CN112428274A - 一种多自由度机器人的空间运动规划方法 - Google Patents

一种多自由度机器人的空间运动规划方法 Download PDF

Info

Publication number
CN112428274A
CN112428274A CN202011288840.4A CN202011288840A CN112428274A CN 112428274 A CN112428274 A CN 112428274A CN 202011288840 A CN202011288840 A CN 202011288840A CN 112428274 A CN112428274 A CN 112428274A
Authority
CN
China
Prior art keywords
robot
feasible
task
information
posture
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
Application number
CN202011288840.4A
Other languages
English (en)
Other versions
CN112428274B (zh
Inventor
张耀伦
张煜
张秀芬
张盼盼
张增伦
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202011288840.4A priority Critical patent/CN112428274B/zh
Publication of CN112428274A publication Critical patent/CN112428274A/zh
Application granted granted Critical
Publication of CN112428274B publication Critical patent/CN112428274B/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
    • B25J9/1656—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
    • 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
    • B25J9/1661—Programme controls characterised by programming, planning systems for manipulators characterised by task planning, object-oriented languages
    • 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)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Manipulator (AREA)

Abstract

本发明公开了一种多自由度机器人的空间运动规划方法，包括以下步骤：S1、获取机器人的初始状态信息，获取机器人、周边环境障碍物和任务目标的空间信息；S2、确定可行区域，并计算出最佳姿态信息和可行姿态信息；其中可行区域是任务目标所在位置结合机器人的最佳姿态或可行姿态与周边环境障碍物和其他任务目标之间所构成的由机器人可以完成指定任务目标的空间区域；S3、判断机器人末端执行器的接近矢量是否可以落在可行区域内，若可以，则机器人以最佳姿态或可行姿态来执行规划任务；若不可以，则重新选择任务目标，本发明通过姿态分析避免或降低机器人的过度规划，还提高机器人的运行效率，更好地满足工业控制中的实时性要求。

Description

一种多自由度机器人的空间运动规划方法
技术领域
本发明涉及智能机器人领域，特别是涉及一种多自由度机器人的空间运动规划方法。
背景技术
随着人们生活水平的日益提高，人们对于产品的个性化需求不断提高。“多品种、小批量”生产形式促进了机器人的应用。多自由度空间机器人在自动化领域存在巨大的应用，但在通常情况下，具备柔性生产能力的多自由度工业机器人需要结构化的工作环境，同时机器人运动规划方面的制约影响机器人的发展和应用，尤其对于末端执行器处理散乱零件时，仍存在诸多问题。
工业机器人是一个多输入多输出、非线性、强耦合的高维复杂系统，机器人控制问题多可以归结为机器人的空间运动规划问题，同时需要综合考虑空间障碍物、非法区域、路径合理可控等避障要求进行规划出完备且最优的路径。目前虽然存在一些方法可以实现，但存在计算量大、过度规划、规划时间长、易陷入局部最优等弊端，甚至无法满足运动规划高效率、实时性等要求。
一般而言，机器人运动规划是在给定的位置之间规划处符合约束条件的路径或轨迹，根据规划任务，反解出相应的运动序列；而此处的约束包括无碰撞、路径最短、功率最小等等，规划过程涉及3D环境感觉、动作规划、运动学正逆解、碰撞检测等算法。常用的无碰撞运动规划方法有人工势场法、基于启发式搜索的A*算法、单元分解法、基于随机采样的随机路标图(PRM)法和快速搜索树(RRT)法、基于碰撞检测的FCL、神经网络算法、蚁群算法等。
人工势场法可以规划出比较平滑且安全的路径，但无法避开局部极小值问题；当目标点附近存在障碍物时，可能会造成机器人无法到达目标点。基于启发式搜索的A*算法在有解的情形下是可以找到无碰撞路径的，而且理论上可以做到时间最有，但其空间增长是指数级的；尤其当起始点和目标点距离很大时，搜索空间很大时会造成算法执行时间过长，导致无法满足实时性要求。同时，人工势场、单元分解法需要对空间障碍物进行精确建模，当环境障碍物较为复杂时会导致计算量较大，无法满足实时性要求；
蚁群算法具有较强的鲁棒性和搜索能力，但多用于二维平面，在三维空间中的计算量大大增加；其本质上是并行算法，但存在算法搜索时间长且易陷入停滞。在处理高维度的空间机器人方面，RPM和RRT法属于随机搜索，不需要对障碍物进行精确建模，有计算成本低的优势，是开源运动规划库OMPL(Open Motion Planning Library)的主要方法，但缺陷在于概率完备但并不是最优，二者可以很快找到可行路径但通常不是最优路径，同时无法有效在狭窄通道中获得可行路径，而且随着采样点过多会降低路径的寻找速度。由于算法的随机性，RPM和RRT每次规划的结构都不一样，无法作出预判，规划运动不稳定。FCL相较于其他算法存在速度快等诸多优点，仍存在过度规划、规划路径非最优的情况。
姿态规划问题的高维性是导致上述问题的主要原因。工业场合下的散堆抓取，机器人与“料筐”之间的障碍物鲜见，且常常人为去除；更为重要的则是工件周边干涉(如料筐)以及工件之间所造成的影响，即障碍物。因此，上述算法在没有有效解决相关问题的同时，存在过度规划的问题，造成算力资源的浪费。在散堆目标抓取时，RRT算法虽然解决了规划速度问题，但对于抓取目标周围约束，尤其接近抓取目标时算法收敛速度有待提高；同时，目前其他算法所描述的路径过程的碰撞检测存在规划过度或低效耗时。
发明内容
本发明的目的在于克服现有技术中的上述缺陷，提供一种高效的多自由度机器人的空间运动规划方法。
为实现上述目的，本发明提供了一种多自由度机器人的空间运动规划方法，包括以下步骤：
S1、对机器人环境进行初始化，获取机器人的初始状态信息，通过定位系统获取机器人、周边环境障碍物和任务目标的空间信息；
S2、确定可行区域，并计算出最佳姿态信息和可行姿态信息；其中该可行区域是任务目标所在位置结合机器人的最佳姿态或可行姿态与周边环境障碍物和其他任务目标之间所构成的由机器人可以完成指定任务目标的空间区域；
S3、判断机器人末端执行器的接近矢量是否可以落在可行区域内，若其可以落在可行区域，则控制机器人以最佳姿态或可行姿态来执行规划任务；若其不可以落在可行区域，则重新选择任务目标。
优选的，步骤S1所述机器人的初始状态信息包括下列至少之一：机器人的初始位置姿态信息和关节角信息。
优选的，步骤S2中具体为：根据机器人的初始状态信息、机器人的空间信息、周边环境障碍物的空间信息和任务目标的空间信息计算出任务目标与机器人之间的相对空间信息、任务目标与周边环境障碍物之间的相对空间信息以及任务目标之间的干涉信息，进而计算出机器人的最佳姿态信息和/或可行姿态信息。
优选的，当机器人为欠自由度机器人时，则步骤S2中需通过任务目标的空间位置信息结合机器人末端执行器的位置信息来确认最佳姿态或可行姿态。
优选的，步骤S3中具体的，如果可行区域内存在与机器人末端执行器的接近矢量的方向相同或相反的矢量，则机器人以最佳姿态或可行姿态来执行任务。
优选的，步骤S3中具体的，当执行规划任务的最佳姿态与周边环境障碍物存在干涉时，则重新在可行区域里选择可行姿态，此可行区域为任务目标所在位置结合机器人的可行姿态与周边环境障碍物和其他任务目标之间所构成的由机器人可以完成指定任务目标的空间区域。
优选的，当机器人到达任务目标周边环境的路径过程中存在其他障碍物，则根据可行姿态和任务目标位置反解出机器人其他关节的运动角度，再通过运动学正解计算出各关节的空间信息以及固结连杆和机器人周边设备的空间信息，判断机器人各关节、固结连杆、周边设备是否与障碍物存在干涉，若不存在干涉，则控制机器人执行规划任务；若存在干涉，则重新规划运动路径或重新选择可行姿态进行运动规划或重新选择任务目标，重复上述步骤。
与现有技术相比，本发明的有益效果在于：
本方法使机器人在运动规划时首选最佳姿态，其次才选取可行姿态，避免了算法的过度规划，可以提高规划速度和节省算法运行时间，更好地满足工业场合下的实时性要求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的一种多自由度机器人的空间运动规划方法的流程图；
图2是机器人以最佳姿态抓取任务目标的示意图；
图3是散堆抓取任务目标时机器人抓取工件的最佳姿态与周边环境干涉的示意图。
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，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一：六轴机器人的运动规划
相对于欠自由度机器人，一般而言，六轴机器人或冗余机器人可以全姿态完成任务。但当环境中存在障碍物等干涉时，对机器人操作将产生影响，尤其在工业生产中的散堆抓取情境下，料筐以及其他工件等任务目标的周边环境中的障碍所带来的干涉影响远多于路径环境中其他障碍物的影响，而且一般情况下，工业场合常在5S等要求下，需要清除非必要障碍物，也不会人为增加非必要障碍物。因此本实施例以该情景进行描述，如图1所示：
步骤一：对机器人环境进行初始化，获取机器人的初始状态，并通过定位系统(如：3D相机、激光雷达等)获取机器人、周边环境障碍物和任务目标的空间信息；
其中，初始化机器人，获取所述机器人的初始状态包括下列信息至少之一：机器人的初始位置姿态和/或关节角信息；
步骤二：确定可行区域，并计算出最佳姿态信息和可行姿态信息；其中该可行区域是任务目标所在位置结合机器人的最佳姿态或可行姿态与周边环境障碍物和其他任务目标之间所构成的由机器人可以完成指定任务目标的空间区域；
具体的，根据机器人的初始状态信息、机器人的空间信息、周边环境障碍物的空间信息和任务目标的空间信息计算出任务目标与机器人之间的相对空间信息、任务目标与周边环境障碍物之间的相对空间信息以及任务目标之间的干涉信息，进而计算出机器人的最佳姿态信息和可行姿态信息。其中，最佳姿态或可行姿态需要根据工件形状、生产工艺要求等具体情形进行确认，可行姿态是除最佳姿态外其他不产生干涉的操作姿态。
以较易理解的圆柱体料棒为例进行简要说明。当进行圆柱形料棒抓取操作时，最佳抓取姿态，即最佳姿态使得接近矢量垂直于棒体表面，该姿态是最佳的抓取方式。但除了该姿态外，也存在其他的方式实现抓取任务，如：在不与周边料棒和料筐产生干涉的前提下，机器人的接近矢量与垂直姿态存在一定倾角亦可以抓取料棒；由上述所有可完成任务的非最佳姿态统称为可行姿态。二者共同组成的空间区域为可行区域。
步骤三：判断机器人末端执行器的接近矢量是否可以落在可行区域(如图2所示，如锥体、锥台等空间体)，若其可以落在可行区域，则控制机器人以最佳姿态或可行姿态来执行规划任务；若其不可以落在可行区域，则重新选择任务目标；
判断方法包括机器人接近矢量是否存在于可行区域内的最佳姿态和可行姿态之中，如果可行区域内存在与接近矢量方向相同或相反的矢量，则机器人执行规划任务。
如图3所示，当执行规划任务的最佳姿态与周边环境障碍物存在干涉时，则重新在可行区域里选择可行姿态，此可行区域为任务目标所在位置结合机器人的可行姿态与周边环境障碍物和其他任务目标之间所构成的由机器人可以完成指定任务目标的空间区域。
本方法使机器人在运动规划时首选最佳姿态，其次才选取可行姿态，避免了算法的过度规划，可以提高规划速度和节省算法运行时间，更好地满足工业场合下的实时性要求。
实施例二：五轴机器人以及其他欠自由度机器人的运动规划
欠自由度机器人因缺少一个或一个以上的自由度，造成机器人的工作空间是非完备的。此时，机器人常常会无法按照工件的最佳姿态进行操作，因此从整个工作任务的完成角度而言，可行姿态便成为整个工作任务下的「最佳姿态」。
步骤一：对机器人环境进行初始化，获取机器人的初始状态，并通过定位系统(如：3D相机、激光雷达等)获取机器人、周边环境障碍物和任务目标的空间信息；
其中，初始化机器人，获取所述机器人的初始状态包括下列信息至少之一：机器人的初始位置姿态和/或关节角信息；
步骤二：确定可行区域，并计算出最佳姿态信息和可行姿态信息；其中该可行区域是任务目标所在位置结合机器人的最佳姿态或可行姿态与周边环境障碍物和其他任务目标之间所构成的由机器人可以完成指定任务目标的空间区域；
具体的，由于此时机器人为欠自由度机器人，工作姿态常常需要匹配机器人的可执行性。当上述方法存在运动规划耗时长时，需要转变规划策略。
当机器人为欠自由度机器人时，需通过任务目标位置信息结合机器人末端执行器位置信息为选择因素确认最佳姿态或可行姿态。依据申请号为201510391934.7公开的一种机器人笛卡尔空间轨迹的规划方法，由从末端执行器位置到任务目标位置所构成的矢量能否处在基坐标系z轴为母线，以末端执行器位置在基坐标系中的投影与基坐标系原点的连线为准线所形成的柱面及其相交面中。
结合机器人的初始状态信息、机器人的空间信息、周边环境障碍物的空间信息以及任务目标的空间信息计算出任务目标与机器人之间的相对空间信息、任务目标与周边环境障碍物之间的相对空间信息以及任务目标之间的干涉信息，进而通过任务目标位置信息结合机器人末端执行器位置信息计算出机器人的最佳姿态信息和可行姿态信息。同理，如实施例一所言最佳姿态或可行姿态需要根据工件形状、生产工艺要求等具体情形进行确认，可行姿态是除最佳姿态外其他不产生干涉的操作姿态。
此时，亦以较易理解的圆柱体料棒为例进行简要说明。当进行圆柱形料棒抓取操作时，最佳抓取姿态，即最佳姿态应，接近矢量应当垂直于棒体表面，该姿态是最佳的抓取方式。但除了该姿态外，也存在其他的方式实现抓取任务，如：在不与周边料棒和料筐产生干涉的前提下，机器人的接近矢量与垂直姿态存在一定倾角亦可以抓取料棒；由上述所有可完成任务的非最佳姿态统称为可行姿态。当以上所述的最佳姿态和/或可行姿态存在时，可以以此方式实现操作。正如本实施例所针对的欠自由度机器人，由于其不具备完备的操作姿态，上述方式无法百分之百准确确定规划方式时，此时可由从末端执行器位置到任务目标位置所构成的矢量能否处在以基坐标系z轴为母线，以末端执行器位置在基坐标系中的投影与基坐标系原点的连线为准线所形成的柱面及其相交面。至于是柱面还是相交面，需要根据任务情形以及机器人构型进行具体问题具体分析地确认，如以KUAK youBot为例，因其构型则应选择以上述柱面为规划方式。根据任务、工艺等要求，存在相对最佳和可行姿态，由二者共同组成的空间区域同样构成对应的可行区域。
步骤三：判断机器人末端执行器的接近矢量是否可以落在可行区域(如图2所示，如锥体、锥台等空间体)，若其可以落在可行区域，则控制机器人以最佳姿态或可行姿态来执行规划任务；若其不可以落在可行区域，则重新选择任务目标；
判断方法包括机器人接近矢量是否存在于可行区域内的最佳姿态和可行姿态之中，如果可行区域内存在与接近矢量方向相同或相反的矢量，则机器人执行规划任务。
如图3所示，当执行规划任务的最佳姿态与周边环境障碍物存在干涉时，则重新在可行区域里选择可行姿态，此可行区域为任务目标所在位置结合机器人的可行姿态与周边环境障碍物和其他任务目标之间所构成的由机器人可以完成指定任务目标的空间区域。
本方法使机器人在运动规划时首选最佳姿态，其次才选取可行姿态，避免了算法的过度规划，可以提高规划速度和节省算法运行时间，更好地满足工业场合下的实时性要求。
实施例三：路径过程环境中存在其他障碍物的运动规划
上述两个实施例均以通常工业场合下机器人靠近任务目标过程中无非必要障碍物的工作环境进行的。当机器人运动过程环境中存在干涉障碍物时，在执行步骤三的过程中需要进一步的运动规划判断措施。
具体描述如下：当机器人到达任务目标周边环境路径过程中存在其他障碍物，则首先根据可行姿态和任务目标位置反解出其他关节的运动角度，再通过运动学正解计算出各关节的空间信息以及固结连杆和机器人周边设备的空间信息，判断机器人各关节、固结连杆、周边设备是否与障碍物存在干涉，若不存在干涉，则控制机器人执行规划任务；若存在干涉，则重新规划运动路径或重新选择可行姿态进行运动规划或重新选择任务目标，重复上述步骤。
具体地，可以通过专利号为201510391934.7公开的一种机器人笛卡尔空间轨迹的规划方法所述的有关机器人逆运动学的方法，求解出机器人各个关节所需要的运动角度，然后依次对机器人各个连杆进行正运动学求解，结合连杆实体模型，确定相关关节及其固结的连杆的空间信息，或者可以通过连杆包围盒的方式预先进行大致定位，但需要进行精细化运动规划和确定是否存在干涉时，仍需要以机器人自身模型或者实际周边设备情况进行。重复以上步骤，判断运动过程中所有经过的路径都不存在关节、固结连杆、周边设备等与路径环境中的障碍物存在干涉，则控制机器人执行规划任务。若过程中通过计算存在关节、固结两岸或周边设备等存在与路径环境中的障碍物存在干涉，则重新规划运动路径或重新选择任务目标的可行姿态进行运动规划或重新选择任务目标，重复上述步骤，从而实现规避路径环境中障碍物的运动规划。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (7)

1.一种多自由度机器人的空间运动规划方法，其特征在于，包括以下步骤：
S1、对机器人环境进行初始化，获取机器人的初始状态信息，通过定位系统获取机器人、周边环境障碍物和任务目标的空间信息；
S2、确定可行区域，并计算出最佳姿态信息和可行姿态信息；其中该可行区域是任务目标所在位置结合机器人的最佳姿态或可行姿态与周边环境障碍物和其他任务目标之间所构成的由机器人可以完成指定任务目标的空间区域；
S3、判断机器人末端执行器的接近矢量是否可以落在可行区域内，若其可以落在可行区域，则控制机器人以最佳姿态或可行姿态来执行规划任务；若其不可以落在可行区域，则重新选择任务目标。
2.根据权利要求1所述的一种多自由度机器人的空间运动规划方法，其特征在于，步骤S1所述机器人的初始状态信息包括下列至少之一：机器人的初始位置姿态信息和/或关节角信息。
3.根据权利要求1所述的一种多自由度机器人的空间运动规划方法，其特征在于，步骤S2中具体为：根据机器人的初始状态信息、机器人的空间信息、周边环境障碍物的空间信息和任务目标的空间信息计算出任务目标与机器人之间的相对空间信息、任务目标与周边环境障碍物之间的相对空间信息以及任务目标之间的干涉信息，进而计算出机器人的最佳姿态信息和可行姿态信息。
4.根据权利要求1所述的一种多自由度机器人的空间运动规划方法，其特征在于，当机器人为欠自由度机器人时，则步骤S2中需通过任务目标的空间位置信息结合机器人末端执行器的位置信息来确认最佳姿态或可行姿态。
5.根据权利要求1所述的一种多自由度机器人的空间运动规划方法，其特征在于，步骤S3中具体的，如果可行区域内存在与机器人末端执行器的接近矢量的方向相同或相反的矢量，则机器人以最佳姿态或可行姿态来执行任务。
6.根据权利要求1所述的一种多自由度机器人的空间运动规划方法，其特征在于，步骤S3中具体的，当执行规划任务的最佳姿态与周边环境障碍物存在干涉时，则重新在可行区域里选择可行姿态，此可行区域为任务目标所在位置结合机器人的可行姿态与周边环境障碍物和其他任务目标之间所构成的由机器人可以完成指定任务目标的空间区域。
7.根据权利要求1-6任一项所述的一种多自由度机器人的空间运动规划方法，其特征在于，当机器人到达任务目标周边环境的路径过程中存在其他障碍物，则根据可行姿态和任务目标位置反解出机器人其他关节的运动角度，再通过运动学正解计算出各关节的空间信息以及固结连杆和机器人周边设备的空间信息，判断机器人各关节、固结连杆、周边设备是否与障碍物存在干涉，若不存在干涉，则控制机器人执行规划任务；若存在干涉，则重新规划运动路径或重新选择可行姿态进行运动规划或重新选择任务目标，重复上述步骤。
CN202011288840.4A 2020-11-17 2020-11-17 一种多自由度机器人的空间运动规划方法 Active CN112428274B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011288840.4A CN112428274B (zh) 2020-11-17 2020-11-17 一种多自由度机器人的空间运动规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011288840.4A CN112428274B (zh) 2020-11-17 2020-11-17 一种多自由度机器人的空间运动规划方法

Publications (2)

Publication Number Publication Date
CN112428274A true CN112428274A (zh) 2021-03-02
CN112428274B CN112428274B (zh) 2023-03-21

Family

ID=74700357

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011288840.4A Active CN112428274B (zh) 2020-11-17 2020-11-17 一种多自由度机器人的空间运动规划方法

Country Status (1)

Country Link
CN (1) CN112428274B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113077643A (zh) * 2021-03-23 2021-07-06 上海振华重工(集团)股份有限公司 一种交通控制方法、交通控制系统及存储介质
CN113146637A (zh) * 2021-04-29 2021-07-23 张耀伦 一种机器人笛卡尔空间的运动规划方法
CN114683289A (zh) * 2022-05-09 2022-07-01 中兵智能创新研究院有限公司 一种四足机器人姿态预适应控制方法
WO2022205844A1 (zh) * 2021-03-29 2022-10-06 深圳市优必选科技股份有限公司 机器人正运动学求解方法、装置、可读存储介质及机器人

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104965517A (zh) * 2015-07-07 2015-10-07 张耀伦 一种机器人笛卡尔空间轨迹的规划方法
CN106406338A (zh) * 2016-04-14 2017-02-15 中山大学 一种基于激光测距仪的全向移动机器人的自主导航装置及其方法
CN106826813A (zh) * 2016-12-12 2017-06-13 杭州宇芯机器人科技有限公司 基于曲线拟合建模和多重约束落足点评估的机器人稳定运动控制方法
CN106990777A (zh) * 2017-03-10 2017-07-28 江苏物联网研究发展中心 机器人局部路径规划方法
CN107214701A (zh) * 2017-06-12 2017-09-29 南京理工大学 一种基于运动基元库的带电作业机械臂自主避障路径规划方法
CN108015767A (zh) * 2017-11-30 2018-05-11 北京邮电大学 一种空间机械臂应急操作方法
CN108115688A (zh) * 2017-12-29 2018-06-05 深圳市越疆科技有限公司 一种机械臂的抓取控制方法、系统及机械臂
CN108621165A (zh) * 2018-05-28 2018-10-09 兰州理工大学 障碍环境下的工业机器人动力学性能最优轨迹规划方法
CN109693239A (zh) * 2018-12-29 2019-04-30 深圳市越疆科技有限公司 一种基于深度强化学习的机器人抓取方法
CN109927031A (zh) * 2019-03-28 2019-06-25 大连理工大学 一种结合关节和笛卡尔空间六轴工业机器人路径规划方法
CN110576436A (zh) * 2018-06-11 2019-12-17 欧姆龙株式会社 路径计划装置、路径计划方法以及计算机可读记录介质
CN110587600A (zh) * 2019-08-20 2019-12-20 南京理工大学 基于点云的带电作业机器人自主路径规划方法
CN111216125A (zh) * 2019-12-04 2020-06-02 山东省科学院自动化研究所 面向狭窄通道的移动机械臂装置的避障方法及系统
CN111890336A (zh) * 2020-06-15 2020-11-06 成都飞机工业（集团）有限责任公司 一种机器人多目标点示教方法、系统

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104965517A (zh) * 2015-07-07 2015-10-07 张耀伦 一种机器人笛卡尔空间轨迹的规划方法
CN106406338A (zh) * 2016-04-14 2017-02-15 中山大学 一种基于激光测距仪的全向移动机器人的自主导航装置及其方法
CN106826813A (zh) * 2016-12-12 2017-06-13 杭州宇芯机器人科技有限公司 基于曲线拟合建模和多重约束落足点评估的机器人稳定运动控制方法
CN106990777A (zh) * 2017-03-10 2017-07-28 江苏物联网研究发展中心 机器人局部路径规划方法
CN107214701A (zh) * 2017-06-12 2017-09-29 南京理工大学 一种基于运动基元库的带电作业机械臂自主避障路径规划方法
CN108015767A (zh) * 2017-11-30 2018-05-11 北京邮电大学 一种空间机械臂应急操作方法
CN108115688A (zh) * 2017-12-29 2018-06-05 深圳市越疆科技有限公司 一种机械臂的抓取控制方法、系统及机械臂
CN108621165A (zh) * 2018-05-28 2018-10-09 兰州理工大学 障碍环境下的工业机器人动力学性能最优轨迹规划方法
CN110576436A (zh) * 2018-06-11 2019-12-17 欧姆龙株式会社 路径计划装置、路径计划方法以及计算机可读记录介质
CN109693239A (zh) * 2018-12-29 2019-04-30 深圳市越疆科技有限公司 一种基于深度强化学习的机器人抓取方法
CN109927031A (zh) * 2019-03-28 2019-06-25 大连理工大学 一种结合关节和笛卡尔空间六轴工业机器人路径规划方法
CN110587600A (zh) * 2019-08-20 2019-12-20 南京理工大学 基于点云的带电作业机器人自主路径规划方法
CN111216125A (zh) * 2019-12-04 2020-06-02 山东省科学院自动化研究所 面向狭窄通道的移动机械臂装置的避障方法及系统
CN111890336A (zh) * 2020-06-15 2020-11-06 成都飞机工业（集团）有限责任公司 一种机器人多目标点示教方法、系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113077643A (zh) * 2021-03-23 2021-07-06 上海振华重工(集团)股份有限公司 一种交通控制方法、交通控制系统及存储介质
CN113077643B (zh) * 2021-03-23 2022-05-03 上海振华重工(集团)股份有限公司 一种交通控制方法、交通控制系统及存储介质
WO2022205844A1 (zh) * 2021-03-29 2022-10-06 深圳市优必选科技股份有限公司 机器人正运动学求解方法、装置、可读存储介质及机器人
CN113146637A (zh) * 2021-04-29 2021-07-23 张耀伦 一种机器人笛卡尔空间的运动规划方法
CN114683289A (zh) * 2022-05-09 2022-07-01 中兵智能创新研究院有限公司 一种四足机器人姿态预适应控制方法

Also Published As

Publication number Publication date
CN112428274B (zh) 2023-03-21

Similar Documents

Publication Publication Date Title
CN112428274B (zh) 一种多自由度机器人的空间运动规划方法
Wang et al. A survey of welding robot intelligent path optimization
CN108818530B (zh) 基于改进rrt算法的机械臂抓取散乱堆放活塞运动规划方法
Luo et al. Collision‐free path‐planning for six‐dof serial harvesting robot based on energy optimal and artificial potential field
CN109807886A (zh) 一种基于预测的空间非合作目标抓捕策略
US11701777B2 (en) Adaptive grasp planning for bin picking
Chen et al. Path planning of the fruit tree pruning manipulator based on improved RRT-Connect algorithm
Zahid et al. Collision free path planning of a robotic manipulator for pruning apple trees
Shao et al. Rrt-goalbias and path smoothing based motion planning of mobile manipulators with obstacle avoidance
Bhuiyan et al. Deep-Reinforcement-Learning-based Path Planning for Industrial Robots using Distance Sensors as Observation
Tam et al. An improved genetic algorithm based robot path planning method without collision in confined workspace
CN113146637B (zh) 一种机器人笛卡尔空间的运动规划方法
Sun et al. Hybrid task constrained planner for robot manipulator in confined environment
Ikeda et al. On-line optimization of avoidance ability for redundant manipulator
Tang et al. Coordinated motion planning of dual-arm space robot with deep reinforcement learning
Liang et al. PR-RRT*: Motion Planning of 6-DOF Robotic Arm Based on Improved RRT Algorithm
Shen et al. Optimal trajectory planning of manipulators subject to motion constraints
CN113084797B (zh) 一种基于任务分解的双臂冗余机械臂动态协同控制方法
CN114952870A (zh) 用于高频接触物体消毒的四轴机械臂运动控制方法及系统
Xu et al. Collision-free trajectory planning for multi-robot simultaneous motion in preforms weaving
Kim et al. Generation of a 3D robot path for collision avoidance of a workpiece based on voxel and vector field
Tang et al. Obstacle avoidance path planning of 6-DOF robotic arm based on improved A* algorithm and artificial potential field method
Tang et al. Picking trajectory planning of citrus based on improved immune algorithm and binocular vision
Chen et al. Cooperative planning of dual arm robot based on Improved Particle Swarm Optimization
Tao et al. An improved RRT algorithm for the motion planning of robot manipulator picking up scattered piston

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