CN113858203B - 一种机器人自适应轨迹规划及避障方法 - Google Patents
一种机器人自适应轨迹规划及避障方法 Download PDFInfo
- Publication number
- CN113858203B CN113858203B CN202111215805.4A CN202111215805A CN113858203B CN 113858203 B CN113858203 B CN 113858203B CN 202111215805 A CN202111215805 A CN 202111215805A CN 113858203 B CN113858203 B CN 113858203B
- Authority
- CN
- China
- Prior art keywords
- mechanical arm
- assembly
- path
- space
- pheromone
- 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 47
- 239000003016 pheromone Substances 0.000 claims description 35
- 238000004364 calculation method Methods 0.000 claims description 16
- 241000257303 Hymenoptera Species 0.000 claims description 14
- 108090000623 proteins and genes Proteins 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 230000003068 static effect Effects 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000005491 wire drawing Methods 0.000 claims description 4
- 238000007599 discharging Methods 0.000 claims description 3
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 claims description 2
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 claims description 2
- 230000002068 genetic effect Effects 0.000 claims 1
- 230000008569 process Effects 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000001846 repelling effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- B25J9/1656—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
- B25J9/1666—Avoiding collision or forbidden zones
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Manipulator (AREA)
Abstract
本申请公开了一种机器人自适应轨迹规划及避障方法,包括:获取装配物及机械臂的空间坐标数据以及机械臂各关节的自由度范围;采用蚁群算法计算装配物由初始位置至目标位置的最优路径,装配物由机械臂从初始位置抓取至目标位置;采用差分进化算法计算装配物在最优路径时,满足机械臂自由度范围内的最优无碰撞可达路径。本申请可以满足不同精度且不同型号的机械臂进行避障轨迹规划。
Description
技术领域
本申请涉及机器人轨迹规划技术领域,尤其涉及一种机器人自适应轨迹规划及避障方法。
背景技术
随着工业自动化进程的推进,越来越多的机械臂被应用到工业制造中来,黑灯工厂里的自动化产线也在不断地变得庞大起来,这其中的机械臂避障规划问题规模也在不断地增长,给设计师们带来了巨大的压力。
近期人工智能技术在多个领域的应用与发展,也是的越来越多的人员将人工智能技术应用到工业机械臂避障规划问题上,常见的算法有:神经网络、蚁群、强化学习等。通常的做法是首先采用简单包围盒,或者是借用三维虚拟平台的凸多面体技术构建机械臂模型,之后在使用人工智能的算法在此基础上进行避障规划的计算,解决了图搜索、人工势场、随机取样等常规算法的场景适应性差的问题,也在一定程度上减少了设计人员的工作量问题。但这些常见的智能避障规划方法也存在一些问题,如:不适应多型号,多自由度的机械臂;只支持单机械臂避障规划;不适应高精度要求的场景避障规划;依赖某一软件或平台;数据预处理不够方便等问题。
发明内容
本申请实施例提供了一种机器人自适应轨迹规划及避障方法,使得满足不同精度且不同型号的机械臂进行避障轨迹规划。
有鉴于此,本申请提供了一种机器人自适应轨迹规划及避障方法,所述方法包括:
获取装配物及机械臂的空间坐标数据以及机械臂各关节的自由度范围;
采用蚁群算法计算所述装配物由初始位置至目标位置的最优路径,所述装配物由机械臂从所述初始位置抓取至所述目标位置;
采用差分进化算法计算装配物在所述最优路径时,满足机械臂自由度范围内的最优无碰撞可达路径。
可选的,所述采用蚁群算法计算所述装配物由初始位置至目标位置的最优路径包括:
初始化搜索空间内的场景静态障碍物点云信息以及装配物点云信息,初始化装配物的初始位置和目标位置;
判断抓取装配物的机械臂由所述初始位置到目标位置是否会发生碰撞,若无,则将装配物作为蚂蚁进行蚁群算法计算;
获取蚂蚁位置的可视域,所述可视域包括蚂蚁当前所在空间的邻近空间,排出存在障碍物的邻近空间以及机械臂自由度范围之外的邻近空间;
根据当前引斥势力场调整信息素数据,构建新的轮盘赌数据,由所述信息素数据确定蚂蚁的下一步移动空间;
当所有蚂蚁到达所述目标位置时,输出蚁群的移动路径数据;
采用两头拉线法优化蚂蚁的移动路径,使得蚂蚁到终点的移动路径最短,得到装配物由初始位置到目标位置的最优路径,并更新所述信息素。
可选的,所述引斥势力场调整信息素数据的计算公式为:
phe′=phe*(1+(dircome+dirdes)·dirforw);
phe′为新的信息素,phe为旧的信息素,dircome为来时的方向向量,dirdes为目的地的方向向量,dirforw为预计前进的方向向量。
可选的,信息素的更新公式为:
phe′i,j,k为空间编号(i,j,k)的空间的新的信息素浓度,phei,j,k为空间编号(i,j,k)的空间的旧的信息素浓度,res为信息素残余程度,antm,i,j,k为蚂蚁m在空间编号(i,j,k)的空间处留下的信息素,计算方式是路径总长的倒数。
可选的,所述采用差分进化算法计算装配物在所述最优路径时,满足机械臂自由度范围内的最优无碰撞可达路径,包括:
初始化搜索空间内的场景静态障碍物点云信息、装配物点云信息、栅格型点云化机械臂运动学模型以及装配物由初始位置至目标位置的最优路径信息;
根据初始化后的信息构建生物个体,所述生物个体包括机械臂将所述装配物由所述初始位置移至所述目标位置的原始路径;
微调所述生物个体基因,生成变异个体,变异方向随机生成;
所述生物个体发生基因自交叉,生成交叉个体;
对交叉变异后的生物个体进行碰撞检测,所述碰撞检测包括对变异后路径的机械臂以及装配物进行碰撞检测;
根据是否发生碰撞的情况计算各变异生物个体的适应度,选取满足机械臂自由度范围内且适应度最大的变异生物个体作为最优个体,得到机械臂的最优无碰撞可达路径。
可选的,所述生物个体发生变异的计算公式为:
pos′i=posi+(α*rand0,β*rand1,γ*rand2)*step*num;
pos′i为变异后的路径节点,posi原始路径节点,α、β、γ取值0、1的随机数,rand0、rand1、rand2均是属于(-1,1)的随机数,step是步长,num是随机步长个数。
可选的,所述基因自交叉公式为:
pos′i为变异后的路径节点,posi为原始路径节点,α取值0、1的随机数,rand是属于(-1,1)的随机数,step是步长,num是随机步长个数。
可选的,适应度的计算公式为:
fiti为个体适应度,posi为路径节点,isRight是否无碰撞路径可达。
可选的,在所述获取装配物及机械臂的空间坐标数据,之前还包括:
根据不同型号机械臂在不同指令下的运动情况划分成多个子场景,不同所述子场景包括不同的所述初始位置及所述目标位置。
可选的,在所述获取装配物及机械臂的空间坐标数据,之前还包括:
构建以机械臂数字模型的各轴连接中心点与运动轴向的机械臂运动学模型,并计算机械臂DH参数,将所述DH参数保存至所述机械臂运动学模型中;
对机械臂进行栅格划分,构建机械臂点云数据;
结合机械臂运动学模型以及机械臂点云数据构建栅格型点云化机械臂运动学模型。
从以上技术方案可以看出,本申请具有以下优点:
本申请中,提供了一种机器人自适应轨迹规划及避障方法,包括:获取装配物及机械臂的空间坐标数据以及机械臂各关节的自由度范围;采用蚁群算法计算装配物由初始位置至目标位置的最优路径,装配物由机械臂从初始位置抓取至目标位置;采用差分进化算法计算装配物在最优路径时,满足机械臂自由度范围内的最优无碰撞可达路径。
本申请通过采用改进蚁群算法对装配物进行路径规划,并差分进化调整机械臂运动轨迹,得到机械臂自由度范围内的最优无碰撞可达路径,从而提升了运算速度,且本申请不需要对机械臂的型号以及机械臂自由度进行限制,使得本申请可以满足不同精度且不同型号的机械臂进行避障轨迹规划。
附图说明
图1为本申请一种机器人自适应轨迹规划及避障方法的一个实施例的方法流程图;
图2为本申请一种机器人自适应轨迹规划及避障方法的另一个实施例的方法流程图;
图3为本申请实施例中采用10mm精度的栅格型构建点云机械臂的示意图;
图4为本申请实施例中对多型号机械臂联合轨迹规划的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,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,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。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。
图1为一种机器人自适应轨迹规划及避障方法的一个实施例的方法流程图,如图1所示,图1中包括:
101、获取装配物及机械臂的空间坐标数据以及机械臂各关节的自由度范围;
需要说明的是,本申请可以根据每个子场景下对装配物的操作指令的不同以及机械臂的自由度范围的不同,汇总每个子场景的规划结果,并根据每个子场景对应的模型数据对机械臂进行路径规划。其中每个场景中可以包含若干障碍物,使得机械臂能够按照规划后的路径躲避障碍物并将装配物移动至目的位置。
102、采用蚁群算法计算装配物由初始位置至目标位置的最优路径,装配物由机械臂从初始位置抓取至目标位置;
需要说明的是,本申请可以采用蚁群算法计算出装配物由初始位置至目标位置的最优路径,需要注意的是,在装配物移动至目的位置的路径上必须躲避运动空间中的障碍物,且装配物的移动路径不得超出机械臂的自由度范围。
103、采用差分进化算法计算装配物在最优路径时,满足机械臂自由度范围内的最优无碰撞可达路径。
需要说明的是,计算得到装配物的最优路径后,可以根据装配物的最优路径对机械臂经过的路径节点进行微调(由于机械臂包括多个关节节点可以进行调整,因此可以在保证装配物位置的情况下,对机械臂经过的空间节点进行微调),使得机械臂在移动的过程中能够躲避障碍物,从而得到满足避障条件时,适应度最大的机械臂的最优无碰撞可达路径。
本申请通过采用改进蚁群算法对装配物进行路径规划,并差分进化调整机械臂运动轨迹,得到机械臂自由度范围内的最优无碰撞可达路径,从而提升了运算速度,且本申请不需要对机械臂的型号以及机械臂自由度进行限制,使得本申请可以满足不同精度且不同型号的机械臂进行避障轨迹规划。
本申请还提供了一种机器人自适应轨迹规划及避障方法的另外一个实施例的方法流程图,如图2所示,图2中包括:
201、根据不同型号机械臂在不同指令下的运动情况划分成多个子场景,不同子场景包括不同的初始位置及目标位置;
需要说明的是,本申请可以根据不同型号机械臂在不同指令下的运动情况划分成多个子场景,不同子场景包括不同的初始位置及目标位置,同时,不同场景下障碍物的位置也可以不相同,再根据每个子场景对应的模型数据对机械臂进行路径规划。具体的,在其中一个场景下本申请可以对多型号机械臂联合轨迹规划,如图4所示。
202、构建以机械臂数字模型的各轴连接中心点与运动轴向的机械臂运动学模型,并计算机械臂DH参数,将DH参数保存至机械臂运动学模型中;
需要说明的是,本申请可以构建以机械臂数字模型的各轴连接中心点与运动轴向的机械臂运动学模型,还包括机械臂的运动范围以及旋转范围的限制数据,具体的以连接点与轴向确定空间直线,机械臂轴围绕该直线平移或旋转从而模拟机械臂运动;以空间直线为核心的正向运动学计算公式:
dir′i=RM′i-1diri;con′i=RM′i-1coni;
RM′i=G(con′i,dir′i,θi);pos′i=RM′iposi or pos′i=dir′ili+posi;
dir′i新的运动轴向(单位向量),diri初始轴向,con′i新的连接点,coni初始的连接点,RM′i新的旋转矩阵,pos′i新的点云坐标,posi初始的点云坐标,li轴平移距离,θi轴的旋转角度。
本申请以空间直线为基础参照常规的DH坐标建立法计算机械臂DH参数,将DH参数保存至机械臂运动学模型中。
203、对机械臂进行栅格划分,构建机械臂点云数据;
需要说明的是,本申请可以机械臂模型的表面转化为需求精度的精确网格表示,然后对同一坐标系下的精确网格以基座原点为中心,需求精度为步长进行栅格划分,得到栅格型的机械臂点云模型,从而保证路径计算时的精度要求,具体的本申请可以采用10mm精度的栅格型构建点云机械臂,如图3所示。
204、结合机械臂运动学模型以及机械臂点云数据构建栅格型点云化机械臂运动学模型;
需要说明的是,本申请可以将栅格型的机械臂点云模型合并到以连接点、轴向为核心的机械臂运动学模型中,构建栅格型点云表示的数字机械臂运动学模型。
205、根据栅格型点云化机械臂运动学模型获取装配物及机械臂的空间坐标数据以及机械臂各关节的自由度范围;
需要说明的是,根据构建好的栅格型点云化机械臂运动学模型获取装配物、机械臂以及子场景下的障碍物的空间坐标数据或者点云数据,还包括机械臂各关节的自由度范围,根据以上数据对任一子场景下的机械臂进行路径规划。
206、初始化搜索空间内的场景静态障碍物点云信息以及装配物点云信息,初始化装配物的初始位置和目标位置;
需要说明的是,首先可以初始化搜索空间内的场景静态障碍物点云信息、装配物点云信息、初始位置信息以及目标位置信息,当然还包括其它蚁群算法相关的信息数据。
207、判断抓取装配物的机械臂由初始位置到目标位置是否会发生碰撞,若无,则将装配物作为蚂蚁进行蚁群算法计算;
需要说明的是,判断抓取装配物的机械臂由初始位置到目标位置是否会发生碰撞,若存在可达路径,则将装配物作为蚂蚁进行蚁群算法计算;若不存在可达路径或者存在的可达路径超过机械臂的自由度范围,则停止该蚁群活动。
208、获取蚂蚁位置的可视域,可视域包括蚂蚁当前所在空间的邻近空间,排出存在障碍物的邻近空间以及机械臂自由度范围之外的邻近空间;
需要说明的是,在进行蚁群算法时,蚁群进行分散寻路,可以探索出多个不同的路径,具体的可以获取每个蚂蚁位置的可视域,可视域具体包括蚂蚁当前所在空间的邻近空间,其中需要排出存在障碍物的邻近空间以及机械臂自由度范围之外的邻近空间,每前进一步都可以再次确定当前的可视域,直到蚁群到达目标位置或者超出机械臂自由度范围。
209、根据当前引斥势力场调整信息素数据,构建新的轮盘赌数据,由信息素数据确定蚂蚁的下一步移动空间;
需要说明的是,本申请可以根据引斥势力场调整信息素数据,构建新的轮盘赌数据,由信息素数据确定蚂蚁的下一步移动空间,具体的,引斥力场调整信息素计算公式:
phe′=phe*(1+(dircome+dirdes)·dirforw);
phe′新的信息素,phe旧的信息素,dircome来时的方向向量,dirdes目的地的方向向量,dirforw预计前进的方向向量。
210、当所有蚂蚁到达目标位置时,输出蚁群的移动路径数据;
需要说明的是,当所有蚂蚁到达目标位置时,将获取到的所有蚁群的路径进行统计输出。
211、采用两头拉线法优化蚂蚁的移动路径,使得蚂蚁到终点的移动路径最短,得到装配物由初始位置到目标位置的最优路径,并更新信息素。
需要说明的是,本申请可以采用两头拉线法优化蚂蚁的移动路径,使得蚂蚁到终点的移动路径最短,当然也可以根据需要采用其他算法获取装配物由初始位置到目标位置的最优路径。获取最优路径后,可以更新搜索空间内的信息素,用于下次路径搜索。
具体的,信息素更新公式;
phe′i,j,k空间编号(i,j,k)的空间的新的信息素浓度,phei,j,k空间编号(i,j,k)的空间的旧的信息素浓度,res信息素残余程度,antm,i,j,k蚂蚁m在空间编号(i,j,k)的空间处留下的信息素,计算方式是路径总长的倒数,n表示蚂蚁的总数。
212、初始化搜索空间内的场景静态障碍物点云信息、装配物点云信息、栅格型点云化机械臂运动学模型以及装配物由初始位置至目标位置的最优路径信息;
需要说明的是,获取装配物的最优路径后,可以在装配物的最优路径的基础上对机械臂的移动路径的节点进行微调,使得机械臂的移动路径能够躲避障碍物的同时满足算法的要求,从而得到机械臂的最优无碰撞可达路径。
具体的,在进行差分进化算法时,首先初始化搜索空间内的场景静态障碍物点云信息、装配物点云信息、栅格型点云化机械臂运动学模型以及装配物由初始位置至目标位置的最优路径信息。
213、根据初始化后的信息构建生物个体,生物个体包括机械臂将装配物由初始位置移至目标位置的原始路径;
需要说明的是,由上述初始化后的碍物点云信息、装配物点云信息、栅格型点云化机械臂运动学模型以及装配物由初始位置至目标位置的最优路径信息构建生物个体,其中生物个体包括机械臂将装配物由初始位置移至目标位置的原始路径。
214、微调生物个体基因,生成变异个体,变异方向随机生成;
需要说明的是,对生物个体基因进行微调,及对原始路径进行微调,生成变异后的路径,具体的变异方向随机生成,其变异计算公式:
pos′i=posi+(α*rand0,β*rand1,γ*rand2)*step*num;
pos′i变异后的路径节点,posi原始路径节点,α、β、γ取值0、1的随机数,rand0、rand1、rand2均是属于(-1,1)的随机数,step是步长,num是随机步长个数;
215、生物个体发生基因自交叉,生成交叉个体;
需要说明的是,生物个体发生基因自交叉的交叉基因来源于自身,降低个体基因崩溃概率,提升并行计算适应度,具体的基因交叉公式为:
pos′i变异后的路径节点,posi原始路径节点,α取值0、1的随机数,rand是属于(-1,1)的随机数,step是步长,num是随机步长个数。
216、对交叉变异后的生物个体进行碰撞检测,碰撞检测包括对变异后路径的机械臂以及装配物进行碰撞检测;
需要说明的是,对交叉变异后的变异路径进行碰撞检测,保证在按照路径移动过程中机械臂和装配物都不会与障碍物发生碰撞,若发生碰撞,则放弃该变异生物个体,若未发生碰撞,则可以计算新生个体的适应度,其适应度计算公式为:
fiti个体适应度,posi路径节点,isRight是否无碰撞路径可达。
217、根据是否发生碰撞的情况计算各变异生物个体的适应度,选取满足机械臂自由度范围内且适应度最大的变异生物个体作为最优个体,得到机械臂的最优无碰撞可达路径。
需要说明的是,可以迭代计算每次交叉变异后个体的适应度,选取适应度最大的变异生物个体作为最优个体,得到机械臂的最优无碰撞可达路径。
本申请基于栅格型点云表示的数字机械臂运动学模型,设计针对性的避障规划解决方案,以蚁群算法路径规划以及差分进化轨迹规划为核心,处理不同精度的多台不同型号的机械臂虚拟模型的智能避障轨迹规划任务。该方法适用多台不同型号的虚拟机械臂智能避障规划,同时提升了单台虚拟机械臂的避障规划速度,且该方法不依赖于某一特定算法库或平台,具有良好的可移植性。
所属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,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (9)
1.一种机器人自适应轨迹规划及避障方法,其特征在于,包括:
获取装配物及机械臂的空间坐标数据以及机械臂各关节的自由度范围;
采用蚁群算法计算所述装配物由初始位置至目标位置的最优路径,所述装配物由机械臂从所述初始位置抓取至所述目标位置;
所述采用蚁群算法计算所述装配物由初始位置至目标位置的最优路径包括:
初始化搜索空间内的场景静态障碍物点云信息以及装配物点云信息,初始化装配物的初始位置和目标位置;
判断抓取装配物的机械臂由所述初始位置到目标位置是否会发生碰撞,若无,则将装配物作为蚂蚁进行蚁群算法计算;
获取蚂蚁位置的可视域,所述可视域包括蚂蚁当前所在空间的邻近空间,排出存在障碍物的邻近空间以及机械臂自由度范围之外的邻近空间;
根据当前引斥势力场调整信息素数据,构建新的轮盘赌数据,由所述信息素数据确定蚂蚁的下一步移动空间;
当所有蚂蚁到达所述目标位置时,输出蚁群的移动路径数据;
采用两头拉线法优化蚂蚁的移动路径,使得蚂蚁到终点的移动路径最短,得到装配物由初始位置到目标位置的最优路径,并更新所述信息素;
采用差分进化算法计算装配物在所述最优路径时,满足机械臂自由度范围内的最优无碰撞可达路径。
2.根据权利要求1所述的机器人自适应轨迹规划及避障方法,其特征在于,所述引斥势力场调整信息素数据的计算公式为:
phe′=phe*(1+(dircome+dirdes)·dirforw);
phe′为新的信息素,phe为旧的信息素,dircome为来时的方向向量,dirdes为目的地的方向向量,dirforw为预计前进的方向向量。
3.根据权利要求1所述的机器人自适应轨迹规划及避障方法,其特征在于,信息素的更新公式为:
phe′i,j,k为空间编号(i,j,k)的空间的新的信息素浓度,phei,j,k为空间编号(i,j,k)的空间的旧的信息素浓度,res为信息素残余程度,antm,i,j,k为蚂蚁m在空间编号(i,j,k)的空间处留下的信息素,计算方式是路径总长的倒数。
4.根据权利要求1所述的机器人自适应轨迹规划及避障方法,其特征在于,所述采用差分进化算法计算装配物在所述最优路径时,满足机械臂自由度范围内的最优无碰撞可达路径,包括:
初始化搜索空间内的场景静态障碍物点云信息、装配物点云信息、栅格型点云化机械臂运动学模型以及装配物由初始位置至目标位置的最优路径信息;
根据初始化后的信息构建生物个体,所述生物个体包括机械臂将所述装配物由所述初始位置移至所述目标位置的原始路径;
微调所述生物个体基因,生成变异个体,变异方向随机生成;
所述生物个体发生基因自交叉,生成交叉个体;
对交叉变异后的生物个体进行碰撞检测,所述碰撞检测包括对变异后路径的机械臂以及装配物进行碰撞检测;
根据是否发生碰撞的情况计算各变异生物个体的适应度,选取满足机械臂自由度范围内且适应度最大的变异生物个体作为最优个体,得到机械臂的最优无碰撞可达路径。
5.根据权利要求4所述的机器人自适应轨迹规划及避障方法,其特征在于,所述生物个体发生变异的计算公式为:
pos′i=posi+(α*rand0,β*rand1,γ*rand2)*step*num;
pos′i为变异后的路径节点,posi为原始路径节点,α、β、γ为取值0、1的随机数,rand0、rand1、rand2均是属于(-1,1)的随机数,step是步长,num是随机步长个数。
6.根据权利要求4所述的机器人自适应轨迹规划及避障方法,其特征在于,所述基因自交叉公式为:
pos′i为变异后的路径节点,posi为原始路径节点,α取值为0、1的随机数,rand是属于(-1,1)的随机数,step是步长,num是随机步长个数。
7.根据权利要求4所述的机器人自适应轨迹规划及避障方法,其特征在于,适应度的计算公式为:
fiti为个体适应度,posi为路径节点,isRight表示是否无碰撞路径可达。
8.根据权利要求1所述的机器人自适应轨迹规划及避障方法,其特征在于,在所述获取装配物及机械臂的空间坐标数据,之前还包括:
根据不同型号机械臂在不同指令下的运动情况划分成多个子场景,不同所述子场景包括不同的所述初始位置及所述目标位置。
9.根据权利要求1所述的机器人自适应轨迹规划及避障方法,其特征在于,在所述获取装配物及机械臂的空间坐标数据,之前还包括:
构建以机械臂数字模型的各轴连接中心点与运动轴向的机械臂运动学模型,并计算机械臂DH参数,将所述DH参数保存至所述机械臂运动学模型中;
对机械臂进行栅格划分,构建机械臂点云数据;
结合机械臂运动学模型以及机械臂点云数据构建栅格型点云化机械臂运动学模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111215805.4A CN113858203B (zh) | 2021-10-19 | 2021-10-19 | 一种机器人自适应轨迹规划及避障方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111215805.4A CN113858203B (zh) | 2021-10-19 | 2021-10-19 | 一种机器人自适应轨迹规划及避障方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113858203A CN113858203A (zh) | 2021-12-31 |
CN113858203B true CN113858203B (zh) | 2024-07-02 |
Family
ID=79000295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111215805.4A Active CN113858203B (zh) | 2021-10-19 | 2021-10-19 | 一种机器人自适应轨迹规划及避障方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113858203B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114406559A (zh) * | 2022-01-26 | 2022-04-29 | 中国铁建电气化局集团有限公司 | 一种用于自动焊接设备的机械臂回零装置以及方法 |
CN116572258B (zh) * | 2023-07-14 | 2023-09-19 | 中铁十四局集团大盾构工程有限公司 | 一种焊接机器人动态避障控制方法及计算机可读存储介质 |
CN116625242B (zh) * | 2023-07-26 | 2023-10-03 | 青岛科技大学 | 光学三坐标测量机路径规划方法、系统、电子设备及介质 |
CN116968037B (zh) * | 2023-09-21 | 2024-01-23 | 杭州芯控智能科技有限公司 | 一种多机械臂协同任务调度方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113246139A (zh) * | 2021-06-15 | 2021-08-13 | 电子科技大学中山学院 | 一种机械臂运动规划方法、装置及机械臂 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110515358B (zh) * | 2019-08-26 | 2021-07-20 | 杭州芯控智能科技有限公司 | 基于一体化控制器的自动化产线并行控制系统的控制方法 |
US11504849B2 (en) * | 2019-11-22 | 2022-11-22 | Edda Technology, Inc. | Deterministic robot path planning method for obstacle avoidance |
CN111152214B (zh) * | 2019-12-13 | 2021-08-03 | 珠海格力电器股份有限公司 | 一种四自由度码垛机器人、控制系统、码垛路径规划方法 |
CN111780759B (zh) * | 2020-05-28 | 2023-11-28 | 南京邮电大学 | 一种基于改进遗传算法的移动机器人路径规划方法 |
-
2021
- 2021-10-19 CN CN202111215805.4A patent/CN113858203B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113246139A (zh) * | 2021-06-15 | 2021-08-13 | 电子科技大学中山学院 | 一种机械臂运动规划方法、装置及机械臂 |
Also Published As
Publication number | Publication date |
---|---|
CN113858203A (zh) | 2021-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113858203B (zh) | 一种机器人自适应轨迹规划及避障方法 | |
Chen et al. | A deep reinforcement learning based method for real-time path planning and dynamic obstacle avoidance | |
Long et al. | Towards optimally decentralized multi-robot collision avoidance via deep reinforcement learning | |
CN109960880B (zh) | 一种基于机器学习的工业机器人避障路径规划方法 | |
CN112440281A (zh) | 一种基于数字孪生的机器人轨迹规划方法 | |
Ye et al. | Path planning for mobile robots in unstructured orchard environments: An improved kinematically constrained bi-directional RRT approach | |
JP2018020410A (ja) | レイアウト設定方法、およびレイアウト設定装置 | |
Zhang et al. | Sim2real learning of obstacle avoidance for robotic manipulators in uncertain environments | |
JP4942924B2 (ja) | 仮想多関節物体を仮想環境で動きの連続により動かす方法 | |
US20220019939A1 (en) | Method and system for predicting motion-outcome data of a robot moving between a given pair of robotic locations | |
CN115890670A (zh) | 基于强化深度学习训练七自由度冗余机械臂运动轨迹的方法 | |
KR20240052808A (ko) | 그래프 신경망을 이용한 다중 로봇 조정 | |
Ramon Soria et al. | Multi-view probabilistic segmentation of pome fruit with a low-cost RGB-D camera | |
Malayjerdi et al. | Mobile robot navigation based on fuzzy cognitive map optimized with grey wolf optimization algorithm used in augmented reality | |
Lv et al. | Sam-rl: Sensing-aware model-based reinforcement learning via differentiable physics-based simulation and rendering | |
Karahan et al. | Optimal trajectory generation in joint space for 6R industrial serial robots using cuckoo search algorithm | |
Yamada et al. | Efficient skill acquisition for complex manipulation tasks in obstructed environments | |
Zhao et al. | Efficient inverse kinematics for redundant manipulators with collision avoidance in dynamic scenes | |
Zhou et al. | RETRACTED: uncalibrated dynamic visual servoing via multivariate adaptive regression splines and improved incremental extreme learning machine | |
CN116690557A (zh) | 基于点云的仿人三维扫描运动控制方法及装置 | |
Kallmann et al. | A skill-based motion planning framework for humanoids | |
JP2022155828A (ja) | 軌道生成システム、軌道生成方法及びプログラム | |
Tenhumberg et al. | Efficient Learning of Fast Inverse Kinematics with Collision Avoidance | |
US11921492B2 (en) | Transfer between tasks in different domains | |
Yildirim et al. | Conditional Neural Expert Processes for Learning from Demonstration |
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 |