<p>The trend today is to use many inexpensive sensors instead of a few expensive ones, since the same accuracy can generally be obtained by fusing several dependent measurements. It also follows that the robustness against failing sensors is improved. As a result, the need for high-dimensional regression techniques is increasing.</p><p>As measurements are dependent, the regressors will be constrained to some manifold. There is then a representation of the regressors, of the same dimension as the manifold, containing all predictive information. Since the manifold is commonly unknown, this representation has to be estimated using data. For this, manifold learning can be utilized. Having found a representation of the manifold constrained regressors, this low-dimensional representation can be used in an ordinary regression algorithm to find a prediction of the output. This has further been developed in the <em>Weight Determination by Manifold Regularization</em> (WDMR) approach.</p><p>In most regression problems, prior information can improve prediction results. This is also true for high-dimensional regression problems. Research to include physical prior knowledge in high-dimensional regression i.e., gray-box high-dimensional regression, has been rather limited, however. We explore the possibilities to include prior knowledge in high-dimensional manifold constrained regression by the means of regularization. The result will be called <em>gray-box WDMR</em>. In gray-box WDMR we have the possibility to restrict ourselves to predictions which are physically plausible. This is done by incorporating dynamical models for how the regressors evolve on the manifold.</p> / MOVIII

The trend today is to use many inexpensive sensors instead of a few expensive ones, since the same accuracy can generally be obtained by fusing several dependent measurements. It also follows that the robustness against failing sensors is improved. As a result, the need for high-dimensional regression techniques is increasing. As measurements are dependent, the regressors will be constrained to some manifold. There is then a representation of the regressors, of the same dimension as the manifold, containing all predictive information. Since the manifold is commonly unknown, this representation has to be estimated using data. For this, manifold learning can be utilized. Having found a representation of the manifold constrained regressors, this low-dimensional representation can be used in an ordinary regression algorithm to find a prediction of the output. This has further been developed in the Weight Determination by Manifold Regularization (WDMR) approach. In most regression problems, prior information can improve prediction results. This is also true for high-dimensional regression problems. Research to include physical prior knowledge in high-dimensional regression i.e., gray-box high-dimensional regression, has been rather limited, however. We explore the possibilities to include prior knowledge in high-dimensional manifold constrained regression by the means of regularization. The result will be called gray-box WDMR. In gray-box WDMR we have the possibility to restrict ourselves to predictions which are physically plausible. This is done by incorporating dynamical models for how the regressors evolve on the manifold. / MOVIII

Industrirobotar är idag en väsentlig del i tillverkningsindustrin där de bland annat används för att minska kostnader, öka produktivitet och kvalitet och ersätta människor i farliga eller slitsamma uppgifter. Höga krav på noggrannhet och snabbhet hos robotens rörelser innebär också höga krav på de matematiska modeller som ligger till grund för robotens styrsystem. Modellerna används där för att beskriva det komplicerade sambandet mellan robotarmens rörelser och de motorer som orsakar rörelsen. Tillförlitliga modeller är också nödvändiga för exempelvis mekanisk design, simulering av prestanda, diagnos och övervakning. En trend idag är att bygga lättviktsrobotar, vilket innebär att robotens vikt minskas men att den fortfarande kan hantera en lika tung last. Orsaken till detta är främst att minska kostnaden, men också säkerhetsaspekter spelar in. En lättare robotarm ger dock en vekare struktur där elastiska effekter inte längre kan försummas i modellen om man kräver hög prestanda. De elastiska effekterna beskrivs i den matematiska modellen med hjälp av fjädrar och dämpare. Denna avhandling handlar om hur dessa matematiska modeller kan tas fram genom systemidentifiering, vilket är ett viktigt verktyg där mätningar från robotens rörelser används för att bestämma okända parametrar i modellen. Det som mäts är position och moment hos robotens alla motorer. Identifiering av industrirobotar är ett utmanande problem bland annat eftersom robotens beteende varierar beroende på armens position. Den metod som föreslås i avhandlingen innebär att man först identifierar lokala modeller i ett antal positioner. Var och en av dessa beskriver robotens beteende kring en viss arbetspunkt. Sedan anpassas parametrarna i en global modell, som är giltig för alla positioner, så att den så väl som möjligt beskriver det lokala beteendet i de olika positionerna. I avhandlingen analyseras olika metoder för att ta fram lokala modeller. För att få bra resultat krävs att experimenten är omsorgsfullt utformade. För att minska osäkerheten i den globala modellens identifierade parametrar ingår också valet av optimala positioner för experimenten. Olika metoder för att identifiera parametrarna jämförs i avhandlingen och experimentella resultat visar användbarheten av den föreslagna metoden. Den identifierade robotmodellen ger en bra global beskrivning av robotens beteende. Resultatet av forskningen har även gjorts tillgängligt i ett datorverktyg för att noggrant kunna ta fram lokala modeller och identifiera parametrar i dynamiska robotmodeller. / Industrial robots are today essential components in the manufacturing industry where they are used to save costs, increase productivity and quality, and eliminate dangerous and laborious work. High demands on accuracy and speed of the robot motion require that the mathematical models, used in the motion control system, are accurate. The models are used to describe the complicated nonlinear relation between the robot motion and the motors that cause the motion. Accurate dynamic robot models are needed in many areas, such as mechanical design, performance simulation, control, diagnosis, and supervision. A trend in industrial robots is toward lightweight robot structures, where the weight is reduced but with a preserved payload capacity. This is motivated by cost reduction as well as safety issues, but results in a weaker (more compliant) mechanical structure with enhanced elastic effects. For high performance, it is therefore necessary to have models describing these elastic effects. This thesis deals with identification of dynamic robot models, which means that measurements from the robot motion are used to estimate unknown parameters in the models. The measured signals are angular position and torque of the motors. Identifying robot models is a challenging task since an industrial robot is a multivariable, nonlinear, unstable, and resonant system. In this thesis, the unknown parameters (typically spring-damper pairs) in a physically parameterized nonlinear dynamic model are identified, mainly in the frequency domain, using estimates of the nonparametric frequency response function (FRF) in different robot configurations/positions. Each nonparametric FRF then describe the local behavior around an operating point. The nonlinear parametric robot model is linearized in the same operating points and the optimal parameters are obtained by minimizing the discrepancy between the nonparametric FRFs and the parametric FRFs (the FRFs of the linearized parametric robot model). Methods for estimating the nonparametric FRF from experimental data are analyzed with respect to bias, variance, and nonlinearities. In order to accurately estimate the nonparametric FRF, the experiments must be carefully designed. To minimize the uncertainty in the estimated parameters, the selection of optimal robot configurations/positions for the experiments is also part of the design. Different parameter estimators are compared in the thesis and experimental results show the usefulness of the proposed identification procedure. The identified nonlinear robot model gives a good global description of the dynamics in the frequency range of interest. The research work is also implemented and made easily available in a software tool for accurate estimation of nonparametric FRFs as well as parametric robot models.

VIBRATION AVOIDANCE, a technique to proactively remove unwanted or excessive vibrations in multi-joint industrial robots, has shown to be desired in various applications. A trade-off between vibration avoidance performance and path deviation has been thekey criteria for assessing the effectiveness and quality of an approach. The purpose of this thesis is to compare two proposed state-of-the-art vibration avoiding approaches: input shaping and extended flexible joint model combined with specialized compensation control and explore the fusion of them. Both approaches are first investigated and evaluated in simulation. A comparison is then conducted in the four presented baseline movements on a real robot. Among the two approaches, input shaping is less comprehensive but enables rapid identification, making it suitable for simple repetitive tasks. It is also found that joint-wise path generation used in input shaping causes a loss of path fidelity, but this problem is alleviated when using an extended flexible joint model combined with specialized compensation control. The latter approach preserves synchronicity across all joints and assures multi-input multi-output (MIMO)-path fidelity. The extended flexible joint model, which is identified through a nonlinear gray-box model, is also less susceptible to modeling errors. The performance comparison with two rudimentary digital filters exhibits promising results for both proposed solutions. Finally, a fusion of the two approaches is proposed as a final solution of this work. As a result, the collaborative approach is the closest to ideal vibration avoidance but suffers from greater path deviation. The extended flexible joint model combined with compensation results in the least deviation from the baseline trajectory among all tested approaches. / VIBRATIONSDÄMPNING, en teknik för att proaktivt undvika oönskade vibrationer i fleraxlade industrirobotar, har visat sig vara önskvärd i många olika applikationer. En avvägning mellan vibrationsdämpningens prestanda och avvikelser från rörelsebanan har varit viktiga kriterier för att bedöma effektiviteten och kvalitén av ett tillvägagångssätt. Syftet med denna avhandling är att jämföra två toppmoderna tillvägagångssätt för att undvika vibrationer: ingångsformning och utökad flexibel axelmodell kombinerad med specialiserad kompensationskontroll samt utforska sammanslagning av de två. Bägge tillvägagångssätt är först undersökta och utvärderade i en simulation. En jämförelsemellan de fyra standard robotrörelserna som är presenterade är sedan genomförd på en riktig robot. Mellan de två tillvägagångssätten är ingångsformning mindre förståeligt men möjliggör en snabb identifikation vilket gör den lämplig för simpla repetitiva uppgifter. Det fastställs även att axelvis generering av rörelsebanor som används med ingångsformning orsakar lägre noggrannhet och pålitlighet vad gäller avvikelser från rörelsebanan. Detta problem är inte lika påtagligt vid användning av utökad flexibel axelmodell kombinerad med specialiserad kompensationskontroll eftersom detta tillvägagångssätt bevarar synkroniciteten över samtliga axlar och garanterar multi-input multi-output (MIMO) följdriktighet. Den utökade flexibla axelmodellen, som identifieras med hjälp av en icke-linjär gray-box modell, är även mindre mottaglig för modelleringsfel. Prestandajämförelsen med två rudimentära digitala filter uppvisar lovande resultat för bägge föreslagna lösningar. Till sist, en sammanslagning av de två tillvägagångssätt är föreslagen som en slutgiltig lösning. Det sammanslagna tillvägagångssättet är närmast perfekt vibrationsdämpning men medför större avvikelser från rörelsebanan. Den utökade flexibla axelmodellen kombinerad med kompensation resulterar i minst avvikelse från rörelsebanan bland alla testade tillvägagångssätt.