Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Hiểu biết về lực tương tác giữa người và robot: một giải pháp cơ học mới
Tóm tắt
Ngày nay, robot đóng vai trò quan trọng trong ngày càng nhiều lĩnh vực khác nhau, nhấn mạnh một sự chuyển tiếp liên tục đến sự hợp tác ngày càng gần gũi giữa con người và máy móc. Trong bối cảnh này, kỷ nguyên công nghệ mới đã phát sinh các vấn đề về an toàn, do đó, robot cần được giám sát bằng một kiến trúc điều khiển thích hợp và lực tương tác giữa con người và máy móc cần được ước lượng đúng cách. Để làm điều này, ma sát, quán tính, rối loạn bên ngoài và động lực nội tại của robot cần được giám sát. Công trình cụ thể này bắt nguồn từ nhu cầu giám sát lực tương tác giữa con người và robot để đảm bảo an toàn cho người dùng. Một nghiên cứu điển hình thành công liên quan đến việc tích hợp cảm biến bổ sung trên một robot đeo tay trực tiếp tương tác với con người đã được trình bày. Hạn chế của nó là không thể đo trực tiếp lực do người dùng tác động và không thể biết chính xác vị trí của bộ phận cuối hiệu. Đầu tiên, qua việc giới thiệu cảm biến lực/mô-men xoắn, việc phát hiện các lực mà người dùng tác động lên robot đã được thực hiện. Dữ liệu lực của người dùng đã được sử dụng để đo sự tiêu tán lực và, cùng với độ mượt mà trong hoạt động, để so sánh ba cơ chế nhúng khác nhau. Hơn nữa, việc tích hợp một mã hóa tuyến tính cho phép đo vị trí bộ phận cuối ngay lập tức trên một đường dẫn tuyến tính không được kích hoạt, do đó biết được giá trị mô-men xoắn của động cơ và lực mà robot tác động lên người dùng. Điều này đã được so sánh với lực tương tác được ước lượng từ mô-men xoắn động cơ mà không có cảm biến tuyến tính. Sai số ước tính giữa lực đo được bằng cảm biến và lực ước lượng mà không sử dụng nó khoảng 12,9%. Những kết quả này chứng minh tầm quan trọng của hệ thống nhúng mới này trong việc phát hiện lực tương tác giữa con người và máy móc một cách chính xác và phòng ngừa các vấn đề an toàn.
Từ khóa
#robot #tương tác người-máy #cảm biến lực #an toàn #điều khiểnTài liệu tham khảo
Feil-Seifer, D., Matarić, M.J.: Human robot interaction. Encycl. Complex Syst. Sci. (2009). https://doi.org/10.1007/978-0-387-30440-3_274
Bragança, S., Costa, E., Castellucci, I., Arezes, P.M.: A brief overview of the use of collaborative robots in industry 4.0: human role and safety. Stud. Syst. Decis. Control 202, 641–650 (2019). https://doi.org/10.1007/978-3-030-14730-3_68
Vysocky, A., Novak, P.: Human–robot collaboration in industry. MM Sci. J. 2016, 903–906 (2016). https://doi.org/10.17973/MMSJ.2016_06_201611
Heinzmann, J., Zelinsky, A.: “Quantitative safety guarantees for physical human–robot interaction. Int. J. Rob. Res. 22(7–8), 479–504 (2003). https://doi.org/10.1177/02783649030227004
Khatib, O., Yokoi, K., Brock, O., Chang, K., Casal, A.: Robots in human environments: basic autonomous capabilities. Int. J. Rob. Res. 18(7), 684–696 (1999). https://doi.org/10.1177/02783649922066501
De Luca, A., Mattone, R.: Sensorless robot collision detection and hybrid force/motion control. Proc. IEEE Int. Conf. Robot. Autom. 2005, 999–1004 (2005). https://doi.org/10.1109/ROBOT.2005.1570247
Haddadin, S., Albu-Schäffer, A., De Luca, A., Hirzinger, G.: Collision detection and reaction: a contribution to safe physical human–robot interaction. IEEE RSJ Int. Conf. Intell. Rob. Syst. IROS (2008). https://doi.org/10.1109/IROS.2008.4650764
Perret, J., Vercruysse, P.: Advantages of mechanical backdrivability for medical applications of force control. In: Proceedings of the Workshop on Computer/Robot Assisted Surgery (CRAS), pp. 84–86 (2014)
Mariotti, E., Magrini, E., De Luca, A.: Admittance control for human–robot interaction using an industrial robot equipped with a F/T sensor. Proc. IEEE Int. Conf. Robot. Autom. 2019, 6130–6136 (2019). https://doi.org/10.1109/ICRA.2019.8793657
Siciliano, B., Sciavicco, L., Villani, L., Oriolo, G.: Robotics: modelling, planning and control. Adv. Textb. Control Signal Process. 9781846286414, 1–623 (2008). https://doi.org/10.5860/CHOICE.46-6226
Hogan, N.: Impedance control: an approach to manipulation: part II—implementation. J. Dyn. Syst. Meas. Control 107(1), 8–16 (1985). https://doi.org/10.1115/1.3140713
Fumagalli, M., et al.: Force feedback exploiting tactile and proximal force/torque sensing: theory and implementation on the humanoid robot iCub. Auton. Rob. 33(4), 381–398 (2012). https://doi.org/10.1007/S10514-012-9291-2
Van Der Linde, R.Q., Lammertse, P.: HapticMaster—a generic force controlled robot for human interaction. Ind. Rob. 30(6), 515–524 (2003). https://doi.org/10.1108/01439910310506783
Lane, D.M., et al.: The AMADEUS dextrous subsea hand: design, modeling, and sensor processing. IEEE J. Ocean. Eng. 24(1), 96–111 (1999). https://doi.org/10.1109/48.740158
Ryu, J.H., Kwon, D.S., Lee, P.M.: Control of underwater manipulators mounted on an ROV using base force information. Proc. IEEE Int. Conf. Robot. Autom. 4, 3238–3243 (2001). https://doi.org/10.1109/ROBOT.2001.933117
Amirabdollahian, F., Loureiro, R., Harwin, W.: Minimum jerk trajectory control for rehabilitation and haptic applications, pp. 3380–3385. IEEE (2002)
Preusche, C., Ortmaier, T., Hirzinger, G.: Teleoperation concepts in minimal invasive surgery. Control. Eng. Pract. 10(11), 1245–1250 (2002). https://doi.org/10.1016/S0967-0661(02)00084-9
Iandolo, R., et al.: Perspectives and challenges in robotic neurorehabilitation. Appl. Sci. 9, 15 (2019). https://doi.org/10.3390/app9153183
Bajaj, N.M., Spiers, A.J., Dollar, A.M.: State of the art in prosthetic wrists: commercial and research devices. IEEE Int. Conf. Rehabil. Robot. 2015, 331–338 (2015). https://doi.org/10.1109/ICORR.2015.7281221
Schot, S.H.: Jerk: the time rate of change of acceleration. Am. J. Phys. 46(11), 1090 (1998). https://doi.org/10.1119/1.11504
Mannella, K., et al.: Preliminary evaluation of an adaptive robotic training program of the wrist for persons with multiple sclerosis. Appl. Sci. 11(19), 9239 (2021). https://doi.org/10.3390/APP11199239
Albanese, G.A., et al.: Efficacy of wrist robot-aided orthopedic rehabilitation: a randomized controlled trial. J. Neuroeng. Rehabil. 18(1), 1–15 (2021). https://doi.org/10.1186/S12984-021-00925-0
Albanese, G.A., Falzarano, V., Holmes, M.W.R., Morasso, P., Zenzeri, J.: A Dynamic submaximal fatigue protocol alters wrist biomechanical properties and proprioception. Front. Hum. Neurosci. (2022). https://doi.org/10.3389/FNHUM.2022.887270