CN110861089B - 一种多机器人系统任务均衡分配协同工作控制方法 - Google Patents

一种多机器人系统任务均衡分配协同工作控制方法 Download PDF

Info

Publication number
CN110861089B
CN110861089B CN201911199613.1A CN201911199613A CN110861089B CN 110861089 B CN110861089 B CN 110861089B CN 201911199613 A CN201911199613 A CN 201911199613A CN 110861089 B CN110861089 B CN 110861089B
Authority
CN
China
Prior art keywords
task
clustering
points
robot
scale
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
Application number
CN201911199613.1A
Other languages
English (en)
Other versions
CN110861089A (zh
Inventor
赵清杰
方凯仁
张长春
种领
陈涌泉
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN201911199613.1A priority Critical patent/CN110861089B/zh
Publication of CN110861089A publication Critical patent/CN110861089A/zh
Application granted granted Critical
Publication of CN110861089B publication Critical patent/CN110861089B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • B25J9/1679—Programme controls characterised by the tasks executed
    • B25J9/1682—Dual arm manipulator; Coordination of several manipulators
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Numerical Control (AREA)
  • Manipulator (AREA)

Abstract

本发明涉及一种多机器人系统任务均衡分配协同工作控制方法，人工智能和机器人控制技术领域。针对多机器人系统作业任务点呈离散固定态，为有效解决多台机器人之间的任务分配问题，通过改进K‑means算法，首先对所有任务点进行聚类，对聚类后的任务点建模，然后使用自适应缩放聚类空间方式，让不同机器人所分配的任务点的规划数量尽可能相等，方法简练、实用性强。能够有效解决多机器人系统自动化作业过程中面临的机器人任务分配问题。

Description

一种多机器人系统任务均衡分配协同工作控制方法
技术领域
本发明涉及一种多机器人协同工作控制方法，具体涉及一种基于K-means算法的多机器人系统任务均衡分配协同工作控制方法，属于人工智能和机器人控制技术领域。
背景技术
机器人是未来最具发展潜力的产业领域之一，在工业、农业、服务业等领域，应用越来越广泛。随着机器人技术的不断发展，人类对机器人的需求，已从单一机器人系统转移到多机器人系统。在多机器人协同工作控制过程中，多机器人任务分配是其中的重要任务。多机器人任务分配，是指在具有多个机器人、多个任务点的环境中，将环境中的任务点根据合理的分配策略，分配给每个机器人，在任务分配时，将任务点分配给所需代价最小的机器人。
目前，在制造业企业的生产线内，大量使用多机器人系统代替传统的人工作业。其中，使用多机器人自动控制技术，已经广泛应用于焊接、装配、喷涂、加工等各个应用场景。在利用多机器人系统进行作业时，首先要解决的技术问题是如何有效地实现多机器人系统任务分配和路径规划，以保证多机器人不发生干涉的情况下实现高效协同工作。
发明内容
本发明的目的是为了解决多机器人系统自动化作业过程中，面临的机器人任务分配的技术问题，为实现机器人间的高效协调作业的技术效果，提出一种多机器人系统任务均衡分配协同工作控制方法。本方法，运用任务量方差最小化方式，让多机器人任务分配的结果尽可能均衡，使得系统在实际环境中，能够让不同的机器人有最大程度相近的任务量，从而保证不同机器人之间实现高效协调作业。
本发明采用的技术方案如下：
一种多机器人系统任务均衡分配协同工作控制方法，针对多机器人系统作业任务点呈离散固定态，为有效解决多台机器人之间的任务分配问题，通过改进K-means算法，首先对所有任务点进行聚类，对聚类后的任务点建模，然后使用自适应缩放聚类空间方式，让不同机器人所分配的任务点的规划数量尽可能相等。本方法包括以下步骤：
步骤1：基于K-means算法，对作业任务区内的所有任务点进行聚类。聚类结果，将所有任务点分成不同的类别，每一类任务点对应一台机器人。
具体地，将机器人系统工作任务中的每个任务点视为一个向量，由所有任务点组成向量集合，即聚类空间。在聚类空间中，将作业区的点任务分配给同一台机器人，以此避免不同机器人在作业时发生任务冲突和碰撞。因实际作业区域内，会存在空间紧邻的任务点，不同的机器人在实际作业时，受机器人自身尺寸限制，会存在一定的作业限制距离。因空间紧邻的任务点间的距离小于机器人操作空间的最小限制距离，需将作业区内紧邻的任务点，视为聚类空间的单点。
步骤2：将聚类后的任务点分为K个聚类簇，K同时也是机器人的数量，每一台机器人负责规划一个聚类簇中的任务点；聚类簇中任务点的数量为nj，其中，j＝1,2,…,K。用dij表示第j个聚类簇中第i个任务点到其聚类簇中心点的距离。计算每个聚类簇的工作量
Figure BDA0002295539960000021
统计Mj的最大值Max和最小值Min，以及方差
Figure BDA0002295539960000022
为Mj的平均值。
步骤3：令thresh表示设定的方差阈值，若
Figure BDA0002295539960000023
则聚类完成，否则执行步骤4。
步骤4：进行自适应缩放聚类空间。
记最大值Max所在聚类空间为Ct，中心任务点为(X0,Y0,Z0)，记最小值Min所在聚类空间为Cp，聚类簇中心点为(X1,Y1,Z1)，Pi＝(Xi,Yi,Zi)为任务点；对Pi∈Ct，设定缩放倍数scale，并进行以下变换:
Xi＝(Xi-X0)·scale+X0 (1)
Yi＝(Yi-X0)·scale+Y0 (2)
Zi＝(Zi-Z0)·scale+Z0 (3)
对Pi∈Cp，进行以下变换：
Xi＝(Xi-X1)/scale+X1 (4)
Yi＝(Yi-Y1)/scale+Y1 (5)
Zi＝(Zi-Z1)/scale+Z1 (6)
之后，转至步骤2，继续进行统计和比较，直至聚类完成。
步骤5：根据聚类结果，进行机器人系统任务分配。
有益效果
本发明方法，对工作任务点基于改进的K-means算法进行聚类分析，使最后得到的结果中各台机器人的工作时间最优化。具体地，通过使用改进的K-means算法聚类分配，采用自适应缩放聚类空间的策略，能够控制多机器人系统中不同机器人工作时间尽可能相同，方法简练，实用性强。
附图说明
图1为本发明方法的流程图。
图2为前大梁的焊接分配任务中焊点分布图。
图3为采用本发明方法实施的任务分配结果示意图。
具体实施方式
下面结合附图和实施例对本发明方法做进一步说明。
实施例
基于改进K-means的算法可以高效完成多机器人的任务均衡分配问题，该方法可应用于港机机器人的焊接任务当中。在港机作业当中，箱梁、桁架等典型大型构件是港机制造中工作量最大的环节，但我国港机企业在其关键工序焊接、打磨和涂装上还完全依靠人工完成，存在效率低下、质量无法保证、作业环境恶劣等问题，而国外企业由于大量研发和使用了机器人等智能加工装备，在制造成本和周期上有较大优势。因此将该算法应用于港机中机器人的焊接、打磨和涂装的作业当中能有效提高港机多机器人的工作效率，提高生产质量。
以下是基于K-means算法的多机器人焊接作业系统任务均衡分配协同工作控制方法，针对利用四台机器人进行对港口构件龙门架前大梁焊接作业的工作任务分配需求，采用任务量方差最小化方式，让多机器人任务分配的结果尽可能均衡，能够让不同的机器人在焊接任务的时候有相近的任务量，保证不同机器人高效、协调作业。
如图1所示，具体实现过程如下：
焊接构件的焊接任务点作为算法的输入。
表1焊点任务点
Figure BDA0002295539960000041
Figure BDA0002295539960000051
步骤1：基于K-means算法，对作业任务区内的所有任务点进行聚类。聚类结果，将所有任务点分成不同的类别，每一类任务点对应一台机器人。
将机器人系统工作任务中的每个任务点视为一个向量，由所有任务点组成向量集合，即聚类空间。因实际作业区域内，会存在空间紧邻的任务点，不同的机器人在实际作业时，收到机器人自身尺寸限制，会存在一定的作业限制距离。对于紧邻的任务点，对于任务点之间的距离小于机器人操作空间最小限制距离，需要将作业区内紧邻的任务点，视为聚类空间的单点。利用该技术手段，可以在聚类空间中，将作业区的点任务分配给同一台机器人，以此避免不同机器人在作业时发生任务冲突和碰撞。
步骤2：将聚类后的任务点分为K个聚类簇，K同时也是机器人的数量，每一台机器人负责规划一个聚类簇中的任务点；聚类簇中任务点的数量为nj，其中，j＝1,2,…,K。用dij表示第j个聚类簇中第i个任务点到其聚类簇中心点的距离。计算每个聚类簇的工作量
Figure BDA0002295539960000061
统计Mj的最大值Max和最小值Min，以及方差
Figure BDA0002295539960000062
为Mj的平均值，其中，K设置为4。
步骤3：thresh表示设定的方差阈值，若
Figure BDA0002295539960000063
则聚类完成，否则执行步骤4，本实施例中，thresh值设置为60。
步骤4：进行自适应缩放聚类空间。
记最大值Max所在聚类空间为Ct，中心点为(X0,Y0,Z0)，记最小值Min所在聚类空间为Cp，聚类簇中心点为(X1,Y1,Z1)，Pi＝(Xi,Yi,Zi)为任务点；对Pi∈Ct，设定缩放倍数scale，进行以下变换:
Xi＝(Xi-X0)·scale+X0
Yi＝(Yi-X0)·scale+Y0
Zi＝(Zi-Z0)·scale+Z0
对Pi∈Cp，做以下变换：
Xi＝(Xi-X1)/scale+X1
Yi＝(Yi-Y1)/scale+Y1
Zi＝(Zi-Z1)/scale+Z1
之后，转至步骤2，继续进行统计和比较，直至聚类完成。
步骤5：根据聚类结果，进行机器人系统任务分配。
如下表所示，不同的焊接任务点可以分配给不同的机器人，，K-means算法对港机大构件——龙门架前大梁的焊接点任务分配之后的结果，给定方差阈值60，采用算法分配的结果四台机器人的焊接任务工作量分别为1650,1740,1633,1702，方差43.38，达到了任务均衡分配的要求。
表2四机器人路径分配结果
Figure BDA0002295539960000064
Figure BDA0002295539960000071
Figure BDA0002295539960000081

Claims (2)

1.一种多机器人系统任务均衡分配协同工作控制方法，其特征在于，包括以下步骤：
步骤1：基于K-means算法，对作业任务区内的所有任务点进行聚类，聚类结果，是将所有任务点分成不同的类别，每一类任务点对应一台机器人；
将机器人系统工作任务中的每个任务点视为一个向量，由所有任务点组成向量集合，即聚类空间；在聚类空间中，将作业区的点任务分配给同一台机器人；
步骤2：将聚类后的任务点分为K个聚类簇，K同时也是机器人的数量，每一台机器人负责规划一个聚类簇中的任务点；聚类簇中任务点的数量为nj，其中，j＝1,2,…,K；用dij表示第j个聚类簇中第i个任务点到其聚类簇中心点的距离；计算每个聚类簇的工作量
Figure FDA0002684224540000011
统计Mj的最大值Max和最小值Min，以及方差
Figure FDA0002684224540000012
Figure FDA0002684224540000013
为Mj的平均值；
步骤3：令thresh表示设定的方差阈值，若θ2<thresh，则聚类完成，否则执行步骤4；
步骤4：进行自适应缩放聚类空间；
记最大值Max所在聚类空间为Ct，中心任务点为(X0,Y0,Z0)，记最小值Min所在聚类空间为Cp,聚类簇中心点为(X1,Y1,Z1)，Pi＝(Xi,Yi,Zi)为任务点；对Pi∈Ct，设定缩放倍数scale，并进行以下变换:
Xi＝(Xi-X0)·scale+X0 (1)
Yi＝(Yi-X0)·scale+Y0 (2)
Zi＝(Zi-Z0)·scale+Z0 (3)
对Pi∈Cp，进行以下变换：
Xi＝(Xi-X1)/scale+X1 (4)
Yi＝(Yi-Y1)/scale+Y1 (5)
Zi＝(Zi-Z1)/scale+Z1 (6)
之后，转至步骤2，继续进行统计和比较，直至聚类完成；
步骤5：根据聚类结果，进行机器人系统任务分配。
2.如权利要求1所述的一种多机器人系统任务均衡分配协同工作控制方法，其特征在于，步骤1中，将作业区内紧邻的任务点，视为聚类空间的单点。
CN201911199613.1A 2019-11-29 2019-11-29 一种多机器人系统任务均衡分配协同工作控制方法 Active CN110861089B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911199613.1A CN110861089B (zh) 2019-11-29 2019-11-29 一种多机器人系统任务均衡分配协同工作控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911199613.1A CN110861089B (zh) 2019-11-29 2019-11-29 一种多机器人系统任务均衡分配协同工作控制方法

Publications (2)

Publication Number Publication Date
CN110861089A CN110861089A (zh) 2020-03-06
CN110861089B true CN110861089B (zh) 2020-11-06

Family

ID=69656881

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911199613.1A Active CN110861089B (zh) 2019-11-29 2019-11-29 一种多机器人系统任务均衡分配协同工作控制方法

Country Status (1)

Country Link
CN (1) CN110861089B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111950929A (zh) * 2020-08-25 2020-11-17 上海逸迅信息科技有限公司 一种项目型任务的工作量均衡分配方法和设备
CN112496582B (zh) * 2020-11-23 2022-05-10 博迈科海洋工程股份有限公司 一种海洋工程复杂节点多机器人焊接协同控制方法
CN112873206A (zh) * 2021-01-22 2021-06-01 中国铁建重工集团股份有限公司 多任务自动分配的机械臂控制系统及作业台车

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102722620A (zh) * 2012-06-06 2012-10-10 中国矿业大学 一种实现寿命均衡的产品可靠性分配方法
CN103049514A (zh) * 2012-12-14 2013-04-17 杭州淘淘搜科技有限公司 一种基于分层聚类的均衡图像聚类方法
CN103538069A (zh) * 2013-10-21 2014-01-29 深圳先进技术研究院 一种机器人的控制方法以及装置与系统
CN106625604A (zh) * 2016-12-30 2017-05-10 深圳先进技术研究院 基于助力外骨骼机器人的运动状态判别方法及系统
CN107292344A (zh) * 2017-06-26 2017-10-24 苏州大学 一种基于环境交互的机器人实时控制方法
CN107363833A (zh) * 2017-07-17 2017-11-21 深圳市微付充科技有限公司 一种移动机器人及其控制方法和装置
CN109434832A (zh) * 2015-07-31 2019-03-08 发那科株式会社 机械学习装置及方法、机器人系统
CN109890575A (zh) * 2016-08-25 2019-06-14 Lg电子株式会社 移动机器人及其控制方法
CN110281237A (zh) * 2019-06-17 2019-09-27 华南理工大学 一种基于机器学习的串联机器人关节摩擦力辨识方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10754346B2 (en) * 2018-03-03 2020-08-25 Fetch Robotics, Inc. System and method for preventing depletion of a robotic energy source

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102722620A (zh) * 2012-06-06 2012-10-10 中国矿业大学 一种实现寿命均衡的产品可靠性分配方法
CN103049514A (zh) * 2012-12-14 2013-04-17 杭州淘淘搜科技有限公司 一种基于分层聚类的均衡图像聚类方法
CN103538069A (zh) * 2013-10-21 2014-01-29 深圳先进技术研究院 一种机器人的控制方法以及装置与系统
CN109434832A (zh) * 2015-07-31 2019-03-08 发那科株式会社 机械学习装置及方法、机器人系统
CN109890575A (zh) * 2016-08-25 2019-06-14 Lg电子株式会社 移动机器人及其控制方法
CN106625604A (zh) * 2016-12-30 2017-05-10 深圳先进技术研究院 基于助力外骨骼机器人的运动状态判别方法及系统
CN107292344A (zh) * 2017-06-26 2017-10-24 苏州大学 一种基于环境交互的机器人实时控制方法
CN107363833A (zh) * 2017-07-17 2017-11-21 深圳市微付充科技有限公司 一种移动机器人及其控制方法和装置
CN110281237A (zh) * 2019-06-17 2019-09-27 华南理工大学 一种基于机器学习的串联机器人关节摩擦力辨识方法

Also Published As

Publication number Publication date
CN110861089A (zh) 2020-03-06

Similar Documents

Publication Publication Date Title
CN110861089B (zh) 一种多机器人系统任务均衡分配协同工作控制方法
CN110053052B (zh) 多层som异构焊接机器人的任务分配与路径规划方法
WO2022012267A1 (zh) 一种五金柔性生产车间多加工机器人协作方法
Kouiss et al. Using multi-agent architecture in FMS for dynamic scheduling
Helleno et al. Integrating value stream mapping and discrete events simulation as decision making tools in operation management
CN110597213A (zh) 一种分布式混合流水车间的生产调度方法及系统
US20220055214A1 (en) Method of planning works for robots and work planning device
CN115122338B (zh) 一种基于多目标优化的多机器人协作弧焊任务规划方法
CN113580139B (zh) 一种多机器人数据交互系统和多机器人控制方法
Jacak Intelligent Robotic Systems
CN113762597A (zh) 一种基于云平台管理的智能agv调度系统和方法
CN114091890B (zh) 一种面向多机器人避碰耦合规划问题的大部件协同加工规划方法
Xu et al. Optimization of multi-stage production scheduling of automated production
Sahnoun et al. Optimization of transportation collaborative robots fleet size in flexible manufacturing systems
Li et al. Digital twin-based virtual reconfiguration method for mixed-model robotic assembly line
CN112700109B (zh) 一种订单生产顺序优化方法、系统、设备及可读存储介质
CN110109417A (zh) 一种一体式机器人数控装置、系统及加工方法
CN113408902B (zh) 基于人工智能的全流程生产调度系统及方法
Wang et al. OPTIMAL CONFIGURATION FOR WORKSHOP MANUFACTURING SYSTEM UNDER DUAL RESOURCE CONSTRAINTS.
CN115017811A (zh) 用于不确定性多阶段生产系统的调度和维护联合决策方法
Qiu et al. Distributed WIP control in advanced semiconductor manufacturing
Qiao et al. Genetic algorithm based novel methodology of multi-constraint job scheduling
Lin et al. Load balance optimization based multi-robot cooperative task planning for large-scale aerospace structures
WO2023193236A1 (zh) Agv系统以及agv调度方法
Wang et al. Multi-Station Multi-Robot Welding System Planning and Scheduling Based on STNSGA-D: An Industrial Case Study

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