CN117260735A - 一种机器人深框抓取的路径规划方法 - Google Patents

Abstract

本发明适用于机器人路径规划技术领域，尤其涉及一种机器人深框抓取的路径规划方法。与现有技术相比，本发明通过获取工作空间和障碍物环境信息，建立路径规划模型；在所述路径规划模型中加入预抓取点约束所述机器人的运动路径，调整所述机器人的入框姿态；通过目标偏置采样策略减小所述路径规划模型中随机树扩展的随机性；通过自适应目标引力策略引导所述随机树中新节点的扩展方式，得到初始路径；通过贪婪删除策略对所述初始路径进行修剪；通过多次B样条曲线对修剪后的所述初始路径进行平滑处理，得到最终路径。使机器人能无碰撞、高效率、智能的完成钣金件焊接工艺的深框抓取自动上下料任务。

Description

一种机器人深框抓取的路径规划方法

技术领域

本发明适用于机器人路径规划技术领域，尤其涉及一种机器人深框抓取的路径规划方法。

背景技术

近年来，工业机器人已被广泛应用于制造业中，“机器代人”已成为一种趋势。在汽车制造业中，机器人技术的应用有效地提高了汽车制造业的水平和效率，促进了汽车制造向自动化和智能化的方向发展。

然而，在钣金件焊接车间中，钣金件焊接的上下料仍然依赖人工搬运，这种工作相对枯燥繁重且效率低下，生产成本高，同时人工上下料方式难以配合自动化加工节拍及一致性要求，还容易出现安全事故。这是因为钣金件的物料框大多数较深，并且工件在料框内是无序的，传统的机器人示教和离线编程方式无法满足生产需求，难以实现机器人自动上下料。

常见的抓取任务是通过视觉技术获得目标物体的精确姿态，进而使机器人能够移动到目标位置并执行抓取任务。在这个过程中，机器人需要在避障的同时稳定且可靠地抓住目标物体，路径规划在机器人执行抓取任务时起着至关重要的作用。

在深框抓取路径规划中，需要充分考虑到环境因素，如障碍物和物料框，以确保机器人从起始点运动到目标点的过程中能够避免碰撞，安全的执行抓取任务。在高纬度空间下，由于障碍物的高度增加，传统的路径规划方法无法在短时间内获得可行解，导致机器人在深框环境下无法高效精准到达目标位置，降低了机器人的工作效率。

在众多的运动规划算法中，基于随机搜索策略的RRT算法已被广泛应用于机器人路径规划，尤其适用于高维空间的路径规划。然而RRT算法及其改进算法在狭窄通道中仍存在一些局限性。这些局限性包括但不限于以下几点：

(1)运动路径不光滑：RRT算法生成的路径可能会存在急剧的转折或者不光滑的情况，这样会给机器人的运动带来不稳定性和不可预测性。

(2)搜索效率低下：当机器人需要进入狭窄通道时，由于RRT算法的盲目性可能会导致算法需要花费较长的时间才能找到进入深框的入口，导致在通道边缘生成较多的树节点或者难以进行入狭窄空间内，从而导致搜索效率低下。

(3)易陷入局部最优解：当机器人需要在狭窄的空间中进行运动时，传统的RRT算法往往无法生成可行的路径。这是因为，在狭窄的空间中，机器人的自由度受限，同时需要考虑到机器人和环境的碰撞检测，这些都会影响路径的生成，易陷入局部最优解。

因此，亟需一种新的机器人深框抓取的路径规划方法解决上述问题。

发明内容

本发明提供一种机器人深框抓取的路径规划方法，旨在解决现有技术中存在的运动路径不光滑、搜索效率低下以及易陷入局部最优解问题。

所述路径规划方法包括以下步骤：

S1、获取工作空间和障碍物环境信息，设置机器人在关节空间中的起始点、目标点和障碍物深料框的位置，建立路径规划模型；

S2、在所述路径规划模型中加入预抓取点约束所述机器人的运动路径，调整所述机器人的入框姿态；

S3、通过目标偏置采样策略减小所述路径规划模型中随机树扩展的随机性；

S4、通过自适应目标引力策略引导所述随机树中新节点的扩展方式，得到初始路径；

S5、通过贪婪删除策略对所述初始路径进行修剪；

S6、通过多次B样条曲线对修剪后的所述初始路径进行平滑处理，得到最终路径。

优选的，所述预抓取点为在执行深框抓取任务时，给出待抓取工件的抓取点后，将所述抓取点垂直向上移动到与深框水平平面平行的位置的点。

优选的，步骤S3中，所述目标偏置采样策略为在所述随机树的扩展过程中，以预设概率p使得采样点作为扩展的目标点，以1-p的概率随机获得随机采样点。

优选的，所述新节点的计算公式如下：

其中，δ表示引力系数并用于控制所述新节点的方向和距离，q_new表示所述新节点，q_rand表示随机采样点，q_goal表示目标采样点，ε表示扩展步长，q_nearest表示距离所述随机采样点q_rand最近的节点。

优选的，所述自适应目标引力策略为：

当所述随机树在目标引力作用下扩展时没有遇到障碍物时，则保持当前的所述引力系数继续扩展；当遇到障碍物时，则通过不断的缩小所述引力系数的值，循环计算出所述新节点。

优选的，多次所述B样条曲线计算公式如下：

其中，d_i为样条曲线的控制顶点，P(u)表示在u时刻曲线上的型值点，B_i,k(u)是样条曲线的基函数，k表示所述B样条曲线的总次数，i表示所述B样条曲线的当前次数，所述基函数是根据时间节点矢量表示为U＝[u₀,u₁,u₂,…u_0n+k+1]确定的分段函数，并满足以下关系式：

优选的，所述路径模型的建立基于RRT算法。

与现有技术相比，本发明提出一种机器人深框抓取的路径规划方法，通过获取工作空间和障碍物环境信息，设置机器人在关节空间中的起始点、目标点和障碍物深料框的位置，建立路径规划模型；在所述路径规划模型中加入预抓取点约束所述机器人的运动路径，调整所述机器人的入框姿态；通过目标偏置采样策略减小所述路径规划模型中随机树扩展的随机性；通过自适应目标引力策略引导所述随机树中新节点的扩展方式，得到初始路径；通过贪婪删除策略对所述初始路径进行修剪；通过多次B样条曲线对修剪后的所述初始路径进行平滑处理，得到最终路径。使机器人能无碰撞、高效率、智能的完成钣金件焊接工艺的深框抓取自动上下料任务。

附图说明

下面结合附图详细说明本发明。通过结合以下附图所作的详细描述，本发明的上述或其他方面的内容将变得更清楚和更容易理解。附图中：

图1是本发明实施例提供的机器人深框抓取的路径规划方法的流程框图；

图2是本发明实施例提供的机器人深框抓取的路径规划方法的加入自适应目标引力策略后新节点的扩展示意图；

图3是本发明实施例提供的机器人深框抓取的路径规划方法的路径修剪原理示意图；

图4是本发明实施例提供的机器人深框抓取的路径规划方法的仿真实验下RRT算法的路径规划示意图；

图5是本发明实施例提供的机器人深框抓取的路径规划方法的仿真实验下RRT_Connect算法的路径规划示意图；

图6是本发明实施例提供的机器人深框抓取的路径规划方法的仿真实验下本发明提供的路径规划模型的路径规划示意图；

图7是本发明实施例提供的机器人深框抓取的路径规划方法的仿真实验下本发明提供的路径规划模型进行修剪后的路径规划示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

请参考图1-图7所示，本发明提供一种机器人深框抓取的路径规划方法，所述路径规划方法包括以下步骤：

S1、获取工作空间和障碍物环境信息，设置机器人在关节空间中的起始点、目标点和障碍物深料框的位置，建立路径规划模型；

在本发明实施例中，机器人的关节空间指对于一个具有n自由度的机器人来说，它的所有连杆位置可由一组n个关节变量来确定。这样的一组变量通常被称为n x 1的关节矢量，所有关节矢量组成的空间称为关节空间。

在本发明实施例中，所述路径模型的建立基于RRT(Rapidly-Exploring RandomTrees)算法，RRT算法又叫快速扩展随机树算法，是基于随机采样的路径规划算法，它相比于其他算法的一个优势在于可以有效地将非完整约束考虑在算法内部，从而避免了复杂的运动学约束的考虑，使得路径规划问题简单化。

S2、在所述路径规划模型中加入预抓取点约束所述机器人的运动路径，调整所述机器人的入框姿态；

在本发明实施例中，所述预抓取点为在执行深框抓取任务时，给出待抓取工件的抓取点后，将所述抓取点垂直向上移动到与深框水平平面平行的位置的点。

具体的，对于深框抓取时的预抓取点设置：在执行抓取任务时，给出工件抓取点后，将抓取点垂直向上移动到与深框水平平面平行的位置，将在这个位置的点定义为预抓取点，通过机器人逆运动求解计算，得到路径规划时在关节空间中的预抓取点，机器人逆运动是指知道机器人末端执行器的位姿，反求解机器人到达这个位姿的各个关节的角度。将预抓取点作为第三个扩展点，实现了两棵随机树的扩展要求，从而约束算法路径扩展过程，实现从初始点到预抓取点和目标点到预抓取点两棵树同时扩展，使两棵树都经过预抓取点，从而加快了算法在深框抓取时的规划效率和对路径的约束。

S3、通过目标偏置采样策略减小所述路径规划模型中随机树扩展的随机性；

在本发明实施例中，为了解决RRT算法盲目性问题，采用目标偏置采样策略，该策略在随机树的扩展过程中，以一定的概率p使得采样点为目标点，以(1-p)的概率随机获得随机采样点。目标偏置采样策略允许算法在节点扩展时具有一定的目标导向性，从而平衡了算法探索未知空间和算法的运动时间。p值的选取影响着搜索过程和搜索结果，当环境障碍物密集时应使p值较小，以保持算法对未知空间的探索能力。相反地，应使p值较大，以便节点以较大的概率向目标点扩展，节省算法时间。

S4、通过自适应目标引力策略引导所述随机树中新节点的扩展方式，得到初始路径；

在本发明实施例中，为了改变新节点扩展方向，本发明引入人工势场法(Artificial Potential Field，APF)的目标引力的思想，引导随机树在目标点和随机点之间扩展，从而提高随机树搜索的引导性，提高搜索效率。APF算法的最大缺点就是容易陷入最小值，为了避免这个问题，提出一种可调节步长引力策略来进一步加快搜索速度，可以很大程度上避免陷入局部极小。目标引力的影响不是直接将目标点作为采样点，而是在对随机点进行采样之后，通过分配权重将目标引入添加到新节点上，以引导新节点向目标点扩展，从而提高搜索效率。加入了引力思想后，可以得到新节点的扩展方式如图2所示。

由图2可知，引力系数δ用于控制新节点的方向和距离。新节点的位置由随机采样点、目标点、扩展步长和引力系数共同决定，则新节点的扩展如公式(1)所示：

其中，δ表示引力系数并用于控制所述新节点的方向和距离，q_new表示所述新节点，q_rand表示随机采样点，q_goal表示目标采样点，ε表示扩展步长，q_nearest表示距离所述随机采样点q_rand最近的节点。

从式(1)中可以看出，当引力系数δ>1时，目标点对新节点的影响更大；反之，随机点影响更大。因此对δ的取值至关重要，如果引力系数设置过大可能进入局部最小值导致路径规划失败，设置过小可能达不到理想的加速效果。所以为了解决这个问题，提出一种通过自适应的方式来调节引力系数，具体如下：

当所述随机树在目标引力作用下扩展时没有遇到障碍物时，则保持当前的所述引力系数δ的值继续扩展；

当遇到障碍物时，则通过不断的缩小所述引力系数δ的值，循环计算出所述新节点。若是遇到障碍物，缩小δ的值为δ/2；若还是遇到障碍物就缩小δ为0，此时新节点的扩展完全由随机点控制。

S5、通过贪婪删除策略对所述初始路径进行修剪；

在本发明实施例中，在机器人路径规划中，基于采样路径规划的机器人路径通常是不均匀的、分段连接的次优路径，其曲折性和冗余节点会影响机器人跟踪能力、效率和寿命。RRT算法虽然提高了方向性，但仍使用随机采样，造成路径上转角过多和不必要的冗余节点。为了优化路径并去除冗余节点，本发明采用一种贪婪删除策略来修剪路径。修剪原理如图3所示，obstacle表示障碍物，该过程从三个连续连接的路径点q_a、q_b、q_c开始，连接q_a和q_c，若路径不与障碍物碰撞，则第二个路径点q_b被确定为冗余并被删除，并连接到第三路径点q_c。然后将起始节点连接到第四节点以确定是否存在冲突；如果没有冲突，则删除第三个节点。重复以上过程，直到到达目标点。该操作可以去除冗余节点，使路径更平滑，提高机器人效率和寿命。

S6、通过多次B样条曲线对修剪后的所述初始路径进行平滑处理，得到最终路径。

在本发明实施例中，基于非均匀B样条曲线的轨迹规划方法，可以使用任意时间分配，给轨迹规划带来自由变化设计的便利。在三次非均匀B样条轨迹规划过程中，会出现加速度曲线变化剧烈，加加速度曲线存在突变的问题。针对这个问题，本文基于五次非均匀B样条进行轨迹规划。

k次B样条曲线可以表示为：

其中，d_i为样条曲线的控制顶点，P(u)表示在u时刻曲线上的型值点，B_i,k(u)是样条曲线的基函数，k表示所述B样条曲线的总次数，i表示所述B样条曲线的当前次数，所述基函数是一个根据时间节点矢量可以表示为U＝[u₀,u₁,u₂,…u_0n+k+1]确定的分段函数，且有如下定义：

采用非均匀B样条曲线在机器人关节空间的轨迹规划具有其它方法无法相比的优势。现在就本文需要用到曲线的性质进行说明：

B样条曲线的阶数为k，曲线经过的路径型值点的数目为n+1，节点向量的数目为m，其中m满足关系如下：

m＝n+2k+1#(4)

k和n+1的定义与上述相同，控制顶点的个数为d，则满足如下关系：

d＝n+k#(5)

要确定五次B样条曲线上的某一点位置P(u)，首先必须要先确定曲线的控制顶点d_i及节点矢量U，机器人各个关节的时间-位置节点序列为{t_i,q_i}i＝0,1,…n，同时为了确保轨迹曲线的首尾两点和关节的时间-位置节点相对应，即d₀＝q₀,d_n＝q_n，为了保证五次曲线经过起始和目标点，需要将这两个位置的时间节点重复度设置为6，因此q_i相对应的节点值为u_5+i，根据性质(2)可知该曲线的控制顶点的个数为n+5。根据性质(1)可知节点矢量为U＝[u₀,u₁,u₂,…u_n+10]，下面将依次求解U和d。

求解节点矢量U：

基于累计弦长参数化法使机器人关节的运动时间节点实现归一化。并由起始和目标点的时间节点重复度为6可得：

求解控制顶点矢量d：

在任意区间[u_i,u_i+1]内具有不超过k+1个非零的基函数B_i-1,k(u),B_i-k+1,k(u),…B_i,k(u)，所以方程变化为：

由机器人各个关节的时间-位置节点序列为{t_i,q_i}i＝0,1,…n可以确定n+1个控制顶点，把[u₅,u_n+5]的节点值分别代入式(7)可以得到n+1个方程，由于求解控制顶点的个数为n+5，所以还需要4个约束方程来求解所有的控制顶点。这些方程一般通过边界附加条件来确定，可以通过机器人初始和目标点的关节速度及加速度4个条件来约束：依据上述条件可以求解顶点矢量d。将求解的U和d分别代入到公式(2)中，可以得到一条完整且光滑的B样条曲线，作为最终路径。

在本发明实施例中，本发明所有的仿真实验均在配置为：英特尔Core i5-10400F@2.90GHz，RAM 16GB的计算机上完成的。二维平面仿真环境是基于Qt5和Eigen3构建。首先是在二维场景中，地图环境是一个400*400的正方形，将机器人简化成一个质点。设置起始点为(30，30)，目标点为(350，350)，为了使二维的仿真场景尽可能与深框抓取的场景相似，将目标点设置在一个狭窄通道内。并将算法的步长设置为10，目标偏置概率设置为0.2，引力系数设置为1.3，在相同的场景下对两种算法分别进行20次仿真实验，从路径规划得到的路径长度和规划时间两个方面衡量，两种算法的运行结果如图4-图7所示，图中黑色的部分描述为障碍物，空白部分为可行空间，蓝色的连线为规划路径，黑色的点为树扩展过程中的可行点。

请参考图4-图7，可以发现采用本发明提供的改进后的路径规划算法模型MPG_RRT规划的路径长度明显短于标准RRT算法，该算法在目标偏置和目标引力的作用下，能够有效减少无效区域的搜索，从而节省搜索时间，提高算法的效率和目标性。同时相比现有的RRT_Connect算法，MPG_RRT算法通过中间点的约束作用，能够避免路径贴着狭窄通道扩展的情况，从而显著降低碰撞的风险。从路径图可以看出，改进的算法规划出的路径不仅更加短和平滑，而且不会穿过障碍物。经过路径修剪后结果如图7所示，黑色矩形框是障碍区域，原始路径表示为蓝色实线，黑色实线表示修剪后的路径，通过修剪算法处理，机器人运动路径的质量得到了显著提高。

如下表1所示，MPG_RRT算法相对于标准RRT算法，规划时间缩短了97％，路径长度缩短了10.2％；相对于RRT_Connect算法，规划时间缩短了35.4％，路径长度缩短了7.4％。综上所述，通过数据对比和路径图的分析可以证明，采用改进的MPG_RRT算法可以提高机器人运动路径的质量和规划效率。

表1路径规划实验数据统计

与现有技术相比，本发明提出一种机器人深框抓取的路径规划方法，通过获取工作空间和障碍物环境信息，设置机器人在关节空间中的起始点、目标点和障碍物深料框的位置，建立路径规划模型；在所述路径规划模型中加入预抓取点约束所述机器人的运动路径，调整所述机器人的入框姿态；通过目标偏置采样策略减小所述路径规划模型中随机树扩展的随机性；通过自适应目标引力策略引导所述随机树中新节点的扩展方式，得到初始路径；通过贪婪删除策略对所述初始路径进行修剪；通过多次B样条曲线对修剪后的所述初始路径进行平滑处理，得到最终路径。使机器人能无碰撞、高效率、智能的完成钣金件焊接工艺的深框抓取自动上下料任务。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

上面结合附图对本发明的实施例进行了描述，所揭露的仅为本发明较佳实施例而已，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式用等同变化，均属于本发明的保护之内。

Claims (7)

1.一种机器人深框抓取的路径规划方法，其特征在于，所述路径规划方法包括以下步骤：

S1、获取工作空间和障碍物环境信息，设置机器人在关节空间中的起始点、目标点和障碍物深料框的位置，建立路径规划模型；

S2、在所述路径规划模型中加入预抓取点约束所述机器人的运动路径，调整所述机器人的入框姿态；

S3、通过目标偏置采样策略减小所述路径规划模型中随机树扩展的随机性；

S4、通过自适应目标引力策略引导所述随机树中新节点的扩展方式，得到初始路径；

S5、通过贪婪删除策略对所述初始路径进行修剪；

S6、通过多次B样条曲线对修剪后的所述初始路径进行平滑处理，得到最终路径。

2.如权利要求1所述的机器人深框抓取的路径规划方法，其特征在于，所述预抓取点为在执行深框抓取任务时，给出待抓取工件的抓取点后，将所述抓取点垂直向上移动到与深框水平平面平行的位置的点。

3.如权利要求1所述的机器人深框抓取的路径规划方法，其特征在于，步骤S3中，所述目标偏置采样策略为在所述随机树的扩展过程中，以预设概率p使得采样点作为扩展的目标点，以1-p的概率随机获得随机采样点。

4.如权利要求1所述的机器人深框抓取的路径规划方法，其特征在于，步骤S4中，所述新节点的计算公式如下：

其中，δ表示引力系数并用于控制所述新节点的方向和距离，q_new表示所述新节点，q_rand表示随机采样点，q_goal表示目标采样点，ε表示扩展步长，

q_nearest表示距离所述随机采样点q_rand最近的节点。

5.如权利要求3所述的机器人深框抓取的路径规划方法，其特征在于，步骤S4中，所述自适应目标引力策略为：

当所述随机树在目标引力作用下扩展时没有遇到障碍物时，则保持当前的所述引力系数继续扩展；当遇到障碍物时，则通过不断的缩小所述引力系数的值，循环计算出所述新节点。

6.如权利要求1所述的机器人深框抓取的路径规划方法，其特征在于，步骤S6中，多次所述B样条曲线计算公式如下：

其中，d_i为样条曲线的控制顶点，P(u)表示在u时刻曲线上的型值点，B_i,k(u)是样条曲线的基函数，k表示所述B样条曲线的总次数，i表示所述B样条曲线的当前次数，所述基函数是根据时间节点矢量表示为U＝[u₀,u₁,u₂,…u_0n+k+1]确定的分段函数，并满足以下关系式：

7.如权利要求1所述的机器人深框抓取的路径规划方法，其特征在于，所述路径模型的建立基于RRT算法。