CN115008478B - 一种双臂机器人抓取位姿选择方法、系统和存储介质 - Google Patents
一种双臂机器人抓取位姿选择方法、系统和存储介质 Download PDFInfo
- Publication number
- CN115008478B CN115008478B CN202210948656.0A CN202210948656A CN115008478B CN 115008478 B CN115008478 B CN 115008478B CN 202210948656 A CN202210948656 A CN 202210948656A CN 115008478 B CN115008478 B CN 115008478B
- Authority
- CN
- China
- Prior art keywords
- arms
- population
- iteration
- fitness
- genes
- 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 57
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 121
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 39
- 238000004364 calculation method Methods 0.000 claims abstract description 21
- 230000014759 maintenance of location Effects 0.000 claims abstract description 18
- 230000002068 genetic effect Effects 0.000 claims description 25
- 230000035772 mutation Effects 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 17
- 230000001360 synchronised effect Effects 0.000 claims description 10
- 230000005484 gravity Effects 0.000 claims description 9
- 230000036544 posture Effects 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 9
- 238000010187 selection method Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000000717 retained effect Effects 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 8
- 238000005457 optimization Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 239000012636 effector Substances 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 201000004569 Blindness Diseases 0.000 description 2
- 108700003861 Dominant Genes Proteins 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 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
- B25J9/1612—Programme controls characterised by the hand, wrist, grip 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
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/02—Programme-controlled manipulators characterised by movement of the arms, e.g. cartesian coordinate type
- B25J9/023—Cartesian coordinate type
-
- 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
- B25J9/1638—Programme controls characterised by the control loop compensation for arm bending/inertia, pay load weight/inertia
-
- 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
- B25J9/1669—Programme controls characterised by programming, planning systems for manipulators characterised by special application, e.g. multi-arm co-operation, assembly, grasping
-
- 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
- B25J9/1679—Programme controls characterised by the tasks executed
- B25J9/1682—Dual arm manipulator; Coordination of several manipulators
-
- 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
- G05B2219/39—Robotics, robotics to robotics hand
- G05B2219/39109—Dual arm, multiarm manipulation, object handled in cooperation
-
- 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
- G05B2219/39—Robotics, robotics to robotics hand
- G05B2219/39116—Constraint object handled in cooperation
-
- 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
- G05B2219/39—Robotics, robotics to robotics hand
- G05B2219/39121—Two manipulators operate on same object
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
Abstract
本发明涉及一种双臂机器人抓取位姿选择方法、系统和存储介质,包括设置适应度取值范围、迭代次数阈值以及适应度函数;计算种群基因适应度,判断种群是否在取值范围范围内,如果在范围内,则迭代结束,否则继续判断迭代次数是否达到迭代次数阈值,如果达到,则迭代结束,否则进行交叉、变异操作,根据迭代深度和适应度大小,动态选择基因保留策略,对基因进行保留;更新代表抓取位置的基因种群,返回进行判断循环;迭代结束后得到双臂对应的最优目标。本发明综合考虑双臂抓取对称性、双臂关节的最大转角、双臂最大关节转角之差三个方面,通过动态调整适应度函数的计算,引导算法沿全局最优的方向进行收敛,最终可以得出多目标综合最优的结果。
Description
技术领域
本发明属于机器人技术领域,具体涉及一种双臂机器人抓取位姿选择方法。
背景技术
随着现代工业的发展和科学技术的进步,人们对工业、医疗、服务水平的要求不断提高,对于许多任务而言,单臂机器人的操作明显不能满足要求,为了适应任务的复杂性、智能性、柔顺性要求,双臂机器人应运而生。双臂机器人像人类一样拥有两只手臂,并且双臂在一定范围内可进行协调工作,双臂机器人并不是两只机械臂的简单组合,他们除了各自要实现的控制目标外,还需要满足相互间的协调控制以及对环境的适应性。目前双臂机器人在采用传统遗传算法进行抓取位姿的选择时,往往出现如初始化的盲目性、容易陷入局部最优,算法的计算效率低,得到的目标点质量也难以保证等问题,执行同步抓取物体等协作任务时,未能发挥其多自由度的灵活性与协调性的优势。
因此,针对这一现状,迫切需要一种双臂机器人能实现最佳抓取位姿的选择方法,以克服当前实际应用中的不足。
发明内容
因此,本发明的目的在于克服现有技术存在的不足,而提供一种能够避免初始化的盲目性、避免局部最优、提高计算效率,能发挥双臂机器人多自由度的灵活性与协调性的优势的基于改进遗传算法的双臂机器人最优抓取位姿选择方法。
本发明的目的是通过如下技术方案来完成的,一种双臂机器人抓取位姿选择方法,所述方法为基于改进遗传算法的双臂机器人最优抓取位姿选择方法,包括:
S1:以双臂末端位姿变化最小为目标,确定适应度函数的取值范围和迭代次数阈值,根据双臂与待抓取杆件的位置关系以及双臂的运动规律设计适应度函数,并设定初始交叉与变异比例;
S2:将双臂的初始位姿和待抓取杆件位置作为初始种群生成的约束条件,生成代表抓取位置的初始种群;
S3:依据所述S1中设计的所述适应度函数,计算种群每组基因适应度;
S4:判断所述S3中的所述种群每组基因适应度是否在所述S1中设定的所述适应度函数的取值范围内,如果在范围内,则进入S9,否则进入S5;
S5:判断迭代次数是否达到所述S1中设定的所述迭代次数阈值,如果达到,则进入S9,否则进入S6;
S6:通过交叉、变异操作,获得新一代种群基因;
S7:未参与所述S6的种群基因,根据其在迭代次数中的迭代深度和适应度大小、抓取位置和双臂末端姿态动态选择基因保留策略,对基因进行保留;
S8:依据所述S6中新一代种群基因和所述S7中保留的基因,更新代表抓取位置的种群基因,返回S3循环;
S9:得到双臂对应的最优目标。
优选地,所述S2中所述将双臂的初始位姿和待抓取杆件位置作为初始种群生成的约束条件的具体内容为:目标抓取点是在所述待抓取杆件的轴线上生成,且初始种群每组基因包含的两个表示双臂目标位置的点分布于杆件形心两侧。
优选地,所述S1中所述适应度函数具体内容为对称性子适应度函数、双臂的协同性子适应度函数、双臂同步性子适应度函数;三者进行加权来计算,且根据其在迭代次数中的迭代深度调整各子适应度函数的权重值。
优选地,所述对称性子适应度函数考量每组基因中两个抓取点相对杆件形心的对称性,公式如下:
优选地,所述双臂的协同性子适应度函数考量运行时间最长的关节以及各关节转角之和,公式如下:
所述双臂同步性子适应度函数目的为尽可能保证双臂到达目标点位的同步性,公式如下:
优选地,所述根据其在迭代次数中的迭代深度调整各子适应度函数的权重值具体内容为:在迭代初期,给三个所述子适应度相同的权重;在迭代后期,提高所述双臂的协同性子适应度和所述双臂同步性子适应度所占比重。
优选地,所述S6中交叉、变异的具体内容为:交叉与变异概采用自适应调整技术,根据S1中所述初始交叉与变异比例,适应度函数作为引导交叉和变异比例变化参数。
优选地,所述S7中所述基因保留策略采用轮盘赌法与覆盖法相结合,在迭代初期,选用轮盘赌法,迭代后期根据适应度大小改用覆盖法。
优选地,一种双臂机器人抓取位姿选择系统,包括:
设置参数模块:被配置为以双臂末端位姿变化最小为目标,确定适应度函数的取值范围和迭代次数阈值,根据双臂与待抓取杆件的位置关系以及双臂的运动规律设计适应度函数,并设定初始交叉与变异比例;
生成模块:被配置为将双臂的初始位姿和待抓取杆件位置作为初始种群生成的约束条件,生成代表抓取位置的初始种群;
计算模块:被配置为依据所述设置参数模块中设计的所述适应度函数,计算种群每组基因适应度;
判断模块:被配置为两步判断,第一步判断所述计算模块中的所述种群每组基因适应度是否在所述设置参数模块中设定的所述适应度函数的取值范围内,如果在范围内,则得到双臂对应的最优目标,否则进入第二步判断,判断迭代次数是否达到所述设置参数模块中设定的所述迭代次数阈值,如果达到,则得到双臂对应的最优目标,否则进入交叉变异模块;
交叉变异模块:被配置为通过交叉、变异操作,获得新一代种群基因;
基因保留模块:被配置为未参与所述交叉变异模块的种群基因,根据其在迭代次数中的迭代深度和适应度大小、抓取位置和双臂末端姿态动态选择基因保留策略,对基因进行保留;
更新模块:被配置为依据所述交叉变异模块中的所述新一代种群基因和所述基因保留模块中保留的基因,更新代表抓取位置的种群基因,返回计算模块循环直至得到双臂对应的最优目标。
优选地,一种存储介质,所述存储介质用于存储计算机程序,当所述计算机程序在计算机上运行时,使得计算机执行如上任一项所述的方法。
本发明通过上述技术方案,可以实现如下效果:
本发明改进遗传算法分别在初始种群的生成、适应度函数的设计、基因的保留策略等方面做了具体优化,应对于初始种群的生成将双臂的初始位姿和待抓取杆件的位置关系作为初始种群生成的约束条件,将初始种群的生成限制在合理的范围内,为算法在交叉、变异的过程中从一开始就朝着正确的目标方向收敛创造条件;设计的适应度函数随着迭代次数的变化灵活自适应,通过随着迭代次数的变化调整各适应度函数的权重值,突出不同阶段最重要的评判指标对基因进行筛选,设置的多重适应度函数综合考虑双臂抓取点的坐标相对于被抓取物体重心的对称性高、双臂关节的最大转角小、双臂最大关节转角之差小三个方面,通过动态调整适应度函数的计算,引导算法沿全局最优的方向进行收敛,最终可以得出多目标综合最优的结果;基因保留策略采用轮盘赌法与覆盖法相结合,能更为准确的对基因进行更新。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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为本发明整体流程图;
图2为实施例一的初始位姿图;
图3为实施例一得到双臂对应的最优目标;
图4为实施例一中三组实验初始位姿图;
图5为实施例一中三组实验的两种遗传算法对比实验结果分析图;
图6为实施例一中三组实验中第一组实验的改进的遗传算法适应度收敛趋势图;
图7为实施例一中三组实验中第一组实验的未改进的遗传算法适应度收敛趋势图;
图8为实施例一中三组实验的粒子群优化算法结果图;
图9为实施例一中三组实验的改进遗传算法的结果图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
实施例一
一种双臂机器人抓取位姿选择方法,为基于改进遗传算法的双臂机器人最优抓取位姿选择方法,如图1所示,包括:
S1:以双臂末端位姿变化最小为目标,确定适应度函数的取值范围和迭代次数阈值,根据双臂与待抓取杆件的位置关系以及双臂的运动规律设计适应度函数,并设定初始交叉与变异比例;此处不限定具体的设定适应度函数的取值范围的要求,只要能达成以双臂末端位姿变化最小为目标即可,也不限定迭代次数阈值、初始交叉与变异比例和适应度函数的具体内容,本实施例中把双臂机器人在杆件上对应的两个目标点的坐标,以及抓取时工具坐标的z轴方向直接作为基因,以简化计算;适应度函数为动态多重适应度函数进行加权计算,本实施例中动态多重适应度函数为:对称性子适应度函数、双臂的协同性子适应度函数、双臂同步性子适应度函数,并且根据迭代次数的变化调整各子适应度函数的权重值,在遗传算法迭代初期,给三个子适应度相同的权重;在迭代后期,提高双臂的协同性子适应度、双臂同步性子适应度所占比重。本实施例中对称性子适应度函数考量每组基因中两个抓取点相对杆件形心的对称性,公式如下:
其中,表示对称性子适应度函数,表示为待抓取杆件重心的坐标,表示两个目标抓取点连线的中心与杆件形心的坐标差,下标L、R表示左臂、右臂,上标m表示每一代种群中的基因编号,下标n表示种群代数的序号。根据公式可知,两个目标抓取点关于杆件形心的对称性越好,坐标差越小,代表对称性的适应度函数越大,基因相对更优。
双臂的协同性子适应度函数考量运行时间最长的关节以及各关节转角之和,公式如下:
其中,表示双臂的协同性子适应度函数,表示机械臂从初始位姿到目标位姿的各关节转角之和;整个任务的执行效率取决于双臂中运行时间最长的那个关节,以及考虑生成的目标抓取点使得对应的机械臂从初始位姿到抓取位姿的各关节转角最小。
双臂机器人抓取杆件的过程,应保证双臂能够同时到达对应目标点,开展同步抓取,避免不同步的抓取操作导致将杆件的全部重力集中到一侧的机械臂承受。现有的双臂机器人即使采用双臂都到达目标抓取点位之后再同步开始抓取的策略,主要方法是率先到达目标点位的单只机械臂需要等待另一只机械臂到位,想要提高效率的目的并不能达到,反而可能因为过度考虑单只机械臂到达目标点位的效率(即所表示的子适应度)而削弱了对于点位对称性(即所表示的子适应度)等其他适应度的考量,为了避免这一情况,设计双臂同步性子适应度函数公式如下:
将三个子适应度函数综合考量,分别根据不同情况赋予不同的权重,整体适应度函数公式如下:
其中,在遗传算法迭代刚开始时,需要在约束条件内即杆件轴线上尽快找到合适的目标点位坐标,同时还应保留部分并不优秀的基因,因为初期并不优越的基因在后期可能成为最优的,所以初期给三个子适应度相同的权重,在迭代后期,适当提高β、γ所占比重,重点考虑筛选出最优的末端抓取位姿,并优化双臂的协同抓取能力。
S2:将双臂的初始位姿和待抓取杆件位置作为初始种群生成的约束条件,生成代表抓取位置的初始种群;本实施例双臂机器人初始状态如图2所示,本实施例中目标抓取点是在待抓取杆件的轴线上生成,且初始种群每组基因包含的两个表示双臂目标位置的点分布于杆件形心两侧。一方面,要保证目标抓取点是在待抓取杆件的轴线上生成,确保目标点位能够引导机械臂对杆件进行准确抓取;另一方面,要令初始种群每组基因包含的两个表示双臂目标位置的点分布于杆件形心两侧,避免都在杆件形心一侧生成,使双臂能够分别在形心两侧抓取杆件,满足合理的受力结构,接近最优抓取位置的状态。符合这两个方面要求的初始种群,避免了过大的随机性,可以使遗传算法在后面的基因交叉和变异过程中,围绕正确的方向附近进行种群更新,尽快迭代出高质量的结果。初始种群生成的限定公式如下:
其中,P0表示初始种群,下标n表示种群代数的序号,下标L、R表示左臂、右臂,上标m表示每一代种群中的基因编号,OL、OR表示待抓取杆件轴线形心两侧的区域,TL、TR表示对应生成的双臂目标点。
S3:依据S1中设计的适应度函数,计算种群每组基因适应度;
S4:判断S3中的种群每组基因适应度是否在S1中设定的适应度函数的取值范围内,如果在范围内,则进入S9,否则进入S5;
S5:判断迭代次数是否达到S1中设定的迭代次数阈值,如果达到,则进入S9,否则进入S6;
S6:通过交叉、变异操作,获得新一代种群基因;本实施例中交叉与变异概采用自适应调整技术,根据S1中初始交叉与变异比例,适应度函数作为引导交叉和变异比例变化参数,公式如下:
S7:针对没有参与S6中交叉变异的种群基因,根据其在迭代次数中的迭代深度和适应度大小、抓取位置和双臂末端姿态动态选择基因保留策略,对基因进行保留;本实施例中基因保留策略的具体内容为在迭代初期,选用轮盘赌法,迭代后期根据适应度大小改用覆盖法。在迭代初期,选用遗传算法常用的轮盘赌方法。由于迭代初期优势基因的特征未能全面体现,适应度函数的计算也处于动态变化中,此时若仅凭借适应度的大小来选择进入下一轮迭代的基因,可能将有潜力演变为高适应度的基因提前排除掉。且初期综合考虑抓取位置、末端执行器姿态等多重因素,整体适应度具有不确定性。因此在初期要给更多基因继续迭代的机会。迭代后期改用覆盖法,根据适应度大小选择保留较高适应度的基因。迭代后期基因之间的差异不大,需要尽快选出最优解进行保留。后期适应度着重考虑末端执行器抓取姿态,影响因素较少,所以采用覆盖法排除掉已经呈现劣势的基因。
S8:依据S6中新一代种群基因和S7中保留的基因,更新代表抓取位置的种群基因,返回S3循环;
S9:得到双臂对应的最优目标,如图3所示。
如图4所示,为本实施例的三组双臂的初始位姿,三组位姿分别代表:双机械臂位姿对称、双机械臂关节即将达到极限转角、双机械臂处于初始零位,三组位姿可以基本表示实际工况中可能遇到的三种情况,分别针对三种初始位姿,采用未改进算法和改进后算法进行对比实验,为了增强实验的说服力,降低实验的随机性,对每种情况进行了20组重复实验,取重复实验的结果的平均值进行比较,得出的结果如图5所示,针对三类不同位姿,每类做了20组重复实验所得到的结果平均值来看,相比于未改进的遗传算法,经改进后的遗传算法在各项对比指标上都有了较好的改善。得出的抓取位置和位姿,使得两只机械臂在杆件上的抓取位置相对于杆件重心的对称性更好,右臂和左臂从初始位姿到抓取位姿的最大关节转角平均减小了1.23%和1.51%,另外双臂之间的最大关节转角之差也平均减小了14.26%,三个目标都得到了进一步的优化。如图6所示,为如图4所示的第一组的改进的遗传算法的适应度收敛趋势,在迭代中后期仍会出现适应度的调整,使得更多优秀的基因被纳入考量;如图7所示,为如图4所示的第一组的未改进的遗传算法的适应度收敛趋势,未改进的遗传算法在迭代中期适应度基本不发生变化了,即进入提前收敛,存在将全局最优基因舍弃的可能。本实施例还与粒子群优化算法进行了对比,同样采用如图4所示的三组初始位姿,同样进行了20组重复实验,粒子群优化算法得到的结果如图8所示,本实施例选用的算法得到的结果如图9所示,对比得出,粒子群优化算法得出的目标点相对于杆件重心的对称性较高,但是两只机械臂的最大转角及转角之差存在不稳定的情况,且20次实验的平均值相比于改进遗传算法得到的结果也较大。本实施例选用的算法虽然在抓取点的对称性上稍有不足,但是综合来看,结果更为稳定,且三个目标综合最优。
本实施例根据双臂在操作空间中的初始位姿和待抓取物体的空间位置,优化初始种群的生成,将初始种群的生成限制在合理的范围内,避免了过大的随机性,可以使遗传算法在后面的基因交叉和变异过程中,围绕正确的方向附近进行种群更新,尽快迭代出高质量的结果;改进适应度函数,将对称性、双臂在抓取过程中的最大关节转角与双臂转角之差纳入考量,根据迭代深度自适应调整适应度函数,综合考虑了在迭代刚开始时,需要在约束条件内即杆件轴线上尽快找到合适的目标点位坐标,同时还应保留部分并不优秀的基因,因为初期并不优越的基因在后期可能成为最优的,在迭代后期,重点考虑筛选出最优的末端抓取位姿,并优化双臂的协同抓取能力,因此设置了子适应度函数的权重根据迭代深度来调整;在交叉、变异过程中将适应度函数作为参数,引导算法沿全局最优的方向进行收敛;基因保留策略采用轮盘赌法与覆盖法相结合,能更为准确的对基因进行更新;最终得出双臂在物体上最优抓取点的坐标和抓取位姿。
实施例二
一种双臂机器人抓取位姿选择系统,包括:
设置参数模块:被配置为以双臂末端位姿变化最小为目标,确定适应度函数的取值范围和迭代次数阈值,根据双臂与待抓取杆件的位置关系以及双臂的运动规律设计适应度函数,并设定初始交叉与变异比例;此处不限定具体的设定适应度函数的取值范围的要求,只要能达成以双臂末端位姿变化最小为目标即可,也不限定迭代次数阈值、初始交叉与变异比例和适应度函数的具体内容,本实施例中把双臂机器人在杆件上对应的两个目标点的坐标,以及抓取时工具坐标的z轴方向直接作为基因,以简化计算;适应度函数为动态多重适应度函数进行加权计算,本实施例中动态多重适应度函数为:对称性子适应度函数、双臂的协同性子适应度函数、双臂同步性子适应度函数,并且根据迭代次数的变化调整各子适应度函数的权重值,在遗传算法迭代初期,给三个子适应度相同的权重;在迭代后期,提高双臂的协同性子适应度、双臂同步性子适应度所占比重。本实施例中对称性子适应度函数考量每组基因中两个抓取点相对杆件形心的对称性,公式如下:
其中,表示对称性子适应度函数,表示为待抓取杆件重心的坐标,表示两个目标抓取点连线的中心与杆件形心的坐标差,下标L、R表示左臂、右臂,上标m表示每一代种群中的基因编号,下标n表示种群代数的序号。根据公式可知,两个目标抓取点关于杆件形心的对称性越好,坐标差越小,代表对称性的适应度函数越大,基因相对更优。
双臂的协同性子适应度函数考量运行时间最长的关节以及各关节转角之和,公式如下:
其中,表示双臂的协同性子适应度函数,表示机械臂从初始位姿到目标位姿的各关节转角之和;整个任务的执行效率取决于双臂中运行时间最长的那个关节,以及考虑生成的目标抓取点使得对应的机械臂从初始位姿到抓取位姿的各关节转角最小。
双臂机器人抓取杆件的过程,应保证双臂能够同时到达对应目标点,开展同步抓取,避免不同步的抓取操作导致将杆件的全部重力集中到一侧的机械臂承受。现有的双臂机器人即使采用双臂都到达目标抓取点位之后再同步开始抓取的策略,主要方法是率先到达目标点位的单只机械臂需要等待另一只机械臂到位,想要提高效率的目的并不能达到,反而可能因为过度考虑单只机械臂到达目标点位的效率(即所表示的子适应度)而削弱了对于点位对称性(即所表示的子适应度)等其他适应度的考量,为了避免这一情况,设计双臂同步性子适应度函数公式如下:
将三个子适应度函数综合考量,分别根据不同情况赋予不同的权重,整体适应度函数公式如下:
其中,在遗传算法迭代刚开始时,需要在约束条件内即杆件轴线上尽快找到合适的目标点位坐标,同时还应保留部分并不优秀的基因,因为初期并不优越的基因在后期可能成为最优的,所以初期给三个子适应度相同的权重,在迭代后期,适当提高β、γ所占比重,重点考虑筛选出最优的末端抓取位姿,并优化双臂的协同抓取能力。
生成模块:被配置为将双臂的初始位姿和待抓取杆件位置作为初始种群生成的约束条件,生成代表抓取位置的初始种群;本实施例中目标抓取点是在待抓取杆件的轴线上生成,且初始种群每组基因包含的两个表示双臂目标位置的点分布于杆件形心两侧。一方面,要保证目标抓取点是在待抓取杆件的轴线上生成,确保目标点位能够引导机械臂对杆件进行准确抓取;另一方面,要令初始种群每组基因包含的两个表示双臂目标位置的点分布于杆件形心两侧,避免都在杆件形心一侧生成,使双臂能够分别在形心两侧抓取杆件,满足合理的受力结构,接近最优抓取位置的状态。符合这两个方面要求的初始种群,避免了过大的随机性,可以使遗传算法在后面的基因交叉和变异过程中,围绕正确的方向附近进行种群更新,尽快迭代出高质量的结果。初始种群生成的限定公式如下:
其中,P0表示初始种群,下标n表示种群代数的序号,下标L、R表示左臂、右臂,上标m表示每一代种群中的基因编号,OL、OR表示待抓取杆件轴线形心两侧的区域,TL、TR表示对应生成的双臂目标点。
计算模块:被配置为依据设置参数模块中设计的适应度函数,计算种群每组基因适应度;
判断模块:被配置为两步判断,第一步判断所述计算模块中的种群基因适应度是否在设置参数模块中设定的适应度函数的取值范围内,如果在范围内,则得到双臂对应的最优目标,否则进入第二步判断,判断迭代次数是否达到设置参数模块中设定的迭代次数阈值,如果达到,则得到双臂对应的最优目标,否则进入交叉变异模块;
交叉变异模块:被配置为通过交叉、变异操作,获得新一代种群基因;本实施例中交叉与变异概采用自适应调整技术,根据设置参数模块中初始交叉与变异比例,适应度函数作为引导交叉和变异比例变化参数,公式如下:
基因保留模块:被配置为未参与交叉变异模块的种群基因,根据其在迭代次数中的迭代深度和适应度大小、抓取位置和双臂末端姿态动态选择基因保留策略,对基因进行保留;本实施例中基因保留策略的具体内容为在迭代初期,选用轮盘赌法,迭代后期根据适应度大小改用覆盖法。在迭代初期,选用遗传算法常用的轮盘赌方法。由于迭代初期优势基因的特征未能全面体现,适应度函数的计算也处于动态变化中,此时若仅凭借适应度的大小来选择进入下一轮迭代的基因,可能将有潜力演变为高适应度的基因提前排除掉。且初期综合考虑抓取位置、末端执行器姿态等多重因素,整体适应度具有不确定性。因此在初期要给更多基因继续迭代的机会。迭代后期改用覆盖法,根据适应度大小选择保留较高适应度的基因。迭代后期基因之间的差异不大,需要尽快选出最优解进行保留。后期适应度着重考虑末端执行器抓取姿态,影响因素较少,所以采用覆盖法排除掉已经呈现劣势的基因。
更新模块:被配置为依据交叉变异模块中的新一代种群基因和基因保留模块中所述保留的基因,更新代表抓取位置的种群基因,返回计算模块循环直至得到双臂对应的最优目标。
实施例三
本实施例提供一种计算机可读存储介质,其存储有计算机程序;当所述计算机程序被计算设备中的处理器执行时,使得计算设备执行实施例一任一所述的方法。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,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,或者对其中部分或者全部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发明各实施例技术方案的范围。
Claims (9)
1.一种双臂机器人抓取位姿选择方法,所述方法为基于改进遗传算法的双臂机器人最优抓取位姿选择方法,其特征在于,包括:
S1:以双臂末端位姿变化最小为目标,确定适应度函数的取值范围和迭代次数阈值,根据双臂与待抓取杆件的位置关系以及双臂的运动规律设计适应度函数,并设定初始交叉与变异比例;
S2:将双臂的初始位姿和待抓取杆件位置作为初始种群生成的约束条件,生成代表抓取位置的初始种群;所述将双臂的初始位姿和待抓取杆件位置作为初始种群生成的约束条件的具体内容为:目标抓取点是在所述待抓取杆件的轴线上生成,且初始种群每组基因包含的两个表示双臂目标位置的点分布于杆件形心两侧;
S3:依据所述S1中设计的所述适应度函数,计算种群每组基因适应度;
S4:判断所述S3中的所述种群每组基因适应度是否在所述S1中设定的所述适应度函数的取值范围内,如果在范围内,则进入S9,否则进入S5;
S5:判断迭代次数是否达到所述S1中设定的所述迭代次数阈值,如果达到,则进入S9,否则进入S6;
S6:通过交叉、变异操作,获得新一代种群基因;
S7:未参与所述S6的种群基因,根据其在迭代次数中的迭代深度和适应度大小、抓取位置和双臂末端姿态动态选择基因保留策略,对基因进行保留;
S8:依据所述S6中新一代种群基因和所述S7中保留的基因,更新代表抓取位置的种群基因,返回S3循环;
S9:得到双臂对应的最优目标。
2.根据权利要求1所述的双臂机器人抓取位姿选择方法,其特征在于:所述S1中所述适应度函数具体内容为对称性子适应度函数、双臂的协同性子适应度函数、双臂同步性子适应度函数;三者进行加权来计算,且根据其在迭代次数中的迭代深度调整各子适应度函数的权重值。
5.根据权利要求2所述的双臂机器人抓取位姿选择方法,其特征在于:所述根据其在迭代次数中的迭代深度调整各子适应度函数的权重值具体内容为:在迭代初期,给三个所述子适应度相同的权重;在迭代后期,提高所述双臂的协同性子适应度和所述双臂同步性子适应度所占比重。
6.根据权利要求1所述的双臂机器人抓取位姿选择方法,其特征在于:所述S6中交叉、变异的具体内容为:交叉与变异概采用自适应调整技术,根据S1中所述初始交叉与变异比例,适应度函数作为引导交叉和变异比例变化参数。
7.根据权利要求6所述的双臂机器人抓取位姿选择方法,其特征在于:所述S7中所述基因保留策略采用轮盘赌法与覆盖法相结合,在迭代初期,选用轮盘赌法,迭代后期根据适应度大小改用覆盖法。
8.一种双臂机器人抓取位姿选择系统,其特征在于,包括:
设置参数模块:被配置为以双臂末端位姿变化最小为目标,确定适应度函数的取值范围和迭代次数阈值,根据双臂与待抓取杆件的位置关系以及双臂的运动规律设计适应度函数,并设定初始交叉与变异比例;
生成模块:被配置为将双臂的初始位姿和待抓取杆件位置作为初始种群生成的约束条件,生成代表抓取位置的初始种群;所述将双臂的初始位姿和待抓取杆件位置作为初始种群生成的约束条件的具体内容为:目标抓取点是在所述待抓取杆件的轴线上生成,且初始种群每组基因包含的两个表示双臂目标位置的点分布于杆件形心两侧;
计算模块:被配置为依据所述设置参数模块中设计的所述适应度函数,计算种群每组基因适应度;
判断模块:被配置为两步判断,第一步判断所述计算模块中的所述种群每组基因适应度是否在所述设置参数模块中设定的所述适应度函数的取值范围内,如果在范围内,则得到双臂对应的最优目标,否则进入第二步判断,判断迭代次数是否达到所述设置参数模块中设定的所述迭代次数阈值,如果达到,则得到双臂对应的最优目标,否则进入交叉变异模块;
交叉变异模块:被配置为通过交叉、变异操作,获得新一代种群基因;
基因保留模块:被配置为未参与所述交叉变异模块的种群基因,根据其在迭代次数中的迭代深度和适应度大小、抓取位置和双臂末端姿态动态选择基因保留策略,对基因进行保留;
更新模块:被配置为依据所述交叉变异模块中的所述新一代种群基因和所述基因保留模块中保留的基因,更新代表抓取位置的种群基因,返回计算模块循环直至得到双臂对应的最优目标。
9.一种存储介质,其特征在于:所述存储介质用于存储计算机程序,当所述计算机程序在计算机上运行时,使得计算机执行如权利要求1-7任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210948656.0A CN115008478B (zh) | 2022-08-09 | 2022-08-09 | 一种双臂机器人抓取位姿选择方法、系统和存储介质 |
US18/230,199 US20240051126A1 (en) | 2022-08-09 | 2023-08-04 | Method, system, and storage medium for selecting grasp posture of dual-arm robot |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210948656.0A CN115008478B (zh) | 2022-08-09 | 2022-08-09 | 一种双臂机器人抓取位姿选择方法、系统和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115008478A CN115008478A (zh) | 2022-09-06 |
CN115008478B true CN115008478B (zh) | 2022-10-25 |
Family
ID=83065353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210948656.0A Active CN115008478B (zh) | 2022-08-09 | 2022-08-09 | 一种双臂机器人抓取位姿选择方法、系统和存储介质 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20240051126A1 (zh) |
CN (1) | CN115008478B (zh) |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2871363B1 (fr) * | 2004-06-15 | 2006-09-01 | Medtech Sa | Dispositif robotise de guidage pour outil chirurgical |
CN100500095C (zh) * | 2005-01-31 | 2009-06-17 | 株式会社东芝 | X射线诊断装置 |
CN107972026B (zh) * | 2016-10-25 | 2021-05-04 | 河北亿超机械制造股份有限公司 | 机器人、机械臂及其控制方法和装置 |
EP3670106A1 (en) * | 2018-12-18 | 2020-06-24 | Siemens Aktiengesellschaft | Task-specific robot grasping system and method |
EP3831545A4 (en) * | 2019-03-15 | 2022-03-16 | OMRON Corporation | PARAMETER SETTING DEVICE, PARAMETER SETTING METHOD AND PROGRAM |
US11569111B2 (en) * | 2019-12-02 | 2023-01-31 | Brooks Automation Us, Llc | Substrate processing apparatus |
CN111515949B (zh) * | 2020-04-23 | 2021-08-10 | 大连理工大学 | 一种双臂协作机器人的双臂传接位置选取方法 |
US20210402597A1 (en) * | 2020-06-29 | 2021-12-30 | Microsoft Technology Licensing, Llc | Systems, Methods, and Computer-Readable Media for Task-Oriented Motion Mapping on Machines, Robots, Agents and Virtual Embodiments Thereof Using Body Role Division |
US20220363439A1 (en) * | 2021-05-16 | 2022-11-17 | Kevin Torres | Cork Holding Device |
US20230321694A1 (en) * | 2022-03-25 | 2023-10-12 | Dexterity, Inc. | Detection of heavy objects using computer vision |
-
2022
- 2022-08-09 CN CN202210948656.0A patent/CN115008478B/zh active Active
-
2023
- 2023-08-04 US US18/230,199 patent/US20240051126A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
CN115008478A (zh) | 2022-09-06 |
US20240051126A1 (en) | 2024-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108932216B (zh) | 一种基于粒子群优化算法的机器人逆运动学求解方法 | |
Mainprice et al. | Planning human-aware motions using a sampling-based costmap planner | |
Zhao et al. | A tandem robotic arm inverse kinematic solution based on an improved particle swarm algorithm | |
CN107505947B (zh) | 一种空间机器人捕获目标后消旋及协调控制方法 | |
CN112975961B (zh) | 基于ctb-rrt*算法的采摘机械臂运动规划方法 | |
CN113885535B (zh) | 一种冲击约束的机器人避障和时间最优轨迹规划方法 | |
CN113325799B (zh) | 一种曲面工件的点焊机器人操作空间平滑路径规划方法 | |
CN111515949B (zh) | 一种双臂协作机器人的双臂传接位置选取方法 | |
Daoud et al. | Efficient metaheuristics for pick and place robotic systems optimization | |
CN108748160A (zh) | 基于多种群粒子群算法的机械臂运动规划方法 | |
CN109623818B (zh) | 一种基于时间分组的机械臂关节轨迹优化方法 | |
CN113341706B (zh) | 基于深度强化学习的人机协作流水线系统 | |
CN108255058A (zh) | 智能空间下的服务机器人逆运动学求解方法和装置 | |
CN115008478B (zh) | 一种双臂机器人抓取位姿选择方法、系统和存储介质 | |
CN113442140B (zh) | 一种基于Bezier寻优的笛卡尔空间避障规划方法 | |
CN111610788A (zh) | 一种分级模糊-人工势场路径规划的方法 | |
CN113435025A (zh) | 一种结合多级优化模型的机器人高性能轨迹自动生成方法 | |
CN110281243B (zh) | 一种采摘机器人作业序列规划方法 | |
CN111366169A (zh) | 一种确定性移动机器人路径规划方法 | |
CN113799141A (zh) | 六自由度机械臂避障路径规划方法 | |
CN117434950A (zh) | 一种基于哈里斯鹰启发式混合算法的移动机器人动态路径规划方法 | |
CN117103282A (zh) | 一种基于matd3算法的双臂机器人协同运动控制方法 | |
CN113204238B (zh) | 一种移动机器人的路径规划方法、设备及存储介质 | |
Raiesdana | A hybrid method for industrial robot navigation | |
CN114942799B (zh) | 云边环境下基于强化学习的工作流调度方法 |
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 |