CN117921668A - 一种机器人杆件参数的确定方法、装置、设备及介质 - Google Patents
一种机器人杆件参数的确定方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117921668A CN117921668A CN202410155740.6A CN202410155740A CN117921668A CN 117921668 A CN117921668 A CN 117921668A CN 202410155740 A CN202410155740 A CN 202410155740A CN 117921668 A CN117921668 A CN 117921668A
- Authority
- CN
- China
- Prior art keywords
- parameters
- dimensional model
- robot
- rod
- simulation
- 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 69
- 238000004088 simulation Methods 0.000 claims abstract description 219
- 238000004458 analytical method Methods 0.000 claims abstract description 103
- 230000008569 process Effects 0.000 claims abstract description 22
- 239000002245 particle Substances 0.000 claims description 213
- 238000004422 calculation algorithm Methods 0.000 claims description 40
- 230000001133 acceleration Effects 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012933 kinetic analysis Methods 0.000 claims description 9
- 239000000463 material Substances 0.000 claims description 8
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005094 computer simulation Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Manipulator (AREA)
Abstract
本发明公开了一种机器人杆件参数的确定方法、装置、设备及介质。通过基于获取的机器人的结构参数建模机器人的三维模型;其中,结构参数包括杆件参数;对三维模型进行仿真分析,确定三维模型对应的仿真指标数据;在三维模型对应的仿真指标数据不满足机器人的作业条件的情况下,更新三维模型的杆件参数和机器人的结构参数,并基于更新后的结构参数返回执行三维建模操作,基于得到的新的三维模型确定新的三维模型对应的仿真指标数据;直到得到满足机器人的作业条件的仿真指标数据;将满足机器人的作业条件的仿真指标数据对应的三维模型中的杆件参数确定为目标杆件参数,构建了杆件参数的闭环迭代过程,提高了机器人杆件参数确定的效率。
Description
技术领域
本发明涉及机械人技术领域,尤其涉及一种机器人杆件参数的确定方法、装置、设备及介质。
背景技术
机器人由视觉传感器、机械臂及主控计算机组成,杆件设计是机器人设计的关键,直接关系到机器人的综合性能。
目前,现有技术通常将杆件参数直接代入理论公式中,建立起对应的数学模型,根据该数学模型进行运动学与动力学分析,以确定最优的杆件参数。但是,杆件参数往往存在多种解,理论计算难以确定杆件参数的最优解。
发明内容
本发明提供了一种机器人杆件参数的确定方法、装置、设备及介质,以解决杆件参数的最优解确定困难的问题。
根据本发明的一方面,提供了一种机器人杆件参数的确定方法,方法包括:
获取机器人的结构参数;基于结构参数进行三维建模,得到机器人的三维模型;其中,结构参数包括杆件参数;
对三维模型进行仿真分析,确定三维模型对应的仿真指标数据;
在三维模型对应的仿真指标数据不满足机器人的作业条件的情况下,对三维模型的杆件参数进行更新,得到更新杆件参数;
基于更新杆件参数更新机器人的结构参数,并基于更新后的结构参数返回执行三维建模操作,得到新的三维模型,基于新的三维模型确定新的三维模型对应的仿真指标数据;直到得到满足机器人的作业条件的仿真指标数据;
将满足机器人的作业条件的仿真指标数据对应的三维模型中的杆件参数确定为目标杆件参数。
根据本发明的另一方面,提供了一种机器人杆件参数的确定装置,包括:
结构参数获取模块,用于获取机器人的结构参数;基于结构参数进行三维建模,得到机器人的三维模型;其中,结构参数包括杆件参数;
仿真分析模块,用于对三维模型进行仿真分析,确定三维模型对应的仿真指标数据;
杆件参数更新模块,用于在三维模型对应的仿真指标数据不满足机器人的作业条件的情况下,对三维模型的杆件参数进行更新,得到更新杆件参数;
结构参数更新模块,用于基于更新杆件参数更新机器人的结构参数,并基于更新后的结构参数返回执行三维建模操作,得到新的三维模型,基于新的三维模型确定新的三维模型对应的仿真指标数据;直到得到满足机器人的作业条件的仿真指标数据;
目标杆件参数确定模块,用于将满足机器人的作业条件的仿真指标数据对应的三维模型中的杆件参数确定为目标杆件参数。
根据本发明的另一方面,提供了一种电子设备,电子设备包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的计算机程序,计算机程序被至少一个处理器执行,以使至少一个处理器能够执行本发明任一实施例的机器人杆件参数的确定方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,计算机指令用于使处理器执行时实现本发明任一实施例的机器人杆件参数的确定方法。
本发明实施例的技术方案,通过获取机器人的结构参数;基于结构参数进行三维建模,得到机器人的三维模型;其中,结构参数包括杆件参数;对三维模型进行仿真分析,确定三维模型对应的仿真指标数据;在三维模型对应的仿真指标数据不满足机器人的作业条件的情况下,对三维模型的杆件参数进行更新,得到更新杆件参数;基于更新杆件参数更新机器人的结构参数,并基于更新后的结构参数返回执行三维建模操作,得到新的三维模型,基于新的三维模型确定新的三维模型对应的仿真指标数据;直到得到满足机器人的作业条件的仿真指标数据;将满足机器人的作业条件的仿真指标数据对应的三维模型中的杆件参数确定为目标杆件参数。通过三维建模、仿真分析、在仿真指标数据不满足机器人的作业条件的情况下对杆件参数进行更新,构建确定机器人杆件参数的闭环迭代过程,能够实现机器人杆件参数的自动更新,而不需要手动执行上述迭代过程,减少了人机交互,提高了机器人杆件参数确定的效率。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的一种机器人杆件参数的确定方法的流程图;
图2是本发明实施例一提供的一种机器人的结构示意图;
图3是本发明实施例一提供的一种杆件参数闭环迭代的流程图;
图4是本发明实施例二提供的一种机器人杆件参数的确定方法的流程图;
图5是本发明实施例二提供的一种机器人杆件参数的确定方法的流程图;
图6是本发明实施例三提供的一种机器人杆件参数的确定装置的结构示意图;
图7是实现本发明实施例的机器人杆件参数的确定方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1是本发明实施例一提供的一种机器人杆件参数的确定方法的流程图,本实施例可适用于对机器人的杆件参数进行设计的情况,该方法可以由机器人杆件参数的确定装置来执行,该机器人杆件参数的确定装置可以采用硬件和/或软件的形式实现,该机器人杆件参数的确定装置可配置于计算机和服务器等电子设备中。
在本实施例中,机器人是一种能够执行各种任务的半自动化或自动化设备,例如,手术机器人和工业机器人。需要说明的是,机器人包括一个或多个机械臂,每一机械臂对应一个执行末端;执行末端配置有执行器,用于执行特定任务。机器人包括多个杆件,相邻两个杆件通过关节连接,关节可以为可运动关节,也可以为不可运动关节。
示例性的,图2是本发明实施例一提供的一种机器人的结构示意图,如图2所示,机器人20包括基座21、平移关节22、旋转关节23、旋转关节24、平移关节25、旋转关节26、平移关节27、执行末端28、连杆31、连杆32、连杆33、连杆34、连杆35、连杆36和连杆37。其中,连杆32、连杆33、连杆35和连杆36均包括一个边,连杆31、连杆34和连杆37均包括多个边,则以每一连杆的每一边为一个杆件,且同一连杆包括的多个杆件通过不可运动关节连接。例如,连杆31包括4个边,则连杆31对应4个杆件,且4个杆件的相对位置和相对角度固定。
如图1所示,该方法包括:
S110、获取机器人的结构参数;基于结构参数进行三维建模,得到机器人的三维模型;其中,结构参数包括杆件参数。
在本实施例中,机器人的结构参数为表征机器人结构的参数,包括一个或多个杆件的杆件参数;杆件参数为表征杆件形状的参数,例如,杆件参数为杆件的长度参数。
具体的,机器人的杆件参数可以预先存储在结构配置文件中,通过调用预先存储在本地或服务器中的结构配置文件,并读取结构配置文件中的信息,得到机器人的结构参数;机器人的杆件参数也可以为用户手动配置的参数,通过读取用户为机器人手动配置的参数,得到机器人的结构参数。机器人的三维模型是模拟机器人的三维结构的模型。通过调用三维建模应用,在三维建模应用中创建建模环境,在建模环境中基于结构参数对机器人的结构进行建模,得到机器人的三维模型。其中,三维建模应用为用于进行三维建模的应用,三维建模应用可以为本地建模应用,也可以为在线建模应用,本实施例对此不进行限制。
示例性的,通过将本地存储的结构配置文件导入本地建模应用,使本地建模应用基于结构配置文件进行自动建模处理,得到机器人的三维模型,并将三维模型保存为.x_t文件。
在一些实施例中,机器人包括杆件和非杆件部件,可选的,结构参数还包括非杆件部件的位置参数;非杆件部件的位置参数基于杆件参数确定。
在本实施例中,非杆件部件为机器人中杆件之外的部件,示例性的,非杆件部件包括电机和电路板等中的一项或多项。非杆件部件的位置参数为表征非杆件部件的安装位置的参数,位置参数可以为相对位置参数,也可以为绝对位置参数,本实施例对此不进行限制。相对位置参数为表征非杆件部件相对于,与该非杆件部件相连的杆件的位置的参数,例如,非杆件部件的相对位置参数为“1,0.2,0.6,5,5,5”,则该非杆件部件的安装位置在第一个杆件上距离一端的0.2倍杆件长度处,到距离另一端的0.6倍杆件长度处,体积为5×5×5立方厘米。绝对位置参数为表征非杆件部件在机器人中的绝对位置,例如,非杆件部件的绝对位置参数为“(30,20,10),5,5,5”,则该非杆件部件的安装位置为在三维坐标系中(30,20,10)点对应的位置处,体积为5×5×5立方厘米。
本实施例的技术方案,结构参数还包括非杆件部件的位置参数,非杆件部件的位置参数能够为后续的仿真分析提供杆件参数的位置限定条件,避免了后续确定的机器人杆件参数与机器人实际性能不符的情况,有助于提高后续确定的机器人杆件参数的可靠性。
S120、对三维模型进行仿真分析,确定三维模型对应的仿真指标数据。
在本实施例中,仿真分析是对三维模型中杆件对应的关节的运动情况进行的自动仿真分析。可选的,仿真分析包括运动学分析和动力学分析中的一项或多项。其中,运动学分析是对三维模型的运动学性能和运动规律的分析;动力学分析是对三维模型的运动原因的分析。示例性的,假设机器人的执行末端不需要对外施加作用力,则仿真分析仅包括运动学分析;假设机器人的执行末端需要对外施加作用力,则仿真分析包括运动学分析和动力学分析。
仿真指标数据为仿真分析得到的表征三维模型性能的数据。在一些实施例中,运动学分析仿真指标数据为表征三维模型的运动学性能和运动规律的数据。可选的,运动学分析仿真指标数据包括三维模型对应的工作空间;三维模型对应的工作空间包括整体工作空间和/或至少一个执行末端对应的工作子空间。
在本实施例中,工作空间为三维模型中执行末端可到达的空间。整体工作空间为三维模型中杆件对应的全部执行末端能够自由移动和操作的空间,用于表征三维模型的整体运动学性能和运动规律。三维模型中执行末端的数量与机器人中机械臂的数量一致。执行末端对应的工作子空间为该执行末端能够自由移动和操作的空间,用于表征三维模型中该执行末端对应的机械臂的运动学性能和运动规律。可以理解的是,执行末端对应的工作子空间,由该执行末端对应的一个或多个杆件的杆件参数限制。以三维模型对应的工作空间仅包括整体工作空间为例,三维模型中包括2个机械臂,则整体工作空间由上述2个执行末端对应的工作子空间组成。以三维模型对应的工作空间包括整体工作空间和至少一个执行末端对应的工作子空间为例,在三维模型包括一个机械臂的情况下,三维模型对应的整体工作空间与该机械臂的执行末端对应的工作子空间相同。在三维模型包括多个机械臂的情况下,三维模型对应的整体工作空间由多个执行末端对应的工作子空间组成。
在一些实施例中,动力学分析仿真指标数据为表征三维模型的运动原因的数据。可选的,动力学分析仿真指标数据包括三维模型对应的动力学参数。
在本实施例中,动力学参数为用于描述三维模型中杆件对应的关节的运动原因的参数,示例性的,动力学参数包括在执行末端配置负载的情况下,每一关节的角度、速度、角加速度、力和扭矩等参数中的一项或多项。
本实施例的技术方案,运动学分析仿真指标数据包括三维模型对应的工作空间,有助于确定三维模型的位姿变化范围,得到三维模型对应的机器人的的运动学性能和运动规律;三维模型对应的工作空间包括整体工作空间,有助于提高判定三维模型需要更新杆件参数的准确度;三维模型对应的工作空间包括至少一个执行末端对应的工作子空间,有助于快速判定需要更新杆件参数的机械臂。动力学分析仿真指标数据包括三维模型对应的动力学参数,有助于确定三维模型运动所需能量。
具体的,通过对三维模型进行自动本地或在线仿真分析,确定三维模型性能,得到该三维模型对应的仿真指标数据。在一些实施例中,仿真分析包括运动学分析和动力学分析中的一项或多项,可选的,将三维模型导入各仿真分析对应的仿真应用;在仿真应用中,配置三维模型的运动副、重力加速度、材料属性和预设末端负载的一项或多项;基于配置好的仿真应用,对三维模型进行仿真应用对应的仿真分析,得到三维模型对应的运动学分析仿真指标数据和/或动力学分析仿真指标数据。
在本实施例中,不同仿真分析对应的仿真应用可以相同,也可以不同,本实施例对此不进行限制。运动副为表征相邻两个杆件对应的可运动关节的活动连接,可以理解的是,不可运动关节不配置运动副。重力加速度为物体在自由下落过程中由于地球引力作用而获得的加速度,示例性的,重力加速度配置为9.8米/秒2。材料属性为杆件和非杆件部件所用材料的属性,示例性的,杆件的材料属性为铝。预设末端负载为预先设置的每一执行末端的负载,需要说明的是,每一执行末端的预设末端负载与机器人的该执行末端实际工作中的负载相同。
具体的,对三维模型进行仿真分析的过程中,通过调用仿真应用,在仿真应用中创建仿真环境,将机器人对应的三维模型导入仿真环境中。其中,仿真应用可以为本地仿真应用,也可以为在线仿真应用,本实施例对此不进行限制。仿真环境是仿真机器人真实工作环境的虚拟环境,仿真环境可以预先存储在环境配置文件中,通过调用环境配置文件,基于环境配置文件中的信息自动配置仿真应用中的仿真环境;仿真环境也可以为用户手动配置的虚拟环境,通过读取用户对仿真应用手动配置的环境参数,得到仿真环境,本实施例对此不进行限制。在仿真分析为运动学仿真的情况下,调用运动学分析的对应的仿真应用,并将三维模型导入运动学仿真对应的仿真应用,通过在运动学仿真对应的仿真应用中,配置三维模型的运动副、重力加速度、材料属性,实现运动学仿真对应的仿真环境的创建,在运动学仿真对应的仿真环境中对三维模型进行运动学仿真,并记录仿真结果,得到三维模型对应的运动学分析仿真指标数据。在仿真分析为动力学仿真的情况下,调用动力学分析的对应的仿真应用,并将三维模型导入动力学仿真对应的仿真应用,通过在动力学仿真对应的仿真应用中,配置三维模型的运动副、重力加速度、材料属性和预设末端负载,实现仿真环境的创建,在动力学仿真对应的仿真环境中对三维模型进行动力学仿真,并记录仿真结果,得到三维模型对应的动力学分析仿真指标数据。
本实施例的技术方案,通过对三维模型进行运动学分析和/或动力学分析,得到三维模型对应的运动学分析仿真指标数据和/或动力学分析仿真指标数据,有助于确定三维模型的运动性能和运动原因,便于后续对三维模型对应的仿真指标数据的分析。
在一些实施例中,仿真分析还包括碰撞分析和任务规划分析等中的一项或多项,相应的,仿真指标数据还包括碰撞分析仿真指标数据和任务规划分析仿真指标数据等中的一项或多项;其中,碰撞分析为对三维模型中任意两个杆件之间碰撞情况的分析,碰撞分析仿真指标数据包括碰撞概率和碰撞速度等中的一项或多项;任务规划分析为对三维模型中各执行末端在每一任务下的运动规划情况的分析,任务规划分析仿真指标数据包括轨迹规划长度和动作规划完成时间等中的一项或多项,本实施例对此不进行限制。通过对三维模型进行碰撞分析和任务规划分析等中的一项或多项的自动仿真分析,能够更全面的分析三维模型的运动情况,有助于提高后续确定的机器人杆件参数的可靠性。
S130、在三维模型对应的仿真指标数据不满足机器人的作业条件的情况下,对三维模型的杆件参数进行更新,得到更新杆件参数。
在本实施例中,机器人的作业条件为机器人实际作业中,机器人自身需要满足的条件,例如,运动性能条件和电机负载条件。
具体的,通过将三维模型对应的仿真指标数据,与机器人的作业条件对应的仿真指标数据,进行比对,如果三维模型对应的仿真指标数据与机器人的作业条件对应的仿真指标数据不匹配,则判定三维模型对应的仿真指标数据不满足机器人的作业条件。可选的,机器人的作业条件包括机器人的目标工作空间和/或目标动力学参数;机器人的目标工作空间包括整体目标工作空间和/或至少一个执行末端对应的目标工作子空间。
在本实施例中,目标工作空间为机器人中执行末端可到达的空间。整体目标工作空间为,机器人中杆件对应的全部执行末端能够自由移动和操作的空间;执行末端对应的目标工作子空间为,机器人中该执行末端能够自由移动和操作的空间。
具体的,在仿真分析包括运动学分析的情况下,如果机器人的作业条件仅包括整体目标工作空间,并且三维模型对应的工作空间仅包括整体工作空间,则通过将整体目标工作空间与整体工作空间进行匹配,在整体工作空间与整体目标工作空间不匹配的情况下,判定三维模型对应的运动学分析仿真指标数据不满足机器人的作业条件。需要说明的是,在整体工作空间大于或等于整体目标工作空间,且整体工作空间的边界在整体目标工作空间的边界之上或之外的情况下,判定整体工作空间与整体目标工作空间匹配。
如果机器人的作业条件包括至少一个执行末端对应的目标工作子空间,并且三维模型对应的工作空间包括至少一个执行末端对应的工作子空间,则通过将同一执行末端对应的目标工作子空间和工作子空间进行匹配,在该执行末端对应的目标工作子空间和工作子空间不匹配的情况下,判定三维模型对应的该执行末端的运动学分析仿真指标数据不满足机器人的作业条件,需要对该执行末端对应的至少一个杆件的杆件参数进行更新。
如果机器人的作业条件包括整体目标工作空间和至少一个执行末端对应的目标工作子空间,并且三维模型对应的工作空间包括整体工作空间和至少一个执行末端对应的工作子空间,则通过将整体目标工作空间与整体工作空间进行匹配,在整体工作空间与整体目标工作空间不匹配的情况下,将整体目标工作空间中与整体工作空间不匹配的部分,与至少一个执行末端对应的目标工作子空间进行比对,在任一执行末端对应的目标工作子空间与上述不匹配的部分相同的情况下,判定三维模型对应的该执行末端的运动学分析仿真指标数据不满足机器人的作业条件,需要对该执行末端对应的至少一个杆件的杆件参数进行更新。
目标动力学参数为用于描述机器人中杆件对应的关节的运动原因的参数,示例性的,目标动力学参数包括在执行末端配置预设负载的情况下,每一关节的角度、速度、角加速度、力和扭矩等参数中的一项或多项。其中,预设负载与三维模型的动力学参数对应负载相同。
在仿真分析包括动力学分析的情况下,则通过将执行末端配置相同负载对应的目标动力学参数与动力学参数进行匹配,在动力学参数与目标动力学参数中的任一参数不匹配的情况下,判定三维模型对应的动力学分析仿真指标数据不满足机器人的作业条件。需要说明的是,在动力学参数中每一参数,在目标动力学参数中该参数的边界之上或之内的情况下,判定动力学参数与目标动力学参数匹配。示例性的,在目标动力学参数中的力矩大于动力学参数中的力矩的情况下,判定目标动力学参数与动力学参数不匹配。
在三维模型对应的运动学分析仿真指标数和/或动力学分析仿真指标数据不满足机器人的作业条件的情况下,可认为需要更新三维模型的杆件参数,则基于预设参数更新算法,对三维模型中至少一个杆件的杆件参数,实现对三维模型的杆件参数进行更新,得到更新杆件参数。其中,预设参数更新算法为预先设置的用于更新杆件参数的算法,示例性的,预设参数更新算法为粒子群算法、蚁群算法和深度学习算法等中的一项或多项的组合。
本实施例的技术方案,基于三维模型对应的工作空间和/或动力学参数,以及机器人的目标工作空间和/或目标动力学参数,判定三维模型的杆件参数需要更新,能够保证确定的机器人杆件参数的可靠性。
S140、基于更新杆件参数更新机器人的结构参数,并基于更新后的结构参数返回执行三维建模操作,得到新的三维模型,基于新的三维模型确定新的三维模型对应的仿真指标数据;直到得到满足机器人的作业条件的仿真指标数据。
具体的,在至少一个杆件的杆件参数更新的情况下,将至少一个杆件的更新杆件参数,替换当前结构参数中的该杆件的杆件参数,实现机器人的结构参数的更新。通过将更新后的结构参数导入三维建模应用,进行三维建模操作,得到更新后的结构参数对应的新的三维模型。在一些实施例中,结构参数还包括非杆件部件的位置参数,可选的,基于更新杆件参数更新非杆件部件的位置参数。
具体的,基于更新杆件参数对非杆件部件的安装位置进行调节,得到更新非杆件部件的位置参数。示例性的,假设非杆件部件为连接在杆件一端的关节电机,与该关节电机连接的杆件长度减小,在该关节电机的安装位置更接近该杆件的另一端,该关节电机的相对位置参数从“1,0.2,0.6,5,5,5”变为“1,0.2,0.4,5,5,5”。
本实施例的技术方案,通过基于更新杆件参数对非杆件部件的位置参数进行更新,便于将更新后的非杆件部件的位置参数,更新当前结构参数中的非杆件部件的位置参数,而不是忽略杆件参数的更新对非杆件部件的安装位置的影响,更新后的非杆件部件的位置参数在对三维模型的仿真分析过程中发挥位置限制的作用,保证仿真分析的可靠性,避免了由于忽略非杆件部件的位置参数导致机器人性能出现偏差的问题。
通过对新的三维模型进行仿真分析,得到新的三维模型对应的仿真指标数据,将新的三维模型对应的仿真指标数据与机器人的作业条件进行匹配,在新的三维模型对应的仿真指标数据不满足机器人的作业条件的情况下,对杆件参数继续更新,得到更新后的结构参数,并重复上述三维建模、仿真分析、与机器人的作业条件匹配和杆件参数更新的过程,进行杆件参数的闭环迭代;在新的三维模型对应的仿真指标数据满足机器人的作业条件的情况下,判定杆件参数的闭环迭代结束。
示例性的,图3是本发明实施例一提供的一种杆件参数闭环迭代的流程图,如图3所示,在第一次闭环迭代过程中,基于获取的机器人的结构参数进行三维建模,在第n次闭环迭代过程中,基于更新后的结构参数进行三维建模。
S150、将满足机器人的作业条件的仿真指标数据对应的三维模型中的杆件参数确定为目标杆件参数。
具体的,目标杆件参数为机器人的杆件参数。在三维模型对应的仿真指标数据满足机器人的作业条件的情况下,可认为闭环迭代结束,则停止闭环迭代过程,并将当前的三维模型中的杆件参数确定为目标杆件参数。
示例性的,假设第m次迭代中构建的三维模型的运动学分析仿真指标数据和动力学分析仿真指标数据,均满足机器人的作业条件,则将第m次迭代中构建的三维模型中的杆件参数确定为目标杆件参数。
本实施例的技术方案,通过获取机器人的结构参数;基于结构参数进行三维建模,得到机器人的三维模型;其中,结构参数包括杆件参数;对三维模型进行仿真分析,确定三维模型对应的仿真指标数据;在三维模型对应的仿真指标数据不满足机器人的作业条件的情况下,对三维模型的杆件参数进行更新,得到更新杆件参数;基于更新杆件参数更新机器人的结构参数,并基于更新后的结构参数返回执行三维建模操作,得到新的三维模型,基于新的三维模型确定新的三维模型对应的仿真指标数据;直到得到满足机器人的作业条件的仿真指标数据;将满足机器人的作业条件的仿真指标数据对应的三维模型中的杆件参数确定为目标杆件参数。通过三维建模、仿真分析、在仿真指标数据不满足机器人的作业条件的情况下对杆件参数进行更新,构建确定机器人杆件参数的闭环迭代过程,能够实现机器人杆件参数的自动更新,而不需要手动执行上述迭代过程,减少了人机交互,提高了机器人杆件参数确定的效率。
实施例二
图4是本发明实施例二提供的一种机器人杆件参数的确定方法的流程图,本发明实施例的技术方案在上述任意实施例基础上进一步优化,细化了杆件参数更新的方法。如图4所示,该方法包括:
S210、获取机器人的结构参数;基于结构参数进行三维建模,得到机器人的三维模型;其中,结构参数包括杆件参数。
S220、对三维模型进行仿真分析,确定三维模型对应的仿真指标数据。
S230、在三维模型对应的仿真指标数据不满足机器人的作业条件的情况下,基于粒子群算法对三维模型的杆件参数进行多次迭代更新,得到迭代更新好的更新杆件参数:基于三维模型对应的仿真指标数据和机器人的作业条件,初始化粒子群算法;基于迭代更新过程中的每一次粒子迭代对应的粒子值,生成每一次粒子迭代对应的粒子群适应度;在满足粒子群迭代结束条件的情况下,比对多次粒子迭代分别对应的粒子群适应度,将最小粒子群适应度对应的粒子值确定为更新杆件参数。
具体的,在每一次闭环迭代中,通过以三维模型或机器人的杆件的数量为粒子群算法的粒子群维度。基于三维模型对应的仿真指标数据和机器人的作业条件的差异程度,确定杆件参数更新的难度,基于杆件参数更新的难度确定其他粒子群参数,通过将粒子群维度和其他粒子群参数配置粒子群算法,实现对每一次闭环迭代中的粒子群算法的初始化。
需要说明的是,粒子群算法中粒子群参数包括但不限于粒子群维度、粒子数目、个体加速常数、社会加速常数、惯性权重和粒子群总迭代次数。通常粒子数目在20至1000之间取值,粒子数目越大,粒子群算法的收敛性越强。通常个体加速常数和社会加速常数均在0至2之间取值,个体加速常数越大,或者社会加速常数越小,粒子群算法中的粒子越关注自身的经验;反之,粒子群算法中的粒子越关注种群的经验。通常惯性权重在0.4至2之间取值,惯性权重越大,粒子群算法全局寻优能力越强,但是局部寻优能力越弱;反之,粒子群算法全局寻优能力越弱,但是局部寻优能力越强。
在一些实施例中,三维模型中至少局部杆件对应的仿真指标数据满足机器人的作业条件,可选的,基于不满足机器人的作业条件的三维模型对应的仿真指标数据,确定待优化杆件数量,将待优化杆件数量设置为粒子群算法的粒子群维度;基于粒子群维度、粒子数目、个体加速常数、社会加速常数和惯性权重,初始化粒子群算法的探索空间,探索空间包括多个粒子的初始粒子值。
具体的,在仿真指标数据不满足机器人的作业条件的条件下,确定仿真指标数据与机器人的作业条件不匹配的部分,将上述不匹配的部分对应的杆件确定为待优化杆件,其中,待优化杆件为当前闭环迭代中需要进行杆件参数更新的杆件。通过计算待优化杆件数量,设置待优化杆件数量为当前闭环迭代中粒子群算法的粒子群维度。
基于三维模型对应的仿真指标数据和机器人的作业条件的差异程度,确定杆件参数更新的难度,基于杆件参数更新的难度确定粒子数目、个体加速常数、社会加速常数、惯性权重和粒子群总迭代次数,通过配置粒子群算法的粒子群维度、粒子数目、个体加速常数、社会加速常数、惯性权重和粒子群总迭代次数,实现粒子群算法的初始化,得到多个粒子的初始粒子值构成的粒子群算法的探索空间。可以理解的是,基于三维模型对应的仿真指标数据和机器人的作业条件的差异程度越高,表明杆件参数更新的难度越大,可以增大粒子数目。示例性的,粒子数目为150,个体加速常数为1.6,社会加速常数为1.8,惯性权重为0.9,粒子群总迭代次数为100。
本实施例的技术方案,通过基于不满足机器人的作业条件的三维模型对应的仿真指标数据,确定待优化杆件数量,并将待优化杆件数量设置为粒子群算法的粒子群维度,而不是将三维模型中全部杆件的数量设置为粒子群算法的粒子群维度,能够降低粒子群维度,仅对待优化杆件进行杆件参数更新,能够避免冗余计算,提高杆件参数更新效率。
在每一次闭环迭代的粒子群算法的迭代更新过程中,每一次粒子迭代对应的粒子值包括多个粒子的粒子位置和粒子速度,其中,第i个粒子的粒子位置表示为Xi=(xi1,xi2,...,xiD),i=1,2,...,N,第i个粒子的粒子速度表示为Vi=(vi1,vi2,...,viD),i=1,2,...,N,其中,D表征粒子群维度对应的探索空间,N表征粒子数目。通过将每一次粒子迭代对应的粒子值,代入粒子值与粒子群适应度的转换关系,计算得到每一次粒子迭代对应的粒子群适应度。可选的,基于上一次粒子迭代得到的多个粒子的粒子值得到当前次粒子迭代多个粒子的粒子值;基于当前次粒子迭代多个粒子的粒子值确定三维模型的关节力矩;将关节力矩设置为当前次粒子迭代对应的粒子群适应度。
粒子群迭代结束条件为判定每一次闭环迭代中结束对粒子群算法的迭代更新过程的条件,示例性的,粒子群迭代结束条件为粒子迭代的次数大于预设粒子群迭代次数,预设粒子群迭代次数为预先设置的粒子迭代的次数,用于判定粒子迭代的次数满足粒子群迭代结束条件,例如,预设粒子群迭代次数为100。
在不满足粒子群迭代结束条件的情况下,基于第d次粒子迭代得到的粒子值,进行粒子值更新,得到第d+1次粒子迭代的粒子值,其中,第d次粒子迭代中第i个粒子的粒子速度表示为vid=w×vid-1+c1r1(pid-xid)+c2r2(pgd-xid),则第d+1次粒子迭代中第i个粒子的粒子位置表示为xid+1=xid+vid,第d+1次粒子迭代中第i个粒子的粒子速度表示为vid+1;其中,w表征惯性权重;c1表征个体加速常数;c2表征社会加速常数;pid为第d次粒子迭代中第i个粒子的个体目前最优解;pgd为第d次粒子迭代中种群目前最优解;r1和r2为随机数。通过将第d+1次粒子迭代得到的粒子值xid+1和vid+1,代入粒子值与关节力矩的转换关系,计算得到每一次粒子迭代对应的关节力矩,其中,粒子值与关节力矩的转换关系,包括如下公式:
其中,k表征杆件总动能,u表征杆件总势能,vC为杆件质心的速度;ω为杆件角速度;m为杆件质量;I为杆件转动惯量,PC为杆件质心矢量,Θ为关节角矢量,τ为关节力矩。粒子群适应度可表示为F=τ(l1,l2···ln),其中,ln表征第n个杆件的杆件参数。
本实施例的技术方案,通过基于粒子值计算关节力矩,并将关节力矩设置为迭代次数对应的粒子群适应度,能够使粒子群适应度表征,多个杆件对应的关节电机在驱动杆件运动的情况下的负载,有助于保证后续确定的杆件参数对应的机器人能够以低负载达到机器人的作业条件。
在满足粒子群迭代结束条件的情况下,将多次粒子迭代对应的粒子群适应度进行比对,确定最小粒子群适应度,并将最小粒子群适应度对应的粒子值设置为更新杆件参数。示例性的,假设粒子迭代的当前次达到预设粒子群迭代次数z,则判定粒子群迭代结束,将z次粒子迭代得到的z×N个粒子的粒子群适应度进行比对,得到最小粒子群适应度,将最小粒子群适应度对应的D维粒子值,确定维D个杆件的更新杆件参数。
S240、基于更新杆件参数更新机器人的结构参数,并基于更新后的结构参数返回执行三维建模操作,得到新的三维模型,基于新的三维模型确定新的三维模型对应的仿真指标数据;直到得到满足机器人的作业条件的仿真指标数据。
S250、将满足机器人的作业条件的仿真指标数据对应的三维模型中的杆件参数确定为目标杆件参数。
示例性的,图5是本发明实施例二提供的一种机器人杆件参数的确定方法的流程图。如图5所示,在每一次闭环迭代得到的工作空间和动力学参数中的任一项不满足机器人的工作条件的情况下,基于工作空间和动力学参数对三维模型的性能进行分析,并基于分析结果初始化粒子群算法,进行杆件参数更新,以及结构参数的更新。
本实施例的技术方案,通过在三维模型对应的仿真指标数据不满足机器人的作业条件的情况下,基于粒子群算法对三维模型的杆件参数进行多次迭代更新,得到迭代更新好的更新杆件参数:基于三维模型对应的仿真指标数据和机器人的作业条件,初始化粒子群算法;基于迭代更新过程中的每一次粒子迭代对应的粒子值,生成每一次粒子迭代对应的粒子群适应度;在满足粒子群迭代结束条件的情况下,比对多次粒子迭代分别对应的粒子群适应度,将最小粒子群适应度对应的粒子值确定为更新杆件参数。通过基于粒子群算法对三维模型的杆件参数进行更新,得到更新杆件参数,能够快速优化大量杆件的杆件参数,得到杆件参数的最优解,解决了大量杆件的杆件参数更新的高维度优化问题。
实施例三
图6是本发明实施例三提供的一种机器人杆件参数的确定装置的结构示意图。如图6所示,该装置包括:
结构参数获取模块310,用于获取机器人的结构参数;基于结构参数进行三维建模,得到机器人的三维模型;其中,结构参数包括杆件参数;
仿真分析模块320,用于对三维模型进行仿真分析,确定三维模型对应的仿真指标数据;
杆件参数更新模块330,用于在三维模型对应的仿真指标数据不满足机器人的作业条件的情况下,对三维模型的杆件参数进行更新,得到更新杆件参数;
结构参数更新模块340,用于基于更新杆件参数更新机器人的结构参数,并基于更新后的结构参数返回执行三维建模操作,得到新的三维模型,基于新的三维模型确定新的三维模型对应的仿真指标数据;直到得到满足机器人的作业条件的仿真指标数据;
目标杆件参数确定模块350,用于将满足机器人的作业条件的仿真指标数据对应的三维模型中的杆件参数确定为目标杆件参数。
本实施例的技术方案,通过获取机器人的结构参数;基于结构参数进行三维建模,得到机器人的三维模型;其中,结构参数包括杆件参数;对三维模型进行仿真分析,确定三维模型对应的仿真指标数据;在三维模型对应的仿真指标数据不满足机器人的作业条件的情况下,对三维模型的杆件参数进行更新,得到更新杆件参数;基于更新杆件参数更新机器人的结构参数,并基于更新后的结构参数返回执行三维建模操作,得到新的三维模型,基于新的三维模型确定新的三维模型对应的仿真指标数据;直到得到满足机器人的作业条件的仿真指标数据;将满足机器人的作业条件的仿真指标数据对应的三维模型中的杆件参数确定为目标杆件参数。通过三维建模、仿真分析、在仿真指标数据不满足机器人的作业条件的情况下对杆件参数进行更新,构建确定机器人杆件参数的闭环迭代过程,能够实现机器人杆件参数的自动更新,而不需要手动执行上述迭代过程,减少了人机交互,提高了机器人杆件参数确定的效率。
在上述实施例的基础上,可选的,结构参数还包括非杆件部件的位置参数;非杆件部件的位置参数基于杆件参数确定;结构参数更新模块340,具体用于:基于更新杆件参数更新非杆件部件的位置参数。
在上述实施例的基础上,可选的,仿真分析包括运动学分析和动力学分析中的一项或多项;仿真分析模块320,具体用于:将三维模型导入各仿真分析对应的仿真应用;在仿真应用中,配置三维模型的运动副、重力加速度、材料属性和预设末端负载的一项或多项;基于配置好的仿真应用,对三维模型进行仿真应用对应的仿真分析,得到三维模型对应的运动学分析仿真指标数据和/或动力学分析仿真指标数据。
在上述实施例的基础上,可选的,运动学分析仿真指标数据包括三维模型对应的工作空间;三维模型对应的工作空间包括整体工作空间和/或至少一个执行末端对应的工作子空间;动力学分析仿真指标数据包括三维模型对应的动力学参数;机器人的作业条件包括机器人的目标工作空间和/或目标动力学参数;机器人的目标工作空间包括整体目标工作空间和/或至少一个执行末端对应的目标工作子空间。
在上述实施例的基础上,可选的,杆件参数更新模块330,具体用于:基于粒子群算法对三维模型的杆件参数进行多次迭代更新,得到迭代更新好的更新杆件参数:基于三维模型对应的仿真指标数据和机器人的作业条件,初始化粒子群算法;基于迭代更新过程中的每一次粒子迭代对应的粒子值,生成每一次粒子迭代对应的粒子群适应度;在满足粒子群迭代结束条件的情况下,比对多次粒子迭代分别对应的粒子群适应度,将最小粒子群适应度对应的粒子值确定为更新杆件参数。
在上述实施例的基础上,可选的,杆件参数更新模块330,还用于:基于不满足机器人的作业条件的三维模型对应的仿真指标数据,确定待优化杆件数量,将待优化杆件数量设置为粒子群算法的粒子群维度;基于粒子群维度、粒子数目、个体加速常数、社会加速常数和惯性权重,初始化粒子群算法的探索空间,探索空间包括多个粒子的初始粒子值。
在上述实施例的基础上,可选的,杆件参数更新模块330,还用于:基于上一次粒子迭代得到的多个粒子的粒子值得到当前次粒子迭代多个粒子的粒子值;基于当前次粒子迭代多个粒子的粒子值确定三维模型的关节力矩;将关节力矩设置为当前次粒子迭代对应的粒子群适应度。
本发明实施例所提供的机器人杆件参数的确定装置可执行本发明任意实施例所提供的机器人杆件参数的确定方法,具备执行方法相应的功能模块和有益效果。
实施例四
图7是实现本发明实施例的机器人杆件参数的确定方法的电子设备的结构示意图。电子设备10旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图7所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如机器人杆件参数的确定方法。
在一些实施例中,机器人杆件参数的确定方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的机器人杆件参数的确定方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行机器人杆件参数的确定方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的机器人杆件参数的确定方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
实施例五
本发明实施例五还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,计算机指令用于使处理器执行一种机器人杆件参数的确定方法,该方法包括:
获取机器人的结构参数;基于结构参数进行三维建模,得到机器人的三维模型;其中,结构参数包括杆件参数;对三维模型进行仿真分析,确定三维模型对应的仿真指标数据;在三维模型对应的仿真指标数据不满足机器人的作业条件的情况下,对三维模型的杆件参数进行更新,得到更新杆件参数;基于更新杆件参数更新机器人的结构参数,并基于更新后的结构参数返回执行三维建模操作,得到新的三维模型,基于新的三维模型确定新的三维模型对应的仿真指标数据;直到得到满足机器人的作业条件的仿真指标数据;将满足机器人的作业条件的仿真指标数据对应的三维模型中的杆件参数确定为目标杆件参数。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入,或者触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种机器人杆件参数的确定方法,其特征在于,所述方法包括:
获取机器人的结构参数;基于所述结构参数进行三维建模,得到所述机器人的三维模型;其中,所述结构参数包括杆件参数;
对所述三维模型进行仿真分析,确定所述三维模型对应的仿真指标数据;
在所述三维模型对应的仿真指标数据不满足所述机器人的作业条件的情况下,对所述三维模型的杆件参数进行更新,得到更新杆件参数;
基于所述更新杆件参数更新所述机器人的结构参数,并基于更新后的所述结构参数返回执行三维建模操作,得到新的三维模型,基于所述新的三维模型确定所述新的三维模型对应的仿真指标数据;直到得到满足所述机器人的作业条件的仿真指标数据;
将满足所述机器人的作业条件的仿真指标数据对应的三维模型中的杆件参数确定为目标杆件参数。
2.根据权利要求1所述的方法,其特征在于,所述结构参数还包括非杆件部件的位置参数;所述非杆件部件的位置参数基于所述杆件参数确定;
所述基于所述更新杆件参数更新所述机器人的结构参数,包括:
基于所述更新杆件参数更新所述非杆件部件的位置参数。
3.根据权利要求1所述的方法,其特征在于,所述仿真分析包括运动学分析和动力学分析中的一项或多项;
所述对所述三维模型进行仿真分析,确定所述三维模型对应的仿真指标数据,包括:
将所述三维模型导入各所述仿真分析对应的仿真应用;
在所述仿真应用中,配置所述三维模型的运动副、重力加速度、材料属性和预设末端负载的一项或多项;
基于配置好的所述仿真应用,对所述三维模型进行所述仿真应用对应的仿真分析,得到所述三维模型对应的运动学分析仿真指标数据和/或动力学分析仿真指标数据。
4.根据权利要求3所述的方法,其特征在于,所述运动学分析仿真指标数据包括所述三维模型对应的工作空间;三维模型对应的工作空间包括整体工作空间和/或至少一个执行末端对应的工作子空间;
所述动力学分析仿真指标数据包括所述三维模型对应的动力学参数;
所述机器人的作业条件包括所述机器人的目标工作空间和/或目标动力学参数;所述机器人的目标工作空间包括整体目标工作空间和/或至少一个执行末端对应的目标工作子空间。
5.根据权利要求1所述的方法,其特征在于,所述对所述三维模型的杆件参数进行更新,得到更新杆件参数,包括:
基于粒子群算法对所述三维模型的杆件参数进行多次迭代更新,得到迭代更新好的所述更新杆件参数:基于所述三维模型对应的仿真指标数据和所述机器人的作业条件,初始化粒子群算法;基于迭代更新过程中的每一次粒子迭代对应的粒子值,生成每一次粒子迭代对应的粒子群适应度;在满足粒子群迭代结束条件的情况下,比对多次粒子迭代分别对应的粒子群适应度,将最小所述粒子群适应度对应的粒子值确定为所述更新杆件参数。
6.根据权利要求5所述的方法,其特征在于,所述基于所述三维模型对应的仿真指标数据和所述机器人的作业条件,初始化粒子群算法,包括:
基于不满足所述机器人的作业条件的所述三维模型对应的仿真指标数据,确定待优化杆件数量,将所述待优化杆件数量设置为所述粒子群算法的粒子群维度;基于所述粒子群维度、粒子数目、个体加速常数、社会加速常数和惯性权重,初始化所述粒子群算法的探索空间,所述探索空间包括多个所述粒子的初始粒子值。
7.根据权利要求5所述的方法,其特征在于,所述基于迭代更新过程中的各迭代次数对应的粒子值,生成所述迭代次数对应的粒子群适应度,包括:
基于上一次粒子迭代得到的多个所述粒子的粒子值得到当前次粒子迭代多个所述粒子的粒子值;
基于所述当前次粒子迭代多个所述粒子的粒子值确定所述三维模型的关节力矩;将所述关节力矩设置为所述当前次粒子迭代对应的粒子群适应度。
8.一种机器人杆件参数的确定装置,其特征在于,包括:
结构参数获取模块,用于获取机器人的结构参数;基于所述结构参数进行三维建模,得到所述机器人的三维模型;其中,所述结构参数包括杆件参数;
仿真分析模块,用于对所述三维模型进行仿真分析,确定所述三维模型对应的仿真指标数据;
杆件参数更新模块,用于在所述三维模型对应的仿真指标数据不满足所述机器人的作业条件的情况下,对所述三维模型的杆件参数进行更新,得到更新杆件参数;
结构参数更新模块,用于基于所述更新杆件参数更新所述机器人的结构参数,并基于更新后的所述结构参数返回执行三维建模操作,得到新的三维模型,基于所述新的三维模型确定所述新的三维模型对应的仿真指标数据;直到得到满足所述机器人的作业条件的仿真指标数据;
目标杆件参数确定模块,用于将满足所述机器人的作业条件的仿真指标数据对应的三维模型中的杆件参数确定为目标杆件参数。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的机器人杆件参数的确定方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的机器人杆件参数的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410155740.6A CN117921668A (zh) | 2024-02-04 | 2024-02-04 | 一种机器人杆件参数的确定方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410155740.6A CN117921668A (zh) | 2024-02-04 | 2024-02-04 | 一种机器人杆件参数的确定方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117921668A true CN117921668A (zh) | 2024-04-26 |
Family
ID=90750838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410155740.6A Pending CN117921668A (zh) | 2024-02-04 | 2024-02-04 | 一种机器人杆件参数的确定方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117921668A (zh) |
-
2024
- 2024-02-04 CN CN202410155740.6A patent/CN117921668A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2700246C1 (ru) | Способ и система захвата объекта с помощью роботизированного устройства | |
CN113377888A (zh) | 训练目标检测模型和检测目标的方法 | |
US20230401799A1 (en) | Augmented reality method and related device | |
CN112880674A (zh) | 一种行驶设备的定位方法、装置、设备及存储介质 | |
CN115273071A (zh) | 一种物体识别方法、装置、电子设备及存储介质 | |
CN114611362A (zh) | 一种大型器械工作面的安装调试方法、电子装置及介质 | |
CN114326810A (zh) | 一种无人机在复杂动态环境下的避障方法 | |
CN113656891A (zh) | 液体火箭动特性建模分析方法及终端设备 | |
CN117921668A (zh) | 一种机器人杆件参数的确定方法、装置、设备及介质 | |
CN111890364A (zh) | 机器人的运动控制方法、装置、电子设备及存储介质 | |
CN117047771A (zh) | 机器人的柔顺控制方法、装置及电子设备 | |
CN115946120B (zh) | 机械臂控制方法、装置、设备和介质 | |
Zhuang et al. | Obstacle avoidance path planning for apple picking robotic arm incorporating artificial potential field and A* algorithm | |
CN116945177A (zh) | 上甑机器人补料路径规划方法、装置、电子设备及介质 | |
CN114859925A (zh) | 基于动态窗口法的船舶航线规划方法 | |
US20210357692A1 (en) | Multi-fidelity simulated data for machine learning | |
Theodoropoulos et al. | Cyber-physical systems in non-rigid assemblies: A methodology for the calibration of deformable object reconstruction models | |
JP3391657B2 (ja) | 物体間距離演算装置および物体間距離演算プログラム記憶媒体 | |
WO2021154251A1 (en) | Automatic simplification of a rigid-body simulation | |
CN112880664A (zh) | 一种行驶设备的定位方法、装置、设备及存储介质 | |
Gomes et al. | Deep Reinforcement learning applied to a robotic pick-and-place application | |
CN115600875B (zh) | 一种环境参数的标定方法、装置、电子设备及存储介质 | |
CN117901118A (zh) | 机器人机械臂的路径规划方法、装置、设备及存储介质 | |
CN115237128A (zh) | 一种机器人的负载辨识方法、装置、设备以及存储介质 | |
WO2023157235A1 (ja) | 計算装置 |
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 |