CN113211449B - 一种基于路径分析的机器人校准方法及其系统 - Google Patents
一种基于路径分析的机器人校准方法及其系统 Download PDFInfo
- Publication number
- CN113211449B CN113211449B CN202110649349.8A CN202110649349A CN113211449B CN 113211449 B CN113211449 B CN 113211449B CN 202110649349 A CN202110649349 A CN 202110649349A CN 113211449 B CN113211449 B CN 113211449B
- Authority
- CN
- China
- Prior art keywords
- path
- calibration
- path planning
- task
- robot
- 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
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
-
- 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
- B25J9/1628—Programme controls characterised by the control loop
- B25J9/1653—Programme controls characterised by the control loop parameters identification, estimation, stiffness, accuracy, error analysis
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Numerical Control (AREA)
- Manipulator (AREA)
Abstract
本发明涉及一种基于路径分析的机器人校准方法及其系统,所述方法包括:通过实验获取样本校准数据并构建校准模型;在任务执行过程中根据校准模型对路径规划设置进行校准,基于校准数据实时进行路径规划校准。本发明从功能的角度上提高机器人的适用性的基础之上,还提高了机器人软硬件的适用性和兼容性,后校准机制能够无缝和的工业和家用机器人对接,从而提高机器人的准确度和性能,改善用户体验和机器人的使用寿命。
Description
【技术领域】
本发明属于智能机器人技术领域,尤其涉及一种基于路径分析的机器人校准方法及其系统。
【背景技术】
随着全球工业化的快速发展,硬件技术和计算机技术的飞速发展,机器人也逐渐受到各个领域的人们的关注。工业机器人以其高速高精、安全可靠等优点,在焊接、喷涂等现代工业自动化应用工程中,获得各种目标最优的轨迹规划研究更具有实际意义。工厂机器人化水平的提高意味着将会减少受劳动力市场波动的影响。因此,在过去几年里,世界各地都在重振制造业,把曾经外包到劳动力成本较低地区的制造业收归本土。此外,随着机器人技术的成熟,机器变得更易于部署和维护,同时也更敏捷和灵活,使产品定制达到更高层次。工业机器人的应用范围越来越广,这对于工业机器人的生产制造也是一大难题,需要消耗大量的时间以及人力物力,尤其是工业机器人生产完成之后的性能检测和校准过程中只有少部分功能的检测可以自动完成。
为了完成智能任务,需要基于任务的类型进行路径规划和分析,在一定程度上解放了劳动力。工业机器人的路径规划是指在综合考虑任务要求、本体性能和边界约束条件的情况下,规划出给定路径的机器人末端执行器位移、速度、加速度和冲击等因变量曲线光滑连续的时间序列。现有技术中采用的一种方法都是基于人工经验来设定参数,那么每次的机器人使用就并非是最优的,效果无法控制,例如:无法达到运行时间达到最短,最终运行的路径不一定平滑可能存在冲击,引起的突变会缩短机器人的使用寿命。另一种是采用自动化的软件优化计算方法进行路径分析和规划,使机器人在运动过程中保证时间最优和平稳无震动,达到高效节能,快速响应到期望位置的目的,从而提高生产效率。但是自动化的软件方法在需要进行机器人功能转换和新任务的执行时,需要重新计算,这无疑会增加使用成本,甚至是机器人后续的使用成本。
目前看来,现有技术的研究还多集中在如何进一步的做自动化软件优化算法的进一步优化,但是这种做法对性能的提高已经很有限了,而且缺乏通用性和兼容性,如何提出一种适应性更强的自动化路径分析和设置方法,是待解决的问题。本发明从功能的角度上提高机器人的适用性的基础之上,还提高了机器人软硬件的适用性和兼容性,后校准机制能够无缝和的工业和家用机器人对接,从而提高机器人的准确度和性能,改善用户体验和机器人的使用寿命。
【发明内容】
为了解决现有技术中的上述问题,本发明提出了一种基于路径分析的机器人校准方法及其系统,所述基于路径分析的机器人校准方法包含:
步骤SA:通过实验获取样本校准数据并构建校准模型;
步骤SB:在任务执行过程中根据校准模型对路径规划设置进行校准,基于校准数据实时进行路径规划校准。
进一步的,在执行任务前,还包括步骤SEB1:判断校准条件是否满足,如果是,则进入步骤SB;否则不进行校准而直接采用当前可用路径规划设置方式来设置。
进一步的,所述判断校准条件是否满足,具体为:首次执行一任务类型时,校准条件自动满足,直接执行后续步骤;在后续进入该步骤时,根据累积的校准数据判断校准条件是否满足。
进一步的,所述根据累积的校准数据判断校准条件是否满足,具体为:根据任务完成情况,和任务类型对应的校准模型中样本数量、任务完成失败次数、任务类型是否发生更新中的一个或多个。
进一步的,根据优化目标参数是否满足来判断校准条件是否满足。
进一步的,优化目标参数包括:路径长度、机器人转向次数,路径执行时间等多项因素。
一种基于路径分析的机器人校准系统,包含:服务器和一个或者多个工业机器人,工业机器人上安装有控制器以及安装于工业机器人上的控制器、数据采集模块和摄像头;所述服务器包括数据分析模块,数据分析模块用于对数据采集模块采集数据进行分析,还用于基于数据分析结果进行判断;所述服务器根据判断结果形成控制指令,并向控制器发送控制指令;所述工业机器人基于所述控制指令执行任务。
进一步的,所述工业机器人为一个或多个。
一种基于路径分析的机器人校准装置,其特征在于,包含:
一储存单元,配置以储存一应用程序;以及
一处理单元,电性耦接于一输入单元以及该储存单元,该处理单元配置以执行基于路径分析的机器人校准方法。
一种用于基于路径分析的机器人校准的存储介质,其特征在于,所述存储介质用于存储执行所述基于路径分析的机器人校准方法的指令。
本发明的有益效果具体包括:(1)通过任务和子任务拆分,使得各种类型的任务都能够利用既有可用的任务规划设置方法来形成一个可行的任务规划设置方案,为后续校准提供了校准基础,保障了对不同任务类型的兼容性;(2)基于可用路径规划设置的一阶、二阶插值计算方法,在保障计算量有限的情况下,通过增加序关系的方式局部优化当前的路径设置,在不引入新的优化算法的情况下,提供可兼容的优化基础;(3)通过校准模型层次化权重设置,降低校准效率对样本数量的依赖程度,使得校准模型能够很快的发挥作用;(4)通过N元组,校准模型能够近似求解一个最优的路径规划设置方式,这里计算量是线性增长的,而且可以通过调整N的数量来调整模型的拟合程度;本发明对样本数量的要求不高,随着样本数量的增加校准效率精度也会随之提高,可扩展性强,可以用于进行姿态等相关校准。
【附图说明】
此处所说明的附图是用来提供对本发明的进一步理解,构成本申请的一部分,但并不构成对本发明的不当限定,在附图中:
图1为本发明的基于路径分析的机器人校准方法示意图。
图2为本发明的路径规划设置及其优化方式示意图。
【具体实施方式】
下面将结合附图以及具体实施例来详细说明本发明,其中的示意性实施例以及说明仅用来解释本发明,但并不作为对本发明的限定。
本发明所涉及的基于路径分析的机器人校准方法可以应用在工业机器人以及智能家用机器人上,对需要进行路径规划的机器人,提供后校准机制,这样在从功能的角度上提高机器人的适用性的基础之上,还提高了机器人软硬件的适用性,在加载新任务时,机器人无需对整个自动化的规划软件做全面的升级或者更替,只需要加载一个额外的校准机制,就能够无缝和的工业和家用机器人对接,从而提高机器人的准确度和性能,改善用户体验和机器人的使用寿命;
本发明所述的基于路径分析的机器人校准系统,包括服务器和一个或者多个工业机器人,工业机器人上安装有控制器以及安装于工业机器人上的控制器、数据采集模块和摄像头;所述服务器包括数据分析模块,所述数据分析模块用于对数据采集模块采集数据进行分析,还用于基于数据分析结果进行判断;所述服务器根据判断结果形成控制指令,并向控制器发送控制指令;所述工业机器人基于所述控制指令执行任务;
工业机器人的控制器与用于将摄像头所识别的目标物体位置转换为控制系统中的空间位置坐标,并基于所述空间位置坐标执行控制指令,所述空间位置坐标和服务器发送的控制指令中的空位置坐标的坐标系相同;
本发明所述的基于路径分析的机器人校准方法,具体包括如下步骤:
步骤SA:通过仿真实验获取样本校准数据并构建校准模型;
步骤SB:在任务执行过程中根据校准模型对路径规划设置进行校准,基于校准数据实时进行路径规划校准;
优选的:在执行任务前,还包括步骤SEB1:判断校准条件是否满足,如果是,则进入步骤SB;否则不进行校准而直接采用当前可用路径规划设置方式来设置,并基于路径规划设置驱动机器人执行任务;
所述判断校准条件是否满足,具体为:首次执行一任务类型时,校准条件自动满足,直接执行后续步骤;在后续进入该步骤时,根据累积的校准数据判断校准条件是否满足;
所述根据累积的校准数据判断校准条件是否满足,具体为:根据任务完成情况,和任务类型对应的校准模型中样本数量、任务完成失败次数、任务类型是否发生更新中的一个或多个;
所述步骤SA具体包括如下步骤;
步骤SA1;将机器人作为仿真对象验证路径规划设置情况以获取样本校准数据;具体为:根据当前的任务类型创建一个或多个仿真任务,基于任务类型对机器人计算当前任务的路径规划设置,计算任务的最优路径规划设置,比较最优路径规划设置和当前任务的路径规划设置以得到样本校准数据;
优选的:所述路径规划设置方式为人工设置或自动化设置;
优选的:对于相同类型任务的不同仿真任务,其仿真任务的具体形式是相同或者不同的;不同的情况包括:场景不同,约束条件不同等;
所述基于任务类型对机器人计算当前任务的路径规划设置,具体为:基于可用路径规划设置方式计算当前任务的路径规划设置;
可替换的:所述基于任务类型对机器人计算当前任务的路径规划设置,具体为:当任务类型有可用的路径规划设置方式时,采用所述对应的路径规划设置方式进行路径规划设置;否则,将任务拆分成一个或多个子任务,基于每个子任务的类型选择相应的路径规划设置方式进行路径规划设置;当子任务没有对应的路径规划设置方式时,继续进行子任务的拆分,直到找到对应的路径规划设置方式为止;在规划设置完毕后,将每个子任务对应的子路径拼接后形成任务对应的路径规划设置;那么,对于复杂任务不需要重新做路径规划设置的重新更新,而是可以通过任务的拆分获取路径,将任务路径优化的任务交给后续的步骤;其中:任务或者子任务对应一个行走路径以及和所述路径对应的空间坐标序列或姿态序列;也就是说,任务可以是简单任务或者复杂任务;任务的拆分越深入,得到的子任务越接近机器人的基本功能,因此,子任务通常能够找到和其对应的路径规划设置方式;而对于子任务来说,其路径规划设置方法由于能力限制也更加简单;当然路径规划设置方式对于任务整体来说往往不是最优的;
进一步的:按照子任务的执行顺序一次进行路径规划设置;将当前子任务对应的子路径的终止位置和/或姿态作为输入,输入到下一子任务对应的路径规划设置方式中得到对应下一子任务的子路径;
优选的:所述自动化设置方法是基于智能优化算法如粒子群算法、遗传算法的;
优选的:所述自动化设置方法为动态规划方法;
所述计算任务的最优路径规划设置,具体包括如下步骤:
步骤Sub1:加载机器人仿真模型;加载可用路径规划设置方式;
步骤Sub2:对所述机器人仿真模型运行路径规划设置方式以获取当前任务的路径规划设置;也可以是人为参与进行路径规划的设置;
步骤Sub3:在满足约束条件的情况下,对当前任务的路径规划设置做一阶插值得到插值路径集合;具体包括如下步骤:
步骤Sub31:获取当前任务路径规划设置对应的空间坐标序列,所述空间坐标序列包含有序坐标点集合及其序关系集合;初始化时,将开始位置的空间坐标作为当前坐标点;
步骤Sub32:获取当前坐标点POS(xi,yi,zi,)的相隔坐标点POS(xi+2,yi+2,zi+2,);在当前坐标点POS(xi,yi,zi,)和相隔坐标点POS(xi+2,yi+2,zi+2,)之间创建序关系,并将创建的序关系放入序关系集合;从附图2中可以看到,在网格状的地图中,在粗线呈现的原始路径规划基础上,新增细线呈现的序关系;通过在相隔的坐标点之间创建序关系,增加了在路径选择过程中的选项,每增加一个序关系,路径的选择数量乘以2;但是,很多时候是无法创建这样的增加的;对于无意义的增加可以选择不增加;新增序关系不能和原始序关系形成有效区别时,可以不进行新增;有效性可以通过相似性判断来完成;
步骤Sub33:将当前坐标点的下一坐标点POS(xi+1,yi+1,zi+1,)作为当前坐标点,并返回步骤Sub32,直到当前坐标点为终止坐标点为止;
步骤Sub34:从序关系集合中顺序选择序关系以创建新路径规划设置,并将所创建的新路径规划设置放入插值路径集合中;所创建的新路径从开始坐标点出发并以终止坐标点结束;这里顺序选择为后选择的序关系中涉及的坐标点在有序坐标点集合中出现的顺序晚于先选择的序关系中涉及的坐标点在有序坐标点集合中出现的顺序;
优选的:在终止条件满足后停止创建,例如:新创新的路径规划设置的数量满足终止条件等;
优选的:基于任务类型和场景条件设置约束条件;这里的约束条件为路径设置约束条件;一种基本的约束条件为在完成子任务操作的同时使得机器人不与障碍物碰撞,也不发生自碰撞;
步骤Sub4:当插值路径集合的数量小于集合大小阈值时,基于一阶插值结果做随机路径搜索以得到扩大后的插值路径集合;也就是,在步骤Sub3中创建的序关系和原始序关系所构成的多个三角形区域中重新选择用于扩大的坐标点;
优选的:所述集合大小阈值为预设值;例如:将集合大小设置为8,或者可计算的2的次幂;
所述基于一阶插值结果做随机路径搜索以得到扩大后的插值路径集合,具体包括如下步骤:
步骤Sub41:在当前坐标点POS(xi,yi,zi)、相隔坐标点POS(xi+2,yi+2,zi+2)、下一坐标点POS(xi+1,yi+1,zi+1)构成的区域中选择一个中间坐标点MID(xi,yi,zi);在当前坐标点的前一坐标点POS(xi-1,yi-1,zi-1)和中间坐标点MID(xi,yi,zi)之间创建序关系,在所述中间坐标点MID(xi,yi,zi)和下一相隔坐标点POS(xi+3,yi+3,zi+3)之间创建序关系,并将创建的序关系放入序关系集合;在当前坐标点为开始节点时,在开始节点和中间坐标点MID(xi,yi,zi,)之间创建序关系,在所述中间坐标点MID(xi,yi,zi,)和下一相隔坐标点POS(xi+3,yi+3,zi+3,)之间创建序关系;
优选的:当所构成的区域面积小于最小面积值时,不进行扩大;因为这样的扩大是无意义的;可以为了扩大优化的范围将一节插值增加为二阶插值,而将当前坐标点和直接相隔坐标点的下一坐标点POS(xi+3,yi+3,zi+3)也加入计算中;通过实验发现二阶差值会使得约束条件不满足产生浪费的计算量,而基于面积的插值方式一方面基本能够满足约束条件的需要,同时能够快捷的避免无效的或者无意义的扩大和新增,有效而直接的减少可能的产生的无意义计算;
步骤Sub42:从序关系集合中顺序选择序关系以创建新路径,并将所创建的新路径放入插值路径集合中进行扩大;所创建的新路径从开始坐标出发并以终止坐标结束;这里顺序选择为后选择的序关系中涉及的坐标点在有序坐标点集合中出现的顺序晚于先选择的序关系中涉及的坐标点在有序坐标点集合中出现的顺序;上述步骤也需要在满足约束条件的情况下进行;
步骤Sub5:从插值路径集合或扩大后的插值路径集合中确定最优路径规划设置;当然这里的最优路径规划设置可能是一个局部最优的设置,当然可以通过扩大插值的结束来增加优化范围,但代价是需要更多的计算和存储开销;也就是说,从插值路径集合中选择优化目标参数最优的路径规划设置作为最优路径规划设置;优化目标参数包括:路径长度、机器人转向次数,路径执行时间等多项因素;优化目标参数是我们优化过程中追求的目标参数;
所述比较最优路径规划设置和当前任务的路径规划设置以得到样本校准数据,具体为:获取最优路径规划设置和当前任务的路径规划之间空间坐标序列(或姿态序列等)的差异值序列,将最优路径规划设置和对应的差异值序列关联存储作为样本校准数据;
优选的:所述空间坐标为二维坐标或三维坐标;
优选的:在步骤SA1积累了足够的样本校准数据后进入步骤SA2;
步骤SA2:基于样本校准数据构建针对任务类型的校准模型;具体为:将样本校准数据中最优路径规划设置的空间坐标序列拆分成LS-N+1个连续的N元组,并获取和每个N元组对应的差异值,将N元组和对应的差异值关联存储以构成校准模型;其中:LS是空间坐标序列的长度;
优选的:所述连续的N元组中N个元素对应空间坐标序列中的N个连续的空间坐标;
所述获取和每个N元组对应的差异值,具体为:将差异值序列中第i个差异值作为第i个N元组对应的差异值;也就是采用和差异值获取方式对应的方式来关联差异值;
可替换的:将差异值序列中第i-1个差异值作为第i个N元组对应的差异值;第1个N元组对应的差异值设置为0;
优选的:N等于2或3;
优选的:为每个N元组设置索引;
可替换的:构建神经网络模型,并将样本校准数据输入神经网络模型以训练该模型,神经网络模型的输出为校准数据、输入为可用路径规划设置方式得出的对应当前任务的路径规划设置;
所述步骤SB具体为:机器人获取任务,基于任务类型进行路径规划设置,并基于路径规划设置驱动机器人执行任务;在任务执行过程中,基于校准模型实时获取校准数据用于校准数据校准路径规划设置;
所述基于校准模型实时获取校准数据用于校准数据校准路径规划设置,具体为:获取路径规划设置中,以当前位置对应的当前空间坐标开始的连续的N个空间坐标构成N元组;基于所述N元组查询校准模型以获取最接近N元组对应的差异值,将所查询到的差异值作为校准数据;其中:在计算最接近N元组时,对N元组中不同的元组给予不同的相似度权重;其中元数越小设置越高的权重;通过层次化权重设置,降低校准效率对样本数量的依赖程度,使得校准模型能够很快的发挥作用;通过N元组,校准模型能够近似求解一个最优的路径规划设置方式,这里计算量是线性增长的,而且可以通过调整N的数量来调整模型的拟合程度;
可替换的:将路径规划设置输入校准模型中以得到对应的校准数据,并基于输出的校准数据进行校准;
优选的:所述步骤还包括:在任务完成后收集任务完成情况数据;基于累积收集的任务完成情况数据在下一次任务执行前用于校准条件的判断;其中:任务完成情况数据包括任务完成打分数据、时间数据、响应速度数据、完成效率、误差次数等;
当然本发明所涉及的基于路径分析的校准,还可以用于进行机器人的速度、姿态、角速度等操作的校准,方法采用上面类似的方法即可;
可以利用被设计用于进行在此所述的功能的通用处理器、数字信号处理器(DSP)、ASIC、场可编程门阵列信号(FPGA)或其他可编程逻辑器件(PLD)、离散门或晶体管逻辑、离散的硬件组件或者其任意组合而实现或进行所述的各个例示的逻辑块、模块和电路。通用处理器可以是微处理器,但是作为替换,该处理器可以是任何商业上可获得的处理器、控制器、微控制器或状态机。处理器还可以实现为计算设备的组合,例如DSP和微处理器的组合,多个微处理器、与DSP核协作的一个或多个微处理器或任何其他这样的配置。集合本公开描述的方法或算法的步骤可以直接嵌入在硬件中、处理器执行的软件模块中或者这两种的组合中。软件模块可以存在于任何形式的有形存储介质中。可以使用的存储介质的一些例子包括随机存取存储器(RAM)、只读存储器(ROM)、快闪存储器、EPROM存储器、EEPROM存储器、寄存器、硬碟、可移动碟、CD-ROM等。存储介质可以耦接到处理器以便该处理器可以从该存储介质读取信息以及向该存储介质写信息。在替换方式中,存储介质可以与处理器是整体的。软件模块可以是单个指令或者许多指令,并且可以分布在几个不同的代码段上、不同的程序之间以及跨过多个存储介质。
所述的功能可以按硬件、软件、固件或其任意组合而实现。如果以软件实现,功能可以作为一个或多个指令存储在切实的计算机可读介质上。计算机可读介质包括计算机可读存储介质。计算机可读存储介质可以是能被计算机访问的任何可用存储介质。作为示例而非限定,这样的计算机可读介质可包括RAM、ROM、EEPROM、CD-ROM或其他光盘存储、磁盘存储或其他磁存储设备、或能被用来承载或存储指令或数据结构形式的期望程序代码且能被计算机访问的任何其他介质。另外,所传播的信号不被包括在计算机可读存储介质的范围内。计算机可读介质还包括通信介质,其包括促成计算机程序从一地向另一地转移的任何介质。连接例如可以是通信介质。例如,如果软件使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)、或诸如红外线、无线电、以及微波之类的无线技术来从web网站、服务器、或其它远程源传输,则该同轴电缆、光纤电缆、双绞线、DSL、或诸如红外线、无线电、以及微波之类的无线技术被包括在通信介质的定义中。上述的组合应当也被包括在计算机可读介质的范围内。替换地或另选地,此处描述的功能可以至少部分由一个或多个硬件逻辑组件来执行。例如,可使用的硬件逻辑组件的说明性类型包括现场可编程门阵列(FPGA)、程序专用的集成电路(ASIC)、程序专用的标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑器件(CPLD)等。
因此,计算机程序产品可以进行在此给出的操作。例如,这样的计算机程序产品可以是具有有形存储(和/或编码)在其上的指令的计算机可读的有形介质,该指令可由一个或多个处理器执行以进行在此所述的操作。计算机程序产品可以包括包装的材料。
软件或指令也可以通过传输介质而传输。例如,可以使用诸如同轴电缆、光纤光缆、双绞线、数字订户线(DSL)或诸如红外、无线电或微波的无线技术的传输介质从网站、服务器或者其他远程源传输软件。
此外,用于进行在此所述的方法和技术的模块和/或其他适当的手段可以在适当时由用户终端和/或基站下载和/或其他方式获得。例如,这样的设备可以耦接到服务器以促进用于进行在此所述的方法的手段的传送。或者,在此所述的各种方法可以经由存储部件(例如RAM、ROM、诸如CD或软碟等的物理存储介质)提供,以便用户终端和/或基站可以在耦接到该设备或者向该设备提供存储部件时获得各种方法。此外,可以利用用于将在此所述的方法和技术提供给设备的任何其他适当的技术。
以上所述仅是本发明的较佳实施方式,故凡依本发明专利申请范围所述的构造、特征及原理所做的等效变化或修饰,均包括于本发明专利申请范围内。
Claims (10)
1.一种基于路径分析的机器人校准方法,其特征在于,所述方法包含:
步骤SA:通过实验获取样本校准数据并构建校准模型;
步骤SA1;将机器人作为仿真对象验证路径规划设置情况以获取样本校准数据;具体为:根据当前的任务类型创建一个或多个仿真任务,基于任务类型对机器人计算当前任务的路径规划设置,计算任务的最优路径规划设置,比较最优路径规划设置和当前任务的路径规划设置以得到样本校准数据;
所述基于任务类型对机器人计算当前任务的路径规划设置,具体为:当任务类型有可用的路径规划设置方式时,采用所述对应的路径规划设置方式进行路径规划设置;否则,将任务拆分成一个或多个子任务,基于每个子任务的类型选择相应的路径规划设置方式进行路径规划设置;当子任务没有对应的路径规划设置方式时,继续进行子任务的拆分,直到找到对应的路径规划设置方式为止;在规划设置完毕后,将每个子任务对应的子路径拼接后形成任务对应的路径规划设置;其中任务或者子任务对应一个行走路径以及和所述路径对应的空间坐标序列或姿态序列;按照子任务的执行顺序一次进行路径规划设置;将当前子任务对应的子路径的终止位置和/或姿态作为输入,输入到下一子任务对应的路径规划设置方式中得到对应下一子任务的子路径;
所述计算任务的最优路径规划设置,具体包括如下步骤:
步骤Sub1:加载机器人仿真模型;加载可用路径规划设置方式;
步骤Sub2:对所述机器人仿真模型运行路径规划设置方式以获取当前任务的路径规划设置;
步骤Sub3:在满足约束条件的情况下,对当前任务的路径规划设置做一阶插值得到插值路径集合;具体包括如下步骤:
步骤Sub31:获取当前任务路径规划设置对应的空间坐标序列,所述空间坐标序列包含有序坐标点集合及其序关系集合;初始化时,将开始位置的空间坐标作为当前坐标点;
步骤Sub32:获取当前坐标点POS(xi,yi,zi,)的相隔坐标点POS(xi+2,yi+2,zi+2,);在当前坐标点POS(xi,yi,zi,)和相隔坐标点POS(xi+2,yi+2,zi+2,)之间创建序关系,并将创建的序关系放入序关系集合;
步骤Sub33:将当前坐标点的下一坐标点POS(xi+1,yi+1,zi+1,)作为当前坐标点,并返回步骤Sub32,直到当前坐标点为终止坐标点为止;
步骤Sub34:从序关系集合中顺序选择序关系以创建新路径规划设置,并将所创建的新路径规划设置放入插值路径集合中;所创建的新路径从开始坐标点出发并以终止坐标点结束;
步骤Sub4:当插值路径集合的数量小于集合大小阈值时,基于一阶插值结果做随机路径搜索以得到扩大后的插值路径集合;
所述基于一阶插值结果做随机路径搜索以得到扩大后的插值路径集合,具体包括如下步骤:
步骤Sub41:在当前坐标点POS(xi,yi,zi)、相隔坐标点POS(xi+2,yi+2,zi+2)、下一坐标点POS(xi+1,yi+1,zi+1)构成的区域中选择一个中间坐标点MID(xi,yi,zi);在当前坐标点的前一坐标点POS(xi-1,yi-1,zi-1)和中间坐标点MID(xi,yi,zi)之间创建序关系,在所述中间坐标点MID(xi,yi,zi)和下一相隔坐标点POS(xi+3,yi+3,zi+3)之间创建序关系,并将创建的序关系放入序关系集合;在当前坐标点为开始节点时,在开始节点和中间坐标点MID(xi,yi,zi,)之间创建序关系,在所述中间坐标点MID(xi,yi,zi,)和下一相隔坐标点POS(xi+3,yi+3,zi+3,)之间创建序关系;
步骤Sub42:从序关系集合中顺序选择序关系以创建新路径,并将所创建的新路径放入插值路径集合中进行扩大;所创建的新路径从开始坐标出发并以终止坐标结束;
步骤Sub5:从插值路径集合或扩大后的插值路径集合中确定最优路径规划设置;
所述比较最优路径规划设置和当前任务的路径规划设置以得到样本校准数据,具体为:获取最优路径规划设置和当前任务的路径规划之间空间坐标序列或姿态序列的差异值序列,将最优路径规划设置和对应的差异值序列关联存储作为样本校准数据;
步骤SA2:基于样本校准数据构建针对任务类型的校准模型;具体为:将样本校准数据中最优路径规划设置的空间坐标序列拆分成LS-N+1个连续的N元组,并获取和每个N元组对应的差异值,将N元组和对应的差异值关联存储以构成校准模型;其中:LS是空间坐标序列的长度;
所述获取和每个N元组对应的差异值,具体为:将差异值序列中第i个差异值作为第i个N元组对应的差异值;也就是采用和差异值获取方式对应的方式来关联差异值;或
将差异值序列中第i-1个差异值作为第i个N元组对应的差异值;第1个N元组对应的差异值设置为0;
步骤SB:在任务执行过程中根据校准模型对路径规划设置进行校准,基于校准数据实时进行路径规划校准;
步骤SB具体为:机器人获取任务,基于任务类型进行路径规划设置,并基于路径规划设置驱动机器人执行任务;在任务执行过程中,基于校准模型实时获取校准数据用于校准数据校准路径规划设置;
所述基于校准模型实时获取校准数据用于校准数据校准路径规划设置,具体为:获取路径规划设置中,以当前位置对应的当前空间坐标开始的连续的N个空间坐标构成N元组;基于所述N元组查询校准模型以获取最接近N元组对应的差异值,将所查询到的差异值作为校准数据;其中:在计算最接近N元组时,对N元组中不同的元组给予不同的相似度权重。
2.根据权利要求1所述的基于路径分析的机器人校准方法,其特征在于,在执行任务前,还包括步骤SEB1:判断校准条件是否满足,如果是,则进入步骤SB;否则不进行校准而直接采用当前可用路径规划设置方式来设置。
3.根据权利要求2所述的基于路径分析的机器人校准方法,其特征在于,所述判断校准条件是否满足,具体为:首次执行一任务类型时,校准条件自动满足,直接执行后续步骤;在后续进入该步骤时,根据累积的校准数据判断校准条件是否满足。
4.根据权利要求3所述的基于路径分析的机器人校准方法,其特征在于,所述根据累积的校准数据判断校准条件是否满足,具体为:根据任务完成情况,和任务类型对应的校准模型中样本数量、任务完成失败次数、任务类型是否发生更新中的一个或多个。
5.根据权利要求4所述的基于路径分析的机器人校准方法,其特征在于,根据优化目标参数是否满足来判断校准条件是否满足。
6.根据权利要求5所述的基于路径分析的机器人校准方法,其特征在于,优化目标参数包括:路径长度、机器人转向次数,路径执行时间等多项因素。
7.一种基于权利要求1-6任一项所述的路径分析的机器人校准方法的机器人校准系统,其特征在于,包含:服务器和一个或者多个工业机器人,工业机器人上安装有控制器以及安装于工业机器人上的控制器、数据采集模块和摄像头;所述服务器包括数据分析模块,数据分析模块用于对数据采集模块采集数据进行分析,还用于基于数据分析结果进行判断;所述服务器根据判断结果形成控制指令,并向控制器发送控制指令;所述工业机器人基于所述控制指令执行任务。
8.根据权利要求7所述的基于路径分析的机器人校准系统,其特征在于,所述工业机器人为一个或多个。
9.一种基于路径分析的机器人校准装置,其特征在于,包含:
一储存单元,配置以储存一应用程序;以及
一处理单元,电性耦接于一输入单元以及该储存单元,该处理单元配置以执行权利要求1-6任一项所述的基于路径分析的机器人校准方法。
10.一种用于基于路径分析的机器人校准的存储介质,其特征在于,所述存储介质用于存储执行权利要求1-6任一项所述的基于路径分析的机器人校准方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110649349.8A CN113211449B (zh) | 2021-06-10 | 2021-06-10 | 一种基于路径分析的机器人校准方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110649349.8A CN113211449B (zh) | 2021-06-10 | 2021-06-10 | 一种基于路径分析的机器人校准方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113211449A CN113211449A (zh) | 2021-08-06 |
CN113211449B true CN113211449B (zh) | 2022-06-17 |
Family
ID=77080198
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110649349.8A Active CN113211449B (zh) | 2021-06-10 | 2021-06-10 | 一种基于路径分析的机器人校准方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113211449B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103941734A (zh) * | 2014-04-29 | 2014-07-23 | 重庆大学 | 基于模糊逻辑的机器人沿墙行为的精准控制方法 |
JP2015155860A (ja) * | 2014-02-21 | 2015-08-27 | 株式会社ゼンリン | 経路探索装置、経路探索方法、コンピュータプログラム、および、データ構造 |
CN105773609A (zh) * | 2016-03-16 | 2016-07-20 | 南京工业大学 | 一种基于视觉测量及距离误差模型的机器人运动学标定方法 |
CN106707768A (zh) * | 2017-03-13 | 2017-05-24 | 哈尔滨工业大学 | 一种基于模型校准的喷漆轨迹规划方法 |
CN107866823A (zh) * | 2017-10-24 | 2018-04-03 | 南京工程学院 | 一种基于位置矢量法的工业机器人几何参数标定方法 |
EP3444079A1 (en) * | 2017-08-17 | 2019-02-20 | Siemens Healthcare GmbH | Method for operating a hand-guided robot, corresponding data processing device and robotic system, and tracking system |
CN110815205A (zh) * | 2018-08-14 | 2020-02-21 | 杭州海康机器人技术有限公司 | 移动机器人的标定方法、系统及装置 |
CN111664851A (zh) * | 2020-06-11 | 2020-09-15 | 哈尔滨工业大学 | 基于序列优化的机器人状态规划方法、装置及存储介质 |
CN111775154A (zh) * | 2020-07-20 | 2020-10-16 | 广东拓斯达科技股份有限公司 | 一种机器人视觉系统 |
CN112025772A (zh) * | 2020-07-28 | 2020-12-04 | 沈阳建筑大学 | 一种基于视觉测量的机械臂自主标定方法 |
CN112621750A (zh) * | 2020-12-07 | 2021-04-09 | 合肥阿格德信息科技有限公司 | 一种工业机器人自动控制系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9182760B2 (en) * | 2012-12-12 | 2015-11-10 | Caterpillar Inc. | Method of managing a worksite |
CN104732518B (zh) * | 2015-01-19 | 2017-09-01 | 北京工业大学 | 一种基于智能机器人地面特征的ptam改进方法 |
CN112659123B (zh) * | 2020-12-14 | 2022-08-16 | 南京工程学院 | 一种基于线结构光视觉的双机器人曲线焊接协同规划方法 |
-
2021
- 2021-06-10 CN CN202110649349.8A patent/CN113211449B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015155860A (ja) * | 2014-02-21 | 2015-08-27 | 株式会社ゼンリン | 経路探索装置、経路探索方法、コンピュータプログラム、および、データ構造 |
CN103941734A (zh) * | 2014-04-29 | 2014-07-23 | 重庆大学 | 基于模糊逻辑的机器人沿墙行为的精准控制方法 |
CN105773609A (zh) * | 2016-03-16 | 2016-07-20 | 南京工业大学 | 一种基于视觉测量及距离误差模型的机器人运动学标定方法 |
CN106707768A (zh) * | 2017-03-13 | 2017-05-24 | 哈尔滨工业大学 | 一种基于模型校准的喷漆轨迹规划方法 |
EP3444079A1 (en) * | 2017-08-17 | 2019-02-20 | Siemens Healthcare GmbH | Method for operating a hand-guided robot, corresponding data processing device and robotic system, and tracking system |
CN107866823A (zh) * | 2017-10-24 | 2018-04-03 | 南京工程学院 | 一种基于位置矢量法的工业机器人几何参数标定方法 |
CN110815205A (zh) * | 2018-08-14 | 2020-02-21 | 杭州海康机器人技术有限公司 | 移动机器人的标定方法、系统及装置 |
CN111664851A (zh) * | 2020-06-11 | 2020-09-15 | 哈尔滨工业大学 | 基于序列优化的机器人状态规划方法、装置及存储介质 |
CN111775154A (zh) * | 2020-07-20 | 2020-10-16 | 广东拓斯达科技股份有限公司 | 一种机器人视觉系统 |
CN112025772A (zh) * | 2020-07-28 | 2020-12-04 | 沈阳建筑大学 | 一种基于视觉测量的机械臂自主标定方法 |
CN112621750A (zh) * | 2020-12-07 | 2021-04-09 | 合肥阿格德信息科技有限公司 | 一种工业机器人自动控制系统 |
Non-Patent Citations (1)
Title |
---|
基于稳定性和宏观交通流模型的车辆路径规划;李麟等;《中国公路学报》;20200831;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113211449A (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111536964B (zh) | 机器人定位方法及装置、存储介质 | |
JP4223894B2 (ja) | Pidパラメータ調整装置 | |
KR102229859B1 (ko) | 기계 학습 및 전이 학습을 이용한 공정 관리 방법, 장치 및 시스템 | |
CN112596515B (zh) | 一种多物流机器人移动控制方法及装置 | |
WO2019141223A1 (zh) | 移动机器人的路径规划方法及系统 | |
CN111015656A (zh) | 一种机器人主动避障的控制方法、装置及存储介质 | |
He et al. | Cloud based real-time multi-robot collision avoidance for swarm robotics | |
EP3884345A1 (en) | Method and system for predicting motion-outcome data of a robot moving between a given pair of robotic locations | |
KR20240052808A (ko) | 그래프 신경망을 이용한 다중 로봇 조정 | |
CN113211449B (zh) | 一种基于路径分析的机器人校准方法及其系统 | |
JP2006252394A (ja) | 情報処理システム、情報処理装置および方法、並びにプログラム | |
JP2009125920A (ja) | ロボットの作業動作最適化装置 | |
JP6502976B2 (ja) | 数値制御装置 | |
WO2020054345A1 (ja) | 電子制御装置、ニューラルネットワーク更新システム | |
CN101996516A (zh) | 基于矢量法的路径规划预处理方法 | |
CN113221278A (zh) | 一种车载光电平台照准架轻量化方法 | |
CN110962120B (zh) | 网络模型的训练方法及装置、机械臂运动控制方法及装置 | |
CN116907510A (zh) | 一种基于物联网技术的智能化运动识别方法 | |
CN116690988A (zh) | 一种大型建筑模型3d打印系统和方法 | |
CN116214526A (zh) | 一种机器人运动轨迹的补偿控制方法及系统 | |
Mitschke et al. | Online coverage path planning for a mobile robot considering energy consumption | |
Li et al. | Research on the agricultural machinery path tracking method based on deep reinforcement learning | |
CN114254735A (zh) | 一种基于分布式的僵尸网络模型构建方法和装置 | |
CN115081612A (zh) | 用以改进机器人策略学习的设备和方法 | |
Chen et al. | Deep reinforcement learning-based robot exploration for constructing map of unknown environment |
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 |