CN106403950A - 一种基于参考信息的码垛机器人轨迹规划方法 - Google Patents
一种基于参考信息的码垛机器人轨迹规划方法 Download PDFInfo
- Publication number
- CN106403950A CN106403950A CN201610481180.9A CN201610481180A CN106403950A CN 106403950 A CN106403950 A CN 106403950A CN 201610481180 A CN201610481180 A CN 201610481180A CN 106403950 A CN106403950 A CN 106403950A
- Authority
- CN
- China
- Prior art keywords
- optimization aim
- track
- robot palletizer
- goods
- numerical value
- 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 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 32
- 238000005457 optimization Methods 0.000 claims description 35
- 230000002068 genetic effect Effects 0.000 claims description 7
- 238000005265 energy consumption Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims description 2
- 238000011524 similarity measure Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 claims 1
- 239000011159 matrix material Substances 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002986 genetic algorithm method Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Manipulator (AREA)
Abstract
该发明公开了一种基于参考信息的码垛机器人轨迹规划方法,涉及码垛机器人关节角空间轨迹规划领域.该方法首先确定最优化目标和优化目标之间的权重比例;之后根据轨迹点插值信息,采用高次B样条曲线进行插值之后建立最优解初始种群并采用多目标求解算法和决策算法,根据之前的权重比例选取最优结果;最后根据前一步的规划结果,将其作为参考信息输入,采用基于参考信息的多目标求解算法进行求解得出当前步的最优结果。本方法对于码垛机器人轨迹规划中同垛同层前后步的规划结果进行了有效的利用,加速了轨迹规划算法的进程。
Description
技术领域
本发明涉及码垛机器人关节角空间轨迹规划领域,具体是一种考虑到参考信息的关节角空间轨迹规划方法。
背景技术
在传统的码垛机器人轨迹规划算法中,主要存在着以下的不足:根据码垛机器人作业轨迹的特点,其同一层前后步之间的轨迹呈现着一定的相关性。因此前一步的轨迹规划结果,可以被下一步的轨迹规划所采用。而传统的轨迹规划算法中,并没有对此进行考虑,导致轨迹规划计算的过程中需要大量的重复计算。
发明内容
本发明针对现有技术存在的不足,提出了一种基于参考信息的码垛机器人轨迹规划方法。本方法针对于当前轨迹规划方法中,对于码垛机器人轨迹的作业特点在轨迹规划算法中考虑不足的问题做出了改进。
本发明的技术方案是一种基于参考信息的码垛机器人轨迹规划方法,该方法包括:
步骤1:根据用户意愿,确定最优轨迹的优化目标和目标之间的权重值;
步骤2:根据码垛机器人作业轨迹中的必经点,获取码垛时搬运第一包货物的最优轨迹曲线;
步骤2.1:根据码垛机器人作业轨迹中必须经过的定点,采用高次样条曲线进行插值,获取码垛时搬运第一包货物的多个轨迹曲线;
步骤2.2:根据步骤1确定的优化目标,以步骤2.1获得的多个轨迹曲线为初始总群,采用遗传进化算法将初始总群进化M代,M的大小根据实际情况决定;
步骤2.3:根据步骤1确定的各优化目标在轨迹规划过程中所占的权重,采用决策算法从步骤2.2获得的轨迹曲线中选出码垛时搬运第一包货物时最优的轨迹曲线;
步骤3:若码垛机器人搬运的不是第一包货物,则根据码垛机器人搬运上一包货物的轨迹来确定该次搬运货物的轨迹;
步骤3.1:判断码垛机器人该次搬运的货物非第一包货物,根据该次搬运中的必经定点采用高次样条曲线进行插值,获取该次搬运货物的多个轨迹曲线;
步骤3.2:根据步骤1确定的优化目标,以步骤3.1获得的多个轨迹曲线为初始总群,采用遗传进化算法对初始总群每进化N代获得的各轨迹曲线与搬运前一包获得的最优轨迹曲线进行相似度计算,其中N的大小根据实际情况决定,且N<M;若获得轨迹中超过比例P的轨迹与搬运上一包最优轨迹相似,则停止进化,否则直至进化M代,所述P的大小根据实际情况决定;
步骤3.3:根据步骤1确定的各优化目标在轨迹规划过程中所占的权重,采用决策算法从当前获得轨迹曲线中选出搬运该包货物时最优的轨迹曲线。
进一步的,所述步骤1中的优化目标包括:作业时间最短、平滑性指数最低、耗能最低;
进一步的,所述步骤2.2的具体方法为:
步骤2.2.1:计算步骤2.1获得初始种群中各个体的对应的各优化目标的数值;
步骤2.2.2:根据获得各优化目标数值进行归一化处理,选取优化目标最优秀的A个个体,A的大小根据实际情况决定;
步骤2.2.3:采用选取的A个个体根据遗传算法进行进化,获得新的种群;
步骤2.2.4:采用步骤2.2.2和步骤2.2.3的方法对该种群进化M代。
进一步的,所述步骤2.3的具体方法为:
步骤2.3.1:计算进化M代后种群中各个体的优化目标数值;
步骤2.3.2:根据步骤1确定的各优化目标权重对各个体的优化目标数值进行加权;
步骤2.3.3:计算加权后各优化目标数值与理想优化目标数值的欧式距离;
步骤2.3.4:选出距离理想优化目标数值欧式距离最近的个体为最优个体。
进一步的,所述步骤3.2的具体方法为:
步骤3.2.1:根据步骤1获得权重信息计算每进化N代后种群中各个体的优化目标数值;
步骤3.2.2:计算搬运上一包货物获得最优轨迹曲线的优化目标数值与步骤3.2.1获得的优化目标数值的欧式距离,该欧式距离表示相似度;
步骤3.2.3:相似度大于阈值S的个体为相似个体,阈值S根据实际情况确定,统计相似个体所占总个体比例;
步骤3.2.4:相似个体比例大于等于P则停止进化,再选出此时种群中最优的个体。
本发明为一种基于参考信息的码垛机器人轨迹规划方法,该方法首先确定最优化目标和优化目标之间的权重比例;之后根据轨迹点插值信息,采用高次B样条曲线进行插值之后建立最优解初始种群并采用多目标求解算法和决策算法,根据之前的权重比例选取最优结果;最后根据前一步的规划结果,将其作为参考信息输入,采用基于参考信息的多目标求解算法进行求解得出当前步的最优结果。本方法对于码垛机器人轨迹规划中同垛同层前后步的规划结果进行了有效的利用,加速了轨迹规划算法的进程。
附图说明
图1为本发明方法的具体实施方式流程图;
图2为本发明缩略框图。
具体实施方式
下面对本发明的实施例程作详细说明,本实施例程在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例程。
实施例程主要可以分为以下的几个步骤:
步骤1:确定最优轨迹的优化目标和目标之间的权重值;
一般而言,机器人在执行规划的轨迹的过程中,都期望机器人执行轨迹的时间最短,轨迹最为平滑保证对机器人的机械结构本体的冲击最小,执行轨迹的过程中能耗最小,关机驱动的力矩变换最小的目标。本实施例程定义机器人的最优化目标如下:
其意义分别为:
S1:为码垛机器人完成一定的作业轨迹所用的时间最小值
S2:为码垛机器人关节的平均加速度最小值,即用来衡量机器人的能耗指标
S3:为码垛机器人关节脉动程度最小值,即用来衡量机器人的轨迹的平滑程度
在求解上述目标的过程中,必须满足一定的约束条件:
max|vi(t)|≤vmaxi i=1,2,3...,n (2)
max|ji(t)|≤jmaxi i=1,2,3...,n (3)
max|ai(t)|≤amaxi i=1,2,3...,n (4)
max|τi(t)|≤τmaxi i=1,2,3...,n (5)
max|qi(t)|≤qmaxi i=1,2,3...,n (6)
其意义分别为:
式(2):第i个关节的角速度最大值小于规定最大值
式(3):第i个关节的冲击值小于规定最大值
式(4):第i个关节的角加速度最大值小于规定最大值
式(5):第i个关节的力矩最大值小于规定最大值
式(6):第i个关节的关节位移小于规定最大值
同时三个最优目标之间的权重为:
(1)最小化时间权重值:0.65
(2)最优能量权重值:0.165
(3)最平滑轨迹权重值:0.185
步骤2:基于非支配排序遗传算法的轨迹规划:
对于工作轨迹中的第一包作业轨迹,将采用传统的基于非支配排序遗传算法的轨迹规划算法进行求解,为了完成求解任务,需要进行以下的几个步骤:
步骤2.1:建立初始化进化种群:
为了能够采用非支配排序遗传算法进行求解,需要先建立初始进化种群。建立初始进化种群主要需要进行以下几个步骤:
1)采用7次B样条曲线对码垛机器人的关节角空间轨迹进行插值
2)根据插值的结果,在解空间中,随机生成一定个数的个体,建立初始化种群。
步骤2.2采用非支配排序遗传算法进化求解:采用非支配排序遗传算法,进化M代。
步骤2.3根据步骤(2)的结果,采用优劣距离法,根据各个目标之间的权重,求取结果:。
1)建立初始化判断矩阵;
2)决策矩阵归一化;
3)建立加权判断矩阵;
4)得出进化结果;
5)计算各目标值与理想值之间的欧氏距离;
6)计算各个目标的相对贴近度并选择最合适解
步骤3:基于R支配的最优目标轨迹规划求解;
对于同一层中除了第一步以外的作业轨迹,本实施用例采用基于R支配的最优目标轨迹规划算法进行求解。对于基于R支配的非支配排序而言,其本质是重新定义了支配关系,将Pareto支配关系与参考点方法结合。增大进化的压力,促使种群往参考点的方向进化。
设有种群P,参考点g以及权重向量w,则带权欧式距离可以定义如下:
其中:fi max和fi min为第i个目标函数的最大值和最小值。对于当前已知第i个函数的最大最小值时,可以直接使用。但是当在计算过程中无法获取的情况下,可以采用将当前种群中所有个体的第i个目标函数的最大值和最小值设定为fi max和fi min。
因此给出r支配的定义:
①当解X1 Pareto支配于解X2
②解X1和解X2不满足条件1,且D(X1,X2,g)<-δ,其中δ为非r支配门限阈值
式(34)中
因此若采用基于R支配的最优目标轨迹规划算法进行求解,则需要进行以下的几个步骤:
步骤3.1:建立初始化进化种群。:
为了能够采用非支配排序遗传算法进行求解,需要先建立初始进化种群。建立初始进化种群主要需要进行以下几个步骤:
1)采用7次B样条曲线对码垛机器人的关节角空间轨迹进行插值
2)根据插值的结果,在解空间中,随机生成一定个数的个体,建立初始化种群。
步骤3.2:采用基于R支配的最优目标轨迹规划算法进行求解。:
1)将步骤2中的结果,作为参考信息点输入到算法中
2)进化一定的代数,计算种群中每个个体与参考信息点的距离,如果已经有一定比例的个体聚集在参考点附近则停止进化
步骤3.3:根据步骤(2)的结果,采用优劣距离法,根据各个目标之间的权重,求取结果:。
1)建立初始化判断矩阵;
7)决策矩阵归一化;
8)建立加权判断矩阵;
9)得出进化结果;
10)计算各目标值与理想值之间的欧氏距离;
因此可以得到本实施例程流程图,如图1所示:
①确定最优化目标和目标之间的权重。
②对于码垛机器人某一垛,同一层的作业轨迹规划,其第一步轨迹采用基于带精英策略的非支配排序算法进行求解,之后通过优劣举例法方法,根据中①的权重求得最满意解。
③对于除了第一步以外的轨迹,采用基于R支配的轨迹规划算法,将前一步的规划结果作为参考点输入算法,进行求解。
④如果求解的过程中,有大于一定的比例的种群个体接近参考点,或者在当前种群中存在一个解能够支配参考点,则判断求解成功,获得当前轨迹的最优解。同时将最优解中优于参考点的分量替换到参考点中,得到新的参考点。
⑤如果步骤④中没有满足停止条件,则继续进行进化。
⑤如果当前是最后一步,则得到本层所有的规划轨迹。否则返回第③步。
Claims (4)
1.一种基于参考信息的码垛机器人轨迹规划方法,该方法包括:
步骤1:根据用户意愿,确定最优轨迹的优化目标和目标之间的权重值;
步骤2:根据码垛机器人作业轨迹中的必经点,获取码垛时搬运第一包货物的最优轨迹曲线;
步骤2.1:根据码垛机器人作业轨迹中必须经过的定点,采用高次样条曲线进行插值,获取码垛时搬运第一包货物的多个轨迹曲线;
步骤2.2:根据步骤1确定的优化目标,以步骤2.1获得的多个轨迹曲线为初始总群,采用遗传进化算法将初始总群进化M代,M的大小根据实际情况决定;
步骤2.3:根据步骤1确定的各优化目标在轨迹规划过程中所占的权重,采用决策算法从步骤2.2获得的轨迹曲线中选出码垛时搬运第一包货物时最优的轨迹曲线。
步骤3:若码垛机器人搬运的不是第一包货物,则根据码垛机器人搬运上一包货物的轨迹来确定该次搬运货物的轨迹:
步骤3.1:判断码垛机器人该次搬运的货物非第一包货物,根据该次搬运中的必经定点采用高次B样条曲线进行插值,获取该次搬运货物的多个轨迹曲线;
步骤3.2:根据步骤1确定的优化目标,以步骤3.1获得的多个轨迹曲线为初始总群,采用遗传进化算法对初始总群每进化N代获得的各轨迹曲线与搬运前一包获得的最优轨迹曲线进行相似度计算,其中N的大小根据实际情况决定,且N<M;若获得轨迹中超过比例P的轨迹与搬运上一包最优轨迹相似,则停止进化;
步骤3.3:根据步骤1确定的各优化目标在轨迹规划过程中所占的权重,采用决策算法从当前获得轨迹曲线中选出搬运该包货物时最优的轨迹曲线。
2.如权利要求1所述的一种基于参考信息的码垛机器人轨迹规划方法,其特征在于所述步骤1中的优化目标包括:作业时间最短、平滑性指数最低、耗能最低;码垛机器人生产环境因素包括:货物重量、流水线生产节拍、作业流水线条数、能耗级别。
3.如权利要求1所述的一种基于参考信息的码垛机器人轨迹规划方法,其特征在于所述步骤2.2的具体方法为:
步骤2.2.1:计算步骤2.1获得初始种群中各个体的对应的各优化目标的数值;
步骤2.2.2:根据获得各优化目标数值进行归一化处理,选取优化目标最优秀的A个个体,A的大小根据实际情况决定;
步骤2.2.3:采用选取的A个个体根据遗传算法进行进化,获得新的种群;
步骤2.2.4:采用步骤2.2.2和步骤2.2.3的方法对该种群进化M代。
进一步的,所述步骤2.3的具体方法为:
步骤2.3.1:计算进化M代后种群中各个体的优化目标数值;
步骤2.3.2:根据步骤1确定的各优化目标权重对各个体的优化目标数值进行加权;
步骤2.3.3:计算加权后各优化目标数值与理想优化目标数值的欧式距离;
步骤2.3.4:选出距离理想优化目标数值欧式距离最近的个体为最优个体。
4.如权利要求1所述的一种基于参考信息的码垛机器人轨迹规划方法,其特征在于所述步骤3.2的具体方法为:
步骤3.2.1:根据步骤1获得权重信息计算每进化N代后种群中各个体的优化目标数值;
步骤3.2.2:计算搬运上一包货物获得最优轨迹曲线的优化目标数值与步骤3.2.1获得的优化目标数值的欧式距离,该欧式距离表示相似度;
步骤3.2.3:相似度大于阈值S的个体为相似个体,阈值S根据实际情况确定,统计相似个体所占总个体比例;
步骤3.2.4:相似个体比例大于等于P则停止进化,再选出此时种群中最优的个体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610481180.9A CN106403950B (zh) | 2016-06-24 | 2016-06-24 | 一种基于参考信息的码垛机器人轨迹规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610481180.9A CN106403950B (zh) | 2016-06-24 | 2016-06-24 | 一种基于参考信息的码垛机器人轨迹规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106403950A true CN106403950A (zh) | 2017-02-15 |
CN106403950B CN106403950B (zh) | 2019-06-21 |
Family
ID=58006830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610481180.9A Expired - Fee Related CN106403950B (zh) | 2016-06-24 | 2016-06-24 | 一种基于参考信息的码垛机器人轨迹规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106403950B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106945059A (zh) * | 2017-03-27 | 2017-07-14 | 中国地质大学(武汉) | 一种基于种群随机乱序多目标遗传算法的手势跟踪方法 |
CN107479581A (zh) * | 2017-09-21 | 2017-12-15 | 北京京东尚科信息技术有限公司 | 货箱码放控制装置、系统、方法和存储介质 |
CN108972554A (zh) * | 2018-08-06 | 2018-12-11 | 中汽研汽车检验中心(武汉)有限公司 | 一种基于拟合曲线曲率特征的复杂曲面机器人路径点提取方法 |
CN109086469A (zh) * | 2018-03-09 | 2018-12-25 | 重庆科技学院 | 基于递归神经网络与偏好信息的铝电解建模与优化方法 |
CN109253727A (zh) * | 2018-06-22 | 2019-01-22 | 东南大学 | 一种基于改进迭代容积粒子滤波算法的定位方法 |
CN109911272A (zh) * | 2019-03-19 | 2019-06-21 | 厦门大学嘉庚学院 | 一种基于参考线准则的自由码垛装箱方法 |
CN111515954A (zh) * | 2020-05-06 | 2020-08-11 | 大连理工大学 | 一种机械臂高质量运动路径生成方法 |
CN112180934A (zh) * | 2020-10-09 | 2021-01-05 | 广州大学 | 装车机器人的控制方法、系统、装置及可读存储介质 |
CN115217177A (zh) * | 2022-08-29 | 2022-10-21 | 上海三一重机股份有限公司 | 作业机械控制方法、装置及作业机械 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104570735A (zh) * | 2014-12-23 | 2015-04-29 | 广州市万世德智能装备科技有限公司 | 一种码垛机器人弧形运动轨迹算法 |
CN104842356A (zh) * | 2015-05-29 | 2015-08-19 | 电子科技大学 | 一种基于分布式计算与机器视觉的多码垛机器人示教方法 |
CN104944168A (zh) * | 2015-05-19 | 2015-09-30 | 电子科技大学 | 一种基于图像三维重构的码垛机器人安全控制方法 |
CN105171734A (zh) * | 2015-10-22 | 2015-12-23 | 哈尔滨联科自动化技术开发有限公司 | 高速四轴码垛机器人及码垛方法 |
-
2016
- 2016-06-24 CN CN201610481180.9A patent/CN106403950B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104570735A (zh) * | 2014-12-23 | 2015-04-29 | 广州市万世德智能装备科技有限公司 | 一种码垛机器人弧形运动轨迹算法 |
CN104944168A (zh) * | 2015-05-19 | 2015-09-30 | 电子科技大学 | 一种基于图像三维重构的码垛机器人安全控制方法 |
CN104842356A (zh) * | 2015-05-29 | 2015-08-19 | 电子科技大学 | 一种基于分布式计算与机器视觉的多码垛机器人示教方法 |
CN105171734A (zh) * | 2015-10-22 | 2015-12-23 | 哈尔滨联科自动化技术开发有限公司 | 高速四轴码垛机器人及码垛方法 |
Non-Patent Citations (4)
Title |
---|
E.J. SOLTEIRO PIRES1, ET AL: "Robot Trajectory Planning Using Multi-objective Genetic Algorithm Optimization", 《 LECTURE NOTES IN COMPUTER SCIENCE》 * |
LAMJED BEN SAID,ET AL: "The r-Dominance: A New Dominance Relation for Interactive Evolutionary Multicriteria Decision Making", 《IEEE TRANSACTIONS ON EVOLUTIONARY COMPUTATION》 * |
王会方等: "基于INSGA-Ⅱ算法的机械手多目标轨迹规划", 《浙江大学学报》 * |
王颖: "基于 TOPSIS 法的多元质量特性优化方法研究", 《中国博士学位论文全文数据库 经济与管理科学辑》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106945059B (zh) * | 2017-03-27 | 2019-11-22 | 中国地质大学(武汉) | 一种基于种群随机乱序多目标遗传算法的手势跟踪方法 |
CN106945059A (zh) * | 2017-03-27 | 2017-07-14 | 中国地质大学(武汉) | 一种基于种群随机乱序多目标遗传算法的手势跟踪方法 |
CN107479581A (zh) * | 2017-09-21 | 2017-12-15 | 北京京东尚科信息技术有限公司 | 货箱码放控制装置、系统、方法和存储介质 |
US11446824B2 (en) | 2017-09-21 | 2022-09-20 | Beijing Jingdong Qianshi Technology Co., Ltd. | Palletizing control device, system and method and storage medium |
CN109086469A (zh) * | 2018-03-09 | 2018-12-25 | 重庆科技学院 | 基于递归神经网络与偏好信息的铝电解建模与优化方法 |
CN109086469B (zh) * | 2018-03-09 | 2022-11-11 | 重庆科技学院 | 基于递归神经网络与偏好信息的铝电解建模与优化方法 |
CN109253727A (zh) * | 2018-06-22 | 2019-01-22 | 东南大学 | 一种基于改进迭代容积粒子滤波算法的定位方法 |
CN108972554A (zh) * | 2018-08-06 | 2018-12-11 | 中汽研汽车检验中心(武汉)有限公司 | 一种基于拟合曲线曲率特征的复杂曲面机器人路径点提取方法 |
CN109911272A (zh) * | 2019-03-19 | 2019-06-21 | 厦门大学嘉庚学院 | 一种基于参考线准则的自由码垛装箱方法 |
CN109911272B (zh) * | 2019-03-19 | 2021-08-31 | 厦门大学嘉庚学院 | 一种基于参考线准则的自由码垛装箱方法 |
CN111515954A (zh) * | 2020-05-06 | 2020-08-11 | 大连理工大学 | 一种机械臂高质量运动路径生成方法 |
CN111515954B (zh) * | 2020-05-06 | 2021-08-20 | 大连理工大学 | 一种机械臂高质量运动路径生成方法 |
CN112180934A (zh) * | 2020-10-09 | 2021-01-05 | 广州大学 | 装车机器人的控制方法、系统、装置及可读存储介质 |
CN112180934B (zh) * | 2020-10-09 | 2023-10-27 | 广州大学 | 装车机器人的控制方法、系统、装置及可读存储介质 |
CN115217177A (zh) * | 2022-08-29 | 2022-10-21 | 上海三一重机股份有限公司 | 作业机械控制方法、装置及作业机械 |
Also Published As
Publication number | Publication date |
---|---|
CN106403950B (zh) | 2019-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106403950A (zh) | 一种基于参考信息的码垛机器人轨迹规划方法 | |
CN104020665B (zh) | 基于多目标粒子群算法的机械臂最小跃度轨迹优化方法 | |
CN110378439B (zh) | 基于Q-Learning算法的单机器人路径规划方法 | |
CN105527964B (zh) | 一种机器人路径规划方法 | |
CN110109358B (zh) | 一种基于反馈的混合多智能体协同控制方法 | |
CN105426954A (zh) | 一种基于多策略协同作用的粒子群优化的方法 | |
CN109901403A (zh) | 一种自主水下机器人神经网络s面控制方法 | |
CN110347151A (zh) | 一种融合Bezier优化遗传算法的机器人路径规划方法 | |
CN111401693B (zh) | 一种带机器人运输的柔性车间调度优化方法及系统 | |
CN105786759A (zh) | 一种改进标准混合蛙跳算法的方法 | |
CN113435025A (zh) | 一种结合多级优化模型的机器人高性能轨迹自动生成方法 | |
CN111745653B (zh) | 基于双机械臂的船体外板曲面成形协同加工的规划方法 | |
CN114004065A (zh) | 基于智能算法和环境约束下的变电站工程多目标优化方法 | |
CN109931943A (zh) | 无人船舶全局路径规划方法及电子设备 | |
CN106096724B (zh) | 基于elm神经网络的转炉炼钢工艺成本控制方法及系统 | |
CN114926023A (zh) | 一种基于改进海鸥优化算法的柔性作业车间调度方法 | |
CN113821972A (zh) | 一种考虑能效的多机器人协同装配线平衡方法 | |
CN115660346A (zh) | 一种基于边缘控制的规模化车网互动负荷调控方法 | |
CN112379589A (zh) | 蜗轮加工形性可控工艺 | |
CN102206741A (zh) | 一种罩式退火炉钢卷堆垛组合优化方法 | |
CN114386843A (zh) | 一种基于改进深度强化学习算法的柔性车间调度方法 | |
CN114253215A (zh) | 一种基于改进蚁群算法的民机舱门自动钻铆路径规划方法 | |
CN105550437A (zh) | 一种基于遗传算法的室内环境反向设计方法 | |
Shill et al. | Genetic algorithm based fully automated and adaptive fuzzy logic controller | |
CN113741482B (zh) | 一种基于异步遗传算法的多智能体路径规划方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190621 |
|
CF01 | Termination of patent right due to non-payment of annual fee |