CN114872044A - 一种基于图模型的机器人自主装配顺序规划方法 - Google Patents
一种基于图模型的机器人自主装配顺序规划方法 Download PDFInfo
- Publication number
- CN114872044A CN114872044A CN202210514862.0A CN202210514862A CN114872044A CN 114872044 A CN114872044 A CN 114872044A CN 202210514862 A CN202210514862 A CN 202210514862A CN 114872044 A CN114872044 A CN 114872044A
- Authority
- CN
- China
- Prior art keywords
- assembly
- graph model
- robot
- model
- sequence
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000008569 process Effects 0.000 claims abstract description 26
- 238000005457 optimization Methods 0.000 claims abstract description 21
- 230000002068 genetic effect Effects 0.000 claims abstract description 9
- 238000010276 construction Methods 0.000 claims abstract description 4
- 230000009471 action Effects 0.000 claims description 22
- 238000004088 simulation Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000005265 energy consumption Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009776 industrial production Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000006467 substitution reaction Methods 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
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
-
- 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
- B25J9/1628—Programme controls characterised by the control loop
- B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
-
- 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Abstract
本发明涉及一种基于图模型的机器人自主装配顺序规划方法,属于机器人智能装配领域。该方法具体的实施步骤包括以下阶段。图模型构建阶段:基于装配件的三维模型获取装配零件数据,用节点表示零件,用边表示对应关系,根据装配基本约束初始化对应的图模型;图模型学习阶段:在机器人演示装配过程中,根据绝对约束条件和最优化目标获得一定数量的观测数据,并使用观测数据更新图模型的结构和参数;装配顺序推断阶段:利用遗传算法推算最佳装配体基准零件,并基于图模型的最小生成树推断实际装配顺序。该方法能有效提高装配顺序规划的效率,减少时间和人力付出。
Description
技术领域
本发明属于机器人智能装配领域,具体涉及了一种基于图模型的机器人自主装配顺序规划方法。
背景技术
目前大量工业装配机器人正广泛地应用于工业生产之中,代替人类在条件恶劣、危险,尺度极大或极小地环境中进行危险的或者重复的劳动。然而现有的机器人技术仍难以满足多品种、小批量、短周期产品的应用需求。不同的装配体零件结构千变万化,装配方式千差万别。如果能针对不同零件自主生成对应的装配顺序,这将大大提高行业生产效率。
装配顺序规划是制造业中著名的组合优化问题,也是一个NP-hard问题。传统的方法将会产生大量的装配顺序,并花费大量时间对装配顺序进行评估。因此如何在有限的时间内获得近优的装配顺序是目前工业生产中亟待解决的问题。
发明内容
本发明的目的是为克服已有技术的不足之处,提供一种基于图模型的机器人自主装配顺序规划方法。本发明通过装配件的三维模型数据构建对应装配图模型;在机器人演示装配过程中充分考虑零件之间的装配关系、机器人与零件的物理约束以及装配最优化目标等因素,更新图模型结构和参数;最后利用遗传算法和图的最小生成树算法生成零件装配顺序。
本发明提出了一种基于图模型的机器人自主装配顺序规划方法,其特征在于,该方法包括以下阶段。
1)图模型构建阶段:基于装配件的三维模型获取装配零件数据,用节点表示零件,用边表示对应关系,根据装配基本约束初始化对应的图模型;
所述装配件的三维模型包括在三维建模软件中的装配体和零件模型,以及装配体对应的xml格式的层级化文本文件。
所述装配零件数据包括从三维模型中获取的零件编号N,两两零件间的相对位姿和装配关系。
所述装配基本约束包括从三维模型中获取的零件间机械可行性约束,装配的运动自由度约束。
2)图模型学习阶段:在机器人演示装配过程中,根据绝对约束条件和最优化目标获得一定数量的观测数据,并使用观测数据更新图模型的结构和参数。
在机器人演示装配过程中,所述绝对约束条件包括装配过程中的碰撞约束,装配件的稳定性约束。
所述碰撞约束为装配过程中,机器人与装配件应当避免碰撞,装配件与装配件产生的碰撞力应当小于一定阈值。
所述稳定性约束为装配过程中,已装配件应当保持稳定,以及稳定状态应当为目标状态。
作为优选,所述的最优化目标选取装配时间、装配成本、装配总能量消耗多个指标共同组成。
其中机器人演示装配过程的观测数据获取方法如下。
2-1)根据装配任务搭建对应的仿真环境。在仿真中导入装配件模型、机器人模型,并设置对应的动力学参数。
2-2)构建机器人基元动作集,轨迹规划方法,机器人控制方法。
作为优选,所述基元动作集包括夹爪夹紧,夹爪松开,自由空间移动,装配进程移动。
作为优选,所述轨迹规划方法采用带抛物线过渡的线性插值算法。
作为优选,所述机器人控制方法采用机器人笛卡尔空间阻抗控制。
2-3)根据图模型边选择对应装配动作,将其分解为机器人基元动作和运动轨迹的组合。
2-4)机器人在仿真中多次执行装配动作。
2-5)获得观测数据。针对每次装配返回一个等长的观测数据向量,用以记录绝对约束条件的满足情况和最优化目标的评价结果。
其中观测数据向量长度等于约束条件数和最优化目标数之和。绝对约束条件采用定性的判别结果,最优化目标采用定量的判别结果。
进一步,所述的图模型结构和参数的更新方法包括以下步骤。
2-6)根据每个装配动作的成功率,删减图模型结构的边,更新图模型结构。
2-7) 利用模糊层次分析法对上述观测数据进行分析。
2-8)根据模糊层次分析法得到平均评价更新对应边的权重。
3)装配顺序推断阶段:利用遗传算法推算最佳装配体基准零件,并基于图模型的最小生成树推断实际装配顺序,具体步骤如下。
3-1) 考虑图模型节点度数、零件三维模型结构、零件在装配体中的位置,建立多目标的优化问题模型;利用多目标遗传算法求解关于装配体基准零件选择的Pareto解集。
3-2)基于图模型的最小生成树Prim算法,将基准零件作为整棵树的父节点,生成图模型的层级化装配树。在层级化装配树中隐含了部分装配顺序信息,如下层零件的装配应优于上层零件的装配,同层零件之间可以转换装配顺序。
3-3)在层级化装配树上搜索获得最佳装配顺序。
本发明的有益效果为:1)利用图模型表征装配关系,采用遗传算法和最小生成树算法获得近优装配顺序,极大减少算法时间复杂度。2)在机器人演示装配过程中,自主采集并学习装配知识,提高自主规划装配顺序的能力。3)利用模糊层次分析法,充分考虑装配过程中定性定量的约束和目标,提高规划装配顺序的合理性和可靠性。
附图说明
图1是本发明实施中的基于图模型的机器人自主装配顺序规划方法的流程示意图。
图2是本发明中图模型更新流程图。
图3是本发明中层级化装配树的示意图。
具体实施方式
下面将结合本发明附图,对本发明实施例中的技术方案进行清楚、完整地描述。
如图1所示,本发明提出一种基于图模型的机器人自主装配顺序规划方法。所述方法包括以下步骤。
1)图模型构建阶段:基于装配件的三维模型获取装配零件数据,用节点表示零件,用边表示对应关系,根据装配基本约束构建对应的图模型。
具体的,所述装配件的三维模型包括在三维建模软件中的装配体和零件模型,以及装配体对应的xml格式的层级化文本文件。所述装配零件数据包括从三维模型中获取的零件编号N,两两零件间的相对位姿和装配关系。所述装配基本约束包括从三维模型中获取的零件间机械可行性约束,装配的运动自由度约束。
在本发明具体实施过程中,将用上述数据构建一张用节点表示零件,用带权重值的边表示零件间对应关系的无向图模型。图模型采用邻接矩阵的形式存储。
2)图模型学习阶段如图2所示:在机器人演示装配过程中,根据绝对约束条件和最优化目标获得一定数量的观测数据,并使用观测数据更新图模型的结构和参数。
具体的,所述绝对约束条件包括装配过程中的碰撞约束,装配件的稳定性约束。所述碰撞约束为装配过程中,机器人与装配件应当避免碰撞,装配件与装配件产生的碰撞力应当小于一定阈值。所述稳定性约束为装配过程中,已装配件应当保持稳定,以及稳定状态应当为目标状态。
所述的最优化目标选取装配时间、装配成本、装配总能量消耗多个指标共同组成。
其中机器人演示装配过程的观测数据获取方法步骤如下。
2-1)根据装配任务搭建对应的仿真环境。在VREP仿真中导入装配件模型、机器人模型,并设置对应的动力学参数。
2-2)构建机器人基元动作集,轨迹规划方法,机器人控制方法。
在具体实施过程中,所述基元动作集包括夹爪夹紧,夹爪松开,自由空间移动,装配进程移动。
所述轨迹规划方法采用带抛物线过渡的线性插值算法。
所述机器人控制方法采用机器人笛卡尔空间阻抗控制。
2-3)根据图模型边选择对应装配动作,将其分解为机器人基元动作和运动轨迹的组合。
2-4)机器人在仿真中多次执行装配动作。
2-5)获得观测数据。针对每次装配返回一个等长的观测数据向量,用以记录绝对约束条件的满足情况和最优化目标的评价结果。
其中观测数据向量长度等于约束条件数和最优化目标数之和。绝对约束条件采用定性的判别结果,最优化目标采用定量的判别结果。
进一步,所述的图模型结构和参数的更新方法包括以下步骤。
2-6)根据每个装配动作的成功率,删减图模型结构的边,更新图模型结构。
2-7) 利用模糊层次分析法对上述观测数据进行分析。
2-8)根据模糊层次分析法得到平均评价更新对应边的权重。
3)利用图模型推断实际装配顺序,具体步骤如下。
3-1) 考虑图模型节点度数、零件三维模型结构、零件在装配体中的位置,建立多目标的优化问题模型;利用多目标遗传算法求解关于装配体基准零件选择的Pareto解集。
具体的,所述多目标遗传算法采用NSGA-Ⅱ,采用基于装配体零件特征的编码方式对零件进行编码。
3-2)基于图模型的最小生成树Prim算法,将基准零件作为整棵树的父节点,生成图模型的层级化装配树。
如图3所示,在层级化装配树中隐含了部分装配顺序信息,如下层零件的装配应优于上层零件的装配,同层零件之间可以转换装配顺序。
3-3)在层级化装配树上搜索获得最佳装配顺序。
最后应说明的是:以上仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,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。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.本发明提出了一种基于图模型的机器人自主装配顺序规划方法,其特征在于,该方法包括以下步骤:图模型构建阶段:基于装配件的三维模型获取装配零件数据,用节点表示零件,用边表示对应关系,根据装配基本约束初始化对应的图模型;图模型学习阶段:在机器人演示装配过程中,根据绝对约束条件和最优化目标获得一定数量的观测数据,并使用观测数据更新图模型的结构和参数;装配顺序推断阶段:利用遗传算法推算最佳装配体基准零件,并基于图模型的最小生成树推断实际装配顺序。
2.根据权利要求1所述的一种基于图模型的机器人自主装配顺序规划方法,其特征在于,所述装配件的三维模型包括在三维建模软件中的装配体和零件模型,以及装配体对应的xml格式的层级化文本文件。
3.根据权利要求1所述的一种基于图模型的机器人自主装配顺序规划方法,其特征在于,所述装配零件数据包括从三维模型中获取的零件编号,两两零件间的相对位姿和装配关系。
4.根据权利要求1所述的一种基于图模型的机器人自主装配顺序规划方法,其特征在于,所述装配基本约束包括从三维模型中获取的零件间机械可行性约束,装配的运动自由度约束。
5.根据权利要求1所述的一种基于图模型的机器人自主装配顺序规划方法,其特征在于,所述绝对约束条件包括装配过程中的碰撞约束,装配件的稳定性约束;所述碰撞约束为在装配过程中,机器人与装配件应当避免碰撞,装配件与装配件产生的碰撞力应当小于一定阈值;所述稳定性约束为在装配过程中,已装配件应当保持稳定,以及稳定状态应当为目标状态;所述的最优化目标选取装配时间、装配成本、装配总能量消耗多个目标共同组成。
6.根据权利要求1、权利要求5所述的一种基于图模型的机器人自主装配顺序规划方法,其特征在于,所述机器人演示装配过程中的观测数据获取方法为:1) 根据装配任务搭建对应的仿真环境;在仿真中导入装配件模型、机器人模型,并设置对应的动力学参数;2)构建机器人基元动作集,轨迹规划方法,机器人控制方法;所述基元动作集包括夹爪夹紧,夹爪松开,自由空间移动,装配进程移动;所述轨迹规划方法包括带抛物线过渡的线性插值,B样条曲线插值等;所述机器人控制方法采用机器人笛卡尔空间阻抗控制;3) 根据图模型边选择对应装配动作,将其分解为机器人基元动作和运动轨迹的组合;4) 机器人在仿真中多次执行装配动作;5) 获得观测数据;针对每次装配返回一个等长的观测数据向量,用以记录绝对约束条件的满足情况和最优化目标的评价结果;其中观测数据向量长度等于约束条件数和最优化目标数之和;绝对约束条件采用定性的判别结果,最优化目标采用定量的判别结果。
7.根据权利要求1所述的一种基于图模型的机器人自主装配顺序规划方法,其特征在于所述的图模型结构和参数的更新方法为:1)根据每个装配动作的成功率,删减图模型结构的边,更新图模型结构;2)利用模糊层次分析法对上述观测数据进行分析;3)根据模糊层次分析法得到针对装配动作的平均评价,更新图模型对应边的权重。
8.根据权利要求1所述的一种基于图模型的机器人自主装配顺序规划方法,其特征在于所述装配顺序推断具体方法为:1) 考虑图模型节点度数、零件三维模型结构、零件在装配体中的位置,建立多目标的优化问题模型;利用多目标遗传算法求解关于装配体基准零件选择的Pareto解集;2)基于图模型的最小生成树Prim算法,将基准零件作为整棵树的父节点,生成图模型的层级化装配树;在层级化装配树中隐含了大部分装配顺序信息,下层零件的装配应优于上层零件的装配,同层零件之间可以转换装配顺序;3)在层级化装配树上搜索获得最佳装配顺序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210514862.0A CN114872044A (zh) | 2022-05-12 | 2022-05-12 | 一种基于图模型的机器人自主装配顺序规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210514862.0A CN114872044A (zh) | 2022-05-12 | 2022-05-12 | 一种基于图模型的机器人自主装配顺序规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114872044A true CN114872044A (zh) | 2022-08-09 |
Family
ID=82675227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210514862.0A Pending CN114872044A (zh) | 2022-05-12 | 2022-05-12 | 一种基于图模型的机器人自主装配顺序规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114872044A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117648730A (zh) * | 2024-01-26 | 2024-03-05 | 北京适创科技有限公司 | 一种装配体的状态确定方法、装置、设备和存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6725184B1 (en) * | 1999-06-30 | 2004-04-20 | Wisconsin Alumni Research Foundation | Assembly and disassembly sequences of components in computerized multicomponent assembly models |
CN101414179A (zh) * | 2008-11-20 | 2009-04-22 | 上海交通大学 | 人机交互的装配工艺规划系统 |
CN103235862A (zh) * | 2013-05-10 | 2013-08-07 | 北京理工大学 | 选择拆卸序列规划方法及装置 |
CN104504471A (zh) * | 2014-12-22 | 2015-04-08 | 华北电力大学 | 装配序列规划方法和装置 |
CN105045804A (zh) * | 2015-06-01 | 2015-11-11 | 内蒙古工业大学 | 一种大型复杂产品拆卸序列规划方法和系统 |
CN108723628A (zh) * | 2018-05-30 | 2018-11-02 | 杭州电子科技大学 | 六角牛腿口钢节点焊接装配顺序的规划方法 |
CN110532718A (zh) * | 2019-09-04 | 2019-12-03 | 中国人民解放军火箭军工程大学 | 大型复杂装备层次关联最优割集虚拟拆装序列规划方法 |
CN112231966A (zh) * | 2020-09-08 | 2021-01-15 | 合肥学院 | 一种基于数字孪生的协作机器人可装配性预测系统及方法 |
-
2022
- 2022-05-12 CN CN202210514862.0A patent/CN114872044A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6725184B1 (en) * | 1999-06-30 | 2004-04-20 | Wisconsin Alumni Research Foundation | Assembly and disassembly sequences of components in computerized multicomponent assembly models |
CN101414179A (zh) * | 2008-11-20 | 2009-04-22 | 上海交通大学 | 人机交互的装配工艺规划系统 |
CN103235862A (zh) * | 2013-05-10 | 2013-08-07 | 北京理工大学 | 选择拆卸序列规划方法及装置 |
CN104504471A (zh) * | 2014-12-22 | 2015-04-08 | 华北电力大学 | 装配序列规划方法和装置 |
CN105045804A (zh) * | 2015-06-01 | 2015-11-11 | 内蒙古工业大学 | 一种大型复杂产品拆卸序列规划方法和系统 |
CN108723628A (zh) * | 2018-05-30 | 2018-11-02 | 杭州电子科技大学 | 六角牛腿口钢节点焊接装配顺序的规划方法 |
CN110532718A (zh) * | 2019-09-04 | 2019-12-03 | 中国人民解放军火箭军工程大学 | 大型复杂装备层次关联最优割集虚拟拆装序列规划方法 |
CN112231966A (zh) * | 2020-09-08 | 2021-01-15 | 合肥学院 | 一种基于数字孪生的协作机器人可装配性预测系统及方法 |
Non-Patent Citations (4)
Title |
---|
廖小云, 陈湘凤: "基于遗传算法的自动装配顺序规划", 工程科技Ⅱ辑,信息科技, 30 September 2000 (2000-09-30) * |
戴立民: "基于遗传算法的装配顺序规划研究", 工程科技Ⅰ辑, 1 January 2004 (2004-01-01) * |
王春雷;许建新;朱斌: "基于三维产品模型的装配顺序规划实现技术研究", 工程科技Ⅱ辑,信息科技, 20 September 2009 (2009-09-20) * |
高艳丽: "基于三维CAD的装配顺序规划系统的研究与开发", 工程科技Ⅰ辑, 1 April 2005 (2005-04-01) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117648730A (zh) * | 2024-01-26 | 2024-03-05 | 北京适创科技有限公司 | 一种装配体的状态确定方法、装置、设备和存储介质 |
CN117648730B (zh) * | 2024-01-26 | 2024-04-19 | 北京适创科技有限公司 | 一种装配体的状态确定方法、装置、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109540150B (zh) | 一种应用于危化品环境下多机器人路径规划方法 | |
Davidor | Genetic Algorithms and Robotics: A heuristic strategy for optimization | |
WO2022012265A1 (en) | Robot learning from demonstration via meta-imitation learning | |
Nagib et al. | Path planning for a mobile robot using genetic algorithms | |
Mao et al. | A hybrid differential evolution and particle swarm optimization algorithm for numerical kinematics solution of remote maintenance manipulators | |
Gong et al. | A review of gait optimization based on evolutionary computation | |
Han et al. | Ant colony optimization for assembly sequence planning based on parameters optimization | |
CN114872044A (zh) | 一种基于图模型的机器人自主装配顺序规划方法 | |
Shan et al. | Genetic simulated annealing algorithm-based assembly sequence planning | |
Saravanan et al. | Evolutionary minimum cost trajectory planning for industrial robots | |
Amatucci et al. | Monte carlo tree search gait planner for non-gaited legged system control | |
Sheng et al. | Forward kinematics of the Stewart platform using hybrid immune genetic algorithm | |
Guo et al. | Trajectory planning of redundant robot manipulators using QPSO algorithm | |
CN116592890A (zh) | 一种采摘机器人路径规划方法、系统、电子设备及介质 | |
CN116841303A (zh) | 一种针对水下机器人的智能择优高阶迭代自学习控制方法 | |
Shibata et al. | Motion planning by genetic algorithm for a redundant manipulator using a model of criteria of skilled operators | |
CN112734291B (zh) | 基于树搜索的桁架装配序列规划方法 | |
CN114202063A (zh) | 一种基于遗传算法优化的模糊神经网络温室温度预测方法 | |
Liu et al. | Evolving hidden Markov model based human intention learning and inference | |
CN108830483B (zh) | 多智能体系统任务规划方法 | |
Nearchou | A genetic navigation algorithm for autonomous mobile robots | |
Hao | Research on Motion Path Planning of Industrial Robot Based on Genetic Algorithms | |
Cebulla et al. | Efficient Multi-Objective Assembly Sequence Planning via Knowledge Transfer between Similar Assemblies | |
CN115373409B (zh) | 一种复杂环境下水下机器人协同捕捞海生物的路径规划方法 | |
Shibata et al. | Motion planning of a redundant manipulator based on criteria of skilled operators |
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 |