胡瑞欽，孟少華，張成立，董 愨，張立建

(1. 北京衛(wèi)星環(huán)境工程研究所，北京 100094；2. 北京市航天產(chǎn)品智能裝配技術(shù)與裝備工程技術(shù)研究中心，北京 100094)

0 引 言

在軌服務(wù)(OOS)通常是指在太空中通過人、機器人或兩者來延長航天器壽命或提高航天器能力的空間裝配、維護和服務(wù)任務(wù)。為了使在軌服務(wù)系統(tǒng)適應(yīng)微重力、真空、輻照等空間環(huán)境，在地面進行充分的試驗驗證是提高航天飛行成功率的有效措施。對于在軌服務(wù)技術(shù)的地面模擬試驗，零重力模擬是其中的關(guān)鍵，也是其中的難點。目前，常用的失重模擬方法主要包括自由落體、拋物線飛行、氣浮、水浮、懸吊和硬件在環(huán)(Hardware in loop，HIL)等方法，也有研究用磁性液體制造流體的超重、失重和微重力環(huán)境。

硬件在環(huán)方法采用原型樣機與數(shù)學(xué)模型相結(jié)合的方式，是一種半物理仿真方法，可用于空間機構(gòu)的地面零重力模擬試驗，如對載人航天器的在軌對接進行地面模擬。這種方法需要實時精確測量模擬對象的受力，而后借助動力學(xué)模型計算對象在零重力環(huán)境下的運動速度，然后由機器人實現(xiàn)相應(yīng)的運動。其中，精確的受力感知是實現(xiàn)準確運動模擬的前提。

對于機器人末端負載的零重力運動實現(xiàn)，現(xiàn)有技術(shù)主要包括兩種方法。

一種方法是對機器人進行零力控制，需要預(yù)先辨識機器人各部分的質(zhì)量特性，建立機器人的動力學(xué)模型，實現(xiàn)機器人運動過程中關(guān)節(jié)力矩的預(yù)測。在機器人運行過程中實時采集關(guān)節(jié)力矩，將實際關(guān)節(jié)力矩與預(yù)測力矩進行比較，得到機器人受外力的情況，并驅(qū)動機器人實現(xiàn)零重力運動。該方法不需要為機器人額外增加傳感器，但該方法的一個重要問題是無法準確測量或預(yù)測關(guān)節(jié)摩擦力矩，對于大負載機器人，難以實現(xiàn)精確的受力感知。這種方法通常應(yīng)用于輕載機器人的拖動示教。

另一種方法是在機器人腕部安裝六維力傳感器。六維力傳感器可以精確測量空間任意力系中的三維正交力(,,)和三維正交力矩(,,)。對于重載機器人，它仍然可以獲得較高的測量分辨率，從而能夠?qū)崿F(xiàn)更準確的零重力運動模擬。

如圖1所示，在機器人執(zhí)行任務(wù)的動態(tài)調(diào)整過程中，機器人腕部六維力傳感器測得的力與力矩數(shù)據(jù)由四部分造成，即:1)傳感器本身的系統(tǒng)誤差，2)負載重力效應(yīng)，3)負載的慣性力和慣性矩，4)外部接觸力。

圖1 機器人末端負載受力情況示意圖Fig.1 Scheme of the forces on the end load of the robot

為了獲得外部接觸力信息，必須消除六維力傳感器數(shù)據(jù)中傳感器系統(tǒng)誤差、負載重力、負載慣性力和力矩的影響。當負載重量較小時，負載重力和慣性力的影響可以忽略。當負載重量較大，但機器人運動的動態(tài)程度較低、加速度較小時，應(yīng)考慮重力的影響，而慣性力的影響可以忽略。當負載重量較大，機器人運動動態(tài)程度較高時，必須考慮負載重力和慣性力的影響。

本文主要研究使用機器人模擬物體的失重運動。由于負載重量大、運動動態(tài)程度高、運動范圍大，需要在機器人的整個工作空間中準確地感知負載的受力，必須考慮負載慣性力的影響。

在已有研究中，機器人末端的受力感知模型通常采用解析方法建立，即考慮影響力感知各因素之間的物理關(guān)系，推導(dǎo)出外部接觸力與各已知量之間的數(shù)學(xué)模型。然而，影響力感知的因素較多，包括機器人底座安裝角度、傳感器在機器人上的安裝角度、機器人的位置和姿態(tài)反饋誤差等。使用解析方法很難考慮所有這些因素，而一些因素往往在建模中不得不被忽略，使得建模過程能夠向下進行，這不可避免地帶來誤差。

近年來，隨著計算機計算能力的提高，機器學(xué)習(xí)、人工智能等技術(shù)應(yīng)運而生。對于影響因素復(fù)雜且無法進行顯式建模的情況，可以通過采集數(shù)據(jù)樣本和迭代優(yōu)化得到最優(yōu)模型。這種方式不需要關(guān)心模型的具體參數(shù)，可以獲得較高的預(yù)測精度。

目前，已有研究利用機器學(xué)習(xí)進行機器人末端的受力感知。Yao等通過神經(jīng)網(wǎng)絡(luò)建立六維力傳感器的誤差模型，消除傳感器本身的測量誤差。Su等建立一個神經(jīng)網(wǎng)絡(luò)模型，根據(jù)機器人反饋的末端姿態(tài)數(shù)據(jù)預(yù)測六維力傳感器數(shù)據(jù)中的負載重力分量，從而消除負載重力的影響。Kim等使用慣性測量單元(IMU)測量機器人末端的姿態(tài)，建立了負載重力分量與負載姿態(tài)角的神經(jīng)網(wǎng)絡(luò)模型，并實現(xiàn)了由姿態(tài)角對負載重力分量的預(yù)測。在該方法中，姿態(tài)角的反饋及負載重力影響的補償與機器人本身無關(guān)。Lin等研究動態(tài)條件下機器人的力感知問題，使用BP神經(jīng)網(wǎng)絡(luò)通過機器人關(guān)節(jié)角度預(yù)測負載重力的影響，并進一步使用解析方法計算慣性力/力矩的影響，以實現(xiàn)機器人末端的動態(tài)受力感知。Dine等使用遞歸神經(jīng)網(wǎng)絡(luò)(RNN)，采用機器人末端姿態(tài)和IMU反饋數(shù)據(jù)作為輸入，預(yù)測機器人末端的受力。

針對傳統(tǒng)解析法難以考慮全部因素并進行精確建模的問題，本文采用機器學(xué)習(xí)方法實現(xiàn)機器人整個工作空間內(nèi)負載的力覺感知。研究中采用BP神經(jīng)網(wǎng)絡(luò)，以機器人末端位置和姿態(tài)數(shù)據(jù)、IMU反饋的加速度和角速度數(shù)據(jù)以及對角速度數(shù)據(jù)差分得到的角加速度數(shù)據(jù)作為輸入層參數(shù)，以六維力傳感器在負載不受外力作用時的輸出作為輸出層參數(shù)。與已有研究相比，本研究在輸入層引入了IMU角速度數(shù)據(jù)差分獲得的角加速度信息，這是由于經(jīng)過力學(xué)理論分析，負載旋轉(zhuǎn)引起的慣性力矩與其角加速度直接相關(guān)，角加速度信息的引入有助于獲得更高的預(yù)測精度。另一方面，本研究將機器人末端的位置和姿態(tài)信息作為輸入層參數(shù)的一部分，在采樣時盡可能覆蓋機器人的整個工作空間，使訓(xùn)練后的模型能夠在機器人的整個工作空間內(nèi)獲得較高的精度，滿足零重力運動的大范圍運動要求。

1 機器人末端負載受力分析

對于圖1所示的機器人末端負載，其受到的外部作用力與力矩為

(1)

其中,,為六維力傳感器的力與力矩讀數(shù);,為六維力傳感器自身的系統(tǒng)誤差;,為負載重力及重力帶來的力矩;為負載慣性力，可通過負載質(zhì)量與測得的負載加速度計算得到；為負載質(zhì)心在六維力傳感器坐標系中的坐標向量;×為負載慣性力引起的力矩;為負載轉(zhuǎn)動帶來的慣性力矩。

傳感器的系統(tǒng)誤差,為常量，易通過靜態(tài)標定得到。對于負載重力及重力帶來的力矩,，需要考慮負載重力大小、方向、及質(zhì)心在六維力傳感器坐標系中的坐標。假設(shè)負載重力大小為，重力方向與六維力傳感器坐標系,,軸間的夾角為,,，則可計算得到負載重力在六維力傳感器坐標系3個坐標軸上的投影為

(2)

假設(shè)負載質(zhì)心在六維力傳感器坐標系中的坐標為(,,),負載重力對,,軸的作用力矩分量分別為

(3)

在機器人運動過程中，由于重力方向始終豎直向下，重力方向與六維力傳感器坐標系,,軸間的夾角,,也隨機器人的運動而實時變化，因此，計算重力影響分量需要實時采集機器人末端姿態(tài)數(shù)據(jù)。

對于負載慣性力，根據(jù)牛頓第二定律，負載慣性力為

=-m

(4)

其中,表示負載質(zhì)量，為負載質(zhì)心位置的運動加速度。

對于負載轉(zhuǎn)動帶來的慣性力矩，根據(jù)歐拉公式得到

(5)

基于以上分析，采用傳統(tǒng)解析方式進行機器人末端動態(tài)受力感知，需要建立在以下數(shù)據(jù)的基礎(chǔ)上：

(1)常量數(shù)據(jù)：①六維力傳感器測量系統(tǒng)誤差；②機器人底座安裝角度、傳感器在機器人上的安裝角度；③負載質(zhì)量大小、質(zhì)心在六維力傳感器坐標系中的坐標；④負載慣性張量。

(2)變量數(shù)據(jù)：①六維力傳感器讀數(shù)；②機器人末端實時位姿；③負載運動的加速度、角速度、角加速度。

對于上述變量數(shù)據(jù)，六維力傳感器讀數(shù)由六維力傳感器直接得到。機器人末端實時位姿可以由機器人控制系統(tǒng)實時得到，對于串聯(lián)式的工業(yè)機器人，由于其結(jié)構(gòu)特點，機器人反饋的末端位姿往往存在較大誤差。而負載運動的加速度、角速度、角加速度可以由機器人的位姿、速度反饋換算得到，也可以借助慣性測量單元(IMU)等傳感器測量得到。

對于上述常量數(shù)據(jù)，機器人底座安裝角度、傳感器在機器人上的安裝角度需要提前進行測量標定，或通過機械定位確保安裝精度。其余常量也需要提前進行辨識，而對于負載慣性張量，難以進行精確的辨識。常量數(shù)據(jù)的誤差將影響最終的受力感知誤差。

若采用傳統(tǒng)解析方式，需要提前對上述常量進行精確標定，并在機器人運動過程中對上述變量進行精確采集。而由于部分常量(如慣性張量)難以精確測定，部分變量(如機器人末端位姿)的誤差較大且難以進行精確測定補償，使得使用傳統(tǒng)解析方法難以滿足機器人在大負載、高動態(tài)、大運動范圍條件下的精確受力感知需求。

若采用機器學(xué)習(xí)方式，則在負載不受外力的情況下直接采集上述變量樣本數(shù)據(jù)。將六維力傳感器的數(shù)據(jù)作為輸出，其他變量作為輸入。由于機器人末端不受外力作用，每組樣本輸入對應(yīng)的輸出預(yù)測值應(yīng)等于六維力傳感器的測量值。通過采集機器人在整個工作空間內(nèi)不同運動狀態(tài)下的數(shù)據(jù)樣本，對機器學(xué)習(xí)模型進行迭代訓(xùn)練，得到末端力的預(yù)測模型。當機器人末端受到外力作用時，利用六維力傳感器的實際測量值減去機器學(xué)習(xí)模型的預(yù)測值即可獲得外力信息，從而實現(xiàn)對負載的受力感知。這種方式無需對上述常量進行預(yù)先標定，對于難以進行解析建模的非線性誤差(如機器人末端位姿誤差)也可以進行精確的擬合，能夠滿足所述應(yīng)用需求。

2 基于機器學(xué)習(xí)的力傳感器輸出預(yù)測模型

本研究采用BP神經(jīng)網(wǎng)絡(luò)建立受力預(yù)測模型。BP神經(jīng)網(wǎng)絡(luò)具有很強的非線性映射能力，適合于本研究中的受力預(yù)測。神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖2所示。在輸入層，使用來自機器人控制器的位置和姿態(tài)數(shù)據(jù)、IMU測量的加速度和角速度數(shù)據(jù)以及對角速度差分得到的角加速度數(shù)據(jù)。輸出層是預(yù)測的六維力傳感器數(shù)據(jù)。輸入層與輸出層間采用單層隱藏層，隱藏層的節(jié)點數(shù)需要根據(jù)試驗確定，既要對樣本數(shù)據(jù)獲得較低的預(yù)測誤差，又要避免“過擬合”，神經(jīng)元的激活函數(shù)采用Sigmod函數(shù)。

圖2 機器人末端受力預(yù)測神經(jīng)網(wǎng)絡(luò)模型Fig.2 The structure of force prediction neural network for the end load of the robot

為訓(xùn)練該神經(jīng)網(wǎng)絡(luò)，使機器人在末端不受外界作用的情況下進行運動，在此過程中采集輸入層對應(yīng)數(shù)據(jù)，并以同一時刻六維力傳感器采集的數(shù)據(jù)作為此時輸入數(shù)據(jù)對應(yīng)理想輸出值，由此得到輸入層與輸出層的樣本數(shù)據(jù)。利用這些數(shù)據(jù)對所述神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，得到機器人負載不受外力條件下的六維力傳感器輸出預(yù)測模型。

利用該模型可以預(yù)測在機器人末端不受外界作用條件下的六維力傳感器輸出值，當機器人末端受到外界作用力時，用六維力傳感器實際測量值減去預(yù)測值，即可得到外界作用力信息，實現(xiàn)對機器人末端負載的受力感知。

3 受力感知試驗研究

3.1 試驗系統(tǒng)

試驗系統(tǒng)組成如圖3所示，在機器人腕部安裝六維力傳感器，并在機器人末端安裝慣性測量單元。機器人采用KUKA公司的KR210機器人，其主要參數(shù)見表1。六維力傳感器采用ATI公司的Omega191型傳感器，其測量范圍及分辨率參數(shù)見表2，其中(,,)表示三維正交力的測量值，(,,)表示三維正交力矩的測量值。慣性測量單元采用Sensonor公司的STIM300慣性測量單元，該傳感器采用三個高精度的MEMS陀螺和MEMS加速度計分別對,,軸向的角速度和加速度數(shù)據(jù)進行測量，主要技術(shù)參數(shù)見表3。

表1 KR210機器人性能參數(shù)Table 1 Performance parameters of the robot KR210

表2 六維力傳感器Omega191技術(shù)參數(shù)Table 2 Technical parameters of Omega191 F/T sensor

表3 慣性測量單元STIM300技術(shù)參數(shù)Table 3 Technical parameters of STIM300 IMU

圖3 機器人末端動態(tài)受力感知試驗系統(tǒng)組成Fig.3 Components of the force perception test system of the robot end

慣性測量單元可以直接測得運動的加速度和角速度，由前述理論分析可知，計算機器人末端負載載慣性力矩還與其運動的角加速度直接相關(guān)，為此，對慣性測量單元的角速度數(shù)據(jù)序列進行差分得到角加速度數(shù)據(jù)。

試驗系統(tǒng)實物如圖4所示，慣性測量單元安裝在機器人末端與六維力傳感器之間的轉(zhuǎn)接件內(nèi)，使得系統(tǒng)在實際應(yīng)用中更為緊湊，避免在機器人運動中產(chǎn)生額外的干涉，試驗用機器人負載重量為100 kg。

圖4 機器人末端動態(tài)受力感知試驗實物Fig.4 Photograph of the force perception test system of the robot end

3.2 樣本數(shù)據(jù)采集

為了使樣本數(shù)據(jù)能夠盡可能覆蓋機器人的全工作空間，又能夠減少樣本總量，提高模型訓(xùn)練的效率，研究中采用了正交試驗設(shè)計方法。對機器人的6個旋轉(zhuǎn)軸A～A，在各自的轉(zhuǎn)動范圍內(nèi)均勻地取10個角度值，取值時可能覆蓋整個運動范圍，同時考慮在運動中機器人末端負載不會與機器人自身或周圍物體發(fā)生干涉，各軸取值范圍情況見表4。按照正交試驗設(shè)計的思路，將A～A軸的角度值作為試驗的6個因素，并將每個軸的角度值按照各自的運動范圍平均分為10個水平，按照L(10)正交表安排試驗中機器人運動路徑點各軸角度的取值。

表4 試驗中機器人各軸轉(zhuǎn)動范圍Table 4 Rotation ranges of each axis of the robot in the experiment

機器人按照正交表所列的路徑點順序運動，從當前點運動至下個路徑點采用點到點(PTP)的運動方式，并在每個路徑點停留2 s，這樣機器人的運動包含了加速、減速、靜止的過程?？紤]到機器人在應(yīng)用中的實際速度，限定機器人的運行速度為自動模式最高額定速度的30%。在機器人運動過程中，以12 ms的周期同步采集機器人末端位姿參數(shù)、六維力傳感器數(shù)據(jù)、慣性測量單元數(shù)據(jù)。

試驗中采集的部分樣本數(shù)據(jù)見圖5～8。從圖中可以看出，樣本采集時間約15 min，樣本數(shù)據(jù)平滑連續(xù)。其中,圖5為從機器人控制器獲取的機器人末端位置數(shù)據(jù)，圖6為從慣性測量單元讀取的加速度數(shù)據(jù),圖7為由慣性測量單元角速度數(shù)據(jù)差分得到的角加速度數(shù)據(jù)，波動較為劇烈,圖8為從六維力傳感器讀取的三維力數(shù)據(jù)。此外，采集的樣本數(shù)據(jù)中還包括機器人末端姿態(tài)數(shù)據(jù)、慣性測量單元的角速度數(shù)據(jù)，及六維力傳感器的三維力矩數(shù)據(jù)，由于篇幅有限，未在文中列出。

圖5 機器人末端位置數(shù)據(jù)曲線Fig.5 The curves of the position data of the robot end

圖6 機器人末端加速度數(shù)據(jù)曲線Fig.6 The curves of the acceleration data of the robot end

圖7 機器人末端角加速度數(shù)據(jù)曲線Fig.7 The curves of the angular acceleration data of the robot end

圖8 機器人末端力數(shù)據(jù)曲線Fig.8 The curves of the force data of the robot end

3.3 模型訓(xùn)練

研究中采用梯度下降法對圖2所示的神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，圖2的神經(jīng)網(wǎng)絡(luò)采用了單層隱藏層，隱藏層的節(jié)點數(shù)還需要確定。在BP神經(jīng)網(wǎng)絡(luò)中，隱藏層節(jié)點數(shù)對建立的神經(jīng)網(wǎng)絡(luò)模型的性能影響很大，而且是出現(xiàn)“過擬合”的直接原因。研究中為盡可能避免訓(xùn)練時出現(xiàn)“過擬合”現(xiàn)象，保證足夠高的網(wǎng)絡(luò)性能和泛化能力，在滿足精度要求的前提下取盡可能緊湊的結(jié)構(gòu)，即取盡可能少的隱層節(jié)點數(shù)。

訓(xùn)練中將數(shù)據(jù)樣本分為訓(xùn)練集(train)、驗證集(validation)和測試集(test)，訓(xùn)練集占樣本總數(shù)的60%，驗證集與測試集分別占20%，3個子集數(shù)據(jù)隨機選取。其中訓(xùn)練集用來訓(xùn)練模型，驗證集用來評估模型預(yù)測的好壞及調(diào)整對應(yīng)的參數(shù)，測試集用于測試已訓(xùn)練好的模型對于新數(shù)據(jù)的泛化能力。

為確定神經(jīng)網(wǎng)絡(luò)中隱藏層節(jié)點的數(shù)量，使用不同數(shù)量的隱藏層節(jié)點進行訓(xùn)練，每個數(shù)量的隱藏層節(jié)點重復(fù)訓(xùn)練3次，每個隱層節(jié)點3次訓(xùn)練得到的均方誤差用于評估相應(yīng)隱層節(jié)點數(shù)下的預(yù)測精度，并記錄不同隱層點數(shù)下的單次迭代計算時間。不同隱層節(jié)點數(shù)下的預(yù)測精度及運算時間比較如圖9所示。根據(jù)試驗結(jié)果，考慮到訓(xùn)練時間和精度要求，同時為避免過擬合，在滿足精度要求的前提下盡量使模型簡單，選擇較少的隱層節(jié)點數(shù)，本研究確定隱層節(jié)點數(shù)為8個。

圖9 不同隱藏層節(jié)點數(shù)下的預(yù)測精度對比Fig.9 Prediction accuracy under different hidden layer nodes

3.4 模型預(yù)測精度試驗結(jié)果

對于圖4所示的系統(tǒng)，在機器人運動過程中實時采集機器人末端位姿數(shù)據(jù)、六維力傳感器數(shù)據(jù)、慣性測量單元數(shù)據(jù)，并輸入已經(jīng)訓(xùn)練好的受力感知模型中，可實時計算得到預(yù)測的六維力傳感器數(shù)值，將六維力實際測量值減去預(yù)測值，可得到預(yù)測誤差。

取連續(xù)10 s時間的機器人運動過程，對比六維力傳感器實測數(shù)據(jù)與模型預(yù)測數(shù)據(jù)，并給出相應(yīng)的誤差，代表性的結(jié)果如圖10～11所示。圖中在1～3 s的時間范圍內(nèi)，機器人處于靜止狀態(tài)，在其余時間機器人處于運動狀態(tài)，因此，選取的相關(guān)數(shù)據(jù)包含了機器人靜態(tài)與動態(tài)過程。由圖可見，與靜態(tài)情況相比,機器人在動態(tài)條件的預(yù)測誤差更大。

圖10 X方向力數(shù)據(jù)預(yù)測誤差Fig.10 Force prediction error in direction X

圖11 Z方向力矩數(shù)據(jù)預(yù)測誤差Fig.11 Torque prediction error in direction Z

對于實測數(shù)據(jù)與模型預(yù)測數(shù)據(jù)的誤差數(shù)據(jù)，計算每個分量的最大誤差和均方根誤差，以評估預(yù)測誤差，見表5。結(jié)果表明，力感知的最大誤差為39.8 N，均方根誤差為9.3 N；力矩感知的最大誤差為18.7 N·m，均方根誤差為4.4 N·m。在表5中同時列出了各分量實測記錄數(shù)據(jù)中的最大值作為參考，用以說明得出的感知誤差所對應(yīng)的分量取值范圍，以評價模型預(yù)測的效果。

表5 動態(tài)受力感知誤差統(tǒng)計Table 5 Error statistics for the dynamic force perception

由圖10～11可知，誤差較大的情況出現(xiàn)在機器人運動過程中，這是由于動態(tài)條件下，六維力傳感器、慣性測量單元的波動更為劇烈，對傳感器數(shù)據(jù)或?qū)ψ罱K的受力感知數(shù)據(jù)進行濾波處理，可進一步降低誤差。

4 零重力運動模擬實現(xiàn)

根據(jù)牛頓第二定律和歐拉方程，得出關(guān)系式

(6)

其中,為機器人負載的質(zhì)量,為負載質(zhì)心的運動速度,為負載的慣性張量，進一步推導(dǎo)得到

(7)

式中:,為時刻負載運動的速度、角速度,即機器人在時刻的運動速度，可根據(jù)時刻之前采集的受力及角速度信息積分計算得到。其中機器人末端的負載受力信息可由前述的受力感知模型實時得到，再由式(7)計算得到負載運動的速度，并驅(qū)動機器人按照相應(yīng)的速度運動，即可實現(xiàn)對負載的零重力運動模擬。

由式(7)，由于采用對以往數(shù)據(jù)積分的形式計算機器人當前運動速度，在零重力模擬中，上述機器人在運動條件下受力感知數(shù)據(jù)的實時波動，被積分“吸收”，并不會造成機器人運動的劇烈波動。

式(7)中，與的取值可以按照機器人末端負載的實際質(zhì)量及慣性張量取值，也可以指定為其他希望被模擬的數(shù)值，實現(xiàn)“半物理仿真”，雖然機器人末端負載的質(zhì)量特性與希望模擬的對象不同，但可以通過數(shù)字指定質(zhì)量特性的方式，實現(xiàn)對模擬對象的等效運動仿真。

對圖4中的機器人末端負載進行零重力運動模擬，試驗者用手作用于機器人末端負載，可以使試驗者在地面環(huán)境下獲得對物體零重力“漂浮”狀況的體驗。

5 空間站在軌裝配地面模擬試驗應(yīng)用實例

空間站某型號天線重約60 kg，需要在軌由航天員進行安裝，天線在軌出現(xiàn)故障時，也需要由航天員在軌進行更換。為評價該型號天線在軌操作任務(wù)的可行性及人機功效，需要在地面模擬在軌安裝情況，使天線處于零重力狀態(tài)，由試驗人員按照在軌操作流程進行操作，通過試驗檢驗相關(guān)操作流程能否順利進行，并記錄試驗人員的操作施力大小，以評價操作的費力程度，判斷操作需要的力是否在航天員在軌正?？墒┝Φ姆秶鷥?nèi)。

針對該型號天線的在軌模擬試驗需求，制作與真實天線外形、接口一致的模擬件，并在模擬件上設(shè)計與機器人末端連接的接口。在模擬件與機器人完成連接后，首先按照前述樣本采集過程采集得到樣本數(shù)據(jù)，接著對所述神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，獲得機器人末端力感知模型，而后按照前述零重力運動模擬方法實現(xiàn)對模擬件的零重力模擬。相關(guān)技術(shù)已成功應(yīng)用于空間站某型號天線的在軌安裝地面模擬試驗中。

圖12 在軌操作零重力模擬應(yīng)用照片F(xiàn)ig.12 Photograph of the zero-gravity simulation for on-orbit operations

對于部件的零重力模擬，常用的傳統(tǒng)方法包括懸吊、氣浮、水浮等方法，與這些方法相比，使用機器人進行零重力模擬的優(yōu)點在于：

1) 裝置簡單，布置靈活，僅需要一臺機器人即可完成模擬任務(wù)，若機器人下方配置移動平臺，還可以靈活移動至不同位置使用；

2) 可以實現(xiàn)三維空間6個自由度的運動模擬；

3) 可實現(xiàn)半物理仿真，僅需要模擬件具有與真實件一致的外形，而不需要其具有與真實件同樣的質(zhì)量特性，可以節(jié)省成本，簡化模擬過程。

采用水浮方法也可實現(xiàn)6自由度的運動模擬，也有研究通過特殊設(shè)計的機構(gòu)基于氣浮方法實現(xiàn)多自由度的運動模擬，但系統(tǒng)配置及使用過程較為復(fù)雜，難以實現(xiàn)快速、靈活的應(yīng)用。

6 結(jié) 論

本文針對航天器在軌服務(wù)任務(wù)地面零重力模擬的需求，研究使用工業(yè)機器人實現(xiàn)部件的零重力模擬。采用BP神經(jīng)網(wǎng)絡(luò)建立受力感知預(yù)測模型，實現(xiàn)機器人在全工作空間的動態(tài)受力感知。試驗系統(tǒng)中，采用六維力傳感器測量機器人腕部受力，并采用慣性測量單元測量機器人末端的加速度、角速度，通過差分方式獲得機器人末端的角加速度。應(yīng)用正交試驗設(shè)計方法確定機器人數(shù)據(jù)采集路徑。研究采用試驗方法確定神經(jīng)網(wǎng)絡(luò)隱藏層的節(jié)點數(shù)，兼顧模型的逼近能力和泛化能力。應(yīng)用訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)模型進行機器人末端負載的受力感知計算，對于100 kg的機器人末端負載，試驗獲得力感知的最大誤差為39.8 N，均方根誤差為9.3 N，力矩感知的最大誤差為18.7 N·m，均方根誤差為4.4 N·m。

應(yīng)用所述受力感知技術(shù)，結(jié)合運動學(xué)理論，實時計算得到機器人末端負載運動的速度，并驅(qū)動機器人按照相應(yīng)的速度運動，實現(xiàn)了對機器人末端負載的零重力運動模擬。相關(guān)成果成功應(yīng)用于空間站某型號天線在軌安裝的地面模擬試驗中，為航天器在軌任務(wù)的地面零重力模擬提供了一種基于工業(yè)機器人的解決方案。

后續(xù)對于系統(tǒng)的零重力模擬應(yīng)用，在高頻沖擊響應(yīng)控制方面有待進一步開展研究，實現(xiàn)系統(tǒng)對零重力條件下碰撞等高頻沖擊情況的準確模擬。