Управление усилием

Простейшим решением является прямая регистрация контактных усилий с помощью сенсоров силы/момента, размещаемых на конце манипулятора или в запястье робота. Такие сенсоры измеряют силы путём детектирования деформации, обычно — через тензодатчики.

Кроме тензодатчиков на переменных сопротивлениях используются также пьезоэлектрические, оптические или ёмкостные методы (применяются для специальных задач, например, ёмкостные деформационные сенсоры — для высоких температур свыше 1000 °C^[1]).

Тензодатчики проектируются для максимальной линейности зависимости между деформацией и сопротивлением в пределах рабочего диапазона. Для уменьшения ошибок и помех часто применяют комплементарную установку двух тензодатчиков — это повышает надёжность измерения и исключает температурные влияния.

Современные сенсоры измеряют сила и моменты во всех трёх осях, доступны для различных диапазонов нагрузок; точность обычно составляет доли процента от максимального значения, частота опроса — около 1 кГц. Существуют расширенные версии (12- и 18-осевые), дополнительно измеряющие скорости и ускорения.

В современных системах часто применяются шестиосевые сенсоры, монтируемые между рукой робота и инструментом. Они оснащаются как минимум шестью (иногда мостовыми) тензодатчиками с чувствительностью к микродеформациям, которые преобразуются по калибровочной матрице в три компоненты силы и три момента.

Встроенный цифровой процессор постоянно собирает и фильтрует данные, рассчитывая значения силы/момента и передавая их по интерфейсу.

Важно, что полученные значения требуют трансформации от датчика к инструменту. Несмотря на чувствительность к перегрузкам и стоимость, которая для профессиональных моделей составляет от 4000 до 10 000 долларов США и выше^[10], с 2010-х годов такие датчики получили широкое распространение, особенно в сегменте коллаборативных роботов (коботов). Они придают роботу «чувство осязания»^[11] и стали ключевым компонентом для выполнения сложных и деликатных операций. Основные сферы их применения включают:

• сборку и вставку деталей (например, в электронике)^[11];
• обработку поверхностей, такую как полировка, шлифовка и снятие заусенцев^[12];
• контроль качества продукции^[13];
• медицинские манипуляции в роботизированной хирургии и реабилитации^[14];
• обучение роботов методом ручного ведения (hand-guiding)^[15].

Альтернативой выступает косвенная оценка силы без сенсоров.

Экономичным вариантом является оценка силы («косвенное измерение»), также известная как бездатчиковое управление силой (англ. Sensorless Force Control). Она позволяет обойтись без специальных сенсоров, что снижает стоимость и риск поломок, а также исключает особо уязвимую часть механической цепи^[16]. Этот подход особенно важен для коллаборативных роботов (коботов), позволяя им обнаруживать столкновения и безопасно взаимодействовать с человеком^[17].

Наиболее распространённый способ — оценка по току двигателя: ток пропорционален крутящему моменту оси (с поправкой на гравитацию, инерцию и трение). После учёта всех факторов можно определить контактное усилие на конце манипулятора^[18][19].

После 2005 года основным подходом для такой оценки стали наблюдатели возмущений (англ. Disturbance Observers, DOB)^[20][21]. Они работают путём сравнения реального поведения робота с его ожидаемым поведением, предсказанным на основе точной динамической модели. Разница между ожидаемым и реальным крутящим моментом, рассчитанная по току двигателей, интерпретируется как внешнее воздействие, включающее контактную силу. Усовершенствования включали более точное моделирование нелинейных эффектов (например, трения)^[22], применение сложных фильтров (таких как фильтр Калмана) для обработки зашумлённых данных^[23] и разработку адаптивных наблюдателей для быстро меняющихся сил^[24].

С середины 2010-х, из-за сложности создания идеальной аналитической модели, распространение получили гибридные подходы. В них методы машинного обучения, в частности нейронные сети, используются для изучения и компенсации трудномоделируемых аспектов динамики робота, таких как трение^[25]. Нейросетевая модель работает параллельно с основной физической моделью, повышая точность наблюдателя возмущений в выделении именно внешней силы^[26].

В последние годы также развиваются полностью модельно-независимые (англ. model-free) подходы, основанные на глубоком обучении^[27]. В этом случае глубокие нейронные сети обучаются находить прямую зависимость между внутренними показаниями робота (токи, положения, скорости) и результирующей контактной силой^[27]. Такой подход позволяет избежать трудоёмкого процесса создания динамической модели и, согласно исследованиям, может удвоить точность оценки по сравнению с традиционными методами^[23].

При прямой/косвенной регистрации силы может потребоваться фильтрация сигналов вследствие множества дополнительных эффектов (особенно если на манипуляторе размещён тяжёлый объект и наблюдаются ускорения).

Для устранения таких влияний необходимы точная динамическая модель машины и оценка груза на манипуляторе, которые можно получить в ходе эталонных движений без контакта с объектом. После этого измеренные значения корректируются на кориолисовы, центростремительные, центробежные, гравитационные и фрикционные и инерционные эффекты^[28]. Для непрерывной адаптации возможно применение адаптивных методик.

В импедансном управлении регулируется податливость системы — зависимость между прилагаемой силой и положением при контакте с объектом; в литературе податливость определяется как «способность робота противостоять контактным силам» с помощью пассивных или активных методов. Робот/манипулятор моделируется как механическое сопротивление (импеданс), отношением силы к скорости. Механический импеданс подразумевает, что движение приводит к возникновению силы, а при адмиттансном варианте приложенная сила вызывает движение.

Пассивные методы (compliance control) не требуют измерения силы и реализуются за счёт специальной конструкции манипулятора и/или инструмента, позволяющей смягчать контактные силы за счёт упругих элементов. Чаще всего применяются при сборке и захвате: инструмент обладает податливостью ортогонально к направлению работы, но сохраняет высокую жёсткость по основному направлению. На иллюстрации показано устройство RCC (Remote Center of Compliance). Вместо RCC может использоваться эластичная конструкция всей машины.

Пассивные методы привлекательны с точки зрения динамики (отсутствует задержка, нет инерционности схемы), но ограничены конструкцией и пригодны только для однотипных задач либо статичных условий^[29].

Развитием пассивных методов стало использование приводов со встроенными упругими элементами. К ним относятся последовательные упругие приводы (англ. Series Elastic Actuators, SEA), предложенные в 1990-х годах, где пружина устанавливается последовательно с двигателем^[30]. Такая конструкция обеспечивает пассивную податливость, защиту от ударов и более точное управление усилием, однако её главный недостаток — фиксированная жёсткость, что ограничивает адаптивность робота к разным задачам^[31].

Для преодоления этого ограничения после 2006 года началось активное развитие приводов с переменной жёсткостью (англ. Variable Stiffness Actuators, VSA), которые позволяют динамически изменять жёсткость сустава^[30]. Это приближает их по функциональности к скелетно-мышечной системе человека и даёт возможность накапливать и высвобождать энергию, что особенно важно для шагающих роботов^[32][33]. Изменение жёсткости реализуется механически, например, по принципу мышц-антагонистов, через изменение предварительного натяжения пружины или путём модификации передаточного отношения^[34]. Такие квази-пассивные системы нашли применение в коллаборативной робототехнике, экзоскелетах и реабилитационных устройствах^[35][36].

Активные методы реализуют регулирование по отклонениям инструмента, что подходит, в частности, для обучения роботов (teach-in).

Классическая модель — масса-пружина-демпфер, где результирующая сила ${\displaystyle F}$ определяется положением ${\displaystyle x(t)\!,\!}$, скоростью ${\displaystyle {\dot {x}}(t)}$ и ускорением ${\displaystyle {\ddot {x}}(t)}$:

${\displaystyle F(t)=c\cdot x(t)+d\cdot {\dot {x}}(t)+m\cdot {\ddot {x}}(t)}$

Жёсткость ${\displaystyle c}$, демпфирование ${\displaystyle d}$ и масса ${\displaystyle m}$ определяют податливость (механический импеданс). Управляющая система настраивается для достижения заданного значения этих параметров.

Блок-схема активного импедансного управления по заданной силе (${\displaystyle F_{soll}}$) и позиции (${\displaystyle X_{soll}}$).

Широко применяется и адмиттансное управление (по сути — обратное отношение к импедансу).

Во всех приведённых выше схемах речь идёт о косвенном управлении, где контактная сила определяется через параметры регуляторов — жёсткость, демпфирование, виртуальная масса. Прямое силовое управление реализуется иначе.

Прямое управление использует заданное значение силы как управляющую переменную в замкнутом контуре; встречается в виде параллельной силовой/позиционной регулировки (каскадное управление), либо гибридного — с возможностью переключения.

В этом варианте внешняя петля управляет силой, внутренняя — позицией. Разница между заданной и измеренной силой даёт корректировку по положению, которая суммируется с основным заданием по позиции; при этом корректировка по силе имеет приоритет, и возможна отработка ошибок по положению ради соблюдения силы.

Блок-схема параллельного управления по силе (${\displaystyle F_{soll}}$) и позиции (${\displaystyle X_{soll}}$).

Возможно также добавление контура по скорости для повышения динамики^[37], но при этом необходима ограничительная схема для предотвращения превышения скорости при отсутствии контакта.

Улучшением вышеописанных схем является гибридное регулирование, реализуемое с помощью двух независимых контуров и предназначенное в том числе для работы с жёсткими контактными поверхностями. Пространство разделяется на ограниченную (constrained) и неограниченную (unconstrained) области — первые не допускают движения, вторые позволяют. Каждая ось относится к одной из них.

Блок-схема гибридного управления с матрицей Σ.

На ограниченных осях реализуется силовое управление, на свободных — позиционное. Схему разделения можно задавать статически (фиксированные направления), либо динамически менять по данным сенсоров: например, при обнаружении контакта или столкновения для заданного направления происходит переключение между позиционным и силовым управлением.

Рассмотренные выше неадаптивные схемы требуют точной информации о параметрах динамики, которая определяется экспериментально (калибровка). Ошибки измерений и колебания нагрузки могут привести к проблемам. В адаптивных методах изменяющиеся параметры рассматриваются как отклонения, автоматически корректируемые в ходе работы.

Современные подходы, такие как управление с переменным импедансом (англ. Variable Impedance Control), позволяют роботу динамически изменять свои параметры жёсткости и демпфирования в реальном времени. Это даёт возможность адаптировать поведение в зависимости от задачи: быть податливым при контакте с человеком и жёстким при выполнении точных манипуляций^[38]. В отличие от ручной калибровки, для автоматической настройки оптимальных параметров импеданса всё чаще применяются методы машинного обучения. Робот может самостоятельно обучаться необходимой «ощущаемой» жёсткости для выполнения различных контактных задач на основе данных, полученных, например, в процессе демонстрации или телеуправления^[39].

Такие адаптивные системы нашли широкое применение в реабилитационной робототехнике, где робот подстраивает ассистирующие или сопротивляющиеся усилия под состояние пациента, повышая безопасность и эффективность терапии^[40][41].

Однако при динамическом изменении структуры управления невозможно гарантировать устойчивость в реальном времени; поэтому адаптивные схемы обычно тестируются офлайн на моделях перед применением на реальной системе.

Классические методы требуют явной модели системы; когда построить её невозможно или сложно, применяют нечёткие регуляторы или обучение. Fuzzy-логика позволяет использовать экспертные знания в виде правил, без прямого задания параметров.

Методы с машинным обучением (ML) и искусственным интеллектом (ИИ) не только минимизируют участие человека в проектировании регулятора, но и позволяют решать задачи, труднодоступные для классических подходов. Основные направления их применения:

• Совершенствование бездатчиковой оценки силы. Гибридные подходы сочетают наблюдатели возмущений с нейронными сетями, которые изучают и компенсируют трудномоделируемые аспекты динамики, например, трение. Это позволяет точнее выделять внешнюю силу из показаний двигателей. Более современные модельно-независимые (англ. model-free) методы используют глубокие нейронные сети (такие как CNN и LSTM) для нахождения прямой зависимости между внутренними данными робота (токи, положения) и контактной силой. Такой подход не требует создания сложной динамической модели и, по данным исследований, может удвоить точность оценки.
• Автоматическая настройка параметров и обучение навыкам. Обучение с подкреплением (Reinforcement Learning) применяется для автоматического подбора оптимальных параметров импеданса для сложных контактных задач (например, полировки или сборки), что ранее требовало длительной ручной настройки инженером. Робот может самостоятельно обучаться необходимой «ощущаемой» жёсткости для выполнения различных манипуляций на основе данных, полученных в процессе демонстрации или телеуправления. Нейронные сети также используются для моделирования динамики взаимодействия робота с неструктурированной средой, что позволяет ему лучше прогнозировать последствия своих действий и адаптироваться в реальном времени.

В связи с усложнением роботехнических систем, например, гуманоидов, требуется управление множеством степеней свободы в непосредственной близости от человека; в таких системах активно применяются схемы силового и импедансного управления, позволяющие обеспечить безопасное и податливое взаимодействие с окружающей средой и человеком^[42].

Подход, известный как управление всем телом (англ. Whole-Body Control, WBC), координирует все степени свободы робота для одновременного выполнения нескольких задач с соблюдением ограничений, таких как удержание равновесия и избегание столкновений^[43]. После 2016 года одним из ключевых направлений развития стала интеграция WBC с управлением на основе предсказательных моделей (англ. Model Predictive Control, MPC). Такой гибридный подход позволяет роботу планировать свои действия на несколько шагов вперёд, что повышает его адаптивность в динамичных средах, например, при быстрой ходьбе или прыжках по пересечённой местности^[43][44].

Значительное развитие получили методы управления многоконтактным взаимодействием, когда роботу необходимо опираться на окружение в нескольких точках для сохранения равновесия. Были разработаны алгоритмы, позволяющие косвенно управлять контактными силами даже на роботах с позиционным управлением, моделируя гибкость в их конструкции для обеспечения стабильности^[45].

Кроме того, для обучения сложным навыкам в рамках WBC стали активно применяться методы машинного обучения, в частности обучение с подкреплением (англ. Reinforcement Learning). Это позволяет создавать обобщённые политики управления, которые адаптируются к разнообразным задачам, таким как выработка стратегии для поддержания равновесия при агрессивных движениях, без необходимости перепрограммирования^[46]. Развитие WBC также способствовало созданию более интуитивных систем телеуправления гуманоидными роботами, где система в реальном времени обеспечивает стабильность всего тела робота, отслеживая движения оператора^[47].