軌跡之間的位置誤差逐漸減小。在初始通過過程中，誤差降低是顯著的，后一階段則是逐步穩定。


研究者使用相同的臂端工具在鋁加工優惠券中進行倒角試驗，并觀察到與鈦試驗相同的控制行為。經過輸入命令和研究裝置的工作發現，13次通過后，位置誤差不再明顯減小，達到絕對誤差圖所示的飽和點。與鈦的試驗相比，鋁含量相對較低。因此，在每次迭代中觀察到的平均力往往比圖中描述的鈦試驗期間觀察到的平均力要低。由于鋁的硬度比鈦低得多，機器人的實際軌跡在初始迭代時能夠相對較快地接近期望的參考軌跡，從而使機器人在后一次通過時的力較低。

超級打磨拋光機器人，超級精細，拋光如新！


研究者在鈦和鋁工件中的表面粗糙度值分別小于1.5(μm)和1.85(μm)，這在工業上是可以接受的。

超級打磨拋光機器人，超級精細，拋光如新！


圖為a平均絕對誤差，b鋁的平均法向力，c平均絕對誤差d木片中的平均法向力

超級打磨拋光機器人，超級精細，拋光如新！


圖為磨碎的工件。a鋁和b木料


研究者觀察到，每一次迭代的平均絕對誤差和平均法向力相對于鋁上的旋轉試驗相對較低。


研究結論


在該研究中，研究者提出了一個自適應框架來實現在各種材料的整理過程，使用一個協同機器人利用迭代阻抗控制體系結構和動覺教學。此外，研究者提出了一種基于Lissajous曲線的數學模型，用于實時生成復雜的圓角刀具軌跡。


在倒角和圓角過程上的實驗證明，基于阻抗的迭代控制器可以獲得各種材料的幾何輪廓和表面光潔度。研究者的控制器不需要預先知道打磨材料所需的力，因為位置和力是基于迭代反饋同時調整的。


由于它的迭代適應，研究者的控制器減少了需要的返工量，因此非常適合中小型企業處理高容量和低混合部件。此外，研究者的框架成本低廉，因為它在克服手工編程相關問題時不需要額外的視覺和力傳感器。


研究者承認，對于涉及復雜幾何形狀的任務，如完成風扇葉片和渦輪部件的加工，研究者將需要生成和調整自由曲面上的軌跡。為此，研究者計劃在今后的工作中，將迭代學習控制器與Kana等人提出的軌跡生成方法相結合。