CN111002302A - 结合高斯混合模型和动态系统的机械臂抓取轨迹规划方法 - Google Patents
结合高斯混合模型和动态系统的机械臂抓取轨迹规划方法 Download PDFInfo
- Publication number
- CN111002302A CN111002302A CN201910845670.6A CN201910845670A CN111002302A CN 111002302 A CN111002302 A CN 111002302A CN 201910845670 A CN201910845670 A CN 201910845670A CN 111002302 A CN111002302 A CN 111002302A
- Authority
- CN
- China
- Prior art keywords
- mixture model
- gaussian mixture
- teaching
- mechanical arm
- dynamic system
- 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
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
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Manipulator (AREA)
- Numerical Control (AREA)
Abstract
结合高斯混合模型和动态系统的机械臂抓取轨迹规划方法,包括以下步骤:建立一阶非线性系统;获取N条机械臂的示教轨迹,依据所述示教轨迹获取N条示教数据、N条位置数据;对所述N条示教数据进行预处理,对所述N条位置数据进行差分以获得N条速度数据;依据所述位置数据、所述速度数据建立高斯混合模型,依据高斯混合模型获取非线性函数的估计值;依据非线性函数的估计值训练高斯混合模型的参数,以使动态系统全局渐进稳定;给定轨迹初始值,终点值,阈值以及轨迹规划周期,获取规划轨迹。相较于现有技术,本发明能够同时建模多条多维示教轨迹,自主适应不同的机械臂的初始位置和目标点位置,且使得目标点全局渐进稳定。
Description
技术领域
本发明涉及一种运动轨迹生成技术领域,尤其涉及结合高斯混合模型和动态系统的机械臂抓取轨迹规划方法。
背景技术
在机械臂抓取目标的过程中,首先机械臂通过外部传感器识别目标的位置,随后机械臂从初始位置规划一条到达目标位置的抓取轨迹,最终机械臂依据规划的轨迹准确抓取目标。现有技术中往往采用基于动觉示教的轨迹规划方法使得机械臂能够对抓取轨迹进行规划。如:基于高斯混合模型的轨迹规划方法、基于高斯过程回归的轨迹规划方法、基于动态运动基元的轨迹规划方法。虽然这些方法能够对机械臂的抓取轨迹进行有效的规划,但这些方法不能自主适应不同的机械臂初始位置和目标点位置,且无法保证目标点全局渐进稳定。可见,设计一种更加符合实际情况的抓取轨迹规划方法是十分有必要的。
发明内容
针对现有技术的技术问题,本发明提供了结合高斯混合模型和动态系统的机械臂抓取轨迹规划方法。
为解决上述技术问题,本发明提供了以下的技术方案:
结合高斯混合模型和动态系统的机械臂抓取轨迹规划方法,包括以下步骤:
第2步:获取机械臂的N条示教轨迹,依据所述示教轨迹获取N条示教数据、N条位置数据;
第3步:对所述N条示教数据进行预处理,对所述N条位置数据进行差分以获得N条速度数据;
通过一阶非线性系统来表示由机械臂所在位点至目标点之间的运动,通过上述过程利用高斯混合模型对运动轨迹进行建模,最后再通过高斯混合回归到非线性动态系统的形式,一方面使得本发明可同时建模多条多维示教轨迹,另一方面使得本发明能够自主适应不同的机械臂初始位置和目标点位置,同时,使得目标点全局渐进稳定。
进一步的,所述一阶非线性系统具有唯一平衡点,所述唯一平衡点为:
所述第3步还包括以下步骤:第3-1步:对所述示教数据进行平滑处理;
第3-2步:将每一条示教数据统一至轨迹中点的坐标系下;
进一步的,所述K值为设定值。
进一步的,第4-1步:计算在给定模型下的联合条件概率分布;
所述第4-3步还包括以下步骤:第4-3-1步:令:
进一步的,所述第5步还包括以下步骤:第5-1步:
依据所述非线性函数 的估计值计算优化方程,以获得所述高斯混合模型参数 的最小均方误差估计量;
所述优化方程为:
相较于现有技术,本实用新型具有以下优点:
可同时建模多条多维示教轨迹,在重新进行轨迹规划时,针对不同的初始位置和目标点位置,都能够成功进行轨迹浮现,且能够使得目标点全局渐进稳定,既从不同的机械臂初始位置出发,都能够使得轨迹末端收敛到目标点。
附图说明
图1:示教数据轨迹图。
图2:GMM建模示教轨迹示意图。
图3:轨迹复现图。
具体实施方式
以下是本发明的具体实施例并结合附图,对本发明的技术方案作进一步的描述,但本发明并不限于这些实施例。
结合高斯混合模型和动态系统的机械臂抓取轨迹规划方法,包括以下步骤:
第1步:建立一阶非线性系统,通过一阶非线性系统表示机械臂由自身位置
点至目标点的运动,在一阶非线性系统中,为d维轨迹的位置值,为d维轨
迹的速度值,在本实施例中维数d=2,为非线性函数,用于表示轨迹的
速度与位置之间的非线性关系,该非线性系统具有唯一的平衡点。
第3步:对N条示教数据进行预处理,对N条位置数据进行差分以获得N条速度数据。
第3步还包括以下步骤:第3-1步:对示教数据进行平滑处理,使得轨迹更加平滑。
第3-2步:将每一条示教轨迹都统一到轨迹中点的坐标系下,即以轨迹中点为原点。
第4-3步:还包括以下步骤:第4-3-1步:
优化方程为:
求解参数初始值的过程中EM算法的过程如下:
执行EM算法的E-step:
执行EM算法的M-step:
否则,令t=t+1,执行EM算法的E-step,继续迭代。
第6步:设定轨迹初始值、终点值、阀值,以及轨迹规划周期dt,在本实施例中,共进行三次轨迹复现,轨迹的初始值分别为【-60mm,125mm】,【-30mm,120mm】和【0mm,100mm】,终点值为【50mm,50mm】,阀值为【50mm,50mm】。规划轨迹 的获取过程如下:
在本实施例中,采用Franka机械臂进行示教,在Franka机械臂的示教模式下,由工作人员拖动机械臂末端进行示教。本实施例中支队机械臂进行水平方向的示教,不涉及竖直自由度的运动。
如图1所示,本实施例中对机械臂进行三次拖动示教,既N=3,采集到2维轨迹数据,以毫米为单位,在对示教数据进行预处理时,每一条示教轨迹都已轨迹中点为原点,既将每个采样点的轨迹数据都减去示教轨迹的终点值,由图2可知,经过预处理后的轨迹中点值都为【0mm,0mm】。
如图2所示,在本实施例中高斯混合模型中高斯分布的个数K=6,图3中x点为每个高斯分布的均值,蓝色区域由每个高斯分布的方差决定,从GMM的建模示意图中可以看出,采用高斯分布个数为6个的高斯混合模型能够更好的对本实施例中的轨迹进行建模。
如图3所示,本实施例中共进行三次轨迹复现,轨迹初始值分别为【-60mm,125mm】、【-30mm,120mm】、【0mm,100mm】,终点值为【50mm,50mm】。从图4中可看出,采用本轨迹规划方法能够对不同起点的轨迹进行规划,且使得轨迹从不同的初始点出发都能够收敛到设定的终点。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (10)
第2步:获取机械臂的N条示教轨迹,依据所述示教轨迹获取N条示教数据、N条位置数据;
第3步:对所述N条示教数据进行预处理,对所述N条位置数据进行差分以获得N条速度数据;
6.根据权利要求5所述的结合高斯混合模型和动态系统的机械臂抓取轨迹规划方法,其特征在于:所述K值为设定值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910845670.6A CN111002302B (zh) | 2019-09-09 | 2019-09-09 | 结合高斯混合模型和动态系统的机械臂抓取轨迹规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910845670.6A CN111002302B (zh) | 2019-09-09 | 2019-09-09 | 结合高斯混合模型和动态系统的机械臂抓取轨迹规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111002302A true CN111002302A (zh) | 2020-04-14 |
CN111002302B CN111002302B (zh) | 2021-10-22 |
Family
ID=70111196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910845670.6A Active CN111002302B (zh) | 2019-09-09 | 2019-09-09 | 结合高斯混合模型和动态系统的机械臂抓取轨迹规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111002302B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111859297A (zh) * | 2020-07-20 | 2020-10-30 | 上海交通大学 | 一种基于高斯混合模型的上甑轨迹提取方法 |
CN114227688A (zh) * | 2021-12-29 | 2022-03-25 | 同济大学 | 一种基于曲线配准的示教轨迹学习方法 |
CN115070764A (zh) * | 2022-06-24 | 2022-09-20 | 中国科学院空间应用工程与技术中心 | 机械臂运动轨迹规划方法、系统、存储介质和电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831306A (zh) * | 2012-08-13 | 2012-12-19 | 东南大学 | 一种用于喷涂机器人的分层喷涂轨迹规划方法 |
US9070083B2 (en) * | 2011-12-13 | 2015-06-30 | Iucf-Hyu Industry-University Cooperation Foundation Hanyang University | Method for learning task skill and robot using thereof |
CN109176532A (zh) * | 2018-11-09 | 2019-01-11 | 中国科学院自动化研究所 | 一种机械臂路径规划方法、系统及装置 |
CN109702744A (zh) * | 2019-01-15 | 2019-05-03 | 北京工业大学 | 一种基于动态系统模型的机器人模仿学习的方法 |
CN110006444A (zh) * | 2019-03-21 | 2019-07-12 | 南京师范大学 | 一种基于优化混合高斯模型的抗干扰视觉里程计构建方法 |
CN110026987A (zh) * | 2019-05-28 | 2019-07-19 | 广东工业大学 | 一种机械臂抓取轨迹的生成方法、装置、设备及存储介质 |
CN110208792A (zh) * | 2019-06-26 | 2019-09-06 | 哈尔滨工业大学 | 同时估计目标状态和轨迹参数的任意直线约束跟踪方法 |
-
2019
- 2019-09-09 CN CN201910845670.6A patent/CN111002302B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9070083B2 (en) * | 2011-12-13 | 2015-06-30 | Iucf-Hyu Industry-University Cooperation Foundation Hanyang University | Method for learning task skill and robot using thereof |
CN102831306A (zh) * | 2012-08-13 | 2012-12-19 | 东南大学 | 一种用于喷涂机器人的分层喷涂轨迹规划方法 |
CN109176532A (zh) * | 2018-11-09 | 2019-01-11 | 中国科学院自动化研究所 | 一种机械臂路径规划方法、系统及装置 |
CN109702744A (zh) * | 2019-01-15 | 2019-05-03 | 北京工业大学 | 一种基于动态系统模型的机器人模仿学习的方法 |
CN110006444A (zh) * | 2019-03-21 | 2019-07-12 | 南京师范大学 | 一种基于优化混合高斯模型的抗干扰视觉里程计构建方法 |
CN110026987A (zh) * | 2019-05-28 | 2019-07-19 | 广东工业大学 | 一种机械臂抓取轨迹的生成方法、装置、设备及存储介质 |
CN110208792A (zh) * | 2019-06-26 | 2019-09-06 | 哈尔滨工业大学 | 同时估计目标状态和轨迹参数的任意直线约束跟踪方法 |
Non-Patent Citations (2)
Title |
---|
JIE CHEN等: "Learning Adaptive Reaching Skills with Nonlinear Dynamical Systems Directly from Human Demonstrations", 《IEEE INTERNATIONAL WORKSHOP ON ADVANCED ROBOTICS AND ITS SOCIAL IMPACTS (ARSO)》 * |
S. MOHAMMAD KHANSARI-ZADEH AND AUDE BILLARD: "Learning Stable Nonlinear Dynamical Systems With Gaussian Mixture Models", 《IEEE TRANSACTIONS ON ROBOTICS》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111859297A (zh) * | 2020-07-20 | 2020-10-30 | 上海交通大学 | 一种基于高斯混合模型的上甑轨迹提取方法 |
CN114227688A (zh) * | 2021-12-29 | 2022-03-25 | 同济大学 | 一种基于曲线配准的示教轨迹学习方法 |
CN114227688B (zh) * | 2021-12-29 | 2023-08-04 | 同济大学 | 一种基于曲线配准的示教轨迹学习方法 |
CN115070764A (zh) * | 2022-06-24 | 2022-09-20 | 中国科学院空间应用工程与技术中心 | 机械臂运动轨迹规划方法、系统、存储介质和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111002302B (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111002302B (zh) | 结合高斯混合模型和动态系统的机械臂抓取轨迹规划方法 | |
CN107490965B (zh) | 一种空间自由漂浮机械臂的多约束轨迹规划方法 | |
CN108115681B (zh) | 机器人的模仿学习方法、装置、机器人及存储介质 | |
CN106444738B (zh) | 基于动态运动基元学习模型的移动机器人路径规划方法 | |
CN111872934B (zh) | 一种基于隐半马尔可夫模型的机械臂控制方法及系统 | |
CN111546347A (zh) | 一种适用于动态环境下的机械臂路径规划方法 | |
CN107943056B (zh) | 基于查表法的不完整约束轮式机器人轨迹跟踪控制方法 | |
CN109702740B (zh) | 机器人柔顺性控制方法、装置、设备及存储介质 | |
CN109822550B (zh) | 一种复杂曲面机器人高效高精度示教方法 | |
CN110561421A (zh) | 机械臂间接拖动示教方法及装置 | |
Quan et al. | AGV localization based on odometry and LiDAR | |
Liu et al. | Evasion of a team of dubins vehicles from a hidden pursuer | |
CN113342003A (zh) | 基于开闭环pid型迭代学习的机器人轨迹跟踪控制方法 | |
CN116700327A (zh) | 一种基于连续动作优势函数学习的无人机轨迹规划方法 | |
CN115981328A (zh) | 一种基于动态运动基元的轨迹规划与调整方法及系统 | |
CN113219825B (zh) | 一种四足机器人单腿轨迹跟踪控制方法及系统 | |
Luo et al. | Balance between efficient and effective learning: Dense2sparse reward shaping for robot manipulation with environment uncertainty | |
CN110765706A (zh) | 基于ohngbm(1,1)的翼型非定常失速气动系数建模方法 | |
Zhang et al. | Learning robust point-to-point motions adversarially: A stochastic differential equation approach | |
CN108393883B (zh) | 一种表面改性机器人关节空间轨迹优化的方法 | |
CN112684709B (zh) | 一种集群跟踪运动学建模方法、设备及存储介质 | |
CN116604532A (zh) | 一种上肢康复机器人智能控制方法 | |
CN108459614B (zh) | 一种基于cw-rnn网络的uuv实时避碰规划方法 | |
CN115576317A (zh) | 一种基于神经网络的多预瞄点路径跟踪控制方法及系统 | |
Steinbring et al. | High-accuracy real-time whole-body human motion tracking based on constrained nonlinear kalman filtering |
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 |