DOI:10.3969/j.issn. 1009-9492. 2020.05.001
程韬波，李晓晓，徐智浩，等. 基于递归神经网络的多机器人智能协同控制［J］ . 机电工程技术，2020，49（05）：1-4.
*基金项目：广东省自然科学基金面上项目（编号：2020A1515010631）；广州市科学研究计划重点项目（编号：201804020095）
基于递归神经网络的多机器人智能协同控制*
程韬波1，2，李晓晓1，2，徐智浩1，2，周雪峰1，2
（1.广东省智能制造研究所， 广州501070；2.广东省现代控制技术重点实验室， 广州501070）
摘要：多机器人协同系统具有负载能力强、工作空间广、灵活性好等优点，是机器人领域的研究热点。由于系统非线性、关节约束等问题，给其高性能协同控制带来了巨大挑战。研究关节约束下多机器人智能协同运动控制问题，设计同步策略并将多机协同控制问题建模为一个二次型优化问题，基于速度逃逸法将机器人关节角与关节角速度限幅归并描述到速度层，基于递归神经网络（RNN） 设计了一个稳定性可证明的实时求解器。MATLAB与V-REP联合仿真平台下以多LBR iiwa机器人系统为对象的仿真实验表明，基于所提协同控制策略所有机器人都精确跟踪到了期望的三环路径轨迹，跟踪误差可达10-4 量级，轨迹跟踪过程中关节角、关节角速度皆在约束限幅内。
关键词：多机器人系统；协同控制；递归神经网络
中图分类号：TP242 文献标志码：A 文章编号：1009－9492 ( 2020 ) 05－0001－04
Intelligent Cooperative Control of Multiple Manipulators Based on
Recurrent Neural Network
CHENG Taobo1,2，LI Xiaoxiao1,2，XU Zhihao1,2，ZHOU Xuefeng1,2
（1. Guangdong Institute of Intelligent Manufacturing, Guangzhou 501070, China;
2. Guangdong Key Laboratory of Modern Control Technology, Guangzhou 501070, China）
Abstract: Multi-robot cooperative system has the advantages of high-load capacity, wide working space and good flexibility, and therefore has become the hotspot in the field of robotic control. Due to the nonlinearity and joint constraints, it is a great challenge to achieve high-performance cooperative control of multi-robot systems. Intelligent cooperative control of multi-robot systems under joint constraints was considered. The basic problem was formulated as a quadratic programming problem. Based on the velocity escape method, both the joint angle and joint velocity limits were uniformly built in the velocity level and described as an inequality constraint. A stability provable online solver based on recurrent neural network was designed. Numerical experiments of the multi-LBR iiwa robot system on MATLAB-VREP co-simulation platform show that all robots accurately track the desired three-ring path trajectory based on the proposed control strategy, with the tracking error being 10-4 level, and both the joint angle and joint speed values satisfy the setting joint constraints .
Key words: multiple robot system; cooperative control; recurrent neural network
引言
机器人被誉为“制造业皇冠顶端的明珠”，是实现智能制造的重要载体[1]。近年来，随着机器人技术的推广应用，其操作要求越来越复杂化、精密化，单个机器人难以满足当前柔性化生产的市场需求，主要表现在[2]：（1） 单机器人负载能力有限、工作空间较小，难以适应大空间加工任务；（2） 单机器人加工的作业效率有限；（3） 单个机器人的自由度有限，难以满足实现复杂度高的加工任务。多机器人协作系统具有高冗余自由度、结构灵活多变等特点，是解决上述问题的有效途径之一。其中，多机协同控制指通过设计协同控制策略，使多机器人执行共同的任务，在多机搬运、装配、焊接等领域应用广泛[3-5]。
针对快速切换的加工任务，传统示教或离线编程方式效率不足；实时运动控制工程意义较强，但同样面临技术挑战：需要根据多机器人加工任务实时设计控制量，实现对给定任务轨迹的跟踪，同时能够实时避免机器人超越其关节约束。此外，区别于传统单机控制，多机器人系统之间可能存在结构闭链，机器人之间的相互影响对系统的同步性有很高的要求。
针对上述挑战，金龙等[6]利用递归神经网络（RNN） 的实时处理性能为双机器人提出一种基于RNN的同步控制方案，但未提及机器人之间的通信方式。李帅等[7]提出一种树形结构通信的多机器人协同控制方法，之后他们从博弈论的角度再次探讨了该问题，提出一种分布式协同控制方案[8]。张海涛等[9]为实现机器人圆形编队提出一种多机器人系统控制算法，通过使用排斥力/转向力和相位调节机制，避免机器人之间或机器人与墙壁的碰撞。查延麟[10]结合量化通信和区间算术方法提出一种考虑系统不确定性的多移动机器人协调控制策略。陈梅等[11]提出一种队形轨迹跟踪控制方法，可使各机器人较快形成期望队形，以期望队形追踪期望轨迹。Alessandro[12]提出一种分布式自适应控制策略，在机器人未知系统完整状态的情况下实现协同控制。
上述多机器人协同控制策略大多基于系统状态信息全局未知的情况，在设计控制方案时需要考虑期望轨迹信息获取等因素。受益于5G通讯技术的发展，使得多机协同控制过程中可实时获取各机器人的状态信息，保证了集中式控制策略在工业多机器人的系统实现。机器人跟踪控制问题通常分为两类：关节空间跟踪和任务空间跟踪。关节空间跟踪目标是设计一个控制器控制机器人的每一个关节去追踪一条预定轨迹。任务空间跟踪是在笛卡尔空间建立期望轨迹，将控制命令发送给关节的每个驱动器，然后控制末端执行器在笛卡尔空间执行。由于笛卡尔空间和关节空间之间映射关系的高度非线性，任务空间跟踪比关节空间跟踪更困难。
本文研究关节约束下多机器人任务空间跟踪的智能协同控制问题，以轨迹追踪为主要任务，首先构建同步跟踪误差并设计外环控制策略，选取关节速度范数最小化为次级任务，进一步考虑关节速度和关节角限幅，将多机协同运动控制问题建模为一个二次型优化问题，然后设计一个动态神经网络控制器实时求解控制量，最后建立MATLAB与V-REP联合仿真实验平台以验证多机协同控制策略的有效性。
结束语
本文针对多机械臂协同运动控制问题提出了一种基于RNN的协同控制方案。机器人关节角和关节角速度限幅描述为不等式约束，设计了一个动态RNN控制器实时控制机器人的运动。MATLAB与V-REP联合仿真实验验证了在神经网络协同控制策略的控制下，多机器人系统成功地实现了期望轨迹跟踪，跟踪误差可达到10-4 量级，且关节角和关节速度值都在所设置的限幅内。
对多机器人系统而言，障碍物避免方案不仅要考虑机器人与环境的碰撞，还要考虑机器人之间的碰撞，这是一个值得探讨且充满挑战的问题。未来工作将致力于多机器人系统障碍物避免策略研究。