CN113741486A - 基于多约束的空间机器人智能运动规划方法及系统 - Google Patents

基于多约束的空间机器人智能运动规划方法及系统 Download PDF

Info

Publication number
CN113741486A
CN113741486A CN202111306132.3A CN202111306132A CN113741486A CN 113741486 A CN113741486 A CN 113741486A CN 202111306132 A CN202111306132 A CN 202111306132A CN 113741486 A CN113741486 A CN 113741486A
Authority
CN
China
Prior art keywords
path
space robot
robot
space
task
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
CN202111306132.3A
Other languages
English (en)
Other versions
CN113741486B (zh
Inventor
孔诗涵
喻俊志
杨闳竣
王蜀泉
吴正兴
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.)
Institute of Automation of Chinese Academy of Science
Original Assignee
Institute of Automation of Chinese Academy of Science
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 Institute of Automation of Chinese Academy of Science filed Critical Institute of Automation of Chinese Academy of Science
Priority to CN202111306132.3A priority Critical patent/CN113741486B/zh
Publication of CN113741486A publication Critical patent/CN113741486A/zh
Application granted granted Critical
Publication of CN113741486B publication Critical patent/CN113741486B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0217—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with energy consumption, time reduction or distance reduction criteria
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process

Abstract

本发明属于机器人运动规划领域，具体涉及了一种基于多约束的空间机器人智能运动规划方法、系统及设备，旨在解决如何实现空间机器人的高精度、高准确性的路径规划，从而实现空间目标交会接近与抓捕自主飞行控制的问题。本发明包括：基于FM*遗传算法进行空间机器人的最优任务分配，获得路径距离最短的遍历序列，并生成空间机器人第一路径；基于高斯滤波器的路径调整方法进行第一路径的调整，使调整后的第二路径符合基于环境特征的机动性约束条件；若未执行的任务分布点发生动态变化，则通过权衡计算代价与路径代价的感知机神经网络进行路径点重规划，获得第三路径。本发明可为空间机器人运动提供易于跟踪、避免碰撞、重规划高效的高质量路径。

Description

基于多约束的空间机器人智能运动规划方法及系统
技术领域
本发明属于机器人运动规划领域，具体涉及了一种基于多约束的空间机器人智能运动规划方法及系统。
背景技术
众所周知，人类所赖以生存的地球上的资源日渐枯竭，环境越来越差，所以寻找并开发太空中的资源已经成为当前的重要使命。探索太空的任务很多，如建立并维修空间工作站、对卫星的释放、维修以及回收、回收太空垃圾等，目前这些工作只能由宇航员去做。但是太空环境极其恶劣，如致命的太空辐射、昼夜间的高温差以及超真空严重影响了他们的工作，而且会给身体带来很大的危害。所以，要完成空间任务，就需要在太空中建立复杂而庞大的环境控制系统来保证宇航员的生命安全。从安全、工作效率和经济的角度来看，在太空中使用空间机器人来代替宇航员工作不但可降低宇航员所受到的危险，还可以提高工作效率，减少执行任务所需的费用。因此，各空间大国都竞相在空间机器人研究领域投入大量的技术与资金，当下，关于空间机器人的研究已经成为各国航天工程研究的热点。
根据现阶段的技术趋势，未来的新型空间机器人将面向小型化、低成本、高度智能以及可自由飞行发展。因此，自由飞行空间机器人应运而生，且已经称为空间机器人的一个重要研究方向。该系统类似于地面的机械臂系统，由本体（载体飞行器）和机械臂（搭载其上的空间机械臂）组成，二者的关键性区别就在于本体是否固定。一般地，载体飞行器携带有喷气推力装置，可在空间微重力环境下自由地飞行或漂浮，搭配上机械臂和功能不同的各类灵巧机械手，可替代宇航员在空间中执行空间站搭建、大型构件装配、失效卫星的维修或回收、科学试验以及未来可能出现的大规模空间生产任务，有着广阔的应用前景。自由飞行空间机器人必将在未来的空间探索和利用中扮演重要角色。
因此，如何进行空间机器人智能运动规划，如何利用人工智能方法实现空间柔性机械臂对目标的稳定跟踪成为了本领域亟待解决的问题。
发明内容
为了解决现有技术中的上述问题，即如何实现空间机器人的高精度、高准确性的路径规划，从而实现空间目标交会接近与抓捕自主飞行控制的问题，本发明提供了一种基于多约束的空间机器人智能运动规划方法，该方法包括：
步骤S10，获取空间机器人待执行任务分布点，基于FM*遗传算法进行空间机器人最优任务分配，获得符合基于最优分配的遍历代价约束条件的待执行任务分布点的路径距离最短的遍历序列；
步骤S20，基于所述待执行任务分布点的路径距离最短的遍历序列，生成空间机器人第一路径；
步骤S30，通过基于高斯滤波器的路径调整方法进行所述空间机器人第一路径的调整，获得符合基于环境特征的机动性约束条件的空间机器人第二路径；
步骤S40，空间机器人基于所述空间机器人第二路径执行任务，并断未执行的待执行任务分布点是否发生动态变化，若是则跳转步骤S50；否则跳转步骤S70；
步骤S50，通过权衡计算代价与路径代价的感知机神经网络进行动态变化的任务分布点的路径点重规划，获得符合权衡计算代价与路径代价的约束条件的空间机器人第三路径；
步骤S60，空间机器人基于所述空间机器人第三路径执行任务，并判断未执行的待执行任务分布点是否发生动态变化，若是则跳转步骤S50；否则跳转步骤S70；
步骤S70，空间机器人执行任务直至完成所有待执行任务。
在一些优选的实施例中，步骤S10包括：
步骤S11，将获取的空间机器人的初始点表示为L 0，N个待执行任务分布点表示为
Figure 810147DEST_PATH_IMAGE001
，并获取从初始点L 0开始不重复通过N个待执行任务分布点后回到 初始点L 0的遍历序列
Figure 383079DEST_PATH_IMAGE002
：
Figure 693975DEST_PATH_IMAGE003
步骤S12，定义FM*距离度量矩阵W，并通过所述FM*距离度量矩阵W计算所述遍历序 列
Figure 230129DEST_PATH_IMAGE002
的路径距离
Figure 575660DEST_PATH_IMAGE004
：
Figure 45126DEST_PATH_IMAGE005
步骤S13，基于FM*的遗传算法进行空间机器人最优任务分配，获得路径距离最短 的遍历序列
Figure 843318DEST_PATH_IMAGE006
：
Figure 307797DEST_PATH_IMAGE007
其中，
Figure 383200DEST_PATH_IMAGE008
代表求最小值操作。
在一些优选的实施例中，所述FM*距离度量矩阵W满足性质为：
Figure 907723DEST_PATH_IMAGE009
Figure 52265DEST_PATH_IMAGE010
其中，
Figure 320435DEST_PATH_IMAGE011
，
Figure 250345DEST_PATH_IMAGE012
代表矩阵转置，
Figure 945769DEST_PATH_IMAGE013
代表矩阵对角线元素。
在一些优选的实施例中，所述FM*距离度量矩阵W，其表示为：
Figure 718553DEST_PATH_IMAGE014
其中，
Figure 383889DEST_PATH_IMAGE015
代表空间机器人待执行任务分布点位置的点集，
Figure 558519DEST_PATH_IMAGE016
和
Figure 300210DEST_PATH_IMAGE017
分别代表点集中第
Figure 560290DEST_PATH_IMAGE018
个和第
Figure 294896DEST_PATH_IMAGE019
个点，
Figure 58453DEST_PATH_IMAGE020
代表FM*遗传算法，
Figure 361258DEST_PATH_IMAGE021
代表任务空间，
Figure 452842DEST_PATH_IMAGE022
代表代价函数。
在一些优选的实施例中，步骤S30包括：
步骤S31，将t时刻空间机器人在惯性坐标系下的位姿
Figure 866506DEST_PATH_IMAGE023
表示为
Figure 484569DEST_PATH_IMAGE024
；其中，
Figure 85839DEST_PATH_IMAGE025
表示t时刻空间机器人的位置，
Figure 54932DEST_PATH_IMAGE026
表示t时刻空间机器人 的转向角；
步骤S32，将空间机器人的纵移速度定义为常数
Figure 616495DEST_PATH_IMAGE027
，t时刻偏航角速度定义为
Figure 354644DEST_PATH_IMAGE028
，获 得空间机器人在
Figure 999252DEST_PATH_IMAGE029
时刻的瞬间动态方程：
Figure 314695DEST_PATH_IMAGE030
步骤S33，基于所述空间机器人在
Figure 70162DEST_PATH_IMAGE029
时刻的瞬间动态方程，获取
Figure 538183DEST_PATH_IMAGE031
时间间隔 内空间机器人偏航角速度
Figure 88113DEST_PATH_IMAGE028
以及生成路径的曲率半径R：
Figure 31799DEST_PATH_IMAGE032
Figure 450011DEST_PATH_IMAGE033
其中，
Figure 162752DEST_PATH_IMAGE034
为预设的空间机器人最大偏航角速度，
Figure 618004DEST_PATH_IMAGE035
为预设的空间机器人最 小转弯半径，
Figure 924351DEST_PATH_IMAGE022
为代价函数，
Figure 756041DEST_PATH_IMAGE036
为代价函数的梯度，
Figure 713502DEST_PATH_IMAGE037
代表模，inf代表函数的下界，sup代 表函数的上届；
步骤S34，通过尺寸为
Figure 339655DEST_PATH_IMAGE038
且标准差为
Figure 257932DEST_PATH_IMAGE039
的高斯滤波器进行代价函数
Figure 768679DEST_PATH_IMAGE022
的平滑处 理，获得符合基于环境特征的机动性约束条件的空间机器人第二路径。
在一些优选的实施例中，所述代价函数，其函数上届
Figure 190433DEST_PATH_IMAGE040
表示为：
Figure 253067DEST_PATH_IMAGE041
其中，
Figure 520625DEST_PATH_IMAGE042
为代价函数
Figure 959697DEST_PATH_IMAGE022
在有障碍物的栅格处的值，
Figure 376903DEST_PATH_IMAGE043
为代价函数
Figure 610438DEST_PATH_IMAGE022
在无障碍物的栅格处的值。
在一些优选的实施例中，所述尺寸为
Figure 972149DEST_PATH_IMAGE038
且标准差为
Figure 339545DEST_PATH_IMAGE039
的高斯滤波器，其表示 为：
Figure 470313DEST_PATH_IMAGE044
其中，
Figure 140328DEST_PATH_IMAGE045
。
在一些优选的实施例中，所述空间机器人第三路径，其权衡指标函数为：
Figure 130281DEST_PATH_IMAGE046
Figure 645576DEST_PATH_IMAGE047
Figure 286642DEST_PATH_IMAGE048
其中，
Figure 861980DEST_PATH_IMAGE049
为预设的平衡因子，
Figure 463862DEST_PATH_IMAGE050
为距离指标，
Figure 658214DEST_PATH_IMAGE051
为计算代价指标，
Figure 29153DEST_PATH_IMAGE052
为规划点位置比率，
Figure 775392DEST_PATH_IMAGE053
代表原始规划路径距离，
Figure 723625DEST_PATH_IMAGE054
代表规划点位置比率为
Figure 846302DEST_PATH_IMAGE055
时的重规划 路径距离。
在一些优选的实施例中，所述规划点位置比率为
Figure 947113DEST_PATH_IMAGE055
时的重规划路径距离
Figure 864254DEST_PATH_IMAGE054
，其 表示为：
Figure 175149DEST_PATH_IMAGE056
其中，
Figure 229080DEST_PATH_IMAGE057
为任务点漂移距离，
Figure 309032DEST_PATH_IMAGE058
为任务点漂移方向角。
本发明的另一方面，提出了一种基于多约束的空间机器人智能运动规划系统，该系统包括以下模块：
最优任务分配模块，配置为获取空间机器人待执行任务分布点，基于FM*遗传算法进行空间机器人最优任务分配，获得符合基于最优分配的遍历代价约束条件的待执行任务分布点的路径距离最短的遍历序列；
第一路径生成模块，配置为基于所述待执行任务分布点的路径距离最短的遍历序列，生成空间机器人第一路径；
第二路径生成模块，配置为通过基于高斯滤波器的路径调整方法进行所述空间机器人第一路径的调整，获得符合基于环境特征的机动性约束条件的空间机器人第二路径；
第一判别模块，配置为空间机器人基于所述空间机器人第二路径执行任务，并断未执行的待执行任务分布点是否发生动态变化，若是则跳转第三路径生成模块；否则跳转任务执行模块；
第三路径生成模块，配置为通过权衡计算代价与路径代价的感知机神经网络进行动态变化的任务分布点的路径点重规划，获得符合权衡计算代价与路径代价的约束条件的空间机器人第三路径；
第二判别模块，配置为空间机器人基于所述空间机器人第三路径执行任务，并断未执行的待执行任务分布点是否发生动态变化，若是则跳转第三路径生成模块；否则跳转任务执行模块；
任务执行模块，配置为空间机器人执行任务直至完成所有待执行任务。
本发明的有益效果：
（1）本发明基于多约束的空间机器人智能运动规划方法，基于FM*遗传算法进行空间机器人最优任务分配，以FM*距离度量矩阵W替代传统的欧几里得距离度量，避免了欧几里得距离度量不适用于有障碍物的情况，可以更准确地描述两个旅行节点之间的实际距离，获取符合基于最优分配的遍历代价约束条件的待执行任务分布点的路径距离最短的遍历序列，从而有效提升后续空间机器人智能运动规划的准确性与精度。
（2）本发明基于多约束的空间机器人智能运动规划方法，通过基于高斯滤波器的路径调整方法进行所述空间机器人路径调整，使得调整后的路径满足机器人运动的机动性约束，尤其是机器人运动的转弯能力约束，降低机器人避障过程的转弯难度，使得路径更易于被空间机器人执行。
（3）本发明基于多约束的空间机器人智能运动规划方法，在待执行任务分布点出现动态变化时，基于权衡计算代价与路径代价的感知机神经网络进行空间机器人重规划路径的权衡，在较小的计算代价的前提下获得更优的机器人路径，从而可为空间机器人运动提供易于跟踪、避免碰撞、重规划高效的高质量路径。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本发明基于多约束的空间机器人智能运动规划方法的流程示意图；
图2是本发明基于多约束的空间机器人智能运动规划方法一种实施例的高斯滤波 器尺寸为100×100，
Figure 662653DEST_PATH_IMAGE059
时的路径规划效果图；
图3是本发明基于多约束的空间机器人智能运动规划方法一种实施例的高斯滤波 器尺寸为100×100时的平均转弯速率与
Figure 70632DEST_PATH_IMAGE039
之间的变化曲线；
图4是本发明基于多约束的空间机器人智能运动规划方法一种实施例的任务分布点移动后路径重规划过程几何关系示意图；
图5是本发明基于多约束的空间机器人智能运动规划方法一种实施例的感知机神经网络结构和训练数据构建示意图；
图6是本发明基于多约束的空间机器人智能运动规划方法一种实施例的不同训练数据数量情况下的拟合效果；
图7是本发明基于多约束的空间机器人智能运动规划方法一种实施例的仿真地图配置；
图8是本发明基于多约束的空间机器人智能运动规划方法一种实施例的仿真地图配置下不同标准差下规划出的路径效果；
图9是本发明基于多约束的空间机器人智能运动规划方法一种实施例的仿真地图配置下任务分布点G7漂移后重规划路径。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本发明提供一种基于多约束的空间机器人智能运动规划方法，提出了空间机器人在多约束条件下的基于强化学习的路径规划方法，为空间目标交会接近与抓捕自主飞行控制奠定了理论基础。本发明构建的综合路径规划的执行过程综述：
第一步，第一步，利用FM*遗传算法进行任务分配操作，确定最优任务分布点的遍历序列；
第二步，定性分析不同标准差下的高斯滤波器对按照最优遍历顺序规划出的全局路径的情况，包括转弯难度和距离障碍物的距离，为高斯滤波器选择适当的标准差值；
第三步，对地图的代价函数进行高斯滤波平滑操作；
第四步，依托第二步中计算的遍历顺序，在每一个子任务执行之前利用强化学习的方法进行路径初规划；
第五步，在机器人执行子任务过程中，若当前子任务的目标任务分布点移动，则及时进行在线重规划操作，选择最优重规划点，并生成重规划路径。
本发明的一种基于多约束的空间机器人智能运动规划方法，该方法包括：
步骤S10，获取空间机器人待执行任务分布点，基于FM*遗传算法进行空间机器人最优任务分配，获得符合基于最优分配的遍历代价约束条件的待执行任务分布点的路径距离最短的遍历序列；
步骤S20，基于所述待执行任务分布点的路径距离最短的遍历序列，生成空间机器人第一路径；
步骤S30，通过基于高斯滤波器的路径调整方法进行所述空间机器人第一路径的调整，获得符合基于环境特征的机动性约束条件的空间机器人第二路径；
步骤S40，空间机器人基于所述空间机器人第二路径执行任务，并断未执行的待执行任务分布点是否发生动态变化，若是则跳转步骤S50；否则跳转步骤S70；
步骤S50，通过权衡计算代价与路径代价的感知机神经网络进行动态变化的任务分布点的路径点重规划，获得符合权衡计算代价与路径代价的约束条件的空间机器人第三路径；
步骤S60，空间机器人基于所述空间机器人第三路径执行任务，并断未执行的待执行任务分布点是否发生动态变化，若是则跳转步骤S50；否则跳转步骤S70；
步骤S70，空间机器人执行任务直至完成所有待执行任务。
为了更清晰地对本发明基于多约束的空间机器人智能运动规划方法进行说明，下面结合图1对本发明实施例中各步骤展开详述。
本发明第一实施例的基于多约束的空间机器人智能运动规划方法，包括步骤S10-步骤S70，各步骤详细描述如下：
以空间机器人的重心为原点建立随体坐标系，以空间机器人的任一固定位置为原点建立惯性坐标系，基于所述随体坐标系和所述惯性坐标系，通过机器人动力学建模方法构建空间机器人的六自由度动力学方程，如式（1）所示：
Figure 800690DEST_PATH_IMAGE060
其中，
Figure 469569DEST_PATH_IMAGE061
代表空间机器人在惯性坐标系
Figure 384304DEST_PATH_IMAGE062
下 的位姿向量，
Figure 404213DEST_PATH_IMAGE063
代表空间机器人在随体坐标系
Figure 547749DEST_PATH_IMAGE064
下的 速度向量，
Figure 602293DEST_PATH_IMAGE065
代表速度的导数即加速度，
Figure 297716DEST_PATH_IMAGE066
代表 空间机器人在随体坐标系
Figure 663976DEST_PATH_IMAGE064
下喷气产生的驱动向量，
Figure 735837DEST_PATH_IMAGE067
代表空间机 器人在随体坐标系
Figure 644887DEST_PATH_IMAGE064
下的外部干扰向量，
Figure 386578DEST_PATH_IMAGE068
代表质量矩 阵，
Figure 381079DEST_PATH_IMAGE069
代表惯性质量矩阵，
Figure 115686DEST_PATH_IMAGE070
代表附加惯性矩阵，
Figure 879242DEST_PATH_IMAGE071
代表科里奥利和向心力矩阵，
Figure 916469DEST_PATH_IMAGE072
代表由惯性质 量引起的科里奥利力和向心力矩阵，
Figure 273632DEST_PATH_IMAGE073
代表由附加惯性质量引起的科里奥利 力和向心力矩阵，
Figure 687295DEST_PATH_IMAGE074
代表阻尼矩阵，
Figure 305359DEST_PATH_IMAGE075
代表空间机器人的恢复力矩阵。
步骤S10，获取空间机器人待执行任务分布点，基于FM*遗传算法进行空间机器人最优任务分配，获得符合基于最优分配的遍历代价约束条件的待执行任务分布点的路径距离最短的遍历序列。
步骤S11，将获取的空间机器人的初始点表示为L 0，N个待执行任务分布点表示为
Figure 730847DEST_PATH_IMAGE001
，并获取从初始点L 0开始不重复通过N个待执行任务分布点后回到 初始点L 0的遍历序列
Figure 699941DEST_PATH_IMAGE002
，如式（2）所示：
Figure 261503DEST_PATH_IMAGE076
通常的任务中，通过欧几里得距离度量计算所述遍历序列
Figure 452182DEST_PATH_IMAGE002
的路径距离
Figure 706577DEST_PATH_IMAGE004
，如 式（3）所示：
Figure 897387DEST_PATH_IMAGE077
欧几里得距离度量不适用于具有障碍物的条件。相较之下，FM*算法在求解距离函数的过程中考虑到了障碍物的情况，因此利用FM*距离度量替代欧几里得距离度量可以更准确地描述两个旅行节点之间的实际距离。
步骤S12，定义FM*距离度量矩阵W，并通过所述FM*距离度量矩阵W计算所述遍历序 列
Figure 652853DEST_PATH_IMAGE002
的路径距离
Figure 370142DEST_PATH_IMAGE004
，如式（4）所示：
Figure 185651DEST_PATH_IMAGE078
FM*距离度量矩阵W，其表示如式（5）所示：
Figure 863757DEST_PATH_IMAGE079
其中，
Figure 32702DEST_PATH_IMAGE015
代表空间机器人待执行任务分布点位置的点集，
Figure 479864DEST_PATH_IMAGE016
和
Figure 590908DEST_PATH_IMAGE017
分别代表点集中第
Figure 756310DEST_PATH_IMAGE018
个和第
Figure 853579DEST_PATH_IMAGE019
个点，
Figure 30614DEST_PATH_IMAGE020
代表FM*遗传算法，
Figure 187925DEST_PATH_IMAGE021
代表任务空间，
Figure 233766DEST_PATH_IMAGE022
代表代价函数。
FM*距离度量矩阵W满足式（6）和式（7）所示的性质：
Figure 869147DEST_PATH_IMAGE080
Figure 290901DEST_PATH_IMAGE081
其中，
Figure 228901DEST_PATH_IMAGE011
，
Figure 368896DEST_PATH_IMAGE012
代表矩阵转置，
Figure 807967DEST_PATH_IMAGE013
代表矩阵的对角线元素。
步骤S13，基于FM*的遗传算法进行空间机器人最优任务分配，获得路径距离最短 的遍历序列
Figure 474441DEST_PATH_IMAGE006
：
Figure 707976DEST_PATH_IMAGE082
其中，
Figure 210633DEST_PATH_IMAGE008
代表求最小值操作。
最优垃圾分布点遍历序列
Figure 187816DEST_PATH_IMAGE006
可由下述基于FM*遗传算法的流程获得：
初始化种群规模
Figure 584162DEST_PATH_IMAGE083
，总迭代代数
Figure 378812DEST_PATH_IMAGE084
，变异概率
Figure 227819DEST_PATH_IMAGE085
，交叉概率
Figure 884059DEST_PATH_IMAGE086
；
初始化第一代种群个体
Figure 134912DEST_PATH_IMAGE087
。
从第一代开始，直到总迭代代数
Figure 975829DEST_PATH_IMAGE084
结束，不断执行下述流程，即：
利用FM*距离度量矩阵W求算当前代种群的适应度函数值；利用轮盘赌方式选出下 一代个体；对新生成的一代，以变异概率
Figure 436766DEST_PATH_IMAGE085
进行变异操作，以交叉概率
Figure 21332DEST_PATH_IMAGE086
进行交叉互换。
最终获得最优遍历序列
Figure 126691DEST_PATH_IMAGE006
。
步骤S20，基于所述待执行任务分布点的路径距离最短的遍历序列，生成空间机器人第一路径。
步骤S30，通过基于高斯滤波器的路径调整方法进行所述空间机器人第一路径的调整，获得符合基于环境特征的机动性约束条件的空间机器人第二路径。
生成的路径需要满足机器人运动的机动性约束，该约束主要指机器人运动的转弯 能力约束。定义机器人在惯性坐标系下运动的位姿表示为
Figure 13875DEST_PATH_IMAGE088
，其中
Figure 571896DEST_PATH_IMAGE089
表示 机器人在地图上的位置，
Figure 87715DEST_PATH_IMAGE090
表示机器人的转向角。定义机器人在随体坐标系下的运动速度 表示为
Figure 47581DEST_PATH_IMAGE091
，其中
Figure 230301DEST_PATH_IMAGE092
分别表示空间机器人纵移速度，横移速度，偏航角速度。 至此，机器人的运动学方程可表示为式（8）：
Figure 416562DEST_PATH_IMAGE093
其中，
Figure 342930DEST_PATH_IMAGE094
。
通常来说，机器人在运动过程中为了便于控制，一般保持其纵移速度为常数
Figure 157302DEST_PATH_IMAGE027
， 只对偏航角速度进行控制。
步骤S31，将t时刻空间机器人在惯性坐标系下的位姿
Figure 635557DEST_PATH_IMAGE023
表示为
Figure 433749DEST_PATH_IMAGE024
；其中，
Figure 773594DEST_PATH_IMAGE025
表示t时刻空间机器人的位置，
Figure 973632DEST_PATH_IMAGE026
表示t时刻空间机器人 的转向角。
步骤S32，将空间机器人的纵移速度定义为常数
Figure 498154DEST_PATH_IMAGE027
，t时刻偏航角速度定义为
Figure 642696DEST_PATH_IMAGE028
，获 得空间机器人在
Figure 910866DEST_PATH_IMAGE029
时刻的瞬间动态方程，如式（9）所示：
Figure 840776DEST_PATH_IMAGE095
步骤S33，基于所述空间机器人在
Figure 270621DEST_PATH_IMAGE029
时刻的瞬间动态方程，获取
Figure 43405DEST_PATH_IMAGE031
时间间隔 内空间机器人偏航角速度
Figure 974320DEST_PATH_IMAGE028
，如式（10）所示：
Figure 883371DEST_PATH_IMAGE096
由于机器人的转弯速度受限，即
Figure 749695DEST_PATH_IMAGE097
，所以转弯角度受限。进一步地，机动性 约束将对路径规划算法所生成的路径的曲率半径有限制。
由FM*算法生成从起点start到目标点goal的轨迹
Figure 619562DEST_PATH_IMAGE098
的过程实质是求解 如下函数值最优化问题，如式（11）所示：
Figure 229535DEST_PATH_IMAGE099
其中，
Figure 993092DEST_PATH_IMAGE100
，其含义为寻找从起点到目标点代 价最小的路径。
利用微分几何框架，对于路径上的任意一点，可求得上述最优化问题的欧拉–拉格朗日方程表示为式（12）：
Figure 157882DEST_PATH_IMAGE101
其中，
Figure 905258DEST_PATH_IMAGE102
为路径的曲率半径，
Figure 928709DEST_PATH_IMAGE103
为路径的法向量，
Figure 812351DEST_PATH_IMAGE022
为代价函数，
Figure 754899DEST_PATH_IMAGE036
为代价函数的 梯度。
经过一系列的推导，可以得到生成路径的曲率半径下界满足式（13）：
Figure 848626DEST_PATH_IMAGE104
其中，
Figure 800401DEST_PATH_IMAGE034
为预设的空间机器人最大偏航角速度，
Figure 413917DEST_PATH_IMAGE035
为预设的空间机器人最 小转弯半径，
Figure 792945DEST_PATH_IMAGE037
代表模，inf代表函数的下界，sup代表函数的上界。
分析该不等关系可知，有两种途径可以提高生成路径的曲率半径下界。第一种方 法是对代价函数进行光滑处理以降低
Figure 249334DEST_PATH_IMAGE105
，第二种方法是在代价函数值的基础上添 加正增量以提高
Figure 863855DEST_PATH_IMAGE106
。
一般情况下，代价函数
Figure 722090DEST_PATH_IMAGE022
是一个二值函数，其在没有障碍物的栅格点处的值满足
Figure 272020DEST_PATH_IMAGE043
，而在有障碍物的栅格点处的值
Figure 825492DEST_PATH_IMAGE107
为远远大于1的常数。在此情况下，
Figure 119070DEST_PATH_IMAGE105
存在于代价函数的有无障碍物区域的分界线处，如式（14）所示：
Figure 956445DEST_PATH_IMAGE108
步骤S34，为了降低
Figure 677276DEST_PATH_IMAGE105
的值，通过尺寸为
Figure 108258DEST_PATH_IMAGE038
且标准差为
Figure 815314DEST_PATH_IMAGE039
的高斯滤波 器进行代价函数
Figure 382561DEST_PATH_IMAGE022
的平滑处理，获得符合基于环境特征的机动性约束条件的空间机器人第 二路径。
尺寸为
Figure 274294DEST_PATH_IMAGE038
且标准差为
Figure 42837DEST_PATH_IMAGE039
的高斯滤波器，其表示如式（15）所示：
Figure 678218DEST_PATH_IMAGE109
其中，
Figure 240917DEST_PATH_IMAGE045
。
为直观地观察高斯滤波器对FM*算法规划出的路径的调整作用，本发明在尺寸为 100×100的存在障碍物的代价函数上进行了测试。如图2所示，为本发明基于多约束的空间 机器人智能运动规划方法一种实施例的高斯滤波器尺寸为100×100，
Figure 303551DEST_PATH_IMAGE059
时 的路径规划效果图，从图中可以观察到，随着滤波器标准差的提升，路径的曲率半径下界明 显升高，避障过程的转弯幅度会变大，难度会降低。
为了对避障过程的转弯难度进行定量分析，定义整个避障过程中的平均转弯速率 来评估转弯难度
Figure 443545DEST_PATH_IMAGE110
，如式（16）所示：
Figure 741672DEST_PATH_IMAGE111
其中，代表空间机器人整个避障过程的总耗时。
如图3所示，为本发明基于多约束的空间机器人智能运动规划方法一种实施例的 高斯滤波器尺寸为100×100时的平均转弯速率与
Figure 17932DEST_PATH_IMAGE039
之间的变化曲线平均转弯速率与高斯 滤波器标准差之间的变化曲线，随着标准差
Figure 517047DEST_PATH_IMAGE039
从0.1逐渐升高到5.0，平均转弯速率明显降 低。该结果表明，高斯滤波器具有控制曲率半径下界的作用，降低避障过程的转弯难度，从 而满足机器人的机动性约束。
步骤S40，空间机器人基于所述空间机器人第二路径执行任务，并断未执行的待执行任务分布点是否发生动态变化，若是则跳转步骤S50；否则跳转步骤S70。
步骤S50，通过权衡计算代价与路径代价的感知机神经网络进行动态变化的任务分布点的路径点重规划，获得符合权衡计算代价与路径代价的约束条件的空间机器人第三路径。
由于空间作业机器人处于动态变化的环境中，任务分布点的位置会发生漂移，因 而重规划环节必不可少。一个高效的重规划操作应当权衡地图搜索的计算代价与生成路径 的距离代价，既要保证重规划的搜索空间较小又要保证生成的路径较短。在假设重规划过 程中无障碍物且所有路径均为直线的前提下，重规划点选取位置对搜索空间大小与生成路 径长短的影响。如图4所示，为本发明基于多约束的空间机器人智能运动规划方法一种实施 例的任务分布点移动后路径重规划过程几何关系示意图，其中，任务分布点移动向量
Figure 19703DEST_PATH_IMAGE112
由 漂移距离
Figure 996886DEST_PATH_IMAGE057
和漂移方向角
Figure 393233DEST_PATH_IMAGE058
定义而成；
Figure 187882DEST_PATH_IMAGE052
为重规划点位置比率，代表重规划点与 机器人当前位置之间的距离占机器人当前位置到原任务分布点之间的距离
Figure 36890DEST_PATH_IMAGE053
（即原始规划 路径距离）的比值；
Figure 693130DEST_PATH_IMAGE054
代表重规划点比率为
Figure 209562DEST_PATH_IMAGE055
时的重规划路径距离。
空间机器人第三路径的权衡指标函数如式（17）所示：
Figure 784900DEST_PATH_IMAGE113
其中，
Figure 245837DEST_PATH_IMAGE049
为预设的平衡因子，
Figure 830402DEST_PATH_IMAGE050
为距离指标，
Figure 811128DEST_PATH_IMAGE051
为计算代价指标。
距离指标
Figure 822946DEST_PATH_IMAGE050
和计算代价指标
Figure 646545DEST_PATH_IMAGE051
，其表示分别如式（18）和式（19）：
Figure 896786DEST_PATH_IMAGE114
Figure 387810DEST_PATH_IMAGE115
述规划点位置比率为
Figure 445896DEST_PATH_IMAGE055
时的重规划路径距离
Figure 491212DEST_PATH_IMAGE054
，其表示如式（20）：
Figure 542214DEST_PATH_IMAGE116
经过几何分析可知，当
Figure 622165DEST_PATH_IMAGE117
时，距离指标
Figure 975786DEST_PATH_IMAGE050
的值最小。
当
Figure 383765DEST_PATH_IMAGE055
满足式（21）时，计算代价指标
Figure 113823DEST_PATH_IMAGE051
的值取值最小：
Figure 48281DEST_PATH_IMAGE118
最终，最优重规划点位置比率可以通过求解式（22）获得：
Figure 697437DEST_PATH_IMAGE119
本发明针对权衡计算代价与路径代价的约束条件，通过图5所示的权衡计算代价 与路径代价的感知机神经网络进行动态变化的任务分布点的路径点重规划，并建立训练数 据集，图5中的（a）为多层感知机神经网络结构，图5中的（b）为训练数据的构建，其中
Figure 717346DEST_PATH_IMAGE120
代 表最优重规划点位置比率的估计值。
相比于直接求解方程的数值解，利用神经网络拟合的方法具有三方面的优点：
第一，解是连续的。利用拟合好的神经网络，其输入和输出均可以为连续的数值；而利用数值方法求解出来的重规划点位置比率由于迭代步长和区间分割精度的关系，其数值是离散的。
第二，无需重复计算。神经网络训练好之后，只需将任务分布点移动向量输入其中，即可得到相应的最优重规划点位置比率；而利用数值方法，对于每一个任务分布点移动向量，都要重复数值求解过程，十分繁琐。
第三，固定的计算量。利用神经网络计算重规划点位置比率，只用进行有限次数的加法和乘法运算，不会因增大输出结果的取值空间分辨率而增加计算负担；相反，数值求解方法，会因增大输出结果的取值空间分辨率而增加计算负担。
如图6所示，为本发明基于多约束的空间机器人智能运动规划方法一种实施例的 不同训练数据数量情况下的拟合效果，
Figure 126462DEST_PATH_IMAGE121
和
Figure 915426DEST_PATH_IMAGE122
分别表示训练集的容量和测试集的容量， 从图中可以看出，本发明通过较少的训练集容量即可实现精准的重规划点位置比率估计。
步骤S60，空间机器人基于所述空间机器人第三路径执行任务，并断未执行的待执行任务分布点是否发生动态变化，若是则跳转步骤S50；否则跳转步骤S70。
步骤S70，空间机器人执行任务直至完成所有待执行任务。
如图7所示，为本发明基于多约束的空间机器人智能运动规划方法一种实施例的仿真地图配置，该仿真地图中设置有密集且形状尺寸各异的障碍物，复杂程度远高于真实的空间机器人作业地图。基于该仿真地图，综合路径规划体系的具体执行情况描述如下：在任务分配阶段，设置FM*遗传算法的种群规模为30，总迭代代数为300，交叉概率为0.65，变异概率为0.05，进而计算出最优遍历序列为{S, G7, G6, G5, G2, G1, G3, G4, S}。
基于该最优遍历序列，利用两种不同标准差下的高斯滤波器对代价函数进行平 滑，并进行全局路径规划。如图8所示，为本发明基于多约束的空间机器人智能运动规划方 法一种实施例的不同标准差下规划出的路径效果，通过对两种路径的定性分析可以发现， 在
Figure 610850DEST_PATH_IMAGE123
的高斯滤波器平滑后规划出的路径转弯难度更小且距离障碍物更远。因此，为 高斯滤波器设置
Figure 242688DEST_PATH_IMAGE123
的标准差，对仿真地图进行平滑。
如图9所示，为本发明基于多约束的空间机器人智能运动规划方法一种实施例的仿真地图配置下任务分布点G7漂移后重规划路径，在时刻（此处因为是仿真步长，故没有单位），任务分布点G7发生了漂移，移动到了G7′的位置，此时进行重规划操作，计算出重规划点，并以重规划点为起点以G7′为目标点生成新的路径。
本发明技术方案充分考虑了环境模型特征对空间机器人运动的各项约束，并进行了细致的约束建模，针对空间机器人的约束条件，分别通过相应的方法使机器人的运动路径更接近真实情形。本发明提出的路径规划方法，可为空间机器人运动提供易于跟踪、避免碰撞、重规划高效的高质量路径。此外，该路径规划体系可以迁移到其他类似的具有多子任务、多障碍物、机器人机动性约束、动态目标的应用场景。。
上述实施例中虽然将各个步骤按照上述先后次序的方式进行了描述，但是本领域技术人员可以理解，为了实现本实施例的效果，不同的步骤之间不必按照这样的次序执行，其可以同时(并行)执行或以颠倒的次序执行，这些简单的变化都在本发明的保护范围之内。
本发明第二实施例的基于多约束的空间机器人智能运动规划系统，该系统包括以下模块：
最优任务分配模块，配置为获取空间机器人待执行任务分布点，基于FM*遗传算法进行空间机器人最优任务分配，获得符合基于最优分配的遍历代价约束条件的待执行任务分布点的路径距离最短的遍历序列；
第一路径生成模块，配置为基于所述待执行任务分布点的路径距离最短的遍历序列，生成空间机器人第一路径；
第二路径生成模块，配置为通过基于高斯滤波器的路径调整方法进行所述空间机器人第一路径的调整，获得符合基于环境特征的机动性约束条件的空间机器人第二路径；
第一判别模块，配置为空间机器人基于所述空间机器人第二路径执行任务，并断未执行的待执行任务分布点是否发生动态变化，若是则跳转第三路径生成模块；否则跳转任务执行模块；
第三路径生成模块，配置为通过权衡计算代价与路径代价的感知机神经网络进行动态变化的任务分布点的路径点重规划，获得符合权衡计算代价与路径代价的约束条件的空间机器人第三路径；
第二判别模块，配置为空间机器人基于所述空间机器人第三路径执行任务，并断未执行的待执行任务分布点是否发生动态变化，若是则跳转第三路径生成模块；否则跳转任务执行模块；
任务执行模块，配置为空间机器人执行任务直至完成所有待执行任务。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的基于多约束的空间机器人智能运动规划系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
本发明第三实施例的一种电子设备，包括：
至少一个处理器；以及
与至少一个所述处理器通信连接的存储器；其中，
所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述的基于多约束的空间机器人智能运动规划方法。
本发明第四实施例的一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现上述的基于多约束的空间机器人智能运动规划方法。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨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、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (10)

1.一种基于多约束的空间机器人智能运动规划方法，其特征在于，该方法包括：
步骤S10，获取空间机器人待执行任务分布点，基于FM*遗传算法进行空间机器人最优任务分配，获得符合基于最优分配的遍历代价约束条件的待执行任务分布点的路径距离最短的遍历序列；
步骤S20，基于所述待执行任务分布点的路径距离最短的遍历序列，生成空间机器人第一路径；
步骤S30，通过基于高斯滤波器的路径调整方法进行所述空间机器人第一路径的调整，获得符合基于环境特征的机动性约束条件的空间机器人第二路径；
步骤S40，空间机器人基于所述空间机器人第二路径执行任务，并判断未执行的待执行任务分布点是否发生动态变化，若是则跳转步骤S50；否则跳转步骤S70；
步骤S50，通过权衡计算代价与路径代价的感知机神经网络进行动态变化的任务分布点的路径点重规划，获得符合权衡计算代价与路径代价的约束条件的空间机器人第三路径；
步骤S60，空间机器人基于所述空间机器人第三路径执行任务，并断未执行的待执行任务分布点是否发生动态变化，若是则跳转步骤S50；否则跳转步骤S70；
步骤S70，空间机器人执行任务直至完成所有待执行任务。
2.根据权利要求1所述的基于多约束的空间机器人智能运动规划方法，其特征在于，步骤S10包括：
步骤S11，将获取的空间机器人的初始点表示为L 0，N个待执行任务分布点表示为
Figure 385815DEST_PATH_IMAGE001
，并获取从初始点L 0开始不重复通过N个待执行任务分布点后回到 初始点L 0的遍历序列
Figure 771797DEST_PATH_IMAGE002
：
Figure 817113DEST_PATH_IMAGE003
步骤S12，定义FM*距离度量矩阵W，并通过所述FM*距离度量矩阵W计算所述遍历序列
Figure 681164DEST_PATH_IMAGE002
的路径距离
Figure 964378DEST_PATH_IMAGE004
：
Figure 990103DEST_PATH_IMAGE005
步骤S13，基于FM*的遗传算法进行空间机器人最优任务分配，获得路径距离最短的遍 历序列
Figure 725977DEST_PATH_IMAGE006
：
Figure 190457DEST_PATH_IMAGE007
其中，
Figure 328177DEST_PATH_IMAGE008
代表求最小值操作。
3.根据权利要求2所述的基于多约束的空间机器人智能运动规划方法，其特征在于，所述FM*距离度量矩阵W满足性质为：
Figure 524803DEST_PATH_IMAGE009
Figure 246509DEST_PATH_IMAGE010
其中，
Figure 452363DEST_PATH_IMAGE011
，
Figure 241327DEST_PATH_IMAGE012
代表矩阵转置，
Figure 874434DEST_PATH_IMAGE013
代表矩阵的对角线元素。
4.根据权利要求3所述的基于多约束的空间机器人智能运动规划方法，其特征在于，所述FM*距离度量矩阵W，其表示为：
Figure 584901DEST_PATH_IMAGE014
其中，
Figure 125604DEST_PATH_IMAGE015
代表空间机器人待执行任务分布点位置的点集，
Figure 237916DEST_PATH_IMAGE016
和
Figure 776345DEST_PATH_IMAGE017
分别代表点集中第
Figure 974108DEST_PATH_IMAGE018
个和第
Figure 521764DEST_PATH_IMAGE019
个点，
Figure 285321DEST_PATH_IMAGE020
代表FM*遗传算法，
Figure 696448DEST_PATH_IMAGE021
代表任务空间，
Figure 115928DEST_PATH_IMAGE022
代表代价函数。
5.根据权利要求1所述的基于多约束的空间机器人智能运动规划方法，其特征在于，步骤S30包括：
步骤S31，将t时刻空间机器人在惯性坐标系下的位姿
Figure 467275DEST_PATH_IMAGE023
表示为
Figure 85338DEST_PATH_IMAGE024
；其 中，
Figure 496728DEST_PATH_IMAGE025
表示t时刻空间机器人的位置，
Figure 137925DEST_PATH_IMAGE026
表示t时刻空间机器人的转向角；
步骤S32，将空间机器人的纵移速度定义为常数
Figure 27384DEST_PATH_IMAGE027
，t时刻偏航角速度定义为
Figure 765532DEST_PATH_IMAGE028
，获得空 间机器人在
Figure 846359DEST_PATH_IMAGE029
时刻的瞬间动态方程：
Figure 974852DEST_PATH_IMAGE030
步骤S33，基于所述空间机器人在
Figure 668001DEST_PATH_IMAGE029
时刻的瞬间动态方程，获取
Figure 995077DEST_PATH_IMAGE031
时间间隔内空 间机器人偏航角速度
Figure 748270DEST_PATH_IMAGE028
以及生成路径的曲率半径R：
Figure 364059DEST_PATH_IMAGE032
Figure 860899DEST_PATH_IMAGE033
其中，
Figure 308061DEST_PATH_IMAGE034
为预设的空间机器人最大偏航角速度，
Figure 966576DEST_PATH_IMAGE035
为预设的空间机器人最小转弯 半径，
Figure 335240DEST_PATH_IMAGE022
为代价函数，
Figure 603148DEST_PATH_IMAGE036
为代价函数的梯度，
Figure 170396DEST_PATH_IMAGE037
代表模，inf代表函数的下界，sup代表函数 的上界；
步骤S34，通过尺寸为
Figure 999811DEST_PATH_IMAGE038
且标准差为
Figure 590193DEST_PATH_IMAGE039
的高斯滤波器进行代价函数
Figure 428836DEST_PATH_IMAGE022
的平滑处理， 获得符合基于环境特征的机动性约束条件的空间机器人第二路径。
6.根据权利要求5所述的基于多约束的空间机器人智能运动规划方法，其特征在于，所 述代价函数，其函数上届
Figure 585010DEST_PATH_IMAGE040
表示为：
Figure 850907DEST_PATH_IMAGE041
其中，
Figure 663005DEST_PATH_IMAGE042
为代价函数
Figure 305339DEST_PATH_IMAGE022
在有障碍物的栅格处的值，
Figure 581599DEST_PATH_IMAGE043
为代价函数
Figure 18397DEST_PATH_IMAGE022
在无 障碍物的栅格处的值。
7.根据权利要求6所述的基于多约束的空间机器人智能运动规划方法，其特征在于，所 述尺寸为
Figure 81906DEST_PATH_IMAGE038
且标准差为
Figure 996772DEST_PATH_IMAGE039
的高斯滤波器，其表示为：
Figure 330801DEST_PATH_IMAGE044
其中，
Figure 735238DEST_PATH_IMAGE045
。
8.根据权利要求1所述的基于多约束的空间机器人智能运动规划方法，其特征在于，所述空间机器人第三路径，其权衡指标函数为：
Figure 521928DEST_PATH_IMAGE046
Figure 240486DEST_PATH_IMAGE047
Figure 491338DEST_PATH_IMAGE048
其中，
Figure 269939DEST_PATH_IMAGE049
为预设的平衡因子，
Figure 809504DEST_PATH_IMAGE050
为距离指标，
Figure 66173DEST_PATH_IMAGE051
为计算代价指标，
Figure 873330DEST_PATH_IMAGE052
为规 划点位置比率，
Figure 619569DEST_PATH_IMAGE053
代表原始规划路径距离，
Figure 380852DEST_PATH_IMAGE054
代表规划点位置比率为
Figure 441212DEST_PATH_IMAGE055
时的重规划路径 距离。
9.根据权利要求8所述的基于多约束的空间机器人智能运动规划方法，其特征在于，所 述规划点位置比率为
Figure 604340DEST_PATH_IMAGE055
时的重规划路径距离
Figure 521480DEST_PATH_IMAGE054
，其表示为：
Figure 35638DEST_PATH_IMAGE056
其中，
Figure 634110DEST_PATH_IMAGE057
为任务点漂移距离，
Figure 651744DEST_PATH_IMAGE058
为任务点漂移方向角。
10.一种基于多约束的空间机器人智能运动规划系统，其特征在于，该系统包括以下模块：
最优任务分配模块，配置为获取空间机器人待执行任务分布点，基于FM*遗传算法进行空间机器人最优任务分配，获得符合基于最优分配的遍历代价约束条件的待执行任务分布点的路径距离最短的遍历序列；
第一路径生成模块，配置为基于所述待执行任务分布点的路径距离最短的遍历序列，生成空间机器人第一路径；
第二路径生成模块，配置为通过基于高斯滤波器的路径调整方法进行所述空间机器人第一路径的调整，获得符合基于环境特征的机动性约束条件的空间机器人第二路径；
第一判别模块，配置为空间机器人基于所述空间机器人第二路径执行任务，并断未执行的待执行任务分布点是否发生动态变化，若是则跳转第三路径生成模块；否则跳转任务执行模块；
第三路径生成模块，配置为通过权衡计算代价与路径代价的感知机神经网络进行动态变化的任务分布点的路径点重规划，获得符合权衡计算代价与路径代价的约束条件的空间机器人第三路径；
第二判别模块，配置为空间机器人基于所述空间机器人第三路径执行任务，并断未执行的待执行任务分布点是否发生动态变化，若是则跳转第三路径生成模块；否则跳转任务执行模块；
任务执行模块，配置为空间机器人执行任务直至完成所有待执行任务。
CN202111306132.3A 2021-11-05 2021-11-05 基于多约束的空间机器人智能运动规划方法及系统 Active CN113741486B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111306132.3A CN113741486B (zh) 2021-11-05 2021-11-05 基于多约束的空间机器人智能运动规划方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111306132.3A CN113741486B (zh) 2021-11-05 2021-11-05 基于多约束的空间机器人智能运动规划方法及系统

Publications (2)

Publication Number Publication Date
CN113741486A true CN113741486A (zh) 2021-12-03
CN113741486B CN113741486B (zh) 2022-02-08

Family

ID=78727642

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111306132.3A Active CN113741486B (zh) 2021-11-05 2021-11-05 基于多约束的空间机器人智能运动规划方法及系统

Country Status (1)

Country Link
CN (1) CN113741486B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115437372A (zh) * 2022-08-10 2022-12-06 中国科学院自动化研究所 机器人路径规划方法、装置、电子设备及存储介质
WO2023130755A1 (zh) * 2022-01-10 2023-07-13 美的集团(上海)有限公司 路径规划方法、电子设备、计算机程序产品及存储介质
WO2024045091A1 (zh) * 2022-08-31 2024-03-07 西门子股份公司 执行机构的运动规划方法、装置、系统及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106054876A (zh) * 2016-06-02 2016-10-26 西北工业大学 一种针对空间多任务的避障路径最优逐次操作规划方法
CN110823240A (zh) * 2019-11-19 2020-02-21 齐鲁工业大学 一种具有航向约束的跟随机器人路径规划方法及系统
CN111273686A (zh) * 2020-02-15 2020-06-12 北京理工大学 一种三维环境下多无人机同时到达指定地的路径规划方法
CN111708369A (zh) * 2020-07-17 2020-09-25 武汉科技大学 一种变电站巡检机器人路径规划方法
CN112068588A (zh) * 2020-08-12 2020-12-11 浙江大学 一种基于飞行走廊和贝塞尔曲线的无人飞行器轨迹生成方法
CN113093717A (zh) * 2019-12-23 2021-07-09 科沃斯商用机器人有限公司 多目标点路径规划方法、装置、自移动设备及机器人
US20210252707A1 (en) * 2020-02-19 2021-08-19 Fanuc Corporation Collision avoidance motion planning method for industrial robot

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106054876A (zh) * 2016-06-02 2016-10-26 西北工业大学 一种针对空间多任务的避障路径最优逐次操作规划方法
CN110823240A (zh) * 2019-11-19 2020-02-21 齐鲁工业大学 一种具有航向约束的跟随机器人路径规划方法及系统
CN113093717A (zh) * 2019-12-23 2021-07-09 科沃斯商用机器人有限公司 多目标点路径规划方法、装置、自移动设备及机器人
CN111273686A (zh) * 2020-02-15 2020-06-12 北京理工大学 一种三维环境下多无人机同时到达指定地的路径规划方法
US20210252707A1 (en) * 2020-02-19 2021-08-19 Fanuc Corporation Collision avoidance motion planning method for industrial robot
CN111708369A (zh) * 2020-07-17 2020-09-25 武汉科技大学 一种变电站巡检机器人路径规划方法
CN112068588A (zh) * 2020-08-12 2020-12-11 浙江大学 一种基于飞行走廊和贝塞尔曲线的无人飞行器轨迹生成方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023130755A1 (zh) * 2022-01-10 2023-07-13 美的集团(上海)有限公司 路径规划方法、电子设备、计算机程序产品及存储介质
CN115437372A (zh) * 2022-08-10 2022-12-06 中国科学院自动化研究所 机器人路径规划方法、装置、电子设备及存储介质
WO2024045091A1 (zh) * 2022-08-31 2024-03-07 西门子股份公司 执行机构的运动规划方法、装置、系统及存储介质

Also Published As

Publication number Publication date
CN113741486B (zh) 2022-02-08

Similar Documents

Publication Publication Date Title
CN113741486B (zh) 基于多约束的空间机器人智能运动规划方法及系统
CN107145161B (zh) 无人机访问多目标点的航迹规划方法及装置
CN111351488B (zh) 飞行器智能轨迹重构再入制导方法
Jaradat et al. Autonomous mobile robot dynamic motion planning using hybrid fuzzy potential field
Ergezer et al. Path planning for UAVs for maximum information collection
CN107479566A (zh) 基于三段式路径规划的挠性卫星姿态控制方法
Peng et al. Online route planning for UAV based on model predictive control and particle swarm optimization algorithm
CN106125760A (zh) 无人机编队路径自动规划方法及装置
CN110427043A (zh) 基于作业飞行机器人重心偏移的位姿控制器设计方法
Šuster et al. Tracking trajectory of the mobile robot Khepera II using approaches of artificial intelligence
Mehndiratta et al. Gaussian process-based learning control of aerial robots for precise visualization of geological outcrops
CN115081343B (zh) 一种基于神经网络结合遗传算法的天基无源探测定轨方法
Duan et al. Sim-to-real learning of footstep-constrained bipedal dynamic walking
CN114580224A (zh) 一种分布式气动融合轨道耦合姿态摄动分析方法
CN109249393B (zh) 一种基于经验控制的多参数机器人实时行为校正方法
CN116954233A (zh) 一种巡检任务与航线自动匹配方法
CN115265532A (zh) 一种用于船用组合导航中的辅助滤波方法
CN105333873A (zh) 一种着陆点在线选取的行星安全着陆制导方法
CN106384152B (zh) 基于萤火虫群优化的pf空间非合作目标轨道预测方法
CN110231619B (zh) 基于恩克法的雷达交接时刻预报方法及装置
Frontoni et al. A framework for simulations and tests of mobile robotics tasks
Williams et al. Gpu based path integral control with learned dynamics
Wang et al. A line-of-sight rate estimation method for roll-pitch gimballed infrared seeker
Blajer Aircraft program motion along a predetermined trajectory Part II. Numerical simulation with application of spline functions to trajectory definitions
Mohammadi et al. Designing INS/GNSS integrated navigation systems by using IPO algorithms

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