CN116214529B - 一种机器人机械臂移动路径控制系统及控制方法 - Google Patents
一种机器人机械臂移动路径控制系统及控制方法 Download PDFInfo
- Publication number
- CN116214529B CN116214529B CN202310518590.6A CN202310518590A CN116214529B CN 116214529 B CN116214529 B CN 116214529B CN 202310518590 A CN202310518590 A CN 202310518590A CN 116214529 B CN116214529 B CN 116214529B
- Authority
- CN
- China
- Prior art keywords
- path
- target
- target image
- mechanical arm
- node
- 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
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
-
- 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
-
- 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
本发明属于路径规划技术领域,本发明公开了一种机器人机械臂移动路径控制系统及控制方法,获取机械臂初始姿态信息、初始位置以及目标环境图片,目标环境图片包括目标图像;对目标环境图片进行分析,将目标图像在目标环境图片中的位置信息标记为地标信息;建立机械臂导航模型,根据机械臂初始姿态信息、初始位置以及目标环境图片对机械臂导航模型进行初始化分析,生成初始化信息;构建蚁群算法,将初始化信息代入蚁群算法,对蚁群算法的参数初始化设置;根据信息素浓度和路径长度计算期望值,将最大期望值对应的蚂蚁移动的路径作为移动路径;将移动路径通过蚁群算法更新信息素和迭代优化,从而获得最优移动路径。
Description
技术领域
本发明涉及路径规划技术领域,更具体地说,本发明涉及一种机器人机械臂移动路径控制系统及控制方法。
背景技术
自动化半导体芯片制造过程中,需要对许多复杂的工序进行自动化控制,因此需要机器人机械臂对其进行控制,以适应不同的工作环境和工作需求。当前很多机器人机械臂还需要配合人工操作,从而减少机器人对人员或设备发生碰撞和意外,机械臂在移动过程中,重点需要解决的问题是避障;中国专利授权公告号CN104881026B公开了一种高压线路抢修机械臂移动路径规划系统及方法,双目视觉系统与三维重建系统连接,路径规划系统与三维重建系统和运动控制系统分别连接;通过计算各关节移动角度的最优控制参数,减小了各关节的移动角度对机械臂移动路径的影响,使得机械臂能够准确沿规划路径进行移动;基于图像信息进行运算,信息量丰富,计算方法简单,成本低,易于推广。
在复杂的环境中,机器人机械臂需要避开障碍物和障碍物组合,避免与其他物体发生碰撞。这是一个非常复杂的问题,需要解决机器人如何感知环境的问题,如果在规划多段路径的情况下,还需要解决机器人如何快速确定最佳路径的问题。
尽管机器人机械臂在移动路径规划方面取得了很大的进展,但仍然存在一些挑战和问题需要解决,这需要我们持续进行研究和探索;鉴于此,本申请提出一种机器人机械臂移动路径控制系统及控制方法。
发明内容
为了克服现有技术的上述缺陷,本发明提出一种机器人机械臂移动路径控制系统及控制方法。
为实现上述目的,本发明提供如下技术方案:一种机器人机械臂移动路径控制方法,包括:
获取机械臂初始姿态信息、初始位置以及目标环境图片,所述目标环境图片包括目标图像;
对所述目标环境图片进行分析,将目标图像在所述目标环境图片中的位置信息标记为地标信息;
建立机械臂导航模型,将所述机械臂初始姿态信息、初始位置以及目标环境图片导入机械臂导航模型,根据机械臂初始姿态信息、初始位置以及目标环境图片对机械臂导航模型进行初始化分析,生成初始化信息;
构建蚁群算法,将所述初始化信息代入蚁群算法,对蚁群算法的参数初始化设置;根据蚁群算法中每个蚂蚁在路径上释放的信息素浓度和每个蚂蚁移动的路径长度计算期望值,将最大期望值对应的蚂蚁移动的路径作为移动路径:将移动路径通过蚁群算法更新信息素浓度和迭代优化,从而获得最优移动路径。
优选地,对所述目标环境图片进行分析的逻辑为:
将目标环境图片分割为若干目标图像块,将若干所述目标图像块分别输入深度学习神经网络进行特征提取,获得M个目标图像块特征向量;
对M个目标图像块特征向量分别进行加权处理,并将加权处理后的M个目标图像块特征向量级联为M个目标图像特征向量;
将M个目标图像特征向量分别与目标图像特征向量对应的预设目标图像进行识别认证,从而确定目标图像在所述目标环境图片中的位置信息,将目标图像在所述目标环境图片中的位置信息标记为地标信息。
优选地,对M个目标图像块特征向量分别进行加权处理的逻辑为:
对M个目标图像块特征向量分别进行归一化处理,并将归一化处理的目标图像块特征向量分别乘以预设权重值。
优选地,生成初始化信息的分析逻辑为:
将目标环境图片导入机械臂导航模型,根据目标图像对应的地标信息确定机械臂的移动区域;将机械臂的移动区域标记为目标区域;
在目标区域中,机械臂的初始位置对应的地标信息标记为空间坐标原点,将初始位置标记为路径始节点;目标位置标记为路径终节点;
将所述目标区域对应的空间坐标点标记为测试节点,对标记为测试节点进行分析,生成安全路径节点或非安全路径节点;
从目标区域中选择N-1个安全路径节点,N为大于等于1的整数。
优选地,生成安全路径节点或非安全路径节点的分析逻辑为:
根据测试节点获得所述测试节点对应的目标图像特征向量;
将测试节点对应的目标图像特征向量与预设特征向量阈值进行比较;
若测试节点对应的目标图像特征向量大于或等于预设特征向量阈值,则对应的测试节点为安全路径节点;
若测试节点对应的目标图像特征向量小于预设特征向量阈值,则对应的测试节点为非安全路径节点。
优选地,获得最优移动路径的分析逻辑为:
参数初始化:将所述初始化信息代入蚁群算法,对蚁群算法的参数初始化设置,确定蚂蚁经过的路径点和路径点对应的信息素浓度初始值;
蚂蚁经过的路径点包括路径始节点、路径终节点以及目标区域中安全路径节点的数量,将每个路径点的标号标记为n,n=0,1,2,……N,N为大于等于1的整数;其中:路径始节点的路径点标号为0,路径终节点的路径点标号为N,安全路径节点一共有N-1个,安全路径节点对应路径点的标号n=1,2,……N-1;
在目标区域选取N个路径点,根据N个路径点对应的地标信息,提取N个路径点的信息素浓度和路径长度;
计算期望值:根据信息素浓度和路径长度计算选择下一路径点的期望值;
获取移动路径:最大期望值对应的路径点为下一路径点,下一路径点再次按照信息素浓度和路径长度选择下一路径点,直至达到路径终节点,得到一移动路径,即所述移动路径为最大期望值对应的蚂蚁移动的路径;
更新信息素:从路径点0开始对N个路径点都遍历完一次迭代,获得N个解,对N个解进行计算分析,获得系统处理数据的迭代次数,选择系统处理数据的迭代次数最大对应的解去更新信息素浓度;
迭代优化:对于更新后的信息素浓度,重复上述步骤,直至N个解一致,从而得到最优移动路径。
一种机器人机械臂移动路径控制系统,包括:
数据采集模块:获取机械臂初始姿态信息、初始位置以及目标环境图片,所述目标环境图片包括目标图像;
数据分析模块:对所述目标环境图片进行分析,将目标图像在所述目标环境图片中的位置信息标记为地标信息;
路径设置模块:建立机械臂导航模型,将所述机械臂初始姿态信息、初始位置以及目标环境图片导入机械臂导航模型,根据机械臂初始姿态信息、初始位置以及目标环境图片对机械臂导航模型进行初始化分析,生成初始化信息;
路径优化模块:构建蚁群算法,将所述初始化信息代入蚁群算法,对蚁群算法的参数初始化设置;根据蚁群算法中每个蚂蚁在路径上释放的信息素浓度和每个蚂蚁移动的路径长度计算期望值,将最大期望值对应的蚂蚁移动的路径作为移动路径:将移动路径通过蚁群算法更新信息素浓度和迭代优化,从而获得最优移动路径。
一种存储在计算机可读介质上的计算机程序产品,包括计算机可读程序,供于电子装置上执行时,提供用户输入接口以实施上述任意一项所述的一种机器人机械臂移动路径控制方法。
一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机执行上述任意一项所述的一种机器人机械臂移动路径控制方法。
本发明一种机器人机械臂移动路径控制系统及控制方法的技术效果和优点:
本发明通过视觉传感器感知周围环境内容,并利用计算机视觉算法计算出机械臂的最佳运动轨迹。这种方式可以实现自适应、灵活控制机械臂的运动路径,移动路径规划可以优化机械臂的运动路径,使机械臂在完成任务时能够更快、更精准地完成操作,从而提高生产效率。
将机械臂的初始姿态信息、位置和目标环境图片导入机械臂导航模型,并进行初始化分析以生成初始化信息。这些信息可以用于确定机械臂的起始点和目标点,确定机械臂的移动路径,使机械臂在寻找目标物体的过程中能够避开障碍物和危险区域。结合蚁群算法更新信息素和迭代优化,从而获得最优移动路径。
附图说明
图1为本发明的机器人机械臂移动路径控制系统示意图;
图2为本发明的机器人机械臂移动路径控制方法流程图。
具体实施方式
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,都属于本发明保护的范围。
实施例1
请参阅图1所示,本实施例所述一种机器人机械臂移动路径控制系统,包括数据采集模块1、数据分析模块2、路径设置模块3和路径优化模块4,上述各个模块间通过有线和/或无线的方式连接,实现模块间的数据传输:
数据采集模块1获取机械臂的初始姿态信息、初始位置以及目标环境图片,所述目标环境图片包括目标图像;并将采集的数据发送至数据分析模块2和路径设置模块3;
这里需要说明的是:通过机器人机械臂本身或其他传感器收集机械臂的初始姿态信息和位置信息;通过视觉传感器或摄像头拍摄得到目标环境图片;
具体获取途径为:机器人通过惯性测量单元测量机械臂运动状态,惯性测量单元包括三个加速度计和三个陀螺仪,其中加速度计可以测量机械臂在三个方向上的加速度,陀螺仪可以测量机械臂在三个方向上的旋转速度。通过对加速度计和陀螺仪测量结果的组合和处理,可以计算出机械臂的位置、速度和运动方向,从而实现对物体运动状态的测量和跟踪。
激光传感器通过发射激光束,测量激光束从传感器到目标物体反射回来所需的时间,并根据光速计算出目标物体与传感器之间的距离。激光传感器可以精确地测量距离,同时可以获取目标物体的形状、轮廓和表面信息等,帮助机器人感知周围环境,实现自主导航和避开障碍物。
视觉传感器将光学信号转换成数字信号,通过计算机算法对图像进行处理和分析;其由图像采集模块、图像处理模块和控制模块组成。
数据分析模块2,对所述目标环境图片进行分析,将目标图像在所述目标环境图片中的位置信息标记为地标信息;将对应的数据发送至路径设置模块3和路径优化模块4;
对所述目标环境图片进行分析的逻辑为:
将目标环境图片分割为若干目标图像块,将若干所述目标图像块分别输入深度学习神经网络进行特征提取,获得M个目标图像块特征向量;
对M个目标图像块特征向量分别进行加权处理,并将加权处理后的M个目标图像块特征向量级联为M个目标图像特征向量;
将M个目标图像特征向量分别与目标图像特征向量对应的预设目标图像进行识别认证,从而确定目标图像在所述目标环境图片中的位置信息,将目标图像在所述目标环境图片中的位置信息标记为地标信息。
这里需要说明的是:通过深度学习神经网络进行目标检测和特征提取,使用全连接神经网络进行加权和级联操作,使用相似度度量方法进行目标匹配和位置识别;
其中目标图像为目标环境图片中比较容易识别的物体,例如目标终点、墙壁、柱子、人或其他结构,这里目标终点是机械臂需要到达的位置,因此可以将其标注为“目标位置”,墙壁、柱子、人或其他结构为机械臂在执行任务时遇到的障碍物,操作员可以将其标注为“障碍物位置”。
对M个目标图像块特征向量分别进行加权处理的逻辑为:
对M个目标图像块特征向量分别进行归一化处理,并将归一化处理的目标图像块特征向量分别乘以预设权重值。
这里需要说明的是:通过归一化处理M个目标图像块特征向量,使它们具有相同的规模和单位;然后根据不同目标图像块的重要程度,可以由技术人员对目标图像块特征向量进行预设权重值,或者使用自适应权重学习算法对预设权重值进行优化;
对加权后的M个目标图像块特征向量进行级联,形成一个综合的目标图像特征向量,用于后续的地标信息识别和定位。
这里加权处理的目的是为了使不同目标图像块的目标图像特征向量对最终的地标识别和定位起到不同的作用,但权重的设置也需要根据实际情况进行调整和优化,以达到最好的效果。
路径设置模块3,建立机械臂导航模型,将所述机械臂初始姿态信息、初始位置以及目标环境图片导入机械臂导航模型,根据机械臂初始姿态信息、初始位置和目标位置对机械臂导航模型进行初始化,生成初始化信息;并将数据发送至路径优化模块4;
所述机械臂导航模型包括:
定位传感模块:用于获取机械臂的姿态和位置信息;
视觉测量模块:通过视觉传感器获取机械臂初始姿态信息、初始位置以及目标环境图片;
运动学模块,用于机械臂导航模型的初始化;通过监测机械臂的姿态、位置、速度和加速度,获得机械臂的初始姿态信息和初始方位约束信息;
惯性测量模块:通过测量当前机械臂的姿态信息、角速度和加速度信息,来预测运动后机械臂的姿态和运动状态;
导航控制模块:通过蚁群算法计算出机械臂的运动轨迹和运动控制指令,实现机械臂在目标环境中的准确导航。
这里需要说明的是:导航控制模块会根据机械臂的姿态、位置和目标环境图片中的地标信息等数据,计算出机械臂的运动轨迹和运动控制指令,控制机械臂在目标环境中精确导航。
生成初始化信息的分析逻辑为:
将目标环境图片导入机械臂导航模型,根据目标图像对应的地标信息确定机械臂的移动区域;将机械臂的移动区域标记为目标区域;
在目标区域中,机械臂的初始位置对应的地标信息标记为空间坐标原点,将初始位置标记为路径始节点;目标位置标记为路径终节点;
在目标区域中任意选择一个测试节点,将所述测试节点对应的目标图像特征向量与预设特征向量阈值进行比较,若测试节点对应的目标图像特征向量大于或等于预设特征向量阈值,则判定对应的测试节点为安全路径节点;
若测试节点对应的目标图像特征向量小于预设特征向量阈值,则判定对应的测试节点为非安全路径节点;
将所述目标区域对应的空间坐标点标记为测试节点,对测试节点进行分析,生成安全路径节点或非安全路径节点;
从目标区域中选择N-1个安全路径节点,N为大于等于1的整数。
这里需要说明的是:在现有技术中,一般使用更为复杂的技术来初始化机械臂导航模型,例如使用激光雷达或RGBD相机对环境进行三维建模,或使用SLAM技术对机械臂的位置进行估计,复杂的技术不但会有复杂的计算过程,还需要对应的应用设备更加先进,而本发明通过视觉测量模块,将目标环境图片导入机械臂导航模型;通过地标信息对应的位置和方向信息来确定机械臂的移动区域,直接获得机械臂的位置,简化了机械臂位置的获取过程。
这里表述的测试节点是目标区域对应的空间坐标点,通过深度学习神经网络对其进行特征提取,并根据深度学习神经网络获取预设特征向量阈值。这样就可以根据预设阈值来判断测试节点是否是安全路径节点。
路径优化模块4,构建蚁群算法,将所述初始化信息代入蚁群算法,对蚁群算法的参数初始化设置;在目标区域提取选取N个安全路径节点,根据N个安全路径节点对应的地标信息,提取N个安全路径节点的信息素浓度和当前安全路径节点到蚂蚁路径长度;并通过蚁群算法迭代优化,获得最优移动路径。
获得最优移动路径的分析逻辑为:
参数初始化:将所述初始化信息代入蚁群算法,对蚁群算法的参数初始化设置,确定蚂蚁经过的路径点和路径点对应的信息素浓度初始值;
蚂蚁经过的路径点包括路径始节点、路径终节点以及目标区域中安全路径节点的数量,将路径点的标号标记为n,n=0,1,2,……N,N为大于等于1的整数;其中:路径始节点的路径点为0,路径终节点的路径点为N,安全路径节点一共有N-1个,安全路径节点对应路径点的标号n=1,2,……N-1;
在目标区域提取选取N个路径点,根据N个路径点对应的地标信息,提取N个路径点的信息素浓度和路径长度;
这里需要说明的是:在实际应用中,蚁群算法的参数初始化设置会对算法的性能产生重要影响。将所有路径点上的信息素浓度初始值设置为一个固定值,为了方便计算,一般设置为1。
设置信息素挥发率,控制信息素的消散速度,避免信息素浓度过高或过低。将信息素增量设置为路径长度的倒数。根据移动区域的大小和复杂程度,确定蚂蚁的数量;启发式函数可以根据目标环境的不同进行优化,例如可以基于环境的地形、可通行区域等因素确定蚂蚁的移动规则。
通过将初始化信息代入蚁群算法,并根据具体的环境参数调整初始化设置,可以优化机械臂导航过程中的路径规划。
计算期望值:根据信息素浓度和路径长度计算选择下一路径点的期望值;
对于期望值的计算可通过公式获得:
在目标区域提取N-1个安全路径节点,将每个安全路径节点的标号标记为n,n=1,2,……N-1,N为大于等于1的整数;
根据安全路径节点对应的地标信息,确定安全路径节点n相对路径始节点的信息素浓度、当前安全路径节点至下一安全路径节点的路径长度/>和启发信息/>,根据概率公式计算路径始节点的下一个安全路径节点n的期望值/>,具体概率公式为:;
其中,、/>为蚁群算法中对应安全路径节点n相对路径始节点的信息素参数和当前安全路径节点到下一安全路径节点的路径长度影响参数,/>根据安全路径节点n的信息素更新优化赋值,/>根据安全路径节点n的启发信息更新优化赋值;
这里需要说明的是:机械臂在运动过程中需要对安全路径节点信息素浓度和路径长度进行合理的权衡,以达到良好的搜索效果,同时预设启发信息,以避免算法陷入局部最优解。
获取移动路径:选取期望值最大的路径点为下一路径点,下一路径点再次按照信息素浓度和路径长度选择下一路径点,直至达到路径终节点,得到一移动路径;
更新信息素:从路径点0开始对N个路径点都遍历完一次迭代,获得N个解,对N个解进行计算分析,获得系统处理数据的迭代次数,选择系统处理数据的迭代次数最大对应的解去更新信息素浓度;
迭代优化:对于更新后的信息素浓度,重复上述步骤,直至N个解一致,从而得到最优移动路径。
这里需要说明的是:在更新信息素浓度时,需要考虑路径节点的顺序和方向,因为同一条路径上的不同节点可能会被不同的蚂蚁走过。因此,可以使用双向信息素更新策略,即同时更新正向和反向路径节点的信息素浓度。
蚂蚁根据期望值选择移动到相邻的路径点上,同时蚂蚁在移动的过程中,会不断释放信息素,信息素浓度在每个路径点的地标上更新,根据路径长度和信息素浓度的乘积计算信息素增量,并更新信息素浓度。
这里路径长度为蚂蚁移动的路径长度,即当前蚂蚁所在的路径点到达下一路径点的路径长度;每个蚂蚁根据信息素浓度和路径长度的组合,评估移动的距离,并选择移动路径。
在每次路径搜索结束后,更新信息素的浓度;信息素浓度的更新基于全局最优路径和每个蚂蚁走过的路径点,具体来说就是每个路径点上的信息素浓度更新为当前浓度乘以衰减系数再加上所有走过该路径的蚂蚁释放的信息素浓度。
信息素浓度是蚁群中蚂蚁之间用来交流信息的一种化学物质,蚂蚁会根据信息素浓度选择路径。在移动过程中,蚂蚁会在路径点上释放信息素,路径点上信息素浓度越高,表示该路径点被越多的蚂蚁选择,从而蚂蚁会更倾向于选择这条路径。当前蚂蚁所在的路径点到达下一路径点的路径长度,也就是蚂蚁移动的距离。蚂蚁群体依次选择移动的最短距离,逐步地优化路径,最终找到最优移动路径。
实施例2
请参阅图2所示,本实施例未详细叙述部分见实施例1描述内容,提供一种机器人机械臂移动路径控制方法,包括:
获取机械臂初始姿态信息、初始位置以及目标环境图片,所述目标环境图片包括目标图像;
对所述目标环境图片进行分析,将目标图像在所述目标环境图片中的位置信息标记为地标信息;
对所述目标环境图片进行分析的逻辑为:
将目标环境图片分割为若干目标图像块,将若干所述目标图像块分别输入深度学习神经网络进行特征提取,获得M个目标图像块特征向量;
对M个目标图像块特征向量分别进行加权处理,并将加权处理后的M个目标图像块特征向量级联为M个目标图像特征向量;
将M个目标图像特征向量分别与目标图像特征向量对应的预设目标图像进行识别认证,从而确定目标图像在所述目标环境图片中的位置信息,将目标图像在所述目标环境图片中的位置信息标记为地标信息。
对M个目标图像块特征向量分别进行加权处理的逻辑为:
对M个目标图像块特征向量分别进行归一化处理,并将归一化处理的目标图像块特征向量分别乘以预设权重值。
建立机械臂导航模型,将所述机械臂初始姿态信息、初始位置以及目标环境图片导入机械臂导航模型,根据机械臂初始姿态信息、初始位置以及目标环境图片对机械臂导航模型进行初始化分析,生成初始化信息;
生成初始化信息的分析逻辑为:
将目标环境图片导入机械臂导航模型,根据目标图像对应的地标信息确定机械臂的移动区域;将机械臂的移动区域标记为目标区域;
在目标区域中,机械臂的初始位置对应的地标信息标记为空间坐标原点,将初始位置标记为路径始节点;目标位置标记为路径终节点;
将所述目标区域对应的空间坐标点标记为测试节点,对测试节点进行分析,生成安全路径节点或非安全路径节点;
从目标区域中选择N-1个安全路径节点,N为大于等于1的整数。
生成安全路径节点或非安全路径节点的分析逻辑为:
根据测试节点获得所述测试节点对应的目标图像特征向量;
将测试节点对应的目标图像特征向量与预设特征向量阈值进行比较;
若测试节点对应的目标图像特征向量大于或等于预设特征向量阈值,则对应的测试节点为安全路径节点;
若测试节点对应的目标图像特征向量小于预设特征向量阈值,则对应的测试节点为非安全路径节点。
构建蚁群算法,将所述初始化信息代入蚁群算法,对蚁群算法的参数初始化设置;根据信息素浓度和路径长度计算期望值,将最大期望值对应的蚂蚁移动的路径作为移动路径:将移动路径通过蚁群算法更新信息素和迭代优化,从而获得最优移动路径。
获得最优移动路径的分析逻辑为:
参数初始化:将所述初始化信息代入蚁群算法,对蚁群算法的参数初始化设置,确定蚂蚁经过的路径点和路径点对应的信息素浓度初始值;
蚂蚁经过的路径点包括路径始节点、路径终节点以及目标区域中安全路径节点的数量,将每个路径点的标号标记为n,n=0,1,2,……N,N为大于等于1的整数;其中:路径始节点的路径点标号为0,路径终节点的路径点标号为N,安全路径节点一共有N-1个,安全路径节点对应路径点的标号n=1,2,……N-1;
在目标区域提取选取N个路径点,根据N个路径点对应的地标信息,提取N个路径点的信息素浓度和路径长度;
计算期望值:根据信息素浓度和路径长度计算选择下一路径点的期望值;
获取移动路径:选取期望值最大的路径点为下一路径点,下一路径点再次按照信息素浓度和路径长度选择下一路径点,直至达到路径终节点,得到一移动路径;
更新信息素:从路径点0开始对N个路径点都遍历完一次迭代,获得N个解,对N个解进行计算分析,获得系统处理数据的迭代次数,选择系统处理数据的迭代次数最大对应的解去更新信息素浓度;
迭代优化:对于更新后的信息素浓度,重复上述步骤,直至N个解一致,从而得到最优移动路径。
上述公式均是去量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式,公式中的预设参数以及阈值选取由本领域的技术人员根据实际情况进行设置。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络或无线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到,结合本发明中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一 种,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
最后:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,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 (5)
1.一种机器人机械臂移动路径控制方法,其特征在于,包括:
获取机械臂初始姿态信息、初始位置以及目标环境图片,所述目标环境图片包括目标图像;
对所述目标环境图片进行分析,将目标图像在所述目标环境图片中的位置信息标记为地标信息;
对所述目标环境图片进行分析的逻辑为:
将目标环境图片分割为若干目标图像块,将若干所述目标图像块分别输入深度学习神经网络进行特征提取,获得M个目标图像块特征向量;
对M个目标图像块特征向量分别进行加权处理,并将加权处理后的M个目标图像块特征向量级联为M个目标图像特征向量;
将M个目标图像特征向量分别与目标图像特征向量对应的预设目标图像进行识别认证,从而确定目标图像在所述目标环境图片中的位置信息,将目标图像在所述目标环境图片中的位置信息标记为地标信息;
对M个目标图像块特征向量分别进行加权处理的逻辑为:
对M个目标图像块特征向量分别进行归一化处理,并将归一化处理的目标图像块特征向量分别乘以预设权重值;
建立机械臂导航模型,将所述机械臂初始姿态信息、初始位置以及目标环境图片导入机械臂导航模型,根据机械臂初始姿态信息、初始位置以及目标环境图片对机械臂导航模型进行初始化分析,生成初始化信息;
生成初始化信息的分析逻辑为:
将目标环境图片导入机械臂导航模型,根据目标图像对应的地标信息确定机械臂的移动区域;将机械臂的移动区域标记为目标区域;
在目标区域中,机械臂的初始位置对应的地标信息标记为空间坐标原点,将初始位置标记为路径始节点;目标位置标记为路径终节点;
将所述目标区域对应的空间坐标点标记为测试节点,对测试节点进行分析,生成安全路径节点或非安全路径节点;
从目标区域中选择N-1个安全路径节点,N为大于等于1的整数;
生成安全路径节点或非安全路径节点的分析逻辑为:
根据测试节点获得所述测试节点对应的目标图像特征向量;
将测试节点对应的目标图像特征向量与预设特征向量阈值进行比较;
若测试节点对应的目标图像特征向量大于或等于预设特征向量阈值,则判定对应的测试节点为安全路径节点;
若测试节点对应的目标图像特征向量小于预设特征向量阈值,则判定对应的测试节点为非安全路径节点;
构建蚁群算法,将所述初始化信息代入蚁群算法,对蚁群算法的参数初始化设置;根据蚁群算法中每个蚂蚁在路径上释放的信息素浓度和每个蚂蚁移动的路径长度计算期望值,将最大期望值对应的蚂蚁移动的路径作为移动路径,将移动路径通过蚁群算法更新信息素浓度和迭代优化,从而获得最优移动路径。
2.根据权利要求1所述的一种机器人机械臂移动路径控制方法,其特征在于,获得最优移动路径的分析逻辑为:
参数初始化:将所述初始化信息代入蚁群算法,对蚁群算法的参数初始化设置,确定蚂蚁经过的路径点和路径点对应的信息素浓度初始值;
蚂蚁经过的路径点包括路径始节点、路径终节点以及目标区域中安全路径节点的数量,将每个路径点的标号标记为n,n=0,1,2,……N,N为大于等于1的整数;其中:路径始节点的路径点标号为0,路径终节点的路径点标号为N,安全路径节点一共有N-1个,安全路径节点对应路径点的标号n=1,2,……N-1;
在目标区域选取N个路径点,根据N个路径点对应的地标信息,提取N个路径点的信息素浓度和路径长度;
计算期望值:根据信息素浓度和路径长度计算选择下一路径点的期望值;
获取移动路径:最大期望值对应的路径点为下一路径点,下一路径点再次按照信息素浓度和路径长度选择下一路径点,直至达到路径终节点,得到一移动路径,即所述移动路径为最大期望值对应的蚂蚁移动的路径;
更新信息素:从路径点0开始对N个路径点都遍历完一次迭代,获得N个解,对N个解进行计算分析,获得系统处理数据的迭代次数,选择系统处理数据的迭代次数最大对应的解去更新信息素浓度;
迭代优化:对于更新后的信息素浓度,重复上述步骤,直至N个解一致,从而得到最优移动路径。
3.一种机器人机械臂移动路径控制系统,其特征在于,包括:
数据采集模块(1):获取机械臂初始姿态信息、初始位置以及目标环境图片,所述目标环境图片包括目标图像;
数据分析模块(2):对所述目标环境图片进行分析,将目标图像在所述目标环境图片中的位置信息标记为地标信息;
对所述目标环境图片进行分析的逻辑为:
将目标环境图片分割为若干目标图像块,将若干所述目标图像块分别输入深度学习神经网络进行特征提取,获得M个目标图像块特征向量;
对M个目标图像块特征向量分别进行加权处理,并将加权处理后的M个目标图像块特征向量级联为M个目标图像特征向量;
将M个目标图像特征向量分别与目标图像特征向量对应的预设目标图像进行识别认证,从而确定目标图像在所述目标环境图片中的位置信息,将目标图像在所述目标环境图片中的位置信息标记为地标信息;
对M个目标图像块特征向量分别进行加权处理的逻辑为:
对M个目标图像块特征向量分别进行归一化处理,并将归一化处理的目标图像块特征向量分别乘以预设权重值;
路径设置模块(3):建立机械臂导航模型,将所述机械臂初始姿态信息、初始位置以及目标环境图片导入机械臂导航模型,根据机械臂初始姿态信息、初始位置以及目标环境图片对机械臂导航模型进行初始化分析,生成初始化信息;
生成初始化信息的分析逻辑为:
将目标环境图片导入机械臂导航模型,根据目标图像对应的地标信息确定机械臂的移动区域;将机械臂的移动区域标记为目标区域;
在目标区域中,机械臂的初始位置对应的地标信息标记为空间坐标原点,将初始位置标记为路径始节点;目标位置标记为路径终节点;
将所述目标区域对应的空间坐标点标记为测试节点,对测试节点进行分析,生成安全路径节点或非安全路径节点;
从目标区域中选择N-1个安全路径节点,N为大于等于1的整数;
生成安全路径节点或非安全路径节点的分析逻辑为:
根据测试节点获得所述测试节点对应的目标图像特征向量;
将测试节点对应的目标图像特征向量与预设特征向量阈值进行比较;
若测试节点对应的目标图像特征向量大于或等于预设特征向量阈值,则判定对应的测试节点为安全路径节点;
若测试节点对应的目标图像特征向量小于预设特征向量阈值,则判定对应的测试节点为非安全路径节点;
路径优化模块(4):构建蚁群算法,将所述初始化信息代入蚁群算法,对蚁群算法的参数初始化设置;根据蚁群算法中每个蚂蚁在路径上释放的信息素浓度和每个蚂蚁移动的路径长度计算期望值,将最大期望值对应的蚂蚁移动的路径作为移动路径:将移动路径通过蚁群算法更新信息素浓度和迭代优化,从而获得最优移动路径。
4.一种存储在计算机可读介质上的计算机程序产品,其特征在于:包括计算机可读程序,供于电子装置上执行时,提供用户输入接口以实施如权利要求1~2任意一项所述的一种机器人机械臂移动路径控制方法。
5.一种计算机可读存储介质,其特征在于:储存有指令,当所述指令在计算机上运行时,使得计算机执行如权利要求1~2任意一项所述的一种机器人机械臂移动路径控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310518590.6A CN116214529B (zh) | 2023-05-10 | 2023-05-10 | 一种机器人机械臂移动路径控制系统及控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310518590.6A CN116214529B (zh) | 2023-05-10 | 2023-05-10 | 一种机器人机械臂移动路径控制系统及控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116214529A CN116214529A (zh) | 2023-06-06 |
CN116214529B true CN116214529B (zh) | 2023-07-07 |
Family
ID=86591482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310518590.6A Active CN116214529B (zh) | 2023-05-10 | 2023-05-10 | 一种机器人机械臂移动路径控制系统及控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116214529B (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113510699A (zh) * | 2021-04-28 | 2021-10-19 | 哈尔滨理工大学 | 一种基于改进蚁群优化算法的机械臂运动轨迹规划方法 |
CN113947715A (zh) * | 2021-10-18 | 2022-01-18 | 中国农业科学院农业信息研究所 | 一种套袋方法、装置、存储介质和电子设备 |
CN115470880A (zh) * | 2022-09-19 | 2022-12-13 | 中国科学院深圳先进技术研究院 | 一种基于蚁群算法的机器人清理优化方法 |
CN115790604A (zh) * | 2022-12-09 | 2023-03-14 | 安徽海螺中南智能机器人有限责任公司 | 基于多传感器融合机器人拆垛方法及系统 |
-
2023
- 2023-05-10 CN CN202310518590.6A patent/CN116214529B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN116214529A (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Khan et al. | A comparative survey of lidar-slam and lidar based sensor technologies | |
JP5987823B2 (ja) | 画像センサおよび運動または位置センサから生じたデータを融合するための方法およびシステム | |
EP3737912B1 (en) | Determining the location of a mobile device | |
Sadat et al. | Feature-rich path planning for robust navigation of MAVs with mono-SLAM | |
Fallon et al. | Sensor fusion for flexible human-portable building-scale mapping | |
TW201728876A (zh) | 自主視覺導航 | |
CN111338383B (zh) | 基于gaas的自主飞行方法及系统、存储介质 | |
CN104854428A (zh) | 传感器融合 | |
CN112740274A (zh) | 在机器人设备上使用光流传感器进行vslam比例估计的系统和方法 | |
CN104236548A (zh) | 一种微型无人机室内自主导航方法 | |
KR102303432B1 (ko) | 장애물의 특성을 고려한 dqn 및 slam 기반의 맵리스 내비게이션 시스템 및 그 처리 방법 | |
Ahmad et al. | Features of the Construction and Control of the Navigation System of a Mobile Robot | |
Vanegas et al. | UAV based target finding and tracking in GPS-denied and cluttered environments | |
EP4088884A1 (en) | Method of acquiring sensor data on a construction site, construction robot system, computer program product, and training method | |
CN113433937B (zh) | 基于启发式探索的分层导航避障系统、分层导航避障方法 | |
CN114910072A (zh) | 基于深度强化学习的无人机导航方法、装置、设备及介质 | |
CN116214529B (zh) | 一种机器人机械臂移动路径控制系统及控制方法 | |
Hesch et al. | A 3d pose estimator for the visually impaired | |
CN114529585A (zh) | 基于深度视觉和惯性测量的移动设备自主定位方法 | |
Andersson et al. | Symbolic feedback control for navigation | |
Galtarossa | Obstacle avoidance algorithms for autonomous navigation system in unstructured indoor areas | |
Dam et al. | Person following mobile robot using pedestrian dead-reckoning with inertial data of smartphones | |
Shoushtari et al. | L5in+: From an analytical platform to optimization of deep inertial odometry | |
Wang et al. | Robot arm perceptive exploration based significant slam in search and rescue environment | |
Liu et al. | Optical flow measurement of human walking |
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 |