滑台机械手的现状与未来，值得一看_行业新闻

滑台机械手的现状与未来，值得一看

发布时间：2018-01-09 10:44:31

前言：近年来，随着服务机器人的兴起，机械手也正走进我们的日常生活，近年来出现了一些低成本的、小型的、“桌面版”的机械手的产品，相信这将是服务机器人的一个重要方向！本人最近入手了一台火爆朋友圈的、Kickstarter众筹的桌面级机械手Dobot（网址dobot.cc）。作为Fresh hand为了玩好Robot hand，最近看了一些资料，先总结一下，后面再继续与大家一起学习！

说起机械手，你可能想到是这样的：

在昨天，绝大多数机械手的应用领域是在工厂，例如在汽车工厂中的点焊和喷漆、化学和制药工厂中的包装和填充、以及核电站等高危环境下的工作。这些机械手粗壮有力，但略显笨重，大多被关在笼子里从事简单的重复性工作。

近年来，随着服务机器人的兴起，大家也希望机械手也能走进我们的日常生活来。于是便有了低成本的、小型的、所谓的“桌面版”机械手的产品。
今天的机械手是这样的：

至于做什么用呢？捡个银行卡、写个情书、切个菜……（编辑快快补充！）那就需要你自己开脑洞了，很多小伙伴说“精度差、速度慢、力量小、然并卵啊！” “精度差、速度慢、力量小”相对于几十万甚至几百万的工业机器人确实如此，但我认为桌面版毕竟不是用来干体力活的，人家是用来开脑洞的，那就需要设计算法啊、练编程啊！神马？不会？慢走不送。。。。。。神马？需要送送？那就继续下面的小科普吧。

基础知识

机械臂由很多连杆（金属杆），和关节（电动轴枢）构成。典型的机械手有一个基座、一个末端执行器（例如夹钳、吸盘或毛笔啥的）和它们之间的六个连杆和关节，这样机械手可以在其活动范围内实现任意的三维位置和朝向（位姿）。每一个活动的关节称为一个自由度，以此标准带，数一数DoBot一共有几个活动关节？有5个关节，则称为5自由度机械手，或简写为：5-dof。

目前DoBot的控制还是直接控制各个关节的电机，这个比较简单，但其实你真正需要的是将末端的夹持器移动到期望的位置，如拿起远处的某一物体。但问题来了，1—5号电机一个个靠手动控制，极其繁琐啊！

现在一个解决办法（DoBot所采用的方案）是用“示教”的方法解决，第一步，操作者抓着机械手的末端，放到期望位置上，并在控制台按下操作按钮记录下此时机械手的位姿，按顺序记录的一系列位姿随后用作机器人编程的参考点，例如捡——放任务中的重复性动作。机械手会记忆住关节的角度和位置，并自动编程，然后再重复实现。

给定期望空间位置，若想通过程序计算出机械手的相应的运动指令，则需要解决以下两个基本问题：
1. 给定一些列关节的状态，如何确定机械手末端操作器的位姿？这可由前向运动学解决。

2. 为达到机械手末端操作器的一个位姿，需要如何设置关节的角度？这可由逆向运动学解决。

当然，机械手运动学有很多更为复杂的问题，在这不多讨论，以下是两个常见的应用例子：

l 如何让末端操作器沿直线运动？（运动方程式）

l 如何让末端操作器给物体施加特定的力？

（雅克比矩阵）

现在有很多机械手的编程语言和库软件包，并且其数目在持续地增长。程序语言中传统的有AL、VAL-II，以及函数式语言。另一种是库软件包，可以用来与C/C++或Matlab进行链接。下面我们将专门介绍一款基于ROS的功能强大的机械手软件Moveit！

2. ROS编程

我们希望用机器来去完成一些简单枯燥的工作。但是机械手设计复杂运动学方程、程序编写复杂，为简化设计可使用一些已有的成熟工具。如MoveIt!，它是ROS中机器人进行移动操作的一套工具。主页(http://moveit.ros.org)包含使用MoveIt!的文档、教程和安装说明以及多种机械手(或机器人)的示例演示，如一些移动操作任务，包括抓握、拾取和放置或简单的逆向运动学的运动规划。

这个库包含一个快速的逆运动学解算器(为运动规划单元的一部分)、先进的操作算法、三维感知抓握(通常以点云的形式)、运动学、控制和导航等功能。除了后台功能，它还提供了一个易于使用的图形用户界面(GUI)通过MoveIt!和RViz插件配置新的机械手，使用户能以直观的方式进行运动规划任务的开发。

下图为MoveIt!的体系结构：

体系结构的中心是move_group单元。其主要思想是，首先需要定义由关节和其他元件所构成的群组(group)，然后使用运动规划算法执行移动操作。这类算法考虑与物体交互的场景以及该群组关节的特性。

MoveIt!为我们提供了一类使用规划求解逆运动学模型(IK)进行机械手运动规划的非常简单和简洁的工具，以及便于使用的丰富文档，但鉴于该体系结构的复杂性，但只有当正确理解了MoveIt!、机器人的传感器和执行器之间所有的不同相互作用时，才能正常工作。

3.未来

为了能更好的玩耍机械手，我们还需要深入学习高科技。。。。。。

l 增加视觉传感器控制速度

人类和动物在现实中通常只进行非常小的提前规划，主要依靠高度发达的智能反馈机制，使用感觉信息纠正错误和补偿扰动。例如打网球，玩家不断观察球和球拍，调整他的手的运动，最终在空中接球。这种反馈快速、高效、至关重要的是，可以纠正误差或意想不到的扰动。机器人使用视觉传感器得到的图像作为反馈信息，构造机器人的位置闭环反馈，又称为视觉伺服。近年来，视觉伺服控制系统一直是机器人研究领域的热点课题。从利用信息方式的不同，可以将视觉伺服系统分为两类：一是基于位置的视觉伺服系统(Position-Based Visual Servo system，PBVS)，一种是基于图像的视觉伺服系统(Image-Based Visual Servo system，IBVS)。根据摄像机位置的不同，视觉伺服可以分成全局视觉和局部视觉(eye-in-hand)两种。全局视觉的优点是视野较宽，缺点是存在分辨率低和目标遮挡问题；而局部视觉的特征与全局视觉恰好相反。因此，有人提出全局视觉和局部视觉相结合的视觉伺服控制方法。视觉伺服控制的性能与摄像机和机器人的标定误差紧密相关，而模型的准确标定是一项复杂的工作。因此视觉伺服控制的无标定模型引起了广泛关注。其主要优点是不需要知道机器人模型和标定摄像机参数，具有自适应能力，能够在线估计雅可比矩阵。

l 基于学习的机械手控制

当前机器人也是遵循sense-plan-act范式，机器人观察周围的世界、构造内部模型、制定行动计划，然后执行这个计划。在规则的环境中这是OK的，如前文提到的传统意义上的视觉伺服。但是在现实世界各种凌乱的自然环境中，机械手可真就要凌乱了。我们可以训练机器人可靠地处理复杂的真实世界的情况吗?下面的视频是来自韩国(韩科院)赢得去年的(2015)美国国防部高级研究计划局机器人技术挑战。

是什么让机器人行为如此明显的像人类行为?对，是深度学习。

l 提高马达技术

马达当前是机械臂的一个瓶颈，不仅力量小，还成本高，显著影响了机械手的最终成本。

马达和生物系统里的关节和肌肉的工作机制截然不同有关。我们人类的手臂关节既轻又极具弹性。每个关节的柔韧度和肌肉的硬度是可以控制的，因此在击剑运动中，你能够在招架的同时保持肌肉的放松，轻易地将手中的花剑移至侧面；或者是在扳腕较量中使胳膊上的肌肉变硬，保持牢固不被扳倒。我们的关节的活动速度也非常快。相比之下，电机是笨重、高能耗、僵硬的。如果你给电机增加齿轮箱，便能够增大输出扭矩，但同时也降低了转动速率，而且使输出轴难以被转动——不花点力气你就无法用手扭动机械手，无法用手转动齿轮箱的输出轴。如果你制作小型机械手时内置轻型电机，即使机械手和人的胳膊一样轻，机械手也完全不可能举起一个咖啡杯。并且这个任务对于要求能够在家里扶老人下床，协助他们去卫生间的机器人就太过简单了，机器人要完成这些动作必须同时具备柔韧性、弹性以及相当大的力度。

有一段时间，很多人认为机器人马达的未来应该是像人的肌肉那样工作的系统，镍钛合金金属肌肉纤维技术被誉为下一个革命性的进步。这种金属纤维能够随着电流变化而伸展收缩，人们设计了巧妙的装置来使多簇同类的纤维平行工作用来负重，以及将其活动范围从几毫米扩展至几厘米以及更长距离。然而，整体能源效率和疲劳度方面的挑战将这种金属肌肉纤维的应用缩小局限在某些领域，譬如医疗机器人领域。在这个领域，严格受控的环境可令其工作地非常理想。

尽管如此，最近新型马达的设计工作在高动态、可控马达方面已经有所成就。研究者们正在开发一种将电机和可调节弹簧整合起来的关节，这一整套的系统能够能精巧地应对外来冲击力。更为精巧的马达已经具备了内置的压力感知，而且它能够实现极为快速的控制，马达的电子器件能感知作用在马达上的外部压力并对这些压力做出实时反应以输出任意期望的刚度和韧度。总有一天，这将使机械手能够与人进行有力而又安全的握手、折纸、甚至是在保持蛋黄完整的前提下打破鸡蛋。马达之所以得以进步，其中一个原因是虽然它们本身并不遵循摩尔定律，但却得益于不断进步的嵌入式控制电路和软件，这样摩尔定律可以通过另一条途径影响未来马达技术。

上一篇：介绍一款可能是最廉价的中空旋转..

下一篇：中空旋转平台在机械行业里面的定..