Манипулятор на базе газ 3309 цена: Газ 3309 с манипулятором Fassi

3.2. Электрические двигатели

Манипуляторы сплошной среды с приводом от сухожилий — первые конструкции, разработанные с гибкими сегментами регулируемой длины. Эти структуры помогают телу образовывать кривые с переменным радиусом кривизны, что увеличивает эффективность захвата. Исследователи изучили свойства щупальцевидных роботов из континуума и попарно расположили сухожилия, приводимые в действие двигателями.Почти каждая конструкция со встроенной арматурой приводится в действие электродвигателями (постоянного тока, сервоприводами или шаговыми двигателями) (Таблица 7).

3.3. Приводные механизмы

В целом, в статьях, упомянутых в этой статье, подробно не обсуждается лежащий в основе приводной механизм, поскольку они сосредоточены на новизне своих непрерывных роботов с точки зрения конструктивных элементов и мобильности. Механизм привода континуального робота обычно подразделяется на приводимый сухожилием или не сухожилием (рис. 9). Эти механизмы имеют общие функции манипулирования наряду с определением формы тела и положения рабочего органа робота (Таблица 8).

4.Дополнительные элементы дизайна

В этом разделе мы кратко изложим некоторую дополнительную информацию, касающуюся двойного срабатывания и датчиков. Некоторые из первичных континуальных роботизированных структур имеют встроенный двойной привод (пневматический и электрический двигатель), который обеспечивает дополнительное преимущество в виде повышенной способности срабатывания и уменьшения ошибок при перемещении, т.е. форма робота с повышенными степенями свободы и так далее.Бионический рычаг — это последний пример, в котором реализовано преимущество двойного исполнительного механизма. Одной из основных задач при разработке роботов для манипуляций в континууме является оценка требуемой величины срабатывания, формы робота и положения концевого эффектора в определенный момент в реальном времени. Информация об этих параметрах может быть получена с помощью различных датчиков, встроенных в систему, которые могут существенно помочь в управлении роботом для достижения поставленной задачи. Хотя методы контроля выходят за рамки этого обзора, мы кратко упомянем различные типы датчиков [222–240], используемые в текущем сценарии исследования.Датчики в области мягких роботов в целом классифицируются на три категории в зависимости от их применения, то есть срабатывания силы, формы и оценки положения рабочего органа. Среди различных датчиков оптический датчик оказался лучшим из-за его более низкой устойчивости к ошибкам и его способности использоваться для двойной цели оценки формы и положения рабочего органа (таблица 9).

5. Заключение

Инновации и творчество — два важнейших компонента эволюции робототехники и автоматизации, которая началась столетие назад. Разработка роботов континуума, имитирующих биологически вдохновленные виды, началась совсем недавно — два десятилетия назад. Здесь элементы естественного дизайна, присутствующие в людях, животных, птицах, растениях и т. Д., Служат образцом для научного прогресса.В результате биоинспирированные роботы континуума были исследованы для множества приложений.

В этом обзоре литературы мы рассмотрели многочисленные модели биоинспирированных континуальных роботов, которые были разработаны и предоставили основу для их изучения, а именно биоинспирацию, механическую конструкцию, конструкционный материал и силовое срабатывание. Прогресс, достигнутый в непрерывной робототехнике, очень впечатляющий и обеспечивает отличную основу для решения основных проблем, необходимых для их использования в производстве — низкая стоимость, сокращение времени цикла и безопасное взаимодействие с человеком.

Конфликт интересов

Авторы заявляют об отсутствии конфликта интересов.

Благодарности

Авторы благодарят профессора доктора Алиреза Мохаммади, Мичиганский университет, США, за участие в начальных обсуждениях и Уильяма Дж. Клиффорда, General Motors Inc., Технический центр Уоррена, Мичиган, США, за поддержку этого исследования.

Границы | На пути к хирургическому манипулятору переменной жесткости на основе перехода с защемлением волокна

Введение

Сегодня роботы опираются на давнюю традицию использования жестких материалов для большей части своего тела.Использование жестких материалов подразумевает возможность использования некоторых основных упрощений, допущений и соглашений, которые могут поддержать их конструкцию. Эта структура может привести к очень продвинутым и сложным машинам, но в большинстве случаев эффективность робота все еще сильно зависит от характеристик управления. Этот традиционный подход к созданию интеллектуальных машин был поставлен под сомнение, когда робототехники начали изучать естественные агенты (например, людей, животных и даже растения) и их взаимодействие с окружающей средой (Laschi and Mazzolai, 2016).Наблюдая за ключевой ролью, которую играют мягкие и гибкие структуры внутри тела, чтобы справляться с неструктурированной и непредсказуемой средой в повседневных задачах, робототехники начали переосмысливать основной принцип проектирования, производства и управления роботами. Эта парадигматическая революция теперь известна как мягкая робототехника (Rus, Tolley, 2015). В этой новой парадигме мягкость и гибкость приобрели стратегическую роль для разработки универсальных, маневренных и искробезопасных систем (Shen, 2016), но реальный поворотный момент, который делает мягкую робототехнику эффективной, — это способность переменной жесткости.Эта способность позволяет мягким роботам сохранять свою конструктивную прочность, не теряя возможности обратимого перехода между жестким состоянием и совместимым, для лучшей адаптации формы к неструктурированной среде.

Внимание исследователей, занимающихся разработкой и производством мягкого робота, в первую очередь уделяется определению тела, которое основывается на трех основных характеристиках: форме, расположении и материальных свойствах составляющих элементов, которые служат, где это возможно, как как пассивные (структурные) и активные элементы (Zambrano et al., 2014). Это видение подразумевает значительное увеличение сложности тела, но также и упрощение алгоритмов управления: богатое поведение не обязательно является результатом сложного контроля, но может быть результатом взаимодействия между телом, контролем и окружающей средой (Pfeifer and Bongard, 2006 ).

В этом контексте инновационные технологии срабатывания, исследованные и разработанные специалистами по мягкой робототехнике, представляют собой основу для нового поколения мягких роботов с расширенными возможностями, такими как удлинение, сжатие, рост, самовосстановление и переменная жесткость (Laschi et al. ., 2016). Тема остается открытой. В литературе представлены некоторые обзоры и предварительные подходы к выявлению, проектированию и объединению технологий мягкой робототехники для настройки жесткости (Manti et al., 2016; Sun et al., 2017; Wang et al., 2018).

Среди наиболее подтвержденных полуактивных технологий настройки жесткости (Manti et al., 2016) переход от заклинивания материала был в значительной степени исследован из-за его простоты, универсальности, обратимости и возможности настройки системы в соответствии с целевым применением.Интеграция механизма блокировки в устройство предполагает наличие внешней мягкой эластичной мембраны, заполненной твердым дискретным материалом. При атмосферном давлении система обладает высокой мягкостью и податливостью, что обусловлено тем фактом, что наполнитель может легко и свободно перемещаться внутри мягкой мембраны; при приложении вакуума мембрана разрушается на материале наполнителя, замораживая динамику всей системы. Следовательно, материал плотно упакован, и трение предотвращает любые виды относительного смещения.В результате вся конструкция ведет себя как жесткий материал (Liu and Nagel, 1998).

Принцип работы, лежащий в основе этого явления, сегодня воспроизводится и часто используется в мягких робототехнических системах на макроуровне; с другой стороны, физический принцип, возникающий на микромасштабе, все еще исследуется (Behringer and Chakraborty, 2018). Несмотря на то, что технология очень проста в использовании, а ее преимущества неоспоримы, отсутствует информация о физических принципах, лежащих в основе перехода от помех, и, как следствие, отсутствуют подходящие модели и инструменты, способные направлять выбор конструкции, что предотвращает ее использование на рынке (Amend et al., 2016).

Заклинивающий переход был впервые исследован с зернами, заключенными в эластичную мембрану, которая под действием вакуума переходила из податливого состояния в жесткое. Эта полуактивная технология обычно используется в сочетании с другими технологиями активного срабатывания, чтобы обеспечить выборочную жесткость или фиксацию формы состояний изгиба в антропоморфных захватах (Wall et al., 2015) или в манипуляторах с высокой степенью сочленения (Follmer et al., 2012). Их также можно использовать как средство для введения избирательной анизотропии в поведение материала, что позволяет создавать модели передвижения, такие как качение (Steltz et al., 2009) или вибрации (Kaufhold et al., 2012). Широкое распространение технологии подтверждается ее применением в качестве тактильных или тактильных интерфейсов (Follmer et al., 2012; Stanley et al., 2013; Li et al., 2014). Затем это явление было распространено на использование ламинарного материала внутри эластичной мембраны для получения заклинивания слоев (Kim et al., 2013; Ou et al., 2014; Narang et al., 2018).

Анализ литературы показывает, что исследовательские прототипы основаны только на зернистом и слоистом заклинивании, в то время как возможность использования перехода заедания с использованием волокон в качестве наполнителя полностью игнорируется.Предварительное исследование этой конфигурации было впервые проведено Бранкадоро и др. (2018): здесь был предложен сравнительный подход для экспериментальной оценки характеристик перехода с заклиниванием, индуцированного на волокнах. В той же работе впервые обсуждаются основные параметры, влияющие на поведение системы: материал волокна, размер, поперечное сечение и форма. Настоящая статья основывается на основных результатах, достигнутых в предыдущей работе, и фокусируется на интеграции системы переменной жесткости, основанной на переходе заедания волокон, в мягкий манипулятор STIFF-FLOP, разработанный той же исследовательской группой (Abidi et al., 2018), далее во избежание путаницы именуемый «оригинал». Этот манипулятор основан на трех гибких жидкостных камерах, которые можно надувать для получения всенаправленного изгиба и удлинения. Манипулятор STIFF-FLOP уже доказал, что дает значительные преимущества при минимально инвазивных хирургических процедурах, и, в частности, он успешно использовался в качестве эндоскопа в процедуре тотального мезоректального иссечения, которая проводилась на двух моделях человеческих трупов (Arezzo et al., 2017). Тем не менее, манипулятор имеет ограниченное применение в качестве хирургического инструмента из-за его плохой способности прикладывать силу.По этой причине в его нынешней конфигурации он лучше всего подходит для эндоскопических задач, где безопасное взаимодействие с органами и нежными тканями и ловкость являются основными важными характеристиками (Abidi et al., 2018). Эндоскопический инструмент предназначен для обследования человеческого тела, поэтому он в основном требует ловкости и внутренней безопасности (мягкости) в случае взаимодействия с мягкими тканями. С другой стороны, хирургический инструмент требует способности эффективного взаимодействия с человеческими органами / тканями (например,g., для резки, перемещения, толкания), поэтому он должен быть достаточно жестким или (как в нашем случае) иметь возможность настраивать его жесткость. Это означает, что в двухмодульном хирургическом манипуляторе STIFF-FLOP активация системы жесткости проксимального модуля используется для обеспечения стабилизации дистального модуля, в то время как последний взаимодействует с тканями.

Ранние версии манипулятора могли рассчитывать на систему переменной жесткости, основанную на переходе гранулированного заклинивания (Ранзани и др., 2015). Она была эффективна и подходила для хирургической среды с точки зрения безопасности, но процесс миниатюризации показал, что эта технология становится очень неэффективной при использовании почти в 2D или 1D структурах. Зерна лучше работают с трехмерными объемами, слои хорошо работают в плоских структурах, а одномерные волокна подходят для длинных тонких систем. Таким образом, переход с заклиниванием, основанный на волокнах, представляет правильные особенности для введения замечательной способности переменной жесткости в оригинальный манипулятор STIFF-FLOP.Более того, манипулятор уже приводится в действие технологиями гидравлического срабатывания, таким образом, дополнительные компоненты, необходимые для управления переходами при заклинивании, ограничены.

Имея это в виду, основной движущей силой этого исследования является интеграция системы переменной жесткости в мягкий манипулятор STIFF-FLOP. Эта система уже обладает гибкостью и маневренностью, необходимыми для создания безопасного инструмента для медицинского применения. Более того, система может достигать удаленных районов с разных точек зрения, используя один и тот же порт доступа.Интеграция полуактивной технологии расширяет уже доступные функции системы, делая возможными также хирургические операции.

В этой структуре новая концепция, протестированная в настоящей работе, исследует возможность перепроектирования проксимального модуля исходного манипулятора STIFF-FLOP для интеграции системы переменной жесткости без изменения исходных размеров с точки зрения диаметра и длины. Это позволит варьировать жесткость, которая обеспечивает поддержку и действует как стабилизатор для дистального модуля, который, в свою очередь, использует свою гибкость и ловкость для взаимодействия с органами или тканями человека.Полный хирургический манипулятор, предложенный на Рисунке 1, будет состоять из проксимального модуля (выбираемого из двух предложенных в настоящей работе конструкций), в котором интегрирована технология заклинивания волокна, и дистального модуля, который является оригинальным, как было предложено Абиди. и другие. (2018). Затем вся система может быть прикреплена к жесткому стержню, который может быть размещен и перемещен в точке введения хирургом или роботом (Diodato et al., 2018) для выполнения процедур минимально инвазивной хирургии (MIS).

Рисунок 1 . Изображение двухмодульного манипулятора STIFF-FLOP, закрепленного на жестком валу, служащем опорой. Проксимальный модуль был переработан, чтобы обеспечить систему переменной жесткости, которая может становиться жесткой по запросу и обеспечивать стабильность дистального модуля (неизменной по сравнению с исходной версией).

Материалы и методы

Перед тем, как подробно описать новую конструкцию и технологию изготовления испытанных модулей, стоит вкратце перечислить основные характеристики исходного мягкого манипулятора STIFF-FLOP.Он включает три пары надувных камер, радиально расположенных вокруг центральной оси и полностью изготовленных из силикона. Эти камеры облицованы тонкой нерастяжимой нитью в плотной винтовой намотке. Минимизация шага спирали дает два преимущества: она предотвращает радиальное расширение и максимизирует продольное удлинение, когда камера находится под давлением (Fraś et al., 2015). Эта комбинация дает возможность получить всенаправленный изгиб и продольное удлинение в зависимости от давления, приложенного к каждой камере.Камеру можно рассматривать как исполнительный механизм, генерирующий один примитив движения (МП). Для мягких манипуляторов континуума традиционные степени свободы (DoF) заменяются MP, что в результате более подходит для мягкого робота, который теоретически имеет бесконечное количество положений (Abidi et al., 2018). Принимая во внимание это соглашение, мягкий манипулятор имеет три MP для изгибающего движения из-за надувания каждой пары камер при разных значениях давления и одну MP, которая описывает удлинение из-за одновременного надувания всех камер при одном и том же значении давления.

Для этой работы оригинальный модуль STIFF-FLOP был изменен и разделен на две разные версии в соответствии со следующими спецификациями:

• размеры самого модуля, с точки зрения внешнего диаметра и общей длины, остаются постоянными для того, чтобы он проходил через троакар, используемый в MIS, и имел сопоставимые результаты по отношению к рабочему пространству, покрытому исходным модулем STIFF-FLOP;

• модуль должен иметь хотя бы один примитив движения, чтобы гарантировать минимальный уровень ловкости и гибкости;

• модуль должен иметь свободный просвет.

Первый из них, называемый в следующем разделе модулем A, основан на оригинальной конструкции, но в нем размещается система подавления оптоволокна в центральном канале (свободный просвет), что не соответствует третьему требованию. Второй, называемый модулем B, рассчитан на существенную переработку исполнительной системы: две пары гидравлических исполнительных механизмов заменены двумя участками для заклинивания волокна, что влияет на второе требование. В то время как всенаправленность может быть компенсирована извне (т. Е. С помощью угла поворота жесткого вала, показанного на рисунке 1), свободный просвет — это то, что улучшает функциональные возможности системы и возможности хирурга.

Более того, интеграция системы переменной жесткости не подразумевает каких-либо модификаций с точки зрения модульности конечных систем в целом, как показано на рисунке 1, или размеров самого модуля. По этой причине две конструкции, предложенные здесь в качестве альтернативы исходному проксимальному модулю STIFF-FLOP, по-прежнему соответствуют ограничениям миниатюризации, и, более того, покрываемое рабочее пространство сопоставимо с предыдущими результатами.

Конструкция и функциональные возможности каждого модуля описаны в следующих двух подразделах, в то время как производственная процедура, в основном одинаковая для обоих, представлена ​​в одном последующем разделе.

Редизайн модуля

Модуль A . Единый модуль имеет длину 50 мм и внешний диаметр 14,5 мм, что делает его пригодным для стандартных применений MIS (то есть он может проходить через стандартный троакар 15 мм). На рис. 2А показано сечение модуля, содержащего три пары камер, каждая диаметром 3 мм и способных только удлиняться. Что касается исходной версии модуля STIFF-FLOP, в которой просвет (диаметром 4,5 мм) был правильно спроектирован, чтобы можно было вводить тонкое хирургическое оборудование до кончика, в текущей версии модуля в центральном канале размещаются волокна. для создания заклинивающего перехода (называемого «камерой жесткости»).В этой конструкции модуль отличается функцией переменной жесткости и четырьмя MP, которые обеспечивают всенаправленный изгиб и удлинение.

Рисунок 2 . Конструкция и вид в разрезе (A), , модуль A и (B), , модуль B.

Модуль B . Одиночный модуль снова имеет длину 50 мм и внешний диаметр 14,5 мм. Что касается модуля A, эта версия имеет только одну MP, снабженную парой камер, в то время как оставшееся пространство разделено на две камеры (каждая с 27.41 мм ( ² в области), в которых размещаются волокна для изменения жесткости модуля, как показано на разрезе, показанном на рисунке 2B. Эта конструкция подразумевает, что модуль имеет одну плоскость изгиба и функцию переменной жесткости, в то время как внутренний свободный просвет (диаметром 4,5 мм) сохраняется для вставки подходящих хирургических инструментов (например, зажимов, мини-ультразвуковых зондов и радиочастотных инструментов) для размещение электрических проводов (например, для лапароскопической микрокамеры) или для прокладки напорных линий (в случае многомодульной архитектуры).

Выбор волокна

Выбор волокон, которые будут использоваться в системе на основе помех, был обусловлен основными достижениями, о которых авторы сообщили в предыдущей работе (Brancadoro et al., 2018). В этой более ранней статье была протестирована серия цилиндрических образцов, изготовленных из латексной мембраны, заполненной различными волокнистыми материалами, и проведено их сравнение для определения материала, который имеет наибольшее изменение жесткости. В частности, ПТФЭ, ПВХ, нейлон, силикон, вощеный хлопок и кожа были исследованы и испытаны в двух различных конфигурациях: связки (BT) и гребенки (CT).Первый (то есть BT) рассчитан на волокна, которые расположены в продольном направлении в пучок, закрепленный только с одной стороны и без определенной организации (рис. 3A), в то время как конфигурация CT представляет волокна, организованные в виде двух гребешков, сцепленных с зубами (рис. 3B). .

Рисунок 3 . CAD-модель для соединения (A), BT и (B), CT.

Стоит упомянуть, что, поскольку на переход заедания влияют эффекты трения между наполняющими волокнами и между волокнами и внешней мембраной, предварительное исследование, предложенное Brancadoro et al.(2018) учли эту особенность, исследуя чистовую обработку поверхности выбранных волокон и ее корреляцию с переходом заедания для двух конфигураций. В частности, несмотря на то, что численный анализ все еще отсутствует, в этой статье все материалы, выбранные для предварительной оценки, сравнивались также с этой точки зрения, чтобы связать изменение жесткости конфигурации соединения (тип пучка ВТ или гребенчатый тип СТ. ) к типу материала. В частности, авторы заметили, что порядок шероховатости волокна играет роль в эффективности эффекта заклинивания, поскольку он напрямую коррелирует со скользящей способностью волокон.В настоящем исследовании авторы решили принять комбинацию конфигурации соединения и типа волокна, которая продемонстрировала лучшие характеристики с точки зрения изменения жесткости. Хотя возможны другие материалы и конфигурации, в настоящее время нет специального исследования или общей модели, поэтому выбор может быть основан только на сравнительном экспериментальном анализе. Согласно этим результатам (суммированным в Таблице 1), восковая вата в конфигурации CT продемонстрировала наиболее многообещающие характеристики повышения жесткости (увеличение на 377.5%) и были включены в модули.

Волокна были ограничены в специально отведенных местах с использованием тех же принципов, которые были определены в предыдущей работе с точки зрения коэффициента упаковки (т. Е. Объема волокон, деленного на объем секции). В частности, при сохранении того же коэффициента упаковки для модуля A было использовано 8 волокон, в то время как 14 волокон были вставлены в каждую камеру модуля B, поскольку каждое волокно имеет диаметр 0,9 мм.

Производство

Изготовление двух видов модулей состоит из нескольких этапов на основе процедуры формования силикона.Все компоненты для изготовления модуля реализуются на 3D-принтере (ProJet MJP 3600, 3D Systems, Южная Каролина, США). Для лучшего представления производственного процесса основные этапы перечислены ниже и обобщены на Рисунке 4:

а. Во-первых, форму для камер изготавливают путем наматывания нерастяжимой полиэфирной нити на цилиндр, напечатанный на 3D-принтере. Этот цилиндр состоит из трех собранных частей, внутреннего сердечника и двух боковых частей (рис. 4а). Формы с шестью камерами и формы с двумя камерами подготовлены для модуля A и модуля B соответственно.

г. Изготовление модуля A начинается с размещения шести камерных форм в форме цилиндра, состоящей из трех идентичных частей и центрального цилиндра для реализации внутреннего свободного просвета. Чтобы гарантировать точное выравнивание форм, что важно для предотвращения любых асимметрий в модуле, на верхней части модуля расположена тонкая пластина из оргстекла, предназначенная для размещения всех форм и их удержания на месте. Компонент из оргстекла вырезается на станке для лазерной резки (Universal Laser XLS10MWH, Universal Laser System Inc., НАС). Изготовление модуля B начинается с изготовления пресс-формы. Он состоит из двух форм для камер, двух форм для камер жесткости, внутреннего цилиндра и верхней пластины из оргстекла для выравнивания. На рис. 4b показаны две сборочные формы. Затем неотвержденный силикон (Ecoflex 0050, Smooth On Inc., Macungie, PA) заливают в формы и оставляют для отверждения при комнатной температуре. После полного высыхания силикона все формы удаляются.

г. После завершения этого шага в общей сложности 36 волокон (т.е.е., 8 волокон для модуля A и 28 волокон для модуля B) вставляются с конфигурацией CT в просвет и в две боковые камеры модуля A и модуля B, соответственно (рисунок 4c). Для создания конфигурации CT в каждом модуле половина волокон превышает 3 мм от нижней стороны модуля, а остаточные волокна превышают такую ​​же длину с другой стороны. Таким образом, можно заключить волокна в силиконовую основу, гарантируя тем самым расположение волокон в виде двух гребешков, сцепляющихся с зубами.

г. После интеграции волокон модули герметизируются с нижней стороны с помощью специальной формы для чашек, заполненной более твердым силиконом (Smooth Sil 950, Smooth On Inc., Macungie, PA) (рис. 4d). На этом этапе трубы для гидравлического привода (т.е. три для модуля A и только одна для модуля B) и для вакуума (т.е. одна для модуля A и две для модуля B) включены в мягкую структуру.

e. Последний шаг касается герметизации верхней стороны модулей и выполняется в соответствии с процедурой, описанной выше (Рисунок 4e).Камеры с текучей средой соединены попарно через небольшую силиконовую трубку, расположенную внутри как мост между камерами. На рисунке 4f показан окончательный результат.

Вес каждого модуля составляет 9,2 г и 7,6 г для модулей A и B соответственно.

Рис. 4. (a – f) Этапы изготовления модулей.

Экспериментальная установка и протокол

Чтобы исследовать характеристики двух различных модулей, было проведено несколько тестов с использованием специальной экспериментальной установки .Четыре различных характеристики были экспериментально оценены и сопоставлены с характеристиками, достигнутыми исходным модулем STIFF-FLOP: (i) переменная жесткость в исходном положении; (ii) переменная жесткость в изогнутой конфигурации; (iii) рабочее пространство; (iv) возможность фиксации формы.

Экспериментальная установка рассчитана на части, которые используются для привода модулей во всех испытаниях (например, вакуумный насос и воздушный компрессор), в то время как специальное оборудование вводится для выполнения отдельных испытаний (например, датчик нагрузки, система магнитного слежения).

Для управления модулями было выбрано простое двухпозиционное регулирование вакуума, реализованное с помощью вакуумного насоса (пластинчато-роторные насосы с масляной смазкой MM56p2, D.V.P Vacuum Technology s.r.l., Carpanelli S.p.A.). Рабочее состояние вакуума, измеренное датчиком абсолютного давления (SWCN-V01-P3-2, Camozzi Group), соответствует уровню давления 0,1 бар, тогда как состояние давления окружающей среды установлено на атмосферное давление (1,01325 бар). Что касается гидравлического срабатывания, давление внутри каждой пары камер регулируется пропорциональным регулятором давления, напрямую подключенным к воздушному компрессору (S.A. Тип 30/6, Werther International Inc., Хьюстон, США). Конкретные тесты подробно описаны в подразделах, приведенных ниже.

Переменная жесткость в состоянии покоя

Для этого теста требовался металлический корпус ad-hoc для размещения основания двух модулей (то есть модуля A и модуля B). Наконечник модуля отклонялся горизонтально (по оси x относительно эталонной декартовой системы координат на рисунке 5) антропоморфной роботизированной рукой с шестью степенями свободы (RV-6SL; Mitsubishi Electric) на расстояние 15 мм со скоростью 5 мм / с, как показано на рисунке 5.Датчик силы / крутящего момента ATI-mini 45 (ATI Industrial Automation, США), установленный на рабочем элементе манипулятора робота, измерял силу сопротивления, развиваемую каждым модулем. Поверхность взаимодействия между наконечником модуля и датчиком силы должным образом определяется для каждого испытания, так что точка приложения силы тензодатчика к модулю сохраняется в качестве исходной точки опорной декартовой системы координат, что гарантирует одинаковые рабочие условия для все экспериментальные сеансы. Эту точку условно обозначили как нижний край сенсора ATI-mini 45, контактирующий с самой жесткой силиконовой частью модуля (синей).Эта точка представляет собой начало опорной декартовой системы координат, она центрирована по горизонтали и расположена вертикально на 5 мм ниже вершины модуля. Чтобы гарантировать одинаковую настройку для всех испытаний на изгиб, точка приложения достигается вручную перед каждым сеансом испытаний. Управление этой экспериментальной установкой осуществлялось с помощью графического интерфейса пользователя LabVIEW (программное обеспечение для проектирования систем LabVIEW — National Instrument), также используемого для записи данных (частота дискретизации 10 кГц). Для каждого модуля было проведено десять экспериментальных испытаний: пять испытаний с выдержкой в ​​камере жесткости при атмосферном давлении (т.е., 1,01325 бар) и пять в условиях вакуума (т.е. 0,1 бар). Эти испытания проводятся для количественной оценки вклада перехода от заклинивания волокна в общую жесткость модулей в состоянии покоя.

Рисунок 5 . Установка для испытания переменной жесткости в исходном положении (модуль A указан в качестве примера).

Переменная жесткость в изогнутой конфигурации

Та же самая установка использовалась для количественной оценки переменной жесткости в изогнутой конфигурации (рис. 6), но использовался другой протокол.Перед приложением боковой нагрузки активируется один MP каждого модуля с давлением 1 бар. Рука робота, оснащенная датчиком нагрузки, толкает модуль на 10 мм со скоростью 5 мм / с. Проведено пять испытаний системы глушения при атмосферном давлении и пять испытаний в условиях вакуума. Точка приложения такая же, как и в вышеупомянутом тесте.

Рисунок 6 . Установка для испытания переменной жесткости в изогнутой конфигурации (модуль A указан в качестве примера).

Максимальное усилие для всех тестов записывается и сравнивается; изменение жесткости также связано с ранее испытанной конфигурацией, чтобы оценить, влияет ли деформированное состояние модуля на способность системы заклинивания волокна к жесткости.

Рабочее пространство модуля

Чтобы оценить рабочее пространство модуля, угол изгиба был измерен в зависимости от приложенного давления. Входное давление воздуха находится в диапазоне от 0 до 1,2 бар с шагом 0,2 бар и обеспечивает надувание пары камер для каждого модуля.Рабочее пространство оценивается как способность каждой камеры сгибать модуль в одной плоскости. Электромагнитная система (NDI Medical Aurora Northern Digital Inc., Ватерлоо, Канада) с максимальной точностью 0,48 мм использовалась в качестве устройства для измерения истинной позы. В частности, один датчик Aurora Mini 6 DOF (1,8 × 9 мм) был закреплен на конце модуля, а эталонный датчик Aurora 6 DOF (диск 25 мм) расположен на опоре модуля, рядом с основанием модуля (Рисунок 7A. ). Два датчика используются для контроля положения и ориентации наконечника модуля относительно основания.Используя наземную систему истинности, угол изгиба (α) получается как угол между векторами, нормальными к основанию модуля и поверхностям наконечника на плоскости изгиба (рисунок 7B).

Рис. 7. (A) Испытательная установка , используемая для оценки рабочего пространства и фиксации формы (модуль A приведен в качестве примера) и метод оценки угла изгиба (B) (α).

Всего было проведено пять испытаний для каждого модуля с активацией только пары камер. Этот тест направлен на оценку того, насколько присутствие волокон влияет на ловкость манипулятора.

Блокировка формы

Такая же установка, описанная для оценки рабочего пространства, использовалась для испытаний фиксации формы после многофазной процедуры:

а. Модуль изогнут, подает давление 1,2 бар на пару камер

г. Угол α ₁ записывается

г. Вакуум подается в камеру жесткости в течение 30 с.

г. Давление снято с жидкостных камер

e. Регистрируется угол α ₂ .

Было проведено пять тестов для модулей A и B.

Результаты и обсуждение

В этом разделе представлены и обсуждаются результаты, полученные для каждого экспериментального теста. Анализ основан на сравнении характеристик двух предложенных конструкций по сравнению с исходным модулем STIFF-FLOP.

Переменная жесткость в положении покоя

В таблице 2 приведены результаты, касающиеся максимального изменения жесткости, которое может быть достигнуто для каждой конфигурации.Для всестороннего сравнительного анализа характеристик системы максимальная сила, развиваемая исходным модулем STIFF-FLOP, указывается в качестве эталона.

Таблица 2 . Результаты испытаний на изгиб, проведенных в конфигурации в состоянии покоя для оценки максимального изменения жесткости для трех конструкций [то есть исходного модуля STIFF-FLOP (Abidi et al., 2018), модуля A и модуля B].

Первое наблюдение касается максимальной силы, создаваемой каждым отдельным модулем, когда вакуум не применяется.Разумно, что оригинальный модуль STIFF-FLOP представляет меньшую максимальную силу по сравнению с модулем A из-за введения волокон во внутренний свободный просвет. Это изменение в конструкции может вызвать дополнительное сопротивление изгибающему движению, которое объясняет значение 0,47 Н для модуля А по сравнению с 0,36 Н исходного модуля STIFF-FLOP. Кроме того, максимальное усилие модуля B меньше, чем максимальное усилие двух других конфигураций, потому что модуль B имеет только один MP (т.е.например, две камеры срабатывания) вместо трех (т.е. шесть камер срабатывания) и две камеры срабатывания более жесткие, чем камера, заполненная волокнами. Это может показаться нелогичным, но, обратившись к рисунку 2, легко увидеть, что поперечное сечение модуля А зависит от большей части силикона, который противостоит растягивающим силам, возникающим во время изгиба. В модуле B большая часть силикона заменена гибкими волокнами, которые могут легко скользить и сгибаться при свободном движении.

В последнем столбце Таблицы 2 указывается соотношение между максимальной силой, измеренной в застрявшем и незажатом состоянии.Это наиболее подходящий параметр для оценки характеристик модуля и для прямого сравнения способности к жесткости. Показатели жесткости имеют тенденцию, которая согласуется с конструкцией модулей, а именно изменение жесткости увеличивается с увеличением объема камеры жесткости и количества волокон. Модуль A содержит 8 волокон и имеет очень ограниченную вариацию жесткости по сравнению с модулем B, который содержит 14 волокон для каждой камеры жесткости (всего 28). Кроме того, немаловажную роль играет расположение волокон.Изгибающий момент инерции модуля увеличивается намного больше, если волокна размещены во внешней части поперечного сечения, а не в центральной части.

В дополнение к этим количественным данным, стоит сообщить, что во время этих испытаний, когда наложенное смещение полностью устранено и не применяется вакуум, модули, оснащенные волокнами, полностью восстанавливают свое исходное положение без каких-либо остаточных деформаций. Это означает, что волокна остаются свободными для движения даже тогда, когда модуль деформируется, если нет ввода текучей среды.

Переменная жесткость в изогнутой конфигурации

Доминирующая роль, которую играет заклинивание волокна, также подтверждается в испытании на жесткость в изогнутой конфигурации. Модуль B демонстрирует заметное изменение жесткости, в то время как модуль A, похоже, практически не подвержен влиянию активации системы заклинивания волокна, как показано в таблице 3. Наличие двух камер жесткости увеличивает способность модуля сохранять свою форму против внешних возмущений.

Таблица 3 .Изменения жесткости, полученные в изогнутой конфигурации для двух модулей.

Эти данные вместе с данными, приведенными в разделе «Переменная жесткость в состоянии покоя», подтверждают общую концепцию использования таких модулей для обеспечения устойчивости дистального сегмента двухмодульного мягкого манипулятора. Существенное изменение жесткости проксимального модуля демонстрирует способность компенсировать внешние возмущения, обеспечивая стабильность дистального модуля, который вместо этого остается более подвижным и гибким.

Рабочее пространство

Результаты, относящиеся к рабочему пространству, ограничиваются оценкой характеристик модуля на одной плоскости изгиба. В частности, на рис. 8 показаны углы, достигаемые концом модуля при увеличении давления. При заданном давлении угол изгиба, достигаемый модулем B, значительно ниже по сравнению с модулем A. Этот различный отклик может быть вызван структурной ролью волокон в модуле. В обоих случаях система заклинивания волокна не активна, но волокна испытывают скользящее движение, которое подвержено трению.Однако модуль B включает в себя намного больше волокон, и они расположены таким образом, что момент инерции площади намного выше, что приводит к более жесткой структуре.

Рисунок 8 . Экспериментальные результаты для углового рабочего пространства, полученные при активации одной пары камер (A), , модуль A и (B), , модуль B.

Наблюдение за рабочими характеристиками обоих модулей и сравнение результатов с модулем STIFF-FLOP (т.например, угол изгиба составляет 132,2 ° при 1,2 бар (Abidi et al., 2018), интеграция волокон значительно уменьшает рабочее пространство модуля. Этот эффект был предсказуем и подтверждается данными об изменении жесткости, но это приемлемое ограничение для предполагаемого применения. В данной работе основной целью является повышение эффективности двухмодульного хирургического манипулятора за счет повышения его устойчивости, что может быть достигнуто с помощью проксимального модуля, оснащенного системами жесткости (жертвуя частью рабочего пространства), и дистального модуля с высокая ловкость и отсутствие жесткости.

Возможность фиксации формы

Способность к фиксации формы оценивалась как остаточный угол изгиба, который модуль может поддерживать после того, как сработал вакуум в камерах жесткости и давление в камерах с текучей средой снято. Этот эффект строго связан с количеством волокон, вовлеченных в явление перехода заедания.

Как и ожидалось, модуль B имеет более высокий остаточный угол изгиба (таблица 4). Этот модуль основан на большем количестве волокон, и, судя по его общей конструкции, в его корпусе меньше силиконовых деталей, которые в целом вносят большой вклад в упругий возврат модуля (т.е.е., восстановление его первоначальной конфигурации после устранения деформации).

Таблица 4 . В таблице приведены остаточные углы, измеренные для двух модулей.

Общее сравнение

Результаты сравнительного анализа приведены на Рисунке 9. Если рассматривать модуль STIFF-FLOP как отправную точку отсчета, оба модуля представляют собой улучшение, поскольку оба они продемонстрировали способность к повышению жесткости. Однако это привело к значительному снижению гибкости и ловкости.Это повлияло на модуль B больше, чем на модуль A, в основном из-за большего количества интегрированных волокон. Это означает, что жесткость / стабильность лучше для модуля B (прямо пропорциональна количеству волокон), но в ущерб маневренности. Единственное исключение составляют пассивные испытания (указанные в таблице 2), где наличие волокон, по-видимому, оказывает более отрицательное влияние на модуль A, чем на модуль B. более гибкий, но если применяется входной поток жидкости (будь то вакуум для системы, основанной на заклинивании, или надувание камер для жидкости), возникает изменение жесткости, и это изменение прямо пропорционально объему камеры заедания волокна.Это означает, что система глушения оптоволокна влияет на поведение модуля как через прямую, так и косвенную активацию.

Рисунок 9 . Характеристики модуля: для каждой архитектуры модуля сообщается вес, наличие внутреннего свободного просвета (т. Е. Рабочего канала), количество MP, интеграция механизма переменной жесткости и характеристики с точки зрения стабильности и гибкости.

Рассматривая систему с точки зрения MP и операционных функций, которые хирургический манипулятор должен иметь для расширения возможностей хирурга, модуль A не изменяет возможности движения модуля STIFF-FLOP, центральный свободный просвет больше не может быть используется для вставки инструмента.Модуль B сохраняет внутреннюю свободную полость, но может изгибаться только в одном направлении, а это означает, что необходимо включить вращение поддерживающего стержня (степень свободы качения) для восстановления изгиба во всех направлениях (с серьезными последствиями для маневренности).

Результаты показывают, что до сих пор не существует оптимального решения, удовлетворяющего всем желаемым требованиям с точки зрения миниатюрных размеров, свободного просвета для прохождения инструментов до кончика, изменения жесткости, гибкости и маневренности.Подход, использованный в этой работе, выявил обратную зависимость между изменением жесткости и характеристиками движения, поэтому оптимальный баланс должен быть определен на основе целевого приложения. В частности, жесткость и возможности движения могут быть настроены, чтобы гарантировать ловкость и гибкость для мягкой и деликатной навигации внутри человеческого тела до тех пор, пока не будет достигнута целевая область для хирургической задачи (например, ретракция, наложение швов и рассечение), где напротив, для эффективной передачи усилия требуется усиление.

Заключение и дальнейшая работа

Исходя из предварительных результатов, полученных Бранкадоро и др. (2018), здесь мы представили возможное использование технологии перехода с заклиниванием волокна в качестве механизма переменной жесткости, интегрированного в мягкий манипулятор STIFF-FLOP. Оригинальный модуль STIFF-FLOP был переработан с использованием двух разных подходов. Два новых модуля были оценены с точки зрения маневренности и переменной жесткости. Был проведен сравнительный анализ, чтобы изучить, в какой степени эти две характеристики влияют друг на друга, и найти подходящие компромиссы.

Результаты позволили определить компоновку, которая представляет лучший компромисс между техническими требованиями и вариацией жесткости. Дальнейший результат настоящего исследования касается осознания того, что технология все еще нуждается в дальнейших исследованиях, которые необходимо освоить, чтобы определить протоколы и стандартизировать производственную процедуру, которая до сих пор осуществляется с помощью нескольких ручных шагов, как показано на Рисунке 4.

С этой точки зрения технология заклинивания волокна продемонстрировала подходящие особенности для обеспечения возможности изменения жесткости в устройствах с мягким телом, и в нашем конкретном случае она облегчает переход от эндоскопического инструмента (в основном предназначенного для осмотра и основными требованиями которого являются ловкость и маневренность). и безопасное взаимодействие), к хирургическому инструменту (который должен иметь возможность передавать действующие силы на ткани и обеспечивать стабилизацию).

Хотя характеристики оригинального мягкого манипулятора STIFF-FLOP, используемого в качестве эндоскопического инструмента, уже были подтверждены в ходе испытаний на трупах, новые возможности, которые стали возможны благодаря внедрению технологии подавления волоконных помех, все еще нуждаются в испытании в реальных условиях. Дальнейшие действия будут сосредоточены на оценке эффективности и преимуществ такого подхода в реальных хирургических процедурах (таких как ретракция, наложение швов или рассечение органов). С другой стороны, дальнейшие исследования физического принципа, лежащего в основе самого перехода с помехами в оптоволокне, могут прояснить основные параметры, влияющие на его характеристики, и помочь в определении руководящих принципов проектирования для использования этой технологии.

Авторские взносы

MB, MM и FG разработали и изготовили модули. Все авторы разработали эксперименты. MB и FG реализовали сценарий и выполнили тесты, а анализ данных выполнен MB, FG и ST. MB, MM и MC написали рукопись. ST, AM и MC контролировали исследование.

Заявление о конфликте интересов

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могут быть истолкованы как потенциальный конфликт интересов.

Список литературы

Абиди, Х., Гербони, Г., Бранкадоро, М., Фрас, Дж., Диодато, А., Чианкетти, М., и др. (2018). Двухмодульный мягкий робот высокой ловкости для внутриорганной навигации в малоинвазивной хирургии. Внутр. J. Med. Робот. Comput. Ассистент. Surg. 14: e1875. DOI: 10.1002 / rcs.1875

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Amend, J., Cheng, N., Fakhouri, S., and Culley, B. (2016). Коммерциализация мягкой робототехники: захваты от исследования до продукта. Мягкий. Робот. 3, 213–222. DOI: 10.1089 / soro.2016.0021

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Ареццо, А., Минц, Ю., Аллэ, М. Э., Арольфо, С., Бонино, М., Гербони, Г., и др. (2017). Тотальное мезоректальное иссечение с использованием мягкой и гибкой роботизированной руки: технико-экономическое обоснование на моделях трупов. Surg. Endosc. 31, 264–273. DOI: 10.1007 / s00464-016-4967-x

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Берингер Р.П., Чакраборти Б. (2018). Физика заедания сыпучих материалов: обзор . Отчеты о достижениях физики.

PubMed Аннотация

Бранкадоро, М., Манти, М., Тоньярелли, С., и Чианкетти, М. (2018). «Предварительное экспериментальное исследование структур с переменной жесткостью на основе заклинивания волокон для мягких роботов», на Международной конференции IEEE 2018 по мягкой робототехнике (RoboSoft ) (Ливорно: IEEE).

Google Scholar

Диодато, А., Бранкадоро, М., Де Росси, Г., Абиди, Х., Далл’Альба, Д., Мурадор, Р. и др. (2018). Мягкий робот-манипулятор для улучшения маневренности в малоинвазивной хирургии. Surg. Иннов. 25, 69–76. DOI: 10.1177 / 1553350617745953

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Фоллмер С., Лейтингер Д., Олвал А., Ченг Н. и Исии Х. (2012). «Заклинивающие пользовательские интерфейсы: программируемая жесткость и чувствительность частиц для податливых и изменяющих форму устройств», Труды 25-го ежегодного симпозиума ACM по программному обеспечению и технологиям пользовательского интерфейса (Массачусетс, Массачусетс: ACM).

Google Scholar

Фрась, Дж., Чарновски, Дж., Масясь, М., Глувка, Дж., Чианкетти, М., и Менсиасси, А. (2015). «Новая идея конструкции модуля STIFF-FLOP для улучшения срабатывания и обнаружения», Международная конференция IEEE по робототехнике и автоматизации (ICRA), (Сиэтл, Вашингтон, IEEE), 2015 г., 2901–2906. DOI: 10.1109 / ICRA.2015.7139595

CrossRef Полный текст | Google Scholar

Кауфхольд, Т., Бём, В., и Циммерманн, К. (2012). «Дизайн миниатюрной системы передвижения с переменной механической податливостью на основе амебоидного движения», , 2012 г., 4-я конференция IEEE RAS и EMBS, Международная конференция по биомедицинской робототехнике и биомехатронике (BioRob), (Roma: IEEE), 1060–1065.DOI: 10.1109 / BioRob.2012.62

CrossRef Полный текст | Google Scholar

Ким, Й.-Дж., Ченг, С., Ким, С., и Ягнемма, К. (2013). Новый механизм блокировки слоев с регулируемой жесткостью для малоинвазивной хирургии. IEEE Trans. Робот. 29, 1031–1042. DOI: 10.1109 / TRO.2013.2256313

CrossRef Полный текст | Google Scholar

Laschi, C., and Mazzolai, B. (2016). Уроки животных и растений: симбиоз морфологических вычислений и мягкой робототехники. Робот IEEE. Автомат. Mag. 23, 107–114. DOI: 10.1109 / MRA.2016.2582726

CrossRef Полный текст | Google Scholar

Лаши, К., Маццолай, Б., и Чианкетти, М. (2016). Мягкая робототехника: технологии и системы, раздвигающие границы возможностей роботов. Sci. Робот. 1: eaah4690. DOI: 10.1126 / scirobotics.aah4690

CrossRef Полный текст | Google Scholar

Ли, М., Ранзани, Т., Сарех, С., Сеневиратне, Л. Д., Дасгупта, П., Вурдеманн, Х. А., и другие. (2014). Тактильная пальпация несколькими пальцами с использованием приводов с обратной связью по жесткости гранулированного заклинивания. Smart Mater. Struct. 23: 095007. DOI: 10.1088 / 0964-1726 / 23/9/095007

CrossRef Полный текст | Google Scholar

Лю А. Дж. И Нагель С. Р. (1998). Нелинейная динамика: глушение больше не просто круто. Природа 396: 21. DOI: 10.1038 / 23819

CrossRef Полный текст | Google Scholar

Манти, М., Какуччиоло, В., и Чианкетти, М.(2016). Жесткость в мягкой робототехнике: обзор современного состояния. Робот IEEE. Автомат. Mag. 23, 93–106. DOI: 10.1109 / MRA.2016.2582718

CrossRef Полный текст | Google Scholar

Наранг, Ю.С., Влассак, Дж. Дж., И Хоу, Р. Д. (2018). Механически универсальные мягкие машины за счет ламинарного заклинивания. Adv. Функц. Матер. 28: 1707136. DOI: 10.1002 / adfm.201707136

CrossRef Полный текст | Google Scholar

Оу, Дж., Яо, Л., Таубер, Д., Штаймле Дж., Нияма Р. и Исии Х. (2014). «JamSheets: тонкие интерфейсы с настраиваемой жесткостью, обеспечиваемой заеданием слоев», в Proceedings of 8th International Conference on Tangible, Embedded and Embodied Interaction (Munich: ACM), 65–72.

Google Scholar

Пфейфер Р. и Бонгард Дж. (2006). Как тело формирует образ нашего мышления: новый взгляд на интеллект. Kadaikala: MIT Press.

Google Scholar

Ранзани Т., Гербони, Г., Чианкетти, М., и Менсиасси, А. (2015). Биоинспирированный мягкий манипулятор для малоинвазивной хирургии. Bioinspir. Биомиметика 10: 035008. DOI: 10.1088 / 1748-3190 / 10/3/035008

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Стэнли, А.А., Гвиллиам, Дж. К., и Окамура, А. М. (2013). «Тактильное заклинивание: деформируемая геометрия, тактильное отображение переменной жесткости с использованием пневматики и заклинивания частиц», в World Haptics Conference (WHC) 2013 г. (Тэджон: IEEE), 25–30.DOI: 10.1109 / WHC.2013.6548379

CrossRef Полный текст | Google Scholar

Стельц Э., Мозейка А., Роденберг Н., Браун Э. и Йегер Х. М. (2009). «Джсел: Заклинивание кожи способствует движению», в Международная конференция IEEE / RSJ по интеллектуальным роботам и системам, 2009 г. IROS 2009 (Сент-Луис, Миссури: IEEE), 5672–5677. DOI: 10.1109 / IROS.2009.5354790

CrossRef Полный текст | Google Scholar

Сунь Ю., Яп, Х. К., Лян, X., Го, Дж., Ци, П., Анг, М.H. Jr, et al. (2017). Настройка жесткости и формирование рисунка для изменения свойств мягких пневматических приводов на основе силикона. Мягкий робот. 4, 251–260. DOI: 10.1089 / soro.2016.0047

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Валл В., Деймель Р. и Брок О. (2015). «Избирательное усиление жесткости мягких приводов на основе заклинивания», в Международная конференция по робототехнике и автоматизации (ICRA) 2015 IEEE (ICRA) (Сиэтл, Вашингтон, IEEE), 252–257. DOI: 10.1109 / ICRA.2015.7139008

CrossRef Полный текст | Google Scholar

Wang, L., Yang, Y., Chen, Y., Majidi, C., Iida, F., Askounis, E., et al. (2018). Контролируемая и обратимая настройка жесткости материала для роботов. Материалы сегодня 21, 563–576. DOI: 10.1016 / j.mattod.2017.10.010

CrossRef Полный текст | Google Scholar

Замбрано Д., Чианкетти М., Лаши К., Хаузер Х., Фюхслин Р. и Пфайфер Р. (2014). Принципы морфологических вычислений как новая парадигма робототехнического проектирования. Opin. Перспективы Морфол. Comput. 214–225. DOI: 10.13140 / 2.1.1059.4242

CrossRef Полный текст

% PDF-1.4 % 4 0 obj > эндобдж 3 0 obj > / Border [0 0 0] / C [0,0 0,0 1,0] / H / N / M (D: 20210114042129Z) / Rect [246.981 410.308 329.226 420.946] / Subtype / Link / Type / Annot >> эндобдж 6 0 obj > эндобдж 5 0 obj > / Border [0 0 0] / C [0.0 0.0 1.0] / H / N / M (D: 20210114042129Z) / Rect [222.0 590.306 295.254 600.944] / Subtype / Link / Type / Annot >> эндобдж 8 0 объект > эндобдж 7 0 объект > / Граница [0 0 0] / C [0.0 0,0 1,0] / H / N / M (D: 20210114042129Z) / Rect [222.0 550.306 300.6 560.944] / Subtype / Link / Type / Annot >> эндобдж 10 0 obj > эндобдж 9 0 объект > / Border [0 0 0] / C [0,0 0,0 1,0] / H / N / M (D: 20210114042129Z) / Rect [246.981 510.307 324.744 520.945] / Subtype / Link / Type / Annot >> эндобдж 12 0 объект > эндобдж 11 0 объект > / Border [0 0 0] / C [0,0 0,0 1,0] / H / N / M (D: 20210114042129Z) / Rect [246.981 610.306 319.055 620.943] / Subtype / Link / Type / Annot >> эндобдж 14 0 объект > эндобдж 13 0 объект > / Граница [0 0 0] / C [0,0 0,0 1.0] / H / N / M (D: 20210114042129Z) / Rect [246.981 570.306 319.236 580.944] / Subtype / Link / Type / Annot >> эндобдж 16 0 объект > эндобдж 15 0 объект > / Border [0 0 0] / C [0,0 0,0 1,0] / H / N / M (D: 20210114042129Z) / Rect [222.0 530.307 295.416 540.944] / Subtype / Link / Type / Annot >> эндобдж 18 0 объект > эндобдж 17 0 объект > / Border [0 0 0] / C [0.0 0.0 1.0] / H / N / M (D: 20210114042129Z) / Rect [246.981 490.307 313.728 500.945] / Subtype / Link / Type / Annot >> эндобдж 20 0 объект > эндобдж 19 0 объект > / Граница [0 0 0] / C [0,0 0,0 1,0] / H / N / M (D: 20210114042129Z) / Rect [356.896 480.307 385.786 490.945] / Подтип / Ссылка / Тип / Аннотация >> эндобдж 21 0 объект > / Border [0 0 0] / C [0,0 0,0 1,0] / H / N / M (D: 20210114042129Z) / Rect [222.0 470.307 256.173 480.945] / Subtype / Link / Type / Annot >> эндобдж 23 0 объект > эндобдж 22 0 объект > / Border [0 0 0] / C [0.0 0.0 1.0] / H / N / M (D: 20210114042129Z) / Rect [290.465 330.308 358.553 340.946] / Subtype / Link / Type / Annot >> эндобдж 25 0 объект > эндобдж 24 0 объект > / Border [0 0 0] / C [0.0 0.0 1.0] / H / N / M (D: 20210114042129Z) / Rect [290.465 280.309 359.219 290.947] / Subtype / Link / Type / Annot >> эндобдж 27 0 объект > эндобдж 26 0 объект > / Граница [0 0 0] / C [0.0 0,0 1,0] / H / N / M (D: 20210114042129Z) / Rect [222,0 390,308 285,417 400,946] / Подтип / Ссылка / Тип / Аннотация >> эндобдж 2 0 obj [3 0 R 5 0 R 7 0 R 9 0 R 11 0 R 13 0 R 15 0 R 17 0 R 19 0 R 21 0 R 22 0 R 24 0 R 26 0 R] эндобдж 28 0 объект > поток HWrH} + oFw`ehlwggz 퍍 ​​TDWI {tǗw «66lAYy = ‘b & ~, zl, lfOlÇ6j @ w϶Vt4? ֿ tXRg`7: 㳳 w (mcR ~ = md / E $$ O ح * ~? 5 LL {pt, 1`V RE0bxZpy`; bi [/ PyQ $ A ‘[l56B (aUnLA> \ g3˝ -tl «> {F-; ae? kXZr> + ca:; vșvWu`W9`M̙eko [d] vo۶bG-Ûyfr (; y * IA} bzʒx-KL5zXɶ» p8m0aKTDlxx` | #H 4Gx «BY} t񘾇W٨ : Uvx _ ?: V͑ @: rYDK`7qBZZGRp- $ 凋 \ RElq | x! EcE {.FҵgLMx

!]] H8h3ƮAЪSV * {8. [nE * 1xv_T /

Congress.gov | Библиотека Конгресса

Секция записи Конгресса Ежедневный дайджест Сенат дом Расширения замечаний

Замечания участников Автор: Any House Member Адамс, Альма С.[D-NC] Адерхольт, Роберт Б. [R-AL] Агилар, Пит [D-CA] Аллен, Рик У. [R-GA] Оллред, Колин З. [D-TX] Амодеи, Марк Э. [R -NV] Армстронг, Келли [R-ND] Аррингтон, Джоди К. [R-TX] Auchincloss, Jake [D-MA] Axne, Cynthia [D-IA] Бабин, Брайан [R-TX] Бэкон, Дон [R -NE] Бэрд, Джеймс Р. [R-IN] Балдерсон, Трой [R-OH] Бэнкс, Джим [R-IN] Барр, Энди [R-KY] Барраган, Нанетт Диас [D-CA] Басс, Карен [ D-CA] Битти, Джойс [D-OH] Бенц, Клифф [R-OR] Бера, Ami [D-CA] Бергман, Джек [R-MI] Бейер, Дональд С., младший [D-VA] Байс , Стефани И. [R-OK] Биггс, Энди [R-AZ] Билиракис, Гас М.[R-FL] Бишоп, Дэн [R-NC] Бишоп, Сэнфорд Д., младший [D-GA] Блуменауэр, Эрл [D-OR] Блант Рочестер, Лиза [D-DE] Боберт, Лорен [R-CO ] Бонамичи, Сюзанна [D-OR] Бост, Майк [R-IL] Bourdeaux, Carolyn [D-GA] Bowman, Jamaal [D-NY] Бойл, Брендан Ф. [D-PA] Брэди, Кевин [R-TX ] Брукс, Мо [R-AL] Браун, Энтони Г. [D-MD] Браунли, Джулия [D-CA] Бьюкенен, Верн [R-FL] Бак, Кен [R-CO] Бакшон, Ларри [R-IN ] Бадд, Тед [R-NC] Берчетт, Тим [R-TN] Берджесс, Майкл К. [R-TX] Буш, Кори [D-MO] Бустос, Cheri [D-IL] Баттерфилд, GK [D-NC ] Калверт, Кен [R-CA] Каммак, Кэт [R-FL] Карбаджал, Салуд О.[D-CA] Карденас, Тони [D-CA] Карл, Джерри Л. [R-AL] Карсон, Андре [D-IN] Картер, Эрл Л. «Бадди» [R-GA] Картер, Джон Р. [ R-TX] Картер, Трой [D-LA] Картрайт, Мэтт [D-PA] Кейс, Эд [D-HI] Кастен, Шон [D-IL] Кастор, Кэти [D-FL] Кастро, Хоакин [D- TX] Cawthorn, Мэдисон [R-NC] Chabot, Стив [R-OH] Чейни, Лиз [R-WY] Чу, Джуди [D-CA] Cicilline, Дэвид Н. [D-RI] Кларк, Кэтрин М. [ D-MA] Кларк, Иветт Д. [D-NY] Кливер, Эмануэль [D-MO] Клайн, Бен [R-VA] Клауд, Майкл [R-TX] Клайберн, Джеймс Э. [D-SC] Клайд, Эндрю С. [R-GA] Коэн, Стив [D-TN] Коул, Том [R-OK] Комер, Джеймс [R-KY] Коннолли, Джеральд Э.[D-VA] Купер, Джим [D-TN] Корреа, Дж. Луис [D-CA] Коста, Джим [D-CA] Кортни, Джо [D-CT] Крейг, Энджи [D-MN] Кроуфорд, Эрик А. «Рик» [R-AR] Креншоу, Дэн [R-TX] Крист, Чарли [D-FL] Кроу, Джейсон [D-CO] Куэльяр, Генри [D-TX] Кертис, Джон Р. [R- UT] Дэвидс, Шарис [D-KS] Дэвидсон, Уоррен [R-OH] Дэвис, Дэнни К. [D-IL] Дэвис, Родни [R-IL] Дин, Мадлен [D-PA] ДеФазио, Питер А. [ D-OR] DeGette, Diana [D-CO] DeLauro, Rosa L. [D-CT] DelBene, Suzan K. [D-WA] Delgado, Antonio [D-NY] Demings, Val Butler [D-FL] DeSaulnier , Марк [D-CA] ДеДжарле, Скотт [R-TN] Дойч, Теодор Э.[D-FL] Диас-Баларт, Марио [R-FL] Дингелл, Дебби [D-MI] Доггетт, Ллойд [D-TX] Дональдс, Байрон [R-FL] Дойл, Майкл Ф. [D-PA] Дункан , Джефф [R-SC] Данн, Нил П. [R-FL] Эллзи, Джейк [R-TX] Эммер, Том [R-MN] Эскобар, Вероника [D-TX] Эшу, Анна Г. [D-CA ] Эспайлат, Адриано [D-NY] Эстес, Рон [R-KS] Эванс, Дуайт [D-PA] Фэллон, Пэт [R-TX] Feenstra, Рэнди [R-IA] Фергюсон, А. Дрю, IV [R -GA] Фишбах, Мишель [R-MN] Фицджеральд, Скотт [R-WI] Фитцпатрик, Брайан К. [R-PA] Флейшманн, Чарльз Дж. «Чак» [R-TN] Флетчер, Лиззи [D-TX] Фортенберри, Джефф [R-NE] Фостер, Билл [D-IL] Фокс, Вирджиния [R-NC] Франкель, Лоис [D-FL] Франклин, К.Скотт [R-FL] Фадж, Марсия Л. [D-OH] Фулчер, Расс [R-ID] Gaetz, Мэтт [R-FL] Галлахер, Майк [R-WI] Галлего, Рубен [D-AZ] Гараменди, Джон [D-CA] Гарбарино, Эндрю Р. [R-NY] Гарсия, Хесус Дж. «Чуй» [D-IL] Гарсия, Майк [R-CA] Гарсия, Сильвия Р. [D-TX] Гиббс, Боб [R-OH] Хименес, Карлос А. [R-FL] Гомерт, Луи [R-TX] Голден, Джаред Ф. [D-ME] Гомес, Джимми [D-CA] Гонсалес, Тони [R-TX] Гонсалес , Энтони [R-OH] Гонсалес, Висенте [D-TX] González-Colón, Jenniffer [R-PR] Хорошо, Боб [R-VA] Гуден, Лэнс [R-TX] Gosar, Paul A. [R-AZ ] Gottheimer, Джош [D-NJ] Granger, Kay [R-TX] Graves, Garret [R-LA] Graves, Sam [R-MO] Green, Al [D-TX] Green, Mark E.[R-TN] Грин, Марджори Тейлор [R-GA] Гриффит, Х. Морган [R-VA] Гриджалва, Рауль М. [D-AZ] Гротман, Гленн [R-WI] Гость, Майкл [R-MS] Гатри, Бретт [R-KY] Хааланд, Дебра А. [D-NM] Хагедорн, Джим [R-MN] Хардер, Джош [D-CA] Харрис, Энди [R-MD] Харшбаргер, Диана [R-TN] Хартцлер, Вики [R-MO] Гастингс, Элси Л. [D-FL] Хейс, Джахана [D-CT] Херн, Кевин [R-OK] Херрелл, Иветт [R-NM] Эррера Бейтлер, Хайме [R-WA ] Хайс, Джоди Б. [R-GA] Хиггинс, Брайан [D-NY] Хиггинс, Клэй [R-LA] Хилл, Дж. Френч [R-AR] Хаймс, Джеймс А. [D-CT] Хинсон, Эшли [R-IA] Hollingsworth, Trey [R-IN] Horsford, Steven [D-NV] Houlahan, Chrissy [D-PA] Hoyer, Steny H.[D-MD] Хадсон, Ричард [R-NC] Хаффман, Джаред [D-CA] Huizenga, Билл [R-MI] Issa, Даррелл Э. [R-CA] Джексон Ли, Шейла [D-TX] Джексон, Ронни [R-TX] Джейкобс, Крис [R-NY] Джейкобс, Сара [D-CA] Jayapal, Pramila [D-WA] Джеффрис, Хаким С. [D-NY] Джонсон, Билл [R-OH] Джонсон, Дасти [R-SD] Джонсон, Эдди Бернис [D-TX] Джонсон, Генри К. «Хэнк» младший [D-GA] Джонсон, Майк [R-LA] Джонс, Mondaire [D-NY] Джордан, Джим [R-OH] Джойс, Дэвид П. [R-OH] Джойс, Джон [R-PA] Кахеле, Кайали [D-HI] Каптур, Марси [D-OH] Катко, Джон [R-NY] Китинг , Уильям Р.[D-MA] Келлер, Фред [R-PA] Келли, Майк [R-PA] Келли, Робин Л. [D-IL] Келли, Трент [R-MS] Кханна, Ро [D-CA] Килди, Дэниел Т. [D-MI] Килмер, Дерек [D-WA] Ким, Энди [D-NJ] Ким, Янг [R-CA] Кинд, Рон [D-WI] Кинзингер, Адам [R-IL] Киркпатрик, Энн [D-AZ] Кришнамурти, Раджа [D-IL] Кустер, Энн М. [D-NH] Кустофф, Дэвид [R-TN] Лахуд, Дарин [R-IL] Ламальфа, Дуг [R-CA] Лэмб, Конор [D-PA] Лэмборн, Дуг [R-CO] Ланжевен, Джеймс Р. [D-RI] Ларсен, Рик [D-WA] Ларсон, Джон Б. [D-CT] Латта, Роберт Э. [R-OH ] Латернер, Джейк [R-KS] Лоуренс, Бренда Л.[D-MI] Лоусон, Эл, младший [D-FL] Ли, Барбара [D-CA] Ли, Сьюзи [D-NV] Леже Фернандес, Тереза ​​[D-NM] Леско, Дебби [R-AZ] Летлоу , Джулия [R-LA] Левин, Энди [D-MI] Левин, Майк [D-CA] Льеу, Тед [D-CA] Лофгрен, Зои [D-CA] Лонг, Билли [R-MO] Лоудермилк, Барри [R-GA] Ловенталь, Алан С. [D-CA] Лукас, Фрэнк Д. [R-OK] Люткемейер, Блейн [R-MO] Лурия, Элейн Г. [D-VA] Линч, Стивен Ф. [D -MA] Мейс, Нэнси [R-SC] Малиновски, Том [D-NJ] Маллиотакис, Николь [R-NY] Мэлони, Кэролин Б. [D-NY] Мэлони, Шон Патрик [D-NY] Манн, Трейси [ R-KS] Мэннинг, Кэти Э.[D-NC] Мэсси, Томас [R-KY] Маст, Брайан Дж. [R-FL] Мацуи, Дорис О. [D-CA] МакБэт, Люси [D-GA] Маккарти, Кевин [R-CA] МакКол , Майкл Т. [R-TX] Макклейн, Лиза К. [R-MI] МакКлинток, Том [R-CA] МакКоллум, Бетти [D-MN] МакИчин, А. Дональд [D-VA] Макговерн, Джеймс П. [D-MA] МакГенри, Патрик Т. [R-NC] МакКинли, Дэвид Б. [R-WV] МакМоррис Роджерс, Кэти [R-WA] Макнерни, Джерри [D-CA] Микс, Грегори В. [D- NY] Мейер, Питер [R-MI] Мэн, Грейс [D-NY] Meuser, Daniel [R-PA] Mfume, Kweisi [D-MD] Миллер, Кэрол Д. [R-WV] Миллер, Мэри Э. [ R-IL] Миллер-Микс, Марианнетт [R-IA] Мооленаар, Джон Р.[R-MI] Муни, Александр X. [R-WV] Мур, Барри [R-AL] Мур, Блейк Д. [R-UT] Мур, Гвен [D-WI] Морелл, Джозеф Д. [D-NY ] Моултон, Сет [D-MA] Мрван, Фрэнк Дж. [D-IN] Маллин, Маркуэйн [R-OK] Мерфи, Грегори [R-NC] Мерфи, Стефани Н. [D-FL] Надлер, Джерролд [D -NY] Наполитано, Грейс Ф. [D-CA] Нил, Ричард Э. [D-MA] Негусе, Джо [D-CO] Нелс, Трой Э. [R-TX] Ньюхаус, Дэн [R-WA] Ньюман , Мари [D-IL] Норкросс, Дональд [D-NJ] Норман, Ральф [R-SC] Нортон, Элеонора Холмс [D-DC] Нуньес, Девин [R-CA] О’Халлеран, Том [D-AZ] Обернолти, Джей [R-CA] Окасио-Кортес, Александрия [D-NY] Омар, Ильхан [D-MN] Оуэнс, Берджесс [R-UT] Палаццо, Стивен М.[R-MS] Паллоне, Фрэнк, младший [D-NJ] Палмер, Гэри Дж. [R-AL] Панетта, Джимми [D-CA] Паппас, Крис [D-NH] Паскрелл, Билл, мл. [D -NJ] Пейн, Дональд М., младший [D-NJ] Пелоси, Нэнси [D-CA] Пенс, Грег [R-IN] Перлмуттер, Эд [D-CO] Перри, Скотт [R-PA] Питерс, Скотт Х. [D-CA] Пфлюгер, Август [R-TX] Филлипс, Дин [D-MN] Пингри, Челли [D-ME] Пласкетт, Стейси Э. [D-VI] Покан, Марк [D-WI] Портер, Кэти [D-CA] Поузи, Билл [R-FL] Прессли, Аянна [D-MA] Прайс, Дэвид Э. [D-NC] Куигли, Майк [D-IL] Радваген, Аумуа Амата Коулман [R- AS] Раскин, Джейми [D-MD] Рид, Том [R-NY] Решенталер, Гай [R-PA] Райс, Кэтлин М.[D-NY] Райс, Том [R-SC] Ричмонд, Седрик Л. [D-LA] Роджерс, Гарольд [R-KY] Роджерс, Майк Д. [R-AL] Роуз, Джон В. [R-TN ] Розендейл старший, Мэтью М. [R-MT] Росс, Дебора К. [D-NC] Роузер, Дэвид [R-NC] Рой, Чип [R-TX] Ройбал-Аллард, Люсиль [D-CA] Руис , Рауль [D-CA] Рупперсбергер, Калифорния Датч [D-MD] Раш, Бобби Л. [D-IL] Резерфорд, Джон Х. [R-FL] Райан, Тим [D-OH] Саблан, Грегорио Килили Камачо [ D-MP] Салазар, Мария Эльвира [R-FL] Сан Николас, Майкл FQ [D-GU] Санчес, Линда Т. [D-CA] Сарбейнс, Джон П. [D-MD] Скализ, Стив [R-LA ] Скэнлон, Мэри Гей [D-PA] Шаковски, Дженис Д.[D-IL] Шифф, Адам Б. [D-CA] Шнайдер, Брэдли Скотт [D-IL] Шрейдер, Курт [D-OR] Шриер, Ким [D-WA] Швейкерт, Дэвид [R-AZ] Скотт, Остин [R-GA] Скотт, Дэвид [D-GA] Скотт, Роберт К. «Бобби» [D-VA] Сешнс, Пит [R-TX] Сьюэлл, Терри А. [D-AL] Шерман, Брэд [D -CA] Шерилл, Мики [D-NJ] Симпсон, Майкл К. [R-ID] Sires, Альбио [D-NJ] Slotkin, Элисса [D-MI] Смит, Адам [D-WA] Смит, Адриан [R -NE] Смит, Кристофер Х. [R-NJ] Смит, Джейсон [R-MO] Смакер, Ллойд [R-PA] Сото, Даррен [D-FL] Спанбергер, Эбигейл Дэвис [D-VA] Спарц, Виктория [ R-IN] Спейер, Джеки [D-CA] Стэнсбери, Мелани Энн [D-NM] Стэнтон, Грег [D-AZ] Stauber, Пит [R-MN] Стил, Мишель [R-CA] Стефаник, Элиза М.[R-NY] Стейл, Брайан [R-WI] Steube, В. Грегори [R-FL] Стивенс, Хейли М. [D-MI] Стюарт, Крис [R-UT] Стиверс, Стив [R-OH] Стрикленд , Мэрилин [D-WA] Суоззи, Томас Р. [D-NY] Swalwell, Эрик [D-CA] Такано, Марк [D-CA] Тейлор, Ван [R-TX] Тенни, Клаудия [R-NY] Томпсон , Бенни Г. [D-MS] Томпсон, Гленн [R-PA] Томпсон, Майк [D-CA] Тиффани, Томас П. [R-WI] Тиммонс, Уильям Р. IV [R-SC] Титус, Дина [ D-NV] Тлайб, Рашида [D-MI] Тонко, Пол [D-NY] Торрес, Норма Дж. [D-CA] Торрес, Ричи [D-NY] Трахан, Лори [D-MA] Трон, Дэвид Дж. .[D-MD] Тернер, Майкл Р. [R-OH] Андервуд, Лорен [D-IL] Аптон, Фред [R-MI] Валадао, Дэвид Г. [R-CA] Ван Дрю, Джефферсон [R-NJ] Ван Дайн, Бет [R-Техас] Варгас, Хуан [D-CA] Визи, Марк А. [D-TX] Вела, Филемон [D-TX] Веласкес, Нидия М. [D-Нью-Йорк] Вагнер, Энн [R -MO] Уолберг, Тим [R-MI] Валорски, Джеки [R-IN] Вальс, Майкл [R-FL] Вассерман Шульц, Дебби [D-FL] Уотерс, Максин [D-CA] Уотсон Коулман, Бонни [D -NJ] Вебер, Рэнди К., старший [R-TX] Вебстер, Дэниел [R-FL] Велч, Питер [D-VT] Венструп, Брэд Р. [R-OH] Вестерман, Брюс [R-AR] Векстон, Дженнифер [D-VA] Уайлд, Сьюзан [D-PA] Уильямс, Nikema [D-GA] Уильямс, Роджер [R-TX] Уилсон, Фредерика С.[D-FL] Уилсон, Джо [R-SC] Виттман, Роберт Дж. [R-VA] Womack, Стив [R-AR] Райт, Рон [R-TX] Ярмут, Джон А. [D-KY] Янг , Дон [R-AK] Зельдин, Ли М. [R-NY] Любой член Сената Болдуин, Тэмми [D-WI] Баррассо, Джон [R-WY] Беннет, Майкл Ф. [D-CO] Блэкберн, Марша [ R-TN] Блюменталь, Ричард [D-CT] Блант, Рой [R-MO] Букер, Кори А. [D-NJ] Бузман, Джон [R-AR] Браун, Майк [R-IN] Браун, Шеррод [ D-OH] Берр, Ричард [R-NC] Кантуэлл, Мария [D-WA] Капито, Шелли Мур [R-WV] Кардин, Бенджамин Л. [D-MD] Карпер, Томас Р. [D-DE] Кейси , Роберт П., Младший [D-PA] Кэссиди, Билл [R-LA] Коллинз, Сьюзан М. [R-ME] Кунс, Кристофер А. [D-DE] Корнин, Джон [R-TX] Кортез Масто, Кэтрин [D -NV] Коттон, Том [R-AR] Крамер, Кевин [R-ND] Крапо, Майк [R-ID] Круз, Тед [R-TX] Дейнс, Стив [R-MT] Дакворт, Тэмми [D-IL ] Дурбин, Ричард Дж. [D-IL] Эрнст, Джони [R-IA] Файнштейн, Dianne [D-CA] Фишер, Деб [R-NE] Гиллибранд, Кирстен Э. [D-NY] Грэм, Линдси [R -SC] Грассли, Чак [R-IA] Хагерти, Билл [R-TN] Харрис, Камала Д. [D-CA] Хассан, Маргарет Вуд [D-NH] Хоули, Джош [R-MO] Генрих, Мартин [ D-NM] Гикенлупер, Джон В.[D-CO] Hirono, Mazie K. [D-HI] Hoeven, John [R-ND] Hyde-Smith, Cindy [R-MS] Inhofe, James M. [R-OK] Johnson, Ron [R-WI] ] Кейн, Тим [D-VA] Келли, Марк [D-AZ] Кеннеди, Джон [R-LA] Кинг, Ангус С., младший [I-ME] Klobuchar, Amy [D-MN] Ланкфорд, Джеймс [ R-OK] Лихи, Патрик Дж. [D-VT] Ли, Майк [R-UT] Леффлер, Келли [R-GA] Лухан, Бен Рэй [D-NM] Ламмис, Синтия М. [R-WY] Манчин , Джо, III [D-WV] Марки, Эдвард Дж. [D-MA] Маршалл, Роджер В. [R-KS] МакКоннелл, Митч [R-KY] Менендес, Роберт [D-NJ] Меркли, Джефф [D -ИЛИ] Моран, Джерри [R-KS] Мурковски, Лиза [R-AK] Мерфи, Кристофер [D-CT] Мюррей, Пэтти [D-WA] Оссофф, Джон [D-GA] Падилла, Алекс [D-CA ] Пол, Рэнд [R-KY] Питерс, Гэри К.[D-MI] Портман, Роб [R-OH] Рид, Джек [D-RI] Риш, Джеймс Э. [R-ID] Ромни, Митт [R-UT] Розен, Джеки [D-NV] Раундс, Майк [R-SD] Рубио, Марко [R-FL] Сандерс, Бернард [I-VT] Сасс, Бен [R-NE] Schatz, Брайан [D-HI] Шумер, Чарльз Э. [D-NY] Скотт, Рик [R-FL] Скотт, Тим [R-SC] Шахин, Жанна [D-NH] Шелби, Ричард К. [R-AL] Синема, Кирстен [D-AZ] Смит, Тина [D-MN] Стабеноу, Дебби [D-MI] Салливан, Дэн [R-AK] Тестер, Джон [D-MT] Тьюн, Джон [R-SD] Тиллис, Том [R-NC] Туми, Пэт [R-PA] Тубервиль, Томми [R -AL] Ван Холлен, Крис [D-MD] Уорнер, Марк Р.[D-VA] Варнок, Рафаэль Г. [D-GA] Уоррен, Элизабет [D-MA] Уайтхаус, Шелдон [D-RI] Уикер, Роджер Ф. [R-MS] Уайден, Рон [D-OR] Янг , Тодд [R-IN]

Интеллектуальное моделирование двухзвенного гибкого робота-манипулятора с использованием искусственной нейронной сети

Ключевые слова: двухзвенный гибкий манипулятор , гибкий манипулятор, искусственная нейронная сеть, непараметрическое моделирование.

1. Введение

широко используются в широком спектре отраслей, от простых задач выбора и размещения до более сложных операций, например, в области исследования космоса, автомобилестроения, электронной промышленности, нефтегазовой промышленности и медицины.Они экономичны и оказались более надежными, чем люди. Раньше конструкции роботов-манипуляторов были, как правило, большими и тяжелыми, что приводило к жесткой конструкции рычага и жестких суставов. Таким образом, их использование ограничено легкими грузами, и их движение медленное. Следовательно, обычная конструкция не является подходящей для современных отраслей, поскольку она неэффективна с точки зрения скорости, производительности и энергопотребления. Более того, стало требованием, чтобы любые инженерные системы имели более легкую конструкцию.

К настоящему времени существует несколько хорошо зарекомендовавших себя динамических моделей системы, начиная от простых моделей, таких как сосредоточенные параметры, до сложных моделей, таких как метод предполагаемых режимов (AMM) и метод конечных элементов (FEM). Во многих статьях сообщалось о реализации AMM и конечного FEM для разработки эффективного контроллера для гибкой системы манипуляторов. Они предлагают лучшую точность по сравнению с моделью параметров кусков. В [1] упоминается, что исследования по динамическому моделированию гибкого манипулятора хорошо документированы в учебниках.Недавние исследования [2, 3] использовали метод конечных элементов (МКЭ) при разработке модели двухзвенного гибкого манипулятора. Первая модель рассматривала одновременный большой прогиб в системе, а вторая модель включала значительную динамику, связанную с системой. Кроме того, в [4] используется метод допустимых мод, при котором моделирование было подтверждено с частотной областью, полученной в результате экспериментов. В статье [5] используется метод предполагаемого режима за счет включения датчика и полезной нагрузки. Недостатки применения этого динамического моделирования состоят в том, что есть допущения, которые необходимо учитывать, чтобы уменьшить сложность системы.В некоторых работах использовались линеаризованные модели. Однако эти линейные модели не отражали нелинейную динамику гибкого робота.

Идентификация системы использовалась в течение последних двух десятилетий и недавно привлекла большое внимание благодаря своей способности находить точную модель динамических систем. Он широко использовался во многих приложениях гибких конструкций, таких как моделирование гибких балок [6, 7], моделирование гибких пластин, [8, 9], моделирование одинарного гибкого манипулятора [10], двухзвенного гибкого манипулятора [4, 11], моделирование гибких монтируемых труб [12] и многое другое.Таким образом, возникла высокая мотивация использовать метод идентификации системы для разработки динамической модели, которая характеризует DLFRM на основе данных, собранных с реального завода. Использование этих методов позволило разработанным моделям представить динамические характеристики системы и избежать сложностей, связанных с разработкой математических и физических моделей. Несколько оценок с использованием параметрических подходов были использованы для моделирования гибких манипуляторов, таких как обычные RL [13], RELS [14] и RLS и метод наименьших средних квадратов (LMS) [15].Кроме того, параметрические подходы с использованием интеллектуальных методов привлекли многих исследователей для моделирования системы, таких как генетический алгоритм [16] оптимизация роя частиц (PSO) [17], алгоритм сбора бактерий [18], алгоритм дифференциальной эволюции (DE) [19 ] и алгоритм поиска кукушки [20]. В ряде исследований рассматривалась параметрическая структура модели из-за ее простоты. В большинстве работ использовались смоделированные данные, которые менее точны, чем данные в реальном времени.

В этом исследовании были использованы непараметрические подходы для характеристики динамики DLFRM с использованием экспериментальных данных.Нелинейная система предпочтительнее, потому что она улавливает реальную нелинейную динамику гибкого робота и обеспечивает хорошую платформу для приложения управления. Сообщается, что технология идентификации ИНС все чаще применяется во многих нелинейных системах с момента ее создания. Среди всех регрессоров NARX имеет алгебраическую взаимосвязь только между предсказанием и прошлыми данными и, таким образом, у него есть предсказатель без обратной связи, что делает модель менее сложной. До сих пор существует очень ограниченная исследовательская работа по развитию нелинейного моделирования системы.Попытка использования непараметрической модели NARMAX в [21] показала, что работа была склонна к адаптивному управлению. Хотя структура модели NARMAX показала хорошее приближение, она может дать завышенную оценку, поскольку модель имеет предсказатель с обратной связью.

Существуют различные примеры идентификации системы на основе модели NARX, которые успешно реализовали очень сложную нелинейную систему, например, моделирование Humanoid Robot 3-DOF [22], роботизированной системы манипулирования катетером [23], электромеханического манипулятора [24] и стали. шероховатость поверхности для фрезерного станка [25].Кроме того, ИНС используется для моделирования уровня воды при наводнениях [26], модели солнечного излучения [27], газовой турбины промышленной электростанции [28], системы магнитной левитации [29] и сети беспроводных датчиков метеорологии [30]. Таким образом, в настоящем исследовании будет проведена системная идентификация DLFRM с использованием автоматической регрессивной модели нейронной сети с внешними входами (NNARX).

В статье представлено интеллектуальное моделирование DLFRM с использованием непараметрических подходов с использованием данных экспериментальной установки, которые ни одно из предыдущих исследований не проводилось при моделировании DLFRM.Поскольку система была отнесена к системе MIMO, взаимодействие матриц в модели представляет собой серьезную проблему. Матрицы должны быть разделены, прежде чем их можно будет использовать в стратегиях управления. В предлагаемом методе модели DLFRM были децентрализованы на этапе моделирования. Динамические модели DLFRM были разделены на систему с одним входом и одним выходом. Таким образом, характеристики DLFRM были определены в каждой модели с использованием собранных данных, и предполагалось, что эффект связи минимизирован. Затем собранные данные были оценены с использованием ИНС с использованием структуры модели NARX.

2. Проектирование и разработка DLFRM

На схематической диаграмме на рис. 1 (а) показан плоский двухзвенный гибкий манипулятор (DLFRM). Было построено прямоугольное стальное основание для удержания всей системы. Соединительная муфта вала была изготовлена ​​с использованием алюминиевого блока для соединения второго двигателя с звеном 1 и звеном 2. Он был спроектирован таким образом, чтобы обеспечить перемещение второго звена под углом ± 90 °. Первое звено (толщина: 2 мм) удерживало 30-миллиметровый двигатель постоянного тока Maxon и второе звено.При этом второе звено (толщина: 1 мм) свободно перемещалось. Двигатель постоянного тока Maxon диаметром 40 мм был прикреплен к ступице линии 1. Сервоконтроллер ESCON 50/5 использовался в качестве привода двигателя для обоих двигателей. Энкодер модели HEDL-5540 использовался для измерения углового положения каждого двигателя. Миниатюрные и легкие одноосные акселерометры типа 8640A50 были расположены в конце каждого звена. Акселерометры преобразовывали механические сигналы, создаваемые манипуляторами, в электрический сигнал. Карта сбора данных National Instruments (NI) модель PCI-6259 и ее блок входных выходов SCC-68 использовались в качестве интерфейсного блока в этом исследовании.В качестве процессора системы работал персональный компьютер (ПК) с процессором Intel Core I5, 2,93 ГГц. Между тем, MATLAB / Simulink был реализован как среда для разработки контроллера. Основной набор инструментов Целевого окна реального времени был выполнен для взаимодействия с системой. Фактический вид DLFRM показан на рис. 1 (б).

Рис. 1. а) Принципиальная схема DLFRM, б) установка двухзвенного гибкого робота-манипулятора

а)

б)

3.Идентификация системы

Обычно идентификация системы (SI) состоит из нескольких этапов. Это сбор данных, выбор структуры модели, оценка модели и проверка модели. При моделировании динамической системы сбор данных играет важную роль, посредством чего собирается множество наборов данных. После определения структуры модели основной задачей идентификации является оценка параметров модели. Предполагаемая модель должна иметь свойства, аналогичные свойствам истинной модели, и предсказывать будущие значения выходных данных.После получения модели системы требуется ее верификация. Тесты на валидность модели — это процедуры для определения адекватности подобранной модели. Это очень важно для гарантии того, что разработанная модель достаточна для представления системы.

4. Экспериментальная установка и сбор данных

Экспериментальная установка должна быть проверена, прежде чем данные можно будет использовать для дальнейшего анализа SI. Было проведено два испытания — экспериментальное испытание и испытание на удар. Результаты испытаний показали, что данные, собранные на экспериментальной установке, подходят для SI.Подробности этих тестов можно найти в [31].

При сборе данных данные ввода-вывода, необходимые для процесса моделирования, были собраны экспериментально с использованием испытательной установки DLFRM, описанной в разделе 2. Программа Simulink была разработана как инструмент для сбора данных. Другой импульсный сигнал с амплитудой ± 0,7 В и амплитудой ± 0,5 В использовался для обеспечения необходимого крутящего момента для одновременного возбуждения двойного звена. Четыре выходных сигнала были получены от двух энкодеров и двух акселерометров, которые представляют углы ступицы и ускорение конечной точки каждого звена соответственно.Эксперимент проводился в течение 9 с при времени выборки 0,01 с. Экспериментальные ответы на угол 1 ступицы, угол 2 ступицы, ускорение 1 в конечной точке и ускорение 2 в конечной точке регистрировались и регистрировались, как на рис. 2 (a) — (d).

Рис. 2. a) Экспериментальная реакция на угол поворота ступицы 1, b) экспериментальная реакция на угол ступицы 2, c) реакция на ускорение 1 экспериментальной конечной точки, d) отклик на экспериментальное ускорение 2 на конечной точке.

а)

б)

в)

г)

5.Оценка модели с помощью нейронной сети

В этой работе нейронная сеть использовалась для прогнозирования непараметрической модели (оценка модели). Архитектура нейронных сетей имитирует биологические нейронные сети. Сети состоят из большого количества тесно связанных между собой идентичных или похожих простых процессоров. Важной особенностью сети является ее адаптивный характер. Сети могут изучать знания, полученные из окружающей среды. Нейронные сети, используемые для моделирования системы, обычно используют два основных обрабатывающих элемента: персептрон и нейрон базовой функции.Персептрон — это нелинейная модель нейрона. Эта простая нейронная модель состоит из двух основных частей: линейного сумматора и нелинейной функции активации. Линейный комбайнер вычисляет произведение входного вектора x нейрона и вектора параметров w. И нелинейная функция активации, примененная к выходу линейного сумматора. Целью идентификации системы является идентификация динамических систем. Таким образом, нейронные архитектуры делают упор на динамические нейронные сети.

5.1. Многослойный персептрон

В исследовании использовалось обратное распространение для нейронной сети с многослойным персептроном (MLP) для моделирования четырех наборов системы DLFRM с одним входом и одним выходом (SISO). MLP является наиболее популярным из семейства нейронных сетей из-за его способности предоставлять простую модель и оценивать очень сложные формулы связи.

MLP состоит из одного уровня узлов, который формирует входной уровень, в то время как второй уровень формирует выходной NN, с рядом промежуточных или скрытых слоев, существующих между ними.t, θ на основе критерия в формуле. (2):

(2)

, где ZN — обучающий набор данных.

5.2. Нейронная сеть ELMAN

Другой класс нейронных сетей — нейронные сети Элмана (ENN). ENN — это двухуровневые сети обратного распространения с добавлением обратной связи от выхода скрытого слоя к его входу. Этот путь обратной связи позволяет сетям Элмана изучать, распознавать и генерировать как временные, так и пространственные шаблоны.Для функции обучения сети выбран градиентный спуск с импульсом и обратным распространением с адаптивной скоростью обучения. Он обновляет значения веса и смещения в соответствии с импульсом градиентного спуска и скоростью адаптивного обучения. Обратное распространение используется для вычисления производных характеристик относительно переменных веса и смещения X. Каждая переменная регулируется в соответствии с градиентным спуском с импульсом, как показано в уравнении. (3):

(3)

, где dx-1 — предыдущая корректировка веса или смещения.

5.3. Структура модели NARX

NARX является нелинейным обобщением хорошо известной модели ARX, которая представляет собой стандартный инструмент для линейной идентификации черного ящика. Для оценки нелинейной части структуры ARX используется нейронная сеть. Общая структура модели NNARX показана на рис. 5. Вектор регрессии структуры модели NNARX задается формулой. (4):

(4)

где g — функция, реализованная методом нейронной сети.

5.4. Проверка модели

Этап проверки является обязательным, чтобы убедиться, что разрабатываемая модель соответствует требованиям. Проверка модели выполняется с использованием трех методов: прогнозирования на один шаг вперед (OSA), среднеквадратичной ошибки (MSE) и теста корреляции. Корреляционных функций пять, а именно:

(6)

, где φuε (τ) обозначает взаимную корреляционную функцию между u (t) и ε (t), εu (t) = ε (t + 1) u (t + 1), δ (τ) — импульсная функция.Модель разработана с использованием структуры NARX, которая является нелинейной системой, поэтому должны быть выполнены все пять условий. В исследовании использовался диапазон из 20 данных, которые использовались в тесте. Подразумеваются 95% доверительные интервалы, которые составляют приблизительно ± 1,96 / N (N данных), и любая значимая корреляция будет обозначена одной или несколькими точками функции, лежащими за пределами этих полос. Следовательно, если корреляционные функции находятся в пределах доверительных интервалов, модель считается адекватной [32].

6.Результаты и обсуждение

Несколько программ MATLAB были созданы на основе MLP и ELMAN NN для моделирования угла ступицы и ускорения конечной точки от входа напряжения до выхода угла ступицы с использованием данных, полученных с испытательной установки DLFRM, как описано в разделе 2 этого исследования. Набор данных, состоящий из 900 точек данных, был разделен на два набора по 675 и 225 точек данных соответственно. Первый набор (набор оценок) использовался на этапе моделирования, а второй набор (набор тестов) использовался на этапе проверки.

Для реализации структуры был выполнен эвристический метод, поскольку не было предварительной информации о соответствующих числах задержки и структуре модели. Данные ввода-вывода регулировались во время упражнения в диапазоне от –1 до 1. Существовали три основных фактора, которые необходимо было учитывать в процессе, а именно количество сигналов задержки, размер структуры NN или количество нейрон и ошибка. Последний фактор оценивался в процессе получения наилучшего количества сигналов задержки и структуры для каждой модели.Это было связано со стохастическим поведением процедуры получения оптимальной модели. Стоит отметить, что критерий использовался для выбора лучшей модели на основе валидационной MSE, моделирования MSE и корреляционных тестов.

На более ранней стадии исследования модель оценивалась с использованием NN с одним скрытым слоем. Однако результаты оценки модели были очень плохими. Затем был добавлен дополнительный скрытый слой. По мере увеличения уровня до трех время оценки увеличивалось, но значительного улучшения по сравнению с двумя уровнями не наблюдалось.Таким образом, конструкция модели была закреплена на двух уровнях. В этом исследовании количество нейронов начинается с 2 нейронов в первом скрытом слое, 2 нейронов во втором скрытом слое и одного нейрона в выходном слое (структура модели [2 2 1]). Число задержки представляет входной слой.

6.1. Моделирование угла ступицы

Сравнивались результаты прогнозирования угла 1 и 2 ступицы с использованием структуры прогнозирования MLP и ENN. На рис. 3 и 4 показаны прогнозы MLP для угла сустава.Подтвержденные данные обозначены красной вертикальной линией, расположенной в точке 675. Из обоих графиков видно, что MLP может точно следовать за фактическими данными. Ошибка между фактическим и прогнозируемым выходом MLP почти незначительна или близка к нулю.

Рис. 3. Выходные и расчетные выходы Hub angle 1 (MLP)

Рис. 4. Выходные и расчетные выходы Hub angle 2 (MLP)

Фиг.5. Выходные и расчетные выходы Hub angle 1 (ENN)

Рис. 6. Выходные и расчетные выходы Hub angle 2 (ENN)

Между тем, на рис. 5 и 6 показано предсказание ENN угла сочленения 1 и угла сочленения 2 для одних и тех же данных. Из графиков было замечено, что ENN может отслеживать фактические данные, но было значительное расхождение между фактическими данными и прогнозируемыми данными.Отклонение было еще более заметным в разделе проверенных данных. Ошибка была существенной, и ее нельзя игнорировать.

Тест корреляции для каждой связи, как показано на рис. 7–10. Для MLP результаты находятся в пределах 95% уровня достоверности, таким образом подтверждая точность модели. Однако корреляции ошибок для обеих моделей, использующих ENN, очевидно, находятся далеко за пределами 95% доверительного уровня.

6.2. Моделирование ускорения конечной точки

Такая же закономерность была обнаружена в модели ускорения конечной точки для линии 1 и 2 с использованием MLP и ENN.MLP лучше предсказывал модель по сравнению с ENN. Ошибка между фактическим и прогнозируемым выходом MLP была почти незначительной или близкой к нулю там, где не было заметной синей линии на рисунках 11 и 12. Но не в случае ENN, поскольку синюю линию можно четко наблюдать на фиг. 13 и 14, которые косвенно отражают ошибку в процессе прогнозирования.

Рис.11. Выпуск и предполагаемые выпуски E.P. соотв.1 (MLP)

Фиг.12. Выпуск и предполагаемые выпуски E.P. соотв.2 (MLP)

Рис.13. Выпуск и предполагаемые выпуски E.P. соотв.1 (ENN)

Рис.14. Выпуск и предполагаемые выпуски E.P. соотв.2 (ENN)

На рис. 15–18 показан тест корреляции для ускорения конечной точки как линии 1, так и линии 2.Для MLP результаты находятся в пределах 95% уровня достоверности, что подтверждает точность модели. Однако корреляции ошибок для обеих моделей, использующих ENN, явно далеки от уровня достоверности 95%. Таким образом, можно сделать вывод, что обе модели, предсказанные ENN, были предвзятыми.

6.3. Общая сравнительная оценка и обсуждение

MLP и ELMAN были двумя структурами NN, которые использовались для выполнения непараметрического моделирования угла втулки DLFRM.Для поиска оптимизированной модели использовался эвристический метод. Реализация модели начинается с фиксации структуры модели на [2 2 1]. Наблюдалось влияние увеличения числа задержек на результаты MSE MLP. Было обнаружено, что MSE снижается до тех пор, пока число задержки ввода-вывода не станет равным 8 как для угла ступицы 1, так и для угла 2.

После этого стоимость MSE увеличивалась. Время, необходимое для схождения, также увеличивается. На этом этапе числа задержки фиксируются на 8, а структура модели изменяется.Существенного улучшения MSE по мере увеличения структуры модели не происходит. Аналогичный метод был реализован для модельной реализации конечного ускорения. Такая же тенденция наблюдалась и в первой части моделирования. MSE сокращается до тех пор, пока количество задержек ввода-вывода для обоих каналов не станет 6. Однако изменение структуры модели привело к значительному улучшению MSE, пока она не достигла структуры модели [8 8 1].

MLP очень хорошо отслеживал фактический выпуск.Между тем, модель, оптимизированная ENN, была способна отслеживать фактический результат с большим диапазоном ошибок. Сводка по лучшей модели и общие сравнительные характеристики для угла ступицы и ускорения конечной точки приведены в таблице 1.

Таблица 1. Резюме лучших показателей, достигнутых при непараметрическом моделировании

7.Выводы

В данной работе модель NNARX разработана для DLFRM. Звенья маневрируют под разными углами, создавая мощный крутящий момент в системе. Движение двигателей регистрируется через энкодер. Вибрация гибких рычагов регистрировалась с помощью акселерометра. Весь сигнал передавался на карту сбора данных для аналого-цифрового преобразования сигнала. На втором этапе данные обрабатывались для моделирования системы. Разработка моделирования выполняется посредством моделирования в среде MATLAB / Simulink.Структура модели NARX была использована с учетом нелинейной системы, демонстрируемой DLFRM. Система была спланирована так, чтобы построить четыре набора отдельных моделей, которые представляют всю систему DLFRM. Характеристики моделей MLP и ENN оценивались на основе среднеквадратичной ошибки валидации, среднеквадратичной ошибки моделирования и корреляционных тестов. Было подтверждено, что MLP достигла более высокого значения среднеквадратичной ошибки на всех этапах моделирования и валидации. Он хорошо предсказывает реакцию системы и, таким образом, обеспечивает лучшую модель, чем ENN.Лучшая модель DLFRM, которая была получена из MLP, будет использоваться в последующей разработке подходов к управлению для угла втулки и ускорения конечной точки DLFRM. Модели, полученные с помощью предложенного интеллектуального метода, были использованы для оптимизации параметров регулятора. Модели будут использоваться в качестве предварительного теста для изучения и понимания схем управления, реагирующих на изменение ограничений управления или возмущений до экспериментального исследования.