CN113305881B - 机器人运动规划阶段的奇异区域检测方法 - Google Patents
机器人运动规划阶段的奇异区域检测方法 Download PDFInfo
- Publication number
- CN113305881B CN113305881B CN202110530116.6A CN202110530116A CN113305881B CN 113305881 B CN113305881 B CN 113305881B CN 202110530116 A CN202110530116 A CN 202110530116A CN 113305881 B CN113305881 B CN 113305881B
- Authority
- CN
- China
- Prior art keywords
- sampling
- axis
- joint axis
- robot
- singular
- 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
- B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
- B25J19/0095—Means or methods for testing manipulators
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Numerical Control (AREA)
Abstract
本申请公开了一种机器人运动规划阶段的奇异区域检测方法,该检测方法包括:获取待检测轨迹;按照预设第一采样步长对待检测轨迹进行采样,得到多个第一采样点;分别获取多个第一采样点一一对应的机器人的多个末端位姿,分别根据末端位姿计算机器人的预设关节轴的轴位置的两个值;判断多个第一采样点中是否存在至少一个第一采样点对应的特征值小于差值阈值,其中,特征值为预设关节轴的轴位置的两个值的差值的绝对值;若存在,则判定待检测轨迹经过预设关节轴对应的奇异区域;若不存在,则判定待检测轨迹不经过预设关节轴对应的奇异区域。本申请所提供的检测方法能够判断机器人的运动轨迹是否经过奇异区域。
Description
技术领域
本申请涉及机器人技术领域,特别是涉及一种机器人运动规划阶段的奇异区域检测方法。
背景技术
机器人的使用在现代非常广泛,机器人在企业的生产中更是必不可少的关键设备,因此对机器人的各项功能要求也越来越高,其中,机器人运动过程中的控制处理一直是机器人领域研究的热点。
奇异区域是多关节串联机器人无法避免的某些特定区域,通过控制处理给定一条轨迹路线,通常可以规避该奇异区域,因此对于奇异区域的确定至关重要。
本申请人在长期的实践工作中,经大量研究发现,在机器人运动的过程中,当奇异区域不确定时,针对机器人的任意一运动轨迹,导致难以预测是否通过奇异区域,进而使得为控制机器人做关于奇异区域的规划较难。
发明内容
本申请主要解决的技术问题是提供一种机器人运动规划阶段的奇异区域检测方法,能够判断机器人的运动轨迹是否经过奇异区域。
为解决上述技术问题,本申请采用的一个技术方案是:提供一种机器人运动规划阶段的奇异区域检测方法,所述方法包括:获取待检测轨迹;按照预设第一采样步长对所述待检测轨迹进行采样,得到多个第一采样点;分别获取所述多个第一采样点一一对应的所述机器人的多个末端位姿,分别根据所述末端位姿计算所述机器人的预设关节轴的轴位置的两个值;判断所述多个第一采样点中是否存在至少一个所述第一采样点对应的特征值小于差值阈值,其中,所述特征值为所述预设关节轴的轴位置的两个值的差值的绝对值;若存在,则判定所述待检测轨迹经过所述预设关节轴对应的奇异区域;若不存在,则判定所述待检测轨迹不经过所述预设关节轴对应的所述奇异区域。
为解决上述技术问题,本申请采用的另一个技术方案是:提供一种机器人,包括处理器以及存储器,所述处理器耦接所述存储器,所述存储器中存储有程序数据,所述处理器通过执行所述存储器内的所述程序数据以实现上述方法中的步骤。
为解决上述技术问题,本申请采用的另一个技术方案是:提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序能够被处理器执行以实现上述方法中的步骤。
本申请的有益效果是:本申请的检测方法包括:获取待检测轨迹;按照预设第一采样步长对待检测轨迹进行采样,得到多个第一采样点;分别获取多个第一采样点一一对应的机器人的多个末端位姿,分别根据末端位姿计算机器人的预设关节轴的轴位置的两个值;判断多个第一采样点中是否存在至少一个第一采样点对应的特征值小于差值阈值,其中,特征值为预设关节轴的轴位置的两个值的差值的绝对值;若存在,则判定待检测轨迹经过预设关节轴对应的奇异区域;若不存在,则判定待检测轨迹不经过预设关节轴对应的奇异区域。本申请的方法能够快速、准确地判断机器人的运动轨迹是否经过奇异区域。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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。其中:
图1是本申请机器人运动规划阶段的奇异区域检测方法一实施方式的流程示意图;
图2中一应用场景中步骤S110之前的流程示意图;
图3是本申请机器人一实施方式的结构示意图;
图4是本申请计算机可读存储介质一实施方式的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性的劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在介绍本申请的方案之前,首先基于六轴机器人对奇异点、奇异区域的基础知识进行介绍:
其中,六轴机器人包括基座以及依次连接的第一关节轴、第二关节轴、第三关节轴、第四关节轴、第五关节轴以及第六关节轴,其中第一关节轴与基座连接,其中为了便于介绍,将第一关节轴、第二关节轴、第三关节轴、第四关节轴、第五关节轴、第六关节轴分别定义为1轴、2轴、3轴、4轴、5轴、6轴,或者分别定义为轴1、轴2、轴3、轴4、轴5、轴6,也就是说,第一关节轴、1轴以及轴1均为同一个关节轴。
首先需要了解的是,当一个机器人的结构确定时,其奇异点的数量、位置、奇异点所对应的关节轴是确定的,且奇异点与关节轴一一对应,例如,当一个六轴机器人的DH参数如下表1时,就确定了其具有三个奇异点,且这三个奇异点分别对应1轴、2轴以及5轴,具体可参见下文。
表1六轴机器人的DH参数表
其中,ai表示沿xi方向,从zi到zi+1平移的距离,αi表示绕xi方向,从zi到zi+1转动的角度,di表示沿zi方向,从xi-1到xi平移的距离,θi表示绕zi方向,从xi-1到xi转过的角度。其中,i可取1、2、3、4、5或者6。
其中,xi、yi、zi分别表示基于关节轴i建立的轴i坐标系x、y、z方向,其中关于轴i坐标系的建立过程属于现有技术,在此不做详述。
其中,a1、a2、a3、d1、d3、d4、d5可根据具体情况设置。
在正解过程中,轴i坐标系相对于轴i-1坐标系的变换矩阵为:
上式中,τ=cos(α),σ=sin(α),i-1Ti表示轴i坐标系相对于轴i-1坐标系的变换矩阵,Rot(x,αi-1)表示旋转变换矩阵,Trans(x,ai-1)表示平移变换矩阵,分别表示绕参考坐标系(此处是i-1轴坐标系)的x轴旋转相应角度和平移相应距离。
上式中,nx/ny/nz、ox/oy/oz、ax/ay/az、px/py/pz等参数表示旋转矩阵T(一个4*4矩阵)对应位置元素,例如nx表示T矩阵第一行第一列的元素值。
而机器人的逆解的过程就是已知机器人的末端位姿(机器人末端法兰的位姿)求取各个关节轴的轴位置,也即各个关节轴的关节角度,基于上述表1的机器人,其逆解流程如下:
[1]由于4、5、6轴交于5轴轴心,所以4、5、6轴旋转不影响5轴轴心位置,即用5轴轴心向量消掉4、5、6轴的齐次矩阵,也即T矩阵,得到0T6·V1=0T1 1T2 2T3·V2。V1、V2为5轴轴心在法兰坐标系、3轴坐标系下的坐标,V1和V2是两个三维列向量;
[2]根据方程组0T1 -1·0T6·V1=1T2 2T3·V2求解轴1;
[3]根据轴1的角度,及方程组1T2 -1·0T1 -1·0T6·V1=2T3·V2,求解轴2;
[4]根据轴1、2的角度,及方程组1T2 -1·0T1 -1·0T6·V1=2T3·V2,求解轴3。
[5]根据轴1、2、3的角度,及方程组(0T1 1T2 2T3)-1·0T6=3T4 4T5 5T6,求解轴5。
[6]根据轴1、2、3、5的角度,及方程(0T1 1T2 2T3)-1·0T6=3T4 4T5 5T6,求解轴4和6。
然后,基于上述逆解流程,具体的逆解算法如下:
1)求解轴1
已知5轴轴心在法兰坐标系、3轴坐标系下的坐标分别为V1、V2:
基于式(1)以及式(2),则有:
0T6·V1=0T1 1T2 2T3 3T4 4T5 5T6·V1=0T1 1T2 2T3·V2 (3)
通过式(3),求解θ1,上式等号两边同时乘0T1 -1,有:
0T1 -1·0T6·V1=1T2 2T3·V2 (4)
其中,C23=cos(theta2)*cos(theta3);S23=sin(theta 2)*sin(theta 3);S2=sin(theta 2),则有:
令V3=0T1 -1·0T6·V1,而S1=sin(theta1),则有:
则由V3=1T2 2T3·V2可得到:
y1=(py-ay·d6)·c1-(px-ax·d6)·s1=d3 (7)
根据上式求轴1的轴角度θ1,令中间变量fi1角的定义公式有:
conf.cf1是用来选解的参数,是逆解问题的已知。此处用conf.cf1是该参数一个自定义的表示方法。因此可以得到轴1的选解(即此时轴1具有两个轴位置):
2)求解轴2
已知1T2 -1·0T1 -1·0T6·V1=2T3·V2,有:
1T2 -1·V3=2T3·V2 (12)
其中s3=Sin(theta3),c3=Cos(theta3),则有:
令,
则得到方程组:
则由(x2-a3)2+y22得:
令,temp1和temp2的定义如下:
因此可以得到轴2的选解(即轴2具有两个轴位置):
3)求解轴3
根据求解轴2中的临时变量temp0和temp1求得x2和y2:
并由方程组:
解得:
因此可以由θ3=arctan2(sin(θ3),cos(θ3))唯一确定θ3。
4)求解轴4、5、6
又有因为(0T1 1T2 2T3)-1·0T6=3T4 4T5 5T6,所以得到方程组:
求解轴5,解得cos(θ5)=-a1y。
因此可以得到轴5的选解(此时轴5具有两个轴位置):
conf.cf6=0,θ5=arccos(-a1y); (26)
conf.cf6=1,θ5=-arccos(-a1y) (27)
求解轴4,得sin(θ4)=a1z/sin(θ5),cos(θ4)=a1x/sin(θ5),由θ4=arctan2(sin(θ4),cos(θ4))唯一确定θ4。
求解轴6,得sin(θ6)=-o1y/sin(θ5),cos(θ6)=n1y/sin(θ5),由θ6=arctan2(sin(θ6),cos(θ6))唯一确定θ6。
从上述内容可以看出,在已知机器人的末端位姿而求取各个关节轴的轴位置时,1轴、2轴以及5轴对应的轴位置均有两个值,3轴、4轴以及6轴的轴位置为一个值。
而1轴、2轴以及5轴对应的轴位置均有两个值,说明1轴、2轴以及5轴均对应存在奇异点,具体地,当1轴对应的轴位置的两个值相等时,说明当前末端位姿所在的轨迹经过1轴对应的奇异点,同样地,当2轴对应的轴位置的两个值相等时,说明当前末端位姿所在的轨迹经过2轴对应的奇异点,以及当5轴对应的轴位置的两个值相等时,说明当前末端位姿所在的轨迹经过5轴对应的奇异点。
其中需要说明的是,上述正解过程和逆解过程均属于现有技术。
基于上述基础知识,本申请公开了一种机器人运动规划阶段的奇异区域检测方法,参阅图1,在一实施方式中,该检测方法包括:
S110:获取待检测轨迹。
具体地,待检测轨迹为需要检测的任意一条轨迹。
S120:按照预设第一采样步长对待检测轨迹进行采样,得到多个第一采样点。
具体地,第一采样步长预先确定好,然后按照第一采样步长对待检测轨迹进行采样,能够得到多个第一采样点,其中任意相邻两个第一采样点之间的距离等于第一采样步长。
S130:分别获取多个第一采样点一一对应的机器人的多个末端位姿,分别根据末端位姿计算机器人的预设关节轴的轴位置的两个值。
具体地,预设关节轴为存在对应奇异点的关节轴,当通过运行学逆解计算预设关节轴的轴位置时,该预设关节轴的轴位置存在两个值。
例如对于DH参数为表1的机器人而言,其预设关节轴可以是1轴、2轴或者5轴。
从上述介绍可知,当机器人的结构确定时,且奇异点的位置、数量、预设关节轴都是确定的。
可以理解的是,经过步骤S130后,对应每一个第一采样点,会存在两个值。
其中,与第一采样点对应的末端位姿指的是以第一采样点的位姿信息作为末端位姿。
S140:判断多个第一采样点中是否存在至少一个第一采样点对应的特征值小于差值阈值,其中,特征值为预设关节轴的轴位置的两个值的差值的绝对值。
若判定存在,则进入步骤S150,否则进入步骤S160。
具体地,由前述分析内容可以知道,当第一采样点对应的轴位置的两个值相等时,表明待检测轨迹经过预设关节轴对应的奇异点,而本申请设置一差值阈值,当第一采样点对应的轴位置的两个值的差值的绝对值小于差值阈值时,表明待检测轨迹经过预设关节轴对应的奇异区域。
从上述内容可以看出,差值阈值决定着奇异点对应的奇异区域的大小,差值阈值越大,奇异区域越大,因此差值阈值可根据实际需求设置。
在一应用场景中,按照如下公式计算第一采样点对应的特征值:
M=|β1-β2+2Kπ|,
其中,M为第一采样点对应的特征值,β1、β2为预设关节轴的轴位置的两个值。
具体地,考虑到当轴位置的两个值相差180度的整数倍时,其实表示的是同一个位置,因此上述公式中设置2Kπ以避免两个相差180度的整数倍的值的差值的绝对值大于或等于差值阈值的情况发生。其中,K的取值视实际情况确定,例如,K取-2、-1、0、1或者2等。
例如,对于DH参数为表1的机器人而言,当需要判断待检测轨迹是否经过1轴的奇异区域时,利用按照如下公式分别判断多个第一采样点对应的特征值是否小于差值阈值:
|π-arcsin(temp0))-arcsin(temp0)+2kπ|<ε,其中,ε为差值阈值。
S150:判定待检测轨迹经过预设关节轴对应的奇异区域。
S160:判定待检测轨迹不经过预设关节轴对应的奇异区域。
具体地,当多个第一采样点中没有一个第一采样点对应的特征值小于差值阈值,则判定待检测轨迹不经过预设关节轴对应的奇异区域,而只要多个第一采样点中存在一个第一采样点对应的特征值小于差值阈值,则说明待检测轨迹经过预设关节轴对应的奇异区域。
其中,当机器人具有至少两个奇异点,即预设关节轴为至少两个时,当判定待检测轨迹是否经过各个预设关节轴对应的奇异区域时,步骤S140中的差值阈值可以是同一个值,也可以是不同的值。
此处依旧以DH参数为表1所示的机器人进行说明,当需要分别判定待检测轨迹是否经过1轴、2轴以及5轴所对应的奇异区域时,每次执行步骤S140时所取的差值阈值均相等,或者每次执行步骤S140时所取得差值阈值与预设关节轴一一对应,即当判定待检测轨迹是否经过1轴所对应的奇异区域,步骤S140中的差值阈值与1轴对应,当判定待检测轨迹是否经过2轴所对应的奇异区域,步骤S140中的差值阈值与2轴对应,当判定待检测轨迹是否经过5轴所对应的奇异区域,步骤S140中的差值阈值与5轴对应。
参阅图2,图2是一应用场景中步骤S110之前的步骤流程示意图,在该应用场景中,步骤S110之前还包括:
S201:获取经过预设关节轴对应的奇异点的已知轨迹。
具体地,步骤S201中的预设关节轴与步骤S110中的预设关节轴为同一个关节轴。
而由于一个机器人的结构确定时,其奇异点的数量、位置是确定的,因此可获取经过奇异点的已知轨迹。可以理解的是,步骤S201中的已知轨迹经过预设关节轴对应的奇异点,则必然经过该奇异点对应的奇异区域中。
依旧以DH参数为表1所示的机器人进行说明:
当预设关节轴为1轴时,步骤S201具体包括:将经过点(0,0,Z1)的轨迹确定为已知轨迹,其中,Z1为任意值,也就是说,任意一条经过点(0,0,Z1)的轨迹都经过1轴对应的奇异点,此时将该轨迹确定为经过1轴对应的奇异点的已知轨迹。
当预设关节轴为2轴时,步骤S201具体包括:将起点为机器人的工作空间内的任意一点,终点为工作空间的边界上的一点的轨迹确定为已知轨迹。其中,机器人的工作空间为机器人的基座保持不动时,其末端能够到达的空间,其也由机器人的结构决定。
当预设关节轴为5轴时,步骤S201具体包括:在机器人的第一关节轴、第二关节轴、第三关节轴、第四关节轴、第五关节轴以及第六关节轴的轴位置分别为0°、0°、90°、0°、10°、0°时,将起点坐标为(x1,y1,Z2,a1,b1,c1),终点坐标为(x1,y1,Z3,a1,b1,c1)的轨迹确定为已知轨迹,其中,Z2、Z3均为正数,且Z3小于Z2,同时x1,y1,a1,b1,c1为任意数。也就是说,在确定机器人的各个关节轴的轴位置的前提下,将起点坐标为(x1,y1,Z2,a1,b1,c1),终点位于起点正下方的一点的轨迹确定为已知轨迹。
其中,上述涉及的几个坐标都是基于机器人的基坐标系,其中基坐标系的原点位于机器人的基座上。
S202:按照第二采样步长对已知轨迹进行采样,得到多个第二采样点。
具体地,该步骤与上述步骤S120类似,具体可参见上述。
S203:分别获取多个第二采样点一一对应的机器人的多个末端位姿,分别根据末端位姿分别计算机器人的预设关节轴的轴位置的两个值。
具体地,该步骤与上述步骤S130类似,具体可参见上述。
S204:判断多个第二采样点中是否存在至少一个第二采样点对应的特征值小于差值阈值,其中,特征值为预设关节轴的轴位置的两个值的差值的绝对值。
具体地,若判定存在,则进入步骤S205,否则进入步骤S206。
具体地,步骤S204中的差值阈值与上述步骤S140的差值阈值相等。
其中,步骤S204与上述步骤S140类似,具体可参见上述。
S205:将第二采样步长确定为第一采样步长。
S206:减小第二采样步长。
在执行完步骤S206之后,返回执行步骤S202。
具体地,已知轨迹经过预设关节轴对应的奇异点,则必然经过该奇异点对应的奇异区域中,但是若步骤S204的判断结果为不存在,则说明第二采样步长过大导致多个第二采样点中没有一个第二采样点落在奇异点对应的奇异区域中,则后续减小采样步长,然后继续采样,直至找到合适的第二采样步长,使得多个第二采样点中存在至少一个第二采样点落在奇异区域中。
而当找到合适的第二采样步长后,后续当要对任意一条待检测轨迹检测是否经过预设关节轴对应的奇异区域时,则以该合适的第二采样步长进行采样,以将合适的第二采样步长确定为第一采样步长,而后执行步骤S110至步骤S160。
其中,步骤S206具体可以包括:将第二采样步长缩小一半,也就是说,更新后的第二采样步长为更新前的第二采样步长的二分之一。
当然,步骤S206的减小第二采样步长还可以是将第二采样步长减小一固定值,或者是使更新后的第二采样步长为更新前的第二采样步长的三分之二、四分之三等。总而言之,关于如何减小第二采样步长,本申请不做限制。
其中,当第一次执行步骤S202时,第二采样步长可由设计人员根据经验设置,例如第二采样步长为已知轨迹的十分之一、八分之一等。
为了更好地理解,依旧以DH参数为表1所示的机器人为例对上述应用场景进行介绍:
当需要判断待检测轨迹是否经过1轴对应的奇异区域时,首先执行步骤S201至步骤S206,从而得到一个合适的第二采样步长,而后将第二采样步长确定为第一采样步长,接着执行步骤S110至步骤S160,最后能够判定出待检测轨迹是否经过1轴的奇异区域。其中在该过程中,步骤S204和步骤S140中的差值阈值为同一个值。
在另一应用场景中,当一个机器人具有至少两个奇异点时,针对每个奇异点若分别执行步骤S201至步骤S206,则针对每个奇异点都会找到一个合适的第二采样步长。其中,对应同一个预设关节轴,步骤S204中的差值阈值与步骤S140中的差值阈值相同,从而当假设针对各个奇异点执行步骤S140中的差值阈值不同时,针对各个奇异点执行步骤S204中的差值阈值也对应不同。
此时检测方法还包括:根据至少两个奇异点各自对应的第二采样步长确定第一采样步长。具体地,此时可以按照预设的策略根据各个奇异点各自对应的第二采样步长确定第一采样步长。此后当确定好第一采样步长后,当需要检测待检测轨迹是否经过任意一个预设关节轴的奇异区域时,步骤S120中都可以采用该同一个第一采样步长对待检测轨迹进行采样。
其中可以将机器人的各个奇异点所对应的第二采样步长中的最小值确定为第一采样步长。
需要说明的是,在其他应用场景中,在求出各个奇异点对应的第二采样步长后,在针对每个奇异点执行步骤S110至步骤S160时,第一采样步长也可以取与该奇异点对应的第二采样步长。
为了更好地理解,依旧以DH参数为表1所示的机器人为例对上述应用场景进行介绍:
针对1轴,执行步骤S201至步骤S206,然后得到1轴对应的第二采样步长。
针对2轴,执行步骤S201至步骤S206,然后得到2轴对应的第二采样步长。
针对5轴,执行步骤S201至步骤S206,然后得到5轴对应的第二采样步长。
然后在上述三个第二采样步长中找出最小值,将该最小值确定为第一采样步长。
然后对于任意一条待检测轨迹,当需要检测其是否经过1轴、2轴以及5轴对应的奇异区域时,重复执行三次执行步骤S110至步骤S160,最终确定该待检测轨迹是否经过1轴、2轴或者5轴对应的奇异区域。
参阅图3,图3是本申请机器人一实施方式的结构示意图,该机器人200包括处理器210、存储器220以及通信电路230,处理器210分别耦接存储器220以及通信电路230,处理器210在工作时控制自身以及存储器220、通信电路230以实现上述任一项方法中的步骤,其中详细的步骤可参见上述实施方式,在此不再赘述。
参阅图4,图4是本申请计算机可读存储介质一实施方式的结构示意图。该计算机可读存储介质300存储有计算机程序310,计算机程序310能够被处理器执行以实现上述任一项方法中的步骤。
其中,计算机可读存储介质300具体可以为U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等可以存储计算机程序310的装置,或者也可以为存储有该计算机程序310的服务器,该服务器可将存储的计算机程序310发送给其他设备运动,或者也可以自运动该存储的计算机程序310。
以上仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种机器人运动规划阶段的奇异区域检测方法,其特征在于,所述方法包括:
获取待检测轨迹;
按照预设第一采样步长对所述待检测轨迹进行采样,得到多个第一采样点;
分别获取所述多个第一采样点一一对应的所述机器人的多个末端位姿,分别根据所述末端位姿计算所述机器人的预设关节轴的轴位置的两个值;
判断所述多个第一采样点中是否存在至少一个所述第一采样点对应的特征值小于差值阈值,其中,所述特征值为所述预设关节轴的轴位置的两个值的差值的绝对值;
若存在,则判定所述待检测轨迹经过所述预设关节轴对应的奇异区域;
若不存在,则判定所述待检测轨迹不经过所述预设关节轴对应的所述奇异区域。
2.根据权利要求1所述的方法,其特征在于,按照如下公式计算所述第一采样点对应的特征值:
M=|β1-β2+2Kπ|,
其中,M为所述第一采样点对应的特征值,β1、β2为所述预设关节轴的轴位置的两个值。
3.根据权利要求1所述的方法,其特征在于,在所述获取待检测轨迹之前,还包括:
获取经过所述预设关节轴对应的奇异点的已知轨迹;
按照第二采样步长对所述已知轨迹进行采样,得到多个第二采样点;
分别获取所述多个第二采样点一一对应的所述机器人的多个末端位姿,分别根据所述末端位姿分别计算所述机器人的预设关节轴的轴位置的两个值;
判断所述多个第二采样点中是否存在至少一个所述第二采样点对应的特征值小于所述差值阈值,其中,所述特征值为所述预设关节轴的轴位置的两个值的差值的绝对值;
若存在,则将所述第二采样步长确定为所述第一采样步长;
若不存在,则减小所述第二采样步长,并返回执行所述按照第二采样步长对所述已知轨迹进行采样的步骤,直至所述多个第二采样点中存在至少一个所述第二采样点对应的特征值小于所述差值阈值。
4.根据权利要求1所述的方法,其特征在于,所述机器人具有至少两个奇异点;
在所述获取待检测轨迹之前,包括:
分别求取所述至少两个奇异点各自对应的第二采样步长,其中,当使用所述第二采样步长对经过对应的所述奇异点的已知轨迹进行采样时,采样得到的多个第二采样点中存在至少一个第二采样点使得当根据所述第二采样点对应的末端位姿计算所述奇异点对应的关节轴的轴位置的两个值时,所述两个值的差值的绝对值小于所述差值阈值;
根据所述至少两个奇异点各自对应的所述第二采样步长确定所述第一采样步长。
5.根据权利要求4所述的方法,其特征在于,所述根据所述至少两个奇异点各自对应的所述第二采样步长确定所述第一采样步长的步骤,包括:
将所述机器人的各个奇异点所对应的所述第二采样步长中的最小值确定为所述第一采样步长。
6.根据权利要求3所述的方法,其特征在于,所述机器人包括基座以及依次连接的第一关节轴、第二关节轴、第三关节轴、第四关节轴、第五关节轴以及第六关节轴所述第一关节轴与所述基座连接;
所述预设关节轴为所述第一关节轴;
所述获取经过所述预设关节轴对应的奇异点的已知轨迹的步骤,包括:
将经过点(0,0,Z1)的轨迹确定为所述已知轨迹,其中,Z1为任意值。
7.根据权利要求3所述的方法,其特征在于,所述机器人包括基座以及依次连接的第一关节轴、第二关节轴、第三关节轴、第四关节轴、第五关节轴以及第六关节轴所述第一关节轴与所述基座连接;
所述预设关节轴为所述第二关节轴;
所述获取经过所述预设关节轴对应的奇异点的已知轨迹的步骤,包括:
将起点为所述机器人的工作空间内的任意一点,终点为所述工作空间的边界上的一点的轨迹确定为所述已知轨迹。
8.根据权利要求3所述的方法,其特征在于,所述机器人包括基座以及依次连接的第一关节轴、第二关节轴、第三关节轴、第四关节轴、第五关节轴以及第六关节轴,所述第一关节轴与所述基座连接;
所述预设关节轴为所述第五关节轴;
所述获取经过所述预设关节轴对应的奇异点的已知轨迹的步骤,包括:
在所述机器人的所述第一关节轴、所述第二关节轴、所述第三关节轴、所述第四关节轴、所述第五关节轴以及所述第六关节轴的轴位置分别为0°、0°、90°、0°、10°、0°时,将起点坐标为(x1,y1,Z2,a1,b1,c1),终点坐标为(x1,y1,Z3,a1,b1,c1)的轨迹确定为所述已知轨迹,其中,Z2、Z3均为正数,且Z3小于Z2,同时x1,y1,a1,b1,c1为任意数。
9.一种机器人,其特征在于,包括处理器以及存储器,所述处理器耦接所述存储器,所述存储器中存储有程序数据,所述处理器通过执行所述存储器内的所述程序数据以实现如权利要求1-8任一项所述方法中的步骤。
10.一种计算机可读存储介质,其特征在于,存储有计算机程序,所述计算机程序能够被处理器执行以实现如权利要求1-8任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110530116.6A CN113305881B (zh) | 2021-05-14 | 2021-05-14 | 机器人运动规划阶段的奇异区域检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110530116.6A CN113305881B (zh) | 2021-05-14 | 2021-05-14 | 机器人运动规划阶段的奇异区域检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113305881A CN113305881A (zh) | 2021-08-27 |
CN113305881B true CN113305881B (zh) | 2022-07-12 |
Family
ID=77373235
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110530116.6A Active CN113305881B (zh) | 2021-05-14 | 2021-05-14 | 机器人运动规划阶段的奇异区域检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113305881B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009134352A (ja) * | 2007-11-28 | 2009-06-18 | Toyota Motor Corp | ロボットの動作経路作成装置及びロボットの動作経路作成方法 |
CN103909522A (zh) * | 2014-03-19 | 2014-07-09 | 华南理工大学 | 一种六自由度工业机器人通过奇异域的方法 |
CN105082134A (zh) * | 2015-08-06 | 2015-11-25 | 珞石(北京)科技有限公司 | 一种基于多判据的六自由度串联机器人奇异性处理方法 |
CN105415363A (zh) * | 2015-12-23 | 2016-03-23 | 珠海格力电器股份有限公司 | 位移装置、机器人及机器人奇异点处理方法 |
CN110465949A (zh) * | 2019-09-09 | 2019-11-19 | 北京配天技术有限公司 | 焊接机器人及其摆动轨迹的规划方法 |
CN112405525A (zh) * | 2020-10-21 | 2021-02-26 | 深圳市汇川技术股份有限公司 | 奇异位置规避方法、系统、设备及计算机可读存储介质 |
CN112757306A (zh) * | 2021-01-25 | 2021-05-07 | 北京交通大学 | 一种机械臂逆解多解选择和时间最优轨迹规划算法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015085427A (ja) * | 2013-10-30 | 2015-05-07 | 株式会社デンソーウェーブ | 6軸ロボットの各軸角度決定方法及び6軸ロボットの制御装置 |
-
2021
- 2021-05-14 CN CN202110530116.6A patent/CN113305881B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009134352A (ja) * | 2007-11-28 | 2009-06-18 | Toyota Motor Corp | ロボットの動作経路作成装置及びロボットの動作経路作成方法 |
CN103909522A (zh) * | 2014-03-19 | 2014-07-09 | 华南理工大学 | 一种六自由度工业机器人通过奇异域的方法 |
CN105082134A (zh) * | 2015-08-06 | 2015-11-25 | 珞石(北京)科技有限公司 | 一种基于多判据的六自由度串联机器人奇异性处理方法 |
CN105415363A (zh) * | 2015-12-23 | 2016-03-23 | 珠海格力电器股份有限公司 | 位移装置、机器人及机器人奇异点处理方法 |
CN110465949A (zh) * | 2019-09-09 | 2019-11-19 | 北京配天技术有限公司 | 焊接机器人及其摆动轨迹的规划方法 |
CN112405525A (zh) * | 2020-10-21 | 2021-02-26 | 深圳市汇川技术股份有限公司 | 奇异位置规避方法、系统、设备及计算机可读存储介质 |
CN112757306A (zh) * | 2021-01-25 | 2021-05-07 | 北京交通大学 | 一种机械臂逆解多解选择和时间最优轨迹规划算法 |
Also Published As
Publication number | Publication date |
---|---|
CN113305881A (zh) | 2021-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qi et al. | Contour moments based manipulation of composite rigid-deformable objects with finite time model estimation and shape/position control | |
CN111546347B (zh) | 一种适用于动态环境下的机械臂路径规划方法 | |
CN111360827A (zh) | 一种视觉伺服切换控制方法及系统 | |
Zhang et al. | A novel coordinated motion planner based on capability map for autonomous mobile manipulator | |
Kumar et al. | Visual motor control of a 7DOF redundant manipulator using redundancy preserving learning network | |
CN113211447B (zh) | 一种基于双向rrt*算法的机械臂实时感知规划方法及系统 | |
CN111152227A (zh) | 一种基于引导式dqn控制的机械臂控制方法 | |
CN110561420A (zh) | 臂型面约束柔性机器人轨迹规划方法及装置 | |
Fallah et al. | Depth-based visual predictive control of tendon-driven continuum robots | |
Zhang et al. | Safe and efficient robot manipulation: Task-oriented environment modeling and object pose estimation | |
CN109366486B (zh) | 柔性机器人逆运动学求解方法、系统、设备、存储介质 | |
Lv et al. | Sam-rl: Sensing-aware model-based reinforcement learning via differentiable physics-based simulation and rendering | |
CN113305881B (zh) | 机器人运动规划阶段的奇异区域检测方法 | |
Tam et al. | An improved genetic algorithm based robot path planning method without collision in confined workspace | |
CN116872212A (zh) | 一种基于A-Star算法和改进人工势场法的双机械臂避障规划方法 | |
Chang | Binocular vision-based 3-D trajectory following for autonomous robotic manipulation | |
CN111482968A (zh) | 一种基于bfs算法的六自由度偏置机器人逆解方法 | |
Almaghout et al. | Vision-based robotic comanipulation for deforming cables | |
CN114029940B (zh) | 机械臂的运动路径规划方法、装置、设备、介质及机械臂 | |
Cortes et al. | Imitation learning based soft robotic grasping control without precise estimation of target posture | |
CN113434982A (zh) | 一种电力智能仿生攀爬机器人的运动学逆解算法 | |
Li | A Design of Robot System for Rapidly Sorting Express Carton with Mechanical Arm Based on Computer Vision Technology | |
Sun et al. | Precise grabbing of overlapping objects system based on end-to-end deep neural network | |
Zhao et al. | Improved Path Planning Algorithm Based on RRT Algorithm and Quintic B-spline Curve | |
CN113103239B (zh) | 一种机器人姿态轨迹生成方法、装置及存储介质 |
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 |