CN111008750A - 一种基于全程旋转约束rrt算法的装配路径规划方法 - Google Patents

一种基于全程旋转约束rrt算法的装配路径规划方法 Download PDF

Info

Publication number
CN111008750A
CN111008750A CN201911347144.3A CN201911347144A CN111008750A CN 111008750 A CN111008750 A CN 111008750A CN 201911347144 A CN201911347144 A CN 201911347144A CN 111008750 A CN111008750 A CN 111008750A
Authority
CN
China
Prior art keywords
node
path
expansion
flag
rotation
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.)
Withdrawn
Application number
CN201911347144.3A
Other languages
English (en)
Inventor
熊晶
段晓坤
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.)
Changzhou College of Information Technology CCIT
Original Assignee
Changzhou College of Information Technology CCIT
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 Changzhou College of Information Technology CCIT filed Critical Changzhou College of Information Technology CCIT
Priority to CN201911347144.3A priority Critical patent/CN111008750A/zh
Publication of CN111008750A publication Critical patent/CN111008750A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • 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
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Physics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Manufacturing & Machinery (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于全程旋转约束RRT算法的装配路径规划方法，所述方法包括如下步骤：确定装配路径搜索空间，设置装配路径初始参数；根据初始参数计算得到概率p；在搜索空间中，以初始状态为根节点，分别以概率p和1‑p向目标状态以及均匀随机采样点扩展路径树，并且随着路径树的生长，不断更新动态概率p；路径树扩展至目标状态，生成完整路径，本发明专利路径树扩展时以父节点的可扩展标识来决定当前局部路径的扩展方式，以提高路径生成的效率和成功率，通过实验表明，本发明提出的全程旋转约束方法在路径搜索效率和路径旋转约束控制上相对于双重旋转约束方法有明显改善。

Description

一种基于全程旋转约束RRT算法的装配路径规划方法
技术领域
本发明涉及虚拟装配路径规划领域，具体涉及一种基于全程旋转约束RRT算法的装配路径规划方法。
背景技术：
快速搜索随机树法(Rapidly exploring random trees，简称RRT)通过随机采样策略使搜索树从根节点开始向C空间中未探索的区域快速、逐步生长，直到路径树探索至目标点附近空间，路径搜索完成，RRT是一种非常适合于高维状态空间的路径规划方法。
零部件装配时的旋转约束要求可归纳为以下几方面：①零件在移动过程中对自身的水平度/垂直度有一定的约束要求。②相邻两个位姿点之间的旋转分量被约束在一定范围。③从装配起点到装配终点，零部件的旋转范围被约束在一定值之内。其中旋转约束问题①可看做是问题③的特例，对于此类问题，利用RRT算法求解时，可通过约束随机采样点的旋转分量来控制路径位姿点的旋转范围。对于同时出现的问题②③，可通过双重旋转约束进行初步解决：第一重约束即约束随机采样点的旋转分量，以保证零部件的旋转范围被约束在一定值之内；第二重约束即对新位姿点的旋转分量进行修正，使新位姿点与其父节点间的旋转分量被约束在一定范围。此双重旋转约束方法中的旋转约束策略无法保证在终点处路径的旋转约束问题，这是因为新位姿点的旋转分量修正是以其父节点为参考，而没有考虑终点的影响，从而使得新位姿点与终结点之间的局部路径不满足旋转约束要求。若在路径终止策略中增加新节点与路径终点之间的旋转约束要求，则会在终点处出现路径折回现象。
发明内容
本发明的目的在于提供一种基于全程旋转约束RRT算法的装配路径规划方法，以解决现有技术中导致的配件装配路径解的质量低，装配运动的平稳性差的缺陷。
一种基于全程旋转约束RRT算法的装配路径规划方法，所述方法包括如下步骤：
确定装配路径搜索空间，设置装配路径初始参数；
根据初始参数计算得到概率p；
在搜索空间中，以初始状态为根节点，分别以概率p和1-p向目标状态以及均匀随机采样点扩展路径树，并根据扩展情况，动态更新概率p；
路径树扩展至目标状态，生成完整路径。
进一步的，所述初始参数包括搜索空间C，待装配零件初始状态qinit和目标状态qgoal；
还包括待装配零件的初始状态qinit和目标状态qgoal在搜索空间内的位置信息F和姿态信息A。
进一步的，所述概率p的计算及更新方法包括如下步骤：
获取路径树与目标状态之间的最小欧几里得距离l；
确定阈值Lmin；
如果l＜Lmin，则更新Lmin的值，即Lmin＝l，在下一次迭代中选择目标状态作为扩展目标的概率为：
Figure BDA0002333692420000031
在下一次迭代中选择均匀随机采样点作为扩展目标的概率为1-p，其中ε为预先设定的单次扩展步长。
进一步的，所述均匀随机采样点的获得方法包括如下步骤：
在自由空间中进行均匀随机采样；
获得随机采样点的位置信息和姿态信息；
将姿态信息相对于根节点的旋转角度约束在预先设定的阈值之内。
进一步的，所述路径树的扩展包括如下步骤：
确定父节点；
从父节点出发朝着目标进行扩展获得候选新节点；
将候选新节点及局部路径通过碰撞检测确定新节点。
进一步的，所述父节点的确定方法包括如下步骤：
将路径树通过节点表示：
q(F，A，NF，NA，FlagF，FlagA)；
其中F表示其位置信息，可用三维坐标表示；A表示其姿态信息，可用单位四元数表示；NF表示其平移扩展失败的次数；NA表示其旋转扩展失败的次数；FlagF和FlagA用0或1表示；
当NF＜theresholdF时，FlagF＝0，表示该点可选为父节点进行平移扩展，其中theresholdF为该父节点是否可平移扩展的阈值，当从该点平移扩展失败次数小于阈值，表明该节点可选为父节点进行平移扩展；
否则FlagF＝1，表示该点已经多次平移扩展失败，不可选为父节点进行平移扩展；
同理，当NA＜theresholdA时，FlagA＝0，表示该点可选为父节点进行旋转扩展，其中theresholdA为该父节点是否可旋转扩展的阈值，当从该点旋转扩展失败次数小于阈值，表明该节点可选为父节点进行旋转扩展；
否则FlagA＝1，表示该点已经多次旋转扩展失败，不可选为父节点进行旋转扩展。
进一步的，所述候选新节点的获得方法包括如下步骤：
当父节点中FlagF＝0且FlagA＝0时，通过父节点和扩展目标的位置信息和姿态信息的插值计算以获得获选新节点的位置信息和姿态信息；
当父节点中FlagF＝0且FlagA＝1时，通过父节点和扩展目标的位置信息的插值计算，以获得获选新节点的位置信息，而候选新节点的姿态信息与父节点一致；
当父节点中FlagF＝1且FlagA＝0时，通过父节点和扩展目标的姿态信息的插值计算，以获得获选新节点的姿态信息，而候选新节点的位置信息与父节点一致；
对候选新节点的位姿信息进行旋转限制检测，若不满足要求，则对其进行旋转修正，并更新候选新节点的姿态信息。
进一步的，将候选新节点及局部路径通过碰撞检测确定新节点的方法包括如下步骤：
对候选新节点及局部路径进行碰撞检测；
若检测结果满足约束要求，则确定该候选新节点为新节点并将其与局部路径加入路径树中；
若检测结果不满足约束要求，则将该候选新节点及其局部路径舍弃，并更新父节点中的NF，NA值及对应的FlagF，FlagA可扩展标识。
进一步的，从父节点出发朝着目标进行扩展的方法包括平移扩展和旋转扩展中的一种或多种。
进一步的，所述搜索空间包括自由空间和障碍空间。
本发明的优点在于：该种基于全程旋转约束RRT算法的装配路径规划方法，不仅应用双重旋转约束实现新节点与初始点及父节点之间的旋转约束要求，更以动态概率p来选择目标状态作为当前局部路径的扩展目标，路径树越接近目标状态点，目标状态点的引导作用越大，使得新位姿点与终结点之间的局部路径满足旋转约束要求，从而实现路径的全程旋转约束，提高路径质量，此外，路径树扩展时以父节点的可扩展标识来决定当前局部路径的扩展方式，以提高路径生成的效率和成功率。
附图说明
图1为本发明中方法的总体流程示意图；
图2为本发明中路径树搜索与扩展的流程示意图；
图3为本发明专利中实施案例环境1-矩形障碍环境；
图4为本发明专利中实验案例环境2-圆形障碍环境；
图5为本发明专利中实施案例环境3-陷阱障碍环境；
图6为实施案例环境1中双重旋转约束算法运行结果及路径折回现象图；
图7为实施案例环境2中双重旋转约束算法运行结果及路径折回现象图；
图8为实施案例环境3中双重旋转约束算法运行结果及路径折回现象图；
图9为实施案例环境1中的本发明方法运行结果图；
图10为实施案例环境2中的本发明方法运行结果图；
图11为实施案例环境3中的本发明方法运行结果图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
如图1至图11所示，一种基于全程旋转约束RRT算法的装配路径规划方法，所述方法包括如下步骤：
S1：确定装配路径搜索空间，设置装配路径初始参数：
本实施案例环境1如图3所示，障碍物用黑色矩形表示，实施案例环境2如图4所示，障碍物用黑色圆形表示，实施案例环境3如图5，为存在陷阱的环境，障碍物用黑色矩形表示，所示全局搜索区域均为500×500的二维平面，运动物体用灰色“L”形图形表示，路径树中节点的表示方法为q(F，A，NF，NA，FlagF，FlagA)，案例1，2，3中路径初始参数：装配起始位姿qinit((10，10)，[1，0，0，0]，0，0，0，0)目标位姿qgoal((490，490)，[0，0，0，1]，0，0，0，0)，二者之间旋转角度差值为π；
S2：在搜索空间中，以初始状态为根节点，分别以概率p和1-p向目标状态以及均匀随机采样点扩展路径树：
其中概率p值将随着路径树与目标状态之间的最小欧几里得距离Lmin而变化，在第一次迭代中Lmin为装配起始位姿与目标位姿之间的欧几里得距离，
Figure BDA0002333692420000071
具体为：
S201：根据初始参数计算得到概率p：
每一次迭代中，新节点越接近目标状态，目标状态对路径树的吸引力越强；
新节点与终点之间的欧几里得距离为l，如果l＜Lmin，则更新Lmin的值即Lmin＝l，在下一次迭代中选择终点作为扩展目标的概率为：
Figure BDA0002333692420000072
在下一次迭代中选择均匀随机采样点作为扩展目标的概率为1-p，其中ε为预先设定的单次扩展步长，本实施案例中ε＝20；
S202、获得均匀随机采样点；
在自由空间中进行均匀随机采样；
获得随机采样点的位置信息和姿态信息；
将姿态信息相对于根节点的旋转角度约束在预先设定的阈值之内；
在自由空间中进行均匀随机采样，获得随机采样点的位置信息和姿态信息，姿态信息被约束在一定范围内，即随机采样点相对于根节点的旋转角度被约束在预先设定的值之内，本实施案例中其实点和重点之间的旋转角度为π，故将随机采样点相对于根节点的旋转角度被约束在[0，π]，新节点相对于父节点的旋转约束在[0，π/4]；
S203：路径树扩展，确定父节点；
在可扩展的在路径树的节点中，以三维空间的欧几里得距离最小为衡量目标挑选父节点，要求父节点中扩展失败次数小于阈值，从父节点出发朝着扩展目标进行扩展，进行平移、姿态的插值计算，获得对应的候选新节点，若候选新节点与其父节点之间的局部路径满足碰撞约束要求，则将该新节点和局部路径加入路径树，若不满足碰撞约束要求，则更新其父节点中对应的扩展失败次数及可扩展标识信息，并进入下一次迭代；
步骤S203中，将路径树通过节点表示：
q(F，A，NF，NA，FlagF，FlagA)；
其中F表示其位置信息，可用三维坐标表示；A表示其姿态信息，可用单位四元数表示；NF表示其平移扩展失败的次数；NA表示其旋转扩展失败的次数；FlagF和FlagA用0或1表示；
当NF＜theresholdF时，FlagF＝0，表示该点可选为父节点进行平移扩展；
否则FlagF＝1，表示该点已经多次平移扩展失败，不可选为父节点进行平移扩展；
同理，当NA＜theresholdA时，FlagA＝0，表示该点可选为父节点进行旋转扩展；
否则FlagA＝1，表示该点已经多次旋转扩展失败，不可选为父节点进行旋转扩展；
要求父节点中扩展失败次数小于阈值，具体解释为：用路径树中节点表示方法为q(F，A，NF，NA，FlagF，FlagA)，其中F表示其位置信息，可用三维坐标表示，A表示其姿态信息，可用单位四元数表示，NF表示其平移扩展失败的次数，NA表示其旋转扩展失败的次数，FlagF和FlagA用0或1表示，当NF＜theresholdF时FlagF＝0，表示该点可选为父节点进行平移扩展，否则FlagF＝1，表示该点已经多次平移扩展失败，不可选为父节点进行平移扩展。同理，当NA＜theresholdA时FlagA＝0，表示该点可选为父节点进行旋转扩展，否则FlagA＝1，表示该点已经多次旋转扩展失败，不可选为父节点进行旋转扩展，在实施案例中theresholdF＝10，theresholdA＝10；
步骤S203中，从父节点出发朝着目标进行扩展获得候选新节点；
当父节点中FlagF＝0且FlagA＝0时，通过父节点和扩展目标的位置信息和姿态信息的插值计算以获得获选新节点的位置信息和姿态信息；
当父节点中FlagF＝0且FlagA＝1时，通过父节点和扩展目标的位置信息的插值计算，以获得获选新节点的位置信息，而候选新节点的姿态信息与父节点一致；
当父节点中FlagF＝1且FlagA＝0时，通过父节点和扩展目标的姿态信息的插值计算，以获得获选新节点的姿态信息，而候选新节点的位置信息与父节点一致；
对候选新节点的位姿信息进行旋转限制检测，若不满足要求，则对其进行旋转修正，并更新候选新节点的姿态信息；
具体解释为：1.当父节点中FlagF＝0且FlagA＝0时表示该节点既可进行平移扩展也可进行旋转扩展，插值计算时，父节点和扩展目标的位置和姿态均参与插值计算以获得获选新节点位置和姿态信息；
2.当父节点中FlagF＝0且FlagA＝1时表示该节点仅可进行平移扩展，插值计算时，父节点和扩展目标的位置参与插值计算，以获得获选新节点位置信息，而新节点的姿态信息与其父节点一致；
3.当父节点中FlagF＝1且FlagA＝0时表示该节点仅可进行旋转扩展，父节点和扩展目标的姿态参与插值计算，以获得获选新节点姿态信息，而新节点的位置信息与其父节点一致；
4.候选新节点相对于其父节点的旋转运动应当限制在一定范围内，若候选新节点的位姿信息不满足这一要求，则对其进行旋转修正，并更新候选新节点的姿态信息；
步骤S203中，对候选新节点及局部路径进行碰撞检测；
若检测结果满足约束要求，则确定该候选新节点为新节点并将其与局部路径加入路径树中；
若检测结果不满足约束要求，则将该候选新节点及其局部路径舍弃，并更新父节点中的NF，NA值及对应的FlagF，FlagA可扩展标识；
父节点朝着扩展目标扩展并计算新节点的位置与姿态信息，其中位置信息由父节点朝着扩展目标以单步定步长ε平移扩展计算而得，姿态信息由父节点的姿态信息朝着扩展目标的姿态信息以插值参数f进行单位四元数球面插值计算而得，本实施案例中取ε＝20，f＝0.8；
S204：候选新节点及局部路径碰撞检测：
若候选新节点及其局部路径满足碰撞约束要求，则将该节点及其局部路径加入至路径树中，并进入步骤S3；
若候选新节点及其局部路径中任一不满足碰撞约束要求，则将该节点及其局部路径舍弃，当前扩展失败，更新其父节点中的NF，NA值及对应的FlagF，FlagA可扩展标识，并进入下一次迭代即回到步骤S201；
S3：路径树扩展至目标状态，生成完整路径：
判断新节点是否落入待装配零件目标状态的临近空间，若是，则路径规划完成，若否则回到步骤S2进入下一次迭代。
在本实施例中，所述初始参数包括搜索空间C，待装配零件初始状态qinit和目标状态qgoal；
还包括待装配零件的初始状态qinit和目标状态qgoal在搜索空间内的位置信息F和姿态信息A。
在本实施例中，所述搜索空间包括自由空间和障碍空间。
为了验证算法的有效性与先进性，分别将双重旋转约束方法以及本发明提出的全程旋转约束方法分别用于求解图3-图5中的三项路径规划任务，同时为了验证本发明方法在路径终点处可有效改善路径折回的现象，实验时这两种路径规划方法采用的路径终止策略为：当新节点与目标点之间的欧几里得距离小于一个位移扩展步长，并且二者之间的旋转运动满足临近节点之间的旋转约束要求，则该新节点落入目标状态的临近空间，路径搜索结束；
分析1：双重旋转约束方法在三项路径规划任务中的表现如图6-图8所示，由图6-图8中路径树树枝的茂盛程度可知，双重旋转约束算法在本实施案例的三个环境中搜索盲目性最大，这是由于路径树的位移扩展中没有引导和约束而导致的，由图6-图8中终点附近物体“L”的运动路径可知，存在路径折回现象，这是因为双重旋转约束方法中的旋转约束策略无法保证在终点处路径的旋转约束控制，当终止策略要求新节点与终点之间同时满足距离和旋转约束条件时，则必定会在路径终点附近出现路径折回现象；
分析2：全程旋转约束方法在三项路径规划任务中的表现如图9-图11所示，由图9-图11可知，本发明所提出的全程旋转约束RRT算法相对于双重旋转约束算法对空间的探索较少即能获得有效路径，并且在终点附近物体“L”无出现路径折回现象，这是因为在路径树的扩展中，引入了动态概率p，路径树以p的概率朝着终点生长，减少了路径生长过程中的随机性，并且随着路径树的生长，路径树与终点之间的欧几里得距离减小，概率p逐渐增大，使得终点的引导作用增强，从而避免了终点附近出现路径折回；
为了本发明方法在全程旋转约束上的优势，特别是在路径终点旋转约束的优势，进行了如下实验，分别用双重旋转约束方法和全程旋转约束方法求解图3-图5中的三项路径规划任务，这两种路径规划方法在路径终止策略上采用：当新节点与目标点之间的欧几里得距离小于一个位移扩展步长则路径规划成功，这三种方法求解性能比较如下表所示，表中的数值均为算法执行100次后所取的均值，计算过程在处理器为英特尔i7，内存为8G的戴尔笔记本电脑上完成。
Figure BDA0002333692420000131
分析3：由表中结果可知，本发明所提出的全程旋转约束方法相比于双重旋转约束方法在规划时间和路径的全程旋转约束上有明显优势，实现了路径的全程旋转约束控制，并大大提高了搜索效率。
由技术常识可知，本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此，上述公开的实施方案，就各方面而言，都只是举例说明，并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。

Claims (10)

1.一种基于全程旋转约束RRT算法的装配路径规划方法，其特征在于，所述方法包括如下步骤：
确定装配路径搜索空间，设置装配路径初始参数；
根据初始参数计算得到概率p；
在搜索空间中，以初始状态为根节点，分别以概率p和1-p向目标状态以及均匀随机采样点扩展路径树，并根据扩展情况，动态更新概率p；
路径树扩展至目标状态，生成完整路径。
2.根据权利要求1所述的一种基于全程旋转约束RRT算法的装配路径规划方法，其特征在于：所述初始参数包括搜索空间C，待装配零件初始状态qinit和目标状态qgoal；
还包括待装配零件的初始状态qinit和目标状态qgoal在搜索空间内的位置信息F和姿态信息A。
3.根据权利要求2所述的一种基于全程旋转约束RRT算法的装配路径规划方法，其特征在于：所述概率p的计算及更新方法包括如下步骤：
获取路径树与目标状态之间的最小欧几里得距离l；
确定阈值Lmin；
如果l＜Lmin，则更新Lmin的值，即Lmin＝l，在下一次迭代中选择目标状态作为扩展目标的概率为：
Figure FDA0002333692410000011
在下一次迭代中选择均匀随机采样点作为扩展目标的概率为1-p，其中ε为预先设定的单次扩展步长。
4.根据权利要求1所述的一种基于全程旋转约束RRT算法的装配路径规划方法，其特征在于：所述均匀随机采样点的获得方法包括如下步骤：
在自由空间中进行均匀随机采样；
获得随机采样点的位置信息和姿态信息；
将姿态信息相对于根节点的旋转角度约束在预先设定的阈值之内。
5.根据权利要求1所述的一种基于全程旋转约束RRT算法的装配路径规划方法，其特征在于：所述路径树的扩展包括如下步骤：
确定父节点；
从父节点出发朝着目标进行扩展获得候选新节点；
将候选新节点及局部路径通过碰撞检测确定新节点。
6.根据权利要求5所述的一种基于全程旋转约束RRT算法的装配路径规划方法，其特征在于：所述父节点的确定方法包括如下步骤：
将路径树通过节点表示：
q(F，A，NF，NA，FlagF，FlagA)；
其中F表示其位置信息，可用三维坐标表示；A表示其姿态信息，可用单位四元数表示；NF表示其平移扩展失败的次数；NA表示其旋转扩展失败的次数；FlagF和FlagA用0或1表示；
当NF＜theresholdF时，FlagF＝0，表示该点可选为父节点进行平移扩展，其中theresholdF为该父节点是否可平移扩展的阈值，当从该点平移扩展失败次数小于阈值，表明该节点可选为父节点进行平移扩展；
否则FlagF＝1，表示该点已经多次平移扩展失败，不可选为父节点进行平移扩展；
同理，当NA＜theresholdA时，FlagA＝0，表示该点可选为父节点进行旋转扩展，其中theresholdA为该父节点是否可旋转扩展的阈值，当从该点旋转扩展失败次数小于阈值，表明该节点可选为父节点进行旋转扩展；
否则FlagA＝1，表示该点已经多次旋转扩展失败，不可选为父节点进行旋转扩展。
7.根据权利要求5所述的一种基于全程旋转约束RRT算法的装配路径规划方法，其特征在于：所述候选新节点的获得方法包括如下步骤：
当父节点中FlagF＝0且FlagA＝0时，通过父节点和扩展目标的位置信息和姿态信息的插值计算以获得获选新节点的位置信息和姿态信息；
当父节点中FlagF＝0且FlagA＝1时，通过父节点和扩展目标的位置信息的插值计算，以获得获选新节点的位置信息，而候选新节点的姿态信息与父节点一致；
当父节点中FlagF＝1且FlagA＝0时，通过父节点和扩展目标的姿态信息的插值计算，以获得获选新节点的姿态信息，而候选新节点的位置信息与父节点一致；
对候选新节点的位姿信息进行旋转限制检测，若不满足要求，则对其进行旋转修正，并更新候选新节点的姿态信息。
8.根据权利要求5所述的一种基于全程旋转约束RRT算法的装配路径规划方法，其特征在于：将候选新节点及局部路径通过碰撞检测确定新节点的方法包括如下步骤：
对候选新节点及局部路径进行碰撞检测；
若检测结果满足约束要求，则确定该候选新节点为新节点并将其与局部路径加入路径树中；
若检测结果不满足约束要求，则将该候选新节点及其局部路径舍弃，并更新父节点中的NF，NA值及对应的FlagF，FlagA可扩展标识。
9.根据权利要求1所述的一种基于全程旋转约束RRT算法的装配路径规划方法，其特征在于：从父节点出发朝着目标进行扩展的方法包括平移扩展和旋转扩展中的一种或多种。
10.根据权利要求1所述的一种基于全程旋转约束RRT算法的装配路径规划方法，其特征在于：所述搜索空间包括自由空间和障碍空间。
CN201911347144.3A 2019-12-24 2019-12-24 一种基于全程旋转约束rrt算法的装配路径规划方法 Withdrawn CN111008750A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911347144.3A CN111008750A (zh) 2019-12-24 2019-12-24 一种基于全程旋转约束rrt算法的装配路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911347144.3A CN111008750A (zh) 2019-12-24 2019-12-24 一种基于全程旋转约束rrt算法的装配路径规划方法

Publications (1)

Publication Number Publication Date
CN111008750A true CN111008750A (zh) 2020-04-14

Family

ID=70117785

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911347144.3A Withdrawn CN111008750A (zh) 2019-12-24 2019-12-24 一种基于全程旋转约束rrt算法的装配路径规划方法

Country Status (1)

Country Link
CN (1) CN111008750A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111397598A (zh) * 2020-04-16 2020-07-10 苏州大学 人机共融环境中移动型机器人路径规划采样方法及系统
CN113352319A (zh) * 2021-05-08 2021-09-07 上海工程技术大学 基于改进快速扩展随机树的冗余机械臂避障轨迹规划方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111397598A (zh) * 2020-04-16 2020-07-10 苏州大学 人机共融环境中移动型机器人路径规划采样方法及系统
CN111397598B (zh) * 2020-04-16 2022-02-01 苏州大学 人机共融环境中移动型机器人路径规划采样方法及系统
CN113352319A (zh) * 2021-05-08 2021-09-07 上海工程技术大学 基于改进快速扩展随机树的冗余机械臂避障轨迹规划方法
CN113352319B (zh) * 2021-05-08 2022-10-21 上海工程技术大学 基于改进快速扩展随机树的冗余机械臂避障轨迹规划方法

Similar Documents

Publication Publication Date Title
CN110962130B (zh) 基于目标偏向寻优的启发式rrt机械臂运动规划方法
CN110986953B (zh) 路径规划方法、机器人及计算机可读存储介质
CN111678523B (zh) 一种基于star算法优化的快速bi_rrt避障轨迹规划方法
CN112947489B (zh) 复杂环境下焊接机器人无碰撞路径规划方法及装置
CN111008750A (zh) 一种基于全程旋转约束rrt算法的装配路径规划方法
CN113467456A (zh) 一种未知环境下用于特定目标搜索的路径规划方法
CN113618742B (zh) 一种机器人避障方法、装置和机器人
CN112549016A (zh) 一种机械臂运动规划方法
CN112418129B (zh) 一种点云数据处理的方法、装置、电子设备及存储介质
CN113359746A (zh) 基于改进双向RRT和Dijkstra融合算法的路径规划方法和装置
CN112306067A (zh) 一种全局路径规划方法及系统
CN110084865B (zh) 一种离散点分级加权拟合规则格网的方法
CN112338916A (zh) 基于快速扩展随机树的机械臂避障路径规划方法及系统
CN111216132A (zh) 基于改进rrt算法的六自由度机械臂路径规划方法
CN107356932B (zh) 机器人激光定位方法
CN117124335B (zh) 一种基于路径标记回溯策略的改进式rrt路径规划方法
CN114608585A (zh) 一种移动机器人同步定位与建图方法及装置
CN109557567B (zh) 一种改进型吉布斯采样的北斗卫星选择方法
CN115122317A (zh) 基于筛选最优目标构型的冗余机械臂路径规划方法及系统
CN116572248B (zh) 一种关节空间规划的冗余机械臂碰撞回避及路径规划方法
CN114700937A (zh) 机械臂及其运动路径规划方法、控制系统、介质及机器人
CN117787517A (zh) 一种基于改进鲸鱼算法的uuv搜索路径设计方法
CN116520372A (zh) 一种双星时频差定位方法
CN116698066A (zh) 基于邻域扩展和边界点改进A-star算法的机器人路径规划方法及系统
CN112393739B (zh) 大面积环境中的改进型快速搜索随机树路径规划方法

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20200414

WW01 Invention patent application withdrawn after publication