基于人工智能技術的機器人運動控制系統設計

摘" 要： 設計一種基于人工智能技術的機器人運動控制系統，確保機器人更好地理解人類的意圖，并提供更加人性化的服務。該系統通過運動數據采集與傳輸組件連接機器人的軸電機，采集機器人當前運動數據后，將其傳輸到控制器組件內，控制器組件依托X86架構工控機，使用PIC總線將采集到的機器人當前運動數據發送到基于人工智能技術的機器人運動路徑規劃模塊內。該模塊運用人工智能技術中的A*算法獲取機器人軌跡路徑規劃結果后，依據該路徑規劃結果，將人工智能技術中的神經網絡和模糊B樣條基函數相結合，建立模糊B樣條基函數神經網絡控制器。該控制器輸出機器人運動控制指令，并發送給伺服驅動器組件，伺服驅動器負責驅動機器人軸電機，控制機器人運動。實驗結果表明：所設計系統具備較強的機器人路徑規劃能力，可在復雜路徑情況下實現機器人運動控制，且控制精度和控制階躍響應能力均較強。

關鍵詞： 人工智能； 機器人； 運動控制系統； 模糊B樣條基函數； 神經網絡； 路徑規劃

中圖分類號： TN876?34； TP391" " " " " " " " " "文獻標識碼： A" " " " " " " " " " " 文章編號： 1004?373X（2024）10?0117?06

Design of robot motion control system based on artificial intelligence technology

Abstract： A robot motion control system based on artificial intelligence technology is designed to ensure that robots better understand human intentions and provide more humane services. The system can connect the axis motor of the robot by means of motion data collection and transmission components. After collecting the current motion data of the robot， it is transmitted to the controller component. The controller component relies on the X86 architecture industrial computer and can use the PIC bus to send the collected current motion data of the robot to the robot motion path planning module of artificial intelligence technology. In this module， the A* algorithm in artificial intelligence technology is used to obtain the robot trajectory path planning results. Based on the path planning results， the artificial neural network in artificial intelligence technology is combined with the fuzzy B?spline basis function to establish a the fuzzy B?spline basis neural network controller. The controller outputs the robot motion control command and send it to the servo drive component， which is responsible for driving the robot shaft motor， and control robot movement. The experimental results show that the designed system has strong robot path planning ability， can achieve robot motion control in complex path situations， and has strong control accuracy and step response ability.

Keywords： artificial intelligence; robots; motion control system; fusion B?spline basis functions; neural networks; path planning

0" 引" 言

在科技日新月異的今天，機器人已經從科幻小說中的概念走進了現實生活，成為了人們日常生活和工作的得力助手。而決定機器人性能的關鍵因素之一就是其運動控制系統的設計，一個優秀的運動控制系統可以使機器人在各種復雜環境中靈活自如地運動，完成各種任務[1?2]。然而傳統的機器人運動控制系統通常依賴于預設的算法和程序，這限制了機器人的適用性和智能化程度。趙丕洋等人設計了一種基于ROS的機器人控制系統，該系統以Ubuntu下的ROS元系統實現機器人控制的通信；運用Python編程對機器人進行定位和行動地圖編碼后，再規劃機器人行動路徑，通過控制電機轉速控制機器人移動，實現機器人的運動控制[3]。但該方法對機器人路徑規劃不夠準確，導致其控制機器人運動的效果不佳。余凡等人設計了一種基于STM32的機器人控制系統，該系統將STM32芯片作為主控芯片，通過設計主控模塊、無線通信連接程序、機器人運動控制器控制程序等，實現機器人運動控制[4]。但該系統通信能力略差，會出現通信中斷現象，導致控制機器人運動存在延遲性。

人工智能技術包括多個領域和應用，如機器學習、計算機視覺、自然語言處理等。機器學習是人工智能的關鍵驅動力，它使用算法讓計算機從數據中學習并改進其性能。運用人工智能技術中的自然語言處理技術，可使計算機理解和生成人類語言，并支持人機交互。人工智能技術正在不斷發展，并在許多領域得到應用[5]，通過引入人工智能技術，可以讓機器人像人類一樣具有自主學習和決策的能力，從而使機器人更好地適用于復雜多變的環境和任務。基于此，本文設計一種基于人工智能技術的機器人運動控制系統，以提高機器人運動控制的性能和智能化水平。

1" 機器人運動控制系統設計

1.1" 機器人運動控制系統開發方案設計

機器人運動控制系統應用環境不同，本文按照滿足可移植、可重組的思想設計機器人運動控制系統開發方案，如圖1所示。

機器人運動控制系統開發方案由示教器、控制器組件、運動數據采集與傳輸組件、伺服驅動器組件和機器人組成。通過運動數據采集與傳輸組件內的絕對編碼器獲取機器人軸電機運行數據，并將其輸入到定位器內；定位器獲得當前機器人位置數據后，通過以太網通信將其傳輸到編碼器讀數器內；編碼器讀數器連接控制器組件內的X86架構工控機，通過該工控機與PIC總線將機器人位置數據傳輸到基于人工智能技術的機器人運動路徑規劃模塊內；路徑規劃模塊依據機器人當前位置為其規劃好路徑后，將路徑規劃結果輸入到模糊B樣條基函數神經網絡控制器內，該控制器連接伺服驅動器組件，控制機器人軸電機運行。以上過程通過示教器內觸摸屏專用輸入設備等與用戶進行交互，其中觸摸屏內置WinCE6.0操作系統，負責驅動機器人運動控制程序。

1.2" 機器人路徑規劃程序設計

機器人運動控制系統通過運動數據采集與傳輸組件獲取到當前機器人位置數據后，將其發送到控制器組件內，控制器組件內的機器人運動路徑規劃模塊，運用人工智能技術中的A*算法對機器人運動路徑進行規劃。A*算法是人工智能中的一種算法，用于解決搜索問題，例如在游戲、機器人等領域中尋找最優路徑[6?7]。該算法屬于啟發式搜索的一種，能夠利用基于啟發式的算法和最優子結構性質在空間中尋找到最佳路徑。本文運用A*算法獲取機器人軌跡路徑規劃，其詳細流程如圖2所示。

人工智能技術中的A*算法在規劃機器人運動路徑時，先定義機器人坐標，再依據環境中的障礙物定義環境模型，并建立機器人路徑規劃函數。之后將機器人目標位置作為原點，規劃當前路徑并存儲后，判斷當前規劃好的路徑中起點與終點之間是否存在障礙物。若存在障礙物，則返回上一步；若不存在障礙物，則將當前規劃好的路徑存儲在路徑列表內[8]。其次，計算機器人當前點位到目標點的直線距離，利用該距離數值減去機器人半徑，得到當前路徑步長，依據該步長規劃機器人下一步路徑，并存儲到總路徑列表中。最后輸出總路徑列表，實現機器人運動路徑規劃。

1.3" 模糊B樣條基函數神經網絡控制器設計

機器人在運行過程中，通過調整步長、速度、轉向角度等，依據機器人路徑規劃結果，采用控制器控制機器人運動到目標位置[9]。本文將模糊B樣條基函數和人工智能技術中的神經網絡相結合，建立模糊B樣條基函數神經網絡控制器。

模糊B樣條基函數神經網絡控制器設計為兩輸入單輸出模式，將機器人路徑規劃結果與機器人當前誤差作為輸入矢量，由[x=x1，x2，…，xm]表示，[m]為輸入維度；再令其中控制器的輸出結果為[u（t）]，控制器的給定輸入即機器人運動路徑為[r（t）]，[y（t）]為機器人運動目標位置，則機器人運動誤差為：

[e（t）=r（t）-y（t）]

將輸入矢量輸入到多變量B樣條基函數內，以輸入矢量[x=x1，x2，…，xm]為例，定義該輸入矢量在每個輸入軸上的B樣條基函數[ηiki，ni]，其中[ki=1，2，…，n]，[n]為多變量總數，[i∈m]，為維度。則第[k]個多變量的B樣條基函數是由[m]個單變量基函數的張積組成，計算公式如下：

式中[ηk（x）]表示第[k]個多變量的B樣條基函數。

在式（1）中，張積B樣條基函數的遞推關系與B樣條基函數相同，也就是其多變量函數可通過多變量B樣條基函數線性組合來逼近，即：

式中：[y（x）]表示多變量B樣條基函數；[?k]表示第[k]個變量的B樣條權值。

以多變量B樣條基函數線性組合逼近函數為基礎，建立模糊B樣條基函數神經網絡控制器。該控制器的第1層和第2層為機器人模糊控制規則的前提部分，第3層為機器人運動控制模糊推理部分，第4層則為控制規則部分。模糊B樣條基函數神經網絡控制器的第1層接收機器人按照規劃路徑行動的誤差，控制器的第1層輸出公式如下：

[o（1）i=xi] （3）

式中：[o（1）i]表示模糊B樣條基函數神經網絡控制器第1層輸出結果；[xi]為第[i]個輸入矢量。

運用模糊B樣條基函數神經網絡控制器的第2層對式（3）結果進行模糊化處理。該控制器的第2層運用式（2）B樣條基函數進行線性擬合逼近，該基函數的階次設置為3，則該層輸出結果公式如下：

[o（2）j=ηj，3（xi）] （4）

式中：[o（2）j]表示模糊B樣條基函數神經網絡控制器第2層第[j]個神經元輸出結果；[ηj，3（xi）]為機器人按照規劃路徑行動控制B樣條基函數。

模糊B樣條基函數神經網絡控制器的第3層為機器人運動模糊控制規則層，其運用乘法實現機器人運動模糊控制集的運算。在該網絡層內，每個網絡神經元均代表一條模糊規則[10?11]，每個神經元的輸出對應的是每個模糊控制規則的適用度。該層輸出公式如下：

[o（3）k=σj1（x1）?σj2（x2）] （5）

式中：[o（3）k]表示模糊B樣條基函數神經網絡控制器第3層輸出的第[k]個機器人運動模糊控制規則；[j1]、[j2]表示兩個神經元的模糊規則；[σj1（x1）]、[σj2（x2）]分別表示控制器上層兩個模糊控制規則適用度。

模糊B樣條基函數神經網絡控制器的第4層是去模糊化層，也就是機器人運動模糊控制輸出層[12]。其對上一層的網絡輸出進行解模糊操作，輸出結果為機器人運動控制規則總和，公式如下：

式中：[u（t）]表示模糊B樣條基函數神經網絡控制器輸出的機器人運動控制結果；[ωk]表示網絡連接權值[13]。

1.4" 伺服驅動器設計

機器人運動控制系統通過模糊B樣條基函數神經網絡控制器輸出機器人運動控制指令后，將該指令傳輸給系統的伺服驅動器組件，伺服驅動器組件負責驅動機器人運動。本文所設計的伺服驅動器由電流環、速度環和位置環組成，主要負責接收機器人運動命令，控制機器人電機輸出轉矩、調整電流參數等。所設計的伺服驅動器總體結構如圖3所示。機器人運動控制伺服驅動器接收到控制指令后，分別輸入到位置環、速度環、轉矩、電流控制環內，通過對機器人的坐標進行變換，經過逆變器驅動機器人永磁同步電機，實現機器人運動控制。

伺服驅動器控制過程中采用矢量控制[14?15]，在[d?q]坐標系下，機器人伺服電機狀態方程表示為：

式中：[P]表示微分算子；[id]、[iq]分別表示[d?q]坐標軸的定子電流；[Rs]、[Qs]為定子電感和電阻；[ωr]為機器人轉子機械角速度；[Ud]、[Uq]表示[d?q]坐標軸電壓數值；[ψf]表示轉子磁極與繞組之間的磁鏈。

機器人電機對應的轉矩方程公式如下：

伺服驅動器通過公式（8）可對機器人電機轉矩進行控制，實現機器人運動控制。

2" 實驗結果與分析

M?410iB型機器人是一款大型物流智能機器人，其是為了實現物流系統的機器人化而開發的，具有更大的運動范圍和更快的速度，已被廣泛應用于搬運、裝配、分揀等領域。將該型號機器人作為實驗對象，使用本文系統對該機器人運動進行控制，驗證該系統的實際應用效果。M?410iB型機器人參數如表1所示。

設置機器人運動控制實驗環境，在400 m×400 m空間內設置若干個障礙物，使用本文系統在該空間內對機器人運動進行控制。機器人運動路徑規劃是實現其運動控制的基礎，故運用本文系統對機器人路徑進行規劃。為使實驗結果更具有說服力，采用文獻[3]的基于ROS的機器人控制系統和文獻[4]的基于STM32的機器人控制系統同時展開實驗，實驗結果如圖4所示。根據圖4的對比分析可知，與其他兩種系統相比，本文系統規劃出的路徑不僅最短，而且轉向次數最少，說明本文提出的機器人控制系統在生成運動路徑時展現出顯著優勢。本文系統能夠高效地生成機器人運動路徑，顯著降低轉向次數，使機器人以最簡潔的路徑快速準確地到達目標位置，這不僅提高了機器人的工作效率，還有助于減少不必要的能量消耗。

在實驗環境內規劃復雜路徑，并使用本文系統對機器人運動進行控制，控制結果如圖5所示。通過觀察圖5可以清晰地看到，使用本文提出的機器人控制系統，機器人在復雜的運動路徑上表現出良好的控制效果。在大部分路徑上，機器人的實際運動與規劃的路徑非常接近，這表明該系統具有強大的運動控制能力。然而，在路徑的轉彎處，控制路徑與實際路徑存在一定的偏差，但這種偏差較小，不會對整體運動效果產生顯著影響。總體來說，本文系統在機器人運動控制方面具有顯著的效果。

為進一步驗證本文系統對機器人的運動控制能力，以機器人運動誤差作為衡量指標，測試本文系統控制機器人到達10個目標點時，機器人位置與目標點位置之間的距離差值。同樣使用基于ROS的機器人控制系統和基于STM32的機器人控制系統展開實驗，實驗結果如表2所示。

通過對比分析表2中的數據可以清晰地看到，在使用三種不同系統對機器人進行運動控制后，機器人在到達目標點位置時均存在一定的誤差，然而，本文系統在控制機器人運動時的誤差表現出了顯著的優勢。與另外兩種系統相比，本文系統控制下的機器人到達目標點的最大誤差僅為0.59 cm，最小誤差僅為0.21 cm；而基于ROS的機器人控制系統和基于STM32的機器人控制系統的誤差較大，最大誤差分別為1.57 cm和2.16 cm。這些數據有力地證明了本文系統在機器人運動控制方面具有卓越的性能和準確性，能夠實現更精確的運動控制，從而提高機器人的工作效率和精度。

以本文系統控制機器人運動時，控制機器人伺服驅動器階躍響應作為衡量指標，進一步驗證本文系統對機器人的運動控制能力，控制結果如圖6所示。

通過對圖6的細致分析可以發現，三種系統中，本文系統在控制機器人運動時的階躍響應時間數值最小，且階躍響應波動幅度最小。這一結果清晰地表明，本文系統在控制機器人運動時具有卓越的響應性能。與其他系統相比，本文系統能夠更迅速地響應機器人的運動需求，并且其控制波動幅度較小，這說明系統的穩定性較高，而這種快速且穩定的響應能力對于機器人執行精確、高效的任務至關重要。

3" 結" 論

基于人工智能技術的機器人運動控制系統設計是一項融合了多個領域的創新工作。本文基于深度學習和控制理論，成功地構建了一個高效、精確的機器人運動控制系統。該系統能夠自主規劃機器人的運動路徑，減少轉向次數，提高工作效率。同時，通過實時的階躍響應分析，驗證了該系統具有快速響應和低波動性的優點，能夠確保機器人在復雜環境中的運動穩定性。

本文設計不僅提升了機器人的運動性能，更為重要的是，它為人工智能技術在機器人控制領域的應用開辟了新的可能。未來可在此基礎上進一步優化算法，提高機器人的感知能力，以及增強其適應各種復雜任務和環境的能力。期待這一技術能夠為智能機器人領域的發展帶來更大的突破。

參考文獻

[1] 姜蘇，萬剛.基于幾何不變性和滑動模態算法的冗余機器人運動控制研究[J].機床與液壓，2021，49（5）：40?44.

[2] 朱安，陳力.空間機器人在軌雙臂輔助航天器對接力/位置嵌套雙層滑模阻抗控制[J].光學精密工程，2023，31（22）：3266?3278.

[3] 趙丕洋，洪榮晶，方成剛.基于ROS的UR5機器人控制系統設計[J].南京工業大學學報（自然科學版），2022，44（2）：161?168.

[4] 余凡，王庭有，劉曉光，等.基于STM32的負壓爬壁機器人控制系統設計[J].機床與液壓，2022，50（3）：31?35.

[5] 田為廣，徐海黎，陳妍，等.可變車道隔離護欄運載機器人系統及其控制策略[J].工程設計學報，2022，29（2）：237?246.

[6] 彭漢修，趙建國，王菊，等.伸縮式井下機器人電液控制系統研制與性能評價[J].石油鉆探技術，2023，51（3）：66?72.

[7] 吳超群，趙松，雷艇.曲線焊縫的機器人焊接軌跡規劃與高頻控制[J].中國機械工程，2023，34（14）：1723?1728.

[8] 邢艷麗，亢瑾.下肢康復訓練機器人膝踝協調運動控制方法[J].機械設計與制造，2022（3）：287?291.

[9] 李志文，程志江，杜一鳴，等.基于ROS的清潔機器人運動控制研究[J].計算機仿真，2023，40（4）：455?460.

[10] 鐘錚語，徐明，彭輝，等.全向移動爬壁機器人設計及其運動特性研究[J].控制工程，2022，29（9）：1537?1545.

[11] 時維國，寧寧，宋存利.基于反步滑模的移動機器人編隊控制算法[J].中國慣性技術學報00，2023，31（3）：282?291.

[12] 林俊文，程金，季金勝.基于策略梯度及強化學習的拖掛式移動機器人控制方法[J].市政技術，2023，41（10）：101?105.

[13] 范振，陳乃建，董春超，等.基于深度強化學習的單臂機器人末端姿態控制[J].濟南大學學報（自然科學版），2022，36（5）：616?625.

[14] 李輝.基于分裂迭代和模糊算法的采摘機器人控制系統[J].農機化研究，2023，45（8）：24?28.

[15] 于力率，蘇曉杰，孫少欣，等.基于分層控制策略的六輪滑移機器人橫向穩定性控制[J].自動化學報，2023，49（7）：1421?1432.