CN116572238B - 一种基于状态预测的机器人操作臂点到点运动规划方法 - Google Patents

Abstract

本发明提出了一种基于状态预测的机器人操作臂点到点运动规划方法，采用矩形积分法预测剩余距离、速度增量和位移增量等状态，并据此计算期望的加速度和速度。与传统的T曲线运动规划方法相比，本方法的加速度规划曲线在接近设定位置时连续，因而不存在加速度冲击；与S曲线运动规划方法相比，本方法结构简单、计算量小。本发明提出的一种基于状态预测的机器人操作臂点到点运动规划方法，具有结构简单、计算量小、不存在末端加速度冲击等特点，可有效提高机器人操作臂点到点运动的控制精度。

Description

一种基于状态预测的机器人操作臂点到点运动规划方法

技术领域

本发明属于运动规划技术领域，尤其涉及一种基于状态预测的机器人操作臂点到点运动规划方法。

背景技术

点到点运动是机器人操作臂的典型运行方式，为了提高点到点运动的定位精度，应对其运动轨迹进行规划。机器人操作臂运动规划的目的是，在满足系统加速度和速度约束的条件下计算加速度、速度、位置等参考数据，为位置控制器提供合理的参考输入，进而提高系统的位置控制精度。在点到点运动规划中，一般要求所规划的曲线具有较小的末端冲击、较短的运行时间和较高的轨迹精度。

目前，常用的点到点运动规划方法有T曲线轨迹规划、S曲线轨迹规划和指数型轨迹规划等方法。T曲线轨迹规划方法结构简单、计算量小，但是在终点处加速度不连续，存在加速度冲击，容易引起系统振动或振荡，降低系统的定位精度。S曲线轨迹规划方法在终点处的加速度曲线连续，但是其高阶导数并不连续，并且该方法较为复杂，难以应用于低成本控制系统。与T曲线轨迹规划方法类似，指数型轨迹规划方法在终点处同样存在加速度突变，并且该方法需要进行指数运算，导致计算量大、规划时间长。

发明内容

本发明的目的在于提供一种基于状态预测的点到点运动规划方法，解决传统T曲线轨迹规划和指数型轨迹规划终点处加速度不连续，而S曲线轨迹规划结构复杂、计算量大的问题。

实现本发明目的的技术解决方案为：

一种基于状态预测的机器人操作臂点到点运动规划方法，包括以下步骤：

步骤1、设定机器人操作臂的采样周期T_s、预测周期n、最大速度υ_max和最大加速度a_max；

步骤2、计算预测周期内的剩余距离s、速度增量Δv和位移增量Δx；

步骤3、计算期望的速度υ_p；

步骤4、计算期望的加速度a_p；

步骤5、输出实际的加速度、速度和位移规划值；

(1)设定k时刻的加速度规划值a(k)：

a(k)＝a_p

(2)计算k+1时刻的速度规划值υ(k+1)：

v(k+1)＝v(k)+T_s·a(k)

(3)计算k+1时刻的位移规划值x(k+1)：

x(k+1)＝x(k)+T_s·v(k)。

本发明与现有技术相比，其显著优点是：

(1)与T曲线运动规划和指数型轨迹规划方法相比，本发明提出的基于状态预测的点到点运动规划方法在终点处的加速度连续，因而不存在加速度冲击问题。

(2)与S曲线运动规划方法相比，本发明提出的基于状态预测的点到点运动规划方法结构简单、计算量小，并且在终点处的加速度具有连续的高阶导数。

附图说明

图1为实施例提供的一种基于状态预测的机器人操作臂点到点运动规划方法流程图。

图2为短行程下的机器人操作臂位置规划曲线。

图3为短行程下的机器人操作臂速度规划曲线。

图4为短行程下的机器人操作臂加速度规划曲线。

图5为长行程下的机器人操作臂位置规划曲线。

图6为长行程下的机器人操作臂速度规划曲线。

图7为长行程下的机器人操作臂加速度规划曲线。

具体实施方式

下面结合附图及具体实施例对本发明做进一步的介绍。

结合图1～图7，本发明的一种基于状态预测的机器人操作臂点到点运动规划方法，具体包括以下步骤：

步骤1、设定采样周期T_s、预测周期n、最大速度υ_max和最大加速度a_max

设定机器人操作臂的采样周期T_s、预测周期n、最大速度υ_max和最大加速度a_max的值，其中采样周期T_s的单位为秒(s)，预测周期n一般设置为2～5，最大速度v_max和最大加速度a_max的单位可根据实际情况设置，如m/s、m/s²或rad/s、rad/s²。

步骤2、计算预测周期内的剩余距离s、速度增量Δv和位移增量Δx等状态

假设机器人操作臂以最大加速度运行，采用矩形积分法计算预测周期内的速度增量Δv和位移增量Δx：

Δv＝n·T_s·a_max (1)

Δx＝n·T_s·Δv (2)

根据k时刻的位置x(k)、规划速度υ(k)、预测周期n、采样周期T_s、目标位置x_target计算预测周期内的剩余距离s：

步骤3、计算期望的速度υ_p

a)若预测周期内的剩余距离s的绝对值大于预测的位移增量Δx，即|s|＞Δx，则期望速度υ_p为：

式中：sign(s)为符号函数，即：当s＞0则sign(s)＝1，当s＜0则sign(s)＝-1，当s＝0则sign(s)＝0。

b)若预测周期内的剩余距离s的绝对值不大于预测的位移增量Δx，即|s|≤Δx，则期望速度υ_p为：

步骤4、计算期望的加速度a_p

a)若期望速度υ_p的绝对值大于预测的速度增量Δv，即|υ_p|＞Δυ，则期望加速度a_p为：

a_p＝-a_max·sign(v_p) (6)

式中：sign(υ_p)为符号函数。

b)若期望速度υ_p的绝对值不大于预测的速度增量Δv，即|υ_p|≤Δυ，则期望加速度a_p为：

步骤5、输出实际的加速度a(k+1)、速度υ(k+1)和位移规划值x(k+1)

(1)设定k时刻的加速度规划值a(k)：

a(k)＝a_p (8)

(2)计算k+1时刻的速度规划值υ(k+1)：

v(k+1)＝v(k)+T_s·a(k) (9)

a)如果k+1时刻的速度规划值大于允许的最大速度，即|υ(k+1)|＞υ_max，则设置k+1时刻的速度规划值υ(k+1)：

v(k+1)＝v_max·sign(v(k+1)) (10)

同时设置k+1时刻的加速度规划值a(k+1)为：

a(k+1)＝0 (11)

b)如果k+1时刻的速度规划值不大于允许的最大速度，即|υ(k+1)|≤υ_max，则k+1时刻的加速度规划值a(k+1)与k时刻的加速度规划值a(k)相同，即：

a(k+1)＝a(k) (12)

(3)计算k+1时刻的位移规划值x(k+1)：

x(k+1)＝x(k)+T_s·v(k) (13)

本实施例中，采样周期T_s设置为0.001s，预测周期n设置为5，最大速度υ_max设置为50，最大加速度a_max设置为100。机器人操作臂短行程(点到点位移为10)的规划结果如图2～图4所示，机器人操作臂长行程(点到点位移为50)的规划结果如图5～图7所。由图可以看出，机器人操作臂在短行程和长行程两种典型情况下，加速度均没有超过设定的最大角速度，并且在位移规划曲线接近设定值时，加速度是连续的，因此不存在加速度冲击问题。在两种情况下，机器人操作臂速度规划曲线同样没有超过设定的最大值。

以上对本发明的实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，并不用于限制本发明。

Claims (2)

1.一种基于状态预测的机器人操作臂点到点运动规划方法，其特征在于，包括以下步骤：

步骤1、设定机器人操作臂的采样周期T_s、预测周期n、最大速度v_max和最大加速度a_max；

步骤2、计算预测周期内的剩余距离s、速度增量Δv和位移增量Δx；

步骤3、计算期望的速度v_p：

a)若预测周期内的剩余距离s的绝对值大于预测的位移增量Δx，即|s|＞Δx，则期望速度v_p为：

b)若预测周期内的剩余距离s的绝对值不大于预测的位移增量Δx，即|s|≤Δx，则期望速度v_p为：

其中Δv为预测的速度增量；

步骤4、计算期望的加速度a_p，具体为：

a)若期望速度v_p的绝对值大于预测的速度增量Δv，即|v_p|＞Δv，则期望加速度a_p为：

a_p＝-a_max·sign(v_p)

b)若期望速度v_p的绝对值不大于预测的速度增量Δv，即|v_p|≤Δv，则期望加速度a_p为：

步骤5、输出实际的加速度、速度和位移规划值；

(1)设定k时刻的加速度规划值a(k)：

a(k)＝a_p

(2)计算k+1时刻的速度规划值v(k+1)：

v(k+1)＝v(k)+T_s·a(k)

(3)计算k+1时刻的位移规划值x(k+1)：

x(k+1)＝x(k)+T_s·v(k)

a)如果k+1时刻的速度规划值大于允许的最大速度，即|v(k+1)|＞v_max，则设置k+1时刻的速度规划值v(k+1)：

v(k+1)＝v_max·sign(v(k+1))

同时设置k+1时刻的加速度规划值a(k+1)为：

a(k+1)＝0

b)如果k+1时刻的速度规划值不大于允许的最大速度，即|v(k+1)|≤v_max，则k+1时刻的加速度规划值a(k+1)与k时刻的加速度规划值a(k)相同，即：

a(k+1)＝a(k)。

2.根据权利要求1所述的机器人操作臂点到点运动规划方法，其特征在于，速度增量Δv和位移增量Δx和剩余距离s分别为：

Δv＝n·T_s·a_max

Δx＝n·T_s·Δv

s＝x(k)+n·T_s·v(k)-x_target

其中x_target为目标位置。