联系我们
机器人控制的几种类型
许多机器人的研究目标是模拟人类智能，因此人类控制系统的研究对机器人具有重要的参考价值。 人体神经系统由大脑、小脑、脑干、脊髓和神经元组成，复杂而完善。 人类的神经系统由中枢神经系统和周围神经系统组成。 由大脑和脊髓组成的中枢神经系统，是神经系统中*重要的部分。 周围神经系统是从大脑和脊髓放射出来的神经，在全身各处传播。 数以百万计的神经元存在于整个神经系统，构成了神经网络。
中枢神经系统负责运动控制，主要分为三层：
大脑：住在*高层，负责运动的总体规划，出台了各种任务。
小脑：位于中间层，负责运动的协调、组织和实施。人体的平衡是由小脑控制的。
脑干和骨髓: 属于*低层，负责实施运动，具体控制肌肉骨骼的运动，由脑干和骨髓完成。
三层控制对运动的影响是不同的，从高到低，下层接收上层的下行控制指令，并具体实现。大脑还可以通过脑干直接或间接地控制脊髓的运动神经..
如果与人的机器人，类似于人类的脊髓机械臂控制器，负责控制电机（肌肉）和特定的机械运动机构（骨），该多腿式机器人运动控制器，类似于人类的小脑的类比，负责控制平衡和协调。机器人，类似于世界的人脑，感知和认知的操作系统层，并发出各种复杂的移动目标的。
基于上述类比，参照各类机器人的现状，机器人的运动控制大致可分为四项任务：
控制脊髓嵴 -- 手臂运动的基本控制。 工业机器人、各种类型的机械臂、无人机的地面运动控制等都主要面临这类问题。
小脑控制多足机器人的平衡与运动协调控制。这是机器人控制的难点，现在*好的事情就是波士顿的力量。
精神控制 - 感知环境。主清洁机器人，无人机已经封装基本的运动控制和导航规划的机器人路径。的需求，并通过环保意识自己的定位，导航和运动规划的目标。
大脑控制-环境的认知和交互，即机器人执行交互任务，如控制机器人手臂抓取物体和执行操作。这是服务机器人需要突破的一个重要问题。
一些特殊的控制人工智能应用
1.脊髓控制类
两种典型的脊柱控制应用是无人机的机械臂路径规划和飞行控制。这种问题属于传统的自动控制理论，在数学和动态建模的基础上，已经发展多年。虽然深度学习是*近热门的，但它也可以在理论上使用。然而，在这种基本控制领域中没有应用。主要原因可能是：
1）工业机器人等高精度重复某些动作，根据自动控制理论已经从数学上一个好的解决方案，以及由于理解的原理，是白盒系统。由于可靠的白盒解决方案是没有必要的神经网络控制系统进入黑盒子。
2） 在工业机器人领域，控制算法的稳定性非常高。作为神经网络控制系统的一种黑盒方案，数据不能证明其稳定性。一旦神经网络控制器出现问题，就很难解释和改进。
3)神经网络算法是基于大量的数据训练，而现有的运动控制，如飞行控制，要获得实际的实验数据成本高，大量的数据采集是非常困难的。
2.小脑控制类
小脑控制的典型问题是仿人双足机器人和多足机器人的平衡和运动控制问题。在这方面，本研究是在传统控制理论的基础上进行的，但由于机械臂或无人飞行器运动自由度高，运动困难。这种两英尺长的仿人机器人*能给人留下深刻的印象，或者是动作缓慢、僵硬，而且车站也不稳定。波士顿电力公司的阿尔塔、大狗等在这方面是*先进的，但波士顿动力公司并没有发布他们使用的技术，但谷歌的工程师埃里卡说，根据演讲中的信息，BD的机器人控制策略使用的是基于模型的控制器。并且不涉及神经网络相关算法。
3.环境感知类
主场景是一种服务机器人路径规划，无人驾驶飞行器目标跟踪，视觉定位工业机器人等，通过感测环境，打包的运动控制系统，以发出目标运动的命令。
目标识别
在环境感知过程中，目标识别，如无人机目标识别与跟踪，借助于神经网络，能够更准确地识别，并已应用于大江等无人机。
定位导航和路径规划
目前，机器人的定位和导航主要是基于流行的 vslam 技术或激光雷达技术。 主流的激光雷达解决方案可以分为三个步骤，中间部分可能涉及一些深度学习，大部分内容不涉及深度学习相关。
步骤1：SLAM，建立场景地图，用激光雷达建立场景的二维或三维点云，或者重建三维场景。
步骤：语义地图对象的建设可能在景观标记物体的识别和分割。 （有些可以跳过此步骤）
第三部分：基于算法的路径规划，并驱动机器人的运动。
4.环境交互
典型的应用场景: 机器人手臂抓住物体等等。 与环境的交互一直是传统自动控制无法解决的问题。 近年来，基于强化学习的人工智能技术在这一领域取得了一些进展，但是否会成为未来的主流方向仍然存在争议。
1）强化学习
在增强的学习框架中，存在包含要负责决策的神经网络的代理。代理将当前机器人传感器获取的环境作为输入，输出控制机器人的动作命令动作。机器人移动后，观察到新的环境状态和动作结果奖励，并确定下一个新的动作动作。奖励根据控制目标设置，并具有正、负方向。例如，如果奖励的向前方向是以自动驾驶的目标到达目的地，则相反的是到达目的地，而更糟糕的奖励是车祸。然后重复该过程，目标是*大化报酬。
强化学习过程控制，过程控制一直是一个正反馈的AI机器人控制的基础。在此基础上，也出现了一些强化学习研究成果在机器人的控制。
2）环境中寻找目标
一般的想法是：根据机器看到的图表，决定怎么走，然后再看一次图表，然后决定采取新的步骤，直到你找到什么。本文以目标图像为输入，训练出的神经网络具有通用性。
这种发现事物的方式更接近人们的思维方式。训练有素的管制员不记得物体的位置，更不用说房子的结构了。但它记得如何去每个地方的每个物体。
3）机器人抓取
传统的机器人研究表明，被抓取物体的三维几何学需要非常清晰，分析力的位置和力的大小，然后逆向计算机手如何一步一步地移动到这些位置。但是这种抓取不规则形状和柔性物体的方法是很困难的。例如，毛巾可能需要被视为连接到一系列刚体，然后再进行动力学建模分析，但计算量相对较大。而橡胶就像小黄鸭，外面看不到弹性的程度，很难计算出需要施加的正确力。
5.DexterityNetwork
鉴于强化学习的问题的深度，PieterAbbeel同事KenGoldberg UCBerkeley，使用的研究思路被称为DexterityNetwork（DEX-网）是。的想法**分析并通过常规机器人建模的力，创建包含大量数据的数据集，该数据集包含每个模型的数据和对象的不同姿态下的对象可以被稳定被捕施力的方式，推压这些是由对象模型的方式计算。一旦你的数据，使用数据来训练神经网络。然后给出一个新的对象时，对象被确定并且该数据集，其是*相似的对象，然后计算出*稳定的方式来基于所述新的对象数据组*相似的对象的实施例作用力包含神经网络。
来源：网络
更多资讯：安川机器人
