Precise and high-fidelity force control is critical for new generations of robots that interact with humans and unknown environments. Mobile robots, such as wearable devices and legged robots, must also be lightweight to accomplish their function. Hydrostatic transmissions have been proposed as a promising strategy for meeting these two challenging requirements. In previous publications, it was shown that using magnetorheological (MR) actuators coupled with hydrostatic transmissions provides high power density and great open-loop human-robot interactions. Still, the open-loop force fidelity at low and high frequencies are decreased by the transmission's dynamics and by nonlinear friction. This letter compares control strategies for MR-hydrostatic actuator systems to increase its torque fidelity, defined as the bandwidth (measured vs desired torque reference) and transparency (minimizing the undesired forces reflected to the end effector when backdriving the robot). Four control approaches are developed and compared experimentally: (1) Open-loop control with friction compensation; (2) non-collocated pressure feedback; (3) collocated pressure feedback; (4) LQGI state feedback. A dither strategy is also implemented to smoothen ball screw friction. Results show that approaches (1), (2) and (3) can increase the performances but are facing compromises, while approach (4) can simultaneously improve all metrics. These results show the potential of using control schemes for improving the force control performance of robots using tethered architectures, addressing issues such as transmission dynamics and friction.


翻译:精确度和高度纤维性力量控制对于与人类和未知环境互动的新一代机器人至关重要。移动机器人,如可磨损装置和脚脚机器人,也必须是轻量级的,才能完成功能。氢静态传输已被提议为符合这两项挑战性要求的一个有希望的战略。在以往的出版物中显示,使用磁感力(MR)驱动器以及流静态传导器提供高电密度和巨大的开放环流人类机器人互动。不过,由于传输的动态和非线性摩擦,低频和高频的开放环流部队忠诚度也有所减少。该字母比较了MR-水静态动作系统的控制战略,以提高其共性性,其定义是带宽度(测量或渴望托盘参考)和透明度(最小化在回流机器人时反映终端效应的不理想力量)。 开发了四种控制方法并进行了实验性比较:(1) 以摩擦补偿方式控制开放环流;(2) 非相位压力反馈;(3) 混合动力动力驱动力回溯性反应(A) 显示结果(LGI) 能够提高所有效果分析方法。

0
下载
关闭预览

相关内容

剑桥大学《数据科学: 原理与实践》课程,附PPT下载
专知会员服务
49+阅读 · 2021年1月20日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12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
VCIP 2022 Call for Special Session Proposals
CCF多媒体专委会
1+阅读 · 2022年4月1日
IEEE ICKG 2022: Call for Papers
机器学习与推荐算法
3+阅读 · 2022年3月30日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium3
中国图象图形学学会CSIG
0+阅读 · 2021年11月9日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium1
中国图象图形学学会CSIG
0+阅读 · 2021年11月3日
【ICIG2021】Latest News & Announcements of the Plenary Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年11月1日
【ICIG2021】Latest News & Announcements of the Industry Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年7月28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
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24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 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Arxiv
0+阅读 · 2022年8月29日
Phase-aware Speech Enhancement with Deep Complex U-Net
VIP会员
相关资讯
VCIP 2022 Call for Special Session Proposals
CCF多媒体专委会
1+阅读 · 2022年4月1日
IEEE ICKG 2022: Call for Papers
机器学习与推荐算法
3+阅读 · 2022年3月30日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium3
中国图象图形学学会CSIG
0+阅读 · 2021年11月9日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium1
中国图象图形学学会CSIG
0+阅读 · 2021年11月3日
【ICIG2021】Latest News & Announcements of the Plenary Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年11月1日
【ICIG2021】Latest News & Announcements of the Industry Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年7月28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
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
相关基金
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 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Top
微信扫码咨询专知VIP会员