Modellprädiktive Bahnplanung für roboterbasierte Bewegungssimulatoren

Dies ist die aktuellste Version dieses Eintrags.

Kurzfassung

Bewegungssimulatoren werden in verschiedenen Bereichen der Forschung und Industrie eingesetzt. So sind sie ein fester Bestandteil bei der Ausbildung von Piloten und für die Evaluierung neuer Konzepte im Fahrzeugbereich nicht mehr wegzudenken. Aber auch in der Forschung haben sie nach wie vor einen hohen Stellenwert, beispielsweise um die Wahrnehmung des Menschen zu untersuchen. Das Ziel der Bewegungssimulation ist es, ein möglichst realistisches Fahr- bzw. Fluggefühl für den Piloten des Simulators zu erzeugen. Hierfür gibt es unterschiedliche sogenannte Motion Cueing Algorithmen, die das Ziel haben, die darzustellende Bewegung auf den begrenzten Arbeitsraum der Bewegungsplattform abzubilden. Die Arbeit befasst sich mit der Ansteuerung eines Bewegungssimulators, der auf einem Industrieroboter mit sechs Freiheitsgraden basiert und darüber hinaus mit einer zusätzlichen Linearachse über circa 8 m im Raum verfahren werden kann. Der Roboter besitzt einen komplex geformten Arbeitsraum, der mit klassischen Motion Cueing Methoden, wie einem Washout-Filter, nicht vollständig ausgenutzt wird. In der vorliegenden Arbeit wird ein neuartiges Verfahren präsentiert, bei dem die physikalischen Grenzen des Roboters implizit berücksichtigt werden, um so eine optimale Ausnutzung des Systems zu erzielen. Zusätzlich werden mathematische Modelle der menschlichen Wahrnehmung genutzt, um die Simulationserfahrung für den Piloten zu optimieren. Als Ansatz für diese Aufgabe wurde ein modellprädiktives Verfahren gewählt (engl. Model Predictive Control, MPC), um interaktive Eingaben mit einer prädiktiven Vorausschau und Optimierung der Bahn zu ermöglichen. Das System, das mit diesem Verfahren optimiert wird, besteht aus dem nichtlinearen Robotermodell und einem Modell der menschlichen Wahrnehmung. Aufgrund der nichtlinearen Bewegungsgleichungen und dem Wunsch, auch große Prädiktionshorizonte zu nutzen, wurde ein Algorithmus entwickelt, in dem das Prädiktionsmodell nicht linearisiert, sondern über den Prädiktionshorizont als vollständiges, nichtlineares Modell simuliert wird. Dieser Ansatz liefert sehr gute Ergebnisse, allerdings auf Kosten des Berechnungsaufwands. Vor allem die Nebenbedingungen des Systems führen zu vielen Iterationen des MPC-Ansatzes. Um dies zu verbessern, wurde ein neuartiger Trajektoriengenerator entwickelt, der Steuereingänge für das Prädiktionsmodell generiert. Diese Trajektorien basieren auf B-Spline-Kurven und berücksichtigen implizit die Nebenbedingungen des robotischen Systems. In einer Parameterstudie wird analysiert, wie sich die unterschiedlichen Gewichtungen der Gütefunktion und Parameter des MPC-Algorithmus auf das Ergebnis auswirken. Für einen Vergleich der neuen Methode wird ein Beispielmanöver aus der Fahrsimulation mit einem globalen Optimierungsverfahren, einem Einschrittverfahren und mit dem neuen MPC-basierten Verfahren durchgeführt und die Vor- und Nachteile der neuen Methode aufgezeigt. In einem weiteren Beispiel werden die Daten eines Flugversuchs herangezogen und es wird gezeigt, dass sich die Methode auch für die Flugsimulation eignet und dass die physikalischen Grenzen des Systems mit der neuen Methode wie gewünscht ausgereizt werden.

Verfügbare Versionen dieses Eintrags

• Modellprädiktive Bahnplanung für roboterbasierte Bewegungssimulatoren. (deposited 08 Dez 2021 17:09) [Gegenwärtig angezeigt]