Интерполятор, обеспечивающий высокую точность поддержания скорости рабочего органа промышленного робота. Часть I

Интерполятор является одним из ключевых элементов систем контурного управления промышленными роботами, существенно влияющих на их точностные характеристики. В таких технологических задачах, как сварка, лазерная резка, нанесение покрытий и наплавка, помимо пространственной точности движения рабочего органа робота важную роль играет точность поддержания им скорости в процессе движения по сложным траекториям. Предлагается новое алгоритмическое обеспечение для решения задачи интерполяции при реализации контурного управления многоосевым промышленным роботом, основанное на применении В-сплайнов. Предложенные алгоритмы легко адаптируются для роботов с любой кинематикой, формируя на выходе как общую траекторию движения рабочего органа робота, так и уставки по току, скорости и положению для контуров управления каждого из его приводов. В рамках исследования на основе разработанных алгоритмических решений была создана программная реализация offUne-интерполятора, предназначенная для исполнения на базе контроллеров и приводов, произведенных компанией В&R Industrial Automation GmbH. В ходе натурных экспериментальных исследований, проведенных на манипуляционном роботе с кинематической схемой SCARA, было продемонстрировано, что разработанные алгоритмические решения превосходят штатный интерполятор промышленных систем управления роботами от компании В&R, улучшая результаты примерно в два раза с точки зрения пространственной точности и в четыре раза с точки зрения среднеквадратического отклонения скорости. Максимальное отклонение скорости инструмента от заданных значений при использовании разработанных алгоритмов за все время проведения экспериментов не превышало 2,4 мм/c, что сравнимо с результатами наиболее современных планарных решений на базе NURBS-кривых. При этом решения, предложенные в данной работе, в отличии от планарных аналогов подходят для многомерной интерполяции. В первой части работы рассматриваются алгоритмы, лежащие в основе разработнного многосевого интерполятора.

1. Li X. et al. А novel cartesian trajectory planning method by using triple NURBS curves for industrial robots // Robotics and Computer-Integrated Manufacturing. 2023. Vol. 83. P. 102576.

2. Wang B. et al. Intelligent welding system technologies: State-of-the-art review and perspectives // Journal of Manufacturing Systems. 2020. Vol. 56. P. 373—391.

3. Dolgui A., Pashkevich А. Manipulator motion planning for high-speed robotic laser cutting // International Journal of Production Research. 2009. Vol. 47, N. 20. P. 5691—5715.

4. Gleeson D. et al. Generating optimized trajectories for robotic spray painting //IEEE Transactions on Automation Science and Engineering. 2022. Vol. 19, N. 3. P. 1380—1391.

5. Yuan L. et al. Application of multidirectional robotic wire arc additive manufacturing process for the fabrication of complex metallic parts // IEEE Transactions on Industrial Informatics. 2019. Vol. 16, N. 1. P. 454-464.

6. Pires J. N., Loureiro A., B Imsjo G. Welding robots: technology, system issues and application. New York: Springer, 2006.

7. Paul R., Luh J. Advanced industrial robot control systems // Ninth Conference on Production Research and Technology: (formerly NSF Grantees’ Conference). 1981. Vol. 1. P.65-74.

8. Koren Y. Robotics for engineers. New York: McGraw-НШ, 1985.

9. Fu K. S. et al. Robotics: control, sensing, vision, and intelligence. New York: McGraw-Hill, 1987. Vol. 1.

10. Tamizi M. G., Yaghoubi M., Najjaran H. А review of recent trend in motion planning of industrial robots // International Journal of Intelligent Robotics and Applications. 2023. Vol. 7, No. 2. P. 253-274.

11. Голубов В. В., Манько С. В. Особенности и перспективы применения метода поисковых случайных деревьев для планирования перемещений автономных роботов // Russian Technological Journal. 2023. Vol. 11, No. 6. P. 16-27.

12. Wu P. et al. Optimal Time-Jerk Trajectory Planning for Delta Parallel Robot Based on Improved Butterfly Optimization Algorithm // Applied Sciences. 2022. Vol. 12, No. 16. P. 8145.

13. Duan J. et al. Path planning based on NURBS for hyperredundant manipulator used in narrow space // Applied Sciences. 2022. Vol. 12, No. 3. P. 1314.

14. Liu X. et al. А High-Precision Planar NURBS Interpolation System Based on Segmentation Method for Industrial Robot // Applied Sciences. 2023. Vol. 13, No. 24. P. 13210.

15. Shi B., Zeng Н. Time-optimal trajectory planning for industrial robot based on improved Hybrid-PSO // 2021 40th Chinese Control Conference (CCC). IEEE, 2021. P. 3888-3893

16. Dierckx P. An algorithm for smoothing, differentiation and integration of experimental data using spline functions // Journal of Computational and Applied Mathematics. 1975. Vol. 1, No. 3. P. 165-184.

17. De Boor C. On calculating with В-splines // Journal of Approximation theory. 1972. Vol. 6, No. 1. P. 50-62.

18. De Boor C. А practical guide to splines. Vol. 27. New York: Springer-Verlag, 1978. P. 325.

19. Woltring H. J. А Fortran package for generalized, crossvalidatory spline smoothing and differentiation // Advances in Engineering Software (1978). 1986. Vol. 8, No. 2. P. 104-113.

20. Hastie T. et al. The elements of statistical learning: data mining, inference, and prediction. Vol. 2. New York: Springer, 2009. P. 1-758.

21. Virtanen P. et al. SciPy 1.0: fundamental algorithms for scientific computing in Python // Nature methods. 2020. Vol. 17, No. 3. P. 261-272.

22. Fleisig R. V., Spence A. D. А constant feed and reduced angular acceleration interpolation algorithm for multi-axis machining // Computer-Aided Design. 2001. Vol. 33, No. 1. P. 1-15.

23. Rysak P. Comparative analysis of code execution time by C and Python based on selected algorithms // Journal of Computer Sciences Institute. 2023. Vol. 26. P. 93-99.

24. Behnel S. et al. Cython: The best of both worlds // Computing in Science & Engineering. 2010. Vol. 13, No. 2. P. 31-39.

25. Smith K. W. Cython: А Guide for Python Programmers. Sebastopol: O’Reilly Media, Inc., 2015.

26. Nishino R., Loomis S. Н. C. CuPy: А numpy-compatible library for NVIDIA GPU calculations // 31st confernce on neural information processing systems. 2017. Vol. 151, No. 7.

27. Farber R. CUDA application design and development. Amsterdam: Elsevier, 2011.

28. Romanov A. M., Gyrichidi N., Romanov M. P. А Novel Gripper with Integrated Rotary Unit and Force Control for Pick and Place Applications // Robotics. 2022. Vol. 11, No. 6. P. 155.