CN109940619A - 一种轨迹规划方法、电子设备及存储介质 - Google Patents
一种轨迹规划方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN109940619A CN109940619A CN201910280924.4A CN201910280924A CN109940619A CN 109940619 A CN109940619 A CN 109940619A CN 201910280924 A CN201910280924 A CN 201910280924A CN 109940619 A CN109940619 A CN 109940619A
- Authority
- CN
- China
- Prior art keywords
- location point
- mechanical arm
- motion
- motion model
- accessibility
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000012795 verification Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 22
- 238000013016 damping Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 230000003247 decreasing effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Abstract
本发明实施例涉及机器人领域，公开了一种轨迹规划方法、电子设备及存储介质。本申请的部分实施例中，将起点位置和终点位置输入机械臂的第一运动模型，得到机械臂的运动轨迹；其中，机械臂的第一运动模型用于根据输入的起点位置和输入的终点位置，输出运动轨迹；将运动轨迹中插补为N个位置点，N为正整数；对N个位置点的可达性进行验证，并在确定N个位置点中的任意一个位置点验证失败后，调整第一运动模型中的预设参数，根据调整预设参数后的第一运动模型，重新规划机械臂的运动轨迹。该实现中，电子设备能够对规划的运动轨迹的可达性进行验证，避免机械臂沿不可达的运动轨迹运动造成的资源损耗。
Description
技术领域
本发明实施例涉及机器人领域，特别涉及一种轨迹规划方法、电子设备及存储介质。
背景技术
仿人形机械臂抓取功能的实现，除了要解决机械臂刚体运动学和动力学的问题，还要解决从机械臂的末端起点到被抓物体目标点之间的轨迹规划问题。目前业界内普遍有两种做法，一是模仿工业手臂的抓取轨迹规划，简单易实现，但是局限性太强，环境稍微变化，就无法工作；另一种是基于神经网络的深度学习方法，该方法需要提前采集大量的数据进行学习，计算量和工作量都比较大，耗时长，而且也只能满足单一环境，当环境变化时就需要重新采集大量数据以及重新学习，无法满足机器人工作中的快速适用性。
然而，发明人发现现有技术中至少存在如下问题：由于机械臂的各个关节的转动角度的限制等问题，机械臂可能无法按照规划的轨迹运动，这严重影响机械臂抓取物体的效率。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明实施方式的目的在于提供一种轨迹规划方法、电子设备及存储介质，使得能够对规划的运动轨迹进行验证，提高机械臂抓取物体的效率。
为解决上述技术问题，本发明的实施方式提供了一种轨迹规划方法，包括以下步骤：将起点位置和终点位置输入机械臂的第一运动模型，得到机械臂的运动轨迹；其中，机械臂的第一运动模型指示起点位置、终点位置和机械臂的运动轨迹的约束关系；将运动轨迹中插补为N个位置点，N为正整数；对N个位置点的可达性进行验证，并在确定N个位置点中的任意一个位置点验证失败后，调整第一运动模型中的预设参数，根据调整预设参数后的第一运动模型，重新规划机械臂的运动轨迹。
本发明的实施方式还提供了一种电子设备，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如上述实施方式提及的轨迹规划方法。
本发明的实施方式还提供了一种电子设备，包括：规划模块、插补模块和验证模块；规划模块用于将起点位置和终点位置输入机械臂的第一运动模型，得到机械臂的运动轨迹；其中，机械臂的第一运动模型用于根据输入的起点位置和输入的终点位置，输出运动轨迹；插补模块用于将运动轨迹中插补为N个位置点，N为正整数；验证模块用于对N个位置点的可达性进行验证，并在确定N个位置点中的任意一个位置点验证失败后，调整第一运动模型中的预设参数，根据调整预设参数后的第一运动模型，重新规划机械臂的运动轨迹。
本发明的实施方式还提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现上述实施方式提及的轨迹规划方法。
本发明实施方式相对于现有技术而言，在运动模型输出运动轨迹后，对运动轨迹上的位置点的可达性进行验证，使得能够发现运动轨迹中的不可达的位置点，避免电子设备控制机械臂沿包含不可达的位置点的运动轨迹运动造成的资源浪费。除此之外，电子设备能够在运动轨迹上存在不可达的位置点的情况下，及时调整运动模型，重新生成运动轨迹，提高了机械臂到达终点的成功概率。
另外，对N个位置点的可达性进行验证，具体包括：在一次验证过程中，进行以下操作：对未进行可达性验证的位置点中的任意一个位置点进行可达性验证；若确定验证成功，对进行下一次验证过程；若确定验证失败，结束验证过程。
另外，对N个位置点的可达性进行验证，具体包括：根据各个位置点与起点位置或终点位置的距离，对各个位置点进行排序；按照排列的顺序，进行以下操作：对第k个位置点的可达性进行验证，判断对第k个位置点的可达性验证是否成功；其中，k的初始值为1，且k小于N的正整数；若确定是，对第k+1个位置点的可达性进行验证，直至完成对所有的位置点的验证；若确定不是，则结束验证过程。
另外，对位置点的可达性进行验证的过程为：将位置点的位置信息输入机械臂的逆运动学模型，逆运动学模型指示位置信息和关节转动角度的约束关系；判断逆运动学模型是否求解成功；若确定是，则确定位置点的可达性验证成功；若确定不是，则确定位置点的可达性验证失败。该实现中，通过逆向求解关节角度的方法，对位置点的可达性进行验证，使得能够评估每个位置点的可达性，进而评估运动轨迹的可达性。
另外，在将起点位置和终点位置输入机械臂的第一运动模型，得到机械臂的运动轨迹之前，轨迹规划方法还包括：获取当前抓取的物体的特征；物体的特征包括物体的类别，和/或，物体的姿态；根据当前抓取的物体的特征，确定机械臂的第一运动模型，其中，机械臂的第一运动模型基于动态运动基元算法生成。该实现中，基于动态运动基元算法生成运动模型，缩短了训练运动模型的时间。
另外，根据当前抓取的物体的特征，确定机械臂的第一运动模型，具体包括：在M个机械臂的第二运动模型中，选择与当前抓取的物体的特征对应的第二运动模型，作为第一运动模型；其中，每个第二运动模型对应的物体的特征不同，M为大于1的正整数。该实现中，针对不同特征的物体分别建立运动模型，提高了运动模型规划的运动轨迹的准确性。
另外，每个第二运动模型的建立过程为：确定示教物体的特征；示教机械臂抓取示教物体；获取示教过程中采集得到的示教轨迹数据；示教轨迹数据中包括示教轨迹的起始位置信息、示教轨迹的停止位置信息、机械臂运动过程中的位置点的位置信息，以及机械臂在每个位置点的速度信息；基于示教轨迹数据，通过动态运动基元算法，对机械臂的初始运动模型进行训练，得到与示教物体的特征对应的第二运动模型。
另外，预设参数包括刚度常数，和/或，阻尼常数。
另外，调整第一运动模型中的预设参数，具体包括：将刚度常数增加或减少第一预设值；和/或，将阻尼常数增加或减少第二预设值。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。
图1是本发明的第一实施方式的轨迹规划方法的流程图；
图2是本发明的第二实施方式的轨迹规划方法的流程图；
图3是本发明的第三实施方式的电子设备的结构示意图；
图4是本发明的第四实施方式的轨迹规划方法的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。
本发明的第一实施方式涉及一种轨迹规划方法，应用于电子设备，如仿人型机器人自身的处理设备，或，仿人型机器人的外部控制设备。如图1所示，轨迹规划方法包括以下步骤：
步骤101：将起点位置和终点位置输入机械臂的第一运动模型，得到机械臂的运动轨迹。
具体地说，机械臂可以是仿人型机器人的手臂，机械臂的第一运动模型用于根据输入的起点位置和输入的终点位置，输出运动轨迹。
在一个例子中，机械臂的第一运动模型基于动态运动基元算法生成。
需要说明的是，本领域技术人员可以理解，运动模型也可以通过其他方法生成，本实施方式不限制生成运动模型的方法。
值得一提的是，基于动态运动基元算法生成的运动模型为机械臂规划运动轨迹，相对于基于神经网络的深度学习方法规划运动轨迹的方法，缩短了训练时间。
在一个例子中，该轨迹规划方法应用于机械臂抓取物体的场景。电子设备中存储有M个第二运动模型，每个运动模型用于抓取特征不同的物体。该场景下，电子设备先获取当前抓取的物体的特征，其中，物体的特征包括物体的类别，和/或，物体的姿态。电子设备根据当前抓取的物体的特征，确定机械臂的第一运动模型。
具体地说，电子设备可以在M个机械臂的第二运动模型中，选择与当前抓取的物体的特征对应的第二运动模型，作为第一运动模型；其中，每个第二运动模型对应的物体的特征不同，M为大于1的正整数。
值得一提的是，针对不同特征的物体分别进行示教，得到各自的运动模型，使得可以选择与本次抓取的物体相对应的运动模型为机械臂规划运动轨迹，由于该运动模型是针对本次抓取的物体生成的，其生成的运动轨迹的可靠性更高。
以下对电子设备从第二运动模型中选择第一运动模型的过程进行举例说明。假设，物体的特征为物体的类别，电子设备中存储有杯子对应的第二运动模型、锤子对应的第二运动模型和鼠标对应的第二运动模型，当前抓取的物体为杯子。电子设备在控制机械臂抓取杯子的过程中，先通过图像传感器，如摄像头，拍摄当前抓取的物体的图像，对当前抓取的物体的图像进行识别，确定当前抓取的物体的类别为杯子。电子设备调取杯子对应的第二运动模型，作为第一运动模型。
在一个例子中，电子设备可以通过图像识别算法，或，基于深度学习方法生成的物体识别模型，对当前抓取的物体的图像进行识别。
需要说明的是，电子设备中的第二运动模型可以由电子设备自身根据示教过程中的轨迹数据建立，也可以由外部导入，本实施方式不限制第二运动模型的获得方式。
以下以电子设备自身建立第二运动模型为例，对第二运动模型的建立过程进行举例说明。
电子设备先确定示教物体的特征，然后示教机械臂抓取示教物体，在示教过程中，电子设备对示教轨迹的起始位置信息、示教轨迹的停止位置信息、机械臂运动过程中的位置点的位置信息，以及机械臂在每个位置点的速度信息等信息进行采集，得到机械臂示教过程中的示教轨迹数据。电子设备基于示教轨迹数据，通过动态运动基元算法，对机械臂的初始运动模型进行训练，得到与示教物体的特征对应的第二运动模型。
在一个例子中，机械臂为机器人的手臂。电子设备利用机器人的示教设备控制机器人的手臂，在机器人可达的期望抓取区域抓取示教物体，录制示教轨迹数据；将录制的示教轨迹数据作为动态运动基元，进行学习训练，生成与该示教物体对应的运动模型。其中，运动模型为：
公式a：
公式b：
公式a和公式b中，表示v的一阶导数，v表示机械臂运动速度，P表示刚度常数，g表示示教轨迹的停止位置，x表示位置点，x0表示示教轨迹的起始位置，s表示相位变量，f(s)表示通过学习生成的能够产生任意运动的非线性函数，Q表示阻尼常数，τ表示缩放因子，表示x的一阶导数。
在一个例子中，电子设备若未找到与当前抓取的物体的特征对应的第二运动模型，则提示用户轨迹规划失败，用户在看到提示信息后，可以对该物体进行示教，以建立与该当前抓取的物体的相对应的运动模型。
需要说明的是，本领域技术人员可以理解，在未找到与当前抓取的物体对应的第二运动模型时，电子设备还可以采取其他措施，本实施方式不限制电子设备在未找到与当前抓取的物体对应的第二运动模型进行的操作。
步骤102：将运动轨迹中插补为N个位置点。
具体地说，电子设备根据运动轨迹插补算法，在运动轨迹上等间隔的插补位置点，或者在运动轨迹上非等间隔的插补位置点。
步骤103：对N个位置点的可达性进行验证，并在确定N个位置点中的任意一个位置点验证失败后，调整第一运动模型中的预设参数。
具体地说，位置点的可达性指示机械臂是否可以到达该位置点。由于机械臂的关节的转动角度、机械臂长度等因素的影响，机械臂可能无法达到运动轨迹上的一些位置点，这将导致机械臂运动失败。若在抓取物体的场景中，在控制机械臂语言规划的运动轨迹运动之前，先对运动轨迹上的位置点的可达性进行验证，可以提高机械臂抓取物体的成功概率。
在一个例子中，若确定N个位置点的可达性验证成功，可以控制机械臂沿该运动轨迹运行，也可以对运动轨迹进行其他验证，本实施方式不限制电子设备在确定N个位置点验证成功之后进行的操作。
以下对电子设备确定位置点的可达性的方法进行举例说明。
方法1：电子设备在一次验证过程中，进行以下操作：对未进行可达性验证的位置点中的任意一个位置点进行可达性验证；若确定验证成功，进行下一次验证过程；若确定验证失败，结束验证过程。具体地说，电子设备从N个位置点中，任意选择一个位置点，假设选择了位置点a，对位置点a的可达性进行验证，若确定位置点a验证成功，从除位置点a以外的其他位置点中，任意选择一个位置点，假设选择了位置点b，对位置点b的可达性进行验证，若位置点b验证成功，从除位置点a和位置点b以外的其他位置点中，任意选择一个位置点进行可达性验证……以此类推，直至完成对N个位置点的验证。若对位置点a验证失败，或，对位置点b或其他任意一个位置点的验证失败时，则不对未验证过的位置点进行验证，结束验证过程，调整第一运动模型的预设参数，重新生成运动轨迹。
方法2：电子设备根据各个位置点与所述起点位置或所述终点位置的距离，对各个位置点进行排序；按照排列的顺序，进行以下操作：对第k个位置点的可达性进行验证，判断对第k个位置点的可达性验证是否成功；其中，k的初始值为1，且k小于N的正整数；若确定是，对第k+1个位置点的可达性进行验证，直至完成对所有的位置点的验证；若确定不是，则结束验证过程。
需要说明的是，本领域技术人员可以理解，实际应用中，也可以在任意一个位置点验证失败后，继续对其他位置点进行验证。
在一个例子中，预设参数包括刚度常数，和/或，阻尼常数。电子设备调整预设参数的方法可以是：将刚度常数增加或减少第一预设值；和/或，将阻尼常数增加或减少第二预设值。具体地说，当预设参数包括刚度常数时，电子设备调整预设参数的方法可以是：将刚度常数增加或减少第一预设值，当预设参数包括阻尼常数时，电子设备调整预设参数的方法可以是：将阻尼常数增加或减少第二预设值，当预设参数包括刚度常数和阻尼常数时，电子设备调整预设参数的方法可以是：将刚度常数增加或减少第一预设值，将阻尼常数增加或减少第二预设值；或者选择性。
需要说明的是，本领域技术人员可以理解，第一预设值和第二预设值可以根据需要设置，第一预设值和第二预设值可以相同，也可以不同。在一个例子中，第一预设值为大于0小于1的数值，如0.1，第二预设值为大于0小于1的数值，如0.2。
以下以调整第一运动模型中的刚度常数为例，说明电子设备调整预设参数的过程。
假设，第一预设值为0.1，第一运动模型中刚度常数为4.5，在根据第一运动模型规划的运动轨迹上存在验证失败的位置点后，将第一运动模型中的刚度常数变为4.6，根据刚度常数为4.6的第一运动模型，重新规划运动轨迹。
在一个例子中，电子设备可以为刚度常数，和/或，阻尼常数设置调整范围，当调整后的刚度常数，和/或，阻尼常数超过各自的调整范围后，发出报警提示，报警提示指示路径规划失败。例如，可以将杯子对应的第一运动模型的刚度常数的调整范围为5-10。
需要说明的是，本领域技术人员可以理解，实际应用中，当调整后的刚度常数，和/或，阻尼常数超过各自的调整范围后，还可以采取其他措施，例如，减小第一预设值，和/或，减小第二预设值等，本实施方式不限制电子设备在调整后的刚度常数，和/或，阻尼常数超过各自的调整范围后采取的具体措施。
步骤104：根据调整预设参数后的第一运动模型，重新规划机械臂的运动轨迹。
具体地说，电子设备将起点位置和终点位置输入调整预设参数后的第一运动模型，得到重新为机械臂规划的运动轨迹。
需要说明的是，以上仅为举例说明，并不对本发明的技术方案构成限定。
与现有技术相比，本实施方式中提供的轨迹规划方法，在运动模型输出运动轨迹后，对运动轨迹上的位置点的可达性进行验证，使得能够发现运动轨迹中的不可达的位置点，避免电子设备控制机械臂沿包含不可达的位置点的运动轨迹运动造成的资源浪费。除此之外，电子设备能够在运动轨迹上存在不可达的位置点的情况下，及时调整运动模型，重新生成运动轨迹，提高了机械臂到达终点的成功概率。当使用该轨迹规划方法抓取物体时，提高了抓取物体的成功概率。
本发明的第二实施方式涉及一种轨迹规划方法。本实施方式是对第一实施方式进一步的细化，举例说明了：电子设备在根据各个位置点与起点位置或终点位置的距离，对各个位置点进行排序后，检测运动轨迹的位置点的可达性的过程和更新预设参数的过程。
具体的说，如图2所示，在本实施方式中，包含步骤201至步骤208，其中，步骤201和步骤202分别与第一实施方式中的步骤101和步骤102大致相同，此处不再赘述。下面主要介绍不同之处：
步骤201：将起点位置和终点位置输入机械臂的第一运动模型，得到机械臂的运动轨迹。
步骤202：将运动轨迹中插补为N个位置点。
步骤203：令k＝1。
步骤204：对第k个位置点的可达性进行验证，判断第k个位置点的可达性验证是否成功。
具体地说，具体地说，若确定第k个位置点的可达性验证成功，执行步骤205，若确定第k个位置点的可达性验证失败，执行步骤207。
在一个例子中，电子设备验证第k个位置点的可达性的方法为：将第k个位置点的位置信息输入机械臂的逆运动学模型，逆运动学模型指示位置信息和关节转动角度的约束关系；判断逆运动学模型是否求解成功；若确定是，则确定第k个位置点的可达性验证成功；若确定不是，则确定第k个位置点的可达性验证失败。
步骤205：判断k是否不大于N。
具体地说，若确定k≤N，执行步骤206，若k＞N，执行步骤208。
步骤206：令k＝k+1。返回步骤204。
具体地说，电子设备若确定第k个位置点的可达性验证成功，则对第k+1个位置点的可达性进行验证。
步骤207：调整第一运动模型中的预设参数。之后执行步骤201。
具体地说，在第k个位置点的可达性验证失败后，电子设备调整第一运动模型中的预设参数，将起点位置和终点位置输入调整预设参数后的第一运动模型，由调整预设参数后的第一运动模型为机械臂重新规划的运动轨迹，并对重新规划的运动轨迹的可达性进行验证。其中，电子设备调整预设参数的方法与第一实施方式相似，本领域技术人员可参考第一实施方式中调整预设参数的方法的相关描述。
需要说明的是，本领域技术人员可以理解，当执行步骤207后，返回至步骤201时，步骤201中的第一运动模型为调整预设参数后的第一运动模型。
值得一提的是，在发现不可达的位置点后，不对当前还未验证的位置点进行验证，可以减少电子设备的计算量。
步骤208：确定规划的运动轨迹符合可达性要求。
具体地说，若规划的运动轨迹上的所有位置点均符合可达性要求，则确定规划的运动轨迹符合可达性要求。
在一个例子中，电子设备在确定规划的运动轨迹符合可达性要求后，控制机械臂按照规划的运动轨迹运动。
需要说明的是，以上仅为举例说明，并不对本发明的技术方案构成限定。
与现有技术相比，本实施方式中提供的轨迹规划方法，在运动模型输出运动轨迹后，对运动轨迹上的位置点的可达性进行验证，使得能够发现运动轨迹中的不可达的位置点，避免电子设备控制机械臂沿包含不可达的位置点的运动轨迹运动造成的资源浪费。除此之外，电子设备能够在运动轨迹上存在不可达的位置点的情况下，及时调整运动模型，重新生成运动轨迹，提高了机械臂到达终点的成功概率。电子设备在发现不可达的位置点后，不对当前还未验证的位置点进行验证，可以减少电子设备的计算量。
上面各种方法的步骤划分，只是为了描述清楚，实现时可以合并为一个步骤或者对某些步骤进行拆分，分解为多个步骤，只要包括相同的逻辑关系，都在本专利的保护范围内；对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计，但不改变其算法和流程的核心设计都在该专利的保护范围内。
本发明的第三实施方式涉及一种电子设备，如图3所示，包括：至少一个处理器301；以及，与至少一个处理器301通信连接的存储器302；其中，存储器302存储有可被至少一个处理器301执行的指令，指令被至少一个处理器301执行，以使至少一个处理器301能够执行上述实施昂视提及的轨迹规划方法。
该电子设备包括：一个或多个处理器301以及存储器302，图3中以一个处理器301为例。处理器301、存储器302可以通过总线或者其他方式连接，图3中以通过总线连接为例。存储器302作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。处理器301通过运行存储在存储器302中的非易失性软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述轨迹规划方法。
存储器302可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储选项列表等。此外，存储器302可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施方式中，存储器302可选包括相对于处理器301远程设置的存储器，这些远程存储器可以通过网络连接至外接设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个模块存储在存储器302中，当被一个或者多个处理器301执行时，执行上述任意方法实施方式中的轨迹规划方法。
上述产品可执行本申请实施方式所提供的方法，具备执行方法相应的功能模块和有益效果，未在本实施方式中详尽描述的技术细节，可参见本申请实施方式所提供的方法。
本发明的第四实施方式涉及一种电子设备，如图4所示，包括：规划模块401、插补模块402和验证模块403；规划模块401用于将起点位置和终点位置输入机械臂的第一运动模型，得到机械臂的运动轨迹；其中，机械臂的第一运动模型用于根据输入的起点位置和输入的终点位置，输出运动轨迹；插补模块402用于将运动轨迹中插补为N个位置点，N为正整数；验证模块403用于对N个位置点的可达性进行验证，并在确定N个位置点中的任意一个位置点验证失败后，调整第一运动模型中的预设参数，根据调整预设参数后的第一运动模型，重新规划机械臂的运动轨迹。
在一个例子中，对N个位置点的可达性进行验证，具体包括：在一次验证过程中，进行以下操作：对未进行可达性验证的位置点中的任意一个位置点进行可达性验证；若确定验证成功，对进行下一次验证过程；若确定验证失败，结束验证过程。
在一个例子中，对N个位置点的可达性进行验证，具体包括：根据各个位置点与起点位置或终点位置的距离，对各个位置点进行排序；按照排列的顺序，进行以下操作：对第k个位置点的可达性进行验证，判断对第k个位置点的可达性验证是否成功；其中，k的初始值为1，且k小于N的正整数；若确定是，对第k+1个位置点的可达性进行验证，直至完成对所有的位置点的验证；若确定不是，则结束验证过程。
在一个例子中，对位置点的可达性进行验证的过程为：将位置点的位置信息输入机械臂的逆运动学模型，逆运动学模型指示位置信息和关节转动角度的约束关系；判断逆运动学模型是否求解成功；若确定是，则确定位置点的可达性验证成功；若确定不是，则确定位置点的可达性验证失败。该实现中，通过逆向求解关节角度的方法，对位置点的可达性进行验证，使得能够评估每个位置点的可达性，进而评估运动轨迹的可达性。
在一个例子中，在将起点位置和终点位置输入机械臂的第一运动模型，得到机械臂的运动轨迹之前，轨迹规划方法还包括：获取当前抓取的物体的特征；物体的特征包括物体的类别，和/或，物体的姿态；根据当前抓取的物体的特征，确定机械臂的第一运动模型，其中，机械臂的第一运动模型基于动态运动基元算法生成。该实现中，基于动态运动基元算法生成运动模型，缩短了训练运动模型的时间。
在一个例子中，根据当前抓取的物体的特征，确定机械臂的第一运动模型，具体包括：在M个机械臂的第二运动模型中，选择与当前抓取的物体的特征对应的第二运动模型，作为第一运动模型；其中，每个第二运动模型对应的物体的特征不同，M为大于1的正整数。该实现中，针对不同特征的物体分别建立运动模型，提高了运动模型规划的运动轨迹的准确性。
在一个例子中，每个第二运动模型的建立过程为：确定示教物体的特征；示教机械臂抓取示教物体；获取示教过程中采集得到的示教轨迹数据；示教轨迹数据中包括示教轨迹的起始位置信息、示教轨迹的停止位置信息、机械臂运动过程中的位置点的位置信息，以及机械臂在每个位置点的速度信息；基于示教轨迹数据，通过动态运动基元算法，对机械臂的初始运动模型进行训练，得到与示教物体的特征对应的第二运动模型。
在一个例子中，预设参数包括刚度常数，和/或，阻尼常数。
在一个例子中，调整第一运动模型中的预设参数，具体包括：将刚度常数增加或减少第一预设值；和/或，将阻尼常数增加或减少第二预设值。
不难发现，本实施方式为与第一实施方式相对应的系统实施例，本实施方式可与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在第一实施方式中。
值得一提的是，本实施方式中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本发明的创新部分，本实施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入，但这并不表明本实施方式中不存在其它的单元。
本发明的第五实施方式涉及一种计算机可读存储介质，存储有计算机程序。计算机程序被处理器执行时实现上述方法实施例。
即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域的普通技术人员可以理解，上述各实施方式是实现本发明的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。
Claims (11)
1.一种轨迹规划方法，其特征在于，包括：
将起点位置和终点位置输入机械臂的第一运动模型，得到机械臂的运动轨迹；其中，所述机械臂的第一运动模型用于根据输入的起点位置和输入的终点位置，输出运动轨迹；
将所述运动轨迹中插补为N个位置点，N为正整数；
对所述N个位置点的可达性进行验证，并在确定所述N个位置点中的任意一个位置点验证失败后，调整所述第一运动模型中的预设参数，根据调整所述预设参数后的第一运动模型，重新规划所述机械臂的运动轨迹。
2.根据权利要求1所述的轨迹规划方法，其特征在于，所述对所述N个位置点的可达性进行验证，具体包括：
在一次验证过程中，进行以下操作：对未进行可达性验证的位置点中的任意一个位置点进行可达性验证；若确定验证成功，进行下一次验证过程；若确定验证失败，结束验证过程。
3.根据权利要求1所述的轨迹规划方法，其特征在于，所述对所述N个位置点的可达性进行验证，具体包括：
根据各个位置点与所述起点位置或所述终点位置的距离，对各个位置点进行排序；
按照排列的顺序，进行以下操作：对第k个位置点的可达性进行验证，判断对第k个位置点的可达性验证是否成功；其中，k的初始值为1，且k小于N的正整数；若确定是，对第k+1个位置点的可达性进行验证，直至完成对所有的位置点的验证；若确定不是，则结束验证过程。
4.根据权利要求2或3所述的轨迹规划方法，其特征在于，对所述位置点的可达性进行验证的过程为：
将所述位置点的位置信息输入所述机械臂的逆运动学模型，所述逆运动学模型指示位置信息和关节转动角度的约束关系；
判断所述逆运动学模型是否求解成功；
若确定是，则确定所述位置点的可达性验证成功；
若确定不是，则确定所述位置点的可达性验证失败。
5.根据权利要求1至4中任一项所述的轨迹规划方法，其特征在于，在所述将起点位置和终点位置输入机械臂的第一运动模型，得到机械臂的运动轨迹之前，所述轨迹规划方法还包括：
获取当前抓取的物体的特征；所述物体的特征包括所述物体的类别，和/或，物体的姿态；
根据所述当前抓取的物体的特征，确定所述机械臂的第一运动模型，其中，所述机械臂的第一运动模型基于动态运动基元算法生成。
6.根据权利要求5所述的轨迹规划方法，其特征在于，所述根据所述当前抓取的物体的特征，确定所述机械臂的第一运动模型，具体包括：
在M个所述机械臂的第二运动模型中，选择与所述当前抓取的物体的特征对应的第二运动模型，作为所述第一运动模型；其中，每个所述第二运动模型对应的物体的特征不同，M为大于1的正整数。
7.根据权利要求6所述的轨迹规划方法，其特征在于，每个所述第二运动模型的建立过程为：
确定示教物体的特征；
示教所述机械臂抓取所述示教物体；
获取示教过程中采集得到的示教轨迹数据；所述示教轨迹数据中包括示教轨迹的起始位置信息、示教轨迹的停止位置信息、所述机械臂运动过程中的位置点的位置信息，以及所述机械臂在每个所述位置点的速度信息；
基于所述示教轨迹数据，通过动态运动基元算法，对所述机械臂的初始运动模型进行训练，得到与所述示教物体的特征对应的第二运动模型。
8.根据权利要求1至7中任一项所述的轨迹规划方法，其特征在于，所述预设参数包括刚度常数，和/或，阻尼常数。
9.一种电子设备，其特征在于，包括：至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至8中任一项所述的轨迹规划方法。
10.一种电子设备，其特征在于，包括：规划模块、插补模块和验证模块；
所述规划模块用于将起点位置和终点位置输入机械臂的第一运动模型，得到机械臂的运动轨迹；其中，所述机械臂的第一运动模型用于根据输入的起点位置和输入的终点位置，输出运动轨迹；
所述插补模块用于将所述运动轨迹中插补为N个位置点，N为正整数；
所述验证模块用于对所述N个位置点的可达性进行验证，并在确定所述N个位置点中的任意一个位置点验证失败后，调整所述第一运动模型中的预设参数，根据调整所述预设参数后的第一运动模型，重新规划所述机械臂的运动轨迹。
11.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的轨迹规划方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910280924.4A CN109940619A (zh) | 2019-04-09 | 2019-04-09 | 一种轨迹规划方法、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910280924.4A CN109940619A (zh) | 2019-04-09 | 2019-04-09 | 一种轨迹规划方法、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109940619A true CN109940619A (zh) | 2019-06-28 |
Family
ID=67013978
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910280924.4A Pending CN109940619A (zh) | 2019-04-09 | 2019-04-09 | 一种轨迹规划方法、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109940619A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110850742A (zh) * | 2019-11-29 | 2020-02-28 | 江苏集萃智能制造技术研究所有限公司 | 机器人的动步态仿真模型和方法 |
| CN112287728A (zh) * | 2019-07-24 | 2021-01-29 | 鲁班嫡系机器人（深圳）有限公司 | 智能体轨迹规划方法、装置、系统、存储介质及设备 |
| CN112325907A (zh) * | 2020-11-06 | 2021-02-05 | 北京配天技术有限公司 | 一种机器人路径规划算法的测试方法、装置、设备及介质 |
| CN112486034A (zh) * | 2020-11-09 | 2021-03-12 | 北京配天技术有限公司 | 验证轨迹规划的方法、电子设备及存储介质 |
| CN113752257A (zh) * | 2021-08-27 | 2021-12-07 | 中科尚易健康科技(北京)有限公司 | 基于位置反馈信息的机械臂轨迹矫正方法和控制终端 |
| WO2022110452A1 (zh) * | 2020-11-30 | 2022-06-02 | 深圳市优必选科技股份有限公司 | 机器人运动规划方法、装置、可移动机器人及存储介质 |
| CN114728417A (zh) * | 2019-12-17 | 2022-07-08 | X开发有限责任公司 | 由远程操作员触发的机器人自主对象学习 |
| CN114851170A (zh) * | 2022-05-19 | 2022-08-05 | 法奥意威(苏州)机器人系统有限公司 | 分段连接作业控制方法及装置、计算机设备和存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5396160A (en) * | 1991-03-11 | 1995-03-07 | General Motors Corporation | Method of real-time machine path planning from a math model |
| CN103085072A (zh) * | 2013-03-11 | 2013-05-08 | 南京埃斯顿机器人工程有限公司 | 基于三维建模软件实现工业机器人离线编程的方法 |
| CN106444738A (zh) * | 2016-05-24 | 2017-02-22 | 武汉科技大学 | 基于动态运动基元学习模型的移动机器人路径规划方法 |
| CN108139730A (zh) * | 2015-12-11 | 2018-06-08 | Abb瑞士股份有限公司 | 机器人离线编程方法以及使用其的装置 |
| CN108189038A (zh) * | 2018-01-18 | 2018-06-22 | 广东工业大学 | 一种实用的工业六轴机械臂直线运动轨迹规划方法及系统 |
| CN108469732A (zh) * | 2018-03-13 | 2018-08-31 | 同济大学 | 基于dmp的机器人工作空间适应性行走控制系统及方法 |
| CN108582071A (zh) * | 2018-04-26 | 2018-09-28 | 华中科技大学 | 一种工业机器人编程轨迹诊断及速度优化的方法 |
-
2019
- 2019-04-09 CN CN201910280924.4A patent/CN109940619A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5396160A (en) * | 1991-03-11 | 1995-03-07 | General Motors Corporation | Method of real-time machine path planning from a math model |
| CN103085072A (zh) * | 2013-03-11 | 2013-05-08 | 南京埃斯顿机器人工程有限公司 | 基于三维建模软件实现工业机器人离线编程的方法 |
| CN108139730A (zh) * | 2015-12-11 | 2018-06-08 | Abb瑞士股份有限公司 | 机器人离线编程方法以及使用其的装置 |
| CN106444738A (zh) * | 2016-05-24 | 2017-02-22 | 武汉科技大学 | 基于动态运动基元学习模型的移动机器人路径规划方法 |
| CN108189038A (zh) * | 2018-01-18 | 2018-06-22 | 广东工业大学 | 一种实用的工业六轴机械臂直线运动轨迹规划方法及系统 |
| CN108469732A (zh) * | 2018-03-13 | 2018-08-31 | 同济大学 | 基于dmp的机器人工作空间适应性行走控制系统及方法 |
| CN108582071A (zh) * | 2018-04-26 | 2018-09-28 | 华中科技大学 | 一种工业机器人编程轨迹诊断及速度优化的方法 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112287728A (zh) * | 2019-07-24 | 2021-01-29 | 鲁班嫡系机器人（深圳）有限公司 | 智能体轨迹规划方法、装置、系统、存储介质及设备 |
| CN110850742A (zh) * | 2019-11-29 | 2020-02-28 | 江苏集萃智能制造技术研究所有限公司 | 机器人的动步态仿真模型和方法 |
| CN110850742B (zh) * | 2019-11-29 | 2022-08-23 | 江苏集萃智能制造技术研究所有限公司 | 机器人的动步态仿真模型和方法 |
| CN114728417A (zh) * | 2019-12-17 | 2022-07-08 | X开发有限责任公司 | 由远程操作员触发的机器人自主对象学习 |
| CN114728417B (zh) * | 2019-12-17 | 2024-04-16 | X开发有限责任公司 | 由远程操作员触发的机器人自主对象学习的方法及设备 |
| CN112325907A (zh) * | 2020-11-06 | 2021-02-05 | 北京配天技术有限公司 | 一种机器人路径规划算法的测试方法、装置、设备及介质 |
| CN112325907B (zh) * | 2020-11-06 | 2023-06-06 | 北京配天技术有限公司 | 一种机器人路径规划算法的测试方法、装置、设备及介质 |
| CN112486034A (zh) * | 2020-11-09 | 2021-03-12 | 北京配天技术有限公司 | 验证轨迹规划的方法、电子设备及存储介质 |
| CN112486034B (zh) * | 2020-11-09 | 2023-11-10 | 北京配天技术有限公司 | 验证轨迹规划的方法、电子设备及存储介质 |
| WO2022110452A1 (zh) * | 2020-11-30 | 2022-06-02 | 深圳市优必选科技股份有限公司 | 机器人运动规划方法、装置、可移动机器人及存储介质 |
| CN113752257A (zh) * | 2021-08-27 | 2021-12-07 | 中科尚易健康科技(北京)有限公司 | 基于位置反馈信息的机械臂轨迹矫正方法和控制终端 |
| CN114851170A (zh) * | 2022-05-19 | 2022-08-05 | 法奥意威(苏州)机器人系统有限公司 | 分段连接作业控制方法及装置、计算机设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109940619A (zh) | 一种轨迹规划方法、电子设备及存储介质 | |
| Sadeghi et al. | Sim2real viewpoint invariant visual servoing by recurrent control | |
| Pickem et al. | The robotarium: A remotely accessible swarm robotics research testbed | |
| CN109960880B (zh) | 一种基于机器学习的工业机器人避障路径规划方法 | |
| EP3633618A1 (en) | Method for tracking object by using convolutional neural network including tracking network and computing device using the same | |
| CN108356823B (zh) | 具有学习控制功能的控制系统以及控制方法 | |
| JP6671694B1 (ja) | 機械学習装置、機械学習システム、データ処理システム及び機械学習方法 | |
| CN109407603B (zh) | 一种控制机械臂抓取物体的方法及装置 | |
| CN107662209A (zh) | 一种控制方法及机器人 | |
| CN110516389B (zh) | 行为控制策略的学习方法、装置、设备及存储介质 | |
| CN107553496B (zh) | 机械臂逆运动学求解方法误差的确定及校正方法和装置 | |
| CN114051444B (zh) | 借助于至少一个机器人执行应用 | |
| WO2023123911A1 (zh) | 机器人碰撞检测方法、装置、电子设备及存储介质 | |
| Brecher et al. | Towards anthropomorphic movements for industrial robots | |
| CN114239974B (zh) | 多智能体的位置预测方法、装置、电子设备及存储介质 | |
| CN109764876B (zh) | 无人平台的多模态融合定位方法 | |
| Bargsten et al. | Experimental robot inverse dynamics identification using classical and machine learning techniques | |
| WO2021225923A1 (en) | Generating robot trajectories using neural networks | |
| Lv et al. | Hardware-in-the-loop simulation for evaluating communication impacts on the wireless-network-controlled robots | |
| CN114800523B (zh) | 机械臂轨迹修正方法、系统、计算机及可读存储介质 | |
| CN107696034A (zh) | 一种针对工业机器人的错误自主恢复方法 | |
| CN114789453B (zh) | 机械臂动态pid控制方法、装置、电子设备及存储介质 | |
| CN105654506A (zh) | 用于分析运动的装置及方法 | |
| Quindlen et al. | Region-of-convergence estimation for learning-based adaptive controllers | |
| Incremona et al. | Experimental assessment of deep reinforcement learning for robot obstacle avoidance: a lpv control perspective |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210207 Address after: 200245 2nd floor, building 2, no.1508, Kunyang Road, Minhang District, Shanghai Applicant after: Dalu Robot Co.,Ltd. Address before: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.) Applicant before: CLOUDMINDS (SHENZHEN) ROBOTICS SYSTEMS Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| CB02 | Change of applicant information |
Address after: 201111 Building 8, No. 207, Zhongqing Road, Minhang District, Shanghai Applicant after: Dayu robot Co.,Ltd. Address before: 200245 2nd floor, building 2, no.1508, Kunyang Road, Minhang District, Shanghai Applicant before: Dalu Robot Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190628 |