CN116372913A - 工业机械臂智能路径规划方法、系统、电子设备以及存储介质 - Google Patents
工业机械臂智能路径规划方法、系统、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN116372913A CN116372913A CN202310203055.1A CN202310203055A CN116372913A CN 116372913 A CN116372913 A CN 116372913A CN 202310203055 A CN202310203055 A CN 202310203055A CN 116372913 A CN116372913 A CN 116372913A
- Authority
- CN
- China
- Prior art keywords
- path
- lion
- node
- planning
- optimal
- 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 58
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 241000282320 Panthera leo Species 0.000 claims abstract description 138
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 238000009499 grossing Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims description 23
- 238000009826 distribution Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 8
- 230000002441 reversible effect Effects 0.000 claims description 7
- 241000820057 Ithone Species 0.000 claims description 6
- 230000007423 decrease Effects 0.000 claims description 6
- 230000003247 decreasing effect Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims 2
- MKXZASYAUGDDCJ-NJAFHUGGSA-N dextromethorphan Chemical compound C([C@@H]12)CCC[C@]11CCN(C)[C@H]2CC2=CC=C(OC)C=C21 MKXZASYAUGDDCJ-NJAFHUGGSA-N 0.000 claims 1
- 230000003094 perturbing effect Effects 0.000 claims 1
- 230000006870 function Effects 0.000 abstract description 53
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000035772 mutation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013022 venting 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
- B25J9/1656—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
- B25J9/1607—Calculation of inertia, jacobian matrixes and inverses
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Numerical Control (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了工业机械臂智能路径规划方法、系统、电子设备以及存储介质,将狮群最优位置进行柯西变异,对最优位置进行扰动,增强算法跳出局部极值的能力,比较狮王最优位置和狮群最优位置,择优保留;接着建立距离估值函数和角度估值函数对路径规划节点连接筛选,选择较优路径,数值最小的Sn所对应的节点作为下一节点,避免算法盲目搜索;然后将选择出来的路径进行二次规划,寻找最优路径,增加算法得到最优解的概率;同时对最优路径使用3次B‑spline函数进行路径平滑,使得路径转角更加平滑,解决了路径规划中出现路径寻优能力弱、规划出的路径转弯次数多、转角大的问题,从而缩短执行任务的时间,提高执行效率。
Description
技术领域
本公开涉及机械臂运动领域,尤其涉及一种工业机械臂智能路径规划方法、系统、电子设备以及存储介质。
背景技术
随着科学技术的飞速发展,机械臂因其独特的操作灵活性,已广泛应用于航空航天、军事、医疗、工业等领域,被用来执行捕获、排爆、手术、装配等工作。为快速、准确执行任务,机械臂需具备自主规划路径的能力,即规划出一条从初始构型运动到目标构型的路径。然而由于当前智能优化算法在栅格法的3维路径规划中出现路径寻优能力弱、规划出的路径转弯次数多、转角大的问题,从而执行任务的时间变长,效率降低。
发明内容
提供该公开内容部分以便以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。该公开内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开实施例提供了一种工业机械臂智能路径规划方法、系统、电子设备以及存储介质,解决了路径规划中出现路径寻优能力弱、规划出的路径转弯次数多、转角大的问题,从而缩短执行任务的时间,提高执行效率。
第一方面,本公开实施例提供了工业机械臂智能路径规划方法,包括:将狮群最优位置进行柯西变异,对最优位置进行扰动;建立估值函数对路径规划节点连接筛选,选择较优路径;将选择出来的路径进行二次规划,寻找最优路径;将最优路径使用3次B-spline函数进行路径平滑。
结合第一方面的实施例,在一些实施例中,所述建将狮群最优位置进行柯西变异,对最优位置进行扰动,包括:
对参数进行初始化,空间维度为D,狮群的数量为N,算法运行的迭代次数为T,狮群的每一个狮子可以用一个D维向量表示:Xi=[xi1,xi2,…,xiD],1≤i≤N;
更新狮王、母狮及幼狮位置:
xk+1=gk(1+γPk-gk)
式中,xk+1代表狮王下一代全局最优解,gk为第k代种群的全局最优解,Pk代表獅王在所有迭代当中历史最优解,γ是随机数,服从正态分布;
af是扰动因子,随着算法运行次数增加而逐渐减小
幼狮的更新过程中也存在随时间递减的扰动因子ac,随算法运行次数增加,减小步长
对狮群最优位置进行柯西变异,更新狮群最优位置,狮群最优位置公式为
Gbest(k)=gk+c(0,1)·gk
其中,Gbor(k)表示第k代经柯西扰动后狮群的最优位置,gk表示第k代最优位置,c(0,1)表示标准柯西分布;
比较狮王最优位置xk+1和狮群最优位置gbest(k),择优保留。
结合第一方面的实施例,在一些实施例中,所述建立估值函数对路径规划节点连接筛选,选择较优路径,包括:
建立距离估值函数,其中xi为当前点,xjn为下一可行节点,xgoal为目标节点,当前点周围不存在障碍物,都为可行区域,下一节点为xjn,距离估值函数h(dn)
d=dijn+djg
式中,dijn为当前节点到下一可行节点n点的距离,djng表示下一可行节点n点到目标节点的距离,mind表示可行节点到目标节点和当前节点距离之和最短的距离,ep表示很小的数,防止分式无意义;
建立角度估值函数,其中xi为当前点,xjn为下一可行节点,xgoal为目标节点,计算xjn和xgoal的连线与xi和xjn连线的延长线之间的夹角θ
式中,d(x1,x2)表示x1、x2之间的距离;
下一个节点为xjn,则角度估值函数h(an)
选择下一节点xjn,总估值函数Sn
Sn=a·h(dn)+b·h(an)
其中,a、b分别为权重系数,取值为(0.1,1),a、b之间没有线性关系;
分别计算n个可行节点的总估值函数值,并排序,数值最小的Sn所对应的节点,即选中作为下一节点。
结合第一方面的实施例,在一些实施例中,所述将选择出来的路径进行二次规划,寻找最优路径,包括:
当前路径节点序列集为M,其中Mi为M的元素,M1为起点,Mn为终点;
第二方面,本公开实施例提供了一种工业机械臂智能路径规划系统,包括:
扰动单元,将狮群最优位置进行柯西变异,对最优位置进行扰动;筛选单元,建立估值函数对路径规划节点连接筛选,选择较优路径;二次规划单元,将选择出来的路径进行二次规划,寻找最优路径;路径平滑单元,将最优路径使用3次B-spline函数进行路径平滑。
结合第二方面的实施例,在一些实施例中,所述扰动单元,将狮群最优位置进行柯西变异,对最优位置进行扰动,包括
对参数进行初始化,空间维度为D,狮群的数量为N,算法运行的迭代次数为T,狮群的每一个狮子可以用一个D维向量表示:Xi=[xi1,xi2,…,xiD],1≤i≤N;
更新狮王、母狮及幼狮位置:
xk+1=gk(1+γPk-gk)
式中,xk+1代表狮王下一代全局最优解,gk为第k代种群的全局最优解,Pk代表獅王在所有迭代当中历史最优解,γ是随机数,服从正态分布;
af是扰动因子,随着算法运行次数增加而逐渐减小
幼狮的更新过程中也存在随时间递减的扰动因子ac,随算法运行次数增加,减小步长
对狮群最优位置进行柯西变异,更新狮群最优位置,狮群最优位置公式为
Gbest(k)=gk+c(0,1)·gk
其中,Gbor(k)表示第k代经柯西扰动后狮群的最优位置,gk表示第k代最优位置,c(0,1)表示标准柯西分布;
比较狮王最优位置xk+1和狮群最优位置Gbest(k),择优保留。
结合第二方面的实施例,在一些实施例中,所述筛选单元,建立估值函数对路径规划节点连接筛选,选择较优路径,包括
建立距离估值函数,其中xi为当前点,xjn为下一可行节点,xgoal为目标节点,当前点周围不存在障碍物,都为可行区域,下一节点为xjn,距离估值函数h(dn)
d=dijn+djg
式中,dijn为当前节点到下一可行节点n点的距离,djng表示下一可行节点n点到目标节点的距离,mind表示可行节点到目标节点和当前节点距离之和最短的距离,ep表示很小的数,防止分式无意义;
建立角度估值函数,其中xi为当前点,xjn为下一可行节点,xgoal为目标节点,计算xjn和xgoal的连线与xi和xjn连线的延长线之间的夹角θ
式中,d(x1,x2)表示x1、x2之间的距离;
下一个节点为xjn,则角度估值函数h(an)
选择下一节点xjn,总估值函数Sn
Sn=a·h(dn)+b·h(an)
其中,a、b分别为权重系数,取值为(0.1,1),a、b之间没有线性关系;
分别计算n个可行节点的总估值函数值,并排序,数值最小的Sn所对应的节点,即选中作为下一节点。
结合第二方面的实施例,在一些实施例中,所述二次规划单元,将选择出来的路径进行二次规划,寻找最优路径,包括
当前路径节点序列集为M,其中Mi为M的元素,M1为起点,Mn为终点;
第三方面,本公开实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行,使得上述一个或多个处理器实现如第一方面上述的工业机械臂智能路径规划方法。
第四方面,本公开实施例提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面上述的工业机械臂智能路径规划方法的步骤。
本发明有益效果:将狮群最优位置进行柯西变异,对最优位置进行扰动,增强算法跳出局部极值的能力;接着建立估值函数对路径规划节点连接筛选,选择较优路径,避免算法盲目搜索;然后将选择出来的路径进行二次规划,寻找最优路径,增加算法得到最优解的概率;同时对最优路径使用3次B-spline函数进行路径平滑,使得路径转角更加平滑,解决了路径规划中出现路径寻优能力弱、规划出的路径转弯次数多、转角大的问题,从而缩短执行任务的时间,提高执行效率。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1是根据本公开的工业机械臂智能路径规划方法的一个实施例的流程图;
图2是本公开的工业机械臂智能路径规划系统的结构示意图;
图3是根据本公开实施例提供的电子设备的基本结构的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式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。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
请参考图1,其示出了根据本公开的工业机械臂智能路径规划方法的一个实施例的流程。如图1所示,该工业机械臂智能路径规划方法包括以下步骤:
步骤101,将狮群最优位置进行柯西变异,对最优位置进行扰动。
在这里,步骤101包括:
对参数进行初始化,空间维度为D,狮群的数量为N,算法运行的迭代次数为T,狮群的每一个狮子可以用一个D维向量表示:
Xi=[xi1,xi2,...,xiD],1≤i≤N;
更新狮王、母狮及幼狮位置:
xk+1=gk(1+γPk-gk)
式中,xk+1代表狮王下一代全局最优解,gk为第k代种群的全局最优解,Pk代表獅王在所有迭代当中历史最优解,γ是随机数,服从正态分布;
af是扰动因子,随着算法运行次数增加而逐渐减小
幼狮的更新过程中也存在随时间递减的扰动因子ac,随算法运行次数增加,减小步长
对狮群最优位置进行柯西变异,柯西变异更新狮群最优位置,狮群最优位置公式为
Gbest(k)=gk+c(0,1)·gk
其中,Gbor(k)表示第k代经柯西扰动后狮群的最优位置,gk表示第k代最优位置,c(0,1)表示标准柯西分布;
比较狮王最优位置xk+1和狮群最优位置Gbest(k),择优保留。
步骤102,建立估值函数对路径规划节点连接筛选,选择较优路径。
在这里,步骤102包括:
建立距离估值函数,其中xi为当前点,xjn为下一可行节点,xgoal为目标节点,当前点周围不存在障碍物,都为可行区域,下一节点为xjn,距离估值函数h(dn)
d=dijn+djg
式中,dijn为当前节点到下一可行节点n点的距离,djng表示下一可行节点n点到目标节点的距离,mind表示可行节点到目标节点和当前节点距离之和最短的距离,ep表示很小的数,防止分式无意义;
建立角度估值函数,其中xi为当前点,xjn为下一可行节点,xgoal为目标节点,计算xjn和xgoal的连线与xi和xjn连线的延长线之间的夹角θ
式中,d(x1,x2)表示x1、x2之间的距离;
下一个节点为xjn,则角度估值函数h(an)
选择下一节点xjn,总估值函数Sn
Sn=a·h(dn)+b·h(an)
其中,a、b分别为权重系数,取值为(0.1,1),a、b之间没有线性关系;
分别计算n个可行节点的总估值函数值,并排序,数值最小的Sn所对应的节点,即选中作为下一节点。
步骤103,将选择出来的路径进行二次规划,寻找最优路径。
在这里,步骤103包括:
式中,t代表当前迭代次数,T为总迭代次数;
当前迭代次数满足上式时,之后每次迭代进行2次路径操作,引入变量ω,为(0,1]区间的随机数;
前路径节点序列集为M,其中Mi为M的元素,M1为起点,Mn为终点;
现假设n=11
步骤104,将最优路径使用3次B-spline函数进行路径平滑。
将狮群最优位置进行柯西变异,对最优位置进行扰动,增强算法跳出局部极值的能力;接着建立估值函数对路径规划节点连接筛选,选择较优路径,避免算法盲目搜索;然后将选择出来的路径进行二次规划,寻找最优路径,增加算法得到最优解的概率;同时对最优路径使用3次B-spline函数进行路径平滑,使得路径转角更加平滑,解决了路径规划中出现路径寻优能力弱、规划出的路径转弯次数多、转角大的问题,从而缩短执行任务的时间,提高执行效率。
在这里,步骤104包括
B-spline曲线可以将路径中的节点作为控制点生产连续平滑的曲线;K次B-spline的公式
式中,Bi,j(u)为k阶B样条在节点i上的基函数,k值代表圿数,阶数越大曲线的平滑效果越好,但计算难度也越大,为兼顸路径平消度和计算复杂度;
取k=3、得到3次B-spline曲线,共有4个节点,u=[u0,u1,…,un-k+1]为节点向量;
b0~b3分别表示4个节点对应的曲线基函数,因此B-spline曲线表示为
进一步参考图2,作为为对上述图1所示方法的实现,本公开了一种工业机械臂智能路径规划系统,该系统实施例与图1所示的方法实施例相对应。该系统具体可以应用于各种电子设备中。
如图2所示,本实施例的工业机械臂智能路径规划系统包括:扰动单元201,将狮群最优位置进行柯西变异,对最优位置进行扰动;筛选单元202,建立估值函数对路径规划节点连接筛选,选择较优路径;二次规划单元203,将选择出来的路径进行二次规划,寻找最优路径;路径平滑单元204,将最优路径使用3次B-spline函数进行路径平滑。
在一些可选实施例中,扰动单元201,将狮群最优位置进行柯西变异,对最优位置进行扰动,包括:对参数进行初始化,空间维度为D,狮群的数量为N,算法运行的迭代次数为T,狮群的每一个狮子可以用一个D维向量表示:Xi=[xi1,xi2,…,xiD],1≤i≤N;
更新狮王、母狮及幼狮位置:
xk+1=gk(1+γPk-gk)
式中,xk+1代表狮王下一代全局最优解,gk为第k代种群的全局最优解,Pk代表獅王在所有迭代当中历史最优解,γ是随机数,服从正态分布;
af是扰动因子,随着算法运行次数增加而逐渐减小
幼狮的更新过程中也存在随时间递减的扰动因子ac,随算法运行次数增加,减小步长
对狮群最优位置进行柯西变异,更新狮群最优位置,狮群最优位置公式为
Gbest(k)=gk+c(0,1)·gk
其中,Gbor(k)表示第k代经柯西扰动后狮群的最优位置,gk表示第k代最优位置,c(0,1)表示标准柯西分布;
比较狮王最优位置xk+1和狮群最优位置Gbest(k),择优保留。
在一些可选实施例中,筛选单元202,建立估值函数对路径规划节点连接筛选,选择较优路径,包括:建立距离估值函数,其中xi为当前点,xjn为下一可行节点,xgoal为目标节点,当前点周围不存在障碍物,都为可行区域,下一节点为xjn,距离估值函数h(dn)
d=dijn+djg
式中,dijn为当前节点到下一可行节点n点的距离,djng表示下一可行节点n点到目标节点的距离,mind表示可行节点到目标节点和当前节点距离之和最短的距离,ep表示很小的数,防止分式无意义;
建立角度估值函数,其中xj为当前点,xjn为下一可行节点,xgoal为目标节点,计算xjn和xgoal的连线与xi和xjn连线的延长线之间的夹角θ
式中,d(x1,x2)表示x1、x2之间的距离;
下一个节点为xjn,则角度估值函数h(an)
选择下一节点xjn,总估值函数Sn
Sn=a·h(dn)+b·h(an)
其中,a、b分别为权重系数,取值为(0.1,1),a、b之间没有线性关系;
分别计算n个可行节点的总估值函数值,并排序,数值最小的Sn所对应的节点,即选中作为下一节点。
在一些可选实施例中,二次规划单元203,将选择出来的路径进行二次规划,寻找最优路径,包括:当前路径节点序列集为M,其中Mi为M的元素,M1为起点,Mn为终点;
下面参考图3,其示出了适于用来实现本公开实施例的电子设备的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图3示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图3所示,电子设备可以包括处理装置(例如中央处理器、图形处理器等)901,其可以根据存储在只读存储器(ROM)902中的程序或者从存储装置908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。在RAM903中,还存储有电子设备这操作所需的各种程序和数据。处理装置901、ROM902以及RAM903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
通常,以下装置可以连接至I/O接口905:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置906;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置907;包括例如磁带、硬盘等的存储装置908;以及通信装置909。通信装置909可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置909从网络上被下载和安装,或者从存储装置908被安装,或者从ROM902被安装。在该计算机程序被处理装置901执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开的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或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(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。在本公开中,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。而在本公开中,计算机可读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,该计算机可读信号介质可以发送、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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperTextTransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,adhoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:将狮群最优位置进行柯西变异,对最优位置进行扰动;建立估值函数对路径规划节点连接筛选,选择较优路径;将选择出来的路径进行二次规划,寻找最优路径;将最优路径使用3次B-spline函数进行路径平滑。
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公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++、python,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)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定,例如,预处理模块还可以被描述为“基于掌子面精细化分级结果,对掌子面各层围岩级别进行模糊化预处理的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
以上仅为本申请的优选实施方式而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种工业机械臂智能路径规划方法,其特征在于,所述方法包括:
将狮群最优位置进行柯西变异,对最优位置进行扰动;
建立估值函数对路径规划节点连接筛选,选择较优路径;
将选择出来的路径进行二次规划,寻找最优路径;
将最优路径使用3次B-spline函数进行路径平滑。
2.根据权利要求1所述的方法,其特征在于,所述建将狮群最优位置进行柯西变异,对最优位置进行扰动,包括:
对参数进行初始化,优化问题空间维度为D,狮群的数量为N,算法运行的迭代次数为T,狮群的每一个狮子可以用一个D维向量表示:Xi=[xi1,xi2,...,xiD],1≤i≤N,其中xiD为到目标处的路径;
更新狮王、母狮及幼狮位置:
xk+1=gk(1+γPk-gk)
式中,xk+1代表狮王下一代全局最优解,gk为第k代种群的全局最优解,Pk代表獅王在所有迭代当中历史最优解,γ是随机数,服从正态分布;
af是扰动因子,随着算法运行次数增加而逐渐减小
幼狮的更新过程中也存在随时间递减的扰动因子ac,随算法运行次数增加,减小步长
对狮群最优位置进行柯西变异,更新狮群最优位置,狮群最优位置公式为Gbest(k)=gk+c(0,1)·gk
其中,Gbor(k)表示第k代经柯西扰动后狮群的最优位置,gk表示第k代最优位置,c(0,1)表示标准柯西分布;
比较狮王最优位置xk+1和狮群最优位置Gbest(k),择优保留。
3.根据权利要求1所述的方法,其特征在于,所述建立估值函数对路径规划节点连接筛选,选择较优路径,包括:
建立距离估值函数,其中xi为当前点,xjn为下一可行节点,xgoal为目标节点,当前点周围不存在障碍物,都为可行区域,下一节点为xjn,距离估值函数h(dn)
d=dijn+djg
式中,dijn为当前节点到下一可行节点n点的距离,djng表示下一可行节点n点到目标节点的距离,mind表示可行节点到目标节点和当前节点距离之和最短的距离,ep表示很小的数,防止分式无意义;
建立角度估值函数,其中xi为当前点,xjn为下一可行节点,xgoal为目标节点,计算xjn和xgoal的连线与xi和xjn连线的延长线之间的夹角θ
式中,d(x1,x2)表示x1、x2之间的距离;
下一个节点为xjn,则角度估值函数h(an)
选择下一节点xjn,总估值函数Sn
Sn=a·h(dn)+b·h(an)
其中,a、b分别为权重系数,取值为(0.1,1),a、b之间没有线性关系;
分别计算n个可行节点的总估值函数值,并排序,数值最小的Sn所对应的节点,即选中作为下一节点。
4.根据权利要求1所述的方法,其特征在于,所述将选择出来的路径进行二次规划,寻找最优路径,包括:
当前路径节点序列集为M,其中Mi为M的元素,M1为起点,Mn为终点;
5.一种工业机械臂智能路径规划系统,其特征在于,所述系统包括:
扰动单元,将狮群最优位置进行柯西变异,对最优位置进行扰动;
筛选单元,建立估值函数对路径规划节点连接筛选,选择较优路径;
二次规划单元,将选择出来的路径进行二次规划,寻找最优路径;
路径平滑单元,将最优路径使用3次B-spline函数进行路径平滑。
6.根据权利要求5所述的系统,其特征在于,所述扰动单元,将狮群最优位置进行柯西变异,对最优位置进行扰动,包括
对参数进行初始化,空间维度为D,狮群的数量为N,算法运行的迭代次数为T,狮群的每一个狮子可以用一个D维向量表示:Xi=[xi1,xi2,...,xiD],1≤i≤N;
更新狮王、母狮及幼狮位置:
xk+1=gk(1+γPk-gk)
式中,xk+1代表狮王下一代全局最优解,gk为第k代种群的全局最优解,Pk代表獅王在所有迭代当中历史最优解,γ是随机数,服从正态分布;
af是扰动因子,随着算法运行次数增加而逐渐减小
幼狮的更新过程中也存在随时间递减的扰动因子ac,随算法运行次数增加,减小步长
对狮群最优位置进行柯西变异,更新狮群最优位置,狮群最优位置公式为Gbest(k)=gk+c(0,1)·gk
其中,Gbor(k)表示第k代经柯西扰动后狮群的最优位置,gk表示第k代最优位置,c(0,1)表示标准柯西分布;
比较狮王最优位置xk+1和狮群最优位置Gbest(k),择优保留。
7.根据权利要求5所述的系统,其特征在于,所述筛选单元,建立估值函数对路径规划节点连接筛选,选择较优路径,包括
建立距离估值函数,其中xi为当前点,xjn为下一可行节点,xgoal为目标节点,当前点周围不存在障碍物,都为可行区域,下一节点为xjn,距离估值函数h(dn)
d=dijn+djg
式中,dijn为当前节点到下一可行节点n点的距离,djng表示下一可行节点n点到目标节点的距离,mind表示可行节点到目标节点和当前节点距离之和最短的距离,ep表示很小的数,防止分式无意义;
建立角度估值函数,其中xi为当前点,xjn为下一可行节点,xgoal为目标节点,计算xjn和xgoal的连线与xi和xjn连线的延长线之间的夹角θ
式中,d(x1,x2)表示x1、x2之间的距离;
下一个节点为xjn,则角度估值函数h(an)
选择下一节点xjn,总估值函数Sn
Sn=a·h(dn)+b·h(an)
其中,a、b分别为权重系数,取值为(0.1,1),a、b之间没有线性关系;
分别计算n个可行节点的总估值函数值,并排序,数值最小的Sn所对应的节点,即选中作为下一节点。
8.根据权利要求6所述的系统,其特征在于,所述二次规划单元,将选择出来的路径进行二次规划,寻找最优路径,包括
当前路径节点序列集为M,其中Mi为M的元素,M1为起点,Mn为终点;
9.电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-4中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310203055.1A CN116372913A (zh) | 2023-03-02 | 2023-03-02 | 工业机械臂智能路径规划方法、系统、电子设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310203055.1A CN116372913A (zh) | 2023-03-02 | 2023-03-02 | 工业机械臂智能路径规划方法、系统、电子设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116372913A true CN116372913A (zh) | 2023-07-04 |
Family
ID=86970217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310203055.1A Pending CN116372913A (zh) | 2023-03-02 | 2023-03-02 | 工业机械臂智能路径规划方法、系统、电子设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116372913A (zh) |
-
2023
- 2023-03-02 CN CN202310203055.1A patent/CN116372913A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113327598B (zh) | 模型的训练方法、语音识别方法、装置、介质及设备 | |
CN110926491A (zh) | 一种用于最短路径的规划方法和系统 | |
CN115439449B (zh) | 全视野组织学图像的处理方法、装置、介质和电子设备 | |
CN116502745A (zh) | 电力负荷预测方法、系统、电子设备以及存储介质 | |
CN113205601B (zh) | 漫游路径生成方法、装置、存储介质及电子设备 | |
CN117634223A (zh) | 一种模具的喷涂模拟方法、装置、电子设备和存储介质 | |
CN111627029B (zh) | 图像实例分割结果的获取方法及装置 | |
CN116372913A (zh) | 工业机械臂智能路径规划方法、系统、电子设备以及存储介质 | |
CN113723712B (zh) | 风电功率预测方法、系统、设备及介质 | |
CN111553324B (zh) | 人体姿态预测值校正方法、装置,服务器及存储介质 | |
CN116117821A (zh) | 工业机械臂智能路径规划方法、系统、电子设备以及存储介质 | |
CN113804208B (zh) | 无人车路径优化方法及相关设备 | |
CN111738415B (zh) | 模型同步更新方法、装置及电子设备 | |
CN115061436A (zh) | 动态调度方法、系统、电子设备及计算机存储介质 | |
CN114415686A (zh) | 路径确定方法及设备 | |
CN112749707A (zh) | 利用神经网络进行目标分割的方法、设备和介质 | |
CN113642510A (zh) | 目标检测方法、装置、设备和计算机可读介质 | |
CN112686476A (zh) | 一种应用于地图的路径生成方法、系统、设备和存储介质 | |
CN115946127A (zh) | 工业机械臂智能路径规划方法、系统、电子设备以及存储介质 | |
CN110633596A (zh) | 预测车辆方向角的方法和装置 | |
Liu et al. | Learning-Based Neural Ant Colony Optimization | |
CN110633707A (zh) | 预测速度的方法和装置 | |
Kido et al. | An exact algorithm for the arrow placement problem in directed graph drawings | |
CN113808050B (zh) | 3d点云的去噪方法、装置、设备及存储介质 | |
CN118228200B (zh) | 基于多模态模型的电力设备异常识别方法、装置与设备 |
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 |