CN102161198B - 用于三维空间中移动机械臂路径规划的主从式协进化方法 - Google Patents

用于三维空间中移动机械臂路径规划的主从式协进化方法 Download PDF

Info

Publication number
CN102161198B
CN102161198B CN201110064969A CN201110064969A CN102161198B CN 102161198 B CN102161198 B CN 102161198B CN 201110064969 A CN201110064969 A CN 201110064969A CN 201110064969 A CN201110064969 A CN 201110064969A CN 102161198 B CN102161198 B CN 102161198B
Authority
CN
China
Prior art keywords
path
mechanical arm
mobile
fitness
platform
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201110064969A
Other languages
English (en)
Other versions
CN102161198A (zh
Inventor
马遥
刘山
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201110064969A priority Critical patent/CN102161198B/zh
Publication of CN102161198A publication Critical patent/CN102161198A/zh
Application granted granted Critical
Publication of CN102161198B publication Critical patent/CN102161198B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种用于三维空间中移动机械臂路径规划的主从式协进化方法，该方法能够保证达到系统整体性能而不是子系统性能最优的效果；尤其是在既有空间障碍物又有地面障碍物的情况下能有效避免碰撞并找到一条较优的路径。

Description

用于三维空间中移动机械臂路径规划的主从式协进化方法
技术领域
本发明涉及一种路径规划方法，尤其涉及一种用于三维空间中移动机械臂路径规划的主从式协进化方法。
背景技术
路径规划是移动机械臂中的一个基本问题，即寻找起始位姿和终态位姿之间可行的连续路径。此外，还需要考虑到相关指标如路径、时间等的优化以及障碍物避碰等。移动机械臂有很高的自由度，且要在三维空间而不是平面中进行规划，因此加大了路径规划的难度。
移动机械臂是一个包含机械臂和移动平台的组合系统，在规划中如何协调这两者的关系成为重点。前人提出了很多解决方法：Pin和culioli利用变换位姿将其转换为多目标优化问题，但对两个机械臂和移动平台使用一个目标函数进行优化，难以实现整体性能最优。yamamoto提出首选操作区的概念，实际是先移动平台至合适位置再移动机械臂，未能发挥出移动机械臂在可移动性和可操作性上的优势，且很容易造成行进中臂的碰撞。saraji把整个系统视为一个冗余的机械臂来进行规划，忽略了机械臂和移动平台在性能上的差异。李新春等提出了一种分级协调的路径规划方法，将平台和机械手分别选择目标函数进行规划，但其编码方式过于简单，且并未考虑到机械臂对平台所造成的影响。为了考虑移动平台和机械臂相互之间的影响，我们想到了协进化遗传算法。
协进化遗传方法是在传统遗传方法基础上改进得到的，传统遗传方法中将问题的解编码为个体，进行选择、交叉、变异等操作，并根据适应度函数来对进化后的个体进行筛选，最终搜索出解空间里较优的解。而协进化遗传方法不仅考虑到了种群内的进化，还考虑到不同种群对各自进化的影响，各种群独立进化后会选出代表，进入环境模型进行共同进化，得到新的适应度并返回原种群，影响原种群的进化，从而达到共同进化的目标。协进化方法的基本步骤如图2。
协进化遗传方法中的不足之处在于：第一，对于差异明显的两个种群，协作的难度较大,因为协进化方法是不影响种群内的进化的，它只是利用环境模型对各种群代表所组成的“联合种群”进行了进化操作并得出新的适应度返回原种群，如果种群间差异过大，可以导致无法对“联合种群”进行进化操作行为。第二，该方法是一种并行操作的方法，即各种群各自单独进化，再进行共同进化，因此对于强耦合的个体无法使用，而本发明所针对的实际系统正是一个强耦合的系统。
发明内容
本发明的目的在于针对现有技术的不足，提供一种用于三维空间中移动机械臂路径规划的主从式协进化方法。
为了实现上述的目的，本发明采取如下技术方案：一种用于三维空间中移动机械臂路径规划的主从式协进化方法，包括以下步骤：
（1）利用视觉系统得到环境的整体信息。
（2）构建环境模型和移动机械臂模型，并对个体进行编码。
（3）以移动平台作为规划主导，根据线性同余法为系数随机产生表示移动平台初始路径的路径序列。
（4）对初始路径进行遗传算法操作，进化100代后，得到适应度高且无碰撞的路径集。
（5）从路径集中选出适应度高的进行离散操作。
（6）在离散路径的基础上进行机械臂的遗传算法操作，得到臂的最优角度序列。
（7）查看所得序列是否会引起碰撞或角度变化剧烈，若有则对机械臂角度进行光滑处理，并调换角色，以臂作为主导对移动平台重新进行路径规划，若无则转入下一步。
（8）评估机械臂和移动平台的整体性能，若达到所设定的阈值则算法结束，若未达到所设定的阈值则从移动平台的路径集中重新选择次优路径进行机械臂的进化，如此直到到达阈值要求，算法结束。
（9）将最终所得结果应用于实际移动机械臂平台，使其可以按较优路径从起始态到达目标态。
本发明的有益效果是，能够保证移动机械臂系统的整体性能较优，且由于平台先独立进行进化，因此更易找到平台在全局空间中的最优解，并通过主从角色的调换，可以有效进行机械臂和移动平台的协作，防止空间内发生的碰撞。
附图说明
图1是本发明中双目视觉中的几何关系图。
图2是本发明中协进化遗传算法的流程图。
图3是本发明中机械臂和小车模型图。
图4是本发明中主从式协进化方法流程图。
具体实施方式
本发明专利是利用主从式协进化方法实现三维空间中移动机械臂路径规划。该方法的原理是：仿照人类的社会活动情况，在群体活动中总是有部分人为主导地位，主导整个群体的发展方向，另一部分人属于从属地位，帮助推动群体的发展。而且这种地位并不是不变的，而是随着所面临的环境和个人经验对群体的贡献大小而发生改变的。在本文所述移动机械臂中，包含移动平台和机械臂，给这两个子系统分配领导者和协助者的角色。
首先由移动平台担任领导者的角色，完成地面上的路径规划，得到一条最优路径。然后由协助者--机械臂在领导者完成的任务基础上完成自己的任务：规划无碰撞且较优的位姿。
由于有碰撞的个体也可能在下一代的进化中转变成为无碰撞的，因此在算法中并没有将有碰撞的个体去除，而只是给它定义了一个罚函数。因此当协助者完成任务后会再次进行一个评估，即看它是否得到无碰位姿，所得到的位姿是否不会发生剧烈震荡，若是则得到移动机械臂最优解，若不是则调换角色，以机械臂作为领导者，对位姿先进行优化，然后车作为协助者重新进行进化。
最后还要再进行移动机械臂整体的适应度评估，若达到一个阈值则算法结束，若达不到则在第一步所得移动平台路径集中选出次优解再次进行上述过程。
本发明用于三维空间中移动机械臂路径规划的主从式协进化方法，包括以下步骤：
1.   利用视觉系统得到环境的整体信息。
通以双目相机对同一物体从不同位置成像获得立体图像，融合左右相机获得的立体图像，并察觉它们之间的差别（视差），根据它们自身相对的几何学计算左右图像的关系，使计算机能够导出深度信息。
两个已知内参数的摄像机观察同一个场景点，它的3D坐标可以用两条射线的交点计算出来，这是立体视觉（Stereo Vision）的基本原理。为了获得3D坐标，一般需要三个步骤：获得摄像机的内参数；在左右图像中的点之间建立对应点对；重构场景中点的深度信息。图1给出了两个摄像机系统的几何学。
其中场景点为                                                
Figure 546954DEST_PATH_IMAGE001
，分别是
Figure 170013DEST_PATH_IMAGE001
在左相机和右相机拍摄的图像点，在以像素为单位的图像坐标系
Figure 234921DEST_PATH_IMAGE003
和
Figure 574285DEST_PATH_IMAGE004
中坐标分别为
Figure 800867DEST_PATH_IMAGE005
，。
以左相机中心为坐标原点，根据视差理论计算可得到对应点的关系为：
                                             
其中
Figure 711820DEST_PATH_IMAGE008
表示空间点
Figure 125615DEST_PATH_IMAGE001
对应的视觉左图像点的像素坐标；
Figure 651274DEST_PATH_IMAGE009
表示视觉图像中心坐标点；
Figure 805787DEST_PATH_IMAGE010
为二维坐标点
Figure 100502DEST_PATH_IMAGE008
在双目相机左右图的视差，即两图像中的图像点位置的水平差值
Figure 747516DEST_PATH_IMAGE011
，
Figure 573520DEST_PATH_IMAGE012
为双目CCD相机的基线（Baseline）的长度，即连接左右摄像机光心的线；
Figure 269075DEST_PATH_IMAGE013
为相机焦距，单位为像素。
解出
Figure 511573DEST_PATH_IMAGE014
后代入可求出
Figure 516439DEST_PATH_IMAGE015
Figure 767422DEST_PATH_IMAGE016
                                   
Figure 391302DEST_PATH_IMAGE017
                                             
为相机焦距，单位为像素。
2. 构建环境模型和移动机械臂模型，并对个体进行编码。
将移动平台膨胀为空间中的一个点，该点有三个自由度X,Y,航向角，满足非完整约束
Figure 512339DEST_PATH_IMAGE019
，个体编码为(
Figure 546766DEST_PATH_IMAGE020
)，(
Figure 936159DEST_PATH_IMAGE021
)，…., (
Figure 954931DEST_PATH_IMAGE022
)。将6个关节的motoman机械臂简化为三段连杆L0、L1、L2,角度从下到上为α1、α2，个体编码为()，(
Figure 270823DEST_PATH_IMAGE024
)，…，(
Figure 265455DEST_PATH_IMAGE025
)。机械臂末端坐标和移动平台坐标之间的关系为：
Figure 417267DEST_PATH_IMAGE027
Figure 796427DEST_PATH_IMAGE028
3. 以移动平台作为规划主导，根据线性同余法为系数随机产生表示移动平台初始路径的路径序列。
对于移动平台，首先求得每段路径下x的最大值
Figure 160412DEST_PATH_IMAGE029
，再利用线性同余法产生满足均匀分布的随机数作为系数k，移动平台个体编码中
Figure 602545DEST_PATH_IMAGE030
，
Figure 786402DEST_PATH_IMAGE031
，j的范围从1到编码长度
Figure 969252DEST_PATH_IMAGE032
，
Figure 125427DEST_PATH_IMAGE018
为航向角，interval为每段长度下的路径，计算方法为
Figure 984799DEST_PATH_IMAGE033
，其中、
Figure 376914DEST_PATH_IMAGE035
为平台目标位置处的x、y坐标，、
Figure 168601DEST_PATH_IMAGE037
为平台初始位置处的x、y坐标，
Figure 327050DEST_PATH_IMAGE032
为编码长度。
对于机械臂，首先求得每段路径下x的最大值
Figure 848773DEST_PATH_IMAGE038
，其中j的范围从1到编码长度
Figure 776278DEST_PATH_IMAGE039
，minterval为每段长度下的角度值，计算方法为
Figure 728185DEST_PATH_IMAGE040
，、
Figure 889225DEST_PATH_IMAGE042
为2个关节角的终态，、
Figure 794044DEST_PATH_IMAGE044
为2个关节角的始态， 
Figure 677817DEST_PATH_IMAGE045
。于是有机械臂个体编码
Figure 731224DEST_PATH_IMAGE046
，
Figure 633321DEST_PATH_IMAGE047
，其中
Figure 918241DEST_PATH_IMAGE048
，
Figure 538578DEST_PATH_IMAGE049
，rand(1)为线性同余法产生满足均匀分布的随机数。注意此式中若则
Figure 699749DEST_PATH_IMAGE051
，若
Figure 616890DEST_PATH_IMAGE052
则
Figure 209676DEST_PATH_IMAGE053
。
4. 对初始路径进行遗传算法操作，进化100代后，得到适应度高且无碰撞的路径集。
对移动平台路径序列计算适应度。平台的适应度应该包括以下指标：首先是路径长度最小，而且在该路径长度上不能与障碍物发生碰撞。关于时间最短的问题会在计算机械臂的适应度时再考虑，因为时间的取值是平台和机械臂中较长的那个。路径长度表示为：
Figure 667202DEST_PATH_IMAGE054
，计算碰撞时，若移动平台与障碍物的距离
Figure 294624DEST_PATH_IMAGE055
<=0.01则碰撞次数
Figure 117086DEST_PATH_IMAGE056
加1。平台适应度为
Figure 446436DEST_PATH_IMAGE057
。、均为正比例系数。
按适应度高低进行排序，排序可以避免选择压力太小的情况下搜索过早收敛的问题，采用michalewicz提出的非线性排序的选择概率公式，其中i为个体排序序号，
Figure 809711DEST_PATH_IMAGE061
为排序第一的个人的选择概率。
对路径序列进行选择、交叉、变异操作以得到子代。
选择采用的方法是由holland提出的轮盘赌选择法，利用各个个体适应度大小决定其子孙保留的可能性，需进行多轮选择。每轮产生一个0~
Figure 546723DEST_PATH_IMAGE062
之间的均匀随机数，并以该随机数确定被选个体。改进的地方是在子代向父代复制以前先检测子代中适应度大小，若某适应度的值在子代中出现了5次或以上，则只取第一个复制，剩下的保持不变。、交叉采用的方法是均匀交叉，子代
Figure 883158DEST_PATH_IMAGE063
、
Figure 375319DEST_PATH_IMAGE064
和父代、之间的关系为：
Figure 226884DEST_PATH_IMAGE067
,
Figure 624367DEST_PATH_IMAGE068
,
Figure 166338DEST_PATH_IMAGE069
为比例因子，由[0,1]上均匀分布的随机数产生。变异是一种局部随机搜索，可以使算法保持种群多样性，避免早熟。操作好之后从子代中选择适应度高且无碰撞的路径放入路径集
Figure 307470DEST_PATH_IMAGE070
{}。重复此过程直到进化到100代。
5. 从路径集中选出适应度高的进行离散操作。
从路径集
Figure 618496DEST_PATH_IMAGE070
{}中选择适应度最高的路径序列，进行离散化操作，即设定平台行驶速度
Figure 452460DEST_PATH_IMAGE071
为常数，将所得路径转换为时间上平均分布的路径。
6. 在离散路径的基础上进行机械臂的遗传算法操作，得到臂的最优角度序列。
在此离散路径基础上对机械臂进行遗传算法操作。适应度函数考虑以下指标：移动机械臂整体运行时间T，与空间障碍物碰撞的次数
Figure 403099DEST_PATH_IMAGE072
，运动过程中角度变化的剧烈程度ξ。算法中设定机械臂的运动速度为一常数，因此运行时间
Figure 513454DEST_PATH_IMAGE074
，其中
Figure 266122DEST_PATH_IMAGE075
，
Figure 766373DEST_PATH_IMAGE076
。计算与空间障碍物的碰撞时，首先离散化时间点，然后离散化该时间点机械臂的各连杆，然后对连杆的每一段进行检测。角度变化程度
Figure 186990DEST_PATH_IMAGE077
。机械臂适应度为。、
Figure 386656DEST_PATH_IMAGE059
、
Figure 673281DEST_PATH_IMAGE079
均为正比例系数。
选择、交叉、变异基本同5（C）的过程，因此不多表述。
进化50代，并根据适应度得到最优角度序列。
7. 查看所得序列是否会引起碰撞或角度变化剧烈，若有则对机械臂角度进行光滑处理，并调换角色，以臂作为主导对移动平台重新进行路径规划，若无则转入下一步。
由于未去除有碰撞的个体，因此进化完后在该步骤查看步骤（6）中所得到的最优角度序列是否会发生碰撞，即
Figure 547827DEST_PATH_IMAGE072
是否为0，同时查看角度是否发生连续两次反向波动，即&
Figure 307021DEST_PATH_IMAGE081
，若有则对臂进行光滑处理，得到新的序列
Figure 162718DEST_PATH_IMAGE082
，并对移动平台重新进行路径规划，重复步骤（3）（4）。
8. 评估机械臂和移动平台的整体性能，若达到所设定的阈值则算法结束，若未达到所设定的阈值则从移动平台的路径集中重新选择次优路径进行机械臂的进化，如此直到到达阈值要求，算法结束。
9. 将最终所得结果应用于实际移动机械臂平台，使其可以按较优路径从起始态到达目标态。
将最终所得结果应用于实际移动机械臂平台：一个六关节机械臂MOTOMAN和一个满足非完整约束的轮式移动平台POWERBOT，使其可以按较优路径从起始态到达目标态，并避开空间中的2个障碍物和地面上的3个障碍物。
本发明考虑到空间和地面同时存在障碍物的情况情况，采用了一种主从式分开规划，同时相互协作的方法，能充分发挥原方法的优点并适应新的模型。这种新的规划方法由于需要大量的协作，因此计算耗时较大，但它十分有效的避免了移动机械臂和障碍物的碰撞，同时更容易达到最优解，是一种十分有效的方法。

Claims (10)

1.一种用于三维空间中移动机械臂路径规划的主从式协进化方法，其特征在于，包括以下步骤：
（1）利用视觉系统得到环境的整体信息；
（2）构建环境模型和移动机械臂模型，并对个体进行编码；
（3）以移动平台作为规划主导，根据线性同余法产生一组随机数，以该组随机数为系数的序列表示移动平台初始路径的路径序列；
（4）对初始路径进行遗传算法操作，进化100代后，得到适应度高且无碰撞的路径集；
（5）从路径集中选出适应度高的进行离散操作；
（6）在离散路径的基础上进行机械臂的遗传算法操作，得到臂的最优角度序列；
（7）查看所得序列是否会引起碰撞或角度变化剧烈，若有则对机械臂角度进行光滑处理，并调换角色，以臂作为主导对移动平台重新进行路径规划，若无则转入下一步；
（8）评估机械臂和移动平台的整体性能，若达到所设定的阈值则算法结束，若未达到所设定的阈值则从移动平台的路径集中重新选择次优路径进行机械臂的进化，如此直到到达阈值要求，算法结束；
（9）将最终所得结果应用于实际移动机械臂平台，使其可以按较优路径从起始态到达目标态。
2.根据权利要求1所述用于三维空间中移动机械臂路径规划的主从式协进化方法，其特征在于，所述步骤（1）中，以双目相机采集图像，并对图像进行SURF特征点检测和特征点匹配，以得到环境中障碍物所在的空间位置。
3.根据权利要求1所述用于三维空间中移动机械臂路径规划的主从式协进化方法，其特征在于，所述步骤（2）具体为，将移动平台膨胀为空间中的一个点，该点有三个自由度X,Y,航向角                                                ，满足非完整约束
Figure 573590DEST_PATH_IMAGE002
，个体编码为(
Figure DEST_PATH_IMAGE003
)，(
Figure 304785DEST_PATH_IMAGE004
)，…., (
Figure DEST_PATH_IMAGE005
)；将6个关节的motoman机械臂简化为三段连杆L0、L1、L2,角度从下到上为α1、α2，个体编码为(
Figure 422783DEST_PATH_IMAGE006
)，(
Figure DEST_PATH_IMAGE007
)，…，(
Figure 177112DEST_PATH_IMAGE008
)。
4.根据权利要求3所述用于三维空间中移动机械臂路径规划的主从式协进化方法，其特征在于，所述步骤（3）包括以下子步骤：
（A）对于移动平台，首先求得每段路径下x的最大值
Figure DEST_PATH_IMAGE009
，再利用线性同余法产生满足均匀分布的随机数作为系数k，移动平台个体编码中，，j的范围从1到编码长度
Figure 559214DEST_PATH_IMAGE012
，为航向角，interval为每段长度下的路径，计算方法为
Figure DEST_PATH_IMAGE013
，其中
Figure 293000DEST_PATH_IMAGE014
、
Figure DEST_PATH_IMAGE015
为平台目标位置处的x、y坐标，
Figure 630441DEST_PATH_IMAGE016
、
Figure DEST_PATH_IMAGE017
为平台初始位置处的x、y坐标，为编码长度；
（B）对于机械臂，首先求得每段路径下x的最大值
Figure 733712DEST_PATH_IMAGE018
，其中j的范围从1到编码长度
Figure DEST_PATH_IMAGE019
，minterval为每段长度下的角度值，计算方法为
Figure 524950DEST_PATH_IMAGE020
，
Figure DEST_PATH_IMAGE021
、
Figure 603765DEST_PATH_IMAGE022
为2个关节角的终态，
Figure DEST_PATH_IMAGE023
、
Figure 164059DEST_PATH_IMAGE024
为2个关节角的始态， 
Figure DEST_PATH_IMAGE025
；于是有机械臂个体编码
Figure 998023DEST_PATH_IMAGE026
，
Figure DEST_PATH_IMAGE027
，其中
Figure 13908DEST_PATH_IMAGE028
，
Figure DEST_PATH_IMAGE029
，rand(1)为线性同余法产生满足均匀分布的随机数；注意此式中若
Figure 958730DEST_PATH_IMAGE030
则
Figure DEST_PATH_IMAGE031
，若
Figure 373531DEST_PATH_IMAGE032
则
Figure DEST_PATH_IMAGE033
。
5.根据权利要求4所述用于三维空间中移动机械臂路径规划的主从式协进化方法，其特征在于，所述步骤（4）包括以下子步骤：
（A）对移动平台路径序列计算适应度；平台的适应度应该包括以下指标：首先是路径长度最小，而且在该路径长度上不能与障碍物发生碰撞；关于时间最短的问题会在计算机械臂的适应度时再考虑，因为时间的取值是平台和机械臂中较长的那个；路径长度表示为：
Figure 378396DEST_PATH_IMAGE034
，计算碰撞时，若移动平台与障碍物的距离
Figure DEST_PATH_IMAGE035
<=0.01则碰撞次数
Figure 816331DEST_PATH_IMAGE036
加1；平台适应度为
Figure DEST_PATH_IMAGE037
；、
Figure DEST_PATH_IMAGE039
均为正比例系数；
（B）按适应度高低进行排序，排序可以避免选择压力太小的情况下搜索过早收敛的问题，采用michalewicz提出的非线性排序的选择概率公式，其中i为个体排序序号，
Figure DEST_PATH_IMAGE041
为排序第一的个人的选择概率；
（C）对路径序列进行选择、交叉、变异操作以得到子代；
选择采用的方法是由holland提出的轮盘赌选择法，利用各个个体适应度大小决定其子孙保留的可能性，需进行多轮选择；每轮产生一个0~
Figure 9918DEST_PATH_IMAGE042
之间的均匀随机数，并以该随机数确定被选个体；改进的地方是在子代向父代复制以前先检测子代中适应度大小，若某适应度的值在子代中出现了5次或以上，则只取第一个复制，剩下的保持不变；交叉采用的方法是均匀交叉，子代
Figure DEST_PATH_IMAGE043
、
Figure 997465DEST_PATH_IMAGE044
和父代
Figure DEST_PATH_IMAGE045
、
Figure 304598DEST_PATH_IMAGE046
之间的关系为：
Figure DEST_PATH_IMAGE047
,
Figure 428412DEST_PATH_IMAGE048
,
Figure DEST_PATH_IMAGE049
为比例因子，由[0,1]上均匀分布的随机数产生；变异是一种局部随机搜索，可以使算法保持种群多样性，避免早熟；
（D）从子代中选择适应度高且无碰撞的路径放入路径集
Figure 712762DEST_PATH_IMAGE050
{}；
（E）重复此过程直到进化到100代。
6.根据权利要求5所述用于三维空间中移动机械臂路径规划的主从式协进化方法，其特征在于，所述步骤（5）具体为：从路径集
Figure 187606DEST_PATH_IMAGE050
{}中选择适应度最高的路径序列，进行离散化操作，即设定平台行驶速度
Figure DEST_PATH_IMAGE051
为常数，将所得路径转换为时间上平均分布的路径。
7.根据权利要求6所述用于三维空间中移动机械臂路径规划的主从式协进化方法，其特征在于，所述步骤（6）包含以下子步骤：
（A）在此离散路径基础上对机械臂进行遗传算法操作；适应度函数考虑以下指标：移动机械臂整体运行时间T，与空间障碍物碰撞的次数
Figure 277922DEST_PATH_IMAGE052
，运动过程中角度变化的剧烈程度ξ；算法中设定机械臂的运动速度
Figure DEST_PATH_IMAGE053
为一常数，因此运行时间，其中
Figure DEST_PATH_IMAGE055
，
Figure 773811DEST_PATH_IMAGE056
；计算与空间障碍物的碰撞时，首先离散化时间点，然后离散化该时间点机械臂的各连杆，然后对连杆的每一段进行检测；角度变化程度
Figure DEST_PATH_IMAGE057
；机械臂适应度为
Figure 735951DEST_PATH_IMAGE058
；
Figure 302062DEST_PATH_IMAGE038
、
Figure 666047DEST_PATH_IMAGE039
、
Figure DEST_PATH_IMAGE059
均为正比例系数；
（B）选择、交叉、变异基本同5（C）的过程，因此不多表述；
（C）进化50代，并根据适应度得到最优角度序列。
8.根据权利要求7所述用于三维空间中移动机械臂路径规划的主从式协进化方法，其特征在于，所述步骤（7）具体为：由于未去除有碰撞的个体，因此进化完后在该步骤查看步骤（6）中所得到的最优角度序列是否会发生碰撞，即
Figure 91868DEST_PATH_IMAGE052
是否为0，同时查看角度是否发生连续两次反向波动，即
Figure 478987DEST_PATH_IMAGE060
&
Figure DEST_PATH_IMAGE061
，若有则对臂进行光滑处理，得到新的序列，并对移动平台重新进行路径规划，重复步骤（3）（4）。
9.根据权利要求8所述用于三维空间中移动机械臂路径规划的主从式协进化方法，其特征在于，所述步骤（8）具体为：评估机械臂和移动平台的整体性能
Figure DEST_PATH_IMAGE063
，
Figure 864017DEST_PATH_IMAGE064
、
Figure DEST_PATH_IMAGE065
为机械臂和移动平台所占的权值；若
Figure 723389DEST_PATH_IMAGE066
则算法结束，若
Figure DEST_PATH_IMAGE067
则从移动平台的路径集{}中重新选择次优路径进行机械臂的进化，如此直到到达阈值要求，算法结束。
10.根据权利要求1所述用于三维空间中移动机械臂路径规划的主从式协进化方法，其特征在于，所述步骤（9）具体为：将最终所得结果应用于实际移动机械臂平台：一个六关节机械臂MOTOMAN和一个满足非完整约束的轮式移动平台POWERBOT，使其可以按较优路径从起始态到达目标态，并避开空间中的2个障碍物和地面上的3个障碍物。
CN201110064969A 2011-03-18 2011-03-18 用于三维空间中移动机械臂路径规划的主从式协进化方法 Expired - Fee Related CN102161198B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201110064969A CN102161198B (zh) 2011-03-18 2011-03-18 用于三维空间中移动机械臂路径规划的主从式协进化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201110064969A CN102161198B (zh) 2011-03-18 2011-03-18 用于三维空间中移动机械臂路径规划的主从式协进化方法

Publications (2)

Publication Number Publication Date
CN102161198A CN102161198A (zh) 2011-08-24
CN102161198B true CN102161198B (zh) 2012-09-19

Family

ID=44462786

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201110064969A Expired - Fee Related CN102161198B (zh) 2011-03-18 2011-03-18 用于三维空间中移动机械臂路径规划的主从式协进化方法

Country Status (1)

Country Link
CN (1) CN102161198B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103955619B (zh) * 2014-05-09 2017-12-22 大连大学 一种七自由度空间机械臂最小基座扰动解析逆运动学求解方法
CN104881026B (zh) * 2015-04-28 2017-11-24 国家电网公司 高压线路抢修机械臂移动路径规划系统及方法
CN105631875A (zh) * 2015-12-25 2016-06-01 广州视源电子科技股份有限公司 确定相机坐标与机械臂手爪坐标映射关系的方法及其系统
KR102023149B1 (ko) 2016-03-03 2019-11-22 구글 엘엘씨 로봇 파지를 위한 심층 기계 학습 방법 및 장치
EP3742347B1 (en) 2016-03-03 2022-11-02 Google LLC Deep machine learning methods and apparatus for robotic grasping
CN105739507B (zh) * 2016-04-29 2018-11-20 昆山华恒机器人有限公司 一种机器人防碰撞的最优路径规划方法
CN106980263B (zh) * 2017-04-07 2020-04-21 西北工业大学 一种针对多项在轨任务的主从优化方法
CN107160402A (zh) * 2017-06-27 2017-09-15 华北电力大学（保定） 一种机械臂移动路径规划系统及方法
CN112264989B (zh) * 2020-06-17 2023-06-06 华中科技大学 一种基于邻域遍历的双机械臂协同避障方法
CN111687844B (zh) * 2020-06-19 2021-08-31 浙江大学 一种使用机械臂抬起最少次数完成不可重复覆盖任务的方法
CN111958601A (zh) * 2020-08-19 2020-11-20 西南交通大学 一种基于深度学习的自动化寻径与物料识别方法
CN112378258A (zh) * 2020-10-15 2021-02-19 内蒙古新太元新材料有限公司 一种具有自动调节功能的机械式出炉设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7689320B2 (en) * 2005-12-20 2010-03-30 Intuitive Surgical Operations, Inc. Robotic surgical system with joint motion controller adapted to reduce instrument tip vibrations
CN101889900A (zh) * 2010-07-12 2010-11-24 天津大学 辅助微创外科手术的主从一体式机械臂

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006062052A (ja) * 2004-08-30 2006-03-09 Gifu Prefecture ロボット教示システム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7689320B2 (en) * 2005-12-20 2010-03-30 Intuitive Surgical Operations, Inc. Robotic surgical system with joint motion controller adapted to reduce instrument tip vibrations
CN101889900A (zh) * 2010-07-12 2010-11-24 天津大学 辅助微创外科手术的主从一体式机械臂

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘山等.多机器人协作搬运路径规划研究.《计算机工程与应用》.2010,第46卷(第32期),197-201. *

Also Published As

Publication number Publication date
CN102161198A (zh) 2011-08-24

Similar Documents

Publication Publication Date Title
CN102161198B (zh) 用于三维空间中移动机械臂路径规划的主从式协进化方法
CN113159432B (zh) 一种基于深度强化学习的多智能体路径规划方法
CN105979203B (zh) 一种多摄像机协同监控方法及装置
CN104516350B (zh) 一种复杂环境中的移动机器人路径规划方法
CN101387888B (zh) 基于二进制量子粒子群算法的移动机器人路径规划方法
Aristidou et al. Motion capture with constrained inverse kinematics for real-time hand tracking
CN106695802A (zh) 基于多自由度机械臂的改进式rrt*的避障运动规划方法
CN110419049A (zh) 房间布局估计方法和技术
CN107092254A (zh) 一种基于深度增强学习的家用扫地机器人的设计方法
CN110275526A (zh) 一种基于改进遗传算法的移动机器人路径规划方法
CN105425795A (zh) 规划最优跟随路径的方法及装置
CN108088445A (zh) 基于八叉树表示的三维栅格地图路径规划系统及方法
CN113741444B (zh) 一种基于多智能体邻近交互与轨迹预测的路径规划方法
CN113985897B (zh) 一种基于行人轨迹预测与社交约束的移动机器人路径规划方法
CN114997067A (zh) 一种基于时空图与空域聚合Transformer网络的轨迹预测方法
CN113362367B (zh) 一种基于多精度交互的人群轨迹预测方法
Samuelsen et al. Some distance measures for morphological diversification in generative evolutionary robotics
CN113362368A (zh) 一种基于多层次时空图神经网络的人群轨迹预测方法
CN113612528A (zh) 一种无人机集群数字孪生仿真系统网络连通性修复方法
Funk et al. Graph-based Reinforcement Learning meets Mixed Integer Programs: An application to 3D robot assembly discovery
Wagner et al. SMAC: Symbiotic multi-agent construction
CN113359744B (zh) 一种基于安全强化学习及视觉传感器的机器人避障系统
CN116403176A (zh) 基于车道点未来轨迹偏移量辅助监督的车辆轨迹预测方法
Chen et al. HGCN-GJS: Hierarchical graph convolutional network with groupwise joint sampling for trajectory prediction
Dey Applied Genetic Algorithm and Its Variants: Case Studies and New Developments

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20120919

Termination date: 20150318

EXPY Termination of patent right or utility model