本专利涉及一种基于改进超螺旋滑模控制的机械臂轨迹跟踪控制，属于机械臂轨迹跟踪技术邻域。所述方法包括:S1、根据机械臂相关参数、DH参数法和拉格朗日法构建机械臂动力学模型；S2、以机械臂的动力学系统模型为基础，构建超螺旋滑模面；S3、设计改进超螺旋滑模控制趋近律；S4、利用笛卡尔插值法进行机械臂轨迹规划；S5、基于超螺旋滑模面及其趋近律，结合机械臂动力学模型确定轨迹跟踪控制律；S6、搭建改进超螺旋滑模控制与机械臂结合的控制模型；S7、选择控制参数，进行轨迹跟踪控制。本技术提出的控制器可以在保证系统能够达到状态稳定的前提下，有效抑制抖振，对外界扰动具有较强的鲁棒性，并保证机械臂末端执行器的轨迹跟踪。

 本技术属于软体机器人技术领域，尤其涉及一种变刚度柔性自传感执行器，包括:柔性执行器，柔性磁流变液阻尼腔，设置在柔性执行器的底部，柔性磁流变液阻尼腔内流动有磁流变液；方形电磁铁，设置在柔性执行器的中部，用于施加磁场以改变磁流变液的粘度。使用时，柔性执行器在由压力流体进行驱动后，柔性执行器受压弯曲变形后捕获目标物体；磁流变液.在方形电磁铁的磁场作用下，吸附在柔性磁流变液阻尼腔的流道内，大大增加了磁流变液.在柔性磁流变液阻尼腔中的流动阻力，增强了柔性执行器的夹持力，避免柔性执行器在捕获目标物体后，因复杂环境造成夹持力不足，物体滑落。

 本技术提供了一种水下打捞用抱爪装置及水下打捞装置，抱爪装置包括:两个或两个以上的爪部，每个所述爪部包括：爪部组件和驱动组件；所述爪部组件包括多个依次铰接的抱爪板，所述驱动组件与所述爪部组件连接，所述驱动组件包括用于驱动所述爪部组件的第一连杆组件以及用于限位所述爪部组件的第二连杆组件。本发明的抱爪装置采用了欠驱动方式，类似人手指运动，通过一个驱动缸驱动，完成抱爪装置所用关节运动，能够对外形和大小不一的各种目标实施打捞。

 本技术提供了一种仿生蛇机器人，包括振动前行机构组和姿态调整机构，振动前行机构组和姿态调整机构交替连接呈蛇形形态；振动前行机构组包括多个振动前行机构，各振动前行机构之间通过万向节连接；振动前行机构整体倾斜设置，振动前行机构具有左右两个地面摩擦面，通过控制同组各振动前行机构的两个地面摩擦面择一振动或同步振动，驱动振动前行机构组向未振动的一侧前进或正向前进；姿态调整机构包括至少两个舵机，其中一个舵机用于提供水平方向的摆动动作，一个舵机用于提供竖向方向的摆动动作，该机器人利用振动驱动移动，大幅减少舵机使用量，结构更轻巧，移动速度更快，且整体体积小巧，便于穿行在狭窄空间，由于能量需求小，续航时间长。

 本技术提供一种基于多智能体强化学习的双臂机器人协同控制方法，包括将双臂机器人的系统控制转化为马尔可夫决策问题；建立双臂机器人仿真环境，并根据强化学习问题设计回合及任务；构建多智能体强化学习模型，通过多智能体强化学习模型对仿真模型进行训练。本发明将两条机械臂分别看作一个独立的智能体进行多智能体强化学习训练更加符合其实际的运动情况，有效提高协同任务的成功率；在选择动作时，先通过Critic网络对动作进行评分，再比较两个动作的评分，选取评分更高的动作执行，解决训练过程中出现的动作局部最优的问题、Critic网络评判动作价值时出现的过估计或低估问题，提高双臂机器人协同控制任务的稳定性和精确性。

 本技术提供一种机器人异常动作检测方法、装置、系统以及存储介质，属于动作检测技术领域，方法包括:导入原始关节轴序列数据，通过原始关节轴序列数据构建时空图；构建训练模型，通过时空图对训练模型进行模型分析得到检测模型；导入待检测关节轴序列数据，通过检测模型对待检测关节轴序列数据进行检测得到机器人异常动作的检测结果。本发明实现了对异常动作的快速定位与检测，也实现了较高地响应速度和检测精度，有效地降低了伤害风险，能够满足工业场景的精度和时间性能要求。

 本技术提供了一种多机械臂协同运动规划方法，可以应用于多机械臂协同控制领域，该方法包括:将多个机械臂各自的动作值和观察值输入动作预测模型的编码器，得到多个机械臂各自的中间动作值和参考中间动作值，观察值表征机械臂执行动作操作后的状态信息，参考中间动作值为多个机械臂均处于预设状态下机械臂的动作值；将多个机械臂各自的中间动作值、参考中间动作值、观察值、部分可观察值分别输入与多个机械臂各自对应解码器，得到多个机械臂各自的目标动作值，部分可观察值为机械臂处于预设状态下的状态信息；控制多个机械臂按照各自的目标动作值运动，以对发动机的缸盖执行装配任务，激励函数包括与装配任务中与各阶段对应的子激励函数。

 本技术提供了一种基于宽度学习模型的机器人柔顺轴孔装配方法，所述方法包括:通过力矩传感器获取末端执行器与环境的接触信息；在仿真训练中对宽度学习模型进行初始化训练，得到初始孔位搜索模型，并通过增量学习对所述初始孔位搜索模型进行动态泛化，以更新得到最新孔位搜索模型；基于所述接触信息和机器人的末端位置，并通过所述最新孔位搜索模型进行孔位搜索，得到最优孔位置；基于所述最优孔位置，并通过仿人柔顺控制算法控制所述机器人进行装配操作，完成轴孔装配任务。通过本文，使得机器人能够在不同环境和力反馈条件下自动调整自身参数，机器人具备与环境的仿人柔顺交互能力，有利于提升轴孔装配任务的成功率。

 本技术提供了一种基于结构化动作空间的多机械臂运动规划强化学习训练方法、机械臂运动规划方法。该基于结构化动作空间的多机械臂运动规划强化学习训练方法包括:获取多机械臂的样本状态位姿和针对多机械臂所需执行的样本任务对应的任务目标坐标；将状态位姿和任务目标坐标输入至预设分层强化模型的高层学习模块，得到离散关节动作值；将状态位姿、任务目标坐标和离散关节动作值输入至预设分层强化模型的低层学习模块，得到连续关节动作值；基于离散关节动作值和连续关节动作值调整多机械臂的位姿，得到多机械臂的调整位姿；基于多机械臂的调整位姿确定奖励值；基于奖励值调整预设分层强化模型的低层学习模块，得到经训练的分层强化模型。

本技术公开了一种基于改进RRT算法的机械臂路径规划方法，首先以合向量的形式生成节点，有利于快速找到路径；其次使用动态步长一定程度上使得算法避免了在复杂障碍物环境下难以找到路径的问题，防随机树逆生长避免了后期节点过多而导致的大量计算；进一步，基于三角剪枝策略在初始路径的基础上有效减少了路径代价，并使用三次B样条曲线对剪枝后的路径光滑处理，降低了机械臂的抖动，减少机械臂运动过程中而产生的磨损。通过改进RRT算法降低了路径距离且优化了路径质量，避免盲目采样的同时提高了规划效率。