CN114707253B - 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
CN114707253B
CN114707253B CN202210572343.XA CN202210572343A CN114707253B CN 114707253 B CN114707253 B CN 114707253B CN 202210572343 A CN202210572343 A CN 202210572343A CN 114707253 B CN114707253 B CN 114707253B
Authority
CN
China
Prior art keywords
scanning
feature
dimensional
detected
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.)
Active
Application number
CN202210572343.XA
Other languages
English (en)
Other versions
CN114707253A (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 GDA0003743126980000021
其中，
Figure GDA0003743126980000022
表示面外角，φ表示面内角，λ为评估函数惩罚因子，μ为面内角的惩罚因子，dmax表示最大扫描深度，
Figure GDA0003743126980000023
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 GDA0003743126980000024
Figure GDA0003743126980000025
其中，li为扫描仪的有效扫描宽度，lmin为初始轨迹之间的宽度，φmin、φmax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dmin～dmax，偏转角α的取值范围为
Figure GDA0003743126980000026
俯仰角β的取值范围为
Figure GDA0003743126980000027
回转角ω的取值范围为-π～π。
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 GDA0003743126980000031
其中，N为目前迭代次数，τmin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 GDA0003743126980000032
其中，ρ0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，Lm为飞机表面的三维工作环境中垂直于线段L的面的宽度；dist(Pa,L)为待测特征节点Pa到L的距离；σ为地图比例因子。
进一步地，所述状态转移概率
Figure GDA0003743126980000033
的计算过程具体为：
Figure GDA0003743126980000034
Figure GDA0003743126980000041
Figure GDA0003743126980000042
Figure GDA0003743126980000043
其中，k表示第k只蚂蚁，N表示当前迭代次数，Nmax表示最大迭代次数，ρa,a+1(k)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，Ha,a+1(k)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，da,a+1表示待测特征节点a与待测特征节点a+1之间的距离；α(N)为第N次迭代下信息素因子，β(N)为第N次迭代下启发函数因子，R(Pa)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 GDA0003743126980000044
所述各处待测特征节点的信息素值ρ的更新过程具体为：ρ＝(1-τ)ρ+τΔρ，
其中，dist(k)为第k只蚂蚁走过的距离；rank(k)为第k只蚂蚁所处的排名；εN为更新蚂蚁的数量；τ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dmin～dmax，偏转角α的取值范围为
Figure GDA0003743126980000051
俯仰角β的取值范围为
Figure GDA0003743126980000061
回转角ω的取值范围为-π～π。
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 GDA0003743126980000062
其中，
Figure GDA0003743126980000063
表示面外角，φ表示面内角，λ为评估函数惩罚因子，μ为面内角的惩罚因子，dmax表示最大扫描深度，
Figure GDA0003743126980000064
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 GDA0003743126980000065
Figure GDA0003743126980000066
其中，li为扫描仪的有效扫描宽度，lmin为初始轨迹之间的宽度，φmin、φmax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 GDA0003743126980000071
其中，ρ0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，Lm为飞机表面的三维工作环境中垂直于线段L的面的宽度；dist(Pa,L)为待测特征节点Pa到L的距离；σ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α(N)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α(N)对路径选择影响较大，此时α(N)的值应较大，β(N)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α(N)值逐渐减小，β(N)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α(N)和启发函数因子β(N)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 GDA0003743126980000072
的计算过程具体为：
Figure GDA0003743126980000073
Figure GDA0003743126980000074
Figure GDA0003743126980000075
Figure GDA0003743126980000076
其中，k表示第k只蚂蚁，N表示当前迭代次数，Nmax表示最大迭代次数，ρa,a+1(k)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，Ha,a+1(k)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，da,a+1表示待测特征节点a与待测特征节点a+1之间的距离；α(N)为第N次迭代下信息素因子，β(N)为第N次迭代下启发函数因子，R(Pa)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 GDA0003743126980000081
本发明中各节点的信息素值ρ的更新过程具体为：ρ＝(1-τ)ρ+τΔρ，其中，dist(k)为第k只蚂蚁走过的距离；rank(k)为第k只蚂蚁所处的排名；εN为更新蚂蚁的数量；τ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 GDA0003743126980000082
其中，N为目前迭代次数，τmin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 (8)

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；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 FDA0003743126970000011
其中，
Figure FDA0003743126970000012
表示面外角，φ表示面内角，λ为评估函数惩罚因子，μ为面内角的惩罚因子，dmax表示最大扫描深度，
Figure FDA0003743126970000013
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 FDA0003743126970000014
Figure FDA0003743126970000015
其中，li为扫描仪的有效扫描宽度，lmin为初始轨迹之间的宽度，φmin、φmax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，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)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)三维测量扫描仪的面外角不能超过三维测量扫描仪的设计值；
(d)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，所述扫描深度d的取值范围为dmin～dmax，偏转角α的取值范围为
Figure FDA0003743126970000021
俯仰角β的取值范围为
Figure FDA0003743126970000022
回转角ω的取值范围为-π～π。
5.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 FDA0003743126970000023
其中，N为目前迭代次数，τmin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。
6.根据权利要求5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 FDA0003743126970000031
其中，ρ0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，Lm为飞机表面的三维工作环境中垂直于线段L的面的宽度；dist(Pa,L)为待测特征节点Pa到L的距离；σ为地图比例因子。
7.根据权利要求5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 FDA0003743126970000032
的计算过程具体为：
Figure FDA0003743126970000033
Figure FDA0003743126970000034
Figure FDA0003743126970000035
Figure FDA0003743126970000036
其中，k表示第k只蚂蚁，N表示当前迭代次数，Nmax表示最大迭代次数，ρa,a+1(k)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，Ha,a+1(k)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，da,a+1表示待测特征节点a与待测特征节点a+1之间的距离；α(N)为第N次迭代下信息素因子，β(N)为第N次迭代下启发函数因子，R(Pa)表示三维工作环境的可行域。
8.根据权利要求5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 FDA0003743126970000037
rank(k)≤εN
所述各处待测特征节点的信息素值ρ的更新过程具体为：ρ＝(1-τ)ρ+τΔρ，其中，dist(k)为第k只蚂蚁走过的距离；rank(k)为第k只蚂蚁所处的排名；εN为更新蚂蚁的数量；τ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 CN114707253A (zh) 2022-07-05
CN114707253B true 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)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN117932793A (zh) * 2024-03-21 2024-04-26 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

Citations (6)

* 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
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 (3)

* 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
CN107538487B (zh) * 2017-02-16 2020-01-03 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
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 (6)

* 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
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
动态环境下利用Kinect的移动机器人增强路径规划;郑为凑等;《江南大学学报(自然科学版)》;20150428;第14卷(第02期);全文 *
基于机器人的飞机大型结构三维自动化检测方法;陈允全 等;《机器人技术》;20191031;第62卷(第10期);全文 *
基于激光扫描的结构件测量轨迹规划技术研究;林晶;《中国优秀博硕士学位论文全文数据库（硕士）基础科学辑》;20200215(第2期);第36-55页 *

Also Published As

Publication number Publication date
US20230311319A1 (en) 2023-10-05
US11938636B2 (en) 2024-03-26
CN114707253A (zh) 2022-07-05

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
CN110081888B (zh) 一种基于可信度的惯导和地磁融合的室内定位算法
CN106056643B (zh) 一种基于点云的室内动态场景slam方法及系统
CN110167138A (zh) 基于改进灰狼优化算法的无源时差定位系统优化布站方法
CN109460874B (zh) 一种基于深度学习的有义波高预测方法
CN104990501A (zh) 一种三维激光扫描装置的系统参数校准方法
CN112904358A (zh) 基于几何信息的激光定位方法
CN111895995B (zh) 基于pso的飞行器编队多维地磁匹配导航方法及系统
CN109035363A (zh) 一种快速迭代的线圆最优拟合方法
Ji et al. Improved particle swarm optimization geomagnetic matching algorithm based on simulated annealing
CN115686002A (zh) 一种复杂海域下的水面无人艇路径跟踪控制方法
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
CN116661469B (zh) 机器人轨迹误差修正方法及系统
Pathak et al. Evaluating geometric characteristics of planar surfaces using improved particle swarm optimization
CN116520281B (zh) 一种基于ddpg的扩展目标跟踪优化方法和装置
CN109116300A (zh) 一种基于非充分指纹信息的极限学习定位方法
CN108595792B (zh) 一种飞机油箱燃油测量传感器布局优化方法
CN115907304A (zh) 一种基于区间层次分析法的评估指标权重优化方法
CN111553087B (zh) 一种基于三维实时感知的测量场优化方法
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
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

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