CN112828891B - 机器人路径规划有效性的检测方法、检测装置及计算机可读存储介质 - Google Patents
机器人路径规划有效性的检测方法、检测装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112828891B CN112828891B CN202110074909.1A CN202110074909A CN112828891B CN 112828891 B CN112828891 B CN 112828891B CN 202110074909 A CN202110074909 A CN 202110074909A CN 112828891 B CN112828891 B CN 112828891B
- Authority
- CN
- China
- Prior art keywords
- matrix
- joint
- distance
- representing
- calculating
- 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
- B25J9/1656—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
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K37/00—Auxiliary devices or processes, not specially adapted to a procedure covered by only one of the preceding main groups
- B23K37/02—Carriages for supporting the welding or cutting element
- B23K37/0258—Electric supply or control circuits therefor
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Optics & Photonics (AREA)
- Robotics (AREA)
- Manipulator (AREA)
- Numerical Control (AREA)
Abstract
本发明提供一种机器人路径规划有效性的检测方法、检测装置及计算机可读存储介质,属于机器人运动控制技术领域。本申请实施例所述机器人路径规划有效性的检测方法通过计算机械臂的运动路径,并通过核心算法重构关节系列,对特征值进行高斯平滑优化;重构近似矩阵,然后计算关节系列矩阵与近似矩阵之间的距离,并根据距离与距离阈值进行比较判断确定路径的有效性。本申请实施例所述方法能够在不需要任何监督数据及离线的情况下,高效和精确的判断出运动路径的有效性,从而为机械臂焊接时给出精确的运动路径提供稳定的核心支持,且简单快捷。
Description
技术领域
本发明涉及机器人运动控制技术领域,尤其涉及一种机器人路径规划有效性的检测方法、检测装置及计算机可读存储介质。
背景技术
运动路径规划是工业机器人中常见的技术,随着技术发展,其应用越来越广泛,成为了工业机器人必备的基础功能。而随着3D视觉的快速发展和成熟,3D视觉引导技术在工业机器人中有着密切的配合。例如通过3D视觉识别物体后,并估计出机器人运动的轨迹,而通常是通过在线的方式验证运动路径的可行性,不能通过离线的方式进行真实的运动路径仿真,然而,这样会导致机器人无法避开障碍物,从而产生碰撞的危险。
现有工业机器人的仿真通常需要原厂深入合作后才能开放相关的功能,而对于广泛通过视觉技术实现离线仿真是极其困难的,而通常的现有做法是给出仿真的路径后,通常需要在在线的方式试跑若干次,保证路径的安全性和正确性后,方可执行自动模型下的轨迹运动。
发明内容
有鉴于此,本发明的目的在于提供一种机器人路径规划有效性的检测方法、检测装置及计算机可读存储介质,旨在能解决现有无法实现离线情况下进行真实的运动路径仿真的问题,本申请能够在离线情况下,快速和精确地验证运动路径的有效性。
本发明解决上述技术问题所采用的技术方案如下:
本发明的第一方面提供一种机器人路径规划有效性的检测方法,包括如下步骤:
计算机械臂的运动路径;
重构机械臂的关节序列;
对特征值进行高斯平滑优化;
重构近似矩阵;
计算关节系列矩阵与近似矩阵之间的距离,并根据矩阵之间的距离与距离阈值的比较结果判断确定路径的有效性。
在一些实施例中,所述重构机械臂的关节序列包括:
将关节集合φ={φ0,φ1,...,φN},写成矩阵形式,即
其中,V-1表示特征矩阵,每列表示特征向量,∑表示对角矩阵,其对角元素为原矩阵V的特征值,T表示矩阵转置操作;N表示样本数,D表示机器人的关节数量;
在一些实施例中,所述对特征值进行高斯平滑优化包括:
优化所有特征向量对应的第d个特征值构成的n个值λd=[λ0d,λ1d,…,λnd],λnd表示第n个样本的第d个特征值,
其中,K(d,·)为行向量[k(d,0),k(d,1),…k(d,D)],K(·,·)为N×N的核矩阵,λd为列向量,
λd=[λ0d,λ1d,…,λnd]T,I表示D×D的单位矩阵,(·)-1表示矩阵的逆,函数k(r·p)定义为
在一些实施例中,所述重构近似矩阵包括:
重构每个焊枪末端姿态的反解关节φn为
在一些实施例中,计算关节系列矩阵与近似矩阵之间的距离,并根据矩阵之间的距离与距离阈值的比较结果判断确定路径的有效性方法包括:
比较距离D与距离阈值ThrD之间的关系,如果两个矩阵KND和的距离D小于距离阈值ThrD,则判断当前的机械臂的所持焊枪的路径规划有效,控制机械臂运行仿真轨迹;否则判断当前的机械臂路径规划无效,进行错误提示;
其中,距离阈值ThrD取值范围为[0,1]。
在一些实施例中,阈值ThrD取值为0.5。
在一些实施例中,所述计算机械臂的运动路径方法包括:
仿真系统中导入工件和焊枪姿态;
从仿真系统中给出焊枪末端焊接的轨迹点集;
计算轨迹点集上焊枪末端姿态的所有反解获得关节系列;
根据焊枪末端的工具坐标系,计算关节矩阵。
本发明的第二方面还提供一种机器人规划路径的有效性检测装置,所述装置执行上述所述机器人路径规划有效性的检测方法,所述装置包括:运动路径计算模块、关节重构模块、特征值优化模块、矩阵重构模块、路径有效性判断模块;
所述运动路径计算模块,用于计算机械臂的运动路径;
所述关节重构模块,用于重构机械臂的关节序列;
所述特征值优化模块,用于对特征值进行高斯平滑优化;
所述矩阵重构模块,用于重构近似矩阵;
所述路径有效性判断模块,用于计算矩阵之间的距离,并根据矩阵之间的距离与距离阈值进行比较判断确定路径的有效性。
在一些实施例中,所述关节重构模块包括关节矩阵单元、平均向量计算单元、协方差计算单元以及反解关节计算单元;
所述关节矩阵单元,用于将关节集合φ={φ0,φ1,...,φN},写成矩阵形式,即
其中,V-1表示特征矩阵,每列表示特征向量,∑表示对角矩阵,其对角元素为原矩阵V的特征值,T表示矩阵转置操作;N表示样本数,D表示机器人的关节数量;
其中λnd表示第n个姿态下的第d个特征值;
Vnd表示第n个样本的第d个特征向量。
本申请还提供一种计算机可读存储介质,包括处理器、计算机可读存储介质以及在所述计算机可读存储介质上存储的计算机程序,所述计算机程序被处理器执行时实现如上述所述方法中的步骤。
本发明实施例提供的所述机器人路径规划有效性的检测方法、检测装置及计算机可存储介质,通过计算机械臂的运动路径,并通过核心算法重构关节系列,对特征值进行高斯平滑优化;重构近似矩阵,然后计算关节系列矩阵与近似矩阵之间的距离,并根据距离与距离阈值进行比较判断确定路径的有效性。本申请实施例所述方法能够在不需要任何监督数据及离线的情况下,高效和精确的判断出运动路径的有效性,从而为机械臂焊接时给出精确的运动路径提供稳定的核心支持,且简单快捷。
附图说明
图1为本发明涉及的一种机器人路径规划有效性的检测方法一实施例的方法流程图;
图2为本发明实施例提供的计算焊枪的运动路径的方法流程图;
图3为本发明实施例的一种焊接轨迹与姿态的示意图;
图4为本发明实施例的一种焊枪姿态示意图;
图5为本发明实施例的一种机器人关节与焊枪示意图;
图6为本发明实施例的一种重构关节序列的方法流程图;
图7为本发明实施例的一种机器人路径规划有效性的检测方法另一实施例的方法流程图;
图8为本发明实施例的一种机器人路径规划有效性的检测装置一实施例的结构框图;
图9为本发明实施例的一种机器人路径规划有效性的检测装置另一实施例的结构框图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白,以下结合附图和实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在后续的描述中,使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明,其本身没有特定的意义。因此,“模块”、“部件”或“单元”可以混合地使用。
终端可以以各种形式来实施。例如,本发明中描述的终端可以包括诸如手机、平板电脑、笔记本电脑、掌上电脑、个人数字助理(Personal Digital Assistant,PDA)、便捷式媒体播放器(Portable Media Player,PMP)、导航装置、可穿戴设备、智能手环、计步器等移动终端,以及诸如数字TV、台式计算机等固定终端。
实施例一:
本申请发明提供一种机器人路径规划有效性的检测方法,应用在机器人运动控制领域,由于在实际应用中,是由机器人的机械臂手持焊枪进行焊接等操作,故本实施例中,焊枪的运动轨迹也即为机器人的机械臂的运动轨迹。请参阅图1至图7,本实施例所述机器人路径规划有效性的检测方法方法包括如下步骤:
S10、计算机械臂的运动路径。
本实施例中,以机械臂手持焊枪为例进行说明,具体包括如下步骤:
S101、仿真系统中导入工件和焊枪姿态;
S102、从仿真系统中给出焊枪末端焊接的轨迹点集。
具体地,从仿真系统中给出已知工件上的焊接点序列P={P0,P1,...,PN},如图3所示,焊接点序列的每个元素P表示焊枪的位置坐标(X,Y,Z)和姿态坐标(RX,RY,RZ),其排列顺序表示了焊接的先后顺序。本实施例中,工件坐标相当于工件坐标系而言。
P对应焊枪末端位姿序列由仿真环境指定,记为W={W0,W1,...,WN}。
S103、计算轨迹点集上焊枪末端姿态的所有反解获得关节系列;
具体地,计算焊枪末端位姿序列W中的每个末端WN姿态的反解,获得每个末端WN对应的关节值D表示机器人的关节数,表示第d个关节的转动角度(单位弧度),取值范围由机器人的D-H模型而定。所有关节形成集合φ={φ0,φ1,...,φN},为反解8组解中的一组,如图4所示。
S104、根据焊枪末端的工具坐标系,计算关节矩阵;
S20、重构机械臂的关节序列;
请参阅图6,具体包括如下步骤:
S201、将关节集合φ={φ0,φ1,...,φN},写成矩阵形式,即
其中,V-1表示特征矩阵,每列表示特征向量,∑表示对角矩阵,其对角元素为原矩阵V的特征值,T表示矩阵转置操作,N表示样本数,D表示机器人的关节数量。
S30、对特征值进行高斯平滑优化;
具体地,优化所有特征向量对应的第d个特征值构成的n个值λd=[λ0d,λ1d,…,λnd],λnd表示第n个样本的第d个特征值,λd=[λ0d,λ1d,…,λnd]得到新的其中平滑后的特征向量中的每个元素为实数,具体地,利用高斯过程对λd进行平滑,每个元素λnd平滑后的结果为:
其中,K(d,·)为行向量[k(d,0),k(d,1),…k(d,D)],K(·,·)为N×N的核矩阵,λd为列向量,
λd=[λ0d,λ1d,…,λnd]T,I表示D×D的单位矩阵,(·)-1表示矩阵的逆,函数k(r·p)定义为
S40、重构近似矩阵;
具体包括如下步骤:
S50、计算关节系列矩阵与近似矩阵之间的距离,并根据矩阵之间的距离与距离阈值的比较结果判断确定路径的有效性。
比较距离D与距离阈值ThrD之间的关系,如果两个矩阵KND和的距离D小于距离阈值ThrD,则判断当前的机械臂的所持焊枪的路径规划有效,控制机械臂运行仿真轨迹;否则判断当前的机械臂路径规划无效,进行错误提示。距离阈值ThrD取值范围为[0,1],本申请实施例中阈值ThrD取值为0.5。
本申请实施例所述机器人路径规划有效性的检测方法,通过计算机械臂的运动路径,并通过核心算法重构关节系列,对特征值进行高斯平滑优化;重构近似矩阵,然后计算关节系列矩阵与近似矩阵之间的距离,并根据距离与距离阈值进行比较判断确定路径的有效性。本申请实施例所述方法能够在不需要任何监督数据及离线的情况下,高效和精确的判断出运动路径的有效性,从而为机械臂焊接时给出精确的运动路径提供稳定的核心支持,且简单快捷。
与现有的方法相比,本发明所述路径规划有效性的检测方法的优点在于:
能够在离线的情况下,为运动轨迹的仿真提供一种核心的算法,快速和高效地验证出规划出来的运动路径的有效性,且简单快捷。
实施例二:
本发明申请实施例提供一种机器人路径规划有效性的检测装置,所述机器人路径规划有效性的检测装置采用上述实施例一所述的机器人路径规划有效性的检测方法来完成对路径规划有效性的检测;能快速和高效地验证出规划出来的运动路径的有效性,从而为机械臂焊接时给出精确的运动路径提供稳定的核心支持,简单快捷。
请参阅图8以及图9,本发明申请实施例所述机器人路径规划有效性的检测装置包括运动路径计算模块301、关节重构模块302、特征值优化模块303、矩阵重构模块304、路径有效性判断模块305。
其中,所述运动路径计算模块301,用于计算焊枪的运动路径;
所述运动路径计算模块301包括工件导入单元3011、轨迹点集获取单元3012、反解获得单元3013以及关节矩阵计算单元3014。
所述工件导入单元3011,用于在仿真系统中导入工件和焊枪姿态;
所述轨迹点集获取单元3012,用于从仿真系统中给出焊枪末端焊接的轨迹点集。
具体地,从仿真系统中给出已知工件上的焊接点序列P={P0,P1,...,PN},如图3所示,焊接点序列的每个元素P表示焊枪的位置坐标(X,Y,Z)和姿态坐标(RX,RY,RZ),其排列顺序表示了焊接的先后顺序。本实施例中,工件坐标相当于工件坐标系而言。
P对应焊枪末端位姿序列由仿真环境指定,记为W={W0,W1,...,WN}。
所述反解获得单元3013,用于计算轨迹点集上焊枪末端姿态的所有反解获得关节系列;
具体地,计算W中心的每个末端WN姿态的反解,获得对应的关节值D表示机器人的关节数,表示第d个关节的转动角度(单位弧度),取值范围由机器人的D-H模型而定。所有关节形成集合φ={φ0,φ1,...,φN},为反解8组解中的一组。
以及关节矩阵计算单元3014,用于根据焊枪末端的工具坐标系,计算关节矩阵;
所述关节重构模块302,用于重构关节序列;关节重构模块302包括关节矩阵单元3021、平均向量计算单元3022、协方差计算单元3023以及反解关节计算单元3024。
所述关节矩阵单元3021,用于将关节集合φ={φ0,φ1,...,φN},写成矩阵形式,即
其中,V-1表示特征矩阵,每列表示特征向量,∑表示对角矩阵,其对角元素为原矩阵V的特征值,T表示矩阵转置操作。
其中λnd表示第n个姿态下的第d个特征值,由上述特征矩阵分解得到,Vnd表示第n个样本的第d个特征向量。
所述特征值优化模块303,用于对特征值进行高斯平滑优化。
所述矩阵重构模块304,用于重构近似矩阵。
所述矩阵重构模块304包括重构反解关节单元3041以及矩阵重构单元3042。
所述路径有效性判断模块305,用于计算矩阵之间的距离,并根据矩阵之间的距离与距离阈值进行比较判断确定路径的有效性。
所述路径有效性判断模块305包括矩阵距离计算单元3051以及有效性判断单元3052;
距离阈值ThrD取值范围为[0,1],本申请实施例中阈值ThrD取值为0.5。
本申请实施例所述机器人路径规划有效性的检测装置,通过运动路径计算模块301计算机械臂的运动路径,并通过关节重构模块302的核心算法重构关节系列,由特征值优化模块303对特征值进行高斯平滑优化;矩阵重构模块304重构近似矩阵,然后由路径有效性判断模块305计算矩阵之间的距离,并根据距离与距离阈值进行比较判断确定路径的有效性。本申请实施例所述装置能够在不需要任何监督数据及离线的情况下,高效和精确的判断出运动路径的有效性,从而为机械臂焊接时给出精确的运动路径提供稳定的核心支持,且简单快捷。
实施例三:
根据本发明的一个实施例提供的一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述机器人路径规划有效性的检测方法中的步骤,具体步骤如实施例一中描述所述,在此不再赘述。
本实施例中的存储器可用于存储软件程序以及各种数据。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据手机的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
根据本实施例的一个示例,上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述程序可存储于一计算机可读取存储介质中,如本发明实施例中,该程序可存储于计算机系统的存储介质中,并被该计算机系统中的至少一个处理器执行,以实现包括如上述各方法的实施例的流程。该存储介质包括但不限于磁碟、优盘、光盘、只读存储记忆体(Read-Only Memory,ROM)等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (9)
1.一种机器人路径规划有效性的检测方法,其特征在于,包括如下步骤:
计算机械臂的运动路径;
重构机械臂的关节序列;
对特征值进行高斯平滑优化;
所述对特征值进行高斯平滑优化包括:
优化所有特征向量对应的第d个特征值构成的n个值λd=[λ0d,λ1d,…,λnd],λnd表示第n个样本的第d个特征值,
其中,K(d,·)为行向量[k(d,0),k(d,1),…k(d,D)],K(·,·)为N×N的核矩阵,λd为列向量,
λd=[λ0d,λ1d,…,λnd]T,I表示D×D的单位矩阵,(·)-1表示矩阵的逆,函数k(r·p)定义为
重构近似矩阵;
计算关节系列矩阵与近似矩阵之间的距离,并根据矩阵之间的距离与距离阈值的比较结果判断确定路径的有效性。
5.根据权利要求4所述的机器人路径规划有效性的检测方法,其特征在于,所述阈值ThrD取值为0.5。
6.根据权利要求1所述的机器人路径规划有效性的检测方法,其特征在于,所述计算机械臂的运动路径方法包括:
仿真系统中导入工件和焊枪姿态;
从仿真系统中给出焊枪末端焊接的轨迹点集;
计算轨迹点集上焊枪末端姿态的所有反解获得关节系列;
根据焊枪末端的工具坐标系,计算关节矩阵。
7.一种机器人路径规划有效性的检测装置,其特征在于,所述装置包括:运动路径计算模块、关节重构模块、特征值优化模块、矩阵重构模块、路径有效性判断模块;
所述运动路径计算模块,用于计算机械臂的运动路径;
所述关节重构模块,用于重构机械臂的关节序列;
所述特征值优化模块,用于对特征值进行高斯平滑优化;
所述对特征值进行高斯平滑优化包括:
优化所有特征向量对应的第d个特征值构成的n个值λd=[λ0d,λ1d,…,λnd],λnd表示第n个样本的第d个特征值,
其中,K(d,·)为行向量[k(d,0),k(d,1),…k(d,D)],K(·,·)为N×N的核矩阵,λd为列向量,
λd=[λ0d,λ1d,…,λnd]T,I表示D×D的单位矩阵,(·)-1表示矩阵的逆,函数k(r·p)定义为
所述矩阵重构模块,用于重构近似矩阵;
所述路径有效性判断模块,用于计算矩阵之间的距离,并根据矩阵之间的距离与距离阈值进行比较判断确定路径的有效性。
8.根据权利要求7所述的机器人路径规划有效性的检测装置,其特征在于,所述关节重构模块包括关节矩阵单元、平均向量计算单元、协方差计算单元以及反解关节计算单元;
所述关节矩阵单元,用于将关节集合φ={φ0,φ1,...,φN},写成矩阵形式,即
其中,V-1表示特征矩阵,每列表示特征向量,∑表示对角矩阵,其对角元素为原矩阵V的特征值,T表示矩阵转置操作;N表示样本数,D表示机器人的关节数量;
其中λnd表示第n个姿态下的第d个特征值;
Vnd表示第n个样本的第d个特征向量。
9.一种计算机可读存储介质,其特征在于,包括处理器、计算机可读存储介质以及在所述计算机可读存储介质上存储的计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110074909.1A CN112828891B (zh) | 2021-01-20 | 2021-01-20 | 机器人路径规划有效性的检测方法、检测装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110074909.1A CN112828891B (zh) | 2021-01-20 | 2021-01-20 | 机器人路径规划有效性的检测方法、检测装置及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112828891A CN112828891A (zh) | 2021-05-25 |
CN112828891B true CN112828891B (zh) | 2022-04-08 |
Family
ID=75928955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110074909.1A Active CN112828891B (zh) | 2021-01-20 | 2021-01-20 | 机器人路径规划有效性的检测方法、检测装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112828891B (zh) |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN205537632U (zh) * | 2016-03-30 | 2016-08-31 | 湘潭大学 | 一种混凝土泵车臂架防碰撞系统 |
EP3424650B1 (en) * | 2017-07-07 | 2022-12-21 | Siemens Aktiengesellschaft | A method and apparatus for performing control of a movement of a robot arm |
CN107234617B (zh) * | 2017-07-10 | 2020-04-28 | 北京邮电大学 | 一种避障任务无关人工势场引导的避障路径规划方法 |
CN107831680B (zh) * | 2017-11-09 | 2019-08-06 | 哈尔滨工业大学 | 遥操作机械臂的层次化避奇异方法 |
CN109693018B (zh) * | 2019-01-30 | 2021-04-27 | 湖北文理学院 | 自主移动机器人焊缝视觉跟踪系统及跟踪方法 |
CN110045732B (zh) * | 2019-03-28 | 2022-06-07 | 暨南大学 | 一种启发式路径规划方法 |
CN110653805B (zh) * | 2019-10-10 | 2022-11-04 | 西安科技大学 | 笛卡尔空间下的七自由度冗余机械臂任务约束路径规划方法 |
CN111251297B (zh) * | 2020-02-20 | 2023-02-07 | 西北工业大学 | 一种基于随机采样的双臂空间机器人协调路径规划方法 |
-
2021
- 2021-01-20 CN CN202110074909.1A patent/CN112828891B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112828891A (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110385720B (zh) | 一种基于深度神经网络的机器人定位误差补偿方法 | |
US8560122B2 (en) | Teaching and playback method based on control of redundancy resolution for robot and computer-readable medium controlling the same | |
CN109344477B (zh) | 一种6自由度机械臂逆运动学求解方法 | |
CN111283686B (zh) | 一种用于带电作业机器人抓取支线场景下的抓取位姿计算方法 | |
CN111168719B (zh) | 一种基于定位工装的机器人校准方法及系统 | |
CN112518756B (zh) | 机械臂的运动轨迹规划方法及装置、机械臂及存储介质 | |
CN112109084A (zh) | 基于机器人关节角度补偿的末端位置补偿方法及其应用 | |
CN112241989A (zh) | 外参标定方法、装置、计算机设备和存储介质 | |
CN115922728B (zh) | 机器人指向动作控制方法、装置、电子设备和存储介质 | |
US20200401151A1 (en) | Device motion control | |
US20220402140A1 (en) | Learning to acquire and adapt contact-rich manipulation skills with motion primitives | |
Ti et al. | Generalization of orientation trajectories and force–torque profiles for learning human assembly skill | |
CN114147720B (zh) | 一种多自由度机械臂的逆运动学通用求解方法及装置 | |
CN112828891B (zh) | 机器人路径规划有效性的检测方法、检测装置及计算机可读存储介质 | |
CN112975947B (zh) | 元器件引脚的矫正方法、装置、设备及存储介质 | |
US11207773B2 (en) | Action transfer device, action transfer method, and non-transitory computer-readable medium storing action transfer program | |
CN113378349B (zh) | S-r-s结构七自由度机械臂逆运动学解析解的数值稳定算法 | |
CN115431267A (zh) | 一种基于区域划分的工业机器人曲面加工方法 | |
CN113021345A (zh) | 机械臂逆运动学控制方法、装置、设备及可读存储介质 | |
CN114346851A (zh) | 叶片磨削工艺参数调整方法、装置、设备及存储介质 | |
CN113434982A (zh) | 一种电力智能仿生攀爬机器人的运动学逆解算法 | |
CN117348577B (zh) | 一种生产工艺仿真检测方法、装置、设备以及介质 | |
CN112596382B (zh) | 一种串联型伺服机构几何参数优化标定方法和系统 | |
Montenegro et al. | Neural network as an alternative to the jacobian for iterative solution to inverse kinematics | |
CN114750153B (zh) | 机器人机械臂的运动控制系统、协作机器人及存储介质 |
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 |