CN117359639A - 一种机器人集群协作控制方法及系统 - Google Patents
一种机器人集群协作控制方法及系统 Download PDFInfo
- Publication number
- CN117359639A CN117359639A CN202311562404.5A CN202311562404A CN117359639A CN 117359639 A CN117359639 A CN 117359639A CN 202311562404 A CN202311562404 A CN 202311562404A CN 117359639 A CN117359639 A CN 117359639A
- Authority
- CN
- China
- Prior art keywords
- individual
- motion
- cluster
- determining
- robots
- 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 57
- 230000033001 locomotion Effects 0.000 claims abstract description 104
- 238000004590 computer program Methods 0.000 claims abstract description 26
- 238000013507 mapping Methods 0.000 claims abstract description 7
- 230000000875 corresponding effect Effects 0.000 claims description 61
- 238000004364 calculation method Methods 0.000 claims description 44
- 238000005070 sampling Methods 0.000 claims description 25
- 238000004088 simulation Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 238000003032 molecular docking Methods 0.000 claims description 8
- 230000002596 correlated effect Effects 0.000 claims description 5
- 238000005265 energy consumption Methods 0.000 claims description 5
- 238000004138 cluster model Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000012636 effector Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
-
- 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
- B25J9/1656—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
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Manipulator (AREA)
Abstract
本申请涉及自动控制智能应用技术领域，特别是涉及一种机器人集群协作控制方法、系统、计算机设备、存储介质和计算机程序产品。所述方法包括：分别获取个体机器人的自由度信息，确定个体运动结构模型；根据目标作业任务的流程次序确定次序关系，确定相邻的个体机器人之间的接驳点参数；在统一的空间坐标系内将个体运动结构模型连接，得到集群运动控制模型；在所述空间坐标系中确定与目标作业任务对应的阶段检验点，基于集群运动控制模型逆向解算所述阶段检验点，得到协作控制指令；以接驳点为分界点，将协作控制指令映射至不同的所述子运动单元，并将划分后的协作控制指令分发至相关联的个体机器人。采用本方法能够提高运动控制的精确度。
Description
技术领域
本申请涉及自动控制智能应用技术领域，特别是涉及一种机器人集群协作控制方法、系统、计算机设备、存储介质和计算机程序产品。
背景技术
机器人是一种能够执行各种任务的自动化设备或系统。它可以通过程序控制和传感器反馈来感知环境、做出决策并执行动作。机器人可以具有不同的形态和功能，包括工业机器人、服务机器人、医疗机器人、军事机器人等。机器人的应用非常广泛，涵盖了许多领域。以下是一些常见的机器人应用示例：工业自动化、服务与助理、农业与农业、医疗与护理、教育与娱乐、探索与救援、科学研究与探索。机器人的应用还在不断扩展和创新，随着人工智能、感知技术和机器学习的发展，机器人在各个领域的应用将更加广泛和智能化。
随着生产力的发展，对机器人能够提供的生产力复杂度提出了更高的要求，因此机器人集群得到了重要的应用。机器人集群是指由多个机器人组成的群体或团队，它们可以协同工作、相互通信和共享信息。机器人集群能够提高生产效率和生产力、增强灵活性和适应性、还可以可以通过相互通信和协作来实现复杂的任务和合作行为。它们可以共享信息、协调动作和分工合作，从而实现更高级别的任务完成。机器人集群可以通过分摊成本和风险来降低单个机器人系统的投资和风险。相比于一个大型、高成本的机器人系统，多个小型、低成本的机器人可以更经济和可行。
相关技术中，机器人集群控制通常通过在机器人集群中建立通信关系，从而实现各级机器人的接力控制。具体地，通常将任务目标拆分至每一级机器人进行独立完成，通过完成后接力传递的方式实现完整的处理流程。
然而，目前的机器人协作控制方法，存在如下的技术问题：
采用分块独立计算的方式实现集群的控制，对控制指令的运算要求高，容易导致协作结果不理想。
发明内容
基于此，有必要针对上述技术问题，提供一种能够将独立的机器人联合为整体进行集群的运动学计算，从而提高运动控制的精确度的一种机器人集群协作控制方法、系统、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种机器人集群协作控制方法。所述方法包括：
分别获取独立状态下个体机器人的自由度信息，基于所述自由度信息确定所述个体机器人对应的个体运动结构模型；
根据目标作业任务的流程次序确定所述个体机器人之间的次序关系，并确定相邻的所述个体机器人之间的接驳点参数；
基于所述接驳点参数对应的接驳点以及所述个体机器人之间的位置关系，在统一的空间坐标系内将所述个体运动结构模型连接，得到集群运动控制模型，所述集群运动结构模型包括与所述个体机器人对应的子运动单元，还包括用于限制所述子运动单元之间运动关系的关联约束信息；
在所述空间坐标系中确定与所述目标作业任务对应的阶段检验点，基于所述集群运动控制模型逆向解算所述阶段检验点，得到与机器人集群对应的协作控制指令；
以所述接驳点为分界点，将所述协作控制指令划分并映射至不同的所述子运动单元，并将划分后的所述协作控制指令分发至相关联的所述个体机器人。
在其中一个实施例中，所述分别获取独立状态下个体机器人的自由度信息，基于所述自由度信息确定所述个体机器人对应的个体运动结构模型包括：
分别获取所述个体机器人的所述自由度信息，基于所述自由度信息得到与所述个体机器人对应的个体运动模拟结果；
基于所述个体运动模拟结果得到与所述个体机器人对应的个体运动结构模型。
在其中一个实施例中，所述根据目标作业任务的流程次序确定所述个体机器人之间的次序关系，并确定相邻的所述个体机器人之间的接驳点参数包括：
基于所述个体运动模型得到相邻的两个所述个体机器人之间的接驳约束空间；
以预设的采样密度在所述接驳约束空间内确定若干个采样点；
遍历计算每个所述采样点的接驳资源量，以所述接驳资源量最小值的所述采样点作为所述接驳点。
在其中一个实施例中，所述遍历计算每个所述采样点的接驳资源量，以所述接驳资源量最小值的所述采样点作为所述接驳点包括：
确定当前接驳资源量的计算基准，所述计算基准包括时间消耗量、能源消耗量、流程延误量中的一种或多种；
基于所述计算基准进行遍历计算，得到所述接驳资源量。
在其中一个实施例中，所述在所述空间坐标系中确定与所述目标作业任务对应的阶段检验点，基于所述集群运动控制模型逆向解算所述阶段检验点，得到与机器人集群对应的协作控制指令包括：
根据所述个体机器人的数量确定所述集群运动控制模型的复杂度；
在逆向解算所述阶段检验点中，在所述集群运动控制模型中设定误差量，所述误差量与所述复杂度呈正相关。
在其中一个实施例中，所述关联约束信息包括：碰撞约束、干涉约束、联动约束、工序规范约束中的一种或多种。
第二方面，本申请还提供了一种机器人集群协作控制系统。所述系统包括：
个体模型模块，用于分别获取独立状态下个体机器人的自由度信息，基于所述自由度信息确定所述个体机器人对应的个体运动结构模型；
接驳点计算模块，用于根据目标作业任务的流程次序确定所述个体机器人之间的次序关系，并确定相邻的所述个体机器人之间的接驳点参数；
集群模型搭建模块，用于基于所述接驳点参数对应的接驳点以及所述个体机器人之间的位置关系，在统一的空间坐标系内将所述个体运动结构模型连接，得到集群运动控制模型，所述集群运动结构模型包括与所述个体机器人对应的子运动单元，还包括用于限制所述子运动单元之间运动关系的关联约束信息；
协作控制指令模块，用于在所述空间坐标系中确定与所述目标作业任务对应的阶段检验点，基于所述集群运动控制模型逆向解算所述阶段检验点，得到与机器人集群对应的协作控制指令；
指令分割模块，用于以所述接驳点为分界点，将所述协作控制指令划分并映射至不同的所述子运动单元，并将划分后的所述协作控制指令分发至相关联的所述个体机器人。
在其中一个实施例中，所述个体模型模块包括：
运动模拟模块，用于分别获取所述个体机器人的所述自由度信息，基于所述自由度信息得到与所述个体机器人对应的个体运动模拟结果；
模型搭建模块，用于基于所述个体运动模拟结果得到与所述个体机器人对应的个体运动结构模型。
在其中一个实施例中，所述接驳点计算模块包括：
接驳约束空间模块，用于基于所述个体运动模型得到相邻的两个所述个体机器人之间的接驳约束空间；
采样点模块，用于以预设的采样密度在所述接驳约束空间内确定若干个采样点；
接驳资源计算模块，用于遍历计算每个所述采样点的接驳资源量，以所述接驳资源量最小值的所述采样点作为所述接驳点。
在其中一个实施例中，所述接驳资源计算模块包括：
计算基准模块，用于确定当前接驳资源量的计算基准，所述计算基准包括时间消耗量、能源消耗量、流程延误量中的一种或多种；
基准计算模块，用于基于所述计算基准进行遍历计算，得到所述接驳资源量。
在其中一个实施例中，所述协作控制指令模块包括：
复杂度模块，用于根据所述个体机器人的数量确定所述集群运动控制模型的复杂度；
误差设定模块，用于在逆向解算所述阶段检验点中，在所述集群运动控制模型中设定误差量，所述误差量与所述复杂度呈正相关。
在其中一个实施例中，所述关联约束信息包括：碰撞约束、干涉约束、联动约束、工序规范约束中的一种或多种。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如第一方面中任意一项实施例所述的一种机器人集群协作控制方法中的步骤。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面中任意一项实施例所述的一种机器人集群协作控制方法中的步骤。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如第一方面中任意一项实施例所述的一种机器人集群协作控制方法中的步骤。
上述一种机器人集群协作控制方法、系统、计算机设备、存储介质和计算机程序产品，通过独权中的技术特征进行推导，能够达到对应背景技术中的技术问题的有益效果：
在机器人集群协作控制的处理中是，首先分别根据每个个体机器人的自由度信息，构建得到与个体机器人对应的个体运动结构模型，从而得到了个体机器人对应的抽象的运动仿真条件，此时个体机器人还处于独立状态，可以根据目标作业任务的流程次序确定个体机器人之间的连接、传递的次序关系，从而得知需要发生交互动作的个体机器人。此时可以通过空间坐标系确定相邻的个体机器人之间的接驳点参数，以接驳点作为固定的锚点，将处于独立状态的个体机器人连接为集群运动控制模型，在集群运动控制模型中，由于接驳点的存在，个体机器人的运动范围会得到初步的约束，从而初步缩小的参数的计算范围。此时，可以获取目标作业任务对应的阶段检验点，作为运动控制的目标点，在具备集群运动控制模型以及目标点的情况下，可以通过逆向解算得到为了到达目标点，集群运动控制模型中的机械结构在特定时刻需要达到的位置信息。最后，根据接驳点的空间位置对协作控制指令进行分隔，就可以得到每个个体机器人对应的控制指令。在实施中，通过建立对应集群整体的运动控制模型，进行了集群整体的运动学计算，随后将得到的指令拆分，进行分布式地控制，有助于在提高运动控制精确度的前提下，提高运动控制的效率。
附图说明
图1为一个实施例中一种机器人集群协作控制方法的第一流程示意图；
图2为一个实施例中一种机器人集群协作控制系统的结构框图；
图3为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的一种机器人集群协作控制方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
相关技术中，机器人集群控制通常通过在机器人集群中建立通信关系，从而实现各级机器人的接力控制。具体地，通常将任务目标拆分至每一级机器人进行独立完成，通过完成后接力传递的方式实现完整的处理流程。
然而，目前的机器人协作控制方法，存在如下的技术问题：
采用分块独立计算的方式实现集群的控制，对控制指令的运算要求高，容易导致协作结果不理想。
基于此，在一个实施例中，如图1所示，提供了一种机器人集群协作控制方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
步骤101：分别获取独立状态下个体机器人的自由度信息，基于所述自由度信息确定所述个体机器人对应的个体运动结构模型。
其中，自由度是指物体或系统在空间中可以自由运动的独立方向或独立参数的数量。本申请实施例中的自由度具体可以包括个体机器人的机械臂数量、机械臂尺寸、旋转方向、移动方向等。
步骤103：根据目标作业任务的流程次序确定所述个体机器人之间的次序关系，并确定相邻的所述个体机器人之间的接驳点参数。
其中，接驳点可以指相邻的个体机器人之间传递物料时的接触点。个体机器人之间的次序关系可以为线性的次序，也可以为非线性的交替、重复传递的次序。
步骤105：基于所述接驳点参数对应的接驳点以及所述个体机器人之间的位置关系，在统一的空间坐标系内将所述个体运动结构模型连接，得到集群运动控制模型，所述集群运动结构模型包括与所述个体机器人对应的子运动单元，还包括用于限制所述子运动单元之间运动关系的关联约束信息。
具体地，集群运动控制模型中可以包括将个体机器人合并后的动作约束关系，例如集群内的A点到达某特定位置时，在同一任务流程内的其他个体机器人上采样得到的B点达到的位置，这里的位置信息可以以向量的形式表示，也可以以旋转矩阵的形式表示。这样，可以得到输出为目标位置，输入为机器人各机械部件位置的约束关系。
步骤107：在所述空间坐标系中确定与所述目标作业任务对应的阶段检验点，基于所述集群运动控制模型逆向解算所述阶段检验点，得到与机器人集群对应的协作控制指令。
具体地，在目标任务的处理流程中，处理对象的位置在处理、加工、传递等阶段需要固定位置，在运输等阶段可以适应性调节，阶段检验点可以指在目标作业任务的处理流程中，处理对象必须到达的检验点，检验点可以对应不同的任务阶段。阶段检验点可以包括接驳点。
逆向运动解算是指根据给定的末端执行器(例如机械臂末端)的位置、姿态和运动要求，计算出使执行器达到目标位置和姿态所需的关节角度或关节运动轨迹的过程。
步骤109：以所述接驳点为分界点，将所述协作控制指令划分并映射至不同的所述子运动单元，并将划分后的所述协作控制指令分发至相关联的所述个体机器人。
上述一种机器人集群协作控制方法中，结合实施例中的技术特征进行合理推导，能够实现解决背景技术中所提出的技术问题的有益效果：
在机器人集群协作控制的处理中是，首先分别根据每个个体机器人的自由度信息，构建得到与个体机器人对应的个体运动结构模型，从而得到了个体机器人对应的抽象的运动仿真条件，此时个体机器人还处于独立状态，可以根据目标作业任务的流程次序确定个体机器人之间的连接、传递的次序关系，从而得知需要发生交互动作的个体机器人。此时可以通过空间坐标系确定相邻的个体机器人之间的接驳点参数，以接驳点作为固定的锚点，将处于独立状态的个体机器人连接为集群运动控制模型，在集群运动控制模型中，由于接驳点的存在，个体机器人的运动范围会得到初步的约束，从而初步缩小的参数的计算范围。此时，可以获取目标作业任务对应的阶段检验点，作为运动控制的目标点，在具备集群运动控制模型以及目标点的情况下，可以通过逆向解算得到为了到达目标点，集群运动控制模型中的机械结构在特定时刻需要达到的位置信息。最后，根据接驳点的空间位置对协作控制指令进行分隔，就可以得到每个个体机器人对应的控制指令。在实施中，通过建立对应集群整体的运动控制模型，进行了集群整体的运动学计算，随后将得到的指令拆分，进行分布式地控制，有助于在提高运动控制精确度的前提下，提高运动控制的效率。
在其中一个实施例中，所述步骤101包括：
步骤101-1：分别获取所述个体机器人的所述自由度信息，基于所述自由度信息得到与所述个体机器人对应的个体运动模拟结果；
步骤101-3：基于所述个体运动模拟结果得到与所述个体机器人对应的个体运动结构模型。
在其中一个实施例中，所述步骤103包括：
步骤103-1：基于所述个体运动模型得到相邻的两个所述个体机器人之间的接驳约束空间。
具体地，接驳约束空间可以指相邻两个个体机器人的可动空间的交集区域对应的空间。
步骤103-3：以预设的采样密度在所述接驳约束空间内确定若干个采样点。
步骤103-5：遍历计算每个所述采样点的接驳资源量，以所述接驳资源量最小值的所述采样点作为所述接驳点。
本实施例中，通过在接驳约束空间内进行接驳资源的计算，有助于选取出消耗接驳资源量最少的接驳点，从而提高接驳效率以及资源消耗量。
在其中一个实施例中，所述步骤103-5包括：
步骤103-51：确定当前接驳资源量的计算基准，所述计算基准包括时间消耗量、能源消耗量、流程延误量中的一种或多种。
步骤103-53：基于所述计算基准进行遍历计算，得到所述接驳资源量。
本实施例中，通过设置不同的接驳资源量计算基准，有助于根据工程需要进行相应的设置，提高了接驳点计算的灵活性。
在其中一个实施例中，所述步骤107包括：
步骤107-1：根据所述个体机器人的数量确定所述集群运动控制模型的复杂度。
具体地，复杂度可以指事物、系统或问题的复杂程度或难度。它可以用来描述一个系统的结构、行为或处理过程的复杂性。终端在计算复杂度的过程中，可以根据个体机器人对应的个体运动结构模型中包括的自由度数量，确定一个量化的复杂度指标，随后将集群内全部的个体机器人的复杂度指标累加，从而得到最终的复杂度。
步骤107-3：在逆向解算所述阶段检验点中，在所述集群运动控制模型中设定误差量，所述误差量与所述复杂度呈正相关。
本实施例中，通过对系统的复杂度进行评判，有助于在控制指令求解的过程中加入误差因素，从而有助于提高控制指令计算的精确度。
在其中一个实施例中，所述关联约束信息包括：碰撞约束、干涉约束、联动约束、工序规范约束中的一种或多种。
应该理解的是，虽然如上所述的各实施例所涉及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，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的一种机器人集群协作控制方法的一种机器人集群协作控制系统。该系统所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个一种机器人集群协作控制系统实施例中的具体限定可以参见上文中对于一种机器人集群协作控制方法的限定，在此不再赘述。
在一个实施例中，如图2所示，提供了一种机器人集群协作控制系统，包括：个体模型模块、接驳点计算模块、集群模型搭建模块、协作控制指令模块和指令分割模块，其中：
个体模型模块，用于分别获取独立状态下个体机器人的自由度信息，基于所述自由度信息确定所述个体机器人对应的个体运动结构模型；
接驳点计算模块，用于根据目标作业任务的流程次序确定所述个体机器人之间的次序关系，并确定相邻的所述个体机器人之间的接驳点参数；
集群模型搭建模块，用于基于所述接驳点参数对应的接驳点以及所述个体机器人之间的位置关系，在统一的空间坐标系内将所述个体运动结构模型连接，得到集群运动控制模型，所述集群运动结构模型包括与所述个体机器人对应的子运动单元，还包括用于限制所述子运动单元之间运动关系的关联约束信息；
协作控制指令模块，用于在所述空间坐标系中确定与所述目标作业任务对应的阶段检验点，基于所述集群运动控制模型逆向解算所述阶段检验点，得到与机器人集群对应的协作控制指令；
指令分割模块，用于以所述接驳点为分界点，将所述协作控制指令划分并映射至不同的所述子运动单元，并将划分后的所述协作控制指令分发至相关联的所述个体机器人。
在其中一个实施例中，所述个体模型模块包括：
运动模拟模块，用于分别获取所述个体机器人的所述自由度信息，基于所述自由度信息得到与所述个体机器人对应的个体运动模拟结果；
模型搭建模块，用于基于所述个体运动模拟结果得到与所述个体机器人对应的个体运动结构模型。
在其中一个实施例中，所述接驳点计算模块包括：
接驳约束空间模块，用于基于所述个体运动模型得到相邻的两个所述个体机器人之间的接驳约束空间；
采样点模块，用于以预设的采样密度在所述接驳约束空间内确定若干个采样点；
接驳资源计算模块，用于遍历计算每个所述采样点的接驳资源量，以所述接驳资源量最小值的所述采样点作为所述接驳点。
在其中一个实施例中，所述接驳资源计算模块包括：
计算基准模块，用于确定当前接驳资源量的计算基准，所述计算基准包括时间消耗量、能源消耗量、流程延误量中的一种或多种；
基准计算模块，用于基于所述计算基准进行遍历计算，得到所述接驳资源量。
在其中一个实施例中，所述协作控制指令模块包括：
复杂度模块，用于根据所述个体机器人的数量确定所述集群运动控制模型的复杂度；
误差设定模块，用于在逆向解算所述阶段检验点中，在所述集群运动控制模型中设定误差量，所述误差量与所述复杂度呈正相关。
在其中一个实施例中，所述关联约束信息包括：碰撞约束、干涉约束、联动约束、工序规范约束中的一种或多种。
上述一种机器人集群协作控制系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图3所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入系统。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入系统通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种机器人集群协作控制方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影系统或虚拟现实成像系统。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入系统可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种机器人集群协作控制方法，其特征在于，所述方法包括：
分别获取独立状态下个体机器人的自由度信息，基于所述自由度信息确定所述个体机器人对应的个体运动结构模型；
根据目标作业任务的流程次序确定所述个体机器人之间的次序关系，并确定相邻的所述个体机器人之间的接驳点参数；
基于所述接驳点参数对应的接驳点以及所述个体机器人之间的位置关系，在统一的空间坐标系内将所述个体运动结构模型连接，得到集群运动控制模型，所述集群运动结构模型包括与所述个体机器人对应的子运动单元，还包括用于限制所述子运动单元之间运动关系的关联约束信息；
在所述空间坐标系中确定与所述目标作业任务对应的阶段检验点，基于所述集群运动控制模型逆向解算所述阶段检验点，得到与机器人集群对应的协作控制指令；
以所述接驳点为分界点，将所述协作控制指令划分并映射至不同的所述子运动单元，并将划分后的所述协作控制指令分发至相关联的所述个体机器人。
2.根据权利要求1所述的方法，其特征在于，所述分别获取独立状态下个体机器人的自由度信息，基于所述自由度信息确定所述个体机器人对应的个体运动结构模型包括：
分别获取所述个体机器人的所述自由度信息，基于所述自由度信息得到与所述个体机器人对应的个体运动模拟结果；
基于所述个体运动模拟结果得到与所述个体机器人对应的个体运动结构模型。
3.根据权利要求1所述的方法，其特征在于，所述根据目标作业任务的流程次序确定所述个体机器人之间的次序关系，并确定相邻的所述个体机器人之间的接驳点参数包括：
基于所述个体运动模型得到相邻的两个所述个体机器人之间的接驳约束空间；
以预设的采样密度在所述接驳约束空间内确定若干个采样点；
遍历计算每个所述采样点的接驳资源量，以所述接驳资源量最小值的所述采样点作为所述接驳点。
4.根据权利要求1所述的方法，其特征在于，所述遍历计算每个所述采样点的接驳资源量，以所述接驳资源量最小值的所述采样点作为所述接驳点包括：
确定当前接驳资源量的计算基准，所述计算基准包括时间消耗量、能源消耗量、流程延误量中的一种或多种；
基于所述计算基准进行遍历计算，得到所述接驳资源量。
5.根据权利要求1至4任意一项所述的方法，其特征在于，所述在所述空间坐标系中确定与所述目标作业任务对应的阶段检验点，基于所述集群运动控制模型逆向解算所述阶段检验点，得到与机器人集群对应的协作控制指令包括：
根据所述个体机器人的数量确定所述集群运动控制模型的复杂度；
在逆向解算所述阶段检验点中，在所述集群运动控制模型中设定误差量，所述误差量与所述复杂度呈正相关。
6.根据权利要求1所述的方法，其特征在于，所述关联约束信息包括：碰撞约束、干涉约束、联动约束、工序规范约束中的一种或多种。
7.一种机器人集群协作控制系统，其特征在于，所述系统包括：
个体模型模块，用于分别获取独立状态下个体机器人的自由度信息，基于所述自由度信息确定所述个体机器人对应的个体运动结构模型；
接驳点计算模块，用于根据目标作业任务的流程次序确定所述个体机器人之间的次序关系，并确定相邻的所述个体机器人之间的接驳点参数；
集群模型搭建模块，用于基于所述接驳点参数对应的接驳点以及所述个体机器人之间的位置关系，在统一的空间坐标系内将所述个体运动结构模型连接，得到集群运动控制模型，所述集群运动结构模型包括与所述个体机器人对应的子运动单元，还包括用于限制所述子运动单元之间运动关系的关联约束信息；
协作控制指令模块，用于在所述空间坐标系中确定与所述目标作业任务对应的阶段检验点，基于所述集群运动控制模型逆向解算所述阶段检验点，得到与机器人集群对应的协作控制指令；
指令分割模块，用于以所述接驳点为分界点，将所述协作控制指令划分并映射至不同的所述子运动单元，并将划分后的所述协作控制指令分发至相关联的所述个体机器人。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311562404.5A CN117359639A (zh) | 2023-11-22 | 2023-11-22 | 一种机器人集群协作控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311562404.5A CN117359639A (zh) | 2023-11-22 | 2023-11-22 | 一种机器人集群协作控制方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117359639A true CN117359639A (zh) | 2024-01-09 |
Family
ID=89406046
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311562404.5A Pending CN117359639A (zh) | 2023-11-22 | 2023-11-22 | 一种机器人集群协作控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117359639A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117798936A (zh) * | 2024-02-29 | 2024-04-02 | 卡奥斯工业智能研究院(青岛)有限公司 | 机械臂集群的控制方法、装置、电子设备及存储介质 |
| CN118061156A (zh) * | 2024-02-29 | 2024-05-24 | 浙江大学 | 基于人机匹配的液压机械臂主从控制上肢外骨骼优化方法 |
-
2023
- 2023-11-22 CN CN202311562404.5A patent/CN117359639A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117798936A (zh) * | 2024-02-29 | 2024-04-02 | 卡奥斯工业智能研究院(青岛)有限公司 | 机械臂集群的控制方法、装置、电子设备及存储介质 |
| CN118061156A (zh) * | 2024-02-29 | 2024-05-24 | 浙江大学 | 基于人机匹配的液压机械臂主从控制上肢外骨骼优化方法 |
| CN117798936B (zh) * | 2024-02-29 | 2024-06-07 | 卡奥斯工业智能研究院(青岛)有限公司 | 机械臂集群的控制方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117359639A (zh) | 一种机器人集群协作控制方法及系统 | |
| US11941719B2 (en) | Learning robotic tasks using one or more neural networks | |
| Kehoe et al. | A survey of research on cloud robotics and automation | |
| US20210019633A1 (en) | System and method for shift-based information mixing across channels for shufflenet-like neural networks | |
| Sankaranarayanan et al. | Role of haptics in teaching structural molecular biology | |
| CN109656867B (zh) | Slam运算装置和方法 | |
| WO2023202511A1 (zh) | 一种数据的处理方法、神经网络的训练方法以及相关设备 | |
| Santucci et al. | The sensing enterprise | |
| CN111178545B (zh) | 一种动态强化学习决策训练系统 | |
| WO2023103581A1 (zh) | 骨骼蒙皮方法、装置、计算机设备和存储介质 | |
| US20200342959A1 (en) | System and method for molecular design on a quantum computer | |
| Tang et al. | Cooperative motion of swarm mobile robots based on particle swarm optimization and multibody system dynamics | |
| CN102073771A (zh) | 一种机构建模方法及装置 | |
| Basl | The pilot survey of the industry 4.0 principles penetration in the selected Czech and Polish companies. | |
| Wan et al. | Integrated assembly and motion planning using regrasp graphs | |
| JP7044449B2 (ja) | 量子トモグラフィを容易化するためのシステム、コンピュータによって実施される方法、およびコンピュータ・プログラム | |
| CN115042184A (zh) | 机器人手眼坐标转换方法、装置、计算机设备和存储介质 | |
| CN115533905A (zh) | 机器人操作技能的虚实迁移学习方法、装置及存储介质 | |
| CN116824092A (zh) | 三维模型生成方法、装置、计算机设备和存储介质 | |
| CN116958426A (zh) | 虚拟调试配置方法、装置、计算机设备、存储介质 | |
| CN109491381B (zh) | 基于观测器的多移动机器人自适应编队跟踪控制方法 | |
| Bastl et al. | Evolutionary algorithms in robot calibration | |
| US9364951B1 (en) | System for controlling motion and constraint forces in a robotic system | |
| Veres et al. | An integrated simulator and dataset that combines grasping and vision for deep learning | |
| Ren et al. | Digital twin robotic system with continuous learning for grasp detection in variable scenes |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |