联系我们
机器人控制的几种类型
人类智力的很多机器人仿真的许多研究目标，因此控制系统的机器人的研究具有重大意义。人体的神经系统共同构成了大脑，小脑，脑干，脊髓，如神经元，复杂和完善。人类神经系统，包括中枢神经系统和外周神经系统。中枢神经系统由脑和脊髓，它是人体神经系统的*重要组成部分。周围神经系统由脑和脊髓神经发出分布在整个身体。整个神经系统的神经元数不尽的存在形式的神经网络。
负责运动控制的中央神经网络，分为三个主要层次:
大脑：在*高层，负责运动的整体规划，交付各种任务。
小脑：住在中间层，负责协调活动的组织和实施。身体平衡是由小脑控制。
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。
三层对运动有不同的控制效果，从高到低，下层接收高层的下行控制指令并具体实现。大脑可以通过脑干直接或间接控制脊髓运动神经..
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，根据各类机器人的现状，机器人的运动控制可以分为四个任务:
脊髓控制-机械手运动的基本控制。工业机器人，各类机械手，无人机底部运动控制等主要面临这类问题..
小脑控制 - 多足机器人控制平衡和运动协调。目前这还不是一个突破难点机器人控制，目前正在做的*好的显然是波士顿动力。
大脑控制着，对环境的感知。 它是由地面扫描机器人、无人机等封装的机器人的导航和路径规划。 它需要通过情势察觉定位、导航和计划自己的行动。
大脑控制-环境的认知和交互，即机器人专门执行交互任务，如控制机械手抓取物体、执行操作等。这是服务机器人需要突破的重要问题..
AI控制的几个具体应用
1.脊髓控制类
两个典型的应用是无人机飞行控制的脊髓和机械手路径规划的控制。这些问题是传统的自动控制理论，数学模型和动态，基于多年的发展，已经拥有了非常完整的理论和实践基础，也取得了良好的效果。而在深入研究*近很热，理论上也可以用于这种类型的控制。但是，这种类型的现场控制的基础上，并不适用。主要的原因可能是：
工业机器人可以通过重复高精度的具体动作并基于自动控制理论得到很好的数学解决。由于有可靠的白盒方案，不需要用黑盒神经网络控制系统来代替..
应用2）工业机器人，用于高稳定性的要求的控制算法。神经网络控制系统作为一个黑盒子方案中，数据不能证明其稳定性。如果神经网络控制器出现问题，这是难以解释和改进。
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类人双足和息肉机器人的平衡和运动协调控制。这一直是基于研究中的传统控制理论，但与机械手或无人机相比，其运动自由要高得多，难度更大。双足机器人给人的印象是它们仍然是缓慢、僵硬和不稳定的。波士顿动力的阿尔塔，大狗等已经是这一领域*先进的，波士顿动力学还没有公布他们使用的技术，但是谷歌工程师ericjang说bd的机器人控制策略使用基于模型的控制器，不涉及神经网络相关的算法，根据演讲中的信息..
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。
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。
5.DexterityNetwork
考虑到深度强化学习的问题，彼得·阿贝尔在加州大学伯克利分校的同事肯·戈德伯格（Ken Goldberg）采纳了一项名为“敏捷网络”（DexityNet）的研究理念。首先，通过分析传统机器人的受力和建模，建立了一个包含大量数据的数据集。该数据集中的每个数据集包含一个对象的模型和施加力的方式，该对象可以在不同的姿态下稳定地掌握。
来源：网络
更多资讯：yaskawa机器人
