柔顺控制方法
根据机械臂输出反馈信号(位置、力、速度)和输入信号的不同，柔顺控制方法可分为基本柔顺控制方法、先进柔顺控制方法和智能柔顺控制方法。
1 基本柔顺控制
机械臂柔顺控制的基本问题是如何确定作用力并有效的使用反馈信号得到适当的输入信号，从而得到期望的运动和力。柔顺控制中的基本变量有位置、速度、加速度和力，控制算法的不同实际上是这些基本变量之间关系的不同。
1.1 刚性控制
刚性控制可以分为主动刚性控制和被动刚性控制。被动刚性控制，是在机械手末端安装由弹簧或阻尼器组成的机械装置，广泛应用于特殊任务中。而主动机械手可以看作是一个可编程的弹簧，通过闭环力反馈系统改变自身刚度。如下图所示为主动刚性控制的基本原理。
1.2 阻抗控制
阻抗控制不直接控制机械臂与接触环境的作用力，而是根据机械臂末端的位置（或速度）和末端作用力之间的关系，调整反馈位置误差、速度误差或刚度来控制作用力，如下图所示为阻抗控制结构图。这类力控制有基于位置和速度的两种形式，当把力反馈信号转换为位置调整量时，力控制成为刚度控制；当把力反馈信号转换为速度修正量时，力控制成为阻尼控制；当把力反馈信号同时转换为位置和速度修正量时，力控制成为阻抗控制。这种控制方法的优点是可以方便的加入力控制信号。但在力控制部分只是采用简单的比例控制，使得当工作环境的接触刚度发生变化时，控制性能变差。另外，当机械臂本身参数发生变化时，系统的自适应能力也较弱。
1.3 导纳控制
导纳是阻抗的倒数，导纳矩阵A把力误差和末端执行器的速度联系起来，若环境刚度已知，通过调整A可实现快速响应、零误差或小超调的期望力控制。导纳控制是以位置控制为基础，通过调整导纳完成约束任务，与阻抗控制不同，导纳控制更关注对期望力的跟踪控制。
1.4 力/位置混合控制
力/位置混合控制，就是允许机械臂在某些自由度上进行力控制，在余下的自由度上进行位置控制，分别同时控制力和位置的方式。位置控制和力控制是解耦的，他们的控制方法可以分开设计，一般来说，位置控制需要 PD 控制，力控制需要 PI 控制，因为位置控制需要响应速度快，而力控制需要误差更小。如下图所示为力/位置混合控制结构图。
控制过程分成两个基本运动状态以及这两个状态之间的转换：接触状态、非接触状态、两种运动状态间的转换。从非接触状态到接触状态或从接触状态到非接触状态，控制模式都要切换。此类力控制方法可以控制作用力跟随期望值变化，但控制器的结构依赖于机械臂与接触环境的动力学特性，当机械臂在接触环境不同的空间之间运动时，控制器必须变换。
1.5 混合阻抗控制
混合阻抗控制将阻抗控制和力/位置混合控制方法结合起来，可以更灵活的选择控制系统的期望阻抗。将力控制和位置控制的阻抗分开，除了可以实现速度控制外，还可以控制力的跟踪轨迹。
1.6 直接力控制
直接力控制为得到力误差向量，将测得的力直接用于反馈，控制律一般使用 PID 控制，在刚性接触任务中多用 PI 控制器，能得到稳定的直接力控制。显然，力跟踪的关键就是力控制律的设计。
1.7 间接力控制
间接力控制没有力反馈，而是通过设定期望力的位置实现期望力的控制，确定位置反馈增益 后，机械臂可以得到一个特定的刚度。
2 先进柔顺控制
经典柔顺控制方法在简单操作任务中可以有效的控制力和位置，但在复杂任务中，有接触环境不确定、模型不准确、传感器存在噪声及外界存在干扰等问题，此时经典的柔顺控制器的性能将会下降，需要重新调节控制器参数。先进柔顺控制方法是基于基本柔顺控制方法，加入了自适应控制、鲁棒控制或学习算法等先进控制策略的控制方法。
2.1 自适应控制
自适应控制是在基本柔顺控制方法中加入自适应策略，使存在外界干扰时仍可以获得满意的控制性能。机械臂自适应控制方法可分为间接和直接自适应两种方法。
间接自适应使用参数估计器对机械臂力控制系统中的未知参数进行估计，用于设计自适应律。由于间接自适应方法需要精确的机械臂参数和接触环境的模型，在实际应用中实现比较困难，所以直接自适应法在机械臂柔顺控制中应用更多。直接自适应柔顺控制法通过自适应机制对控制增益进行自整定，使跟踪误差收敛到零。自适应柔顺控制方法只适用于模型参数缓慢变化、环境干扰不大的控制过程，如下图所示为自适应柔顺控制结构图
2.2 鲁棒控制
鲁棒控制器基于对不确定性的描述参数和标称系统的数学模型来设计，以固定的控制器保证在机械臂和环境之间存在模型误差时，系统能稳定并且达到需要的动态性能，无需自适应算法，运算速度快，实时性好。鲁棒控制器的输出包括两部分：鲁棒控制律和反馈控制律，反馈控制律通常为 PI、PD、PID 等，鲁棒柔顺控制的难点在于如何设计一个好的鲁棒控制律，所以滑模法得到了广泛应用，鲁棒控制律通常采用李雅普诺夫直接方法得到。到目前为止有两类主要的鲁棒柔顺控制策略：鲁棒力/位混合控制和鲁棒阻抗控制，如下图所示为鲁棒柔顺控制结构图。
2.3 学习控制
把学习算法引入到机械臂位置控制中，与力/位置混合控制结合，便得到学习柔顺控制算法。如下图所示为学习柔顺控制的结构图。当机械臂重复执行相同的任务时，学习柔顺控制算法可以显著增强机械臂系统的控制性能，该算法把位置、速度、加速度和力误差作为学习任务的输入，在参数不确定性和干扰足够小的情况下，能报证位置和力跟踪误差收敛的同时，也保证了鲁棒性。
3 智能柔顺控制
基本柔顺控制方法和先进柔顺控制方法都是建立在机械臂动力学模型基础上的，而以模糊控制、神经网络等智能控制方法解决具有不确定性的柔顺控制问题提供了有效途径。
3.1 模糊柔顺控制
模糊控制不需要被控对象的精确数学模型，仅通过被控对象输入量、输出量的检测，进行有针对性的各种可能状态的推理和判断，做出适应性调整。但是，单纯的模糊控制缺乏自学习、自适应能力，当对象参数变化或负载变化时往往不能获得满意的控制效果，在机械臂柔顺控制中的应用范围受到了限制。
3.2 神经网络柔顺控制
神经网络具有自适应性和自学习性的特点，适用于机械臂柔顺控制的研究，与传统控制方法相比具有很大的优越性。这方面的研究大体可分为两类：一类是假定机械臂动力学模型完全未知，神经网络通过学习来逼近系统的动力学或逆动力学模型，以实现反馈控制或逆动力学控制；另一类是假定机械臂动力学模型为部分已知的，神经网络被用来学习模型中的未知参数，以减少在线计算的负担。
参考文献：
[1]李二超. 未确知环境下机器人力控制技术研究[D].兰州理工大学,2011.
