CN116038708A - 基于内部预演的机械手臂趋近规划方法及装置 - Google Patents

基于内部预演的机械手臂趋近规划方法及装置 Download PDF

Info

Publication number
CN116038708A
CN116038708A CN202310045314.2A CN202310045314A CN116038708A CN 116038708 A CN116038708 A CN 116038708A CN 202310045314 A CN202310045314 A CN 202310045314A CN 116038708 A CN116038708 A CN 116038708A
Authority
CN
China
Prior art keywords
joint
robot arm
pose
distance
angle
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
CN202310045314.2A
Other languages
English (en)
Other versions
CN116038708B (zh
Inventor
罗定生
吴玺宏
邹钰笛
王家文
曲威名
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.)
Peking University
Original Assignee
Peking University
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 Peking University filed Critical Peking University
Priority to CN202310045314.2A priority Critical patent/CN116038708B/zh
Publication of CN116038708A publication Critical patent/CN116038708A/zh
Application granted granted Critical
Publication of CN116038708B publication Critical patent/CN116038708B/zh
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

Landscapes

  • Engineering & Computer Science (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Numerical Control (AREA)

Abstract

本发明公开了一种基于内部预演的机械手臂趋近规划方法及装置，所述方法包括：定义目标位姿附近的采样点集合，所述采样点集合中的任一点与所述目标位姿的距离小于设定值；快速移动机器手臂，且当机械手臂末端的附近位姿点进入所述采样点集合的情况下，停止所述机器手臂的快速移动；对机器手臂的后续移动轨迹进行内部预演，以得到所述机器手臂中各关节的角变化向量；基于所述各关节的角变化向量，将所述机器手臂的末端移动至所述目标位姿。本发明可以有效提高机械臂在趋近过程中的位置、姿态准确度以及减少实体机械臂在空间中采样的次数。

Description

基于内部预演的机械手臂趋近规划方法及装置
技术领域：
本发明涉及信息科学领域，尤其涉及一种基于内部预演的机械手臂趋近规划方法及装置。
背景技术
由于双臂高自由度带来的多解问题，传统的基于采样的规划算法存在随机性，这样的方法耗时多，对机器人本身带来的损耗也大，甚至可能在有限的时间内无法找到可行解。这与机器人双臂协同完成复杂任务所要求的实时性不符。而基于机器人逆向运动学的运动规划算法又高度依赖于物理模型的准确度。因此，如何在小范围内实现机械臂的精确快速控制成为了一个亟需解决的问题。
由于传统运动学规划存在以上局限性，越来越多的研究将学习的方法引入到了机器人手臂运动规划中。基于强化学习的运动规划常被用于机器人手臂避障规划，但在目标位置不确定，机器人手臂起始状态不确定时，存在采样空间大，训练难以收敛的问题。基于RRT算法其精确性较低，不适用于一些在一定短距离内需要精确完成的任务。而本文提出的基于内部预演的方法则可以通过较小的探索空间提升趋近精确度。
人在进行任务规划或运动规划时，可以通过预先想象、计划，再根据想象的结果执行具体行动。Hesslow的理论将预先思考再执行的方式称为内部预演(Inner Rehearsal)机制，有研究表明，在进行“内部预演”时，激活的运动神经元和实际执行动作所激活的神经元相同。基于内部预演机制，人可以对可选操作进行内在思考或尝试，并分析得出各操作可能导致的结果，而无需显式地执行或真实地决策。这有效地减少了在规划过程中进入不可行分支的概率。2019年，Liu等人使用前向迭代规划(Look-aheadPlanning)的方法，通过不断迭代调整机器人末端位姿，提升机器人末端到达目标的精确度，但在这个过程中，机器人关节需要不断运动，对关节可能产生磨损。2019年，Nie提出了基于内部预演的机器人手臂趋近框架，使机器人手臂末端位置能够经过多次内部迭代和一次实际执行，最终到达目标点，验证了内部预演在机器人手臂运动规划中的有效性和准确性，也能够减少对机器人自身的磨损。但该工作只考虑了机器人手臂末端的位置，缺乏对姿态即机器人手臂末端朝向的考虑。而机器人手臂末端姿态与后续任务完成息息相关。
发明内容
为了解决上述问题，本发明公开了一种基于内部预演的机械手臂趋近规划方法及装置，该方法通过两阶段式运动规划，提高了整体动作规划的速度。
本发明的技术内容包括：
一种基于内部预演的机械手臂趋近规划方法，所述方法包括：
定义目标位姿附近的采样点集合，所述采样点集合中的任一点与所述目标位姿的距离小于设定值；
快速移动机器手臂，且当机械手臂末端的附近位姿点进入所述采样点集合的情况下，停止所述机器手臂的快速移动；
对机器手臂的后续移动轨迹进行内部预演，以得到所述机器手臂中各关节的角变化向量；其中，所述内部预演包括若干次的趋近预测，每次趋近预测通过对机器手臂中的一个关节角度的优化实现；
基于所述各关节的角变化向量，将所述机器手臂的末端移动至所述目标位姿。
进一步地，所述快速移动机器手臂，且当所述机械手臂末端的当前位姿进入所述采样点集合的情况下，停止所述机器手臂的快速移动，包括：
在RRT*算法中加入提前终止的判断条件，以得到改进RRT*算法；其中，所述提前终止的判断条件为机械手臂末端的附近位姿点进入采样集合，且完成对应的父节点选择和随机树重布线；
基于所述机器手臂末端的初始位姿，运行所述改进RRT*算法，以快速移动机器手臂。
进一步地，所述对机器手臂的后续移动轨迹进行内部预演，以得到所述机器手臂中各关节的角变化向量，包括：
获取目标位姿ptarget、目标位置
Figure BDA0004055144140000021
和所述机器手臂中每一关节的关节角度
Figure BDA0004055144140000022
、机器手臂末端的当前位置
Figure BDA0004055144140000023
针对第step-1轮得到的关节角度
Figure BDA0004055144140000024
和当前位置
Figure BDA0004055144140000025
，通过对机器手臂中的一个关节的角度优化，得到各关节的关节角度
Figure BDA0004055144140000026
和当前位置
Figure BDA0004055144140000027
计算所述各关节的关节角度
Figure BDA0004055144140000028
对应的机器手臂末端的当前位姿
Figure BDA0004055144140000029
分别计算所述目标位置
Figure BDA00040551441400000210
与当前位置
Figure BDA00040551441400000211
的相对位置距离
Figure BDA00040551441400000212
，和所述目标位姿ptarget和所述当前位姿
Figure BDA00040551441400000213
的相对位姿距离
Figure BDA00040551441400000214
在所述相对位置距离
Figure BDA00040551441400000215
不大于第一设定距离θ，或所述相对位姿距离
Figure BDA00040551441400000216
不大于第二设定距离γ的情况下，令step＝step+1，并返回所述针对第step-1轮得到的手臂关节角度
Figure BDA0004055144140000031
和当前位置
Figure BDA0004055144140000032
，通过对机器手臂中的一个关节的角度优化，得到手臂关节角度
Figure BDA0004055144140000033
和当前位置
Figure BDA0004055144140000034
在所述相对位置距离
Figure BDA0004055144140000035
大于第一设定距离θ，或所述相对位姿距离
Figure BDA0004055144140000036
大于第二设定距离γ的情况下，获取各轮趋近预测中的关节角度变化值，以得到所述机器手臂中各关节的角变化向量。
进一步地，所述针对第step-1轮得到的关节角度
Figure BDA0004055144140000037
和当前位置
Figure BDA0004055144140000038
，通过对机器手臂中的一个关节的角度优化，得到各关节的关节角度
Figure BDA0004055144140000039
和当前位置
Figure BDA00040551441400000310
，包括：
等比例缩放所述相对位置距离
Figure BDA00040551441400000311
和所述相对位姿距离
Figure BDA00040551441400000312
，得到相对位置距离
Figure BDA00040551441400000313
和相对位姿距离
Figure BDA00040551441400000314
；其中，所述相对位姿距离
Figure BDA00040551441400000315
小于n厘米且相对角度小于m度，n,m>0；
计算距离差值
Figure BDA00040551441400000316
将各关节的关节角度
Figure BDA00040551441400000317
和所述距离差值
Figure BDA00040551441400000318
，分批次输入反向模型，得到各关节对应的控制指令Δqstep-1；
基于所述控制指令Δqstep-1，得到每一关节对应的预期相对姿态Δpi；
从所有预期相对姿态Δpi中选择相对距离最近的控制指令，进行对应关节的角度优化，以得到各关节的关节角度
Figure BDA00040551441400000319
和当前位置
Figure BDA00040551441400000320
进一步地，所述针对第step-1轮得到的关节角度
Figure BDA00040551441400000321
和当前位置
Figure BDA00040551441400000322
，通过对机器手臂中的一个关节的角度优化，得到各关节的关节角度
Figure BDA00040551441400000323
和当前位置
Figure BDA00040551441400000324
之前，还包括：
判断轮数step-1是否等于最大轮数；
在所述轮数step-1不等于最大轮数的情况下，针对第step-1轮得到的关节角度
Figure BDA00040551441400000325
和当前位置
Figure BDA00040551441400000326
，通过对机器手臂中的一个关节的角度优化，得到各关节的关节角度
Figure BDA00040551441400000327
和当前位置
Figure BDA00040551441400000328
在所述轮数step-1等于最大轮数的情况下，获取各轮趋近预测中的关节角度变化值，以得到所述机器手臂中各关节的角变化向量。
一种基于内部预演的机械手臂趋近规划装置，所述装置包括：
位置定义模块，用于定义目标位姿附近的采样点集合，所述采样点集合中的任一点与所述目标位姿的距离小于设定值；
快速移动模块，用于快速移动机器手臂，且当机械手臂末端的附近位姿点进入所述采样点集合的情况下，停止所述机器手臂的快速移动；
内部预演模块，用于对机器手臂的后续移动轨迹进行内部预演，以得到所述机器手臂中各关节的角变化向量；其中，所述内部预演包括若干次的趋近预测，每次趋近预测通过对机器手臂中的一个关节角度的优化实现；
精细运动模块，用于基于所述各关节的角变化向量，将所述机器手臂的末端移动至所述目标位姿。
一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述任一项所述的基于内部预演的机械手臂趋近规划方法。
一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令在被执行时实现上述任一项所述的基于内部预演的机械手臂趋近规划方法。
与现有技术相比，本发明至少具有以下优点：
本发明可以有效提高机械臂在趋近过程中的位置与姿态准确度。同时，基于内部预演的方法，可以有效减少实体机械臂在空间中采样的次数，避免过多的机械损耗带来的机械臂构型变化的影响。
附图说明：
图1为两阶段式动作规划整体流程图。
图2为基于相对位姿的机器人手臂内模型示意图。
图3为机器人手臂内部预演示意图。
图4为机器人手臂末端与目标初始位姿距离及规划后的最终距离。
具体实施方式
下面将结合附图详细地对示例性实施例进行描述说明。
应当指出，相关实施例及附图仅为描述说明本公开所提供的示例性实施例，而非本公开的全部实施例，也不应理解本公开受相关示例性实施例的限制。
应当指出，本公开中所用术语“第一”、“第二”等仅用于区别不同步骤、设备或模块等。相关术语既不代表任何特定技术含义，也不表示它们之间的顺序或者相互依存关系。
应当指出，本公开中所用术语“至少一个”的修饰是示意性而非限制性的。除非在上下文另有明确指出，否则应该理解为“一个或多个”。
应当指出，本公开中所用术语“和/或”，用于描述关联对象之间的关联关系，一般表示至少存在三种关联关系。例如，A和/或B，至少可以表示：单独存在A，同时存在A和B，单独存在B这三种关联关系。
应当指出，本公开的方法实施例中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。除非特别说明，本公开的范围不受相关实施例中步骤的描述顺序限制。
本发明的基于内部预演的机械手臂趋近规划方法，是一种在一定短距离范围内基于内部预演精细调整进而完成末端位姿确定的机器人手臂运动规划的方法。如图1所示，本发明采取整体两阶段式运动规划。
本发明考虑引入低精度RRT*算法作为机器人手臂两阶段运动规划中的第一阶段，以牺牲一定精度的方式减少时间消耗。在原始RRT*算法的基础上，本发明加入提前终止的判断条件，即当目标位姿处于当前位姿一定范围内的采样集合，且完成对应的父节点选择和随机树重布线后，算法中止，可以极大减少采样空间和耗时。这样，可以使得机械臂末端快速地到达目标附近。
在第二阶段，即本发明的主要创新点中，本发明采用了基于内部预演的机器人手臂运动规划过程，以完成精细趋近的目的。在机械臂运动规划之前，需要构建其运动内模型。本发明将有监督学习的机器人内模型框架扩展到六自由度空间机器人手臂，并使用基于相对位姿的内模型替代基于绝对位姿的内模型，以提高机器人手臂末端在精细趋近过程中的准确度。简单来说，即机器人使用各关节的模型依次尝试趋近目标位姿，并使用正向模型预测各关节按照反向模型输出控制指令运动后的位姿，每次从6个关节中选择出一个最优运动关节，不断迭代这个过程，直到保存的动作序列可以使机器人手臂末端达到目标位姿(与目标位姿距离小于0.02cm和0.02弧度)。在尝试过程中，机器人手臂并不具体执行尝试动作，而是使用正向模型对候选控制指令进行预测，因此称为“内部预演”。最终将动作序列进行合并，得到最终需要执行的具体关节角变化向量，此时机器人手臂才执行动作。在整个算法过程中，机器人手臂只需要执行一次控制指令。具体内部预演过程如下所示。
Figure BDA0004055144140000051
Figure BDA0004055144140000061
具体来说，上述算法可以描述为：
步骤1：获取目标位姿ptarget、目标位置
Figure BDA0004055144140000062
和所述机器手臂中每一关节的关节角度
Figure BDA0004055144140000063
机器手臂末端的当前位置
Figure BDA0004055144140000064
步骤2：判断轮数step-1是否等于最大轮数。
在所述轮数step-1不等于最大轮数的情况下，针对第step-1轮得到的关节角度
Figure BDA0004055144140000065
和当前位置
Figure BDA0004055144140000066
通过对机器手臂中的一个关节的角度优化，得到各关节的关节角度
Figure BDA0004055144140000067
和当前位置
Figure BDA0004055144140000068
在所述轮数step-1等于最大轮数的情况下，获取各轮趋近预测中的关节角度变化值，以得到所述机器手臂中各关节的角变化向量。
步骤3：针对第step-1轮得到的关节角度
Figure BDA0004055144140000069
和当前位置
Figure BDA00040551441400000610
，通过对机器手臂中的一个关节的角度优化，得到各关节的关节角度
Figure BDA00040551441400000611
和当前位置
Figure BDA00040551441400000612
本步骤包括以下子步骤：
步骤3.1：等比例缩放所述相对位置距离
Figure BDA00040551441400000613
和所述相对位姿距离
Figure BDA00040551441400000614
得到相对位置距离
Figure BDA00040551441400000615
和相对位姿距离
Figure BDA00040551441400000616
其中，所述相对位姿距离
Figure BDA00040551441400000617
小于n厘米且相对角度小于m度，n,m>0；
步骤3.2：计算距离差值
Figure BDA0004055144140000071
步骤3.3：将各关节的关节角度
Figure BDA0004055144140000072
和所述距离差值
Figure BDA0004055144140000073
分批次输入反向模型，得到各关节对应的控制指令Δqstep-1；
步骤3.4：基于所述控制指令Δqstep-1，得到每一关节对应的预期相对姿态Δpi；
步骤3.5：从所有预期相对姿态Δpi中选择相对距离最近的控制指令，进行对应关节的角度优化，以得到各关节的关节角度
Figure BDA0004055144140000074
和当前位置
Figure BDA0004055144140000075
步骤4：计算所述各关节的关节角度
Figure BDA0004055144140000076
对应的机器手臂末端的当前位姿
Figure BDA0004055144140000077
步骤5：分别计算所述目标位置
Figure BDA0004055144140000078
与当前位置
Figure BDA0004055144140000079
的相对位置距离
Figure BDA00040551441400000710
和所述目标位姿ptar get和所述当前位姿
Figure BDA00040551441400000711
的相对位姿距离
Figure BDA00040551441400000712
步骤6：在所述相对位置距离
Figure BDA00040551441400000713
不大于第一设定距离θ，或所述相对位姿距离
Figure BDA00040551441400000714
不大于第二设定距离γ的情况下，令step＝step+1，并返回至步骤2；且在所述相对位置距离
Figure BDA00040551441400000715
大于第一设定距离θ，或所述相对位姿距离
Figure BDA00040551441400000716
大于第二设定距离γ的情况下，获取各轮趋近预测中的关节角度变化值，以得到所述机器手臂中各关节的角变化向量。
实验设置及结果：
为验证所提两阶段机器人手臂运动规划算法的有效性，本发明设计并进行了相关实验。具体任务为，给定目标点位姿，使用机器人手臂进行两阶段趋近，使得机器人手臂末端能够以给定姿态达到目标点。由于本文选择的实验平台UR3机械臂与AUBO i5机械臂均为6自由度机械臂，因此，本文以UR3机械臂为代表，进行实验及展示。UR3机械臂具体参数如下表1所示。
表1 UR3机械臂关节角度范围及手臂末端位置范围
Figure BDA00040551441400000717
为验证所提本发明在运动规划中的准确性和高效性，本发明在仿真平台进行了以下对比实验：(1)只使用反向模型进行单阶段运动规划和两阶段运动规划方法的效率和准确性对比；
(2)在两阶段运动规划中，使用整体反向模型直接规划和使用各关节反向模型结合内部预演进行规划两种规划方法的准确性对比。对比实验一中，考虑实际应用场景，机器人手臂末端位姿目标点选择不限。实验共选取100组数据，使用单阶段反向模型规划和两阶段“先粗后细”运动规划分别进行趋近，其中两阶段方法中第二阶段使用基于内部预演的运动规划方法，并记录起始位姿距离与趋近完成后的位姿距离。得到的数据结果如表2所示。从表中数据可以看出，相较于直接使用反向模型进行趋近，使用两阶段方法可以极大提高趋近的准确性，这是由于直接使用反向模型缺少迭代调整的过程，极大依赖于反向模型的准确性；但在两阶段方法中，精细调整阶段可以通过对具体关节角度的细微调整不断靠近目标位姿，从而提升准确度。
表2整体趋近过程不同趋近方法比较
Figure BDA0004055144140000081
对比实验二选取了与机器人手臂末端位姿距离较近的目标点，以更合理地评估两种方法在精细调整阶段的表现。实验共选取了100组数据，使用上述两种方法进行趋近，并记录起始位姿距离与趋近完成后的位姿距离。得到的数据结果如表3所示。从表3中可以看出，基于整体反向模型的运动规划方法准确性显著低于基于各关节反向模型的内部预演规划方法。
表3精细调整阶段不同趋近方法比较
Figure BDA0004055144140000082
对比实验二过程中，从所有数据中抽取了20组数据样例，将这20次实验中机器人手臂末端位姿与目标位姿的起始距离以及使用不同方法精细调整后的距离绘制如附图4所示。通过观察数据，我们发现使用整体反向模型进行趋近时，有43％的样例会产生与目标之间位置距离下降，但姿态距离增加；或是姿态距离下降，但位置距离增加的情况。而基于各关节反向模型的内部预演规划方法只有12％的样例出现这种情况。并且即使出现，也不会使某一维度的距离大幅度增加。初步分析，这是由于后者将反向模型细化，在精细调整的过程中可以有效防止“矫枉过正”现象的出现。即通过基于各关节反向模型的内部预演方法可以有效地联合优化末端位置与姿态与目标的距离。
本领域技术人员在考虑说明书及实践本公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开也并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。

Claims (8)

1.一种基于内部预演的机械手臂趋近规划方法，其特征在于，所述方法包括：
定义目标位姿附近的采样点集合，所述采样点集合中的任一点与所述目标位姿的距离小于设定值；
快速移动机器手臂，且当机械手臂末端的附近位姿点进入所述采样点集合的情况下，停止所述机器手臂的快速移动；
对机器手臂的后续移动轨迹进行内部预演，以得到所述机器手臂中各关节的角变化向量；其中，所述内部预演包括若干次的趋近预测，每次趋近预测通过对机器手臂中的一个关节角度的优化实现；
基于所述各关节的角变化向量，将所述机器手臂的末端移动至所述目标位姿。
2.如权利要求1所述的方法，其特征在于，所述快速移动机器手臂，且当所述机械手臂末端的当前位姿进入所述采样点集合的情况下，停止所述机器手臂的快速移动，包括：
在RRT*算法中加入提前终止的判断条件，以得到改进RRT*算法；其中，所述提前终止的判断条件为机械手臂末端的附近位姿点进入采样集合，且完成对应的父节点选择和随机树重布线；
基于所述机器手臂末端的初始位姿，运行所述改进RRT*算法，以快速移动机器手臂。
3.如权利要求1所述的方法，其特征在于，所述对机器手臂的后续移动轨迹进行内部预演，以得到所述机器手臂中各关节的角变化向量，包括：
获取目标位姿ptarget、目标位置
Figure FDA0004055144120000011
和所述机器手臂中每一关节的关节角度
Figure FDA0004055144120000012
机器手臂末端的当前位置
Figure FDA0004055144120000013
针对第step-1轮得到的关节角度
Figure FDA0004055144120000014
和当前位置
Figure FDA0004055144120000015
通过对机器手臂中的一个关节的角度优化，得到各关节的关节角度
Figure FDA0004055144120000016
和当前位置
Figure FDA0004055144120000017
计算所述各关节的关节角度
Figure FDA0004055144120000018
对应的机器手臂末端的当前位姿
Figure FDA0004055144120000019
分别计算所述目标位置
Figure FDA00040551441200000110
与当前位置
Figure FDA00040551441200000111
的相对位置距离
Figure FDA00040551441200000112
和所述目标位姿ptarget和所述当前位姿
Figure FDA00040551441200000113
的相对位姿距离
Figure FDA00040551441200000114
在所述相对位置距离
Figure FDA00040551441200000115
不大于第一设定距离θ，或所述相对位姿距离
Figure FDA00040551441200000116
不大于第二设定距离γ的情况下，令step＝step+1，并返回所述针对第step-1轮得到的手臂关节角度
Figure FDA00040551441200000117
和当前位置
Figure FDA00040551441200000118
通过对机器手臂中的一个关节的角度优化，得到手臂关节角度
Figure FDA00040551441200000119
和当前位置
Figure FDA00040551441200000120
在所述相对位置距离
Figure FDA0004055144120000021
大于第一设定距离θ，或所述相对位姿距离
Figure FDA0004055144120000022
大于第二设定距离γ的情况下，获取各轮趋近预测中的关节角度变化值，以得到所述机器手臂中各关节的角变化向量。
4.如权利要求3所述的方法，其特征在于，所述针对第step-1轮得到的关节角度
Figure FDA0004055144120000023
和当前位置
Figure FDA0004055144120000024
通过对机器手臂中的一个关节的角度优化，得到各关节的关节角度
Figure FDA0004055144120000025
和当前位置
Figure FDA0004055144120000026
包括：
等比例缩放所述相对位置距离
Figure FDA0004055144120000027
和所述相对位姿距离
Figure FDA0004055144120000028
得到相对位置距离
Figure FDA0004055144120000029
和相对位姿距离
Figure FDA00040551441200000210
其中，所述相对位姿距离
Figure FDA00040551441200000211
小于n厘米且相对角度小于m度，n,m>0；
计算距离差值
Figure FDA00040551441200000212
将各关节的关节角度
Figure FDA00040551441200000213
和所述距离差值
Figure FDA00040551441200000214
分批次输入反向模型，得到各关节对应的控制指令Δqstep-1；
基于所述控制指令Δqstep-1，得到每一关节对应的预期相对姿态Δpi；
从所有预期相对姿态Δpi中选择相对距离最近的控制指令，进行对应关节的角度优化，以得到各关节的关节角度
Figure FDA00040551441200000215
和当前位置
Figure FDA00040551441200000216
5.如权利要求3所述的方法，其特征在于，所述针对第step-1轮得到的关节角度
Figure FDA00040551441200000217
和当前位置
Figure FDA00040551441200000218
通过对机器手臂中的一个关节的角度优化，得到各关节的关节角度
Figure FDA00040551441200000219
和当前位置
Figure FDA00040551441200000220
之前，还包括：
判断轮数step-1是否等于最大轮数；
在所述轮数step-1不等于最大轮数的情况下，针对第step-1轮得到的关节角度
Figure FDA00040551441200000221
和当前位置
Figure FDA00040551441200000222
通过对机器手臂中的一个关节的角度优化，得到各关节的关节角度
Figure FDA00040551441200000223
和当前位置
Figure FDA00040551441200000224
在所述轮数step-1等于最大轮数的情况下，获取各轮趋近预测中的关节角度变化值，以得到所述机器手臂中各关节的角变化向量。
6.一种基于内部预演的机械手臂趋近规划装置，其特征在于，所述装置包括：
位置定义模块，用于定义目标位姿附近的采样点集合，所述采样点集合中的任一点与所述目标位姿的距离小于设定值；
快速移动模块，用于快速移动机器手臂，且当机械手臂末端的附近位姿点进入所述采样点集合的情况下，停止所述机器手臂的快速移动；
内部预演模块，用于对机器手臂的后续移动轨迹进行内部预演，以得到所述机器手臂中各关节的角变化向量；其中，所述内部预演包括若干次的趋近预测，每次趋近预测通过对机器手臂中的一个关节角度的优化实现；
精细运动模块，用于基于所述各关节的角变化向量，将所述机器手臂的末端移动至所述目标位姿。
7.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的基于内部预演的机械手臂趋近规划方法。
8.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令在被执行时实现权利要求1至5中任一项所述的基于内部预演的机械手臂趋近规划方法。
CN202310045314.2A 2023-01-30 2023-01-30 基于内部预演的机械手臂趋近规划方法及装置 Active CN116038708B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310045314.2A CN116038708B (zh) 2023-01-30 2023-01-30 基于内部预演的机械手臂趋近规划方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310045314.2A CN116038708B (zh) 2023-01-30 2023-01-30 基于内部预演的机械手臂趋近规划方法及装置

Publications (2)

Publication Number Publication Date
CN116038708A true CN116038708A (zh) 2023-05-02
CN116038708B CN116038708B (zh) 2024-10-29

Family

ID=86123647

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310045314.2A Active CN116038708B (zh) 2023-01-30 2023-01-30 基于内部预演的机械手臂趋近规划方法及装置

Country Status (1)

Country Link
CN (1) CN116038708B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102011082800A1 (de) * 2011-09-15 2013-03-21 Convergent Information Technologies Gmbh System und Verfahren zur automatisierten Erstellung von Roboterprogrammen
CN104155974A (zh) * 2013-07-29 2014-11-19 深圳信息职业技术学院 一种用于机器人快速避碰的路径规划方法及设备
CN107598918A (zh) * 2017-08-16 2018-01-19 广东工业大学 基于打磨机器人的表面打磨处理自动编程方法和装置
CN108115681A (zh) * 2017-11-14 2018-06-05 深圳先进技术研究院 机器人的模仿学习方法、装置、机器人及存储介质
CN109397271A (zh) * 2018-11-23 2019-03-01 华中科技大学 一种7自由度拟人机械臂及其控制方法和系统
CN111761582A (zh) * 2020-07-08 2020-10-13 浙江大学 一种基于随机采样的移动机械臂避障规划方法
CN112677153A (zh) * 2020-12-16 2021-04-20 东北林业大学 一种改进的rrt算法及工业机器人路径避障规划方法
CN112975961A (zh) * 2021-02-20 2021-06-18 华南理工大学 基于ctb-rrt*算法的采摘机械臂运动规划方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102011082800A1 (de) * 2011-09-15 2013-03-21 Convergent Information Technologies Gmbh System und Verfahren zur automatisierten Erstellung von Roboterprogrammen
CN104155974A (zh) * 2013-07-29 2014-11-19 深圳信息职业技术学院 一种用于机器人快速避碰的路径规划方法及设备
CN107598918A (zh) * 2017-08-16 2018-01-19 广东工业大学 基于打磨机器人的表面打磨处理自动编程方法和装置
CN108115681A (zh) * 2017-11-14 2018-06-05 深圳先进技术研究院 机器人的模仿学习方法、装置、机器人及存储介质
CN109397271A (zh) * 2018-11-23 2019-03-01 华中科技大学 一种7自由度拟人机械臂及其控制方法和系统
CN111761582A (zh) * 2020-07-08 2020-10-13 浙江大学 一种基于随机采样的移动机械臂避障规划方法
CN112677153A (zh) * 2020-12-16 2021-04-20 东北林业大学 一种改进的rrt算法及工业机器人路径避障规划方法
CN112975961A (zh) * 2021-02-20 2021-06-18 华南理工大学 基于ctb-rrt*算法的采摘机械臂运动规划方法

Also Published As

Publication number Publication date
CN116038708B (zh) 2024-10-29

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
US11717959B2 (en) Machine learning methods and apparatus for semantic robotic grasping
Osa et al. Guiding trajectory optimization by demonstrated distributions
CN111872934B (zh) 一种基于隐半马尔可夫模型的机械臂控制方法及系统
Yu et al. Robotic grasping of unknown objects using novel multilevel convolutional neural networks: From parallel gripper to dexterous hand
Bestick et al. Learning human ergonomic preferences for handovers
Wang et al. Sampling-based optimal motion planning with smart exploration and exploitation
CN114147708B (zh) 基于改进的天牛须搜索算法的机械臂避障路径规划方法
Shao et al. Towards hardware accelerated reinforcement learning for application-specific robotic control
CN109940614B (zh) 一种融合记忆机制的机械臂多场景快速运动规划方法
CN111761582A (zh) 一种基于随机采样的移动机械臂避障规划方法
CN110598285A (zh) 机械手轨迹逆运动学求解方法、装置及存储介质
Balakrishna et al. On-policy robot imitation learning from a converging supervisor
Shang et al. Deep learning method for grasping novel objects using dexterous hands
CN108427282A (zh) 一种基于示教学习的机器人逆运动学求解方法
CN112987563A (zh) 用于控制机器人的方法和机器人控制器
CN113232019A (zh) 机械臂控制方法、装置、电子设备及存储介质
CN115723129B (zh) 一种机械臂连续操作运动规划方法
Li et al. Peduncle collision-free grasping based on deep reinforcement learning for tomato harvesting robot
CN116038708B (zh) 基于内部预演的机械手臂趋近规划方法及装置
Deng et al. A learning framework for semantic reach-to-grasp tasks integrating machine learning and optimization
Chen et al. Double-task deep q-learning with multiple views
Hossain et al. Object recognition and robot grasping: A deep learning based approach
Xu et al. Deep reinforcement learning for parameter tuning of robot visual servoing
Izquierdo et al. Conditional visual servoing for multi-step tasks

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