CN104834809A - 基于人工蜂群搜索的七自由度机械臂逆向运动学求解方法 - Google Patents
基于人工蜂群搜索的七自由度机械臂逆向运动学求解方法 Download PDFInfo
- Publication number
- CN104834809A CN104834809A CN201510182618.9A CN201510182618A CN104834809A CN 104834809 A CN104834809 A CN 104834809A CN 201510182618 A CN201510182618 A CN 201510182618A CN 104834809 A CN104834809 A CN 104834809A
- Authority
- CN
- China
- Prior art keywords
- honey source
- honey
- search
- source
- msub
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 235000012907 honey Nutrition 0.000 claims description 425
- 241000257303 Hymenoptera Species 0.000 claims description 55
- 239000013598 vector Substances 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 12
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 102000004169 proteins and genes Human genes 0.000 claims 1
- 108090000623 proteins and genes Proteins 0.000 claims 1
- 230000002028 premature Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种基于人工蜂群搜索的七自由度机械臂逆向运动学求解方法,该方法用于求取七自由度关节串联型机械臂运动路径中位姿插补点的逆向运动学方程的数值解,该方法基于七自由度机械臂正向运动学方程建立目标函数,采用人工蜂群算法三段式搜索策略,对运动路径中的位姿插补点的各个关节绝对角度值在从起点到终点的角度变化范围内进行最优值搜索,并将搜索结果作为该位姿插补点逆向运动学方程的数值解。通过本发明述及的三段式搜索策略可增强人工蜂群算法的搜索能力、提高算法的收敛速度和计算精度,从而简化七自由度机械臂逆向运动学求解的复杂性,提高求解的速度和精度。
Description
技术领域
本发明属于工业机器人控制技术领域,具体涉及一种基于人工蜂群搜索的七自由度机械臂逆向运动学求解方法。
背景技术
目前,工业领域中使用最多的机械臂是六自由度或少于六自由度的关节串联型机械臂。随着工作环境和任务的日益复杂化,要求新一代的机械臂需要具备更高的灵活性和适应性。六自由度机械臂的末端位姿与各关节角之间存在着一一对应关系,即在末端位姿确定的情况下,只存在着有限的关节位置与之对应,如果某指定位姿下对应的关节位置存在障碍或处于奇异位形,机械臂的关节角就没有调整的余地,缺乏灵活性。由于多了一个冗余自由度,七自由度机械臂的自由度数目大于确定空间某一位姿所需的六个,其末端位姿与关节角空间的关系变成一对多,即在末端位姿指定的情况下,关节空间中存在着无数组解与指定末端位姿相对应。因此,七自由度机械臂有了更多的姿势形态,并可利用这一特点克服机械臂的奇异性、避免受限关节角、躲避障碍物及获得最小关节力矩等,可以很好地满足某些环境、任务和工艺的特殊要求。但是,七自由度机械臂逆向运动学方程的解也由六自由度机械臂的一组变成无穷多组,如何在无穷多组解中确定一个合理且最优的解是七自由度机械臂控制技术的关键问题,其求解难度和复杂程度远大于六自由度机械臂的逆向运动学求解,如何快速准确地求取七自由度机械臂逆向运动学的解仍然是该领域的一大难题。
人工蜂群算法是由土耳其学者提出的一种基于蜜蜂觅食行为的群智能优化算法,与蚁群算法、粒子群算法等其他智能算法相比,人工蜂群不仅参数少,鲁棒性强,易于实现,而且在每次迭代过程中都会进行全局和局部搜索,增加了找到最优解的概率,并在一定程度上避免了陷入局部最优的可能。对于七自由度机械臂的逆向运动学求解问题,可采用人工蜂群算法对某一位姿下逆向运动学对应的无穷多组解进行寻优,并确定一组适用的最优解,通过这一方法可极大简化运算设计的复杂性,提高求解的速度和精度。
但标准的人工蜂群算法也存在缺陷,主要表现在初始解随机性强,存在早熟收敛,后段收敛速度慢,缺乏局部精细搜索能力,计算精度不高等问题,这主要是因为在标准的人工蜂群算法中,蜜源初始位置的设定和更新蜜源的搜索策略不够理想。
在标准的人工蜂群算法中,蜜源的位置被抽象成解空间中的点并代表问题的潜在解,如果求解问题的维数为D,蜜源数为N,则蜜源i初始位置依照以下公式在搜索空间中随机产生:
其中,i∈{1,2,…,N},d∈{1,2,…,D},表示蜜源i的初始位置中第d维分量,表示搜索空间中第d维分量的下限值,表示搜索空间中第d维分量的上限值,rand(0,1)表示[0,1]内的一个随机数。
在蜜源搜索过程中,引领蜂和跟随蜂在蜜源i周围随机选择一个参考蜜源进行搜索,并根据以下公式产生一个新蜜源:
其中,i∈{1,2,…,N},m∈{1,2,…,D},j∈{1,2,…,N},m和j为其取值范围内的随机数,且i≠j,表示搜索到的新蜜源的位置的第m维分量,表示蜜源i的位置的第d维分量,表示随机选择的目标蜜源j的位置的第m维分量,表示[-1,1]内的一个随机数。
由上述两式可知,在蜜源初始化时,由于每个蜜源位置的初始值是随机设置,当蜜源数量较少时,其初始位置分布不均匀,导致搜索范围受到限制,影响全局搜索能力,并易导致早熟收敛。在引领蜂和跟随蜂进行新蜜源搜索时,由于搜索公式中位置的维度分量m、蜜源j和都为随机数,搜索过程中不确因素较多,搜索的收敛速度和精度较难保证。
发明内容
针对现有技术中存在的上述技术问题,本发明提出了一种基于人工蜂群搜索的七自由度机械臂逆向运动学求解方法,其采用如下技术方案:
基于人工蜂群搜索的七自由度机械臂逆向运动学求解方法,包括如下步骤:
设七自由度关节串联型机械臂的逆向运动学方程的解的维数为7,第1维至第7维分别对应机械臂底座第1个旋转关节到末端第7个旋转关节的绝对角度值;
设机械臂末端的运动路径中位姿插补点P的位姿矩阵Tp为:
其中,子矩阵 描述了在基础坐标系中机械臂末端在位姿插补点P时的姿态,其由三个单位矢量构成;
其中,[npx npy npz]T为末端法线矢量,[opx opy opz]T为末端方向矢量,[apx apy apz]T为末端接近矢量;
子矩阵[ppx ppy ppz]T描述了在基础坐标系中机械臂末端在位姿插补点P时的位置;
设人工蜂群算法完成1次搜索机械臂逆向运动学方程数值解的循环后,各关节角的搜索值为θi,i=1,2,…,7;
根据在基础坐标系下建立的机械臂各关节及末端的坐标系模型,利用θi并结合机械臂的机械参数建立机械臂的正向运动学方程,求得位姿矩阵To为:
其中,子矩阵 描述了在基础坐标系中机械臂末端在位姿插补点P时的姿态,其由三个单位矢量构成;
其中,[nox noy noz]T为末端法线矢量,[oox ooy ooz]T为末端方向矢量,[aox aoy aoz]T为末端接近矢量;
子矩阵[pox poy poz]T描述了在基础坐标系中机械臂末端在位姿插补点P时的位置;
设置人工蜂群搜索的目标函数f(To,Tp),表达式如下:
f(To,Tp)=(|nox|-|npx)2+(|oox|-|opx|)2+(|aox|-|apx|)2+(|noy|-|npy|)2+(|ooy|-|opy|)2+(|aoy|-|apy|)2+(|noz|-|npz|)2+(|ooz|-|opz)2+(|aoz|-|apz|)2+(pox-ppx)2+(poy-ppy)2+(poz-ppz)2 (3)
人工蜂群中蜜源的位置代表七自由度机械臂逆向运动学方程的解,蜜源适应度值的计算采用标准的人工蜂群算法中的计算公式,如下式(4):
其中,fitni表示第i个蜜源的适应度值,fi(To,Tp)表示第i个蜜源的目标函数值;
采用人工蜂群三段式搜索策略对机械臂末端某一运动路径中的位姿插补点P的各个关节绝对角度值在从路径起点到终点的角度变化范围进行最优值搜索,并将搜索结果作为该位姿插补点P的逆向运动学方程的数值解,具体搜索步骤如下:
将整个搜索过程分为三个阶段,即前段搜索阶段、中段搜索阶段和后段搜索阶段;
a前段搜索阶段
前段搜索阶段包括蜜源初始化和前段搜索过程;
蜜源初始化包括如下步骤:
设初始蜜源的数量为N,将逆向运动学方程的解空间划分为N个大小相等的子空间,1个子空间内包含1个蜜源,蜜源的初始位置在子空间内随机确定;
定义分别表示解空间中第d维分量对应的关节在机械臂末端某一运动路径中的起点和终点的绝对角度值;其中,d∈{1,2,…,7},解空间的每维分量均分为长度相等的m个数据段,且m7=N,每个数据段的长度为
各维分量中均分的数据段用表达;其中,上标d∈{1,2,…,7}表示维度序列号,下标i∈{1,2,…,m}表示数据段序列号;
每次抽取各维中的1个数据段构建1个7维的子空间,每个子空间中至少有1个数据段与其他子空间不同,共有m7种不同的组合方式,即可构建N个子空间;
子空间用Xi表达,其中,i∈{1,2,…,N};子空间的表达式为其中,分别为从第1至第7维中各维的1个数据段;
在每个子空间中随机产生1个蜜源的初始位置,即蜜源的初始位置的各维分量是其被包含的子空间的各维分量取值范围内的随机数,公式表达如下:
其中,表示第i个子空间中的蜜源初始位置的第d维分量,表示第i个子空间中第d维分量的下限值,表示第i个子空间中第d维分量的上限值,rand(0,1)表示[0,1]内的1个随机数;
所有子空间内都产生蜜源的初始位置后,即开始进行前段搜索;
前段搜索采用标准的人工蜂群算法的搜索策略,即N个引领蜂依次在蜜源i周围随机选择1个参考蜜源进行搜索,并根据公式(6)产生1个新蜜源:
其中,i∈{1,2,…,N},m∈{1,2,…,7},j∈{1,2,…,N},m和j为其取值范围内的随机数,且i≠j,表示搜索到的新蜜源的位置的第m维分量,表示蜜源i的位置的第d维分量,表示随机选择的参考蜜源j的位置的第m维分量,表示[-1,1]内的一个随机数;
然后根据公式(4)分别计算参考蜜源和新蜜源的适应度值;
如果新蜜源的适应度值大于参考蜜源的适应度值,则放弃该参考蜜源,新蜜源成为可供随机选择的参考蜜源;否则,保留参考蜜源并放弃新蜜源;
当引领蜂全部完成1次搜索后,跟随蜂将依据蜜源的选择概率Pi选择蜜源进行跟随,选择概率Pi的表达式如下:
然后N个跟随蜂依次在蜜源i周围随机选择1个参考蜜源进行搜索,并根据公式(6)产生1个新蜜源;
跟随蜂依据公式(4)分别计算参考蜜源和新蜜源的适应度值;
如果新蜜源的适应度值大于参考蜜源的适应度值,则放弃该参考蜜源,新蜜源成为可供随机选择的参考蜜源;否则,保留参考蜜源并放弃新蜜源;
当跟随蜂全部完成1次搜索后,前段搜索即完成了1次循环;
当完成总循环中的前20%次循环后,前段搜索阶段结束;
b中段搜索阶段
将中段搜索阶段划分为N-1个循环数相同的调整段,设中段搜索阶段的循环数为L,调整段的循环数为lA,且满足lA=L/(N-1);
在中段搜索阶段,引领蜂在某一蜜源周围搜索新蜜源时的规则为:在不断搜索过程中,逐渐缩小可供随机选择的参考蜜源的数量;
中段搜索开始后,可供随机选择的参考蜜源的数量从第1个调整段开始循环前的N-1个,每经过1个调整段减少1个,一直减少到最后1个调整段开始循环前的1个;
设n为中段搜索中调整段的序列号,n=1,2,…,N-1;在第n个调整段开始循环前,依据公式(4)计算当前的N个蜜源的适应度值并从大到小排序,排除掉适应度值最小的n个蜜源,将其余N-n个蜜源作为可供随机选择的参考蜜源;
在第n个调整段的lA次循环中,N个引领蜂将以选择好的N-n个蜜源作为参考蜜源进行新蜜源的搜索,其表达式为:
其中,i∈{1,2,…,N},m∈{1,2,…,7},j∈{1,2,…,N-n},m和j为其取值范围内的随机数,表示搜索到的新蜜源的位置的第m维分量,表示蜜源i的位置的第m维分量,表示在经过排序选择后的N-n个参考蜜源中随机选择的参考蜜源j的位置的第m维分量,表示[-1,1]内的一个随机数;
如果某一蜜源属于可供随机选择的参考蜜源,则当引领蜂在该蜜源周围搜索新蜜源时,不能选择该蜜源本身作为参考蜜源;
然后依据公式(4)分别计算参考蜜源和新蜜源的适应度值;
如果新蜜源的适应度值大于参考蜜源的适应度值,则放弃该参考蜜源,新蜜源成为可供随机选择的参考蜜源;否则,保留参考蜜源并放弃新蜜源;
当引领蜂全部完成1次搜索后,跟随蜂将依据公式(7)的选择概率Pi选择蜜源进行跟随;
N个跟随蜂依次在蜜源i周围随机选择1个参考蜜源进行搜索,并根据公式(8)产生1个新蜜源;
然后跟随蜂依据公式(4)分别计算参考蜜源和新蜜源的适应度值;
如果新蜜源的适应度值大于参考蜜源的适应度值,则放弃该参考蜜源,新蜜源成为可供随机选择的参考蜜源;否则,保留参考蜜源并放弃新蜜源;
当N个跟随蜂全部完成1次搜索后,中段搜索的第n个调整段即完成了1次循环;
当完成lA次循环后,中段搜索的第n个调整段的搜索结束;
当中段搜索的最后1个调整段开始循环时,此时可供选择的参考蜜源的数量为1个,引领蜂和跟随蜂在依照公式(8)在某一蜜源周围进行新蜜源搜索时,如果该蜜源同时也为参考蜜源,则停止该次搜索,蜜源的位置保持不变;
当中段搜索的N-1个调整段都完成循环后,即完成了总循环中的中间70%次循环,中段搜索阶段结束;
c后段搜索阶段
在后段搜索开始前,首先基于中段搜索阶段结束时的N个蜜源扩展N个新蜜源,使得蜜源总数达到2N个;
N个引领蜂依次进行1次搜索,生成N个新蜜源,搜索公式如下:
引领蜂在蜜源i周围随机选择1个参考蜜源进行搜索,并根据公式(9)产生1个新蜜源:
其中,i∈{1,2,…,N},m∈{1,2,…,7},j∈{1,2,…,N},m和j为其取值范围内的随机数,且i≠j,表示搜索到的新蜜源的位置的第m维分量,表示蜜源i的位置的第d维分量,表示随机选择的目标蜜源j的位置的第m维分量,表示[-1,1]内的一个随机数;
蜜源扩展成后,引领蜂和跟随蜂的数量也相应变为2N个,后段搜索将延续中段搜索的策略,即在后段搜索过程中,每次循环开始前,计算2N个蜜源的适应度值并寻找适应度值最高的蜜源,2N个引领蜂依次以适应度值最高的蜜源作为参考蜜源进行新蜜源的搜索,其表达式为:
其中,i∈{1,2,…,2N},m∈{1,2,…,7},m为其取值范围内的随机数,表示搜索到的新蜜源的位置的第m维分量,表示蜜源i的位置的第d维分量,表示适应度值最高的蜜源的位置的第m维分量,表示[-1,1]内的一个随机数;
当引领蜂在参考蜜源周围搜索新蜜源时,则停止该次搜索,参考蜜源的位置保持不变;
然后依据公式(4)分别计算参考蜜源和新蜜源的适应度值;
如果新蜜源的适应度值大于参考蜜源的适应度值,则放弃该参考蜜源,新蜜源成为可供随机选择的参考蜜源;否则,保留参考蜜源并放弃新蜜源;
当引领蜂全部完成1次搜索后,跟随蜂将依据蜜源公式(7)的选择概率Pi选择蜜源进行跟随;2N个跟随蜂依次在蜜源i周围随机选择1个参考蜜源进行搜索,并根据公式(10)产生1个新蜜源;
然后跟随蜂依据公式(4)分别计算参考蜜源和新蜜源的适应度值;
如果新蜜源的适应度值大于参考蜜源的适应度值,则放弃该参考蜜源,新蜜源成为可供随机选择的参考蜜源;否则,保留参考蜜源并放弃新蜜源;
当跟随蜂全部完成1次搜索后,后段搜索即完成了1次循环;
当完成总循环中的后10%次循环后,后段搜索阶段结束;
整个搜索过程结束后,依据公式(4)分别计算2N个蜜源的适应度值,适应度值最高的蜜源是人工蜂群搜索出来的最优解,即为位姿插补点P的逆向运动学方程的数值解,其第1维至第7维的数值分别对应机械臂末端在该位姿插补点P时机械臂底座第1个旋转关节到末端第7个旋转关节的绝对角度值,求解过程结束。
本发明具有如下优点:
本发明方法用于求取七自由度关节串联型机械臂运动路径中位姿插补点的逆向运动学方程的数值解,该方法基于七自由度机械臂正向运动学方程建立目标函数,采用人工蜂群算法三段式搜索策略,对运动路径中的位姿插补点的各个关节绝对角度值在从起点到终点的角度变化范围内进行最优值搜索,并将搜索结果作为该位姿插补点逆向运动学方程的数值解。通过本发明述及的三段式搜索策略可增强人工蜂群算法的搜索能力、提高算法的收敛速度和计算精度,从而简化七自由度机械臂逆向运动学求解的复杂性,提高求解的速度和精度。
附图说明
图1为本发明中人工蜂群搜索方法的流程示意图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明:
如图1所示,基于人工蜂群搜索的七自由度机械臂逆向运动学求解方法,包括如下步骤:
设七自由度关节串联型机械臂的逆向运动学方程的解的维数为7,第1维至第7维分别对应机械臂底座第1个旋转关节到末端第7个旋转关节的绝对角度值;
设机械臂末端的运动路径中位姿插补点P的位姿矩阵Tp为:
其中,子矩阵 描述了在基础坐标系中机械臂末端在位姿插补点P时的姿态,其由三个单位矢量构成;
其中,[npx npy npz]T为末端法线矢量,[opx opy opz]T为末端方向矢量,[apx apy apz]T为末端接近矢量;
子矩阵[ppx ppy ppz]T描述了在基础坐标系中机械臂末端在位姿插补点P时的位置;
设人工蜂群算法完成1次搜索机械臂逆向运动学方程数值解的循环后,各关节角的搜索值为θi,i=1,2,…,7;
根据在基础坐标系下建立的机械臂各关节及末端的坐标系模型,利用θi并结合机械臂的机械参数建立机械臂的正向运动学方程,求得位姿矩阵To为:
其中,子矩阵 描述了在基础坐标系中机械臂末端在位姿插补点P时的姿态,其由三个单位矢量构成;
其中,[nox noy noz]T为末端法线矢量,[oox ooy ooz]T为末端方向矢量,[aox aoy aoz]T为末端接近矢量;
子矩阵[pox poy poz]T描述了在基础坐标系中机械臂末端在位姿插补点P时的位置;
设置人工蜂群搜索的目标函数f(To,Tp),表达式如下:
f(To,Tp)=(|nox|-|npx|)2+(|oox|-|opx|)2+(|aox|-|apx|)2+(|noy|-|npy|)2+(|ooy|-|opy|)2+(|aoy|-|apy|)2+(|noz|-|npz|)2+(|ooz|-|opz|)2+(|aoz|-|apz|)2+(pox-ppx)2+(poy-ppy)2+(poz-ppz)2 (3)
人工蜂群中蜜源的位置代表七自由度机械臂逆向运动学方程的解,蜜源适应度值的计算采用标准的人工蜂群算法中的计算公式,如下式(4):
其中,fitni表示第i个蜜源的适应度值,fi(To,Tp)表示第i个蜜源的目标函数值;
采用人工蜂群三段式搜索策略对机械臂末端某一运动路径中的位姿插补点P的各个关节绝对角度值在从路径起点到终点的角度变化范围进行最优值搜索,并将搜索结果作为该位姿插补点P的逆向运动学方程的数值解,具体搜索步骤如下:
将整个搜索过程分为三个阶段,即前段搜索阶段、中段搜索阶段和后段搜索阶段;
a前段搜索阶段
前段搜索阶段包括蜜源初始化和前段搜索过程;
蜜源初始化包括如下步骤:
设初始蜜源的数量为N,将逆向运动学方程的解空间划分为N个大小相等的子空间,1个子空间内包含1个蜜源,蜜源的初始位置在子空间内随机确定;
定义分别表示解空间中第d维分量对应的关节在机械臂末端某一运动路径中的起点和终点的绝对角度值;其中,d∈{1,2,…,7},解空间的每维分量均分为长度相等的m个数据段,且m7=N,每个数据段的长度为
各维分量中均分的数据段用表达;其中,上标d∈{1,2,…,7}表示维度序列号,下标i∈{1,2,…,m}表示数据段序列号;
每次抽取各维中的1个数据段构建1个7维的子空间,每个子空间中至少有1个数据段与其他子空间不同,共有m7种不同的组合方式,即可构建N个子空间;
子空间用Xi表达,其中,i∈{1,2,…,N};子空间的表达式为其中,分别为从第1至第7维中各维的1个数据段;
在每个子空间中随机产生1个蜜源的初始位置,即蜜源的初始位置的各维分量是其被包含的子空间的各维分量取值范围内的随机数,公式表达如下:
其中,表示第i个子空间中的蜜源初始位置的第d维分量,表示第i个子空间中第d维分量的下限值,表示第i个子空间中第d维分量的上限值,rand(0,1)表示[0,1]内的1个随机数;
所有子空间内都产生蜜源的初始位置后,即开始进行前段搜索;
前段搜索采用标准的人工蜂群算法的搜索策略,即N个引领蜂依次在蜜源i周围随机选择1个参考蜜源进行搜索,并根据公式(6)产生1个新蜜源:
其中,i∈{1,2,…,N},m∈{1,2,…,7},j∈{1,2,…,N},m和j为其取值范围内的随机数,且i≠j,表示搜索到的新蜜源的位置的第m维分量,表示蜜源i的位置的第d维分量,表示随机选择的参考蜜源j的位置的第m维分量,表示[-1,1]内的一个随机数;
然后根据公式(4)分别计算参考蜜源和新蜜源的适应度值;
如果新蜜源的适应度值大于参考蜜源的适应度值,则放弃该参考蜜源,新蜜源成为可供随机选择的参考蜜源;否则,保留参考蜜源并放弃新蜜源;
当引领蜂全部完成1次搜索后,跟随蜂将依据蜜源的选择概率Pi选择蜜源进行跟随,选择概率Pi的表达式如下:
然后N个跟随蜂依次在蜜源i周围随机选择1个参考蜜源进行搜索,并根据公式(6)产生1个新蜜源;
跟随蜂依据公式(4)分别计算参考蜜源和新蜜源的适应度值;
如果新蜜源的适应度值大于参考蜜源的适应度值,则放弃该参考蜜源,新蜜源成为可供随机选择的参考蜜源;否则,保留参考蜜源并放弃新蜜源;
当跟随蜂全部完成1次搜索后,前段搜索即完成了1次循环;
当完成总循环中的前20%次循环后,前段搜索阶段结束;
b中段搜索阶段
将中段搜索阶段划分为N-1个循环数相同的调整段,设中段搜索阶段的循环数为L,调整段的循环数为lA,且满足lA=L/(N-1);
在中段搜索阶段,引领蜂在某一蜜源周围搜索新蜜源时的规则为:在不断搜索过程中,逐渐缩小可供随机选择的参考蜜源的数量;
中段搜索开始后,可供随机选择的参考蜜源的数量从第1个调整段开始循环前的N-1个,每经过1个调整段减少1个,一直减少到最后1个调整段开始循环前的1个;
设n为中段搜索中调整段的序列号,n=1,2,…,N-1;在第n个调整段开始循环前,依据公式(4)计算当前的N个蜜源的适应度值并从大到小排序,排除掉适应度值最小的n个蜜源,将其余N-n个蜜源作为可供随机选择的参考蜜源;
在第n个调整段的lA次循环中,N个引领蜂将以选择好的N-n个蜜源作为参考蜜源进行新蜜源的搜索,其表达式为:
其中,i∈{1,2,…,N},m∈{1,2,…,7},j∈{1,2,…,N-n},m和j为其取值范围内的随机数,表示搜索到的新蜜源的位置的第m维分量,表示蜜源i的位置的第m维分量,表示在经过排序选择后的N-n个参考蜜源中随机选择的参考蜜源j的位置的第m维分量,表示[-1,1]内的一个随机数;
如果某一蜜源属于可供随机选择的参考蜜源,则当引领蜂在该蜜源周围搜索新蜜源时,不能选择该蜜源本身作为参考蜜源;
然后依据公式(4)分别计算参考蜜源和新蜜源的适应度值;
如果新蜜源的适应度值大于参考蜜源的适应度值,则放弃该参考蜜源,新蜜源成为可供随机选择的参考蜜源;否则,保留参考蜜源并放弃新蜜源;
当引领蜂全部完成1次搜索后,跟随蜂将依据公式(7)的选择概率Pi选择蜜源进行跟随;
N个跟随蜂依次在蜜源i周围随机选择1个参考蜜源进行搜索,并根据公式(8)产生1个新蜜源;
然后跟随蜂依据公式(4)分别计算参考蜜源和新蜜源的适应度值;
如果新蜜源的适应度值大于参考蜜源的适应度值,则放弃该参考蜜源,新蜜源成为可供随机选择的参考蜜源;否则,保留参考蜜源并放弃新蜜源;
当N个跟随蜂全部完成1次搜索后,中段搜索的第n个调整段即完成了1次循环;
当完成lA次循环后,中段搜索的第n个调整段的搜索结束;
当中段搜索的最后1个调整段开始循环时,此时可供选择的参考蜜源的数量为1个,引领蜂和跟随蜂在依照公式(8)在某一蜜源周围进行新蜜源搜索时,如果该蜜源同时也为参考蜜源,则停止该次搜索,蜜源的位置保持不变;
当中段搜索的N-1个调整段都完成循环后,即完成了总循环中的中间70%次循环,中段搜索阶段结束;
c后段搜索阶段
在后段搜索开始前,首先基于中段搜索阶段结束时的N个蜜源扩展N个新蜜源,使得蜜源总数达到2N个;
N个引领蜂依次进行1次搜索,生成N个新蜜源,搜索公式如下:
引领蜂在蜜源i周围随机选择1个参考蜜源进行搜索,并根据公式(9)产生1个新蜜源:
其中,i∈{1,2,…,N},m∈{1,2,…,7},j∈{1,2,…,N},m和j为其取值范围内的随机数,且i≠j,表示搜索到的新蜜源的位置的第m维分量,表示蜜源i的位置的第d维分量,表示随机选择的目标蜜源j的位置的第m维分量,表示[-1,1]内的一个随机数;
蜜源扩展成后,引领蜂和跟随蜂的数量也相应变为2N个,后段搜索将延续中段搜索的策略,即在后段搜索过程中,每次循环开始前,计算2N个蜜源的适应度值并寻找适应度值最高的蜜源,2N个引领蜂依次以适应度值最高的蜜源作为参考蜜源进行新蜜源的搜索,其表达式为:
其中,i∈{1,2,…,2N},m∈{1,2,…,7},m为其取值范围内的随机数,表示搜索到的新蜜源的位置的第m维分量,表示蜜源i的位置的第d维分量,表示适应度值最高的蜜源的位置的第m维分量,表示[-1,1]内的一个随机数;
当引领蜂在参考蜜源周围搜索新蜜源时,则停止该次搜索,参考蜜源的位置保持不变;
然后依据公式(4)分别计算参考蜜源和新蜜源的适应度值;
如果新蜜源的适应度值大于参考蜜源的适应度值,则放弃该参考蜜源,新蜜源成为可供随机选择的参考蜜源;否则,保留参考蜜源并放弃新蜜源;
当引领蜂全部完成1次搜索后,跟随蜂将依据蜜源公式(7)的选择概率Pi选择蜜源进行跟随;2N个跟随蜂依次在蜜源i周围随机选择1个参考蜜源进行搜索,并根据公式(10)产生1个新蜜源;
然后跟随蜂依据公式(4)分别计算参考蜜源和新蜜源的适应度值;
如果新蜜源的适应度值大于参考蜜源的适应度值,则放弃该参考蜜源,新蜜源成为可供随机选择的参考蜜源;否则,保留参考蜜源并放弃新蜜源;
当跟随蜂全部完成1次搜索后,后段搜索即完成了1次循环;
当完成总循环中的后10%次循环后,后段搜索阶段结束;
整个搜索过程结束后,依据公式(4)分别计算2N个蜜源的适应度值,适应度值最高的蜜源是人工蜂群搜索出来的最优解,即为位姿插补点P的逆向运动学方程的数值解,其第1维至第7维的数值分别对应机械臂末端在该位姿插补点P时机械臂底座第1个旋转关节到末端第7个旋转关节的绝对角度值,求解过程结束。
本发明中人工蜂群搜索的三段式策略可在搜索空间内较为均匀的分布初始蜜源,避免了初始解的随机性;中段搜索策略可有效增强算法的整体搜索能力,提高收敛速度,并避免陷入早熟收敛;后段搜索策略可增强算法的局部精细搜索能力,提高计算精度。采用该算法求解七自由度机械臂逆向运动学方程时可简化其复杂性,提高求解的速度和精度。
当然,以上说明仅仅为本发明的较佳实施例,本发明并不限于列举上述实施例,应当说明的是,任何熟悉本领域的技术人员在本说明书的教导下,所做出的所有等同替代、明显变形形式,均落在本说明书的实质范围之内,理应受到本发明的保护。
Claims (1)
1.基于人工蜂群搜索的七自由度机械臂逆向运动学求解方法,其特征在于,包括如下步骤:
设七自由度关节串联型机械臂的逆向运动学方程的解的维数为7,第1维至第7维分别对应机械臂底座第1个旋转关节到末端第7个旋转关节的绝对角度值;
设机械臂末端的运动路径中位姿插补点P的位姿矩阵Tp为:
其中,子矩阵 描述了在基础坐标系中机械臂末端在位姿插补点P时的姿态,其由三个单位矢量构成;
其中,[npx npy npz]T为末端法线矢量,[opx opy opz]T为末端方向矢量,[apx apy apz]T为末端接近矢量;
子矩阵[ppx ppy ppz]T描述了在基础坐标系中机械臂末端在位姿插补点P时的位置;
设人工蜂群算法完成1次搜索机械臂逆向运动学方程数值解的循环后,各关节角的搜索值为θi,i=1,2,…,7;
根据在基础坐标系下建立的机械臂各关节及末端的坐标系模型,利用θi并结合机械臂的机械参数建立机械臂的正向运动学方程,求得位姿矩阵To为:
其中,子矩阵 描述了在基础坐标系中机械臂末端在位姿插补点P时的姿态,其由三个单位矢量构成;
其中,[nox noy noz]T为末端法线矢量,[oox ooy ooz]T为末端方向矢量,[aox aoy aoz]T为末端接近矢量;
子矩阵[pox poy poz]T描述了在基础坐标系中机械臂末端在位姿插补点P时的位置;
设置人工蜂群搜索的目标函数f(To,Tp),表达式如下:
f(To,Tp)=(|nox|-|npx|)2+(|oox|-|opx|)2+(|aox|-|apx|)2+(|noy|-|npy|)2+(|ooy|-|opy|)2+(|aoy|-|apy|)2+(|noz|-|npz|)2+(|ooz|-|opz|)2+(|aoz|-|apz|)2+(pox-ppx)2+(poy-ppy)2+(poz-ppz)2 (3)
人工蜂群中蜜源的位置代表七自由度机械臂逆向运动学方程的解,蜜源适应度值的计算采用标准的人工蜂群算法中的计算公式,如下式(4):
其中,fitni表示第i个蜜源的适应度值,fi(To,Tp)表示第i个蜜源的目标函数值;
采用人工蜂群三段式搜索策略对机械臂末端某一运动路径中的位姿插补点P的各个关节绝对角度值在从路径起点到终点的角度变化范围进行最优值搜索,并将搜索结果作为该位姿插补点P的逆向运动学方程的数值解,具体搜索步骤如下:
将整个搜索过程分为三个阶段,即前段搜索阶段、中段搜索阶段和后段搜索阶段;
a前段搜索阶段
前段搜索阶段包括蜜源初始化和前段搜索过程;
蜜源初始化包括如下步骤:
设初始蜜源的数量为N,将逆向运动学方程的解空间划分为N个大小相等的子空间,1个子空间内包含1个蜜源,蜜源的初始位置在子空间内随机确定;
定义分别表示解空间中第d维分量对应的关节在机械臂末端某一运动路径中的起点和终点的绝对角度值;其中,d∈{1,2,…,7},解空间的每维分量均分为长度相等的m个数据段,且m7=N,每个数据段的长度为
各维分量中均分的数据段用表达;其中,上标d∈{1,2,…,7}表示维度序列号,下标i∈{1,2,…,m}表示数据段序列号;
每次抽取各维中的1个数据段构建1个7维的子空间,每个子空间中至少有1个数据段与其他子空间不同,共有m7种不同的组合方式,即可构建N个子空间;
子空间用Xi表达,其中,i∈{1,2,…,N};子空间的表达式为其中,分别为从第1至第7维中各维的1个数据段;
在每个子空间中随机产生1个蜜源的初始位置,即蜜源的初始位置的各维分量是其被包含的子空间的各维分量取值范围内的随机数,公式表达如下:
其中,表示第i个子空间中的蜜源初始位置的第d维分量,表示第i个子空间中第d维分量的下限值,表示第i个子空间中第d维分量的上限值,rand(0,1)表示[0,1]内的1个随机数;
所有子空间内都产生蜜源的初始位置后,即开始进行前段搜索;
前段搜索采用标准的人工蜂群算法的搜索策略,即N个引领蜂依次在蜜源i周围随机选择1个参考蜜源进行搜索,并根据公式(6)产生1个新蜜源:
其中,i∈{1,2,…,N},m∈{1,2,…,7},j∈{1,2,…,N},m和j为其取值范围内的随机数,且i≠j,表示搜索到的新蜜源的位置的第m维分量,表示蜜源i的位置的第d维分量,表示随机选择的参考蜜源j的位置的第m维分量,表示[-1,1]内的一个随机数;
然后根据公式(4)分别计算参考蜜源和新蜜源的适应度值;
如果新蜜源的适应度值大于参考蜜源的适应度值,则放弃该参考蜜源,新蜜源成为可供随机选择的参考蜜源;否则,保留参考蜜源并放弃新蜜源;
当引领蜂全部完成1次搜索后,跟随蜂将依据蜜源的选择概率Pi选择蜜源进行跟随,选择概率Pi的表达式如下:
然后N个跟随蜂依次在蜜源i周围随机选择1个参考蜜源进行搜索,并根据公式(6)产生1个新蜜源;
跟随蜂依据公式(4)分别计算参考蜜源和新蜜源的适应度值;
如果新蜜源的适应度值大于参考蜜源的适应度值,则放弃该参考蜜源,新蜜源成为可供随机选择的参考蜜源;否则,保留参考蜜源并放弃新蜜源;
当跟随蜂全部完成1次搜索后,前段搜索即完成了1次循环;
当完成总循环中的前20%次循环后,前段搜索阶段结束;
b中段搜索阶段
将中段搜索阶段划分为N-1个循环数相同的调整段,设中段搜索阶段的循环数为L,调整段的循环数为lA,且满足lA=L/(N-1);
在中段搜索阶段,引领蜂在某一蜜源周围搜索新蜜源时的规则为:在不断搜索过程中,逐渐缩小可供随机选择的参考蜜源的数量;
中段搜索开始后,可供随机选择的参考蜜源的数量从第1个调整段开始循环前的N-1个,每经过1个调整段减少1个,一直减少到最后1个调整段开始循环前的1个;
设n为中段搜索中调整段的序列号,n=1,2,…,N-1;在第n个调整段开始循环前,依据公式(4)计算当前的N个蜜源的适应度值并从大到小排序,排除掉适应度值最小的n个蜜源,将其余N-n个蜜源作为可供随机选择的参考蜜源;
在第n个调整段的lA次循环中,N个引领蜂将以选择好的N-n个蜜源作为参考蜜源进行新蜜源的搜索,其表达式为:
其中,i∈{1,2,…,N},m∈{1,2,…,7},j∈{1,2,…,N-n},m和j为其取值范围内的随机数,表示搜索到的新蜜源的位置的第m维分量,表示蜜源i的位置的第m维分量,表示在经过排序选择后的N-n个参考蜜源中随机选择的参考蜜源j的位置的第m维分量,表示[-1,1]内的一个随机数;
如果某一蜜源属于可供随机选择的参考蜜源,则当引领蜂在该蜜源周围搜索新蜜源时,不能选择该蜜源本身作为参考蜜源;
然后依据公式(4)分别计算参考蜜源和新蜜源的适应度值;
如果新蜜源的适应度值大于参考蜜源的适应度值,则放弃该参考蜜源,新蜜源成为可供随机选择的参考蜜源;否则,保留参考蜜源并放弃新蜜源;
当引领蜂全部完成1次搜索后,跟随蜂将依据公式(7)的选择概率Pi选择蜜源进行跟随;
N个跟随蜂依次在蜜源i周围随机选择1个参考蜜源进行搜索,并根据公式(8)产生1个新蜜源;
然后跟随蜂依据公式(4)分别计算参考蜜源和新蜜源的适应度值;
如果新蜜源的适应度值大于参考蜜源的适应度值,则放弃该参考蜜源,新蜜源成为可供随机选择的参考蜜源;否则,保留参考蜜源并放弃新蜜源;
当N个跟随蜂全部完成1次搜索后,中段搜索的第n个调整段即完成了1次循环;
当完成lA次循环后,中段搜索的第n个调整段的搜索结束;
当中段搜索的最后1个调整段开始循环时,此时可供选择的参考蜜源的数量为1个,引领蜂和跟随蜂在依照公式(8)在某一蜜源周围进行新蜜源搜索时,如果该蜜源同时也为参考蜜源,则停止该次搜索,蜜源的位置保持不变;
当中段搜索的N-1个调整段都完成循环后,即完成了总循环中的中间70%次循环,中段搜索阶段结束;
c后段搜索阶段
在后段搜索开始前,首先基于中段搜索阶段结束时的N个蜜源扩展N个新蜜源,使得蜜源总数达到2N个;
N个引领蜂依次进行1次搜索,生成N个新蜜源,搜索公式如下:
引领蜂在蜜源i周围随机选择1个参考蜜源进行搜索,并根据公式(9)产生1个新蜜源:
其中,i∈{1,2,…,N},m∈{1,2,…,7},j∈{1,2,…,N},m和j为其取值范围内的随机数,且i≠j,表示搜索到的新蜜源的位置的第m维分量,表示蜜源i的位置的第d维分量,表示随机选择的目标蜜源j的位置的第m维分量,表示[-1,1]内的一个随机数;
蜜源扩展成后,引领蜂和跟随蜂的数量也相应变为2N个,后段搜索将延续中段搜索的策略,即在后段搜索过程中,每次循环开始前,计算2N个蜜源的适应度值并寻找适应度值最高的蜜源,2N个引领蜂依次以适应度值最高的蜜源作为参考蜜源进行新蜜源的搜索,其表达式为:
其中,i∈{1,2,…,2N},m∈{1,2,…,7},m为其取值范围内的随机数,表示搜索到的新蜜源的位置的第m维分量,表示蜜源i的位置的第d维分量,表示适应度值最高的蜜源的位置的第m维分量,表示[-1,1]内的一个随机数;
当引领蜂在参考蜜源周围搜索新蜜源时,则停止该次搜索,参考蜜源的位置保持不变;
然后依据公式(4)分别计算参考蜜源和新蜜源的适应度值;
如果新蜜源的适应度值大于参考蜜源的适应度值,则放弃该参考蜜源,新蜜源成为可供随机选择的参考蜜源;否则,保留参考蜜源并放弃新蜜源;
当引领蜂全部完成1次搜索后,跟随蜂将依据蜜源公式(7)的选择概率Pi选择蜜源进行跟随;2N个跟随蜂依次在蜜源i周围随机选择1个参考蜜源进行搜索,并根据公式(10)产生1个新蜜源;
然后跟随蜂依据公式(4)分别计算参考蜜源和新蜜源的适应度值;
如果新蜜源的适应度值大于参考蜜源的适应度值,则放弃该参考蜜源,新蜜源成为可供随机选择的参考蜜源;否则,保留参考蜜源并放弃新蜜源;
当跟随蜂全部完成1次搜索后,后段搜索即完成了1次循环;
当完成总循环中的后10%次循环后,后段搜索阶段结束;
整个搜索过程结束后,依据公式(4)分别计算2N个蜜源的适应度值,适应度值最高的蜜源是人工蜂群搜索出来的最优解,即为位姿插补点P的逆向运动学方程的数值解,其第1维至第7维的数值分别对应机械臂末端在该位姿插补点P时机械臂底座第1个旋转关节到末端第7个旋转关节的绝对角度值,求解过程结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510182618.9A CN104834809B (zh) | 2015-04-17 | 2015-04-17 | 基于人工蜂群搜索的七自由度机械臂逆向运动学求解方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510182618.9A CN104834809B (zh) | 2015-04-17 | 2015-04-17 | 基于人工蜂群搜索的七自由度机械臂逆向运动学求解方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104834809A true CN104834809A (zh) | 2015-08-12 |
CN104834809B CN104834809B (zh) | 2016-05-18 |
Family
ID=53812692
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510182618.9A Active CN104834809B (zh) | 2015-04-17 | 2015-04-17 | 基于人工蜂群搜索的七自由度机械臂逆向运动学求解方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104834809B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650917A (zh) * | 2017-01-03 | 2017-05-10 | 华南理工大学 | 一种基于并行化混沌蜂群算法的机械臂逆运动学求解方法 |
CN108717492A (zh) * | 2018-05-18 | 2018-10-30 | 浙江工业大学 | 基于改进的人工蜂群算法的机械臂动力学模型辨识方法 |
WO2020034416A1 (zh) * | 2018-08-16 | 2020-02-20 | 居鹤华 | 基于轴不变量的通用7r机械臂逆解建模与解算方法 |
WO2020034415A1 (zh) * | 2018-08-16 | 2020-02-20 | 居鹤华 | 基于轴不变量的通用6r机械臂逆解建模与解算方法 |
CN113156931A (zh) * | 2020-12-21 | 2021-07-23 | 重庆邮电大学 | 给含有离子-人工蜂群算法的移动机器人配置路径的方法 |
CN113283572A (zh) * | 2021-05-31 | 2021-08-20 | 中国人民解放军空军工程大学 | 基于改进人工蜂群的盲源分离抗主瓣干扰方法及装置 |
CN114012728A (zh) * | 2021-11-12 | 2022-02-08 | 哈尔滨工业大学(威海) | 适用于两段6自由度连续体机械臂的逆运动学求解方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8423190B1 (en) * | 2009-06-11 | 2013-04-16 | Kabushiki Kaisha Yaskawa Denki | Manipulator system |
CN103499922A (zh) * | 2013-09-16 | 2014-01-08 | 北京邮电大学 | 一种基于fpga的七自由度空间机械臂运动学实时解算方法 |
CN103955619A (zh) * | 2014-05-09 | 2014-07-30 | 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 |
-
2015
- 2015-04-17 CN CN201510182618.9A patent/CN104834809B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8423190B1 (en) * | 2009-06-11 | 2013-04-16 | Kabushiki Kaisha Yaskawa Denki | Manipulator system |
CN103499922A (zh) * | 2013-09-16 | 2014-01-08 | 北京邮电大学 | 一种基于fpga的七自由度空间机械臂运动学实时解算方法 |
CN103955619A (zh) * | 2014-05-09 | 2014-07-30 | 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 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650917A (zh) * | 2017-01-03 | 2017-05-10 | 华南理工大学 | 一种基于并行化混沌蜂群算法的机械臂逆运动学求解方法 |
CN106650917B (zh) * | 2017-01-03 | 2020-07-28 | 华南理工大学 | 一种基于并行化混沌蜂群算法的机械臂逆运动学求解方法 |
CN108717492A (zh) * | 2018-05-18 | 2018-10-30 | 浙江工业大学 | 基于改进的人工蜂群算法的机械臂动力学模型辨识方法 |
WO2020034416A1 (zh) * | 2018-08-16 | 2020-02-20 | 居鹤华 | 基于轴不变量的通用7r机械臂逆解建模与解算方法 |
WO2020034415A1 (zh) * | 2018-08-16 | 2020-02-20 | 居鹤华 | 基于轴不变量的通用6r机械臂逆解建模与解算方法 |
CN113156931A (zh) * | 2020-12-21 | 2021-07-23 | 重庆邮电大学 | 给含有离子-人工蜂群算法的移动机器人配置路径的方法 |
CN113156931B (zh) * | 2020-12-21 | 2022-09-09 | 重庆邮电大学 | 给含有离子-人工蜂群算法的移动机器人配置路径的方法 |
CN113283572A (zh) * | 2021-05-31 | 2021-08-20 | 中国人民解放军空军工程大学 | 基于改进人工蜂群的盲源分离抗主瓣干扰方法及装置 |
CN113283572B (zh) * | 2021-05-31 | 2024-06-07 | 中国人民解放军空军工程大学 | 基于改进人工蜂群的盲源分离抗主瓣干扰方法及装置 |
CN114012728A (zh) * | 2021-11-12 | 2022-02-08 | 哈尔滨工业大学(威海) | 适用于两段6自由度连续体机械臂的逆运动学求解方法 |
CN114012728B (zh) * | 2021-11-12 | 2023-04-25 | 哈尔滨工业大学(威海) | 适用于两段6自由度连续体机械臂的逆运动学求解方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104834809B (zh) | 2016-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104834809B (zh) | 基于人工蜂群搜索的七自由度机械臂逆向运动学求解方法 | |
CN108115681B (zh) | 机器人的模仿学习方法、装置、机器人及存储介质 | |
WO2020154542A1 (en) | Efficient adaption of robot control policy for new task using meta-learning based on meta-imitation learning and meta-reinforcement learning | |
CN111650941B (zh) | 基于RRT-Connect改进的医用移动机器人路径规划方法 | |
Starke et al. | An efficient hybridization of genetic algorithms and particle swarm optimization for inverse kinematics | |
CN109343345A (zh) | 基于qpso算法的机械臂多项式插值轨迹规划方法 | |
Wilson et al. | Learning to manipulate object collections using grounded state representations | |
Shen et al. | Learning category-level generalizable object manipulation policy via generative adversarial self-imitation learning from demonstrations | |
Ni et al. | An improved shuffled frog leaping algorithm for robot path planning | |
Stollenga et al. | Task-relevant roadmaps: A framework for humanoid motion planning | |
Ju et al. | Dynamic grasp recognition using time clustering, gaussian mixture models and hidden markov models | |
KR102266620B1 (ko) | 로봇 물체 조작 학습 시스템 | |
Liu et al. | Herd: Continuous human-to-robot evolution for learning from human demonstration | |
Silva et al. | The case for engineering the evolution of robot controllers | |
Sekkat et al. | Review of reinforcement learning for robotic grasping: Analysis and recommendations | |
JP7375587B2 (ja) | 軌道生成装置、多リンクシステム、及び軌道生成方法 | |
Yunqiang et al. | Research on multi-objective path planning of a robot based on artificial potential field method | |
KR20180114698A (ko) | 다관절 로봇의 작업 궤적 생성을 위한 효율적인 학습 모델 및 학습 기법 | |
Chen et al. | Path planning of redundant series manipulators based on improved RRT algorithms | |
Xu et al. | An improvement of loop closure detection based on bow for ratslam | |
Ha et al. | Use of deep learning for position estimation and control of soft glove | |
Bhagat et al. | Deep reinforcement learning for soft robotic applications: Brief overview with impending challenges | |
Kraft et al. | Learning objects and grasp affordances through autonomous exploration | |
Liu et al. | Evolving hidden Markov model based human intention learning and inference | |
Sharma et al. | Ch-marl: A multimodal benchmark for cooperative, heterogeneous multi-agent reinforcement learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |