CN116372927B - 一种机器人示教的轨迹生成方法、装置、设备和介质 - Google Patents
一种机器人示教的轨迹生成方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN116372927B CN116372927B CN202310384610.5A CN202310384610A CN116372927B CN 116372927 B CN116372927 B CN 116372927B CN 202310384610 A CN202310384610 A CN 202310384610A CN 116372927 B CN116372927 B CN 116372927B
- Authority
- CN
- China
- Prior art keywords
- robot
- key point
- track
- teaching
- initial
- 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 51
- 230000002159 abnormal effect Effects 0.000 claims abstract description 85
- 230000004927 fusion Effects 0.000 claims abstract description 26
- 230000001133 acceleration Effects 0.000 claims description 95
- 238000011156 evaluation Methods 0.000 claims description 28
- 230000007613 environmental effect Effects 0.000 claims description 25
- 238000009499 grossing Methods 0.000 claims description 16
- 238000012502 risk assessment Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 16
- 230000006872 improvement Effects 0.000 description 6
- 239000012636 effector Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
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
-
- 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)
- Automation & Control Theory (AREA)
- Numerical Control (AREA)
- Manipulator (AREA)
Abstract
本申请涉及机器人的技术领域,尤其是涉及一种机器人示教的轨迹生成方法、装置、设备和介质,方法包括:针对每一初始关键点集,根据相邻关键点各自对应的距离差值和行走方向角差值,剔除异常的中间关键点,其中,利用多组初始关键点集,能够在一定程度上能够削弱异常数据质量对示教轨迹精度的影响,剔除异常的中间关键点,能够提升机器人的执行时效率。进而,利用目标关键点集进行轨迹规划,提高了机器人初始轨迹的精度。然后,基于每一目标关键点集对应的初始轨迹进行示教轨迹融合,得到最终的示教轨迹,并控制机器人按照示教轨迹运行,其中,融合多条初始轨迹在一定程度上能够削弱异常初始轨迹对示教轨迹精度的影响,提高了示教轨迹的精度。
Description
技术领域
本申请涉及机器人的技术领域,尤其是涉及一种机器人示教的轨迹生成方法、装置、设备和介质。
背景技术
机器人具有效率高、柔性好、智能化等特点,因此在工业和服务领域都得到广泛应用。工业机器人在过去数十年已成功用于汽车、食品、医药等行业的生产自动化,成为主要的搬运、装配、喷涂和包装等自动化设备。服务机器人近年来发展迅速,可应用于餐饮、医疗、康复和救援等场合。根据任务要求,机器人应用通常需要集成一个或多个末端执行器和工作对象进行交互,并驱使末端执行器按照指定的空间运动轨迹进行运动。
现有技术中,在构建末端执行器的运动轨迹时,需要包含着大量运动轨迹的路径点数据,然而,大量的路径点数据中含有较多无用或者异常的数据点,不仅使得机器人执行时效率大大降低,而且影响机器人运动轨迹的精度。
因而,如何提高机器人运动轨迹的精度是本领域技术人员亟待解决的问题。
发明内容
本申请的目的是提供一种机器人示教的轨迹生成方法、装置、设备和介质,用于解决以上至少一项技术问题。
本申请的上述发明目的是通过以下技术方案得以实现的:
第一方面,本申请提供一种机器人示教的轨迹生成方法,采用如下的技术方案:
一种机器人示教的轨迹生成方法,包括:
获取机器人示教的多组初始关键点集,其中,每一组初始关键点集至少包括一个起始关键点、一个终止关键点和若干中间关键点的位置信息;
针对每一组初始关键点集,基于两个相邻关键点的位置信息,确定所有相邻关键点的距离差值和行走方向角差值,并基于所有相邻关键点各自对应的所述距离差值和所述行走方向角差值,剔除所述初始关键点集中异常的中间关键点,得到每一组初始关键点集对应的目标关键点集,其中,所述关键点为起始关键点、终止关键点和中间关键点的统称;
针对每一目标关键点集,基于目标关键点集中的所有位置信息进行轨迹规划,得到机器人示教的初始轨迹;
基于每一目标关键点集对应的所述初始轨迹进行示教轨迹融合,得到最终的示教轨迹,并控制机器人按照所述示教轨迹运行。
通过采用上述技术方案,在对机器人进行示教时,针对机器人示教的每一初始关键点集,根据相邻关键点各自对应的距离差值和行走方向角差值,剔除初始关键点集中异常的中间关键点,得到每一组初始关键点集对应的目标关键点集,其中,利用多组初始关键点集,能够在一定程度上能够削弱异常数据质量对示教轨迹精度的影响,剔除异常的中间关键点,能够提升机器人的执行时效率。进而,利用剔除了异常的中间关键点的目标关键点集进行轨迹规划,提高了机器人初始轨迹的精度。然后,基于每一目标关键点集对应的初始轨迹进行示教轨迹融合,得到最终的示教轨迹,并控制机器人按照示教轨迹运行,其中,融合多条初始轨迹在一定程度上能够削弱异常初始轨迹对示教轨迹精度的影响,提高了示教轨迹的精度。
本申请在一较佳示例中可以进一步配置为:所述基于目标关键点集中的所有位置信息进行轨迹规划,得到机器人示教的初始轨迹,包括:
利用直线模式将目标关键点集中的所有前和后关键点进行相连,得到连接轨迹;
基于所述连接轨迹进行驻点筛选,确定连接轨迹上的多个驻点;
针对每一驻点,选取驻点前和后分别对应的若干个关键点和驻点作为优化关键点集,并基于所述优化关键点集进行曲线平滑处理,得到每一驻点对应的平滑曲线;
基于所述连接轨迹和所述多个驻点各自对应的平滑曲线,得到机器人示教的初始轨迹。
本申请在一较佳示例中可以进一步配置为:所述并控制机器人按照所述示教轨迹运行置,包括:
当机器人基于所述示教轨迹运行时,实时获取工作区域图像;
基于所述工作区域图像和所述示教轨迹进行危险评估,确定机器人工作区域的环境状况,其中,所述危险评估用于判断在示教轨迹上是否存在异常情况,所述环境状况包括:危险和正常;
当所述环境状况为危险时,则控制机器人停止工作;
当所述环境状况为正常时,则控制机器人按照所述示教轨迹运行。
本申请在一较佳示例中可以进一步配置为:所述当所述环境状况为危险时,则控制机器人停止工作,包括:
当所述环境状况为危险时,则计算机器人当前位置与危险目标之间的危险距离;
基于所述危险距离和预设减速方案,判断紧急减速是否能够规避危险目标,若能够规避危险目标,则按照所述预设减速方案控制机器人停止工作;
若不能规避危险目标,则基于危险目标和所述示教轨迹的位置关系,确定紧急避让方案,并基于所述紧急避让方案控制机器人停止工作。
本申请在一较佳示例中可以进一步配置为:所述得到最终的示教轨迹之后,还包括:获取所述示教轨迹中每一关键点对应预设区间内的多个速度信息和时刻信息,得到每一关键点对应的运动速度曲线;
基于每一所述运动速度曲线进行加速度计算,得到机器人在每一关键点对应的加速度信息,并判断每一所述加速度信息是否大于加速度阈值,若是,则确定加速度信息对应的关键点为异常关键点;
针对每一异常关键点,调节异常关键点处的加速度信息,以使得所述异常关键点的加速度信息不大于加速度阈值。
本申请在一较佳示例中可以进一步配置为:所述并控制机器人按照所述示教轨迹运行之后,还包括:
当机器人按照所述示教轨迹运行预设周期后,获取在所述预设周期内机器人的运行状况,并基于所述运行状况对所述示教轨迹进行评分,得到评估分数;
将所述评估分数和分数阈值进行大小比较,确定所述示教轨迹的评估结果,其中,所述评估结果包括:达标和未达标;
当所述评估结果为未达标时,则基于所述运行状况进行状况分析,确定待改进特征,并基于所述待改进特征对所述示教轨迹进行调整,得到调整示教轨迹,并控制机器人按照所述调整示教轨迹运行。
第二方面,本申请提供一种机器人示教的轨迹生成装置,采用如下的技术方案:
一种机器人示教的轨迹生成装置,包括:
获取模块,用于获取机器人示教的多组初始关键点集,其中,每一组初始关键点集至少包括一个起始关键点、一个终止关键点和若干中间关键点的位置信息;
异常点剔除模块,用于基于两个相邻关键点的位置信息,确定所有相邻关键点的距离差值和行走方向角差值,并基于所有相邻关键点各自对应的所述距离差值和所述行走方向角差值,剔除所述初始关键点集中异常的中间关键点,得到每一组初始关键点集对应的目标关键点集,其中,所述关键点为起始关键点、终止关键点和中间关键点的统称;
轨迹规划模块,用于针对每一目标关键点集,基于目标关键点集中的所有位置信息进行轨迹规划,得到机器人示教的初始轨迹;
轨迹融合模块,用于基于每一目标关键点集对应的所述初始轨迹进行示教轨迹融合,得到最终的示教轨迹,并控制机器人按照所述示教轨迹运行。
第三方面,本申请提供一种电子设备,采用如下的技术方案:
至少一个处理器;
存储器;
至少一个应用程序,其中至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行,所述至少一个应用程序配置用于:执行上述的机器人示教的轨迹生成方法。
第四方面,本申请提供一种计算机可读存储介质,采用如下的技术方案:
一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令所述计算机执行上所述的机器人示教的轨迹生成方法。
综上所述,本申请包括以下至少一种有益技术效果:
1.在对机器人进行示教时,针对机器人示教的每一初始关键点集,根据相邻关键点各自对应的距离差值和行走方向角差值,剔除初始关键点集中异常的中间关键点,得到每一组初始关键点集对应的目标关键点集,其中,利用多组初始关键点集,能够在一定程度上能够削弱异常数据质量对示教轨迹精度的影响,剔除异常的中间关键点,能够提升机器人的执行时效率。进而,利用剔除了异常的中间关键点的目标关键点集进行轨迹规划,提高了机器人初始轨迹的精度。然后,基于每一目标关键点集对应的初始轨迹进行示教轨迹融合,得到最终的示教轨迹,并控制机器人按照示教轨迹运行,其中,融合多条初始轨迹在一定程度上能够削弱异常初始轨迹对示教轨迹精度的影响,提高了示教轨迹的精度。
2.示教机器人的不同操作步骤各自对应的运行速度状况并非相同,常常由多种运行速度状况结合,较大加速度的加速运动和减速运动均会影响机器人运行的稳定性,因而,基于示教轨迹中每一关键点对应预设区间内的多个速度信息和时刻信息,得到每一关键点对应的运动速度曲线。进而,每一所述运动速度曲线进行加速度计算,得到机器人在每一关键点对应的加速度信息,并判断每一所述加速度信息是否大于加速度阈值,若是,则确定加速度信息对应的关键点为异常关键点。针对每一异常关键点,调节异常关键点处的加速度信息,以使得所述异常关键点的加速度信息不大于加速度阈值。避免机器人在较大加速度的运动过程中出现异常情况,提高了机器人运行的稳定性。
附图说明
图1是本申请其中一实施例的一种机器人示教的轨迹生成方法的流程示意图;
图2是本申请其中一实施例的调整示教轨迹的若干速度信息的流程示意图;
图3是本申请其中一实施例的一种机器人示教装置的结构示意图;
图4是本申请其中一实施例的一种电子设备的结构示意图。
具体实施方式
以下结合图1至图4对本申请作进一步详细说明。
本具体实施例仅仅是对本申请的解释,其并不是对本申请的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本申请的范围内都受到专利法的保护。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,如无特殊说明,一般表示前后关联对象是一种“或”的关系。
下面结合说明书附图对本申请实施例作进一步详细描述。
本申请实施例提供了一种机器人示教的轨迹生成方法,由电子设备执行,该电子设备可以为服务器也可以为终端设备,其中,该服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云计算服务的云服务器。终端设备可以是智能手机、平板电脑、笔记本电脑、台式计算机等,但并不局限于此,该终端设备以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请实施例在此不做限制,如图1所示,该方法包括步骤S101、步骤S102、步骤S103以及步骤S104,其中:步骤S101:获取机器人示教的多组初始关键点集,其中,每一组初始关键点集至少包括一个起始关键点、一个终止关键点和若干中间关键点的位置信息;
步骤S102:针对每一组初始关键点集,基于两个相邻关键点的位置信息,确定所有相邻关键点的距离差值和行走方向角差值,并基于所有相邻关键点各自对应的距离差值和行走方向角差值,剔除初始关键点集中异常的中间关键点,得到每一组初始关键点集对应的目标关键点集,其中,关键点为起始关键点、终止关键点和中间关键点的统称。
对于本申请实施例,在机器人示教时,获取末端执行器在多次示教过程中各自对应的初始关键点集,其中,初始关键点集至少包括一个起始关键点、一个终止关键点和若干中间关键点的位置信息,其中,机器人的每一次操作常常是由多个步骤动作组成的,例如,抓取、搬运、放置、焊接等,为了保证机器人能够完整且准确地完成工作,因而,针对操作中的每一步骤的开始和结束均选取若干位置信息,作为中间关键点的位置信息中的部分数据,当然,在每一步骤执行的过程中,也获取若干中间关键点的位置信息,优选的,获取相邻两个关键点的位置信息的时间间隔相同。起始关键点和终止关键点的位置信息用于确定轨迹两端,且若干中间关键点的位置信息用于确定轨迹的走向。在机器人示教过程中,多种因素均会影响机器人示教的初始关键点集,倘若仅获取一组初始关键点集而进行轨迹规划,示教轨迹的精度很大程度上会受该组初始关键点集中数据质量的影响,因而,获取多组初始关键点集,在一定程度上能够削弱异常数据质量对示教轨迹精度的影响。
然而,技术人员在对机器人进行示教时,常常会出现手抖、操作异常等各种情况,以使得获取到的初始关键点集中并非所有关键点的位置信息均为有效信息。由于初始关键点集中存在较多异常的位置信息,若直接基于初始关键点集进行轨迹规划,不仅使得机器人执行时效率大大降低,而且影响机器人示教轨迹的精度,因而,本申请中针对每一组初始关键点集,剔除异常的中间关键点,以提高机器人示教轨迹的精度。具体的,针对每一组初始关键点集,在一方面,由起始关键点开始计算每一关键点与后一个关键点之间距离的差值,若两关键点之间距离的差值超过距离阈值,则将该关键点标记为异常的中间关键点;在另一方面,由起始关键点开始计算计算每一关键点与后一个关键点之间行走方向角的差值,若两关键点之间行走方向角的差值超过方向角阈值,则将该关键点标记为异常的中间关键点,其中,距离阈值和方向角阈值均为技术人员基于大量的实验验证得到的。例如,初始关键点集中的信息为:(x1,y1),(x2,y2),(x3,y3)……(xn,yn),在针对(x1,y1),(x2,y2)计算距离的差值dj时,距离阈值为dq,其中,若dj>dq,则将(x2,y2)标记为异常的中间关键点;在针对(x1,y1),(x2,y2)计算行走方向角的差值时,获取(x1,y1)对应的行走方向角⊙1,(x2,y2)对应的行走方向角⊙2,方向角阈值为⊙q,因而,行走方向角的差值⊙j=⊙2-⊙1,若⊙j>⊙q,则将(x2,y2)标记为异常的中间关键点。进而,针对每一组初始关键点集,将初始关键点集中异常的中间关键点剔除,得到每一组初始关键点集对应的目标关键点集。
步骤S103:针对每一目标关键点集,基于目标关键点集中的所有位置信息进行轨迹规划,得到机器人示教的初始轨迹。
对于本申请实施例,基于剔除了异常的中间关键点的目标关键点集进行轨迹规划,在一定程度上能够提高机器人示教轨迹的精度。由于两点之间直线最短,较短的移动距离能够在一定程度上减少机器人运行时的工作量,并且在一定程度上缩短工作时间,因而,在基于目标关键点集中的所有位置信息进行轨迹规划时,优选的,利用直线模式从起始关键点进行关键点连接,直至终止关键点结束,即,将相邻的两个关键点之间使用直线进行连接,得到机器人示教的初始轨迹。当然,在基于目标关键点集中的所有位置信息进行轨迹规划时,也可以采用圆弧模式或者插补模式,对于轨迹规划的方式,本申请实施例不再进行限定。
步骤S104:基于每一目标关键点集对应的初始轨迹进行示教轨迹融合,得到最终的示教轨迹,并控制机器人按照示教轨迹运行。
对于本申请实施例,基于多条初始轨迹进行示教轨迹融合,得到最终的示教轨迹,即,最终的示教轨迹上整合了多条初始轨迹的特征,在一定程度上能够削弱异常初始轨迹对示教轨迹精度的影响。具体的,将每一条初始轨迹的初始关键点和终止关键点固定在相同位置,然后,基于相同的横坐标值选取多条初始轨迹对应的纵坐标值,并将选取的多个纵坐标值进行求均值处理,将均值作为该横坐标值对应的最终的纵坐标值,以完成示教轨迹融合,进而,基于所有均值得到最终的示教轨迹。
可见,在本申请实施例中,在对机器人进行示教时,针对机器人示教的每一初始关键点集,根据相邻关键点各自对应的距离差值和行走方向角差值,剔除初始关键点集中异常的中间关键点,得到每一组初始关键点集对应的目标关键点集,其中,利用多组初始关键点集,能够在一定程度上能够削弱异常数据质量对示教轨迹精度的影响,剔除异常的中间关键点,能够提升机器人的执行时效率。进而,利用剔除了异常的中间关键点的目标关键点集进行轨迹规划,提高了机器人初始轨迹的精度。然后,基于每一目标关键点集对应的初始轨迹进行示教轨迹融合,得到最终的示教轨迹,并控制机器人按照示教轨迹运行,其中,融合多条初始轨迹在一定程度上能够削弱异常初始轨迹对示教轨迹精度的影响,提高了示教轨迹的精度。
进一步的,为了降低机器人异常情况出现的概率,在本申请实施例中,基于目标关键点集中的所有位置信息进行轨迹规划,得到机器人示教的初始轨迹,包括:
利用直线模式将目标关键点集中的所有前和后关键点进行相连,得到连接轨迹;
基于连接轨迹进行驻点筛选,确定连接轨迹上的多个驻点;
针对每一驻点,选取驻点前和后分别对应的若干个关键点和驻点作为优化关键点集,并基于优化关键点集进行曲线平滑处理,得到每一驻点对应的平滑曲线;
基于连接轨迹和多个驻点各自对应的平滑曲线,得到机器人示教的初始轨迹。
对于本申请实施例,在基于目标关键点集中的所有位置信息进行轨迹规划,得到机器人示教的初始轨迹,常常会出现较为快速且较大角度转变方向的情况,在轨迹上表现为存在一个形状为“尖状”的驻点,然而,机器人在运行过程中,较为快速且较大角度转变方向的行为会造成机器人操作不稳定、搬运物体摇晃等各种异常情况,因而,需要在轨迹中的拐点处进行平滑处理,以降低机器人异常情况出现的概率。
具体的,利用直线模式将目标关键点集中的所有前和后关键点进行相连,得到连接轨迹,容易理解的是,倘若机器人基于连接轨迹运行,移动距离较短且工作时间上较短,然而,倘若机器人在工作时出现较为快速且较大角度转变方向的情况,会在一定程度上影响机器人运行的稳定性。因而,本申请基于连接轨迹进行驻点筛选,确定连接轨迹上的多个驻点,其中,筛选到的驻点即为较为快速且较大角度转变方向的位置,其中,驻点筛选的方式有多种,例如,局部极值确定驻点、基于斜率确定驻点等。在完成了驻点的筛选后,针对每一驻点,选取驻点前和后分别对应的若干个关键点和驻点作为优化关键点集,其中,若干关键点的数量是预先设定的,当然,用户可以基于实际情况自行设定;然后,将选取到的优化关键点集进行曲线平滑处理,得到驻点对应的平滑曲线,其中,平滑处理的方式有多种,例如,利用插值法进行平滑处理、利用Savitzky-Golay滤波器进行平滑处理、利用滑动平均滤波法进行平滑处理等。最终,基于连接轨迹和多个驻点各自对应的平滑曲线进行整合,得到机器人示教的初始轨迹,即,使用多个驻点各自对应的平滑曲线替换掉连接轨迹中每一驻点处的折线,以得到机器人示教的初始轨迹。
可见,在本申请实施例中,利用直线模式将目标关键点集中的所有前和后关键点进行相连,得到连接轨迹,然而,在连接轨迹中常会存在形状为“尖状”的驻点,表征机器人在基于轨迹运行时,出现较为快速且较大角度转变方向的情况,这种情况会造成机器人操作不稳定、搬运物体摇晃等各种异常情况。因而,针对连接轨迹上的每一驻点,基于优化关键点集进行曲线平滑处理,得到每一驻点对应的平滑曲线,最终,基于连接轨迹和多个驻点各自对应的平滑曲线,得到机器人示教的初始轨迹。利用平滑曲线替换驻点处的曲线,避免机器人出现较为快速且较大角度转变方向的情况,降低机器人异常情况出现的概率。
进一步的,为了在一定程度上避免机器人与危险目标发生碰撞,且,降低了物品或者人员的损伤,在本申请实施例中,并控制机器人按照示教轨迹运行,包括:
当机器人基于示教轨迹运行时,实时获取工作区域图像;
基于工作区域图像和示教轨迹进行危险评估,确定机器人工作区域的环境状况,其中,危险评估用于判断在示教轨迹上是否存在异常情况,环境状况包括:危险和正常;
当环境状况为危险时,则控制机器人停止工作;
当环境状况为正常时,则控制机器人按照示教轨迹运行。
对于本申请实施例,机器人在实际工作过程中,能够按照示教轨迹进行重复的工作,倘若存在物品或者人物误入到机器人工作的区域内,不仅会给机器人的正常工作带来影响,还会造成物品或者人员的损伤,因而,在控制机器人按照示教轨迹运行的同时,利用机器视觉的技术获取机器人的工作区域的状况。具体的,实时获取机器人按照轨迹运行的区域的工作区域图像,并基于工作区域图像和示教轨迹进行风险评估,即,将工作区域图像和示教轨迹进行叠盖,并基于叠盖的图像进行目标识别,即,将工作区域图像中的危险目标识别并标记出来,其中,危险目标为异常的物品或者人物,然后,基于危险目标和示教轨迹的位置关系,确定机器人工作区域的环境状况,即,若示教轨迹上存在危险目标,则确定环境状况为危险;若示教轨迹上不存在危险目标,则确定环境状况为正常。进而,当环境状况为正常时,则控制机器人按照示教轨迹运行;当环境状况为危险时,则控制机器人停止工作,在一定程度上避免了机器人与危险目标发生碰撞,且,降低了物品或者人员的损伤。
可见,在本申请实施例中,在控制机器人按照示教轨迹运行的同时,利用机器视觉的技术获取机器人的工作区域的状况,然后,基于工作区域图像和示教轨迹进行危险评估,当环境状况为危险时,则控制机器人停止工作;当环境状况为正常时,则控制机器人按照示教轨迹运行。在机器人正常运行的过程中,利用机器视觉的技术对工作环境进行危险评估,在一定程度上避免了机器人与危险目标发生碰撞,且,降低了物品或者人员的损伤。
进一步的,为了在一定程度上避免机器人和危险目标碰撞,在本申请实施例中,当环境状况为危险时,则控制机器人停止工作,包括:
当环境状况为危险时,则计算机器人当前位置与危险目标之间的危险距离;
基于危险距离和预设减速方案,判断紧急减速是否能够规避危险目标,若能够规避危险目标,则按照预设减速方案控制机器人停止工作;
若不能规避危险目标,则基于危险目标和示教轨迹的位置关系,确定紧急避让方案,并基于紧急避让方案控制机器人停止工作。
对于本申请实施例,利用机器视觉的方式对机器人工作区域的工作区域图像进行危险评估,当环境状况为危险时,则表明在工作区域内存在异常放置的物品或者误入的人员,倘若机器人仍然按照示教轨迹运行,会造成机器人和危险目标碰撞,不论是对机器人还是危险目标而言,均会造成较大的损失,因而,当环境状况为危险时,则控制机器人停止工作,其中,可以基于预设减速控制机器人停止工作,当然,也可以基于紧急避让方案控制机器人停止工作。具体的,将工作区域图像和示教轨迹进行叠盖后,获取机器人的当前位置和危险目标的位置信息,并计算两者之间的距离记为危险距离。结合实际的机器人工作情况,倘若机器人与危险目标之间的危险距离较大,机器人采用沿示教轨迹运行但减速的方式,即可在碰撞到危险目标前控制机器人停止工作;倘若机器人与危险目标之间的危险距离仅仅利用减速方式,不能够在碰撞到危险目标前控制机器人停止工作,则应该控制机器人偏离示教轨迹,以实现避让危险目标。
具体的,基于危险距离和预设减速方案,判断机器人基于示教轨迹运行且利用预设减速方案是否能够规避危险目标,由于较高的减速加速度会造成机器人不稳定或搬运物体摇晃等各种异常情况,因而,在预设减速方案中规定了最高的减速加速度。进而,根据机器人的当前速度和预设减速方案确定减速距离,若减速距离小于危险距离,则表明机器人能够在碰撞到危险目标前完成停止工作,因而,则按照预设减速方案控制机器人停止工作;若减速距离大于等于危险距离,则表明机器人利用预设减速方案并不能在碰撞危险目标前完成停止工作。若利用预设减速方案不能够规避危险目标,则基于危险目标和示教轨迹的位置关系,确定紧急避让方案,其中,紧急避让方案用于改变机器人的运行轨迹,且,降低机器人的速度,以使得机器人能够绕过危险目标,并控制机器人停止工作。通过这种方式,在工作区域内存在异常放置的物品或者误入的人员时,机器人也能够利用预设减速方案或者紧急避让方案控制机器人停止工作,在一定程度上避免机器人和危险目标碰撞。
可见,在本申请实施例中,当环境状况为危险时,则基于危险距离和预设减速方案,判断紧急减速是否能够规避危险目标,若能够规避危险目标,则按照预设减速方案控制机器人停止工作;若不能规避危险目标,则基于危险目标和示教轨迹的位置关系,确定紧急避让方案,并基于紧急避让方案控制机器人停止工作。通过这种方式,在工作区域内存在异常放置的物品或者误入的人员时,机器人也能够利用预设减速方案或者紧急避让方案控制机器人停止工作,在一定程度上避免机器人和危险目标碰撞。
进一步的,为了提高机器人运行的稳定性,在本申请实施例中,如图2所示,得到最终的示教轨迹之后,还包括:步骤Sa、步骤Sb以及步骤Sc,其中:
步骤Sa:获取示教轨迹中每一关键点对应预设区间内的多个速度信息和时刻信息,得到每一关键点对应的运动速度曲线;
步骤Sb:基于每一运动速度曲线进行加速度计算,得到机器人在每一关键点对应的加速度信息,并判断每一加速度信息是否大于加速度阈值,若是,则确定加速度信息对应的关键点为异常关键点。
对于本申请实施例,机器人的不同操作步骤各自对应的运行速度状况并非相同,常常由多种运行速度状况结合,其中,运行速度状况包括:匀速状态、加速状态和减速状态,然而,在机器人抓取了较多物品进行搬运的过程中,较大加速度的加速运动和减速运动均会影响机器人运行的稳定性,因而,针对示教轨迹的运行速度状况进行分析和处理是重要的。
具体的,获取示教轨迹中每一关键点对应预设区间内的多个速度信息和时刻信息,得到每一关键点对应的运动速度曲线,其中,速度信息是按照时刻信息的顺序排列的,预设区间的大小是技术人员预先设定并存储在电子设备内的。因而,基于所有速度信息和所有时刻信息,得到每一关键点对应的运动速度曲线,其中,运动速度曲线中x轴表示示教过程的时刻信息、y轴表示示教过程的速度信息。进而,基于运动速度曲线对每一关键点进行加速度计算,即,对运动速度曲线进行求导数运算,求出的关键点所对应的导数即为示教过程中的关键点对应的加速度信息,然后,再将每一关键点对应的加速度信息和加速度阈值进行比较,其中,加速度阈值是预先设定并存储在计算机内的,即,加速度阈值是计算机基于该加速度进行运动时不会发生影响机器人稳定性的最大加速度值。若加速度信息大于加速度阈值,则表明机器人在该位置加速度较大,会影响机器人运行的稳定性,因而,确定该加速度信息对应的关键点为异常关键点;若不大于,则不进行确定异常关键点的操作。
步骤Sc:针对每一异常关键点,调节异常关键点处的加速度信息,以使得异常关键点的加速度信息不大于加速度阈值。
对于本申请实施例,针对每一异常关键点,调节异常关键点处的加速度信息,以使得异常关键点的加速度信息降低至加速度阈值内,其中,调节异常关键点处的加速度信息有多种,本申请实施例不再进行限定,例如,当异常关键点对应的运行速度状况为加速状态时,则降低异常关键点处的速度信息,以使得异常关键点的加速度信息不大于加速度阈值;当异常关键点对应的运行速度状况为减速状态,则提高异常关键点处的速度信息,以使得异常关键点的加速度信息不大于加速度阈值。当然,也可以调节异常关键点对应的预设区间内的多个速度信息,以使得异常关键点的加速度信息不大于加速度阈值。对于调节异常关键点处的加速度信息的方式,本申请实施例不再进行限定。通过调整异常关键点对应的加速度信息,以保证机器人在运行过程中的稳定性。
可见,在本申请实施例中,示教机器人的不同操作步骤各自对应的运行速度状况并非相同,常常由多种运行速度状况结合,较大加速度的加速运动和减速运动均会影响机器人运行的稳定性,因而,基于示教轨迹中每一关键点对应预设区间内的多个速度信息和时刻信息,得到每一关键点对应的运动速度曲线。进而,每一运动速度曲线进行加速度计算,得到机器人在每一关键点对应的加速度信息,并判断每一加速度信息是否大于加速度阈值,若是,则确定加速度信息对应的关键点为异常关键点。针对每一异常关键点,调节异常关键点处的加速度信息,以使得异常关键点的加速度信息不大于加速度阈值。避免机器人在较大加速度的运动过程中出现异常情况,提高了机器人运行的稳定性。
进一步的,为了提高机器人的运行状况,带来更好的工作效率和工作成果,在本申请实施例中,基于所有速度信息和若干调整速度信息,调整机器人基于示教轨迹运行时的速度之后,还包括:
当机器人按照示教轨迹运行预设周期后,获取在预设周期内机器人的运行状况,并基于运行状况对示教轨迹进行评分,得到评估分数;
将评估分数和分数阈值进行大小比较,确定示教轨迹的评估结果,其中,评估结果包括:达标和未达标;
当评估结果为未达标时,则基于运行状况进行状况分析,确定待改进特征,并基于待改进特征对示教轨迹进行调整,得到调整示教轨迹,并控制机器人按照调整示教轨迹运行。
对于本申请实施例,示教轨迹并非一次规划生成就一成不变的,可以定期获取机器人基于示教轨迹运行的运行状况来评估示教轨迹是否需要改进,对示教轨迹的不断优化和改进能够使得示教机器人的运行状况更优,带来更好的工作效率和工作成果。
具体的,当机器人按照示教轨迹运行预设周期后,获取机器人在预设周期内的运行状态,其中,运行状况至少包括:运行周期时间、搬运物品的完整度、完成工件的质量等,然后,在电子设备内,针对运行状况的每一项信息均预先存储了对应的评分规则,因而,能够针对运行状况对示教轨迹进行评分,得到评估分数。进而,将评估分数和分数阈值进行大小比较,确定示教轨迹的评估结果,其中,分数阈值为示教轨迹不需要改进的最低分数值,用户可以根据需求自行进行设定。若评估分数小于分数阈值,则表明示教轨迹需要进行改进,确定评估结果为未达标。进而,基于预设周期内机器人的运行状况进行状况分析,确定待改进特征,其中,状况分析用于确定示教轨迹中不达标的原因,并将不达标的原因和对应的改进措施记为待改进特征,并基于待改进特征对示教轨迹进行调整,得到调整示教轨迹,最终控制机器人按照调整示教轨迹运行,以实现对示教轨迹的不断优化和改进,提升示教机器人的工作效率和工作质量。例如,基于运行状况进行状况分析,确定待改进特征为运行周期长、提高示教机器人的运行速度,因而,在速度阈值和加速度阈值的限定条件下,提高示教机器人的速度,得到提高了速度的调整示教轨迹。
可见,在本申请实施例中,定期获取机器人基于示教轨迹运行的运行状况来评估示教轨迹是否需要改进,当机器人按照示教轨迹运行预设周期后,基于在预设周期内机器人的运行状态对示教轨迹进行评分,并将评估分数和分数阈值进行大小比较,确定示教轨迹的评估结果。当评估结果为未达标时,则基于运行状况进行状况分析,并基于待改进特征对示教轨迹进行调整,得到调整示教轨迹,并控制机器人按照调整示教轨迹运行。对示教轨迹的不断优化和改进能够使得示教机器人的运行状况更优,带来更好的工作效率和工作成果。
上述实施例从方法流程的角度介绍一种机器人示教的轨迹生成方法,下述实施例从虚拟模块或者虚拟单元的角度介绍了一种机器人示教的轨迹生成装置,具体详见下述实施例。
本申请实施例提供一种机器人示教的轨迹生成装置200,如图3所示,该机器人示教的轨迹生成装置200具体可以包括:
获取模块210,用于获取机器人示教的多组初始关键点集,其中,每一组初始关键点集至少包括一个起始关键点、一个终止关键点和若干中间关键点的位置信息;
异常点剔除模块220,用于基于两个相邻关键点的位置信息,确定所有相邻关键点的距离差值和行走方向角差值,并基于所有相邻关键点各自对应的距离差值和行走方向角差值,剔除初始关键点集中异常的中间关键点,得到每一组初始关键点集对应的目标关键点集,其中,关键点为起始关键点、终止关键点和中间关键点的统称;
轨迹规划模块230,用于针对每一目标关键点集,基于目标关键点集中的所有位置信息进行轨迹规划,得到机器人示教的初始轨迹;
轨迹融合模块240,用于基于每一目标关键点集对应的初始轨迹进行示教轨迹融合,得到最终的示教轨迹,并控制机器人按照示教轨迹运行。
对于本申请实施例,在对机器人进行示教时,针对机器人示教的每一初始关键点集,异常点剔除模块220能够根据相邻关键点各自对应的距离差值和行走方向角差值,剔除初始关键点集中异常的中间关键点,得到每一组初始关键点集对应的目标关键点集,其中,利用多组初始关键点集,能够在一定程度上能够削弱异常数据质量对示教轨迹精度的影响,剔除异常的中间关键点,能够提升机器人的执行时效率。进而,轨迹规划模块230能够利用剔除了异常的中间关键点的目标关键点集进行轨迹规划,提高了机器人初始轨迹的精度。然后,轨迹融合模块240能够基于每一目标关键点集对应的初始轨迹进行示教轨迹融合,得到最终的示教轨迹,并控制机器人按照示教轨迹运行,其中,融合多条初始轨迹在一定程度上能够削弱异常初始轨迹对示教轨迹精度的影响,提高了示教轨迹的精度。
本申请实施例的一种可能的实现方式,轨迹规划模块230在执行基于目标关键点集中的所有位置信息进行轨迹规划,得到机器人示教的初始轨迹时,用于:
利用直线模式将目标关键点集中的所有前和后关键点进行相连,得到连接轨迹;
基于连接轨迹进行驻点筛选,确定连接轨迹上的多个驻点;
针对每一驻点,选取驻点前和后分别对应的若干个关键点和驻点作为优化关键点集,并基于优化关键点集进行曲线平滑处理,得到每一驻点对应的平滑曲线;
基于连接轨迹和多个驻点各自对应的平滑曲线,得到机器人示教的初始轨迹。
本申请实施例的一种可能的实现方式,轨迹融合模块240在执行并控制机器人按照示教轨迹运行置时,用于:
当机器人基于示教轨迹运行时,实时获取工作区域图像;
基于工作区域图像和示教轨迹进行危险评估,确定机器人工作区域的环境状况,其中,危险评估用于判断在示教轨迹上是否存在异常情况,环境状况包括:危险和正常;
当环境状况为危险时,则控制机器人停止工作;
当环境状况为正常时,则控制机器人按照示教轨迹运行。
本申请实施例的一种可能的实现方式,轨迹融合模块240在执行当环境状况为危险时,则控制机器人停止工作时,用于:
当环境状况为危险时,则计算机器人当前位置与危险目标之间的危险距离;
基于危险距离和预设减速方案,判断紧急减速是否能够规避危险目标,若能够规避危险目标,则按照预设减速方案控制机器人停止工作;
若不能规避危险目标,则基于危险目标和示教轨迹的位置关系,确定紧急避让方案,并基于紧急避让方案控制机器人停止工作。
本申请实施例的一种可能的实现方式,机器人示教的轨迹生成装置200,还包括:加速度调节模块,用于获取示教轨迹中每一关键点对应预设区间内的多个速度信息和时刻信息,得到每一关键点对应的运动速度曲线;
基于每一运动速度曲线进行加速度计算,得到机器人在每一关键点对应的加速度信息,并判断每一加速度信息是否大于加速度阈值,若是,则确定加速度信息对应的关键点为异常关键点;
针对每一异常关键点,调节异常关键点处的加速度信息,以使得异常关键点的加速度信息不大于加速度阈值。
本申请实施例的一种可能的实现方式,机器人示教的轨迹生成装置200,还包括:调整示教轨迹模块,用于:当机器人按照示教轨迹运行预设周期后,获取在预设周期内机器人的运行状况,并基于运行状况对示教轨迹进行评分,得到评估分数;
将评估分数和分数阈值进行大小比较,确定示教轨迹的评估结果,其中,评估结果包括:达标和未达标;
当评估结果为未达标时,则基于运行状况进行状况分析,确定待改进特征,并基于待改进特征对示教轨迹进行调整,得到调整示教轨迹,并控制机器人按照调整示教轨迹运行。
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,上述描述的一种机器人示教的轨迹生成装置200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。
本申请实施例中提供了一种电子设备,如图4所示,图4所示的电子设备300包括:处理器301和存储器303。其中,处理器301和存储器303相连,如通过总线302相连。可选地,电子设备300还可以包括收发器304。需要说明的是,实际应用中收发器304不限于一个,该电子设备300的结构并不构成对本申请实施例的限定。
处理器301可以是CPU(Central Processing Unit,中央处理器),通用处理器,DSP(Digital Signal Processor,数据信号处理器),ASIC(Application SpecificIntegrated Circuit,专用集成电路),FPGA(Field Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器301也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线302可包括一通路,在上述组件之间传送信息。总线302可以是PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等。总线302可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一条粗线表示,但并不表示仅有一根总线或一型的总线。
存储器303可以是ROM(Read Only Memory,只读存储器)或可存储静态信息和指令的其他类型的静态存储设备,RAM(Random Access Memory,随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory,电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory,只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器303用于存储执行本申请方案的应用程序代码,并由处理器301来控制执行。处理器301用于执行存储器303中存储的应用程序代码,以实现前述方法实施例所示的内容。
其中,电子设备包括但不限于: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)、车载终端(例如车载导航终端)等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。还可以为服务器等。图4示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,当其在计算机上运行时,使得计算机可以执行前述方法实施例中相应内容。与相关技术相比,本申请实施例,在对机器人进行示教时,针对机器人示教的每一初始关键点集,根据相邻关键点各自对应的距离差值和行走方向角差值,剔除初始关键点集中异常的中间关键点,得到每一组初始关键点集对应的目标关键点集,其中,利用多组初始关键点集,能够在一定程度上能够削弱异常数据质量对示教轨迹精度的影响,剔除异常的中间关键点,能够提升机器人的执行时效率。进而,利用剔除了异常的中间关键点的目标关键点集进行轨迹规划,提高了机器人初始轨迹的精度。然后,基于每一目标关键点集对应的初始轨迹进行示教轨迹融合,得到最终的示教轨迹,并控制机器人按照示教轨迹运行,其中,融合多条初始轨迹在一定程度上能够削弱异常初始轨迹对示教轨迹精度的影响,提高了示教轨迹的精度。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上仅是本申请的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (8)
1.一种机器人示教的轨迹生成方法,其特征在于,包括:
获取机器人示教的多组初始关键点集,其中,每一组初始关键点集至少包括一个起始关键点、一个终止关键点和若干中间关键点的位置信息;
针对每一组初始关键点集,基于两个相邻关键点的位置信息,确定所有相邻关键点的距离差值和行走方向角差值,并基于所有相邻关键点各自对应的所述距离差值和所述行走方向角差值,剔除所述初始关键点集中异常的中间关键点,得到每一组初始关键点集对应的目标关键点集,其中,所述关键点为起始关键点、终止关键点和中间关键点的统称;
针对每一目标关键点集,基于目标关键点集中的所有位置信息进行轨迹规划,得到机器人示教的初始轨迹;
基于每一目标关键点集对应的所述初始轨迹进行示教轨迹融合,得到最终的示教轨迹,并控制机器人按照所述示教轨迹运行;
获取所述示教轨迹中每一关键点对应预设区间内的多个速度信息和时刻信息,得到每一关键点对应的运动速度曲线;
基于每一所述运动速度曲线进行加速度计算,得到机器人在每一关键点对应的加速度信息,并判断每一所述加速度信息是否大于加速度阈值,若是,则确定加速度信息对应的关键点为异常关键点;
针对每一异常关键点,调节异常关键点处的加速度信息,以使得所述异常关键点的加速度信息不大于加速度阈值。
2.根据权利要求1所述的机器人示教的轨迹生成方法,其特征在于,所述基于目标关键点集中的所有位置信息进行轨迹规划,得到机器人示教的初始轨迹,包括:
利用直线模式将目标关键点集中的所有前和后关键点进行相连,得到连接轨迹;
基于所述连接轨迹进行驻点筛选,确定连接轨迹上的多个驻点;
针对每一驻点,选取驻点前和后分别对应的若干个关键点和驻点作为优化关键点集,并基于所述优化关键点集进行曲线平滑处理,得到每一驻点对应的平滑曲线;
基于所述连接轨迹和所述多个驻点各自对应的平滑曲线,得到机器人示教的初始轨迹。
3.根据权利要求1所述的机器人示教的轨迹生成方法,其特征在于,所述并控制机器人按照所述示教轨迹运行,包括:
当机器人基于所述示教轨迹运行时,实时获取工作区域图像;
基于所述工作区域图像和所述示教轨迹进行危险评估,确定机器人工作区域的环境状况,其中,所述危险评估用于判断在示教轨迹上是否存在异常情况,所述环境状况包括:危险和正常;
当所述环境状况为危险时,则控制机器人停止工作;
当所述环境状况为正常时,则控制机器人按照所述示教轨迹运行。
4.根据权利要求3所述的机器人示教的轨迹生成方法,其特征在于,所述当所述环境状况为危险时,则控制机器人停止工作,包括:
当所述环境状况为危险时,则计算机器人当前位置与危险目标之间的危险距离;
基于所述危险距离和预设减速方案,判断紧急减速是否能够规避危险目标,若能够规避危险目标,则按照所述预设减速方案控制机器人停止工作;
若不能规避危险目标,则基于危险目标和所述示教轨迹的位置关系,确定紧急避让方案,并基于所述紧急避让方案控制机器人停止工作。
5.根据权利要求1所述的机器人示教的轨迹生成方法,其特征在于,所述并控制机器人按照所述示教轨迹运行之后,还包括:
当机器人按照所述示教轨迹运行预设周期后,获取在所述预设周期内机器人的运行状况,并基于所述运行状况对所述示教轨迹进行评分,得到评估分数;
将所述评估分数和分数阈值进行大小比较,确定所述示教轨迹的评估结果,其中,所述评估结果包括:达标和未达标;
当所述评估结果为未达标时,则基于所述运行状况进行状况分析,确定待改进特征,并基于所述待改进特征对所述示教轨迹进行调整,得到调整示教轨迹,并控制机器人按照所述调整示教轨迹运行。
6.一种机器人示教的轨迹生成装置,其特征在于,包括:
获取模块,用于获取机器人示教的多组初始关键点集,其中,每一组初始关键点集至少包括一个起始关键点、一个终止关键点和若干中间关键点的位置信息;
异常点剔除模块,用于基于两个相邻关键点的位置信息,确定所有相邻关键点的距离差值和行走方向角差值,并基于所有相邻关键点各自对应的所述距离差值和所述行走方向角差值,剔除所述初始关键点集中异常的中间关键点,得到每一组初始关键点集对应的目标关键点集,其中,所述关键点为起始关键点、终止关键点和中间关键点的统称;
轨迹规划模块,用于针对每一目标关键点集,基于目标关键点集中的所有位置信息进行轨迹规划,得到机器人示教的初始轨迹;
轨迹融合模块,用于基于每一目标关键点集对应的所述初始轨迹进行示教轨迹融合,得到最终的示教轨迹,并控制机器人按照所述示教轨迹运行;
加速度调节模块,用于获取所述示教轨迹中每一关键点对应预设区间内的多个速度信息和时刻信息,得到每一关键点对应的运动速度曲线;
基于每一所述运动速度曲线进行加速度计算,得到机器人在每一关键点对应的加速度信息,并判断每一所述加速度信息是否大于加速度阈值,若是,则确定加速度信息对应的关键点为异常关键点;
针对每一异常关键点,调节异常关键点处的加速度信息,以使得所述异常关键点的加速度信息不大于加速度阈值。
7.一种电子设备,其特征在于,包括:
至少一个处理器;
存储器;
至少一个应用程序,其中至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行,所述至少一个应用程序配置用于:执行权利要求1~5任一项所述的机器人示教的轨迹生成方法。
8.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令所述计算机执行权利要求1~5任一项所述的机器人示教的轨迹生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310384610.5A CN116372927B (zh) | 2023-04-06 | 2023-04-06 | 一种机器人示教的轨迹生成方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310384610.5A CN116372927B (zh) | 2023-04-06 | 2023-04-06 | 一种机器人示教的轨迹生成方法、装置、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116372927A CN116372927A (zh) | 2023-07-04 |
CN116372927B true CN116372927B (zh) | 2024-03-22 |
Family
ID=86978526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310384610.5A Active CN116372927B (zh) | 2023-04-06 | 2023-04-06 | 一种机器人示教的轨迹生成方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116372927B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107728619A (zh) * | 2017-10-16 | 2018-02-23 | 邦鼓思电子科技(上海)有限公司 | 一种用于机器人示教路径的规划方法 |
CN108908363A (zh) * | 2018-07-23 | 2018-11-30 | 合肥工业大学 | 用于喷涂机器人的无线拖动示教器系统及其主动示教方法 |
CN109895103A (zh) * | 2019-01-21 | 2019-06-18 | 同济大学 | 一种基于ga-pso算法的示教再现轨迹优化方法 |
CN111055286A (zh) * | 2020-01-13 | 2020-04-24 | 广州启帆工业机器人有限公司 | 一种工业机器人轨迹生成方法、系统、装置和存储介质 |
CN112077840A (zh) * | 2020-08-08 | 2020-12-15 | 浙江科聪控制技术有限公司 | 一种防爆巡检机器人的避障方法及应用于该方法的机器人 |
WO2022121207A1 (zh) * | 2020-12-10 | 2022-06-16 | 北京市商汤科技开发有限公司 | 轨迹规划方法、装置、设备、存储介质和程序产品 |
WO2022161315A1 (zh) * | 2021-01-26 | 2022-08-04 | 深圳市普渡科技有限公司 | 机器人路径规划方法、运行方法、机器人以及介质 |
-
2023
- 2023-04-06 CN CN202310384610.5A patent/CN116372927B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107728619A (zh) * | 2017-10-16 | 2018-02-23 | 邦鼓思电子科技(上海)有限公司 | 一种用于机器人示教路径的规划方法 |
CN108908363A (zh) * | 2018-07-23 | 2018-11-30 | 合肥工业大学 | 用于喷涂机器人的无线拖动示教器系统及其主动示教方法 |
CN109895103A (zh) * | 2019-01-21 | 2019-06-18 | 同济大学 | 一种基于ga-pso算法的示教再现轨迹优化方法 |
CN111055286A (zh) * | 2020-01-13 | 2020-04-24 | 广州启帆工业机器人有限公司 | 一种工业机器人轨迹生成方法、系统、装置和存储介质 |
CN112077840A (zh) * | 2020-08-08 | 2020-12-15 | 浙江科聪控制技术有限公司 | 一种防爆巡检机器人的避障方法及应用于该方法的机器人 |
WO2022121207A1 (zh) * | 2020-12-10 | 2022-06-16 | 北京市商汤科技开发有限公司 | 轨迹规划方法、装置、设备、存储介质和程序产品 |
WO2022161315A1 (zh) * | 2021-01-26 | 2022-08-04 | 深圳市普渡科技有限公司 | 机器人路径规划方法、运行方法、机器人以及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116372927A (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10228686B2 (en) | Robot programming device for teaching robot program | |
CN110000815B (zh) | 一种碰撞检测方法、装置、电子设备及存储介质 | |
CN110625610B (zh) | 确定机器人的末端执行器的运动轨迹的方法与装置、系统 | |
CN105619411A (zh) | 一种六轴工业机器人码垛方法 | |
CN104626205A (zh) | 机器人机械臂的检测方法和装置 | |
Chen et al. | Trajectory planning method of robot sorting system based on S-shaped acceleration/deceleration algorithm | |
JP2017217726A (ja) | ロボット | |
CN103894807A (zh) | 降低操作员潜在伤害的方法和装置 | |
CN105710880B (zh) | 安全的、具有轨迹前进变量的机器人 | |
CN116372927B (zh) | 一种机器人示教的轨迹生成方法、装置、设备和介质 | |
US11305429B2 (en) | Synchronization of multiple robots | |
CN105739507A (zh) | 一种机器人防碰撞的最优路径规划方法 | |
Mironov et al. | Fast kNN-based Prediction for the Trajectory of a Thrown Body | |
US20240009841A1 (en) | Dynamic target tracking method, robot and computer-readable storage medium | |
CN117724401A (zh) | 一种数控机床自动化数据采集方法、装置、设备及介质 | |
CN113524168A (zh) | 基于拆卸的组装规划 | |
JP7061013B2 (ja) | 経路補正方法及び多軸加工機の制御装置 | |
CN114879701A (zh) | 一种机器人轨道避障方法及系统 | |
Wang et al. | A strategy and a fast testing algorithm for object caging by multiple cooperative robots | |
Hliwa et al. | Multi objective path planning in static environment using region of sight | |
CN117348577B (zh) | 一种生产工艺仿真检测方法、装置、设备以及介质 | |
CN110967990B (zh) | 轨迹确定方法、装置和电子设备 | |
CN117444991B (zh) | 动态路径规划方法、多机械臂平台结构及相关装置 | |
Muxfeldt et al. | Fusion of human demonstrations for automatic recovery during industrial assembly | |
CN113847894B (zh) | 一种机器人多定位系统坐标统一方法及系统 |
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 |