⚡ 电气工程

Co-Simulation of the Agile Eye Robot Using MSC.ADAMS and MATLAB: Design, Kinematics, and Control

本文提出了一种集成 MSC.ADAMS 与 MATLAB 的联合仿真框架，旨在证明模糊自适应 PID 控制器在控制 Agile Eye 球形并联机器人方面显著优于定增益替代方案，在无需物理原型的情况下实现了更高的精度并降低了误差。

原作者： Mohammad Heidar Khamsehei Fadaei, Fahimeh Sadat Ghasemi

发布于 2026-09-22

📖 1 分钟阅读☕ 轻松阅读

原作者： Mohammad Heidar Khamsehei Fadaei, Fahimeh Sadat Ghasemi

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

机器人能够拥有如同人类眼睛般的精准移动，长期以来一直是工程师们追求的目标，尤其是在相机对焦、模拟运动或辅助康复等任务中。这些被称为球面并联机构的机器，旨在围绕一个固定的中心点进行旋转，而不会发生滑动或位移。想象一个可以瞬间向任何方向转动的相机支架；这就是这种设计的本质。然而，控制这样一台机器是极其困难的。因为各部分部件被紧密地连接在一个过约束的回路中，作用在其中一个关节上的力会以复杂且不断变化的方式影响到其他关节。一个在机器人静止时表现完美的控制系统，在快速移动时可能会出现挣扎或过冲现象。几十年来，工程师们一直依赖使用固定参数的标准控制方法，但这些方法往往需要一种折衷：它们可能对某些运动足够快，但对另一些运动又显得过于迟缓；或者它们可能会导致机器在稳定到新位置时产生晃动。

在最近的一项研究中，研究人员 Mohammad Heidar Khamsehei Fadaei 和 Fahimeh Sadat Ghasemi 通过构建一个名为“敏捷眼”（Agile Eye）的特定机器人的高度详细虚拟版本，解决了这一挑战。他们并没有先制造一台物理机器，而是在一个复杂的工程软件程序内构建了一个数字孪生体。这个虚拟模型包含了每一个物理细节，从金属连杆的精确重量和形状到关节中的摩擦力。然后，他们将这个数字机器人连接到一个独立的控制程序，从而能够在无需制作物理原型的情况下测试不同的操控方式。团队对比了三种不同的转向策略：一个基础控制器、一个带有固定设置的标准控制器，以及一个能够实时改变自身设置的更智能的新型控制器。

控制这类机器人的常规方法通常涉及一种“固定增益”控制器。这就像一位驾驶员，无论是在上坡还是下坡，都保持着踩油门的力量完全一致。虽然这在简单情况下表现尚可，但在条件变化时却会遇到困难。研究人员将这种标准方法与一种称为“模糊自适应控制器”的高级系统进行了对比测试。这个新系统就像一位经验丰富的驾驶员，能够不断感知路况并瞬间调整踩踏力度。它利用一套逻辑规则来实时观察机器人的运动。如果机器人移动太慢，系统就会增加动力；如果机器人移动太快或发生晃动，系统则会减小力度。至关重要的是，这种调整是自动且连续进行的，使机器人能够适应自身不断变化的运动速度和方向。

为了观察哪种方法效果最好，研究人员在计算机模拟中让所有控制器通过了一系列严格的测试。他们要求机器人遵循一条平滑的曲线路径、在两个位置之间来回跳跃，并进行突然停止。在每种场景下，智能自适应控制器都优于其他控制器。当机器人需要进行突然转向时，标准的固定控制器经常会超过目标点，即在修正之前先越过预定角度，从而浪费时间和能量。然而，自适应控制器能更快地到达目标，并几乎精确地停在预定位置，几乎没有晃动。研究人员测量了随时间变化的误差，发现自适应系统的误差比标准固定控制器减少了约百分之六十。它还消除了其他系统留下的微小残留误差，使机器人在到达后保持完美稳定。

该研究还证实了他们构建的虚拟模型具有足够的准确性，值得信信赖。在测试控制器之前，他们根据简单的物理计算检查了机器人的重量和平衡，发现数字模型与现实世界的数学计算之间的误差极小。这使他们确信模拟结果能够反映出真实机器的表现。他们发现，机器人的平滑运动和精准度完全取决于控制器实时调整其强度的能力。固定设置无法处理机器内部复杂的、不断变化的力，但自适应系统却能成功维持平衡。

这项工作表明，并不一定非要制造出实物才能对其进行测试和改进。通过创建一个真实的数字环境，工程师可以尝试那些在真实机器上测试起来过于冒险或昂贵的复杂控制策略。结果显示，对于像“敏捷眼”这样的机器人，使用固定设置的老方法不再是最佳选择。相反，一个能随着运动进行学习和调整的系统能提供显著更好的精度和速度。虽然研究人员尚未制造出物理版本来在现实世界中验证这些结果，但他们的虚拟实验为未来的设计提供了强有力的路线图。下一步将是制造一个物理原型，看看自适应控制器在面对现实世界材料和传感器的不可预测性时，是否能表现得同样出色。在此之前，这项研究提供了一个明确的证明：更聪明、具备自我调节能力的控制是让这些复杂机器实现真正灵敏运动的关键。

技术摘要：基于 MSC.ADAMS 与 MATLAB 的 Agile Eye 机器人协同仿真

问题陈述
球面并联机构（SPM），如 Agile Eye，因其具有高结构刚度和低运动惯量而备受重视，适用于相机定向和康复医疗等应用。然而，由于存在强动态耦合、随构型变化的惯量变化以及未建模摩擦，控制此类机构具有很大挑战性。传统的控制设计通常依赖于简化的运动学模型或线性化动力学，这不足以应对整个工作空间内的高性能任务。此外，通过拉格朗日力学推导完整的运动方程既耗时又对参数变化十分敏感。作者指出，在缺乏物理原型的情况下，现有文献在利用能够体现实际质量、惯量和摩擦的高保真仿真环境，对先进自适应控制策略与经典控制器进行严谨定量比较方面存在空白。

研究方法
本研究采用集成 MSC.ADAMS 和 MATLAB/Simulink 的协同仿真框架来评估控制策略。研究方法分为四个主要阶段：

高保真机械建模： 直接在 MSC.ADAMS 中构建了 Agile Eye 的详细多体动力学模型。该模型结合了真实的材料属性（铝合金 6061-T6）、关节约束和摩擦。通过将初始构型下的静态转矩与解析估计值进行对比，验证了该模型，偏差约为 3%。该 ADAMS 模型被导出至 Simulink 作为非线性受控对象，保留了精确的惯量和几何特性。
运动学分析： 利用类欧拉角（方位角、俯仰角、扭转角）和半角代换推导出了闭式逆运动学，用以求解驱动关节角。这些解通过与正运动学（通过非线性方程组求解）进行的往返测试进行了验证，重建误差在 $10^{-4}$ 度数量级。
控制器设计： 在同一回路中实现了三种控制架构：
- 比例微分（PD）控制器。
- 固定增益的比例积分微分（PID）控制器，使用 Ziegler–Nichols 频率响应法进行调优（ $K_u = 1500$ , $T_u = 0.5$ s）。
- 模糊自适应 PID 控制器。该系统采用包含 49 条规则的 Mamdani 模糊推理系统，在线调整比例（ $K_p$ ）、微分（ $K_d$ ）和积分（ $K_i$ ）增益。自适应机制处理两个输入——归一化误差及其导数，每个输入定义了七个语言值（NB, NM, NS, Z, PS, PM, PB），从而产生 $7 \times 7$ 的规则库。系统输出缩放因子以修改增益，其边界由 Ziegler–Nichols 临界参数确定以确保安全性。
仿真与评估： 在三种激励剖面下测试了控制器：平滑路径规划轨迹、方波信号和单位阶跃输入。性能通过绝对误差积分（IAE）、平方误差积分（ISE）、最大超调量、调节时间和稳态误差进行量化。

核心贡献

协同仿真工作流： 本文建立了一种评估过约束并联机构控制策略的实用工作流，通过将经过验证的 ADAMS 受控对象导出至 Simulink，从而在设计阶段避免了物理原型制造的成本和风险。
自适应控制的定量验证： 研究提供了严谨的定量比较，证明了模糊自适应 PID 控制器在 Agile Eye 上的表现显著优于经典的固定增益 PD 和 PID 控制器。
运动学验证： 通过推导并验证具有 $10^{-4}$ 度重建误差的闭式逆运动学，为仿真中的轨迹规划提供了可靠基础。

结果
仿真结果一致表明，模糊自适应 PID 控制器在所有测试用例中均表现出优越性：

性能指标： 与固定增益 PID 相比，自适应控制器使 IAE 降低了约 60%，使 ISE 降低了约 80%。与 PD 控制器相比，IAE 改善了约 80%，ISE 改善了近 90%。
瞬态响应： 自适应控制器的超调量保持在 5% 以下（阶跃输入时为 4.8%），且调节时间低于 0.25 s。相比之下，固定增益 PID 的超调量高达 15.2%，且调节时间较长。
稳态误差： 自适应控制器几乎消除了稳态误差（约 0.00°），而 PD 控制器留下了显著偏差（方波测试中高达 0.8°），固定 PID 也显示出残余误差。
对称性： 结果证实了仿真中保留了 Agile Eye 的机械对称性，三个完全相同的运动链之间性能偏差可以忽略不计。

意义与主张
作者声称，这项工作展示了通过模糊逻辑进行在线增益调度以管理球面并联机器人非线性动力学的有效性。研究强调，协同仿真方法提供了一个现实的测试环境，能够捕捉到在简化模型中经常丢失的实际质量、惯量和摩擦特性。

论文谦虚地指出，虽然自适应方案在仿真中表现出稳定行为，但并未提供针对非线性时变系统的形式化稳定性证明；其稳定性归功于调度增益的有界性和机械受控对象固有的耗散性。作者将此项工作定位为迈向工业部署的一步，未来的工作计划包括形式化稳定性分析、执行器饱和、传感器噪声以及在物理原型上的实验验证。该研究并不声称解决了并联机器人的所有控制挑战，而是专门验证了模糊自适应控制相对于经典方法在 Agile Eye 机构上的定量优势。

类似论文