Diese Arbeit schlägt ein Prinzip für die Kraftrückkopplungstechnologie eines ferngesteuerten Master-Slave-Roboters auf Basis eines neuronalen Netzwerkmodells vor. Zunächst wird, ausgehend von den Leerlaufdynamikeigenschaften des Slave-Mechanismus des Roboters, ein Offline-Neuronales Netzwerkmodell für den Leerlauf erstellt. Anschließend wird mithilfe dieses Modells die Leerlaufantriebskraft online identifiziert, um indirekt die Lastkraft zu extrahieren. Dieses Verfahren verbessert die Genauigkeit und Synchronisationspräzision der Kraftrückkopplung, und experimentelle Ergebnisse bestätigen seine Wirksamkeit. 1 Einleitung: Bei Arbeiten in extremen Umgebungen wie dem Weltraum, dem Meeresgrund, unter Tage und in der Nähe von Kernreaktoren – Umgebungen mit hohen Temperaturen, hohem Druck und starker Strahlung – ist der Einsatz ferngesteuerter Robotersysteme unerlässlich. Um die Effizienz des Robotersystems zu steigern, ist es notwendig, Informationen wie Ton, Bilder, Bewegung und Kraft vom entfernten Einsatzort an den Bediener zurückzumelden. Dies vermittelt dem Bediener ein Gefühl von Präsenz und Realität in Bezug auf Hören, Sehen, Fühlen und Krafteinwirkung. In bestimmten Situationen stellt der Bediener noch höhere Anforderungen an die Qualität der Kraftrückkopplung. Um präzise Arbeitsaufgaben auszuführen, muss der Bediener nicht nur die tatsächliche Lastkraft am entfernten Einsatzort spüren, sondern auch seine Kraftwahrnehmung mit der Last synchronisieren. Voraussetzung hierfür ist die genaue Erfassung der Lastkraft. Aktuell gibt es zwei Methoden: Zum einen die Lastkraft direkt durch einen Kraftsensor am Greifmechanismus des Roboters erfassen; zum anderen die Lastkraft indirekt über relevante Parameter berechnen. Erstere ermöglicht dem Bediener eine realistische Kraftwahrnehmung, jedoch ist das Kraftmessgerät anfällig für Störungen durch die Umgebungsbedingungen und Verschleiß. Letztere Methode ist zwar einfach zu implementieren, weist aber große Fehler in den bestehenden Algorithmen auf, was zu einer geringen Genauigkeit der vom Bediener erfassten Kraftwahrnehmung führt. Um dieses Problem zu lösen, schlägt diese Arbeit eine Methode zur indirekten Erfassung der Lastkraft mithilfe eines neuronalen Netzwerkmodells (NN) des Greifmechanismus vor. Experimentelle Untersuchungen an einem ferngesteuerten Bauroboter der Gifu-Universität in Japan bestätigen, dass diese Methode die Genauigkeit und Synchronisationspräzision der Kraftrückmeldung effektiv verbessert. 2. Prinzip der Kraftrückkopplungstechnologie Ein ferngesteuerter Industrieroboter kann als aus zwei Teilen bestehend betrachtet werden: einem aktiven und einem passiven Handmechanismus. Seine Aufgaben werden vom Bediener ausgeführt, indem dieser den aktiven Handmechanismus manipuliert und so den passiven Handmechanismus fernsteuert. Der passive Handmechanismus wird in lineare und rotatorische Typen unterteilt. Die Kraftanalyse ist in Abbildung 1 dargestellt. [align=center] Abbildung 1: Kräfte auf den Antriebsmechanismus[/align] Am Beispiel des linearen Typs lässt sich die Kräftebilanz wie folgt formulieren: (1) Dabei ist: F die Antriebskraft, F_i die Trägheitskraft, F_f die Reibungskraft, F_e die elastische Kraft, F_g die durch die Schwerkraft verursachte Lastkraft und F_L die Lastkraft. Sei F[SUB]L[/SUB] = 0, und die unbelastete Antriebskraft ist: (2) Durch Einsetzen in Gleichung (1) erhalten wir: (3) Solange die Antriebskraft F und die unbelastete Antriebskraft F[SUB]n[/SUB] bekannt sind, kann die Größe der Lastkraft F[SUB]L[/SUB] bestimmt werden. Da F[SUB]i[/SUB] und F[SUB]f[/SUB] mit der Beschleunigung bzw. Geschwindigkeit des Hilfsmechanismus, F[SUB]e[/SUB] mit der Verschiebung des Hilfsmechanismus und F[SUB]g[/SUB] mit der räumlichen Position des Hilfsmechanismus zusammenhängen, kann die unbelastete Antriebskraft durch die folgende Funktion ausgedrückt werden: (4) Dabei sind: die Beschleunigung, Geschwindigkeit bzw. Verschiebung des Hilfsmechanismus und θ der räumliche Positionswinkel des Hilfsmechanismus. Funktion (4) repräsentiert das unbelastete Modell des Slave-Mechanismus mit Beschleunigung, Geschwindigkeit, Auslenkung und Position als unabhängigen Variablen und der unbelasteten Antriebskraft als Funktion. Es ist ersichtlich, dass sich die unbelastete Antriebskraft und anschließend die Lastkraft berechnen lassen, wenn jede Variable messbar oder berechenbar ist. [align=center] Abbildung 2: Kraftrückkopplungs-Regelungsstruktur. Die auf dem unbelasteten Modell basierende Kraftrückkopplungs-Regelungsstruktur des Master-Slave-Roboters ist in Abbildung 2 dargestellt. Die Kraftrückkopplungs-Regelgröße des aktiven Handmechanismus ist (5), wobei K_p die Kraftrückkopplungsverstärkung des Hauptreglers und e_f die Schwelle für die kleinste Kraftdifferenz ist. Wird der aktive Handmechanismus als Proportionalelement betrachtet, ergibt sich die vom Bediener ermittelte Reaktionskraft zu (6). 3. Neuronales Netzwerkmodell im unbelasteten Zustand . Aus dem obigen Regelalgorithmus geht hervor, dass die Berechnung des unbelasteten Modells der Schlüssel zur gesamten Regelung ist und die Genauigkeit des Modells die Genauigkeit der Kraftrückkopplungsregelung direkt beeinflusst. Da Beschleunigung, Geschwindigkeit, Auslenkung und räumlicher Positionswinkel des angetriebenen Mechanismus in einem komplexen, nichtlinearen Verhältnis zur Leerlaufantriebskraft stehen, lässt sich dies nur schwer mathematisch präzise beschreiben. Daher schlägt diese Arbeit ein Kraftrückkopplungs-Regelungsverfahren auf Basis eines Leerlauf-NN-Modells vor. Die Grundidee besteht darin, zunächst offline ein Leerlauf-NN-Modell des angetriebenen Mechanismus zu erstellen und dieses anschließend als Identifikator im System zu implementieren. Dadurch kann die Leerlaufantriebskraft des Systems in jedem Bewegungszustand online ermittelt und somit indirekt die Lastkraft extrahiert werden. Die Erstellung eines präzisen Leerlauf-NN-Modells ist der Schlüssel zur Realisierung dieses Verfahrens. Da mehrschichtige Feedforward-Neuronale Netze (NNs) theoretisch jede nichtlineare, kontinuierliche Abbildung approximieren können, schlägt diese Arbeit die Konstruktion eines mehrschichtigen Feedforward-NN mit vier Eingängen und einem Ausgang vor. Als Eingangsvariablen dienen Beschleunigung, Geschwindigkeit, Auslenkung und räumlicher Positionswinkel des Manipulators, als Ausgangsvariable die Leerlauf-Antriebskraft (siehe Abbildung 3). [align=center] Abbildung 3: NN-Struktur[/align] Die Erstellung des NN-Modells erfolgt durch das Trainieren der Netzwerkgewichtskoeffizienten anhand von Stichproben. In Systemen, in denen die Genauigkeit der Kraftrückkopplung von primärer Bedeutung ist, muss das erstellte NN eine hohe Generalisierungsfähigkeit aufweisen. Die Trainingsfehlerfunktion des NN wird in dieser Arbeit wie folgt definiert: Dabei sind F_n(i) und F_nn(i) die gemessene Leerlauf-Antriebskraft bzw. die vom NN ausgegebene Leerlauf-Antriebskraft, und N ist die Anzahl der Abtastpunkte für jeden Stichprobensatz. 4. Verifizierungsexperiment In dieser Arbeit wird die oben beschriebene Methode zur experimentellen Untersuchung eines an der Gifu-Universität in Japan entwickelten ferngesteuerten Baurobotersystems angewendet. Wie in Abbildung 4 dargestellt, besteht das System aus einem Hydraulikbagger als Bauroboter und zwei Handgriffen zur Fernsteuerung. An der Vorderseite des Hydraulikbaggers ist ein Greifer angebracht, der als Roboterarm zum Greifen von Objekten dient. Die Bewegung des Handgriffmechanismus (aktiver Handmechanismus) wird durch einen Wegsensor erfasst, und darunter befindet sich ein Gleichstrommotor. Der Bediener kann die vom Greifer ausgehende Kraft über den Gleichstrommotor und das angeschlossene Untersetzungsgetriebe spüren. Der Greifer wird von einem elektrohydraulischen Servogreifermechanismus (Antriebsmechanismus) angetrieben, der aus einem elektrohydraulischen Servoventil und einem Greiferhydraulikzylinder besteht. Die Bewegung des Greiferhydraulikzylinders wird durch einen im Hydraulikzylinder integrierten magnetischen Wegsensor erfasst, und die Antriebskraft des Greiferhydraulikzylinders wird durch zwei im Hydraulikzylinder installierte Drucksensoren gemessen. Das Anheben und Bewegen des Objekts erfolgt mittels des elektrohydraulischen Servo-Hebemechanismus, des Armmechanismus und des Schwenkmechanismus. Der Antriebsmechanismus dieses Versuchssystems ist linear (siehe Abbildung 5). Die relevanten Systemparameter sind in Tabelle 1 aufgeführt. [align=center] Abbildung 4: Aufbau des Versuchssystems Abbildung 5: Handhabungsmechanismus Tabelle 1: Systemparameter[/align] Aus praktischen Gründen wird die Eingangsgeschwindigkeit v_s des unbelasteten NN-Modells durch die Ableitung der Verschiebung Y_s und die Beschleunigung a_s durch die zweite Ableitung der Verschiebung Y_s ersetzt. Da die Schwerkraft des Handhabungsmechanismus in diesem System relativ gering ist (F_gmax < 0,1F_nmax bei θ = 90°) und die elastische Kraft vernachlässigt werden kann, werden die Variablen Verschiebung r und räumlicher Positionswinkel θ zusammengefasst. Die Struktur des NN-Modells wird daher auf eine Struktur mit zwei Eingängen und einem Ausgang vereinfacht. Die Zielgröße für das Netzwerktraining ist die gemessene Leerlauf-Antriebskraft (F_n = p₁A₁ - p₂A₂). Um die Generalisierungsfähigkeit des vereinfachten NN-Modells zu bewerten, wurden der Hubmechanismus und der Armmechanismus während der Datenerfassung einer oszillierenden Bewegung mit variabler Geschwindigkeit unterzogen. Beim Training des NN-Netzwerks mit den erfassten Daten in Matlab 6.1 wurde die Anzahl der Knoten in der verborgenen Schicht auf 30, der Trainingsfehler auf 0,0001 und die Anzahl der Trainingsdurchläufe auf 500 festgelegt. Die Simulationsergebnisse sind in Abbildung 6 dargestellt. Abbildung 6(a) zeigt die Ergebnisse des Tests der Gedächtnisleistung nach dem Training, und Abbildung 6(b) zeigt die Ergebnisse des Tests der Generalisierungsfähigkeit nach dem Training. F_n und F_nn sind die gemessene Leerlaufantriebskraft nach Normierung bzw. die vom neuronalen Netz (NN) ausgegebene Leerlaufantriebskraft. Das Netz weist eine gute Generalisierungsfähigkeit auf, was darauf hindeutet, dass die Ableitung und zweite Ableitung der Verschiebung die tatsächliche Geschwindigkeit und Beschleunigung des angetriebenen Mechanismus in diesem experimentellen System ersetzen können. Der Einfluss der Beschleunigung des Hub- und des Armmechanismus auf die Leerlaufantriebskraft des Greifermechanismus sowie der Einfluss der Verschiebung und des räumlichen Positionswinkels des angetriebenen Mechanismus auf die Leerlaufantriebskraft können vernachlässigt werden. [align=center] Abbildung 6: Auswertungsergebnisse des NN-Speichers und der Generalisierungsfähigkeit. Abbildung 7: Experimentelle Ergebnisse basierend auf der NN-Identifizierung der Leerlaufantriebskraft. Abbildung 8: Experimentelle Ergebnisse basierend auf einer konstanten Leerlaufantriebskraft.[/align] Diese Arbeit untersucht experimentell die Wirkung der Kraftrückkopplungsregelung auf Basis eines vereinfachten NN-Modells. In Abbildung 7 bezeichnen Y_m und Y_s die Verschiebungen des Master- bzw. Slave-Mechanismus. F_nn und F_r stehen für die Antriebskraft des Slave-Mechanismus, die vom neuronalen Netz online ermittelte Leerlaufantriebskraft bzw. die vom Bediener erfasste Rückkopplungskraft. Das gesamte Experiment umfasste verschiedene Zustände: kein Greifen (Leerlast), Greifen von Betonziegeln (Segment AB), Greifen von Reifen (Segment CD) und Andrücken der Greiferaußenseite an den Reifen (Segment EF). Die Leerlaufantriebskraft ändert sich mit dem Bewegungszustand des Systems, die Rückkopplungskraft ist im Leerlaufzustand null. Daher lässt sich die Kraftwahrnehmung des Bedieners präzise mit dem Vorhandensein der Last synchronisieren. Abbildung 8 zeigt die experimentellen Ergebnisse, die mit der Methode aus der vorherigen Phase dieser Studie unter der Annahme einer konstanten Leerlaufantriebskraft erzielt wurden. Es zeigt sich, dass die Reaktionskraft F_r im unbelasteten Bewegungszustand nicht null ist und der Bediener weiterhin eine Last spürt. Wiederholte experimentelle Untersuchungen belegen zudem, dass eine Erhöhung der konstanten Leerlaufantriebskraft die Kraftwahrnehmung des Bedieners im unbelasteten Bewegungszustand eliminieren kann. Allerdings fällt es dem Bediener schwer, beim Greifen weicher Objekte eine Last zu spüren. 5. Schlussfolgerung: Die präzise Erfassung der Lastkraft ist eine Voraussetzung für die Verbesserung der Genauigkeit der Kraftrückkopplungsregelung von ferngesteuerten Industrierobotern. Um die geringe Genauigkeit bestehender Algorithmen zur Lastkrafterfassung zu beheben, schlägt diese Arbeit eine Methode zur indirekten Erfassung der Lastkraft durch Online-Identifizierung der Leerlaufantriebskraft aus dem unbelasteten NN-Modell des Manipulatormechanismus des Roboters vor. Experimente haben bestätigt, dass diese Methode die Genauigkeit und Synchronisationspräzision der Kraftrückkopplung verbessert und somit einen einfachen und praktischen Ansatz zur Steigerung der Qualität der Kraftrückkopplung darstellt.