CN109960880B - 一种基于机器学习的工业机器人避障路径规划方法 - Google Patents
一种基于机器学习的工业机器人避障路径规划方法 Download PDFInfo
- Publication number
- CN109960880B CN109960880B CN201910231812.XA CN201910231812A CN109960880B CN 109960880 B CN109960880 B CN 109960880B CN 201910231812 A CN201910231812 A CN 201910231812A CN 109960880 B CN109960880 B CN 109960880B
- Authority
- CN
- China
- Prior art keywords
- obstacle avoidance
- industrial robot
- joint angle
- obstacle
- path
- 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.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/1605—Simulation of manipulator lay-out, design, modelling of manipulator
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1674—Programme controls characterised by safety, monitoring, diagnostic
- B25J9/1676—Avoiding collision or forbidden zones
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1694—Programme controls characterised by use of sensors other than normal servo-feedback from position, speed or acceleration sensors, perception control, multi-sensor controlled systems, sensor fusion
- B25J9/1697—Vision controlled systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Manipulator (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了一种基于机器学习的工业机器人避障路径规划方法,涉及工业机器人避障路径规划设计领域,所述方法包括以下步骤:首先搭建含障碍物的机器人仿真工作场景,设定机器人的初始关节角、目标位姿关节角和障碍物位分布;然后根据设定的分布初始状态,生成避障行为数据集;接着设计神经网络模型,通过所述避障行为数据集训练所述神经网络模型,得到避障策略网络;最后在实际场景中将所述避障策略网络部署到上位机,重复执行并实现所述工业机器人的避障路径。本发明从主流避障路径规划算法中提取运动趋势经验,每个时刻只规划机器人局部的下一时刻运动趋势,减少计算规模,使机器人具有应对动态障碍物的能力,提高机器人系统的灵活性。
Description
技术领域
本发明涉及工业机器人避障路径规划设计领域,尤其涉及一种基于机器学习的工业机器人避障路径规划方法。
背景技术
机器人的避障路径规划是机器人应用领域的一项基本问题,即生成从起始位置到目标位置的在空间范围内连续的路径序列点,同时避免机器人与本体以及环境发生碰撞。目前主流的避障规划算法是基于采样的快速扩展随机树(RRT)及其改进算法,随着计算机硬件计算力的发展,以深度学习为代表的机器学习算法在近年来取得了重大的进展和突破,在工业领域也获得了越来越多的普及和应用。应用最广泛的机器学习种类是有监督学习,即通过人工或其他可靠手段给出数据集样本的正确标签,学习从样本到标签的映射关系,其中主流的方法为构建一个神经网络模型拟合从样本到标签的映射f解决分类与回归问题,通过梯度下降法等优化算法搜索最优参数。
强化学习是机器学习领域中另一种具有巨大潜力的技术。强化学习主要关注智能体如何在环境中采取行动以获取最高的累积奖励,通过环境对状态的不同奖励信号调整生成动作的策略,是在与环境交互的过程中学习从状态st到动作at的映射,即策略πθ(atVst)。强化学习无需人工标注数据集,但需要根据目标人工设计奖励函数,使策略不断模仿学习,最终达到目标状态。
目前,对于机器人的避障路径规划仍存在以下问题:一是对多自由度串联机器人而言,其高自由度及连杆间的耦合等性质增加了规划难度,计算其与障碍物的排斥场问题具有很高的计算复杂度;二是应用RRT及其改进算法在静态环境下具有很好的适应性,但面对动态障碍物时依然存在搜索效率低的问题;三是在传统工业机器人产线应用上,机器人需要通过人工示教提供若干固定节点位置并由控制器插值得到一条固定轨迹,只能代替个别重复性工作,机器人系统的灵活性与自动化程度较低。
因此,本领域的技术人员致力于开发一种基于机器学习的工业机器人避障路径规划方法,从主流的避障路径规划算法中提取运动趋势经验,每个时刻只规划机器人局部的下一时刻运动趋势,减少了每次规划的计算规模,使机器人具有应对动态障碍物的能力,提高机器人系统的灵活性与自动化程度。
发明内容
有鉴于现有技术的上述缺陷,本发明所要解决的技术问题是克服多自由度机器人在工业空间内避障路径规划算法计算复杂度高、面对动态障碍物时搜索效率低、机器人系统的灵活性与自动化程度较低的缺点。
为实现上述目的,本发明提供了一种基于机器学习的工业机器人避障路径规划方法,其特征在于,所述方法包括以下步骤:
步骤2、根据所述分布设定的初始状态,生成避障行为数据集;
步骤3、设计神经网络模型,并通过所述避障行为数据集训练所述神经网络模型,得到避障策略网络apred和损失函数loss;
步骤4、在实际场景中,将训练得到的所述避障策略网络apred部署到上位机,重复执行所述避障策略网络apred,最终实现所述工业机器人的避障路径。
进一步地,所述步骤2中的所述生成避障行为数据集的方法具体为:
步骤2.1、从设定的所述工业机器人的初始关节角分布、目标位姿关节角分布和所述障碍物位姿[pobs,oobs]分布中分别取样,以的组合作为一组所述避障行为数据集的初始设置,调用主流避障路径规划算法计算无碰撞路径;
步骤2.2、所述工业机器人在所述无碰撞路径上行进,每到达一个路径点对应一个当前关节角在所述无碰撞路径上选取与所述工业机器人当前位置相隔确定步长距离的点作为所述工业机器人下一时刻的关节角将所述当前关节角与所述下一时刻的关节角向量的差值作为下一时刻关节角增量at,即:
进一步地,所述步骤1中的所述障碍物位姿[pobs,oobs]通过机器视觉识别固定在所述障碍物上的若干标志点坐标,并采用视觉定位程序计算求解。
其中,atrue表示所述工业机器人在不同时刻的关节角增量实际值。
进一步地,所述避障策略网络apred的策略执行周期等于图像采集时间Ts、所述障碍物的采样点计算时间Tcal、所述神经网络模型的前向传播时间Tnn与所述工业机器人到达指定位置时间Tc之和。
进一步地,所述主流避障路径规划算法具有随机性,所述工业机器人每到达一个路径点对应的当前关节角需要重新规划从当前位置到目标位置的完整路径,再选取所述下一时刻的关节角所述下一时刻关节角增量at服从混合高斯分布,即:
此时,所述损失函数loss定义为:
进一步地,所述步骤1中的所述分布覆盖所述工业机器人的作业范围和作业过程中所述障碍物出现的范围。
进一步地,生成所述避障行为数据集的障碍物尺寸大于实际障碍物尺寸。
进一步地,所述障碍物上的若干标志点坐标所处的坐标系与生成所述避障行为数据集设定的坐标系相同。
与现有技术相比,通过本发明的实施,至少具有以下有益的技术效果:
(1)本发明提供的基于机器学习的工业机器人避障路径规划方法,从主流的避障路径规划算法中提取运动趋势经验,机器人每个时刻只规划局部小范围的下一时刻运动趋势,从而减少了每次规划的计算规模;
(2)本发明提供的基于机器学习的工业机器人避障路径规划方法,适用于多自由度机器人在工业空间内可能与障碍物发生碰撞且障碍物与目标位姿的相对位置关系不固定的情况,可作为代替人工示教的自动化方案;
(3)本发明提供的基于机器学习的工业机器人避障路径规划方法,可随时根据现场情况进行调整,每当环境状态发生变化后无需重新规划从起始位置到目标位置的完整路径,因而对静止环境和动态环境而言具有同样的计算效率。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明,以充分地了解本发明的目的、特征和效果。
附图说明
图1是本发明的一个较佳实施例的上位机操作流程图;
图2是本发明的一个较佳实施例的生成避障行为数据集的流程图;
图3是本发明的一个较佳实施例的机器人在V-REP中的虚拟工作场景示意图;
图4是本发明的一个较佳实施例的神经网络模型示意图;
图5是本发明的一个较佳实施例的Python程序与V-REP通讯示意图;
图6是本发明的一个较佳实施例的本地避障行为数据集的结构示意图。
具体实施方式
以下参考说明书附图介绍本发明的优选实施例,使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现,本发明的保护范围并非仅限于文中提到的实施例。
在附图中,结构相同的部件以相同数字标号表示,各处结构或功能相似的组件以相似数字标号表示。附图所示的每一组件的尺寸和厚度是任意示出的,本发明并没有限定每个组件的尺寸和厚度。为了使图示更清晰,附图中有些地方适当夸大了部件的厚度。
本实施例的详细说明在虚拟仿真软件V-REP和Python程序下实施,V-REP是一款动力学仿真软件,主要定位于机器人仿真建模领域,如图3所示,为本实施例的机器人在V-REP中的虚拟工作场景示意图,V-REP可以利用内嵌脚本、ROS节点、远程 API客户端等实现分布式的控制结构。
本发明提供的一种基于机器学习的工业机器人避障路径规划方法,包括以下步骤:
在V-REP中搭建含障碍物的简单机器人工作场景,导入经过膨胀的障碍物模型,将机器人与障碍物以外的实体设置为不可碰撞,在场景脚本中编写进行无碰撞路径规划的函数与碰撞检测的函数。路径规划函数对每个确定初始位置、终点位置和障碍物位姿的场景调用运动规划库的API,执行RRT算法多次路径搜索,返回关节空间中最短的路径,即
步骤2、根据所述分布设定的初始状态,生成避障行为数据集;
如图2所示,生成避障行为数据集的方法具体为:
步骤2.1、从设定的所述工业机器人的初始关节角分布、目标位姿关节角分布和所述障碍物位姿[pobs,oobs]分布中分别取样,以的组合作为一组所述避障行为数据集的初始设置,调用主流避障路径规划算法计算无碰撞路径;
步骤2.2、所述工业机器人在所述无碰撞路径上行进,每到达一个路径点对应一个当前关节角在所述无碰撞路径上选取与所述工业机器人当前位置相隔确定步长距离的点作为所述工业机器人下一时刻的关节角将所述当前关节角与所述下一时刻的关节角向量的差值作为下一时刻关节角增量at,即:
如图5所示,编写Python主程序,通过V-REP的Python远程API模块与V-REP 建立通讯,获取V-REP中各元素的句柄,编写函数控制场景的行为与传输数据。设定初始关节角、目标关节角与障碍物位姿的分布并从中取样,确认初始位置和目标位置处都不发生碰撞后,调用场景脚本中路径规划的函数并取得完整的无碰撞路径,按路径顺序计算该关节角到初始关节角的欧式距离,返回第一个大于阈值的路径点作为下一时刻的关节角
移动机器人到达下一时刻的关节角以此时的关节角作为初始关节角再次调用脚本进行路径规划并返回下一时刻的关节角,重复该步骤直至机器人关节角向量距离目标小于某个阈值,即通过直线插值方式到达目标位姿将每个关节路径点与其对应的动作以及障碍物位姿和目标关节角保存到同一目录下,为每对确定一个编号,开始下一轮避障行为数据集的采集。
步骤3、设计神经网络模型,并通过所述避障行为数据集训练所述神经网络模型,得到避障策略网络apred和损失函数loss;
避障行为数据集中的数据采集完毕后,将所有状态-动作对受其对应的目标位姿和障碍物位姿编号从本地数据集中读取并分为训练集和测试集,将对应的编号列表保存在本地,图6即示出了一种本地避障行为数据集的结构示意图。选用一种深度学习框架搭建一个以[pobs,oobs]为三个输入,动作at服从的混合高斯分布的各参数αi,μi,Si为输出的神经网络模型,如图4所示,为本实施例的神经网络模型示意图。所述神经网络模型以概率密度函数作为损失函数,以平均采样均方误差为指标,通过训练集进行多轮训练,并将训练好的模型保存到本地。
步骤4、在实际场景中,将训练得到的所述避障策略网络apred部署到上位机,重复执行所述避障策略网络apred,最终实现所述工业机器人的避障路径;
如图1所示,在实际场景中,为障碍物设计若干标记点,搭建机器视觉系统并进行标定,将基坐标系统一至与仿真场景一致。在上位机程序中部署视觉定位程序与训练好的深度学习模型,在每个执行周期将视觉定位程序计算的障碍物位姿向量 [pobs,oobs]、机器人控制器传回的当前关节状态与目标关节状态对应地输入深度学习模型中,从输出的混合高斯模型中取样动作向量at,发送下一时刻位置 给机器人控制器执行。当机器人的当前关节角向量距离目标小于某个阈值,即对,通过直线插值方式到达目标位姿
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (9)
1.一种基于机器学习的工业机器人避障路径规划方法,其特征在于,所述方法包括以下步骤:
步骤1、根据实际作业场景搭建含障碍物的工业机器人仿真工作场景,设定所述工业机器人的初始关节角分布、目标位姿关节角分布和所述障碍物位姿[pobs,oobs]分布,所述障碍物位姿[pobs,oobs]通过机器视觉识别固定在所述障碍物上的若干标志点坐标,并采用视觉定位程序计算求解;
步骤2、根据所述分布设定的初始状态,生成避障行为数据集;
步骤3、设计神经网络模型,并通过所述避障行为数据集训练所述神经网络模型,得到避障策略网络apred和损失函数loss;
步骤4、在实际场景中,将训练得到的所述避障策略网络apred部署到上位机,重复执行所述避障策略网络apred,最终实现所述工业机器人的避障路径。
2.如权利要求1所述的基于机器学习的工业机器人避障路径规划方法,其特征在于,所述步骤2中的所述生成避障行为数据集的方法具体为:
步骤2.1、从设定的所述工业机器人的初始关节角分布、目标位姿关节角分布和所述障碍物位姿[pobs,oobs]分布中分别取样,以的组合作为一组所述避障行为数据集的初始设置,调用主流避障路径规划算法计算无碰撞路径;
步骤2.2、所述工业机器人在所述无碰撞路径上行进,每到达一个路径点对应一个当前关节角在所述无碰撞路径上选取与所述工业机器人当前位置相隔确定步长距离的点作为所述工业机器人下一时刻的关节角将所述当前关节角与所述下一时刻的关节角向量的差值作为下一时刻关节角增量at,即:
5.如权利要求3所述的基于机器学习的工业机器人避障路径规划方法,其特征在于,所述避障策略网络apred的策略执行周期等于图像采集时间Ts、所述障碍物的采样点计算时间Tcal、所述神经网络模型的前向传播时间Tnn与所述工业机器人到达指定位置时间Tc之和。
7.如权利要求1所述的基于机器学习的工业机器人避障路径规划方法,其特征在于,所述步骤1中的所述分布覆盖所述工业机器人的作业范围和作业过程中所述障碍物出现的范围。
8.如权利要求2所述的基于机器学习的工业机器人避障路径规划方法,其特征在于,生成所述避障行为数据集的障碍物尺寸大于实际障碍物尺寸。
9.如权利要求1所述的基于机器学习的工业机器人避障路径规划方法,其特征在于,所述障碍物上的若干标志点坐标所处的坐标系与生成所述避障行为数据集设定的坐标系相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910231812.XA CN109960880B (zh) | 2019-03-26 | 2019-03-26 | 一种基于机器学习的工业机器人避障路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910231812.XA CN109960880B (zh) | 2019-03-26 | 2019-03-26 | 一种基于机器学习的工业机器人避障路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109960880A CN109960880A (zh) | 2019-07-02 |
CN109960880B true CN109960880B (zh) | 2023-01-03 |
Family
ID=67024951
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910231812.XA Active CN109960880B (zh) | 2019-03-26 | 2019-03-26 | 一种基于机器学习的工业机器人避障路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109960880B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110524544A (zh) * | 2019-10-08 | 2019-12-03 | 深圳前海达闼云端智能科技有限公司 | 一种机械臂运动的控制方法、终端和可读存储介质 |
CN110766220A (zh) * | 2019-10-21 | 2020-02-07 | 湖南大学 | 一种结构化道路局部路径规划方法 |
CN111702754B (zh) * | 2020-05-14 | 2022-08-12 | 国网安徽省电力有限公司超高压分公司 | 一种基于模仿学习的机器人避障轨迹规划方法及机器人 |
CN111633646B (zh) * | 2020-05-22 | 2021-08-27 | 北京理工大学 | 基于DMPs和修正避障算法的机器人运动规划方法 |
CN112440281A (zh) * | 2020-11-16 | 2021-03-05 | 浙江大学 | 一种基于数字孪生的机器人轨迹规划方法 |
CN112809670A (zh) * | 2020-12-31 | 2021-05-18 | 广东立胜综合能源服务有限公司 | 一种机械臂最优路径优化定位方法 |
CN112882469B (zh) * | 2021-01-14 | 2022-04-08 | 浙江大学 | 一种融合全局训练的深度强化学习避障导航方法 |
CN113084799B (zh) * | 2021-03-28 | 2022-07-26 | 西北工业大学 | 一种基于六次多项式的六足机器人足端轨迹规划方法 |
EP4113380A1 (en) * | 2021-06-30 | 2023-01-04 | Robert Bosch GmbH | Device and method for classifying a signal and/or for performing regression analysis on a signal |
CN113910221B (zh) * | 2021-09-28 | 2023-01-17 | 广州杰赛科技股份有限公司 | 一种机械臂自主运动规划方法、装置、设备及存储介质 |
CN113752265B (zh) * | 2021-10-13 | 2024-01-05 | 国网山西省电力公司超高压变电分公司 | 一种机械臂避障路径规划方法、系统及装置 |
CN113894795B (zh) * | 2021-11-17 | 2023-11-28 | 青岛九维华盾科技研究院有限公司 | 一种工业机器人外部轴位置优化方法 |
CN114367988B (zh) * | 2022-02-11 | 2023-11-17 | 煤炭科学研究总院有限公司 | 一种煤矿自主巡检平台上的机械臂运动规划方法和装置 |
CN116300971B (zh) * | 2023-05-17 | 2023-09-01 | 中国民航大学 | 民航飞机的牵引滑行控制方法、装置、牵引车及存储介质 |
CN116922403A (zh) * | 2023-09-19 | 2023-10-24 | 上海摩马智能科技有限公司 | 基于仿真的视觉反馈智能轨迹实现方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103381603A (zh) * | 2013-06-29 | 2013-11-06 | 湖南大学 | 高压输电线路除冰巡线机器人的自主越障规划方法 |
CN107662211A (zh) * | 2017-10-16 | 2018-02-06 | 西北工业大学 | 一种基于量子粒子群算法的空间机器人预测控制方法 |
CN108568868A (zh) * | 2018-03-08 | 2018-09-25 | 贵州电网有限责任公司 | 一种自动避障的树障清理空中机器人和避障方法 |
JP2018198012A (ja) * | 2017-05-24 | 2018-12-13 | 日本電信電話株式会社 | ネットワーク学習装置、行動決定装置、ネットワーク学習方法、及びプログラム |
CN109446970A (zh) * | 2018-10-24 | 2019-03-08 | 西南交通大学 | 一种基于深度学习的变电站巡检机器人道路场景识别方法 |
-
2019
- 2019-03-26 CN CN201910231812.XA patent/CN109960880B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103381603A (zh) * | 2013-06-29 | 2013-11-06 | 湖南大学 | 高压输电线路除冰巡线机器人的自主越障规划方法 |
JP2018198012A (ja) * | 2017-05-24 | 2018-12-13 | 日本電信電話株式会社 | ネットワーク学習装置、行動決定装置、ネットワーク学習方法、及びプログラム |
CN107662211A (zh) * | 2017-10-16 | 2018-02-06 | 西北工业大学 | 一种基于量子粒子群算法的空间机器人预测控制方法 |
CN108568868A (zh) * | 2018-03-08 | 2018-09-25 | 贵州电网有限责任公司 | 一种自动避障的树障清理空中机器人和避障方法 |
CN109446970A (zh) * | 2018-10-24 | 2019-03-08 | 西南交通大学 | 一种基于深度学习的变电站巡检机器人道路场景识别方法 |
Non-Patent Citations (1)
Title |
---|
移动机器人自主避碰与学习方法研究;刘大伟;《中国优秀硕士学位论文全文数据库 信息科技辑》;20190115;第5.3.3节 * |
Also Published As
Publication number | Publication date |
---|---|
CN109960880A (zh) | 2019-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109960880B (zh) | 一种基于机器学习的工业机器人避障路径规划方法 | |
Sadeghi et al. | Sim2real viewpoint invariant visual servoing by recurrent control | |
Ciocarlie et al. | Towards reliable grasping and manipulation in household environments | |
Akbaripour et al. | Semi-lazy probabilistic roadmap: a parameter-tuned, resilient and robust path planning method for manipulator robots | |
Luo et al. | Collision‐free path‐planning for six‐dof serial harvesting robot based on energy optimal and artificial potential field | |
CN111152227A (zh) | 一种基于引导式dqn控制的机械臂控制方法 | |
Raessa et al. | Teaching a robot to use electric tools with regrasp planning | |
Zhao et al. | Towards robotic assembly by predicting robust, precise and task-oriented grasps | |
Platt et al. | Simultaneous localization and grasping as a belief space control problem | |
Gutzeit et al. | The besman learning platform for automated robot skill learning | |
Ronzhin et al. | Automatic control of robotic swarm during convex shape generation | |
Ren et al. | Fast-learning grasping and pre-grasping via clutter quantization and Q-map masking | |
JP2021169149A (ja) | 分解ベースのアセンブリ計画 | |
Wei et al. | Vision-guided fine-operation of robot and its application in eight-puzzle game | |
Caporali et al. | Deformable linear objects manipulation with online model parameters estimation | |
Gong et al. | Robot path planning in uncertain environments based on particle swarm optimization | |
Peng et al. | Moving object grasping method of mechanical arm based on deep deterministic policy gradient and hindsight experience replay | |
Horng et al. | Self-correction for eye-in-hand robotic grasping using action learning | |
CN115446867A (zh) | 一种基于数字孪生技术的工业机械臂控制方法及系统 | |
Prados et al. | Learning and generalization of task-parameterized skills through few human demonstrations | |
Zorina et al. | Multi-contact task and motion planning guided by video demonstration | |
CN113436293A (zh) | 一种基于条件生成式对抗网络的智能抓取图像生成方法 | |
Yu et al. | Generalizable whole-body global manipulation of deformable linear objects by dual-arm robot in 3-d constrained environments | |
Zhou et al. | Intelligent Control of Manipulator Based on Deep Reinforcement Learning | |
Raufelder | Modeling Analysis of Attitude Perception of Engineering Manipulator Supporting Wireless Communication and Internet of Things |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |