This paper focusses on the energy-efficient control of a cable-driven robot for tasks that only require precise positioning at few points in their motion, and where that accuracy can be obtained through contacts. This includes the majority of pick-and-place operations. Knowledge about the task is directly taken into account when specifying the control execution. The natural dynamics of the system can be exploited when there is a tolerance on the position of the trajectory. Brakes are actively used to replace standstill torques, and as passive actuation. This is executed with a hybrid discrete-continuous controller. A discrete controller is used to specify and coordinate between subtasks, and based on the requirements of these specific subtasks, specific, robust, continuous controllers are constructed. This approach allows for less stiff and thus saver, and cheaper hardware to be used. For a planar pick-and-place operation, it was found that this results in energy savings of more than 30%. However, when the payload moves with the natural dynamics, there is less control of the followed trajectory and its timing compared to a traditional trajectory-based execution. Also, the presented approach implies a fundamentally different way to specify and execute tasks.


翻译:本文关注于电缆驱动机器人的能源高效控制,适用于只需要在运动的少数几个点处进行精确定位,并且精度可以通过接触得到的任务。这其中包括大部分的取放操作。任务的知识在指定控制执行时直接考虑。当轨迹的位置有容差时,可以利用系统的自然动力学。制动器可以被积极使用来代替静止力矩,并作为被动执行。该方法使用混合离散-连续控制器进行实现。离散控制器用于指定并协调子任务,根据这些特定子任务的要求,构建特定、强健、连续的控制器。这种方法可以使用较少僵硬、更安全、更便宜的硬件。在平面取放操作中,发现这可以节约30%以上的能源。然而,当负载以自然动力学移动时,相对于传统的基于轨迹的执行,对所跟踪的轨迹及其时序的控制就较少了。此外,所提出的方法意味着指定和执行任务的根本不同。

0
下载
关闭预览

相关内容

100+篇《自监督学习(Self-Supervised Learning)》论文最新合集
专知会员服务
164+阅读 · 2020年3月18日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
Multi-Task Learning的几篇综述文章
深度学习自然语言处理
15+阅读 · 2020年6月15日
强化学习三篇论文 避免遗忘等
CreateAMind
19+阅读 · 2019年5月24日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
【论文】图上的表示学习综述
机器学习研究会
14+阅读 · 2017年9月24日
国家自然科学基金
1+阅读 · 2017年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Arxiv
0+阅读 · 2023年5月5日
VIP会员
相关资讯
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
Multi-Task Learning的几篇综述文章
深度学习自然语言处理
15+阅读 · 2020年6月15日
强化学习三篇论文 避免遗忘等
CreateAMind
19+阅读 · 2019年5月24日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
【论文】图上的表示学习综述
机器学习研究会
14+阅读 · 2017年9月24日
相关基金
国家自然科学基金
1+阅读 · 2017年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Top
微信扫码咨询专知VIP会员