В робототехнике находят применение две группы методов управления. Первый подход основан на классической теории автоматического управления (ТАУ). Проблемой управления в данном подходе является определение (включая математическое описание) законов управления, позволяющих достичь желаемого динамического отклика механизма, представляемого как цепь из твёрдых тел, связанных сочленениями — степенями свободы.

Желаемое движение механизма задаётся в некоторой базовой (например, декартовой) системе координат — в той, в которой заданы координаты и всех остальных объектов окружающего мира. Управление же механизмом осуществляется в пространстве обобщённых координат, связанных с его степенями свободы, которые приводятся в движение приводами механизма. Поэтому вначале выполняется пересчёт известного желаемого движения из базовых координат в обобщённые (в координаты степеней свободы механизма), т.е. решается обратная задача кинематики. Расчёт и выдачу согласованных заданий на приводы механизма осуществляет система управления верхнего уровня, которая и выполняет общее управление движением.

Желаемое движение в пространстве обобщённых координат представляет собой, в терминологии систем автоматического управления, совокупность задающих сигналов для приводов механизма. Системы управления приводов — нижнего уровня (принципы построения которых и изучает ТАУ), — отрабатывая задание, таким образом, с большей или меньшей точностью реализуют желаемое движение.

Второй подход к управлению может использоваться как в качестве альтернативы, так и в дополнение к первому. Связано это с известными проблемами применения первого подхода для управления многошарнирными механизмами, которые характеризуются существенным взаимовлиянием движений, наличием большого количества нелинейных элементов (трение, люфт, насыщение и пр.) в цепи управления и, зачастую, гибких звеньев (вследствие стремления к снижению массы). Учесть все эти особенности на уровне математического описания законов управления часто становится практически невозможно. В результате показатели качества управления (точность, быстродействие и пр.) могут существенно, а главное, непредсказуемо зависеть не только от структуры, но и от текущей конфигурации (положения) механизма и характеристик его движения (скоростей, ускорений), а также от большого количества параметров, которые на практике трудно даже измерить.

Данный подход ориентирован, в первую очередь, на практику и не предполагает обязательного теоретического обоснования законов управления. Вместо этого разработчики стремятся получить простые и интуитивно понятные алгоритмы управления. Типичным является представление объекта управления не как точной модели, а как «чёрного ящика» с неизвестными параметрами, которым, тем не менее, надо управлять с заданными критериями качества.

Такие методы управления часто рождаются на основе наблюдений за живой природой и попыток (разной степени успешности) переложения её «изобретений» на технику. Ведь живые организмы не решают в уме уравнений, хотя прекрасно справляются с управлением собственным сложно устроенным телом. Существенное влияние на робототехнику оказали методы систем искусственного интеллекта (речь, например, об искусственных нейронных сетях и обучении с подкреплением). К «простым» численным решениям можно отнести и метод программирования роботов-манипуляторов обучением, когда манипулятор вручную проводят по траектории, которую он затем должен повторять.

Сказанное, однако, совсем не означает, что во всех перечисленных подходах не используется математический аппарат или что эти методы сами по себе слабо обоснованы теоретически. Речь о другом. Действительно, методы, которые мы в данном материале условно отнесли ко второй группе, иногда критикуют за частность решений, необходимость ручной подстройки параметров «по месту», недостаточное математическое обоснование для задач управления (например, для некоторых из них отсутствует строгое доказательство устойчивости). Однако же, говоря словами разработчиков Leg Lab, ограниченные возможности современной теории управления не должны служить оправданием для ограничения возможностей современных роботов.[1]

Алгоритмы, разрабатывавшиеся в Leg Lab и в Boston Dynamics, судя по публикациям, используют комбинацию обоих подходов, учитывая тот факт, что шагающему роботу не очень важна точность движений. Его задачи выглядят примерно так: «дойти из точки A в точку B, избегая падений», — а как конкретно он это сделает, пользователя обычно не волнует. Это отличает их от промышленных манипуляторов, которые, работая на производстве, должны обеспечивать субмиллиметровые точности при позиционировании и движении по заданным траекториям.

В задачах управления в робототехнике вообще и в Boston Dynamics в частности, широко применяются имитационные модели объекта управления — механической части робота. Здесь теоретическим базисом является теоретическая механика (раздел «динамика твёрдого тела»), основанная на ньютоновской (классической) механике. Здесь речь идёт о задачах динамики (прямой и обратной). Решаются они обычно при помощи дифференциальных уравнений с использованием методов Лагранжа — Эйлера или Ньютона — Эйлера (хотя есть и другие методы)[2]. Для тех, кто хочет познакомиться с этими методами, так сказать, «пощупать их руками», могу посоветовать взять, для начала, первый из них, базирующийся на уравнениях Лагранжа второго рода. Пример решения прямой задачи динамики для несложной системы твёрдых тел с подробным понятным разбором я нашёл на сайте Института фундаментального инженерного образования ЮРГПУ (НПИ).

Примером применения компьютерного имитационного моделирования являются робототехнические симуляторы, которых сегодня существует множество. В частности, разработчики Boston Dynamics использовали симулятор Gazebo. Я же в своё время работал, возможно, с менее удобным для моделирования роботов, но более универсальным пакетом Adams от MSC Software.

close