CN113752267B - 一种机械臂路径规划方法及系统 - Google Patents
一种机械臂路径规划方法及系统 Download PDFInfo
- Publication number
- CN113752267B CN113752267B CN202111323010.5A CN202111323010A CN113752267B CN 113752267 B CN113752267 B CN 113752267B CN 202111323010 A CN202111323010 A CN 202111323010A CN 113752267 B CN113752267 B CN 113752267B
- Authority
- CN
- China
- Prior art keywords
- mechanical arm
- key point
- set key
- person
- potential
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 239000013598 vector Substances 0.000 claims description 26
- 230000000007 visual effect Effects 0.000 claims description 21
- 238000004088 simulation Methods 0.000 claims description 18
- 238000013527 convolutional neural network Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000002093 peripheral effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 abstract description 46
- 238000013528 artificial neural network Methods 0.000 abstract description 5
- 238000010801 machine learning Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 34
- 238000010586 diagram Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 206010022998 Irritability Diseases 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Manipulator (AREA)
Abstract
本发明涉及一种机械臂路径规划方法及系统，利用神经网络特征提取，准确识别并提取出机械臂关键点周围的人或物体的位置特征，从而有效保证了识别对象的可靠性和安全性，同时利用机器学习的方法，在虚拟环境中利用MATLAB建模，之后利用人工势场法设定应激行为参数，并利用这些参数控制机械臂及其关键点进行应激行为，从而对路径进行规划，根据机械臂及其关键点是否遇到人来进行双重控制，有效提高机械臂路径规划的准确性。
Description
技术领域
本发明涉及人机交互和安全控制技术领域，特别是涉及一种机械臂路径规划方法及系统。
背景技术
目前机械臂在日常生产中的应用越来越广泛。为提高机械臂的工作效率，路径规划必不可少，然而现有的机械臂路径规划方法准确性不足，无法在保证人员安全的前提下，进行正常工作。
因此，本领域亟需一种准确性高的机械臂路径规划方案。
发明内容
本发明的目的是提供一种机械臂路径规划方法及系统，利用神经网络识别机械臂周围的人或物体的强特征，有效提高机械臂路径规划的准确性。
为实现上述目的，本发明提供了如下方案：
一种机械臂路径规划方法，所述方法包括：
获取机械臂各设定关键点的原始周围区域信息；所述原始周围区域信息包括：传感器获得的所述机械臂周围的信息；
利用卷积神经网络对所述原始周围区域信息进行特征提取，得到各设定关键点特征提取后的位置特征向量；所述位置特征向量包括：周围人或物体的位置特征；
计算所述各设定关键点的位置特征向量之间的协方差，得到协方差矩阵；
利用所述协方差矩阵为每个所述设定关键点创建三维可视化仿真特征；
利用每个所述设定关键点的三维可视化仿真特征在具有机械臂的虚拟环境中对所述周围人或物体建模；
在所述虚拟环境中利用人工势场法，设定机械臂应激行为参数；所述机械臂应激参数中目标任务对所述机械臂产生吸引力，人或物体对所述机械臂产生排斥力；
判断所述机械臂是否遇到人或物体；若遇到人或物体则根据所述机械臂应激行为参数执行机械臂应激行为，若没有遇到人或物体则不执行机械臂应激行为。
在一些实施例中，所述利用卷积神经网络对所述原始周围区域信息进行特征提取，得到各设定关键点特征提取后的位置特征向量，具体包括：
基于输入的所述原始周围区域信息的数量及卷积神经网络的内属性计算输出特征数量：
；其中，N in 表示特征的大小，p是根据人为输入的填充大小，k表示系统的内核大小，s表示人为输入的卷积运算次数；
计算输出特征中心位置：
；其中，start in 表示人为输入的特征区域的中心位置，j in 表示人为输入的跳跃；
根据各个输出特征中心位置得到各设定关键点特征提取后的位置特征向量。
在一些实施例中，所述利用每个所述设定关键点的三维可视化仿真特征在具有机械臂的虚拟环境中对所述周围人或物体建模，具体包括：
根据每个所述设定关键点的三维可视化仿真特征在具有机械臂的虚拟环境中对所述周围人或物体进行D-H建模，利用MATLAB工具箱仿真和验证所述机械臂的位姿和关节角，并基于数字孪生进行三维可视化显示。
在一些实施例中，所述在所述虚拟环境中利用人工势场法，设定机械臂应激行为参数，具体包括：
设定机械臂上设定关键点和人或物体的位置特征点产生的引力势函数：
；其中，U att (q)表示引力势函数，
表示引力增益，d表示机械臂上设定关键点与人或物体的位置特征点的距离，q goal 表示躲避人或物体时要移动的最终目标点，q代表机械臂上的设定关键点；
设定机械臂上设定关键点和人或物体的位置特征点产生的斥力势函数：
；其中，D(q)表示与q最近障碍区域的距离，η表示斥力增益，Q*表示障碍区域的作用距离阈值；
设定所述虚拟环境中人或物体的位置特征的势函数：
；其中，U(q)表示势函数，U att (q)表示引力势函数，U rep (q)表示斥力势函数。
在一些实施例中，所述判断所述机械臂是否遇到人或物体，具体包括：
在设定的范围内有人或物体出现，即判断所述机械臂遇到人或物体，否则即判断所述机械臂没有遇到人或物体。
在一些实施例中，所述若遇到人或物体则执行所述机械臂应激行为，若没有遇到人或物体则不执行所述机械臂应激行为，具体包括：
若所述机械臂遇到人或物体，则判断所述机械臂的各设定关键点是否遇到人或物体的特征区域；若是，则使所述设定关键点沿着所述人工势场法的斥力场等势线运动，继续绕行行为；若否，则使所述设定关键点沿着所述吸引力与所述排斥力的合力方向运动，继续绕行行为；
若所述机械臂没有遇到人或物体，则判断所述机械臂的各设定关键点是否遇到人或物体的特征区域；若是，则使所述设定关键点沿着所述人工势场法的斥力场等势线运动，开始绕行行为；若否，则使所述设定关键点沿着所述吸引力与所述排斥力的合力方向运动。
在一些实施例中，所述判断所述机械臂的各设定关键点是否遇到人或物体的特征区域，具体包括：
当
，或者
时，判定机械臂设定关键点遇到人或物体；其中，所述f att 表示机械臂上设定关键点和人或物体的位置特征点产生的引力，f rep，j 表示机械臂上设定关键点和人或物体的位置特征点产生的总斥力，n代表总共有多少个斥力，j表示第j个斥力，
表示极小正数，x表示人或物体的位置，x A 表示机械臂设定关键点运动中的某一状态，s A 表示从x A 到x的总路程，
为0到1之间某一正数。
在另一方面，本发明还提供了一种机械臂路径规划系统，所述系统包括：
周围信息获取模块，用于获取机械臂各设定关键点的原始周围区域信息；所述原始周围区域信息包括：传感器获得的所述机械臂周围的信息；
特征提取模块，用于利用卷积神经网络对所述原始周围区域信息进行特征提取，得到各设定关键点特征提取后的位置特征向量；所述位置特征向量包括：周围人或物体的位置特征；
协方差计算模块，用于计算所述各设定关键点的位置特征向量之间的协方差，得到协方差矩阵；
三维特征构建模块，用于利用所述协方差矩阵为每个所述设定关键点创建三维可视化仿真特征；
建模模块，用于利用每个所述设定关键点的三维可视化仿真特征在具有机械臂的虚拟环境中对所述周围人或物体建模；
应激行为参数设定模块，用于在所述虚拟环境中利用人工势场法，设定机械臂应激行为参数；所述机械臂应激参数中目标任务对所述机械臂产生吸引力，人或物体对所述机械臂产生排斥力；
应激行为判断模块，用于判断所述机械臂是否遇到人或物体；若遇到人或物体则根据所述机械臂应激行为参数执行机械臂应激行为，若没有遇到人或物体则不执行机械臂应激行为。
在一些实施例中，所述应激行为参数设定模块，具体用于：
设定机械臂上设定关键点和人或物体的位置特征点产生的引力势函数：
；其中，U att (q)表示引力势函数，
表示引力增益，d表示机械臂上设定关键点与人或物体的位置特征点的距离，q goal 表示躲避人或物体时要移动的最终目标点，q代表机械臂上的设定关键点；
设定机械臂上设定关键点和人或物体的位置特征点产生的斥力势函数：
；其中，D(q)表示与q最近障碍区域的距离，η表示斥力增益，Q*表示障碍区域的作用距离阈值；
设定所述虚拟环境中人或物体的位置特征的势函数：
；其中，U(q)表示势函数，U att (q)表示引力势函数，U rep (q)表示斥力势函数。
在一些实施例中，所述应激行为判断模块，具体用于：
若所述机械臂遇到人或物体，则判断所述机械臂的各设定关键点是否遇到人或物体的特征区域；若是，则使所述设定关键点沿着所述人工势场法的斥力场等势线运动，继续绕行行为；若否，则使所述设定关键点沿着所述吸引力与所述排斥力的合力方向运动，继续绕行行为；
若所述机械臂没有遇到人或物体，则判断所述机械臂的各设定关键点是否遇到人或物体的特征区域；若是，则使所述设定关键点沿着所述人工势场法的斥力场等势线运动，开始绕行行为；若否，则使所述设定关键点沿着所述吸引力与所述排斥力的合力方向运动。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明利用神经网络特征提取，准确识别并提取出机械臂关键点周围的人或物体的位置特征，从而有效保证了识别对象的可靠性和安全性，同时利用机器学习的方法对路径进行规划，根据机械臂及其关键点是否遇到人来进行双重控制，有效提高机械臂路径规划的准确性。
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为本发明实施例一提供的机械臂路径规划方法流程图。
图2为本发明实施例一提供的应激行为示意图。
图3为本发明实施例二提供的机械臂路径规划系统的系统框图。
具体实施方式
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，所描述的实施例仅仅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做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。
本发明的目的是提供一种机械臂路径规划方法及系统，利用神经网络识别机械臂周围的人或物体的强特征，有效提高机械臂路径规划的准确性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一：
如图1所示，本实施例提供了一种机械臂路径规划方法，由机械臂各设定关键点部位的传感器采集数据，对其进行路径规划，搭建人-机交互系统，考虑到实际工厂人-机安全法则，通过虚拟结合场景方法来模拟仿真真实的制造过程，该方法具体包括：
S1、获取机械臂各设定关键点的原始周围区域信息；所述原始周围区域信息包括：传感器获得的所述机械臂周围的信息。
在保证人的安全前提下，再进行机械臂的反应路径规划。在路径规划中机器学习的前提也是保证人的安全法则。首先通过机械臂上各关键点的三维模型传感器和运动传感装置，采集机械臂周围区域信息，这些信息是真实环境数据（点云），用来识别和定位周围的人或物体的数量和位置特征。位置特征是三维空间里点的坐标，把（x,y,z）看做一个特征。
S2、利用卷积神经网络对所述原始周围区域信息进行特征提取，得到各设定关键点特征提取后的位置特征向量；所述位置特征向量包括：周围人或物体的位置特征。
采集的原始周围区域信息在转化到虚拟空间时，这些会出现模拟对象和真实对象之间的差异，为此，本实施例利用卷积神经网络来识别训练目标，进行特征提取，得到周围的人或物体的三维位置坐标，将其组成特征向量或矩阵。
卷积神经网络的训练步骤为：规定输入的人或物体位置特征区域，给定一个输入机械臂位置特征样本（包括所有设定关键点周围的人或物体的位置特征区域），保证特征尺度空间不变，特征样本通过卷积神经网络进行训练，然后进行特征识别。
基于输入的所述原始周围区域信息的数量及卷积神经网络的内属性计算输出特征数量：
；其中，N in 表示特征的大小，p是根据人为输入的填充大小，k表示系统的内核大小，s表示人为输入的卷积运算次数。
计算输出特征图中的跳跃：
；其中，j in 表示人为输入的跳跃，此处是开始由人输入训练特征的跳跃，后续用来计算位置特征。
计算出特征图中特征区域的大小：
，其中，所述r in 表示人为输入的特征区域的大小。
计算输出特征中心位置：
；其中，start in 表示人为输入的特征区域的中心位置。
根据各个输出特征中心位置得到各设定关键点特征提取后的位置特征向量。本实施例中各设定关键点特征提取后的位置特征向量包括：周围人或物体的位置特征的中心位置。
作为一个具体的实施例，卷积神经网络有两个阶段，一个是从低层到高层传播及前向传播阶段，另一个是前向传播与预期不符合，将误差从高层到低层的传播及反向传播阶段。本实施例中首先在卷积神经网络模型输入层中输入的特征区域大小r in 和跳跃j in ，对于区域内的特征通过卷积神经网络的激活函数（这里激活函数是模型自带的类似于内部代码）前向传播，再利用上述计算特征图跳跃和特征区域的大小的公式。紧接着在卷积层进行反向传播，反向传播的训练过程的第一步为计算出网络总的误差：求出输出层n的输出a(n)与目标值y之间为误差。得到误差以后传到上一层，先对误差进行一层全零填充，然后将卷积层进行一百八十度旋转，再用旋转后的卷积的误差矩阵，并得到了上一层的误差。以此类推进行返回再前向传播达到识别的目的。
S3、计算所述各设定关键点的位置特征向量之间的协方差，得到协方差矩阵；利用协方差对机械臂上关键点与关键点之间的位置特征向量来描述变换行为。
S4、利用所述协方差矩阵为每个所述设定关键点创建三维可视化仿真特征；然后基于数字孪生（DT）进行三维可视化仿真展开，并作为在虚拟样机下机械臂的路径规划做准备。
S5、利用每个所述设定关键点的三维可视化仿真特征在具有机械臂的虚拟环境中对所述周围人或物体建模；所述虚拟环境是已经根据机械臂建模完成的虚拟环境。
具体地，根据每个所述设定关键点的三维可视化仿真特征在具有机械臂的虚拟环境中对所述周围人或物体进行D-H建模，利用MATLAB自带的Robotics工具箱仿真和验证所述机械臂的位姿和关节角，并基于数字孪生进行三维可视化显示。
S6、在所述虚拟环境中利用人工势场法，设定机械臂应激行为参数；所述机械臂应激参数中目标任务对所述机械臂产生吸引力，人或物体对所述机械臂产生排斥力，应激行为如图2所示。
具体的，用势函数U建立人工势场。空间中某点处势函数值的大小作为势场强度。人工势场思路是让目标任务对机械臂产生吸引力，人产生排斥力。
设定虚拟环境中机械臂上设定关键点和人或物体的位置特征点产生的引力势函数：
；其中，U att (q)表示引力，
表示引力增益，d表示机械臂上设定关键点与人或物体的位置特征点的距离，q goal 表示躲避人或物体时要移动的最终目标点，q代表机械臂上的设定关键点。
设定机械臂上设定关键点和人或物体的位置特征点产生的斥力势函数：
；其中，D(q)表示与q最近障碍区域的距离，η表示斥力增益，Q*表示障碍区域的作用距离阈值。
设定所述虚拟环境中人或物体的位置特征的势函数：
；其中，U(q)表示势函数，U att (q)表示引力势函数，U rep (q)表示斥力势函数。
本实施例中根据上述设定的势函数进行应激行为。
S7、判断所述机械臂是否遇到人或物体；若遇到人或物体则根据所述机械臂应激行为参数执行机械臂应激行为，若没有遇到人或物体则不执行机械臂应激行为。该应激行为参数包括：斥力场等势线、吸引力与排斥力的合力。
在判断所述机械臂是否遇到人或物体的过程中，在设定的范围内有人或物体出现，即判断所述机械臂遇到人或物体，否则即判断所述机械臂没有遇到人或物体。这里判断是人进入区域，也可以理解为在数字孪生环境中显示出人介入，即机械臂开始进行应激性为也可以叫绕路也可以叫开始路径规划了。
若所述机械臂遇到人或物体，则判断所述机械臂的各设定关键点是否遇到人或物体的特征区域；若是，则使所述设定关键点沿着所述人工势场法的斥力场等势线运动，继续绕行行为；若否，则使所述设定关键点沿着所述吸引力与所述排斥力的合力方向运动，继续绕行行为。
若所述机械臂没有遇到人或物体，则判断所述机械臂的各设定关键点是否遇到人或物体的特征区域；若是，则使所述设定关键点沿着所述人工势场法的斥力场等势线运动，开始绕行行为；若否，则使所述设定关键点沿着所述吸引力与所述排斥力的合力方向运动。
机械臂设定关键点在周围人或物体的特征区域面前时，对斥力相互叠加，可能出现合力为零的情况，在这种情况下，一旦缺乏其他的动力比如目标点的吸引，机械臂关键点会在复合情况面前停止运动或者无限循环在复杂环境之间，没法达到目的地，因此判别机械臂关键点是否遇到人或物体的特征区域的条件为：
当
，或者
时，判定机械臂设定关键点遇到人或物体；其中，所述f att 表示机械臂上设定关键点和人或物体的位置特征点产生的引力，f rep，j 表示机械臂上设定关键点和人或物体的位置特征点产生的总斥力，n代表总共有多少个斥力，j表示第j个斥力，
表示极小正数，x表示人或物体的位置，x A 表示机械臂设定关键点运动中的某一状态，s A 表示从x A 到x的总路程，
为0到1之间某一正数。当上述两个条件满足其一时，表示机械臂设定关键点遇到了局部极小点。
最后在上述虚拟环境中利用虚拟空间的轨迹规划策略来驱动﹑控制实际机械臂的运行轨迹，测试和验证轨迹规划的实际效果和可靠性。
本实施例提供的机械臂路径规划方法，利用神经网络特征提取，准确识别并提取出机械臂关键点周围的人或物体的位置特征，从而有效保证了识别对象的可靠性和安全性，同时利用机器学习的方法对路径进行规划，根据机械臂及其关键点是否遇到人来进行双重控制，有效提高机械臂路径规划的准确性。
实施例二：
如图3所示，本实施例提供了一种机械臂路径规划系统，该系统包括：
周围信息获取模块M1，用于获取机械臂各设定关键点的原始周围区域信息；所述原始周围区域信息包括：传感器获得的所述机械臂周围的信息。
特征提取模块M2，用于利用卷积神经网络对所述原始周围区域信息进行特征提取，得到各设定关键点特征提取后的位置特征向量；所述位置特征向量包括：周围人或物体的位置特征。
协方差计算模块M3，用于计算所述各设定关键点的位置特征向量之间的协方差，得到协方差矩阵。
三维特征构建模块M4，用于利用所述协方差矩阵为每个所述设定关键点创建三维可视化仿真特征。
建模模块M5，用于利用每个所述设定关键点的三维可视化仿真特征在具有机械臂的虚拟环境中对所述周围人或物体建模。
应激行为参数设定模块M6，用于在所述虚拟环境中利用人工势场法，设定机械臂应激行为参数；所述机械臂应激参数中目标任务对所述机械臂产生吸引力，人或物体对所述机械臂产生排斥力。
应激行为判断模块M7，用于判断所述机械臂是否遇到人或物体；若遇到人或物体则根据所述机械臂应激行为参数执行机械臂应激行为，若没有遇到人或物体则不执行机械臂应激行为。
所述应激行为参数设定模块M6，具体用于：
设定机械臂上设定关键点和人或物体的位置特征点产生的引力势函数：
；其中，U att (q)表示引力势函数，
表示引力增益，d表示机械臂上设定关键点与人或物体的位置特征点的距离，q goal 表示躲避人或物体时要移动的最终目标点，q代表机械臂上的设定关键点；
设定机械臂上设定关键点和人或物体的位置特征点产生的斥力势函数：
；其中，D(q)表示与q最近障碍区域的距离，η表示斥力增益，Q*表示障碍区域的作用距离阈值；
设定所述虚拟环境中人或物体的位置特征的势函数：
；其中，U(q)表示势函数，U att (q)表示引力势函数，U rep (q)表示斥力势函数。
所述应激行为判断模块M7，具体用于：
若所述机械臂遇到人或物体，则判断所述机械臂的各设定关键点是否遇到人或物体的特征区域；若是，则使所述设定关键点沿着所述人工势场法的斥力场等势线运动，继续绕行行为；若否，则使所述设定关键点沿着所述吸引力与所述排斥力的合力方向运动，继续绕行行为。
若所述机械臂没有遇到人或物体，则判断所述机械臂的各设定关键点是否遇到人或物体的特征区域；若是，则使所述设定关键点沿着所述人工势场法的斥力场等势线运动，开始绕行行为；若否，则使所述设定关键点沿着所述吸引力与所述排斥力的合力方向运动。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种机械臂路径规划方法，其特征在于，所述方法包括：
获取机械臂各设定关键点的原始周围区域信息；所述原始周围区域信息包括：传感器获得的所述机械臂周围的信息；
利用卷积神经网络对所述原始周围区域信息进行特征提取，得到各设定关键点特征提取后的位置特征向量；所述位置特征向量包括：周围人或物体的位置特征；
计算所述各设定关键点的位置特征向量之间的协方差，得到协方差矩阵；
利用所述协方差矩阵为每个所述设定关键点创建三维可视化仿真特征；
利用每个所述设定关键点的三维可视化仿真特征在具有机械臂的虚拟环境中对所述周围人或物体建模；
在所述虚拟环境中利用人工势场法，设定机械臂应激行为参数；所述机械臂应激参数中目标任务对所述机械臂产生吸引力，人或物体对所述机械臂产生排斥力；
判断所述机械臂是否遇到人或物体；若遇到人或物体则根据所述机械臂应激行为参数执行机械臂应激行为，若没有遇到人或物体则不执行机械臂应激行为。
2.根据权利要求1所述的机械臂路径规划方法，其特征在于，所述利用卷积神经网络对所述原始周围区域信息进行特征提取，得到各设定关键点特征提取后的位置特征向量，具体包括：
基于输入的所述原始周围区域信息的数量及卷积神经网络的内属性计算输出特征数量：
；其中，N in 表示特征的大小，p是根据人为输入的填充大小，k表示系统的内核大小，s表示人为输入的卷积运算次数；
计算输出特征中心位置：
；其中，start in 表示人为输入的特征区域的中心位置，j in 表示人为输入的跳跃；
根据各个输出特征中心位置得到各设定关键点特征提取后的位置特征向量。
3.根据权利要求1所述的机械臂路径规划方法，其特征在于，所述利用每个所述设定关键点的三维可视化仿真特征在具有机械臂的虚拟环境中对所述周围人或物体建模，具体包括：
根据每个所述设定关键点的三维可视化仿真特征在具有机械臂的虚拟环境中对所述周围人或物体进行D-H建模，利用MATLAB工具箱仿真和验证所述机械臂的位姿和关节角，并基于数字孪生进行三维可视化显示。
4.根据权利要求1所述的机械臂路径规划方法，其特征在于，所述在所述虚拟环境中利用人工势场法，设定机械臂应激行为参数，具体包括：
设定机械臂上设定关键点和人或物体的位置特征点产生的引力势函数：
；其中，U att (q)表示引力势函数，
表示引力增益，d表示机械臂上设定关键点与人或物体的位置特征点的距离，q goal 表示躲避人或物体时要移动的最终目标点，q代表机械臂上的设定关键点；
设定机械臂上设定关键点和人或物体的位置特征点产生的斥力势函数：
；其中，D(q)表示与q最近障碍区域的距离，η表示斥力增益，Q*表示障碍区域的作用距离阈值；
设定所述虚拟环境中人或物体的位置特征的势函数：
；其中，U(q)表示势函数，U att (q)表示引力势函数，U rep (q)表示斥力势函数。
5.根据权利要求1所述的机械臂路径规划方法，其特征在于，所述判断所述机械臂是否遇到人或物体，具体包括：
在设定的范围内有人或物体出现，即判断所述机械臂遇到人或物体，否则即判断所述机械臂没有遇到人或物体。
6.根据权利要求1所述的机械臂路径规划方法，其特征在于，所述若遇到人或物体则执行所述机械臂应激行为，若没有遇到人或物体则不执行所述机械臂应激行为，具体包括：
若所述机械臂遇到人或物体，则判断所述机械臂的各设定关键点是否遇到人或物体的特征区域；若是，则使所述设定关键点沿着所述人工势场法的斥力场等势线运动，继续绕行行为；若否，则使所述设定关键点沿着所述吸引力与所述排斥力的合力方向运动，继续绕行行为；
若所述机械臂没有遇到人或物体，则判断所述机械臂的各设定关键点是否遇到人或物体的特征区域；若是，则使所述设定关键点沿着所述人工势场法的斥力场等势线运动，开始绕行行为；若否，则使所述设定关键点沿着所述吸引力与所述排斥力的合力方向运动。
7.根据权利要求6所述的机械臂路径规划方法，其特征在于，所述判断所述机械臂的各设定关键点是否遇到人或物体的特征区域，具体包括：
当
，或者
时，判定机械臂设定关键点遇到人或物体；其中，所述f att 表示机械臂上设定关键点和人或物体的位置特征点产生的引力，f rep，j 表示机械臂上设定关键点和人或物体的位置特征点产生的总斥力，n代表总共有多少个斥力，j表示第j个斥力，
表示极小正数，x表示人或物体的位置，x A 表示机械臂设定关键点运动中的某一状态，s A 表示从x A 到x的总路程，
为0到1之间某一正数。
8.一种机械臂路径规划系统，其特征在于，所述系统包括：
周围信息获取模块，用于获取机械臂各设定关键点的原始周围区域信息；所述原始周围区域信息包括：传感器获得的所述机械臂周围的信息；
特征提取模块，用于利用卷积神经网络对所述原始周围区域信息进行特征提取，得到各设定关键点特征提取后的位置特征向量；所述位置特征向量包括：周围人或物体的位置特征；
协方差计算模块，用于计算所述各设定关键点的位置特征向量之间的协方差，得到协方差矩阵；
三维特征构建模块，用于利用所述协方差矩阵为每个所述设定关键点创建三维可视化仿真特征；
建模模块，用于利用每个所述设定关键点的三维可视化仿真特征在具有机械臂的虚拟环境中对所述周围人或物体建模；
应激行为参数设定模块，用于在所述虚拟环境中利用人工势场法，设定机械臂应激行为参数；所述机械臂应激参数中目标任务对所述机械臂产生吸引力，人或物体对所述机械臂产生排斥力；
应激行为判断模块，用于判断所述机械臂是否遇到人或物体；若遇到人或物体则根据所述机械臂应激行为参数执行机械臂应激行为，若没有遇到人或物体则不执行机械臂应激行为。
9.根据权利要求8所述的机械臂路径规划系统，其特征在于，所述应激行为参数设定模块，具体用于：
设定机械臂上设定关键点和人或物体的位置特征点产生的引力势函数：
；其中，U att (q)表示引力势函数，
表示引力增益，d表示机械臂上设定关键点与人或物体的位置特征点的距离，q goal 表示躲避人或物体时要移动的最终目标点，q代表机械臂上的设定关键点；
设定机械臂上设定关键点和人或物体的位置特征点产生的斥力势函数：
；其中，D(q)表示与q最近障碍区域的距离，η表示斥力增益，Q*表示障碍区域的作用距离阈值；
设定所述虚拟环境中人或物体的位置特征的势函数：
；其中，U(q)表示势函数，U att (q)表示引力势函数，U rep (q)表示斥力势函数。
10.根据权利要求8所述的机械臂路径规划系统，其特征在于，所述应激行为判断模块，具体用于：
若所述机械臂遇到人或物体，则判断所述机械臂的各设定关键点是否遇到人或物体的特征区域；若是，则使所述设定关键点沿着所述人工势场法的斥力场等势线运动，继续绕行行为；若否，则使所述设定关键点沿着所述吸引力与所述排斥力的合力方向运动，继续绕行行为；
若所述机械臂没有遇到人或物体，则判断所述机械臂的各设定关键点是否遇到人或物体的特征区域；若是，则使所述设定关键点沿着所述人工势场法的斥力场等势线运动，开始绕行行为；若否，则使所述设定关键点沿着所述吸引力与所述排斥力的合力方向运动。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111323010.5A CN113752267B (zh) | 2021-11-10 | 2021-11-10 | 一种机械臂路径规划方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111323010.5A CN113752267B (zh) | 2021-11-10 | 2021-11-10 | 一种机械臂路径规划方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113752267A CN113752267A (zh) | 2021-12-07 |
| CN113752267B true CN113752267B (zh) | 2022-02-11 |
Family
ID=78784813
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111323010.5A Active CN113752267B (zh) | 2021-11-10 | 2021-11-10 | 一种机械臂路径规划方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113752267B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115494877A (zh) * | 2022-10-21 | 2022-12-20 | 哈尔滨工业大学 | 基于人工势场法的卫星模拟器编队避障路径规划方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002172575A (ja) * | 2000-12-07 | 2002-06-18 | Fanuc Ltd | 教示装置 |
| CN104571113B (zh) * | 2015-01-20 | 2017-07-11 | 新智认知数据服务有限公司 | 移动机器人的路径规划方法 |
| CN108171796A (zh) * | 2017-12-25 | 2018-06-15 | 燕山大学 | 一种基于三维点云的巡检机器人视觉系统及控制方法 |
| CN110375738B (zh) * | 2019-06-21 | 2023-03-14 | 西安电子科技大学 | 一种融合惯性测量单元的单目同步定位与建图位姿解算方法 |
| CN110595466B (zh) * | 2019-09-18 | 2020-11-03 | 电子科技大学 | 轻量级的基于深度学习的惯性辅助视觉里程计实现方法 |
| CN111121807A (zh) * | 2019-12-18 | 2020-05-08 | 安徽机电职业技术学院 | 一种移动机器人路径规划方法 |
| CN111633665B (zh) * | 2020-07-03 | 2023-10-03 | 桂林电子科技大学 | 抓取电磁换能器协助无损检测的装置及其轨迹规划方法 |
-
2021
- 2021-11-10 CN CN202111323010.5A patent/CN113752267B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN113752267A (zh) | 2021-12-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109960880B (zh) | 一种基于机器学习的工业机器人避障路径规划方法 | |
| CN108015763A (zh) | 一种抗噪声干扰的冗余度机械臂路径规划方法 | |
| CN113752267B (zh) | 一种机械臂路径规划方法及系统 | |
| CN106826813A (zh) | 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 | |
| CN109491369A (zh) | 车辆实际控制单元的性能评估方法、装置、设备和介质 | |
| Bogosian et al. | Work in progress: towards an immersive robotics training for the future of architecture, engineering, and construction workforce | |
| Velarde-Sanchez et al. | 5-DOF manipulator simulation based on MATLAB-Simulink methodology | |
| CN110135014A (zh) | 一种线状道路要素自动化建模方法及装置 | |
| CN115982954A (zh) | 一种输电线路三维仿真模型构建系统及模型构建方法 | |
| CN118155107A (zh) | 一种基于增强现实的机械臂轨迹规划和碰撞检测方法 | |
| CN116225029B (zh) | 一种机器人路径规划方法 | |
| CN108563859A (zh) | 一种用于单兵室内定位导航快速生成建筑模型的方法 | |
| CN117195683A (zh) | 机械臂及其故障诊断模型的训练方法、故障诊断方法 | |
| CN107730134A (zh) | 基于vr技术的交互式自动评分系统 | |
| CN109816192B (zh) | Gil管廊工程仿真控制系统 | |
| Renawi et al. | ROS validation for non-holonomic differential robot modeling and control: Case study: Kobuki robot trajectory tracking controller | |
| CN104699987A (zh) | 一种手臂惯性式动作捕捉数据融合方法 | |
| CN109934908A (zh) | 一种基于无人机的实际场景建模方法 | |
| CN113848750A (zh) | 一种双轮机器人仿真系统及机器人系统 | |
| Li et al. | Acceleration of the development for motion planning algorithms using v-rep | |
| CN111859629A (zh) | 一种直升机动部件的检测规划方法及系统 | |
| Yoon et al. | Research on the Robot Platform Construction Method Based on the Simulation | |
| Erdei et al. | 3D CAD design of KUKA robot arm & integration into AR environment to educational purposes | |
| CN117688706B (zh) | 一种基于视觉引导的布线设计方法及系统 | |
| CN117234103A (zh) | 一种移动操作机器人功能算法仿真验证平台及方法 |
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 |