عنوان

طراحی یک سیستم کنترل نیروی غیرخطی برای تعامل انسان و ربات

شماره

پ۲۸۹۸۹

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

طراحی یک سیستم کنترل نیروی غیرخطی برای تعامل انسان و ربات

نام نخستين پديدآور

محمد‌سعید خیاطی

نام ناشر، پخش کننده و غيره

مهندسی مکانیک

تاریخ نشرو بخش و غیره

۱۴۰۰

نام خاص و کميت اثر

۸۳ص.

مواد همراه اثر

سی دی

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

مهندسی مکانیک گرایش مکاترونیک

زمان اعطا مدرک

۱۴۰۰/۰۶/۱۰

متن يادداشت

انتظار می‌رود سیستم‌های رباتیک مدرن به طور فزاینده‌ای با محیط‌های بدون ساختار و غیرقابل پیش بینی تعامل داشته باشند. این امر اهمیت استدلال پیشرفته و یادگیری مهارت حرکتی تطبیقی را یاد آور شده است. تمرکز این تحقیق بر تعامل فیزیکی ایمن، مقاوم و شهودی با انسان‌ها است. اگرچه مطالعات نسبتاً خوبی روی کنترل حسی-حرکتی انجام شده است، اما حرکت محدود برای دستکاری کننده‌‌های‌ رباتیک در محیط‌های‌ عمومی همچنان یک چالش است. تعامل موفقیت آمیز نیاز به سیستمی دارد تا میزان و جهت نیروی وارد شده به شی یا انسان را تنظیم کند.در این پایان نامه راه حلی برای تعامل فیزیکی سازگار انسان و ربات ارائه شده است. سیستم تعاملی پیشنهادی به اپراتور انسان کمک می‌کند تا کار معینی را با حداقل حجم کار مورد نیاز انجام دهد و عملکرد کلی سیستم انسان و ربات را بهینه کند. چارچوب پیشنهادی از سیستم‌های‌ حسی-حرکتی انسان الهام گرفته شده است. ساختار کنترلی ارائه‌شده شامل دو حلقه است. ابتدا یک کنترل‌کننده عصبی تطبیقی ویژه ربات در حلقه داخلی طراحی می‌شود تا ربات غیرخطی ناشناخته همانند یک مدل ادمیتانس ربات مشخص که توسط یک اپراتور انسان درک می‌شود، رفتار کند. برخلاف شبکه عصبی‌های موجود و روش‌های کنترل مبتنی بر ادمیتانس تطبیقی، در حلقه داخلی به هیچ اطلاعاتی از عملکرد وظیفه یا پارامترهای مدل ادمیتانس ربات نیاز نیست. سپس یک کنترل‌کننده حلقه خارجی مخصوص وظیفه برای یافتن پارامترهای بهینه مدل ادمیتانس ربات برای تنظیم دینامیک ربات با توجه به مهارت‌های اپراتور و به حداقل رساندن خطای ردیابی طراحی می‌شود. حلقه بیرونی شامل اپراتور انسان، ربات و جزییات عملکرد وظیفه است. برای رفع نیاز به دانش در مورد مدل انسان، مساله یافتن پارامترهای بهینه مدل ادمیتانس ربات به یک مسئله یادگیری تقویتی مبتنی بر مدل ‏تبدیل می‌شود که تلاش انسان را به حداقل می‌رساند و رفتار حلقه بسته سیستم تعاملی انسان و ربات را برای یک وظیفه مشخص بهینه‌سازی می‌کند. در ادامه برای به حداقل رساندن زمان تعامل ربات با محیط، مدل فرآیند گاوس به عنوان یک نمونه قابل اطمینان از سیستم یاد گرفته می‌شود و برای پیش‌بینی تغییرات بلندمدت حالت‌های سیستم برای شبیه‌سازی داخلی استفاده می‌شود، که امکان به روز رسانی سیاست را فراهم می‌کند. در این روش اثرات انحراف مدل به طور موثری با ترکیب عدم قطعیت مدل در برنامه‌ریزی بلند مدت کاهش می‌یابد. نتایج شبیه‌سازی بر روی یک ربات دو درجه آزادی، مناسب بودن روش پیشنهادی را تایید می‌کند

متن يادداشت

Modern robotic systems are expected to interact with unstructured and unpredictable environments increasingly. This has reiterated the importance of sophisticated reasoning and learning adaptive motor skills. The focus of this research is safe, robust, and intuitive physical interaction with humans. Although relatively good methodologies have been presented on sensorimotor control, the constrained movement remains a challenge for robotic manipulators in general environments. Successful interaction requires a system that adjusts the magnitude and direction of force applied on the object or human being.In this dissertation, a solution for compatible physical interaction between humans and robots is presented. The proposed interactive system helps the human operator perform specific tasks with the minimum amount of work required and optimize the overall performance of the human-robot system. Human sensory-motor systems inspire the proposed framework. The proposed control structure consists of two loops. First, a robot-specific neuroadaptive controller is designed in the inner loop to make the unknown nonlinear robot behave like a specific robot admittance model perceived by a human operator.In contrast to existing neural networks and adaptive impedance/admittance-based control methods, no information of task performance or prescribed robot admittance model parameters is required in the inner loop. Then task-specific outer loop controller is then designed to find the optimal parameters of the robot admittance model to adjust the robot's dynamics to the operator's skills and minimize tracking error. The outer-loop includes the human operator, robot, and task performance details. Finding the optimal parameters of the robot impedance model becomes a model-based reinforcement learning problem that minimizes human effort and optimizes the closed-loop behavior of the human-robot interaction system for a specific task. A Gaussian process model is learned as a reliable example of the system and used to predict the state's long-term evolution for internal stimulation for efficient strategy updates to meet the requirement for knowledge of the human model and minimize the robot's interaction time. In this method, the effects of model deviation are effectively reduced by combining model uncertainty in long-term planning. The simulation results on a two-degree-of-freedom robot verify the performance of the proposed method

عنوان گونه گون

Nonlinear Force Control Scheme for Human-Robot Interaction

عنصر شناسه اي

‏خیاطی،

ساير عناصر نام

‏‏محمد‌سعید

کد نقش

تهیه کننده

عنصر شناسه اي

‏قنبری،

عنصر شناسه اي

سید نورانی،

ساير عناصر نام

‏‏ احمد

ساير عناصر نام

‏سید محمدرضا

تاريخ

استاد راهنما

تاريخ

استاد راهنما

عنصر شناسه اي

‏تبریز