阅读文章前辛苦您点下“关注”，方便讨论和分享，为了回馈您的支持，我将每日更新优质内容。

文 | 南柯归洵

编辑 | 南柯归洵

前言

抓取是工业和非工业环境中最普遍的机器人相关任务之一。从一般的角度来看，机器人抓取取决于机器人接触周围物理物体的手段。这种装置通常被定义为末端执行器，并且通常具有两个或多个手指。

每当涉及重复的、有时是危险的任务时，机器人抓取就有很大的用处。应用的例子可以在几个领域中找到，例如食品和农业，海洋机器人等。为了成功地实现物体抓取，可以使用特定的末端执行器，即抓取器。

与过去几十年相比，过去10年机器人抓具的发展取得了长足的进步吗？

机器人手爪的驱动类型

在是用于作物收获和处理的软夹钳，表明人们对食品工业的自动化有很大兴趣。在仅被认为是水下作业的抓手，而其他评论则涉及手指设计标准等方面，或有关工业市场的统计数字

气动驱动:工业中最广泛的夹具。众所周知，由于气动控制的众所周知的挑战，这些夹具难以控制.通常，这些装置具有两个气室，一个用于打开钳口，一个用于关闭钳口。在

机械方面，它们非常简单，只包括活塞和杠杆。

电动的:这些夹子比气动的更容易控制，至少在夹子的位置和速度方面。

它们通常由与制动部件机械连接的无刷电机以及增加电机扭矩所需的一个或多个减速级组成。虽然可控性更强，但这些设备比气动设备体积更大，成本也更高。

液压驱动:这种驱动方式的工作原理类似于气动驱动，使用液压流体代替压缩空气。

液压夹具更昂贵，需要更多的维护，并且在漏油的情况下会有问题。当必须举起非常重的物体时，这种夹子是有用的。随

着以中等有效载荷为特征的协作机器人的普及，它们变得不那么普遍了。

压电致动:主要用于微夹钳的解决方案，因为类似的致动器适用于小而精确的位移，保持小尺寸和低能耗。然而，基于压电的致动仍然可能引起滞后行为和其他非线性来源.

其他驱动原理专门用于微夹钳，例如电磁、静电或热。在这方面，SMA材料可以改变形状来控制它们的温度。

2.1.传感器

传感器的使用对于抓具的闭环控制至关重要，尽管工业抓具仍然采用基本的控制策略。

尽管传感器技术超出了本综述的范围，但机器人抓具上最常用的传感器可分为以下几类:

力传感器，通常位于一个或多个手指的表面，对于为抓取力的闭环控制提供感觉反馈是重要的。然而，这些很少出现在工业夹具上。

扭矩传感器，测量抓取过程中施加的扭矩。这些在电动抓具上更常见。更常见的是，实际力/扭矩(F/T)传感器安装在抓爪手指或机械臂的手腕上(首选)。

电流传感器，特别是用在电动抓具上以实现电流控制器，因为抓具电机传送的电流与施加的扭矩直接相关。

压力传感器，主要用于感应气动抓具气室的压力。这种传感器是闭合力回路的基础，因为它需要两个腔室中的压力信息。

位置传感器，用于量化夹爪的运动，从而实现位置和/或速度控制器。这些传感器可以用来测量线性或角位移，这取决于所实现的控制器。

请注意，上面的列表中没有提到触觉传感器，因为它们在机器人抓具上的应用在研究环境之外仍然非常少见。

然而，类似的传感器似乎有希望提高抓取能力随着研究的进展，在真正的夹子上使用它们的可能性也在不断增加。

3.控制策略

值得注意的是，一些引用的作品提出了一种控制方法，其中涉及更多的技术。因此，根据作者的意见，混合控制结构将根据哪一个被认为是手爪控制的核心进行分组，而不考虑手爪的类型或驱动。

模糊控制器是一种非线性、静态、多输入-多输出控制器。这种控制器可以建立在人类操作员的经验上。它提供了一种形式化的方法来表示特定过程或系统的人类启发式知识。

模糊控制器由四个元素组成，如方案所示：

图二。一种适用于机器人手爪的通用模糊控制器方案。

SMC在微夹钳中得到了广泛的应用:这种夹钳通常由压电致动器驱动，压电致动器以其微尺度操作和紧凑尺寸而闻名。

这些类型的致动器易于滞后，因此，基于SMC的策略被成功地用于对比这种非线性来源。

例如，在实现了用于纳米级位移的闭环控制的离散SMC处理迟滞行为时没有任何抖动，位移由嵌入放大器中的特定传感器读取。

图3。等式情况下SMC原理的图形表示.

在提出了一种基于二阶动态系统模型的阻抗控制离散滑模控制，能够实现位置和力的控制；前者由激光位移传感器测量，而后者由力观测器估计。

因此，这种实现不需要任何外部传感器。最后，在另一个模糊滑模控制用于配备有力传感器的SMA驱动的手爪的力控制。

在这里，滑动变量为模糊逻辑提供输入，该模糊逻辑具有11个高斯隶属函数，允许去模糊化并具有平滑和简洁的符号。

3.2.机器学习技术

在过去的几年里，基于机器学习(ML)的架构被广泛用于机器人抓取。最大似然应用可以看作是一类优化问题。与控制理论中使用的优化方法的主要区别，更具体地说，ML主要依赖于数据。

绝大多数ML应用旨在确定对象定位、姿态估计和抓取估计以进行操作[72]，通常采用基于视觉的算法.虽然这些研究很有趣，但不在本综述的范围之内，因为它们并不严格关注夹子本身的控制。

下面提供了一般的ML方案，以及其中ML至少参与对夹具控制器，有用的参数的估计的文章的简明选择。

图4。通用ML方案。

在由步进电机驱动的柔性柔顺手爪上测试了多种ML算法，以估计和预测其最佳手指位移。

这里，在夹持器的柔性结构中的一些嵌入式传感器被用来区分物品的凹形或凸形；这些信息对于定义抓取动作是有用的。

对于这种应用，极限学习机(ELM)相对于几种ML方法证明了更好的预测性能，例如两个支持向量回归机(具有不同的核函数)、人工神经网络(ANN)、神经模糊等。目的是施加最小的抓力来抓住一个物体。

此外，还展示了强化学习(RL)如何用于计算不同尺寸物体的最佳抓取位置。RL框架利用模拟来加速学习过程，而真正的手爪是两指电动手爪。另一个RL结构在对于配备有八个商用力传感器的步进电机驱动夹具。

首先为某个对象定义了稳定抓取，并将其设置为抓取适应过程的目标状态。然后，在线RL利用学习算法，即Q学习，来学习这样的客观抓取条件。

然而，给定一个要把握的特定对象，所提出的过程需要大约5分钟来完成学习过程。

3.3.其他控制架构

在前面讨论模糊或SMC控制策略时，阻抗控制偶尔会被提及。然而，阻抗控制广泛用于机器人学中，并且在所考虑的领域中尝试了一些实现，即机器人手爪控制。这同样适用于自适应控制。

早期阻抗控制的例子可以在对于由两个DC伺服电机驱动的电动抓具，每个手指一个。位置、速度和加速度反馈分别用于处理机械柔顺性、阻尼和惯性行为。

速度和加速度都是通过位置微分得到的。特别地，加速度反馈被用于减少手指靠近物体的冲击力。

接近传感器用于到达预设的安全区域，在该区域中，手指的接近速度急剧降低以避免损坏物体，相反，力传感器用于达到预定义的抓握力。达到所需的力后，关闭速度设置为零。

不管结构特征如何，要解决的关键控制问题仍然是在致动和输出力之间建立可靠的联系，该输出力必须施加在抓取的物体上。

事实上，由于几个因素，包括摩擦效应和非线性源，例如气动夹具腔室内的气流，抓取力的精确控制并不简单。

显而易见，在实验室进行研究时，PID和SMC等传统控制方法是最常见的选择。这也源于过去几十年中出现的大量就业，尤其是与PID相关的就业。

有趣的是，PID主要用于控制刚性夹钳，而SMC则更适用于控制微夹钳。

这可能与以下事实有关:主要用于微夹钳设计的压电致动通常在高达约600 kHz的高频下工作.这是SMC应用的理想条件，因为工作频率对实现至关重要。

图5。控制策略概述，不考虑夹具类型。

此外，必须注意的是，模糊控制器没有在柔性夹持器中实现，至少就所引用的文章而言。这可能源于模糊逻辑的性质，模糊逻辑似乎不适合软夹持器的功能，因为它不能捕捉这种夹持器典型的非线性行为和其他不确定性。

基于纯粹的启发式规则，主要通过人的观察来定义，这种类型的控制逻辑可能还没有成熟到足以处理嵌入在软夹持器中的致动器。

PID结构由于其易于实现而在许多抓取场景中得到应用，并且作为独立的控制器或者与其他控制模式相结合而被成功实现。

图6。PID，SMC和模糊比较。

现代工程软件允许根据选定的带宽、相位裕度和工厂传递函数(当可用时)自动进行增益调谐。即使PID并不总是保证最佳控制，并且通常需要一定的系统线性度才能良好运行，但它通常是夹持器闭环控制的首选，无论驱动类型如何。

模糊逻辑在过去十年中开始广泛传播，研究人员也在研究机器人夹持器的控制。模糊控制优先使用启发式信息而不是复杂的数学，允许在没有详细模型的情况下建立非线性控制器。

在这个方向上向前迈出的重要一步可能是将触觉传感技术集成到抓取器手指中。事实上，尽管20—30年前的预测充满希望，但这类传感器在研究实验室之外完全失业。

触觉也可以提供关于被触摸材料的类型、形状、粗糙度、温度等的信息，允许创建考虑所有这些信息的高级控制算法。

它们也可能代表了一种更丰富但更具成本效益的替代方案，以取代昂贵、难以集成的力/扭矩传感器，这些传感器偶尔会嵌入机器人夹持器的手指中。

5.结论

机器人抓取器在过去几年中发展迅速，尽管还需要做更多的工作来实现可靠、鲁棒和灵活的抓取任务。

试验新的夹持器概念涉及特定的布局设计，拓扑优化、材料和驱动的巧妙选择。

作者认为，所有这些方面都必须与有效控制策略的概念相结合，以促进机器人手爪的工作，从而与机器人技术的令人印象深刻的进步相匹配。

参考

张；谢；周；王；机器人手爪、抓取和控制策略及其在农业机器人中的应用综述。计算机。电子。阿格里克。 2020,177, 105694.

纳瓦斯，e；费尔南德斯河；塞普尔韦达博士；无敌舰队，m。用于自动作物收割的软夹持器:综述。传感器 2021,21, 2689.