【2020新书】基于人工智能的机器人安全学习和控制，138页pdf

2020 年 12 月 12 日 专知

https://link.springer.com/book/10.1007%2F978-981-15-5503-9#about

这本开放存取书主要关注机器人的安全控制。控制方案主要基于动态神经网络，它是深度强化学习的一个重要理论分支。为提高机器人系统的安全性能，控制策略包括模型不确定性机器人的自适应跟踪控制、不确定性环境的顺应性控制、动态工作空间的避障控制。这本书关于解决机器手臂安全控制的想法是在工业应用和实验室的研究讨论中构想出来的。这本书中的大部分材料来源于作者在期刊上发表的论文，如IEEE工业电子学报、神经计算等。

本书可以作为机器人系统和人工智能控制器的研究者和设计者的参考书，也可以作为高校本科高年级和研究生的参考书。

机器人被誉为“制造业皇冠上的明珠”，是新一轮科技革命和制造业集成创新的重要载体。随着机器人智能水平的不断提高，人机一体化已成为新一代机器人不可避免的发展方向。人类和机器人发挥各自的优势，通过各种环境、操作者和机器人的自然交互，完成复杂的工作。具有人机融合能力的机器人将在智能制造、家庭服务、医学教育、太空探索等领域发挥重要作用，具有非常广阔的研究和应用前景。

为了实现人机一体化，需要具备人机协作和自主操作的能力。在人机交互、柔性装配等任务中，机器人直接与外部环境交互，这就要求机器人能够准确控制交互力，以保证人机友好性和任务执行能力。另一方面，由于环境的非结构化，机器人的工作空间会受到人和其他物体的影响。为了保证系统的安全，机器人必须适应时变的空间约束:例如，当人类进入机器人的工作空间时，机器人必须能够避开人类从而避免碰撞。在更极端的情况下，在碰撞发生后，机器人需要适应碰撞。对于机器人本身，受机械结构、驱动系统等因素的限制，机器人必须满足自身的角度、角速度限制等行为约束;此外，为了提高系统的灵活性，新一代机器人通常具有冗余自由度，利用自身的结构特点来实现具体性能指标的优化。因此，研究复杂空间和行为约束下机器人的顺应性控制是实现人机一体化的关键技术之一。

神经网络可以模拟生物神经系统的工作机理，从环境中学习，实现信息处理。其中，动态神经网络具有适应性、非线性、并行性、分布式存储等特点。它可以用来处理传统方法难以解决的复杂问题。目前，动态神经网络在深度学习、估计与预测、图像处理、复杂系统控制等领域取得了很大的进展。在这本书中，我们主要针对冗余自由度机器人的安全控制问题，设计了基于动态神经网络的控制方案。控制策略包括模型不确定性机器人的自适应跟踪控制、不确定性环境的顺应性控制、动态工作空间的避障控制。这本书关于解决机器手臂安全控制的想法是在工业应用和实验室的研究讨论中构想出来的。在这本书的大部分材料是从作者的论文发表在期刊上，如IEEE工业电子学报。本书所考虑的机器人包括SCARA和协作机器人(如Kinova JACO2和LBR iiwa)。因此，在这本书中发展的控制方法可以在实际应用中使用，经过适当的修改。为了使内容清晰易懂，本书的每一部分(甚至每一章)都以一种相对独立的方式书写。