CN114707253A - 一种基于特征引导的三维测量机器人扫描轨迹优化方法 - Google Patents

一种基于特征引导的三维测量机器人扫描轨迹优化方法 Download PDF

Info

Publication number
CN114707253A
CN114707253A CN202210572343.XA CN202210572343A CN114707253A CN 114707253 A CN114707253 A CN 114707253A CN 202210572343 A CN202210572343 A CN 202210572343A CN 114707253 A CN114707253 A CN 114707253A
Authority
CN
China
Prior art keywords
feature
scanning
detected
dimensional
measured
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
CN202210572343.XA
Other languages
English (en)
Other versions
CN114707253B (zh
Inventor
汪俊
曾航彬
刘元朋
康正水
杨建平
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202210572343.XA priority Critical patent/CN114707253B/zh
Publication of CN114707253A publication Critical patent/CN114707253A/zh
Application granted granted Critical
Publication of CN114707253B publication Critical patent/CN114707253B/zh
Priority to US18/321,840 priority patent/US11938636B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/02—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness
    • G01B21/04—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness by measuring coordinates of points
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/20—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring contours or curvatures, e.g. determining profile
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • B25J19/02—Sensing devices
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/45—Nc applications
    • G05B2219/45061—Measuring robot
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/45—Nc applications
    • G05B2219/45066—Inspection robot
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种基于特征引导的三维测量机器人扫描轨迹优化方法，包括：建立飞机表面的三维数模，获得三维数模的尺寸，提取待测特征，并将待测特征进行分类；针对每一类待测特征，计算特征几何参数，生成该待测特征的初始扫描轨迹；构建三维测量机器人的约束模型，将每一类待测特征的初始扫描轨迹优化成局部最优扫描轨迹；根据每一类待测特征的局部最优扫描轨迹，利用改进的蚁群算法规划飞机表面的每类待测特征的全局最优扫描路径。该三维测量机器人扫描轨迹优化方法提高了三维测量机器人的工作效率，保证了扫描精度。

Description

一种基于特征引导的三维测量机器人扫描轨迹优化方法
技术领域
本发明涉及机器人路径规划技术领域，更具体地说，涉及一种基于特征引导的三维测量机器人扫描轨迹优化方法。
背景技术
航空制造业作为关系国家安全和国民经济命脉的战略性产业，能够衡量一个国家工业整体发展水平，具有技术密集度高、产业关联范围广、军民融合性强、辐射效应大等特点。飞机装配是飞机制造的重要组成部分，飞机装配的技术水平很大程度上决定了飞机的最终质量、制造成本和生产周期。
在飞机装配过程中，为了保证装配的质量，需要对构件的表面外形进行高精度的测量。在传统制造中，飞机气动外形测量依赖模拟量检测，依靠工人肉眼判断，检测精度与工人经验有关，对工人的操作要求高，测量效率低，无法满足飞机数字化制造和精益生产的需求。
发明内容
针对现有技术中存在的问题，本发明提供了一种基于特征引导的三维测量机器人扫描轨迹优化方法，对三维数模进行待测特征提取，生成待测特征的初始扫描轨迹，构建三维测量机器人的约束模型，以约束模型为优化目标，对初始扫描轨迹进行优化，得到各待测特征的局部最优扫描轨迹后，经过计算得到各待测特征的全局最优扫描路径。该三维测量机器人扫描轨迹优化方法具有高效、自动化的特点，提高了扫描轨迹的准确度。
为实现上述目的，本发明采用如下技术方案：一种基于特征引导的三维测量机器人扫描轨迹优化方法，包括以下步骤：
步骤S1：建立飞机表面的三维数模，获得三维数模的尺寸，提取待测特征，并将待测特征进行分类；
步骤S2：针对每一类待测特征，计算特征几何参数，生成该待测特征的初始扫描轨迹；
步骤S3：构建三维测量机器人的约束模型，将每一类待测特征的初始扫描轨迹优化成局部最优扫描轨迹；
步骤S4：根据每一类待测特征的局部最优扫描轨迹，利用改进的蚁群算法规划飞机表面的每类待测特征的全局最优扫描路径。
进一步地，步骤S2的具体实现过程如下：设置三维测量扫描仪的扫描宽度和扫描深度，针对分类的待测特征，选取待扫描曲面，采用行切法在待扫描曲面上生成轨迹，轨迹之间的间隔为扫描宽度，生成距离待扫描曲面为扫描深度的平行平面，通过平行平面与待扫描曲面上轨迹的法线求交获得初始扫描轨迹。
进一步地，所述三维测量机器人的约束模型具体为：
（a）所述三维测量机器人的运动轨迹满足其设计要求；
（b）所述三维测量扫描仪的有效扫描宽度大于初始扫描轨迹之间的宽度；
（c）所述三维测量扫描仪的面外角不能超过扫描仪的设计值；
（d）所述三维测量扫描仪的面内角不能超过三维测量扫描仪的设计值。
进一步地，步骤S3包括如下子步骤：
步骤S31、以三维测量机器人的法兰坐标系为基础，将三维测量机器人扫描过程中姿态变化转换为扫描深度d、偏转角α、俯仰角β、回转角ω的变化，并构建三维测量机器人的约束模型；
步骤S32、以三维测量机器人的约束模型为基础，遍历每一类待测特征的初始扫描轨迹，构建轨迹优化评估函数E：
Figure 828623DEST_PATH_IMAGE001
其中，
Figure 669540DEST_PATH_IMAGE002
表示面外角，
Figure 22155DEST_PATH_IMAGE003
表示面内角，
Figure 606720DEST_PATH_IMAGE004
为评估函数惩罚因子，
Figure 977658DEST_PATH_IMAGE005
为面内角的惩罚因 子，
Figure 255056DEST_PATH_IMAGE006
表示最大扫描深度，
Figure 829388DEST_PATH_IMAGE007
表示最小面外角；
步骤S33、依次以扫描深度、面内角、面外角作为单一变量，重复步骤S32使轨迹优化评估函数E最小，得到每一类待测特征的局部最优扫描轨迹：
Figure 217644DEST_PATH_IMAGE008
其中，
Figure 443089DEST_PATH_IMAGE009
为扫描仪的有效扫描宽度，
Figure 625808DEST_PATH_IMAGE010
为初始轨迹之间的宽度，
Figure 215665DEST_PATH_IMAGE011
为面内 角的最小、最大的取值。
进一步地，所述扫描深度d的取值范围为
Figure 142033DEST_PATH_IMAGE012
，偏转角α的取值范围为
Figure 221984DEST_PATH_IMAGE013
， 俯仰角β的取值范围为
Figure 591917DEST_PATH_IMAGE014
，回转角ω的取值范围为
Figure 390109DEST_PATH_IMAGE015
。
进一步地，步骤S4包括如下子步骤：
步骤S41构建飞机表面的三维工作环境：确定起始的待测特征S和目标待测特征D，初始化各处待测特征节点的信息素、搜索路径、禁忌表；
步骤S42搜索最优路径：在起始的待测特征S处放置M只蚂蚁，并将起始的待测特征S放入禁忌表中，计算每只蚂蚁对下一平面中各处待测特征节点的状态转移概率，并采用轮盘赌法随机选择下一待测特征节点；
步骤S43更新禁忌表：判断是否到达目标待测特征D，当所有蚂蚁完成到达目标特征D后完成一次搜索，将所有蚂蚁爬行的路径长度按照从小到大的顺序排列，更新的蚂蚁数量，同时更新相应路径上各处待测特征节点的信息素值；
步骤S44检验最优解的更新情况：设置更新次数v，若在连续v次迭代中，全局最优扫描路径未发生变化，调整信息素的挥发因子，再执行步骤S42；所述信息素的挥发因子的调整过程具体为：
Figure 854588DEST_PATH_IMAGE016
其中，N为目前迭代次数，
Figure 54625DEST_PATH_IMAGE017
为信息素的最小值；
步骤S45判断是否达到最大迭代次数：若达到最大迭代次数，输出全局最优路径长度；若否，则清空禁忌表，继续执行步骤S42。
进一步地，所述各处待测特征节点的信息素的初始化过程为：
Figure 595459DEST_PATH_IMAGE018
其中，
Figure 615368DEST_PATH_IMAGE019
为各处待测特征节点的初始信息素；L为连接起始的待测特征S和目标待 测特征D的线段，
Figure 149117DEST_PATH_IMAGE020
为飞机表面的三维工作环境中垂直于线段L的面的宽度；
Figure 469240DEST_PATH_IMAGE021
为待 测特征节点
Figure 915396DEST_PATH_IMAGE022
到L的距离；
Figure 688180DEST_PATH_IMAGE023
为地图比例因子。
进一步地，所述状态转移概率
Figure 760041DEST_PATH_IMAGE024
的计算过程具体为：
Figure 669091DEST_PATH_IMAGE025
其中，k表示第k只蚂蚁，N表示当前迭代次数，N max表示最大迭代次数，
Figure 548798DEST_PATH_IMAGE026
为 第k只蚂蚁在待测特征节点a与待测特征节点a+1之间的信息素，
Figure 543299DEST_PATH_IMAGE027
为第k只蚂蚁在待 测特征节点a与待测特征节点a+1之间的启发函数，
Figure 418851DEST_PATH_IMAGE028
表示待测特征节点a与待测特征节 点a+1之间的距离；
Figure 447987DEST_PATH_IMAGE029
为第N次迭代下信息素因子，
Figure 235946DEST_PATH_IMAGE030
为第N次迭代下启发函数因子，
Figure 983322DEST_PATH_IMAGE031
表示三维工作环境的可行域。
进一步地，所述蚂蚁数量的更新过程具体为：
Figure 396986DEST_PATH_IMAGE032
所述各处待测特征节点的信息素值
Figure 280628DEST_PATH_IMAGE033
的更新过程具体为：
Figure 239488DEST_PATH_IMAGE034
，
其中，
Figure 208581DEST_PATH_IMAGE035
为第k只蚂蚁走过的距离；
Figure 691515DEST_PATH_IMAGE036
为第k只蚂蚁所处的排名；
Figure 180396DEST_PATH_IMAGE037
为更 新蚂蚁的数量；
Figure 825004DEST_PATH_IMAGE038
为信息素的挥发因子。
与现有技术相比，本发明具有如下有益效果：对三维数模进行待测特征提取，生成待测特征的初始扫描轨迹，构建三维测量机器人的约束模型，以约束模型为优化目标，对初始扫描轨迹进行优化，得到各待测特征的局部最优扫描轨迹后，经过计算得到各待测特征的全局最优扫描路径。该三维测量机器人扫描轨迹优化方法，提高了扫描轨迹生成的效率，降低了整体扫描的误差。
附图说明
图1为本发明基于特征引导的三维测量机器人扫描轨迹优化方法的流程图；
图2为本发明中利用改进的蚁群算法规划飞机表面的每类待测特征的全局最优扫描路径的流程图；
图3为三维测量机器人扫描轨迹优化方法获取的全局最优扫描路径示意图。
具体实施方式
为了更清楚地说明本发明，下面结合附图对本发明的技术方案作进一步地解释说明。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。
如图1为本发明基于特征引导的三维测量机器人扫描轨迹优化方法的流程图，该三维测量机器人扫描轨迹优化方法包括如下步骤：
步骤S1：建立飞机表面的三维数模，获得三维数模的尺寸，提取待测特征，并将待测特征进行分类；
步骤S2：针对每一类待测特征，计算特征几何参数，生成该待测特征的初始扫描轨迹；具体地，设置三维测量扫描仪的扫描宽度和扫描深度，针对分类的待测特征，选取待扫描曲面，采用行切法在待扫描曲面上生成轨迹，轨迹之间的间隔为扫描宽度，生成距离待扫描曲面为扫描深度的平行平面，通过平行平面与待扫描曲面上轨迹的法线求交获得初始扫描轨迹，生成的初始轨迹间隔明确，且切合曲面，为后续的轨迹优化奠定了基础。
步骤S3：构建三维测量机器人的约束模型，将每一类待测特征的初始扫描轨迹优化成局部最优扫描轨迹；具体包括如下子步骤：
步骤S31、以三维测量机器人的法兰坐标系为基础，将三维测量机器人扫描过程中姿态变化转换为扫描深度d、偏转角α、俯仰角β、回转角ω的变化，并构建三维测量机器人的约束模型，由于三维测量扫描仪通过自身与待测曲面计算得到初始轨迹，扫描时保持三维测量仪与待测曲面垂直即可，但支持三维测量扫描仪的三维测量机器人的运动存在一定的限制。假设不存在这种限制，那么对于光滑曲面的扫描，可在三维测量扫描仪的扫描参数可行域内以任意姿态实现扫描，完全可以在初始轨迹生成的过程中，生成最优姿态，实现降低扫描误差的目的；但是由于机器人运动限制的存在，限制了扫描参数的可行域，扫描参数定义域中误差最小的扫描参数不一定满足约束条件；因此，本发明中三维测量机器人的约束模型具体为：
（a）所述三维测量机器人的运动轨迹满足其设计要求；
（b）所述三维测量扫描仪的有效扫描宽度大于初始扫描轨迹之间的宽度；
（c）所述三维测量扫描仪的面外角不能超过扫描仪的设计值；
（d）所述三维测量扫描仪的面内角不能超过三维测量扫描仪的设计值。
本发明中扫描深度d的取值范围为
Figure 281393DEST_PATH_IMAGE039
，偏转角α的取值范围为
Figure 36860DEST_PATH_IMAGE014
，俯仰 角β的取值范围为
Figure 642897DEST_PATH_IMAGE040
，回转角ω的取值范围为
Figure 458406DEST_PATH_IMAGE041
。
步骤S32、以三维测量机器人的约束模型为基础，遍历每一类待测特征的初始扫描轨迹，构建轨迹优化评估函数E。通过多次实验，得出以下结论：当扫描深度不变，扫描误差随着面外角的增大而增大；当扫描深度越大，面外角对系统误差的影响越小，扫描误差随着面外角线性变化，而随着扫描深度增加，线性趋势的斜率减小；扫描误差近似与扫描深度和面外角之间呈双线性关系。
因此，本发明中轨迹优化评估函数E为：
Figure 136512DEST_PATH_IMAGE001
其 中，
Figure 695669DEST_PATH_IMAGE042
表示面外角，
Figure 159143DEST_PATH_IMAGE003
表示面内角，
Figure 145553DEST_PATH_IMAGE004
为评估函数惩罚因子，
Figure 576535DEST_PATH_IMAGE005
为面内角的惩罚因子，
Figure 673804DEST_PATH_IMAGE006
表 示最大扫描深度，
Figure 991784DEST_PATH_IMAGE007
表示最小面外角。
步骤S33、依次以扫描深度、面内角、面外角作为单一变量，重复步骤S32使轨迹优化评估函数E最小，得到每一类待测特征的局部最优扫描轨迹：
Figure 149096DEST_PATH_IMAGE008
其中，
Figure 801794DEST_PATH_IMAGE009
为扫描仪的有效扫描宽度，
Figure 968333DEST_PATH_IMAGE010
为初始轨迹之间的宽度，
Figure 406399DEST_PATH_IMAGE011
为 面内角的最小、最大的取值。
步骤S4：根据每一类待测特征的局部最优扫描轨迹，由于每个特征之间具有一定的距离，可简化为一个个的待测特征节点，可利用改进的蚁群算法规划飞机表面的每类待测特征的全局最优扫描路径，如图2，具体包括如下子步骤：
步骤S41构建飞机表面的三维工作环境：确定起始的待测特征S和目标待测特征D，初始化各处待测特征节点的信息素、搜索路径、禁忌表；由于全局最优扫描路径一般集中于起始的待测特征S和目标待测特征D连接的线段L附近，因此，本发明中各处待测特征节点的信息素的初始化根据各个特征节点距离线段L的距离来进行分配其信息素，这种分配方式比随机分配减少其计算迭代次数，提高了优化效率，其过程为：
Figure 734612DEST_PATH_IMAGE043
其中，
Figure 874606DEST_PATH_IMAGE019
为各处待测特征节点的初始信息素；L为连接起始的待测特征S和目标待 测特征D的线段，
Figure 313678DEST_PATH_IMAGE020
为飞机表面的三维工作环境中垂直于线段L的面的宽度；
Figure 603320DEST_PATH_IMAGE021
为 待测特征节点
Figure 102435DEST_PATH_IMAGE022
到L的距离；
Figure 729725DEST_PATH_IMAGE023
为地图比例因子。
步骤S42搜索最优路径：在起始的待测特征S处放置M只蚂蚁，并将起始的待测特征S放入禁忌表中，计算每只蚂蚁对下一平面中各处待测特征节点的状态转移概率，并采用轮盘赌法随机选择下一待测特征节点；
在路径迭代计算中，随着次数的增加，信息素因子
Figure 972488DEST_PATH_IMAGE044
对路径选择的重要程度逐 渐下降。在初期，由于各特征节点的信息素浓度不同，信息素因子
Figure 385146DEST_PATH_IMAGE044
对路径选择影响较 大，此时
Figure 55161DEST_PATH_IMAGE029
的值应较大，
Figure 904169DEST_PATH_IMAGE030
的值应较小。后期，最优路径上的信息素浓度逐渐远高于 其他路径，为防止算法陷入局部最优，应逐渐减小信息素浓度在路径选择中的重要程度，即 值逐渐减小，值相应增加，从而有助于找到全局最优解。因此，本发明的状态转移概率将信 息素因子
Figure 966934DEST_PATH_IMAGE044
和启发函数因子
Figure 483366DEST_PATH_IMAGE030
的值改为动态参数，分别采用余弦和正弦函数进行赋 值，使其随着迭代的进行而做出改变，本发明中状态转移概率
Figure 324283DEST_PATH_IMAGE024
的计算过程具体为：
Figure 660586DEST_PATH_IMAGE025
其中，k表示第k只蚂蚁，N表示当前迭代次数，N max表示最大迭代次数，
Figure 995884DEST_PATH_IMAGE026
为 第k只蚂蚁在待测特征节点a与待测特征节点a+1之间的信息素，
Figure 366822DEST_PATH_IMAGE027
为第k只蚂蚁在 待测特征节点a与待测特征节点a+1之间的启发函数，
Figure 378641DEST_PATH_IMAGE028
表示待测特征节点a与待测特征 节点a+1之间的距离；
Figure 467819DEST_PATH_IMAGE029
为第N次迭代下信息素因子，
Figure 361736DEST_PATH_IMAGE045
为第N次迭代下启发函数因 子，
Figure 852760DEST_PATH_IMAGE031
表示三维工作环境的可行域。
步骤S43更新禁忌表：判断是否到达目标待测特征D，当所有蚂蚁完成到达目标特征D后完成一次搜索，将所有蚂蚁爬行的路径长度按照从小到大的顺序排列，更新的蚂蚁数量，同时更新相应路径上各处待测特征节点的信息素值，使得下次迭代时，路径上的信息素值越大，蚂蚁选择该路径的概率越大，以此寻找出全局最优扫描路径；本发明中蚂蚁数量的更新过程具体为：
Figure 301059DEST_PATH_IMAGE032
本发明中各节点的信息素值
Figure 346376DEST_PATH_IMAGE033
的更新过程具体为：
Figure 289055DEST_PATH_IMAGE046
，
其中，
Figure 634586DEST_PATH_IMAGE035
为第k只蚂蚁走过的距离；
Figure 988207DEST_PATH_IMAGE047
为第k只蚂蚁所处的排名；
Figure 786398DEST_PATH_IMAGE037
为 更新蚂蚁的数量；
Figure 267190DEST_PATH_IMAGE038
为信息素的挥发因子。
步骤S44检验最优解的更新情况：为防止路径陷入局部最优的情况，设置更新次数v，若在连续v次迭代中，全局最优扫描路径未发生变化，调整信息素的挥发因子，再执行步骤S42；本发明中信息素的挥发因子的调整过程具体为：
Figure 467227DEST_PATH_IMAGE048
其中，N为目前迭代次数，
Figure 257328DEST_PATH_IMAGE017
为信息素的最小值；
步骤S45判断是否达到最大迭代次数：若达到最大迭代次数，输出全局最优路径长度；若否，则清空禁忌表，继续执行步骤S42。
如图3为本发明三维测量机器人扫描轨迹优化方法获取的全局最优扫描路径示意图，其中虚线为优化出来的全局最优扫描路径。针对每类特征生成初始轨迹，确定三维测量机器人扫描轨迹的基础，构建三维测量机器人的约束模型，对初始轨迹进行优化，使得整个轨迹符合三维测量机器人的运动规律。整个飞机具有多类特征，将多类特征的局部优化轨迹通过改进的蚁群算法规划得到整个飞机的全局最优机器人扫描轨迹。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施方式，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (9)

1.一种基于特征引导的三维测量机器人扫描轨迹优化方法，其特征在于，包括以下步骤：
步骤S1：建立飞机表面的三维数模，获得三维数模的尺寸，提取待测特征，并将待测特征进行分类；
步骤S2：针对每一类待测特征，计算特征几何参数，生成该待测特征的初始扫描轨迹；
步骤S3：构建三维测量机器人的约束模型，将每一类待测特征的初始扫描轨迹优化成局部最优扫描轨迹；
步骤S4：根据每一类待测特征的局部最优扫描轨迹，利用改进的蚁群算法规划飞机表面的每类待测特征的全局最优扫描路径。
2.根据权利要求1所述基于特征引导的三维测量机器人扫描轨迹优化方法，其特征在于，步骤S2的具体实现过程如下：设置三维测量扫描仪的扫描宽度和扫描深度，针对分类的待测特征，选取待扫描曲面，采用行切法在待扫描曲面上生成轨迹，轨迹之间的间隔为扫描宽度，生成距离待扫描曲面为扫描深度的平行平面，通过平行平面与待扫描曲面上轨迹的法线求交获得初始扫描轨迹。
3.根据权利要求1所述基于特征引导的三维测量机器人扫描轨迹优化方法，其特征在于，所述三维测量机器人的约束模型具体为：
（a）所述三维测量机器人的运动轨迹满足其设计要求；
（b）所述三维测量扫描仪的有效扫描宽度大于初始扫描轨迹之间的宽度；
（c）所述三维测量扫描仪的面外角不能超过扫描仪的设计值；
（d）所述三维测量扫描仪的面内角不能超过三维测量扫描仪的设计值。
4.根据权利要求1所述基于特征引导的三维测量机器人扫描轨迹优化方法，其特征在于，步骤S3包括如下子步骤：
步骤S31、以三维测量机器人的法兰坐标系为基础，将三维测量机器人扫描过程中姿态变化转换为扫描深度d、偏转角α、俯仰角β、回转角ω的变化，并构建三维测量机器人的约束模型；
步骤S32、以三维测量机器人的约束模型为基础，遍历每一类待测特征的初始扫描轨迹，构建轨迹优化评估函数E：
Figure 996933DEST_PATH_IMAGE001
其 中，
Figure 530682DEST_PATH_IMAGE002
表示面外角，
Figure 333029DEST_PATH_IMAGE003
表示面内角，
Figure 28452DEST_PATH_IMAGE004
为评估函数惩罚因子，
Figure 801236DEST_PATH_IMAGE005
为面内角的惩罚因子，
Figure 889409DEST_PATH_IMAGE006
表 示最大扫描深度，
Figure 798459DEST_PATH_IMAGE007
表示最小面外角；
步骤S33、依次以扫描深度、面内角、面外角作为单一变量，重复步骤S32使轨迹优化评估函数E最小，得到每一类待测特征的局部最优扫描轨迹：
Figure 930363DEST_PATH_IMAGE008
其中，
Figure 924864DEST_PATH_IMAGE009
为扫描仪的有效扫描宽度，
Figure 551149DEST_PATH_IMAGE010
为初始轨迹之间的宽度，
Figure 580285DEST_PATH_IMAGE011
为面内角的 最小、最大的取值。
5.根据权利要求4所述基于特征引导的三维测量机器人扫描轨迹优化方法，其特征在 于，所述扫描深度d的取值范围为
Figure 883090DEST_PATH_IMAGE012
，偏转角α的取值范围为
Figure 364887DEST_PATH_IMAGE013
，俯仰角β的取值范 围为
Figure 529283DEST_PATH_IMAGE014
，回转角ω的取值范围为
Figure 678505DEST_PATH_IMAGE015
。
6.根据权利要求1所述基于特征引导的三维测量机器人扫描轨迹优化方法，其特征在于，步骤S4包括如下子步骤：
步骤S41构建飞机表面的三维工作环境：确定起始的待测特征S和目标待测特征D，初始化各处待测特征节点的信息素、搜索路径、禁忌表；
步骤S42搜索最优路径：在起始的待测特征S处放置M只蚂蚁，并将起始的待测特征S放入禁忌表中，计算每只蚂蚁对下一平面中各处待测特征节点的状态转移概率，并采用轮盘赌法随机选择下一待测特征节点；
步骤S43更新禁忌表：判断是否到达目标待测特征D，当所有蚂蚁完成到达目标特征D后完成一次搜索，将所有蚂蚁爬行的路径长度按照从小到大的顺序排列，更新的蚂蚁数量，同时更新相应路径上各处待测特征节点的信息素值；
步骤S44检验最优解的更新情况：设置更新次数v，若在连续v次迭代中，全局最优扫描路径未发生变化，调整信息素的挥发因子，再执行步骤S42；所述信息素的挥发因子的调整过程具体为：
Figure 152211DEST_PATH_IMAGE016
其中，N为目前迭代次数，
Figure 869107DEST_PATH_IMAGE017
为信息素的最小值；
步骤S45判断是否达到最大迭代次数：若达到最大迭代次数，输出全局最优路径长度；若否，则清空禁忌表，继续执行步骤S42。
7.根据权利要求6所述基于特征引导的三维测量机器人扫描轨迹优化方法，其特征在于，所述各处待测特征节点的信息素的初始化过程为：
Figure 86462DEST_PATH_IMAGE018
其中，
Figure 824611DEST_PATH_IMAGE019
为各处待测特征节点的初始信息素；L为连接起始的待测特征S和目标待测特 征D的线段，
Figure 469219DEST_PATH_IMAGE020
为飞机表面的三维工作环境中垂直于线段L的面的宽度；
Figure 941919DEST_PATH_IMAGE021
为待测特 征节点
Figure 697386DEST_PATH_IMAGE022
到L的距离；
Figure 555620DEST_PATH_IMAGE023
为地图比例因子。
8.根据权利要求6所述基于特征引导的三维测量机器人扫描轨迹优化方法，其特征在 于，所述状态转移概率
Figure 105550DEST_PATH_IMAGE024
的计算过程具体为：
Figure 799968DEST_PATH_IMAGE025
其中，k表示第k只蚂蚁，N表示当前迭代次数，N max表示最大迭代次数，
Figure 359125DEST_PATH_IMAGE026
为第k只 蚂蚁在待测特征节点a与待测特征节点a+1之间的信息素，
Figure 71866DEST_PATH_IMAGE027
为第k只蚂蚁在待测特 征节点a与待测特征节点a+1之间的启发函数，
Figure 58277DEST_PATH_IMAGE028
表示待测特征节点a与待测特征节点a+1 之间的距离；
Figure 239991DEST_PATH_IMAGE029
为第N次迭代下信息素因子，
Figure 337260DEST_PATH_IMAGE030
为第N次迭代下启发函数因子，
Figure 904507DEST_PATH_IMAGE031
表 示三维工作环境的可行域。
9.根据权利要求6所述基于特征引导的三维测量机器人扫描轨迹优化方法，其特征在于，所述蚂蚁数量的更新过程具体为：
Figure 98639DEST_PATH_IMAGE032
所述各处待测特征节点的信息素值
Figure 751337DEST_PATH_IMAGE033
的更新过程具体为：
Figure 652297DEST_PATH_IMAGE034
，
其中，
Figure 339630DEST_PATH_IMAGE035
为第k只蚂蚁走过的距离；
Figure 418576DEST_PATH_IMAGE036
为第k只蚂蚁所处的排名；
Figure 558570DEST_PATH_IMAGE037
为更新蚂 蚁的数量；
Figure 997642DEST_PATH_IMAGE038
为信息素的挥发因子。
CN202210572343.XA 2022-05-25 2022-05-25 一种基于特征引导的三维测量机器人扫描轨迹优化方法 Active CN114707253B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210572343.XA CN114707253B (zh) 2022-05-25 2022-05-25 一种基于特征引导的三维测量机器人扫描轨迹优化方法
US18/321,840 US11938636B2 (en) 2022-05-25 2023-05-23 Feature-guided scanning trajectory optimization method for three-dimensional measurement robot

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210572343.XA CN114707253B (zh) 2022-05-25 2022-05-25 一种基于特征引导的三维测量机器人扫描轨迹优化方法

Publications (2)

Publication Number Publication Date
CN114707253A true CN114707253A (zh) 2022-07-05
CN114707253B CN114707253B (zh) 2022-08-26

Family

ID=82176394

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210572343.XA Active CN114707253B (zh) 2022-05-25 2022-05-25 一种基于特征引导的三维测量机器人扫描轨迹优化方法

Country Status (2)

Country Link
US (1) US11938636B2 (zh)
CN (1) CN114707253B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116781837A (zh) * 2023-08-25 2023-09-19 中南大学 一种自动化激光三维扫描系统

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117932793B (zh) * 2024-03-21 2024-06-14 西安现代控制技术研究所 采用耦合迭代优化的制导火箭弹内外弹道联合设计方法
CN118192619A (zh) * 2024-05-20 2024-06-14 华东交通大学 一种基于ga-aco的移动机器人控制方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2328308A1 (en) * 2009-11-27 2011-06-01 Alcatel Lucent Method for building a path according to adaptation functions using an ant colony
CN107538487A (zh) * 2017-02-16 2018-01-05 北京卫星环境工程研究所 用于大尺寸复杂形面的机器人自动测量方法及系统
CN110017790A (zh) * 2019-03-15 2019-07-16 南京航空航天大学 一种基于测量精度的曲面扫描轨迹生成与优化方法
CN110990952A (zh) * 2019-12-10 2020-04-10 南京航空航天大学 一种飞机结构件自动化扫描轨迹规划方法
CN111553087A (zh) * 2020-05-06 2020-08-18 南京航空航天大学 一种基于三维实时感知的测量场优化方法
CN111998797A (zh) * 2020-07-20 2020-11-27 成都飞机工业（集团）有限责任公司 一种拍照式三维扫描仪的扫描轨迹规划方法
CN114020045A (zh) * 2021-10-25 2022-02-08 南京航空航天大学 一种基于改进蚁群算法的无人机航迹规划方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8812154B2 (en) * 2009-03-16 2014-08-19 The Boeing Company Autonomous inspection and maintenance
JP6903777B1 (ja) * 2020-01-24 2021-07-14 株式会社大気社 自動ティーチングシステム

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2328308A1 (en) * 2009-11-27 2011-06-01 Alcatel Lucent Method for building a path according to adaptation functions using an ant colony
CN107538487A (zh) * 2017-02-16 2018-01-05 北京卫星环境工程研究所 用于大尺寸复杂形面的机器人自动测量方法及系统
CN110017790A (zh) * 2019-03-15 2019-07-16 南京航空航天大学 一种基于测量精度的曲面扫描轨迹生成与优化方法
CN110990952A (zh) * 2019-12-10 2020-04-10 南京航空航天大学 一种飞机结构件自动化扫描轨迹规划方法
CN111553087A (zh) * 2020-05-06 2020-08-18 南京航空航天大学 一种基于三维实时感知的测量场优化方法
CN111998797A (zh) * 2020-07-20 2020-11-27 成都飞机工业（集团）有限责任公司 一种拍照式三维扫描仪的扫描轨迹规划方法
CN114020045A (zh) * 2021-10-25 2022-02-08 南京航空航天大学 一种基于改进蚁群算法的无人机航迹规划方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
林晶: "基于激光扫描的结构件测量轨迹规划技术研究", 《中国优秀博硕士学位论文全文数据库（硕士）基础科学辑》 *
郑为凑等: "动态环境下利用Kinect的移动机器人增强路径规划", 《江南大学学报(自然科学版)》 *
陈允全 等: "基于机器人的飞机大型结构三维自动化检测方法", 《机器人技术》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116781837A (zh) * 2023-08-25 2023-09-19 中南大学 一种自动化激光三维扫描系统
CN116781837B (zh) * 2023-08-25 2023-11-14 中南大学 一种自动化激光三维扫描系统

Also Published As

Publication number Publication date
CN114707253B (zh) 2022-08-26
US11938636B2 (en) 2024-03-26
US20230311319A1 (en) 2023-10-05

Similar Documents

Publication Publication Date Title
CN114707253B (zh) 一种基于特征引导的三维测量机器人扫描轨迹优化方法
CN109597864B (zh) 椭球边界卡尔曼滤波的即时定位与地图构建方法及系统
CN106056643B (zh) 一种基于点云的室内动态场景slam方法及系统
CN114969995B (zh) 一种基于改进麻雀搜索与声发射的滚动轴承早期故障智能诊断方法
CN110500969B (zh) 一种高陡度复杂曲面在位测量规划方法
CN116661469B (zh) 机器人轨迹误差修正方法及系统
CN104990501A (zh) 一种三维激光扫描装置的系统参数校准方法
CN112711002B (zh) 一种基于co2-dial模拟测量的点源co2排放的新型估算方法
CN115907304A (zh) 一种基于区间层次分析法的评估指标权重优化方法
CN114578087B (zh) 基于非支配排序和随机模拟算法的风速不确定性度量方法
CN116520281A (zh) 一种基于ddpg的扩展目标跟踪优化方法和装置
CN109856628B (zh) 一种基于扫描雷达的目标三维加速度运动模型计算方法
CN109031339B (zh) 一种三维点云运动补偿方法
CN111553087B (zh) 一种基于三维实时感知的测量场优化方法
CN115879367A (zh) 一种工业园区内二氧化碳排放源位置和强度的反演方法
KR101844131B1 (ko) 하모니 탐색 알고리즘 기반 tdoa 위치탐지 시스템에서의 레이더 펄스 모호성 해결 방법 및 장치
Yilmaz et al. Application of artificial neural networks to height transformation
CN108054834A (zh) 一种多级能源协调控制系统
CN113946960A (zh) 一种基于空间划分的实用动态安全域边界生成系统及方法
Mosavi An effective method for GPS GDOP clustering using ant colony optimization algorithm
CN113111553A (zh) 一种基于插值变形网格的大变形运动数值模拟方法
CN117824664B (zh) 基于多波束测深声呐的自主无人系统主动slam方法
CN105785444B (zh) 速度场构建方法
CN113158463B (zh) 基于机器学习的工程控制网坐标系建立方法及系统
NL2028480B1 (en) Stratum dynamic correction method of guidance while drilling

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