CN116968037B - 一种多机械臂协同任务调度方法 - Google Patents
一种多机械臂协同任务调度方法 Download PDFInfo
- Publication number
- CN116968037B CN116968037B CN202311218297.4A CN202311218297A CN116968037B CN 116968037 B CN116968037 B CN 116968037B CN 202311218297 A CN202311218297 A CN 202311218297A CN 116968037 B CN116968037 B CN 116968037B
- Authority
- CN
- China
- Prior art keywords
- task
- mechanical arm
- representing
- time
- point
- 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 43
- 238000004364 calculation method Methods 0.000 claims abstract description 30
- 230000001133 acceleration Effects 0.000 claims description 39
- 238000001514 detection method Methods 0.000 claims description 19
- 230000036461 convulsion Effects 0.000 claims description 18
- 230000014509 gene expression Effects 0.000 claims description 17
- 108090000623 proteins and genes Proteins 0.000 claims description 17
- 230000035772 mutation Effects 0.000 claims description 15
- 238000006073 displacement reaction Methods 0.000 claims description 12
- 238000009776 industrial production Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010034719 Personality change Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012360 testing method 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
- B25J9/1661—Programme controls characterised by programming, planning systems for manipulators characterised by task planning, object-oriented languages
-
- 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
- B25J9/1628—Programme controls characterised by the control loop
- B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
-
- 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
- B25J9/1679—Programme controls characterised by the tasks executed
- B25J9/1682—Dual arm manipulator; Coordination of several manipulators
-
- 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)
- Numerical Control (AREA)
Abstract
本发明提供了一种多机械臂协同任务调度方法,包括:步骤S1,构建数字机械臂模型;步骤S2,获取多个新生生物个体;步骤S3,提取任务运动属性并得到各任务点的时间戳;步骤S4,对每个机械臂上的每个轴进行插值计算得到对应的运动变化数据并得到优先执行规划任务;步骤S5,获取各任务点的关节角信息并得到机械臂时空点云轨迹;步骤S6,判断是否存在未确定工作任务开始时间的机械臂时空点云轨迹:若是则查找机械臂时空点云轨迹的目标任务开始时间并调整机械臂时空点云轨迹以避开其余各机械臂;若否则退出。有益效果是本发明能够支持不同数量与类型的机械臂协同任务规划,并具有各路径段运动时间和各工作任务时序的自适应规划能力。
Description
技术领域
本发明涉及机械臂调度技术领域,具体而言,涉及一种多机械臂协同任务调度方法。
背景技术
在生产应用中,自动化生产线在提高企业的竞争能力和应变能力的同时,能够促进新产业的建立和发展,并促进相关学科的技术进步方面,发挥了重大的社会效益和经济效益,但由于场地内工作环境与工艺设备需求等方面的需求,不可避免的需要多个机械臂在同一任务区域工作,而简单的机械臂排斥空间会在一定程度上降低生产线总节拍,进而降低生成效能,因此如何能够安全调度各个机械臂进行任务执行变成了关键。
基于多个机械臂的多机协同调度方法吸引了大量相关从业人员与学者的研究,但现在大多的技术研究主要集中在实时协同控制领域,主要是基于DH建模与人工智能的算法,对算力的需求大,且对迥异的机械臂型号以及工业生产场景适应性较差,对于各机械臂的路径段运动时间和各工作任务的时序缺乏自适应规划能力,使得任务执行效率较低,并且会导致可能存在机械臂之间碰撞的风险,存在安全隐患。
发明内容
本发明要解决的问题是:提供一种多机械臂协同任务调度方法,能够在工业生产场景中对不同数量和型号的机械臂进行自适应的协同任务规划,并实现各机械臂的路径段运动时间和工作任务时序的自适应规划能力,提高任务执行效率,减小机械臂之间碰撞的风险,提高安全性。
为解决上述问题,本发明提供一种多机械臂协同任务调度方法,预先于工业生产场景内配置安装多个机械臂进行作业,并为各所述机械臂分别配置多个工作任务,所述多机械臂协同任务调度方法包括以下步骤:
步骤S1,针对每个所述机械臂,获取所述机械臂上各个轴的运动属性数据及物理网格,并根据各所述轴对应的所述运动属性数据和所述物理网格构建得到包含各所述工作任务对应的任务点的一数字机械臂模型;
步骤S2,于所述数字机械臂模型中获取各所述工作任务对应的一空间运动数据并对各所述空间运动数据进行归一化处理后作为初始生物个体,以及对所述初始生物个体分别进行变异操作和交叉操作得到对应的多个新生生物个体;
步骤S3,于各所述新生生物个体中分别提取基因并进行基因表达转换得到对应的任务运动属性,并根据各所述任务运动属性得到对应的各所述工作任务中的各所述任务点的时间戳;
步骤S4,根据各所述时间戳对每个所述机械臂上的每个所述轴进行插值计算得到对应的运动变化数据,并根据各所述时间戳和各所述运动变化数据得到各所述工作任务对应的一任务评分,以及根据各所述任务评分筛选出一优先执行规划任务;
步骤S5,于所述数字机械臂模型中获取各所述任务点的关节角信息,并根据各所述任务点对应的所述关节角信息、所述优先执行规划任务和各所述任务点对应的所述时间戳分别得到对应的一机械臂时空点云轨迹;
步骤S6,判断是否存在未确定工作任务开始时间的至少一所述机械臂时空点云轨迹:
若是,则通过折半查找法查找所述机械臂时空点云轨迹的目标任务开始时间,并根据所述目标任务开始时间调整所述机械臂时空点云轨迹以避开其余各所述机械臂;
若否,则退出。
优选的,所述步骤S1包括:
步骤S11,针对每个所述机械臂,获取所述机械臂上各个轴的轴连接关系、轴向、运动方式、速度、加速度、加加速度、行程中一种或多种作为所述运动属性数据,并获取所述机械臂的所述物理网格;
步骤S12,根据各所述轴对应的所述运动属性数据和所述物理网格构建得到包含各所述机械臂的一数字机械臂运动骨架模型;
步骤S13,根据各所述轴对应的所述物理网格栅格化构建得到一数字机械臂点云化模型;
步骤S14,将所述数字机械臂运动骨架模型和所述数字机械臂点云化模型相组合得到所述数字机械臂模型。
优选的,所述数字机械臂模型中包含有各所述工作任务的任务点,所述步骤S2包括:
步骤S21,将所述数字机械臂模型中用关节角表示的各所述任务点转换为位置姿态表示的新任务点,并将各所述新任务点作为各所述任务点;
步骤S22,针对各所述机械臂上两两相邻的所述任务点,根据两个所述任务点之间的相对位移和相对旋转角得到两个所述任务点之间路径段的运动量度量值,将两个所述任务点之间的所述运动量度量值和所处的所述机械臂末端的线速度、转动速度、加速度和加加速度包含于两个所述任务点对应的所述工作任务的所述空间运动数据中;
步骤S23,对各所述空间运动数据进行归一化处理后作为所述初始生物个体,以及对所述初始生物个体分别进行变异操作和交叉操作得到对应的多个所述新生生物个体。
优选的,执行所述步骤S23之后还包括:
判断所述初始生物个体进行变异操作和交叉操作的迭代次数是否达到预设次数:
若是,则转向步骤S3;
若否,则返回所述步骤S23。
优选的,所述运动量度量值的计算公式如下所示:
,
其中,
表示所述运动量度量值;
表示预设常量;
表示两个所述任务点之间在X轴上的所述相对位移;
表示两个所述任务点之间在Y轴上的所述相对位移;
表示两个所述任务点之间在Z轴上的所述相对位移;
表示预设常量;
表示两个所述任务点之间在X轴上的所述相对旋转角;
表示两个所述任务点之间在Y轴上的所述相对旋转角;
表示两个所述任务点之间在Z轴上的所述相对旋转角;
表示乘法计算操作;
MAX表示取最大值操作。
优选的,所述步骤S3包括:
步骤S31,于各所述新生生物个体中分别提取基因并进行基因表达转换得到对应的速度、加速度、加加速度作为所述任务运动属性;
步骤S32,依据距离、速度、加速度、加加速度、时间之间的计算关系得到各所述任务点之间的起始点位置、终止点位置、起始点速度、终止点速度、起始点加速度、终止点加速度、总时间差和总距离差作为起止点运动数据;
步骤S33,根据所述起止点运动数据得到对应的各所述工作任务中的各所述任务点的所述时间戳。
优选的,所述步骤S4包括:
步骤S41,于各所述任务点的关节角表达模式下,根据各所述时间戳和所述起止点运动数据对每个所述机械臂上的每个所述轴进行五次多项式插值计算得到对应的多个多项式系数;
步骤S42,于各所述任务点的位置姿态表达模式下,将各所述多项式系数代入至预设的一位置插补公式、一速度插补公式和一加速度插补公式中计算得到对应的所述运动变化数据;
步骤S43,根据各所述时间戳和各所述运动变化数据加权计算得到各所述工作任务对应的所述任务评分,以及根据各所述任务评分筛选出所述优先执行规划任务。
优选的,所述步骤S41中,通过以下计算公式得到各所述多项式系数:
,
其中,
表示位置插补公式;
表示速度插补公式;
表示加速度插补公式;
表示所述起始点位置;
表示所述终止点位置;
表示所述总距离差;
表示所述起始点速度;
表示所述终止点速度;
表示开始时间;
表示结束时间;
表示所述总时间差;
表示起始点加速度;
表示终止点加速度;
表示常数项系数;
表示一次项系数;
表示二次项系数
表示三次项系数;
表示四次项系数;
表示五次项系数。
优选的,所述步骤S43中,通过以下计算公式得到所述任务评分:
,
其中,
表示各所述工作任务对应的所述任务评分;
表示所述工作任务对应的所述机械臂的运动总时间;
取值为fales表示不满足合理性需求,取值为true表示满足合理性需求。
优选的,所述步骤S6中,通过折半查找法查找所述机械臂时空点云轨迹的目标任务开始时间之后还包括一碰撞检测过程,所述碰撞检测过程包括:
步骤A1,根据所述目标任务开始时间调整所述机械臂时空点云轨迹并与所述工业生产场景内的其余各所述机械臂对应的各所述机械臂时空点云轨迹进行碰撞检测得到对应的检测结果;
步骤A2,判断所述检测结果是否表征无碰撞:
若是,则将调整后的所述机械臂时空点云轨迹合并至所述工业生产场景内运行;
若否,则返回所述步骤S6。
本发明具有以下有益效果:本发明通过构建数字机械臂模型突破机械臂数量与型号的限制,并且通过差分进化算法(变异操作和交叉操作)生成了新生物个体,以实现时间戳、优先执行规划任务及机械臂时空点云轨迹的计算获取,实现机械臂自适应的协同任务规划,并实现各机械臂的路径段运动时间和工作任务时序的自适应规划能力,提高任务执行效率,以及通过调整机械臂时空点云轨迹减小机械臂之间碰撞的风险,提高安全性。
附图说明
图1为本发明的步骤流程图;
图2为本发明的步骤S1的具体流程图;
图3为本发明的步骤S2的具体流程图;
图4为本发明的步骤S3的具体流程图;
图5为本发明的步骤S4的具体流程图;
图6为本发明的碰撞检测过程的步骤流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
本发明的较佳的实施例中,基于现有技术中存在的上述问题,现提供一种多机械臂协同任务调度方法,预先于工业生产场景内配置安装多个机械臂进行作业,并为各机械臂分别配置多个工作任务,多机械臂协同任务调度方法如图1所示,包括以下步骤:
步骤S1,针对每个机械臂,获取机械臂上各个轴的运动属性数据及物理网格,并根据各轴对应的运动属性数据和物理网格构建得到包含各工作任务对应的任务点的一数字机械臂模型;
步骤S2,于数字机械臂模型中获取各工作任务对应的一空间运动数据并对各空间运动数据进行归一化处理后作为初始生物个体,以及对初始生物个体分别进行变异操作和交叉操作得到对应的多个新生生物个体;
步骤S3,于各新生生物个体中分别提取基因并进行基因表达转换得到对应的任务运动属性,并根据各任务运动属性得到对应的各工作任务中的各任务点的时间戳;
步骤S4,根据各时间戳对每个机械臂上的每个轴进行插值计算得到对应的运动变化数据,并根据各时间戳和各运动变化数据得到各工作任务对应的一任务评分,以及根据各任务评分筛选出一优先执行规划任务;
步骤S5,于数字机械臂模型中获取各任务点的关节角信息,并根据各任务点对应的关节角信息、优先执行规划任务和各任务点对应的时间戳分别得到对应的一机械臂时空点云轨迹;
步骤S6,判断是否存在未确定工作任务开始时间的至少一机械臂时空点云轨迹:
若是,则通过折半查找法查找机械臂时空点云轨迹的目标任务开始时间,并根据目标任务开始时间调整机械臂时空点云轨迹以避开其余各机械臂;
若否,则退出。
具体地,本实施例中,本发明基于机械臂时序空间轨迹的概念,使用差分进化算法(变异操作和交叉操作)设计了确定性机械臂任务智能时序规划方法,解决了自动化产线存在大量干涉区域的情况下的智能规划机械臂任务时序的问题,本发明主要核心在于四个方面:①采用了统一的数字机械臂模型(以轴连接点、运动轴向、各轴行程等信息为核心搭建的机械臂运动学骨架模型)表示机器臂;②设计了通用的机械臂时空点云轨迹的空间覆盖情况计算;③算法具有自适应规划各路径段运动时间的模块;④算法具有自适应规划各任务时序的模块。
本发明的较佳的实施例中,步骤S1如图2所示,包括:
步骤S11,针对每个机械臂,获取机械臂上各个轴的轴连接关系、轴向、运动方式、速度、加速度、加加速度、行程中一种或多种作为运动属性数据,并获取机械臂的物理网格;
步骤S12,根据各轴对应的运动属性数据和物理网格构建得到包含各机械臂的一数字机械臂运动骨架模型;
步骤S13,根据各轴对应的物理网格栅格化构建得到一数字机械臂点云化模型;
步骤S14,将数字机械臂运动骨架模型和数字机械臂点云化模型相组合得到数字机械臂模型。
具体地,本实施例中,先获取机械臂各轴运动属性数据,转换成标识机械臂各轴运动属性的运动轴,包含:轴连接、轴向、运动方式、速度、加速度、加加速度、行程等物理运动属性数据,依此连接构建数字机械臂运动骨架模型,然后获取机械臂各轴物理网格,栅格化构建数字机械臂点云化模型,最后组合骨架与点云两种模型得到数字机械臂模型(该模型具备模拟计算机械臂运动轨迹的能力)。
本发明的较佳的实施例中,数字机械臂模型中包含有各工作任务的任务点,步骤S2如图3所示,包括:
步骤S21,将数字机械臂模型中用关节角表示的各任务点转换为位置姿态表示的新任务点,并将各新任务点作为各任务点;
步骤S22,针对各机械臂上两两相邻的任务点,根据两个任务点之间的相对位移和相对旋转角得到两个任务点之间路径段的运动量度量值,将两个任务点之间的运动量度量值和所处的机械臂末端的线速度、转动速度、加速度和加加速度包含于两个任务点对应的工作任务的空间运动数据中;
步骤S23,对各空间运动数据进行归一化处理后作为初始生物个体,以及对初始生物个体分别进行变异操作和交叉操作得到对应的多个新生生物个体。
具体地,本实施例中,先将关节角表示的任务点转换为位置姿态(笛卡尔坐标与欧拉角)表示的任务点,然后计算路径上相邻任务点间的机械臂末端位置移动与姿态变动角度,并加权后作为机械臂各路径段的运动量度量值,随后根据各机械臂任务点位姿与数字机械臂模型(包含机械臂行程、各轴速度、加速度、加加速度等数据)分析机械臂末端线速度与转动速度及其加速度、加加速度,方法如下:1)随机选择几天测试路径,计算机械臂最大限关节角运行条件下,多段路径的执行时间;2)采用近似折线的轨迹计算机械臂末端滑动轨迹;3)依据多组时间、距离对计算机械臂末端线速度与转动速度及其加速度、加加速度。
优选的,依据工作任务的空间运动属性归一化数据作为差分进化算法的初始生物个体,并进行合理性判断与适应度计算。
优选的,初始生物个体通过变异操作生成新生物个体,微调初始生物个体基因,生成变异的新生物个体,变异方向随机生成,变异计算公式如下所示:
;
其中,表示变异后的新生物个体的第i号基因段,/>表示初始生物个体的第i号基因段,rang表示随机数。
优选的,初始生物个体间通过交叉操作生成新生物个体:初始生物个体基因自交叉,生成交叉的新生物个体,交叉基因来源于自身,降低个体基因崩溃概率,提升并行计算适应度,基因交叉公式如下所示:
;
其中,表示交叉后的新生物个体i,/>表示初始生物个体i,/>、/>表示初始生物个体j、k。
本发明的较佳的实施例中,执行步骤S23之后还包括:
判断初始生物个体进行变异操作和交叉操作的迭代次数是否达到预设次数:
若是,则转向步骤S3;
若否,则返回步骤S23。
本发明的较佳的实施例中,运动量度量值的计算公式如下所示:
,
其中,
表示运动量度量值;
表示预设常量;
表示两个任务点之间在X轴上的相对位移;
表示两个任务点之间在Y轴上的相对位移;
表示两个任务点之间在Z轴上的相对位移;
表示预设常量;
表示两个任务点之间在X轴上的相对旋转角;
表示两个任务点之间在Y轴上的相对旋转角;
表示两个任务点之间在Z轴上的相对旋转角;
表示乘法计算操作;
MAX表示取最大值操作。
本发明的较佳的实施例中,步骤S3如图4所示,包括:
步骤S31,于各新生生物个体中分别提取基因并进行基因表达转换得到对应的速度、加速度、加加速度作为任务运动属性;
步骤S32,依据距离、速度、加速度、加加速度、时间之间的计算关系得到各任务点之间的起始点位置、终止点位置、起始点速度、终止点速度、起始点加速度、终止点加速度、总时间差和总距离差作为起止点运动数据;
步骤S33,根据起止点运动数据得到对应的各工作任务中的各任务点的时间戳。
具体地,本实施例中,先提取新生物个体的基因,进行基因表达转换得到任务运动属性,并根据任务运动属性(最大速度、加速度、加加速度等),依据距离、速度、加速度、加加速度以及时间之间的算式计算关系,计算工作任务中的每个任务点的起始点位置、终止点位置、起始点速度、终止点速度、起始点加速度、终止点加速度、总时间差和总距离差等数据作为起止点运动数据,然后根据起止点运动数据计算各任务点的时间戳。
优选的,初始生物个体是用数据进行表达的,其提取出来的基因也是用数据进行表达的,基因表达转换的目的是将基因所表达的数据转换为对应的任务运动属性。
本发明的较佳的实施例中,步骤S4如图5所示,包括:
步骤S41,于各任务点的关节角表达模式下,根据各时间戳和起止点运动数据对每个机械臂上的每个轴进行五次多项式插值计算得到对应的多个多项式系数;
步骤S42,于各任务点的位置姿态表达模式下,将各多项式系数代入至预设的一位置插补公式、一速度插补公式和一加速度插补公式中计算得到对应的运动变化数据;
步骤S43,根据各时间戳和各运动变化数据加权计算得到各工作任务对应的任务评分,以及根据各任务评分筛选出优先执行规划任务。
具体地,本实施例中,按任务评分从大到小排序,筛选高评分带时间戳的工作任务作为优先执行规划任务,若满足停止条件(达到预设的迭代次数或者代次间评分差距阈值)则计录最优时间(任务评分最高)规划任务,不满足则返回步骤S23继续生成新生物个体。
本发明的较佳的实施例中,步骤S41中,通过以下计算公式得到各多项式系数:
,
其中,
表示位置插补公式;
表示速度插补公式;
表示加速度插补公式;
表示起始点位置;
表示终止点位置;
表示总距离差;
表示起始点速度;
表示终止点速度;
表示开始时间;
表示结束时间;
表示总时间差;
表示起始点加速度;
表示终止点加速度;
表示常数项系数;
表示一次项系数;
表示二次项系数
表示三次项系数;
表示四次项系数;
表示五次项系数。
具体地,本实施例中,上述计算公式为各任务点的位置姿态表达模式下的表达式,当任务点转换为位置姿态表达模式后,各轴的位置插补公式、速度插补公式与加速度插补公式按顺序表达如下:
,
其中,代表各轴插补算法系数,可以用上述公式的代入计算。
优选的,可以根据上述公式分析各关节(轴)当前的任务规划,是否出现轴超速等问题,并据此判断规划的合理性。
本发明的较佳的实施例中,步骤S43中,通过以下计算公式得到任务评分:
,
其中,
表示各工作任务对应的任务评分;
表示工作任务对应的机械臂的运动总时间;
取值为fales表示不满足合理性需求,取值为true表示满足合理性需求。
本发明的较佳的实施例中,步骤S6中,通过折半查找法查找机械臂时空点云轨迹的目标任务开始时间之后还包括一碰撞检测过程,碰撞检测过程如图6所示,包括:
步骤A1,根据目标任务开始时间调整机械臂时空点云轨迹并与工业生产场景内的其余各机械臂对应的各机械臂时空点云轨迹进行碰撞检测得到对应的检测结果;
步骤A2,判断检测结果是否表征无碰撞:
若是,则将调整后的机械臂时空点云轨迹合并至工业生产场景内运行;
若否,则返回步骤S6 。
具体地,本实施例中,按优先级进行时空重叠碰撞检测:
① 确定目标任务:当前未确定工作任务开始时间的最高优先级的机械臂时空点云轨迹;
② 查找任务开始时间:采用折半查找法查找可能的目标任务开始时间;
③ 时序碰撞检测:查找的目标任务开始时间重新调整机械臂时空点云轨迹,与场景内的其他机械臂时空点云轨迹进行碰撞检测;
④ 无碰撞则将调整后的机械臂时空点云轨迹合并到工业生产场景内,并记录任务时序;发生碰撞则返回步骤②;
⑤ 检测是否有未确定工作任务开始时间的任务最高优先级的机械臂时空点云轨迹,无则结束;有则返回步骤①。
虽然本公开披露如上,但本公开的保护范围并非仅限于此。本领域技术人员,在不脱离本公开的精神和范围的前提下,可进行各种变更与修改,这些变更与修改均将落入本发明的保护范围。
Claims (10)
1.一种多机械臂协同任务调度方法,其特征在于,预先于工业生产场景内配置安装多个机械臂进行作业,并为各所述机械臂分别配置多个工作任务,所述多机械臂协同任务调度方法包括以下步骤:
步骤S1,针对每个所述机械臂,获取所述机械臂上各个轴的运动属性数据及物理网格,并根据各所述轴对应的所述运动属性数据和所述物理网格构建得到包含各所述工作任务对应的任务点的一数字机械臂模型;
步骤S2,于所述数字机械臂模型中获取各所述工作任务对应的一空间运动数据并对各所述空间运动数据进行归一化处理后作为初始生物个体,以及对所述初始生物个体分别进行变异操作和交叉操作得到对应的多个新生生物个体;
步骤S3,于各所述新生生物个体中分别提取基因并进行基因表达转换得到对应的任务运动属性,并根据各所述任务运动属性得到对应的各所述工作任务中的各所述任务点的时间戳;
步骤S4,根据各所述时间戳对每个所述机械臂上的每个所述轴进行插值计算得到对应的运动变化数据,并根据各所述时间戳和各所述运动变化数据得到各所述工作任务对应的一任务评分,以及根据各所述任务评分筛选出一优先执行规划任务;
步骤S5,于所述数字机械臂模型中获取各所述任务点的关节角信息,并根据各所述任务点对应的所述关节角信息、所述优先执行规划任务和各所述任务点对应的所述时间戳分别得到对应的一机械臂时空点云轨迹;
步骤S6,判断是否存在未确定工作任务开始时间的至少一所述机械臂时空点云轨迹:
若是,则通过折半查找法查找所述机械臂时空点云轨迹的目标任务开始时间,并根据所述目标任务开始时间调整所述机械臂时空点云轨迹以避开其余各所述机械臂;
若否,则退出。
2.根据权利要求1所述的多机械臂协同任务调度方法,其特征在于,所述步骤S1包括:
步骤S11,针对每个所述机械臂,获取所述机械臂上各个轴的轴连接关系、轴向、运动方式、速度、加速度、加加速度、行程中一种或多种作为所述运动属性数据,并获取所述机械臂的所述物理网格;
步骤S12,根据各所述轴对应的所述运动属性数据和所述物理网格构建得到包含各所述机械臂的一数字机械臂运动骨架模型;
步骤S13,根据各所述轴对应的所述物理网格栅格化构建得到一数字机械臂点云化模型;
步骤S14,将所述数字机械臂运动骨架模型和所述数字机械臂点云化模型相组合得到所述数字机械臂模型。
3.根据权利要求1所述的多机械臂协同任务调度方法,其特征在于,所述数字机械臂模型中包含有各所述工作任务的任务点,所述步骤S2包括:
步骤S21,将所述数字机械臂模型中用关节角表示的各所述任务点转换为位置姿态表示的新任务点,并将各所述新任务点作为各所述任务点;
步骤S22,针对各所述机械臂上两两相邻的所述任务点,根据两个所述任务点之间的相对位移和相对旋转角得到两个所述任务点之间路径段的运动量度量值,将两个所述任务点之间的所述运动量度量值和所处的所述机械臂末端的线速度、转动速度、加速度和加加速度包含于两个所述任务点对应的所述工作任务的所述空间运动数据中;
步骤S23,对各所述空间运动数据进行归一化处理后作为所述初始生物个体,以及对所述初始生物个体分别进行变异操作和交叉操作得到对应的多个所述新生生物个体。
4.根据权利要求3所述的多机械臂协同任务调度方法,其特征在于,执行所述步骤S23之后还包括:
判断所述初始生物个体进行变异操作和交叉操作的迭代次数是否达到预设次数:
若是,则转向步骤S3;
若否,则返回所述步骤S23。
5.根据权利要求3所述的多机械臂协同任务调度方法,其特征在于,所述运动量度量值的计算公式如下所示:
,
其中,
表示所述运动量度量值;
表示预设常量;
表示两个所述任务点之间在X轴上的所述相对位移;
表示两个所述任务点之间在Y轴上的所述相对位移;
表示两个所述任务点之间在Z轴上的所述相对位移;
表示预设常量;
表示两个所述任务点之间在X轴上的所述相对旋转角;
表示两个所述任务点之间在Y轴上的所述相对旋转角;
表示两个所述任务点之间在Z轴上的所述相对旋转角;
表示乘法计算操作;
MAX表示取最大值操作。
6.根据权利要求1所述的多机械臂协同任务调度方法,其特征在于,所述步骤S3包括:
步骤S31,于各所述新生生物个体中分别提取基因并进行基因表达转换得到对应的速度、加速度、加加速度作为所述任务运动属性;
步骤S32,依据距离、速度、加速度、加加速度、时间之间的计算关系得到各所述任务点之间的起始点位置、终止点位置、起始点速度、终止点速度、起始点加速度、终止点加速度、总时间差和总距离差作为起止点运动数据;
步骤S33,根据所述起止点运动数据得到对应的各所述工作任务中的各所述任务点的所述时间戳。
7.根据权利要求6所述的多机械臂协同任务调度方法,其特征在于,所述步骤S4包括:
步骤S41,于各所述任务点的关节角表达模式下,根据各所述时间戳和所述起止点运动数据对每个所述机械臂上的每个所述轴进行五次多项式插值计算得到对应的多个多项式系数;
步骤S42,于各所述任务点的位置姿态表达模式下,将各所述多项式系数代入至预设的一位置插补公式、一速度插补公式和一加速度插补公式中计算得到对应的所述运动变化数据;
步骤S43,根据各所述时间戳和各所述运动变化数据加权计算得到各所述工作任务对应的所述任务评分,以及根据各所述任务评分筛选出所述优先执行规划任务。
8.根据权利要求7所述的多机械臂协同任务调度方法,其特征在于,所述步骤S41中,通过以下计算公式得到各所述多项式系数:
,
其中,
表示位置插补公式;
表示速度插补公式;
表示加速度插补公式;
表示所述起始点位置;
表示所述终止点位置;
表示所述总距离差;
表示所述起始点速度;
表示所述终止点速度;
表示开始时间;
表示结束时间;
表示所述总时间差;
表示起始点加速度;
表示终止点加速度;
表示常数项系数;
表示一次项系数;
表示二次项系数
表示三次项系数;
表示四次项系数;
表示五次项系数。
9.根据权利要求7所述的多机械臂协同任务调度方法,其特征在于,所述步骤S43中,通过以下计算公式得到所述任务评分:
,
其中,
表示各所述工作任务对应的所述任务评分;
表示所述工作任务对应的所述机械臂的运动总时间;
取值为fales表示不满足合理性需求,取值为true表示满足合理性需求。
10.根据权利要求1所述的多机械臂协同任务调度方法,其特征在于,所述步骤S6中,通过折半查找法查找所述机械臂时空点云轨迹的目标任务开始时间之后还包括一碰撞检测过程,所述碰撞检测过程包括:
步骤A1,根据所述目标任务开始时间调整所述机械臂时空点云轨迹并与所述工业生产场景内的其余各所述机械臂对应的各所述机械臂时空点云轨迹进行碰撞检测得到对应的检测结果;
步骤A2,判断所述检测结果是否表征无碰撞:
若是,则将调整后的所述机械臂时空点云轨迹合并至所述工业生产场景内运行;
若否,则返回所述步骤S6。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311218297.4A CN116968037B (zh) | 2023-09-21 | 2023-09-21 | 一种多机械臂协同任务调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311218297.4A CN116968037B (zh) | 2023-09-21 | 2023-09-21 | 一种多机械臂协同任务调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116968037A CN116968037A (zh) | 2023-10-31 |
CN116968037B true CN116968037B (zh) | 2024-01-23 |
Family
ID=88475216
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311218297.4A Active CN116968037B (zh) | 2023-09-21 | 2023-09-21 | 一种多机械臂协同任务调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116968037B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016165392A1 (zh) * | 2015-04-17 | 2016-10-20 | 华南理工大学 | 一种基于遗传算法的云计算资源调度方法 |
CN108393884A (zh) * | 2018-01-18 | 2018-08-14 | 西北工业大学 | 一种基于Petri网的多机械臂遥操作系统协同任务规划方法 |
CN108638065A (zh) * | 2018-05-15 | 2018-10-12 | 河南科技学院 | 一种排爆机器人双臂协同控制系统 |
CN109910012A (zh) * | 2019-04-03 | 2019-06-21 | 中国计量大学 | 一种基于遗传算法的机械臂轨迹规划优化方法 |
CN110070235A (zh) * | 2019-05-01 | 2019-07-30 | 湖南大学 | 一种多移动机器人的柔性调度方法 |
CN110125927A (zh) * | 2019-03-18 | 2019-08-16 | 中国地质大学(武汉) | 基于自适应遗传算法的机械臂轨迹规划方法及系统 |
CN111745653A (zh) * | 2020-07-09 | 2020-10-09 | 江苏科技大学 | 基于双机械臂的船体外板曲面成形协同加工的规划方法 |
WO2021023315A1 (zh) * | 2019-08-06 | 2021-02-11 | 华中科技大学 | 一种基于人眼凝视点的手眼协调抓取方法 |
CN112398875A (zh) * | 2021-01-18 | 2021-02-23 | 北京电信易通信息技术股份有限公司 | 视频会议场景下基于机器学习的流数据安全漏洞探测方法 |
CN113172621A (zh) * | 2021-04-13 | 2021-07-27 | 哈尔滨工业大学(威海) | 一种面向scara机械臂的动力学参数辨识方法 |
CN113858203A (zh) * | 2021-10-19 | 2021-12-31 | 杭州芯控智能科技有限公司 | 一种机器人自适应轨迹规划及避障方法 |
CN115689025A (zh) * | 2022-11-04 | 2023-02-03 | 杭州芯控智能科技有限公司 | 一种自动化生产线智能布局方法及系统 |
CN115741688A (zh) * | 2022-11-15 | 2023-03-07 | 福州大学 | 基于改进遗传算法的六自由度机械臂轨迹优化方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7042209B2 (ja) * | 2018-12-25 | 2022-03-25 | 株式会社日立製作所 | 軌道生成装置、軌道生成方法、及びロボットシステム |
TW202142835A (zh) * | 2020-05-06 | 2021-11-16 | 微星科技股份有限公司 | 在一slam地圖中重新定位一移動載具的方法及移動載具 |
-
2023
- 2023-09-21 CN CN202311218297.4A patent/CN116968037B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016165392A1 (zh) * | 2015-04-17 | 2016-10-20 | 华南理工大学 | 一种基于遗传算法的云计算资源调度方法 |
CN108393884A (zh) * | 2018-01-18 | 2018-08-14 | 西北工业大学 | 一种基于Petri网的多机械臂遥操作系统协同任务规划方法 |
CN108638065A (zh) * | 2018-05-15 | 2018-10-12 | 河南科技学院 | 一种排爆机器人双臂协同控制系统 |
CN110125927A (zh) * | 2019-03-18 | 2019-08-16 | 中国地质大学(武汉) | 基于自适应遗传算法的机械臂轨迹规划方法及系统 |
CN109910012A (zh) * | 2019-04-03 | 2019-06-21 | 中国计量大学 | 一种基于遗传算法的机械臂轨迹规划优化方法 |
CN110070235A (zh) * | 2019-05-01 | 2019-07-30 | 湖南大学 | 一种多移动机器人的柔性调度方法 |
WO2021023315A1 (zh) * | 2019-08-06 | 2021-02-11 | 华中科技大学 | 一种基于人眼凝视点的手眼协调抓取方法 |
CN111745653A (zh) * | 2020-07-09 | 2020-10-09 | 江苏科技大学 | 基于双机械臂的船体外板曲面成形协同加工的规划方法 |
CN112398875A (zh) * | 2021-01-18 | 2021-02-23 | 北京电信易通信息技术股份有限公司 | 视频会议场景下基于机器学习的流数据安全漏洞探测方法 |
CN113172621A (zh) * | 2021-04-13 | 2021-07-27 | 哈尔滨工业大学(威海) | 一种面向scara机械臂的动力学参数辨识方法 |
CN113858203A (zh) * | 2021-10-19 | 2021-12-31 | 杭州芯控智能科技有限公司 | 一种机器人自适应轨迹规划及避障方法 |
CN115689025A (zh) * | 2022-11-04 | 2023-02-03 | 杭州芯控智能科技有限公司 | 一种自动化生产线智能布局方法及系统 |
CN115741688A (zh) * | 2022-11-15 | 2023-03-07 | 福州大学 | 基于改进遗传算法的六自由度机械臂轨迹优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116968037A (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109960880B (zh) | 一种基于机器学习的工业机器人避障路径规划方法 | |
CN112297013B (zh) | 一种基于数字孪生和深度神经网络的机器人智能抓取方法 | |
US20210073096A1 (en) | Three-dimensional space monitoring device and three-dimensional space monitoring method | |
Yamane et al. | Human motion database with a binary tree and node transition graphs | |
CN104408760A (zh) | 一种基于双目视觉的高精度虚拟装配系统算法 | |
Tian et al. | Realtime hand-object interaction using learned grasp space for virtual environments | |
Tang et al. | Learning collaborative pushing and grasping policies in dense clutter | |
Dering et al. | An unsupervised machine learning approach to assessing designer performance during physical prototyping | |
CN112365580B (zh) | 一种面向人机技能传授的虚拟作业演示系统 | |
Liu et al. | Multi-agent embodied visual semantic navigation with scene prior knowledge | |
CN113034575A (zh) | 一种模型构建方法、位姿估计方法及物体拣取装置 | |
Liu et al. | Active object detection based on a novel deep Q-learning network and long-term learning strategy for the service robot | |
Breyer et al. | Closed-loop next-best-view planning for target-driven grasping | |
CN116968037B (zh) | 一种多机械臂协同任务调度方法 | |
Yu et al. | Gamma: Generalizable articulation modeling and manipulation for articulated objects | |
Ren et al. | InsActor: Instruction-driven Physics-based Characters | |
Al-Shanoon et al. | Learn to grasp unknown objects in robotic manipulation | |
CN113436293B (zh) | 一种基于条件生成式对抗网络的智能抓取图像生成方法 | |
Wang et al. | A visual grasping strategy for improving assembly efficiency based on deep reinforcement learning | |
Yu et al. | A cascaded deep learning framework for real-time and robust grasp planning | |
Li | Design of human-computer interaction system using gesture recognition algorithm from the perspective of machine learning | |
Du et al. | A syntactic method for robot imitation learning of complex sequence task | |
Cui et al. | Research on LFD System of Humanoid Dual-Arm Robot | |
CN117621090B (zh) | 一种工业机器人的控制方法、系统及工业机器人 | |
Lin et al. | Precision Data-Driven Collision Localization with a Dedicated Matrix Template for Electric Vehicle Automatic Charging |
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 |