CN116160444A - 基于聚类算法的机械臂运动学逆解的优化方法、装置 - Google Patents

基于聚类算法的机械臂运动学逆解的优化方法、装置 Download PDF

Info

Publication number
CN116160444A
CN116160444A CN202211735742.XA CN202211735742A CN116160444A CN 116160444 A CN116160444 A CN 116160444A CN 202211735742 A CN202211735742 A CN 202211735742A CN 116160444 A CN116160444 A CN 116160444A
Authority
CN
China
Prior art keywords
space
mechanical arm
solution
point
inverse
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
CN202211735742.XA
Other languages
English (en)
Other versions
CN116160444B (zh
Inventor
李昂
孙嘉霖
韩康
霍琦
朱明超
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.)
Changchun Institute of Optics Fine Mechanics and Physics of CAS
Original Assignee
Changchun Institute of Optics Fine Mechanics and Physics of CAS
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 Changchun Institute of Optics Fine Mechanics and Physics of CAS filed Critical Changchun Institute of Optics Fine Mechanics and Physics of CAS
Priority to CN202211735742.XA priority Critical patent/CN116160444B/zh
Publication of CN116160444A publication Critical patent/CN116160444A/zh
Application granted granted Critical
Publication of CN116160444B publication Critical patent/CN116160444B/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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及机械臂控制领域，具体涉及一种基于聚类算法的机械臂运动学逆解的优化方法、装置、计算机设备以及可读存储介质，构造机械臂的可达空间，采用K‑means++聚类法对点云图的集合进行聚类，利用距离类中心点的欧氏距离作为依据平均分为多个类。确定各个分类后，逆解计算开始前，计算目标点与各个聚类中心的距离，选择距离最小的聚类中心点作为迭代初始点，将初始点对应的关节角组合做为运动学逆解的迭代的初始值，通过选定较优运动学逆解迭代初值，降低逆解迭代次数和逆解计算时间，同时算法可以降低逆解失败的概率，提升运动学逆解数值算法的稳定性，有效提升逆运动学的求解速度。

Description

基于聚类算法的机械臂运动学逆解的优化方法、装置
技术领域
本发明涉及机器人控制领域，特别涉及一种基于聚类算法的机械臂运动学逆解的优化方法、装置、计算机设备以及可读存储介质。
背景技术
运动学解算是机械臂控制的基础，运动学逆解是根据机械臂末端的目标位姿求解机械臂关节角的过程。根据建模方式的不同，运动学逆解可以分为几何法和代数法两种。但冗余机械臂的自由度大于笛卡尔空间维度，理论上，其运动学逆解具有无穷多组解，如何从中选择最优解既是重点也是难点。传统冗余机械臂的运动学逆解大多采用数值解法，通过不断循环迭代逼近最优解，并在迭代过程中加入约束条件以满足特定的任务需求。循环迭代法的计算速度受迭代初值的影响，其初值离目标点越近，迭代速度越快。
传统的逆解算法均以固定点作为迭代初始点，但从统计学上看，这种方法在随机目标点的情况下计算速度并不理想。选择离随机目标点最近的迭代初始点有助于减少计算速度，从而提升机械臂控制器的计算性能，为其他高速控制算法的实现打下坚实的基础。
现有的运动学逆解算法以固定点做为迭代初始点。这种方法虽然简单，但无法保证较高的求解成功率和较快的求解速度。
发明内容
有鉴于此，本发明实施例中提供一种基于聚类算法的机械臂运动学逆解的优化方法、装置、计算机设备以及可读存储介质。
第一方面，本发明实施例中提供一种基于聚类算法的机械臂运动学逆解的优化方法，包括：
构造机械臂的可达空间，采用蒙特卡罗法随机抽取较大样本的关节角组合，针对每一个关节角组合，通过运动学正解计算出关节角组合末端的笛卡尔空间位姿，将得到笛卡尔空间位姿绘制成为点云图，完成可达空间的绘制，所述可达空间通过所述点云图的集合近似得到；
采用K-means++聚类法对所述点云图的集合进行聚类，利用距离类中心点的欧氏距离作为依据平均分为多个类；
确定各个分类后，逆解计算开始前，计算目标点与各个聚类中心的距离，选择距离最小的聚类中心点作为迭代初始点，将初始点对应的关节角组合做为运动学逆解的迭代的初始值。
作为一种可选的方案，所述构造机械臂的可达空间，采用蒙特卡罗法随机抽取较大样本的关节角组合，针对每一个关节角组合，通过运动学正解计算出关节角组合末端的笛卡尔空间位姿，将得到笛卡尔空间位姿绘制成为点云图，完成可达空间的绘制，所述可达空间通过所述点云图的集合近似得到，包括：
采用蒙特卡罗法模拟机械臂的可达空间，随机生成一组关节角，计算对应的运动学正解，记录笛卡尔空间的xyz三维坐标值，作为机器人末端可达点，重复进行预设次数后将所得点云图的集合绘制出来，通过近似表达得出所述可达空间的包络。
作为一种可选的方案，所述采用K-means++聚类法对所述点云图的集合进行聚类，利用距离类中心点的欧氏距离作为依据平均分为多个类，包括：
根据得到的所述可达空间后进行分类，并根据目标位姿选择最合适的迭代初值，通过随机实验确定迭代初始点和目标位姿点间的空间距离与逆解迭代次数相关联；
将空间距离作为分类依据，将机械臂的可到空间点集进行分类。
作为一种可选的方案，所述将空间距离作为分类依据，将机械臂的可到空间点集进行分类，包括：
采用K-means++聚类方法，以三维空间欧氏距离作为分类依据。
作为一种可选的方案，所述采用K-means++聚类方法，以三维空间欧氏距离作为分类依据，包括：
从所述点云图的集合Θ中选取一个初始中心点c0∈Rmk，C＝c0带入到损失函数中将计算当前的损失函数值L＝L1，将P0作为L1的一个最优初始解；
令
Figure BDA0004034035150000031
计算C∈Rmk时，/>
Figure BDA0004034035150000032
的最小值，将得到的解赋给C＝cr+1，如果
Figure BDA0004034035150000033
则终止计算，并令(P*,C*)＝(P*,cr+1)，否则，进入下一步骤；
令
Figure BDA0004034035150000034
计算P∈S时，/>
Figure BDA0004034035150000035
的最小值，将得到的解赋给P＝pr+1，如果
Figure BDA0004034035150000036
终止计算，并令/>
Figure BDA0004034035150000037
否则，令r＝r+1，进入上一步骤。
其中，
Figure BDA0004034035150000038
直至所有的聚类中心都不再变化，循环迭代计算结束，将所得到的结果确定分类好的簇。
作为一种可选的方案，还包括：
按照空间坐标系内的8个象限，对应的将空间分为8个子类，空间分类数量构成一颗8子节点的树
除去根节点，分层每加一层，簇的数目增量为8n，当层数为2时，分类总数目为72。
第二方面，本发明实施例中提供一种基于聚类算法的机械臂运动学逆解的优化装置，包括：
构造单元，用于构造机械臂的可达空间，采用蒙特卡罗法随机抽取较大样本的关节角组合，针对每一个关节角组合，通过运动学正解计算出关节角组合末端的笛卡尔空间位姿，将得到笛卡尔空间位姿绘制成为点云图，完成可达空间的绘制，所述可达空间通过所述点云图的集合近似得到；
聚类单元，用于采用K-means++聚类法对所述点云图的集合进行聚类，利用距离类中心点的欧氏距离作为依据平均分为多个类；
计算单元，用于确定各个分类后，逆解计算开始前，计算目标点与各个聚类中心的距离，选择距离最小的聚类中心点作为迭代初始点，将初始点对应的关节角组合做为运动学逆解的迭代的初始值。
第三方面，本发明实施例中提供一种计算机设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的基于聚类算法的机械臂运动学逆解的优化方法。
第四方面，本发明实施例中提供一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行上述的基于聚类算法的机械臂运动学逆解的优化方法。
本发明实施例中提供的一种基于聚类算法的机械臂运动学逆解的优化方法、装置、计算机设备以及可读存储介质，首先构造机械臂的可达空间，采用蒙特卡罗法随机抽取较大样本的关节角组合，针对每一个关节角组合，通过运动学正解计算出关节角组合末端的笛卡尔空间位姿，将得到笛卡尔空间位姿绘制成为点云图，完成可达空间的绘制，所述可达空间通过所述点云图的集合近似得到。其次，采用K-means++聚类法对所述点云图的集合进行聚类，利用距离类中心点的欧氏距离作为依据平均分为多个类。最后，确定各个分类后，逆解计算开始前，计算目标点与各个聚类中心的距离，选择距离最小的聚类中心点作为迭代初始点，将初始点对应的关节角组合做为运动学逆解的迭代的初始值，通过选定较优运动学逆解迭代初值，降低逆解迭代次数和逆解计算时间，同时算法可以降低逆解失败的概率，提升运动学逆解数值算法的稳定性，有效提升逆运动学的求解速度。
附图说明
图1为本发明实施例中提供一种基于聚类算法的机械臂运动学逆解的优化方法的流程图；
图2为本发明实施例中提供一种基于聚类算法的机械臂运动学逆解的优化方法中基于蒙特卡罗法的机械臂工作空间图示意图；
图3为本发明实施例中提供一种基于聚类算法的机械臂运动学逆解的优化方法中目标位置与初始位置间距离和逆解算法迭代次数间的关系示意图；
图4为本发明实施例中提供一种基于聚类算法的机械臂运动学逆解的优化方法中4个簇中心的机械臂工作空间聚类示意图；
图5为本发明实施例中提供一种基于聚类算法的机械臂运动学逆解的优化方法中8子节点树示意图；
图6为本发明实施例中提供一种基于聚类算法的机械臂运动学逆解的优化方法中72个分类的冗余串联臂工作空间聚类效果示意图；
图7为本发明实施例中提供一种基于聚类算法的机械臂运动学逆解的优化方法与其他算法对比的示意图；
图8为本发明实施例中提供一种基于聚类算法的机械臂运动学逆解的优化装置的结构框图；
图9为本发明实施例中提供一种计算机设备的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
结合图1所述，本发明实施例中提供一种基于聚类算法的机械臂运动学逆解的优化方法，包括：
S101、构造机械臂的可达空间，采用蒙特卡罗法随机抽取较大样本的关节角组合，针对每一个关节角组合，通过运动学正解计算出关节角组合末端的笛卡尔空间位姿，将得到笛卡尔空间位姿绘制成为点云图，完成可达空间的绘制，所述可达空间通过所述点云图的集合近似得到。
S102、采用K-means++聚类法对所述点云图的集合进行聚类，利用距离类中心点的欧氏距离作为依据平均分为多个类。
S103、确定各个分类后，逆解计算开始前，计算目标点与各个聚类中心的距离，选择距离最小的聚类中心点作为迭代初始点，将初始点对应的关节角组合做为运动学逆解的迭代的初始值。
在一些实施例中，S101中，所述构造机械臂的可达空间，采用蒙特卡罗法随机抽取较大样本的关节角组合，针对每一个关节角组合，通过运动学正解计算出关节角组合末端的笛卡尔空间位姿，将得到笛卡尔空间位姿绘制成为点云图，完成可达空间的绘制，所述可达空间通过所述点云图的集合近似得到，包括：
采用蒙特卡罗法模拟机械臂的可达空间，随机生成一组关节角，计算对应的运动学正解，记录笛卡尔空间的xyz三维坐标值，作为机器人末端可达点，重复进行预设次数后将所得点云图的集合绘制出来，通过近似表达得出所述可达空间的包络。
结合图2所示，本实施例中，采用蒙特卡罗法模拟机械臂的可达空间，随机生成一组关节角，计算对应的运动学正解，记录笛卡尔空间的xyz三维坐标值，作为机器人末端可达点。预设次数可以采用30000次，即重复进行300000次后，将所得点云图的集合(即点集)绘制出来，即可近似表达出机械臂可达空间的包络。
结合图3所示，在一些实施例中，S102中所述采用K-means++聚类法对所述点云图的集合进行聚类，利用距离类中心点的欧氏距离作为依据平均分为多个类，包括：
根据得到的所述可达空间后进行分类，并根据目标位姿选择最合适的迭代初值，通过随机实验确定迭代初始点和目标位姿点间的空间距离与逆解迭代次数相关联。
具体地，计算出可达空间后，将可达空间分类，使得算法根据目标位姿选择最合适的迭代初值。通过随机实验可以看出，迭代初始点和目标位姿点间的空间距离与逆解迭代次数紧密关联。
将空间距离作为分类依据，将机械臂的可到空间点集进行分类。
结合图4所示，在一些实施例中，所述将空间距离作为分类依据，将机械臂的可到空间点集进行分类，包括：
采用K-means++聚类方法，以三维空间欧氏距离作为分类依据，具体地，包括：
S1、从所述点云图的集合Θ中选取一个初始中心点c0∈Rmk，C＝c0带入到损失函数中将计算当前的损失函数值L＝L1，将P0作为L1的一个最优初始解。
S2、令
Figure BDA0004034035150000071
计算C∈Rmk时，/>
Figure BDA0004034035150000072
的最小值，将得到的解赋给C＝cr+1，如果
Figure BDA0004034035150000073
则终止计算，并令(P*,C*)＝(P*,cr+1)，否则，进入下一步骤S3。
S3、令
Figure BDA0004034035150000074
计算P∈S时，/>
Figure BDA0004034035150000075
的最小值，将得到的解赋给P＝pr+1，如果
Figure BDA0004034035150000076
终止计算，并令/>
Figure BDA0004034035150000077
否则，令r＝r+1，进入上一步骤S2。
其中，
Figure BDA0004034035150000078
直至所有的聚类中心都不再变化，循环迭代计算结束，将所得到的结果确定分类好的簇，分类效果如图中所示，图中采用4个簇中心的机械臂工作空间聚类图，每个个簇的聚类算法簇中心点坐标位置如表1所示。
Figure BDA0004034035150000079
表1个簇的聚类算法簇中心点坐标位置
在一些实施例中，还包括：
按照空间坐标系内的8个象限，对应的将空间分为8个子类，空间分类数量构成一颗8子节点的树
除去根节点，分层每加一层，簇的数目增量为8n，当层数为2时，分类总数目为72。
结合图5所示，具体地，可以进一步提高K-means++算法分类的数量，缩小簇内距离，减小目标位姿与初始位姿之间的差值，为了保证分布的合理性，按照空间坐标系内的8个象限，对应的将空间分为8个子类。也可以进一步细化，按照同样的规则划分子空间。按照这个规则，空间分类数量构成一颗8子节点的树，图中示出了8子节点树的结构。
结合图6所示，具体地，除去根节点，分层每加一层，簇的数目增量为8n，当层数为2时，分类总数目为72，图中示出了72个分类的冗余串联臂工作空间聚类效果图。
本实施例中，通过1000组随机试验，对比固定起始点和聚类算法之间的性能对比。性能对比结果如表2所示：
Figure BDA0004034035150000081
表2不同分类数目聚类算法的K-means++逆解算法的性能对比
从表2中可以看出，在仅有8个聚类簇的情况下，平均逆解的迭代次数就从66.3降至58.4，有11.9％的性能提升。在72个聚类簇的实验中，平均逆解的次数更是降至49.9次，提升了24.7％。此外，在逆解算法中，若在最大迭代步数内相对误差未收敛至指定阈值以下，则认为逆解失败。统计了不同初始值的失败次数后，可以发现，实验中聚类算法选择初值后，逆解失败次数也得到了有效控制。在8聚类情况下，逆解失败次数降低了15.1％，72聚类情况下，逆解失败次数降低了32.1％。
结合图7所示，本实施例中，实验进一步对比几种逆解算法的平均计算时间，图中展示了对比结果。由于K-means++逆解算法在循环迭代之前需要预处理运算以寻找目标位置点所属的簇，额外增加了计算时间。对比固定初值逆解算法(雅可比伪逆算法)，8分类的K-means++逆解算法运算时间减少了8.2％，72分类的K-means++逆解算法运算时间减少了19.5％。
本发明实施例中提供的一种基于聚类算法的机械臂运动学逆解的优化方法，首先构造机械臂的可达空间，采用蒙特卡罗法随机抽取较大样本的关节角组合，针对每一个关节角组合，通过运动学正解计算出关节角组合末端的笛卡尔空间位姿，将得到笛卡尔空间位姿绘制成为点云图，完成可达空间的绘制，所述可达空间通过所述点云图的集合近似得到。其次，采用K-means++聚类法对所述点云图的集合进行聚类，利用距离类中心点的欧氏距离作为依据平均分为多个类。最后，确定各个分类后，逆解计算开始前，计算目标点与各个聚类中心的距离，选择距离最小的聚类中心点作为迭代初始点，将初始点对应的关节角组合做为运动学逆解的迭代的初始值，通过选定较优运动学逆解迭代初值，降低逆解迭代次数和逆解计算时间，同时算法可以降低逆解失败的概率，提升运动学逆解数值算法的稳定性，有效提升逆运动学的求解速度。
结合图8，本发明实施例中提供一种基于聚类算法的机械臂运动学逆解的优化装置，包括：
构造单元801，用于构造机械臂的可达空间，采用蒙特卡罗法随机抽取较大样本的关节角组合，针对每一个关节角组合，通过运动学正解计算出关节角组合末端的笛卡尔空间位姿，将得到笛卡尔空间位姿绘制成为点云图，完成可达空间的绘制，所述可达空间通过所述点云图的集合近似得到；
聚类单元802，用于采用K-means++聚类法对所述点云图的集合进行聚类，利用距离类中心点的欧氏距离作为依据平均分为多个类；
计算单元803，用于确定各个分类后，逆解计算开始前，计算目标点与各个聚类中心的距离，选择距离最小的聚类中心点作为迭代初始点，将初始点对应的关节角组合做为运动学逆解的迭代的初始值。
本发明实施例中提供的一种基于聚类算法的机械臂运动学逆解的优化装置，通过选定较优运动学逆解迭代初值，降低逆解迭代次数和逆解计算时间，同时算法可以降低逆解失败的概率，提升运动学逆解数值算法的稳定性，有效提升逆运动学的求解速度。
相应地，根据本发明的实施例，本发明还提供了一种计算机设备、一种可读存储介质和一种计算机程序产品。
图9为本发明实施例中提供的一种计算机设备12的结构示意图。图9示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图9显示的计算机设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图9所示，计算机设备12以通用计算设备的形式表现。计算机设备12旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(I SA)总线，微通道体系结构(MAC)总线，增强型I SA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PC I)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图9未显示，通常称为“硬盘驱动器”)。尽管图9中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM、DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAI D系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的基于聚类算法的机械臂运动学逆解的优化方法。
本发明实施例中还提供一种存储有计算机指令的非瞬时计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时本申请所有发明实施例提供的基于聚类算法的机械臂运动学逆解的优化方法。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言诸如Java、Sma l lta l k、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本发明实施例还提供一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据上述的基于聚类算法的机械臂运动学逆解的优化方法。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (9)

1.一种基于聚类算法的机械臂运动学逆解的优化方法，其特征在于，包括：
构造机械臂的可达空间，采用蒙特卡罗法随机抽取较大样本的关节角组合，针对每一个关节角组合，通过运动学正解计算出关节角组合末端的笛卡尔空间位姿，将得到笛卡尔空间位姿绘制成为点云图，完成可达空间的绘制，所述可达空间通过所述点云图的集合近似得到；
采用K-means++聚类法对所述点云图的集合进行聚类，利用距离类中心点的欧氏距离作为依据平均分为多个类；
确定各个分类后，逆解计算开始前，计算目标点与各个聚类中心的距离，选择距离最小的聚类中心点作为迭代初始点，将初始点对应的关节角组合做为运动学逆解的迭代的初始值。
2.根据权利要求1所述的基于聚类算法的机械臂运动学逆解的优化方法，其特征在于，所述构造机械臂的可达空间，采用蒙特卡罗法随机抽取较大样本的关节角组合，针对每一个关节角组合，通过运动学正解计算出关节角组合末端的笛卡尔空间位姿，将得到笛卡尔空间位姿绘制成为点云图，完成可达空间的绘制，所述可达空间通过所述点云图的集合近似得到，包括：
采用蒙特卡罗法模拟机械臂的可达空间，随机生成一组关节角，计算对应的运动学正解，记录笛卡尔空间的xyz三维坐标值，作为机器人末端可达点，重复进行预设次数后将所得点云图的集合绘制出来，通过近似表达得出所述可达空间的包络。
3.根据权利要求1所述的基于聚类算法的机械臂运动学逆解的优化方法，其特征在于，所述采用K-means++聚类法对所述点云图的集合进行聚类，利用距离类中心点的欧氏距离作为依据平均分为多个类，包括：
根据得到的所述可达空间后进行分类，并根据目标位姿选择最合适的迭代初值，通过随机实验确定迭代初始点和目标位姿点间的空间距离与逆解迭代次数相关联；
将空间距离作为分类依据，将机械臂的可到空间点集进行分类。
4.根据权利要求3所述的基于聚类算法的机械臂运动学逆解的优化方法，其特征在于，所述将空间距离作为分类依据，将机械臂的可到空间点集进行分类，包括：
采用K-means++聚类方法，以三维空间欧氏距离作为分类依据。
5.根据权利要求4所述的基于聚类算法的机械臂运动学逆解的优化方法，其特征在于，所述采用K-means++聚类方法，以三维空间欧氏距离作为分类依据，包括：
从所述点云图的集合Θ中选取一个初始中心点c0∈Rmk，C＝c0带入到损失函数中将计算当前的损失函数值L＝L1，将P0作为L1的一个最优初始解；
令
Figure FDA0004034035140000021
计算C∈Rmk时，/>
Figure FDA0004034035140000022
的最小值，将得到的解赋给C＝cr+1，如果
Figure FDA0004034035140000023
则终止计算，并令(P*,C*)＝(P*,cr+1)，否则，进入下一步骤；
令
Figure FDA0004034035140000024
计算P∈S时，/>
Figure FDA0004034035140000025
的最小值，将得到的解赋给P＝pr+1，如果
Figure FDA0004034035140000026
终止计算，并令/>
Figure FDA0004034035140000027
否则，令r＝r+1，进入上一步骤。
其中，
Figure FDA0004034035140000028
直至所有的聚类中心都不再变化，循环迭代计算结束，将所得到的结果确定分类好的簇。/>
6.根据权利要求1所述的基于聚类算法的机械臂运动学逆解的优化方法，其特征在于，还包括：
按照空间坐标系内的8个象限，对应的将空间分为8个子类，空间分类数量构成一颗8子节点的树；
除去根节点，分层每加一层，簇的数目增量为8n，当层数为2时，分类总数目为72。
7.一种基于聚类算法的机械臂运动学逆解的优化装置，其特征在于，包括：
构造单元，用于构造机械臂的可达空间，采用蒙特卡罗法随机抽取较大样本的关节角组合，针对每一个关节角组合，通过运动学正解计算出关节角组合末端的笛卡尔空间位姿，将得到笛卡尔空间位姿绘制成为点云图，完成可达空间的绘制，所述可达空间通过所述点云图的集合近似得到；
聚类单元，用于采用K-means++聚类法对所述点云图的集合进行聚类，利用距离类中心点的欧氏距离作为依据平均分为多个类；
计算单元，用于确定各个分类后，逆解计算开始前，计算目标点与各个聚类中心的距离，选择距离最小的聚类中心点作为迭代初始点，将初始点对应的关节角组合做为运动学逆解的迭代的初始值。
8.一种计算机设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至6中任一项所述的基于聚类算法的机械臂运动学逆解的优化方法。
9.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1至6中任一项所述的基于聚类算法的机械臂运动学逆解的优化方法。
CN202211735742.XA 2022-12-31 2022-12-31 基于聚类算法的机械臂运动学逆解的优化方法、装置 Active CN116160444B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211735742.XA CN116160444B (zh) 2022-12-31 2022-12-31 基于聚类算法的机械臂运动学逆解的优化方法、装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211735742.XA CN116160444B (zh) 2022-12-31 2022-12-31 基于聚类算法的机械臂运动学逆解的优化方法、装置

Publications (2)

Publication Number Publication Date
CN116160444A true CN116160444A (zh) 2023-05-26
CN116160444B CN116160444B (zh) 2024-01-30

Family

ID=86412584

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211735742.XA Active CN116160444B (zh) 2022-12-31 2022-12-31 基于聚类算法的机械臂运动学逆解的优化方法、装置

Country Status (1)

Country Link
CN (1) CN116160444B (zh)

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110301433A1 (en) * 2010-06-07 2011-12-08 Richard Scott Sadowsky Mental state analysis using web services
US8972057B1 (en) * 2013-01-09 2015-03-03 The Boeing Company Systems and methods for generating a robotic path plan in a confined configuration space
CN107214701A (zh) * 2017-06-12 2017-09-29 南京理工大学 一种基于运动基元库的带电作业机械臂自主避障路径规划方法
EP3328035A1 (en) * 2016-11-28 2018-05-30 Tata Consultancy Services Limited System and method for offloading robotic functions to network edge augmented clouds
CN108527368A (zh) * 2018-03-30 2018-09-14 清华大学 柔性支撑串联工业机器人作业最优初始位姿确定方法
CN109344477A (zh) * 2018-09-20 2019-02-15 桂林电子科技大学 一种6自由度机械臂逆运动学求解方法
US20190228300A1 (en) * 2018-01-23 2019-07-25 Hrl Laboratories, Llc Method and system for distributed coding and learning in neuromorphic networks for pattern recognition
CN110262244A (zh) * 2019-07-02 2019-09-20 武汉科技大学 一种改进fsrbfd的自适应解耦控制方法
CN110598804A (zh) * 2019-10-14 2019-12-20 安徽理工大学 一种基于聚类和膜计算的改进FastSLAM算法
CN111027585A (zh) * 2019-10-25 2020-04-17 南京大学 一种基于k-means++质心初始化的k-means算法硬件实现方法及系统
CN111055292A (zh) * 2019-11-18 2020-04-24 华中科技大学 人机交互安全保障方法、装置及计算机可读存储介质
CN111539444A (zh) * 2020-02-12 2020-08-14 南阳理工学院 一种修正式模式识别及统计建模的高斯混合模型方法
CN111673739A (zh) * 2020-05-15 2020-09-18 成都飞机工业（集团）有限责任公司 一种基于rbf神经网络的机器人位姿可达性判断的方法
CN112561335A (zh) * 2020-12-17 2021-03-26 上海理工大学 一种车身质量在线监测的自动化任务分配方法
CN113780395A (zh) * 2021-08-31 2021-12-10 西南电子技术研究所（中国电子科技集团公司第十研究所） 海量高维ais轨迹数据聚类方法
US20220066456A1 (en) * 2016-02-29 2022-03-03 AI Incorporated Obstacle recognition method for autonomous robots

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110301433A1 (en) * 2010-06-07 2011-12-08 Richard Scott Sadowsky Mental state analysis using web services
US8972057B1 (en) * 2013-01-09 2015-03-03 The Boeing Company Systems and methods for generating a robotic path plan in a confined configuration space
US20220066456A1 (en) * 2016-02-29 2022-03-03 AI Incorporated Obstacle recognition method for autonomous robots
EP3328035A1 (en) * 2016-11-28 2018-05-30 Tata Consultancy Services Limited System and method for offloading robotic functions to network edge augmented clouds
CN107214701A (zh) * 2017-06-12 2017-09-29 南京理工大学 一种基于运动基元库的带电作业机械臂自主避障路径规划方法
US20190228300A1 (en) * 2018-01-23 2019-07-25 Hrl Laboratories, Llc Method and system for distributed coding and learning in neuromorphic networks for pattern recognition
CN108527368A (zh) * 2018-03-30 2018-09-14 清华大学 柔性支撑串联工业机器人作业最优初始位姿确定方法
CN109344477A (zh) * 2018-09-20 2019-02-15 桂林电子科技大学 一种6自由度机械臂逆运动学求解方法
CN110262244A (zh) * 2019-07-02 2019-09-20 武汉科技大学 一种改进fsrbfd的自适应解耦控制方法
CN110598804A (zh) * 2019-10-14 2019-12-20 安徽理工大学 一种基于聚类和膜计算的改进FastSLAM算法
CN111027585A (zh) * 2019-10-25 2020-04-17 南京大学 一种基于k-means++质心初始化的k-means算法硬件实现方法及系统
CN111055292A (zh) * 2019-11-18 2020-04-24 华中科技大学 人机交互安全保障方法、装置及计算机可读存储介质
CN111539444A (zh) * 2020-02-12 2020-08-14 南阳理工学院 一种修正式模式识别及统计建模的高斯混合模型方法
CN111673739A (zh) * 2020-05-15 2020-09-18 成都飞机工业（集团）有限责任公司 一种基于rbf神经网络的机器人位姿可达性判断的方法
CN112561335A (zh) * 2020-12-17 2021-03-26 上海理工大学 一种车身质量在线监测的自动化任务分配方法
CN113780395A (zh) * 2021-08-31 2021-12-10 西南电子技术研究所（中国电子科技集团公司第十研究所） 海量高维ais轨迹数据聚类方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YVAN PETILLOT; FRANCESCO MAURELLI: "A tree-based planner for active localisation: Applications to Autonomous Underwater Vehicles", 《PROCEEDINGS ELMAR-2010》 *
李昂: "面向在轨组装地面演示系统的冗余机械臂智能化关键技术研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑》, no. 1 *
蔡文站: "基于虚拟调试的复杂零件机器人打磨轨迹规划研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 1 *

Also Published As

Publication number Publication date
CN116160444B (zh) 2024-01-30

Similar Documents

Publication Publication Date Title
WO2020233130A1 (zh) 一种深度神经网络压缩方法及相关设备
Nouanesengsy et al. Adr visualization: A generalized framework for ranking large-scale scientific data using analysis-driven refinement
CN112328715B (zh) 视觉定位方法及相关模型的训练方法及相关装置、设备
WO2008076990A1 (en) First-point distance parameter system and method for automatic grid generation
CN112906865B (zh) 神经网络架构搜索方法、装置、电子设备及存储介质
CN113850904A (zh) 发丝模型的确定方法、装置、电子设备及可读存储介质
CN114757347A (zh) 低比特量化神经网络加速器实现方法和系统
WO2021051562A1 (zh) 人脸特征点定位方法、装置、计算设备和存储介质
CN113628343B (zh) 三维网格的合并处理方法和装置、存储介质
US20230069079A1 (en) Statistical K-means Clustering
CN113516750B (zh) 三维点云地图构建方法、系统、电子设备及存储介质
WO2017095413A1 (en) Incremental automatic update of ranked neighbor lists based on k-th nearest neighbors
CN112862017B (zh) 点云数据的标注方法、装置、设备和介质
JP2019086979A (ja) 情報処理装置、情報処理方法及びプログラム
CN113408070B (zh) 发动机参数的确定方法、装置、设备及存储介质
US20240012966A1 (en) Method and system for providing a three-dimensional computer aided-design (cad) model in a cad environment
CN116476042B (zh) 基于深度强化学习的机械臂运动学逆解优化方法及装置
CN116160444B (zh) 基于聚类算法的机械臂运动学逆解的优化方法、装置
CN111709473B (zh) 对象特征的聚类方法及装置
CN117456236A (zh) 一种3d点云数据零样本分类方法、装置、设备及存储介质
CN115544257B (zh) 网盘文档快速分类方法、装置、网盘及存储介质
CN113554057B (zh) 图的分割方法、装置及电子设备
CN113920404A (zh) 训练方法、图像处理方法、装置、电子设备以及存储介质
WO2021159838A1 (zh) 点云数据的精简方法、装置、存储介质及电子设备
US20230252207A1 (en) Method and system for generating a geometric component using machine learning models

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