WO2025112149A1 - 一种机械臂运动生成方法、装置、可读存储介质及机械臂 - Google Patents

一种机械臂运动生成方法、装置、可读存储介质及机械臂 Download PDF

Info

Publication number
WO2025112149A1
WO2025112149A1 PCT/CN2023/142217 CN2023142217W WO2025112149A1 WO 2025112149 A1 WO2025112149 A1 WO 2025112149A1 CN 2023142217 W CN2023142217 W CN 2023142217W WO 2025112149 A1 WO2025112149 A1 WO 2025112149A1
Authority
WO
WIPO (PCT)
Prior art keywords
subtask
motion
strategy
riemann
shelf
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
Application number
PCT/CN2023/142217
Other languages
English (en)
French (fr)
Inventor
罗璇
陈春玉
谭欢
熊友军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ubtech Robotics Corp
Original Assignee
Ubtech Robotics Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ubtech Robotics Corp filed Critical Ubtech Robotics Corp
Publication of WO2025112149A1 publication Critical patent/WO2025112149A1/zh
Anticipated expiration legal-status Critical
Pending legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Program-controlled manipulators
    • B25J9/16—Program controls

Definitions

  • the present application belongs to the technical field of robotic arms, and in particular, relates to a method and device for generating robotic arm motion, a computer-readable storage medium, and a robotic arm.
  • Grasping operations in shelf environments are a typical application scenario for service robots, and they also have important application value in industrial contexts.
  • the popular solution in the industry is usually to design a dedicated shelf robot, and then follow a specific motion pattern to grab objects of a specified category.
  • the current mature motion planning technologies including sampling methods, optimization methods, random process methods, etc., are still offline planning methods under the current conventional computing power.
  • the artificial potential field method can avoid the above problems by real-time solving the attraction movement toward the grabbing point and the repulsion movement away from the obstacle.
  • the generation of the relevant motion depends only on the relative position information between the robotic arm and the target point or obstacle, the dexterity of the motion strategy is limited, causing the robotic arm to easily exceed the limit of motion or get stuck in the local optimum, especially when facing a more complex shelf environment.
  • the embodiments of the present application provide a robot arm motion generation method, device, computer-readable storage medium and robot arm to solve the problem that the existing robot arm motion generation method cannot be applied to a more complex shelf environment.
  • a first aspect of an embodiment of the present application provides a method for generating a robot arm motion, which may include:
  • the Riemannian motion strategy for each subtask is determined separately;
  • the Riemann motion strategy of each subtask is integrated based on the graph computation process to obtain the global motion strategy of the robot arm.
  • the joint limit avoidance subtask strategy determination unit may be specifically used to: map the finite configuration space of the robotic arm to an infinite real number space to determine the Riemann motion strategy of the joint limit avoidance subtask.
  • a third aspect of an embodiment of the present application provides a computer-readable storage medium, wherein the computer-readable storage medium stores a computer program, and when the computer program is executed by a processor, the steps of any one of the above-mentioned robot arm motion generation methods are implemented.
  • a fourth aspect of an embodiment of the present application provides a robotic arm, comprising a memory, a processor, and a computer program stored in the memory and executable on the processor, wherein the processor implements the steps of any one of the above-mentioned robotic arm motion generation methods when executing the computer program.
  • a fifth aspect of an embodiment of the present application provides a computer program product.
  • the computer program product runs on a robotic arm, the robotic arm executes the steps of any one of the above-mentioned robotic arm motion generation methods.
  • the embodiments of the present application have the following beneficial effects: the embodiments of the present application decompose the robotic arm grasping task for the shelf scenario into multiple subtasks; based on the geometric dynamic system, the Riemann motion strategy of each subtask is determined respectively; based on the graph calculation process of the Riemann motion strategy, the Riemann motion strategy of each subtask is integrated to obtain the global motion strategy of the robotic arm.
  • the robotic arm motion generation can be performed in real time and stably, and the efficiency and safety of the robotic arm grasping task execution can be effectively guaranteed even in a more complex shelf environment.
  • FIG. 2 is a schematic diagram of the RMPflow implementation process
  • FIG3 is a flow chart of an embodiment of a method for generating a robot arm motion in an embodiment of the present application
  • FIG4 is a structural diagram of an embodiment of a robot arm motion generation device in an embodiment of the present application.
  • the term “if” may be interpreted as “when” or “upon” or “in response to determining” or “in response to detecting,” depending on the context.
  • the phrases “if it is determined” or “if [described condition or event] is detected” may be interpreted as meaning “upon determination” or “in response to determining” or “upon detection of [described condition or event]” or “in response to detecting [described condition or event],” depending on the context.
  • the embodiment of the present application is mainly aimed at the scenario of performing a robotic arm grasping task in a shelf environment
  • Figure 1 shows a schematic diagram of the scenario.
  • the robotic arm has at least 6 degrees of freedom and can perform six-dimensional posture grasping
  • the global coordinate system ⁇ O-XYZ ⁇ of the scene is located at the base of the robotic arm
  • the local coordinate system ⁇ o-xyz ⁇ of the gripper is located at the end of the robotic arm
  • the Z axis and the z axis coincide with the axis of the first joint and the last joint of the robotic arm respectively
  • the main structure of the shelf is built by a cuboid, taking the figure as an example, including 3 layers and 4 columns, a total of 7 cuboids, each of which can be regarded as an obstacle.
  • the Riemannian Motion Policies are used. Based on this, the robotic arm grasping task for the shelf scenario is decomposed into multiple sub-tasks in different local spaces, and motion strategies based on the geometric dynamical system (GDS) model are designed for these sub-tasks respectively. Then, according to the structured Riemann motion strategy graph computation process (RMPflow), these local motion strategies are integrated into a global motion strategy in the joint space, which can enable the robotic arm to dynamically avoid obstacles in the identified environment while executing the grasping and reaching motion.
  • RMPflow structured Riemann motion strategy graph computation process
  • RMPflow is a graph computing process for manifold space. Its function is to quickly integrate local RMPs designed for specific tasks in different dimensional manifolds into global RMPs in the target space, so as to output motion strategies that can achieve all specific tasks.
  • the RMPflow process is mainly implemented by cyclic iterations of three information flow processing operations: pushforward, pullback, and resolve. Among them, pushforward refers to the forward transfer operation of the state information flow, pullback refers to the reverse transfer operation of the RMP information flow, and resolve refers to the mapping operation of the RMP information flow from the natural form back to the canonical form.
  • FIG2 is a schematic diagram of the RMPflow implementation process.
  • the pushforward operation can be used to obtain the state information of each subtask according to the robot state information; then, based on the designed GDS, the natural form of the corresponding subtask RMP can be obtained according to the state information of each subtask; then, the pullback operation can be used to obtain the natural form of the RMP of each subtask according to the natural form of the RMP of each subtask. Get the natural form of the global RMP; finally, the resolve operation can be used to obtain the canonical form of the global RMP based on the natural form of the global RMP.
  • GDS can be regarded as a virtual mechanical system defined on a manifold space, whose system inertia is determined by the configuration and speed of the mechanical body.
  • a GDS can be expressed by a mathematical tuple consisting of four elements ( ⁇ , G, B, ⁇ ), and satisfies the following differential equation:
  • FIG3 is a flow chart of an embodiment of a method for generating a robot arm motion in an embodiment of the present application.
  • the execution subject of the method may be a robot arm.
  • the method for generating a robot arm motion may include:
  • Step S301 Decompose the robot arm grasping task for the shelf scene into multiple subtasks.
  • the robotic arm grasping task for the shelf scenario can be decomposed into a posture arrival subtask, a shelf obstacle avoidance subtask, and a joint limit avoidance subtask.
  • Step S302 Based on the geometric dynamic system, determine the Riemann motion strategy for each subtask.
  • the posture arrival subtask RMP, the shelf obstacle avoidance subtask RMP and the joint avoidance limit subtask RMP may be determined respectively.
  • the state parameters of the robot joint space can be set to The state parameter of p 0 in the operation space is Then we have:
  • I is the unit matrix with the same dimension as the robot joint space;
  • w is the metric coefficient, w u and w l are its upper and lower limits respectively;
  • r p and r d are the proportional gain and velocity gain respectively;
  • control points p1 and p2 are similar to those of p0 .
  • the pushforward and GDS of their positions reaching the RMP can refer to the above content of p0 , which will not be repeated in the embodiments of the present application.
  • the shape features of the shelf can be obtained, and the shelf obstacle avoidance subtask RMP can be determined according to the shape features of the shelf.
  • the shape features of the shelf can include the size vector, position vector and rotation matrix of each rectangular obstacle constituting the shelf.
  • the shelf structure is composed of n o cuboids
  • p 0 and the i-th cuboid obstacle as an example.
  • the size vector l i is composed of the length, width and height of the cuboid
  • ti is the coordinate of the center of the cuboid in the global coordinate system
  • the local coordinate system of the obstacle is established at the center of the cuboid
  • the three axes are along the length, width and height respectively.
  • R i is the rotation matrix of the local coordinate system relative to the global coordinate system.
  • the shortest distance manifold space of the i-th cuboid can be ⁇ i
  • the natural form of the corresponding obstacle avoidance RMP is The GDS designed for this RMP is expressed as ( ⁇ i , ga , ba , ⁇ a ), then:
  • su and sl are the starting distance and the shortest safe distance of the obstacle avoidance task
  • ⁇ is a very small positive value
  • rp and rd are the proportional gain and speed gain, respectively. So we can get:
  • the pushforward and GDS of its obstacle avoidance RMP can refer to the above content of the obstacle avoidance RMP between p0 and the i-th rectangular obstacle, and the embodiments of the present application will not be repeated here.
  • the limited configuration space of the robot arm can be mapped to the infinite
  • the robot state quantity can be first mapped to an infinite real number space to determine the joint limit avoidance subtask RMP.
  • the dynamic system is designed in real space, and then the motion strategy is mapped back to the finite ⁇ m -dimensional configuration space to solve the motion strategy.
  • the configuration space of the manipulator is X
  • the natural form of the joint limit avoidance RMP is [f l ,M l ] X .
  • the GDS designed for this RMP is represented by (X,G l ,B l , ⁇ l ), and we have:
  • d i s i ( ⁇ u,i u i +(1- ⁇ u,i ))+(1-s i )( ⁇ l,i u i +(1- ⁇ l,i ))
  • q u,i , q l,i and q 0,i are the upper, lower and median limits of the joint position qi, respectively, and r p and r d are the proportional gain and velocity gain, respectively. So we can get:
  • the posture arrival subtask RMP, the shelf obstacle avoidance subtask RMP and the joint avoidance limit subtask RMP are determined respectively.
  • Step S303 Integrate the Riemann motion strategy of each subtask based on the graph calculation process of the Riemann motion strategy to obtain the global motion strategy of the robot arm.
  • n l 1 joint limit avoidance RMP
  • n g 3 position arrival RMPs.
  • n p robotic arm anti-collision points combined with n o rectangular obstacles, so there are n p ⁇ n o obstacle avoidance RMPs.
  • the joint acceleration control value of the global motion strategy can be obtained:
  • M + (M T M) -1 M T , which represents the pseudo-inverse of M.
  • the motion of the robotic arm can be controlled according to the control amount, so that the robotic arm can complete the task of grabbing objects from the shelf.
  • the embodiment of the present application decomposes the robotic arm grasping task for the shelf scenario into multiple subtasks; based on the geometric dynamic system, the Riemann motion strategy of each subtask is determined respectively; based on the graph calculation process of the Riemann motion strategy, the Riemann motion strategy of each subtask is integrated to obtain the global motion strategy of the robotic arm.
  • the robotic arm motion generation can be performed in real time and stably, and the efficiency and safety of the robotic arm grasping task execution can be effectively guaranteed even in a more complex shelf environment.
  • FIG4 shows a structural diagram of an embodiment of a robot arm motion generating device provided in an embodiment of the present application.
  • a robot arm motion generation device may include:
  • a subtask strategy determination module 402 for determining the Riemannian motion strategy of each subtask based on the geometric dynamic system
  • the global motion strategy determination module 403 is used to integrate the Riemann motion strategy of each subtask based on the graph calculation process of the Riemann motion strategy to obtain the global motion strategy of the robot arm.
  • the subtask decomposition module can be specifically used to decompose the robotic arm grasping task for the shelf scene into a posture reaching subtask, a shelf obstacle avoidance subtask, and a joint limit avoidance subtask;
  • the subtask strategy determination module may include:
  • a posture arrival subtask strategy determination unit used to determine the Riemann motion strategy of the posture arrival subtask
  • a shelf obstacle avoidance subtask strategy determination unit used to determine the Riemann motion strategy of the shelf obstacle avoidance subtask
  • the joint limit avoidance subtask strategy determination unit is used to determine the Riemann motion strategy of the joint limit avoidance subtask.
  • the posture arrival subtask strategy determination unit can be specifically used to: determine three non-collinear control points at the operating end of the robotic arm; and determine the position arrival Riemann motion strategy of the three control points as the Riemann motion strategy of the posture arrival subtask.
  • the shelf obstacle avoidance subtask strategy determination unit can be specifically used to: obtain the shape characteristics of the shelf; and determine the Riemann motion strategy of the shelf obstacle avoidance subtask according to the shape characteristics of the shelf.
  • the shape characteristics of the shelf include the size vector, position vector and rotation matrix of each rectangular obstacle constituting the shelf.
  • the joint limit avoidance subtask strategy determination unit can be specifically used to: map the finite configuration space of the robotic arm to an infinite real number space to determine the Riemann motion strategy of the joint limit avoidance subtask.
  • the global motion strategy determination module may Specifically, it is used for: determining the natural form of the global motion strategy according to the natural form of the Riemann motion strategy of each subtask; and determining the canonical form of the global motion strategy according to the natural form of the global motion strategy.
  • FIG5 shows a schematic block diagram of a robotic arm provided in an embodiment of the present application. For ease of explanation, only the portion related to the embodiment of the present application is shown.
  • the robot arm 5 of this embodiment includes: a processor 50, a memory 51, and a computer program 52 stored in the memory 51 and executable on the processor 50.
  • the processor 50 executes the computer program 52, the steps in the above-mentioned robot arm motion generation method embodiments are implemented, such as steps S301 to S303 shown in FIG3 .
  • the processor 50 executes the computer program 52, the functions of the modules/units in the above-mentioned device embodiments are implemented, such as the functions of modules 401 to 403 shown in FIG4 .
  • the computer program 52 may be divided into one or more modules/units, which are stored in the memory 51 and executed by the processor 50 to complete the present application.
  • the one or more modules/units may be a series of computer program instruction segments capable of completing specific functions, which are used to describe the execution process of the computer program 52 in the robotic arm 5.
  • FIG5 is merely an example of the robot arm 5 and does not constitute a complete description of the robot arm 5.
  • the arm 5 may include more or fewer components than shown in the figure, or a combination of certain components, or different components.
  • the robotic arm 5 may also include input and output devices, network access devices, buses, etc.
  • the processor 50 may be a central processing unit (CPU), or other general-purpose processors, digital signal processors (DSP), application-specific integrated circuits (ASIC), field-programmable gate arrays (FPGA), or other programmable logic devices, discrete gate or transistor logic devices, discrete hardware components, etc.
  • a general-purpose processor may be a microprocessor or any conventional processor, etc.
  • the memory 51 may be an internal storage unit of the robot 5, such as a hard disk or memory of the robot 5.
  • the memory 51 may also be an external storage device of the robot 5, such as a plug-in hard disk, a smart media card (SMC), a secure digital (SD) card, a flash card (Flash Card), etc. equipped on the robot 5. Further, the memory 51 may also include both an internal storage unit of the robot 5 and an external storage device.
  • the memory 51 is used to store the computer program and other programs and data required by the robot 5.
  • the memory 51 may also be used to temporarily store data that has been output or is to be output.
  • each functional unit, module The specific names of the blocks are only for the convenience of distinguishing each other and are not used to limit the protection scope of the present application.
  • the specific working process of the units and modules in the above system can refer to the corresponding process in the above method embodiment, which will not be repeated here.
  • the disclosed devices/robots and methods can be implemented in other ways.
  • the device/robot embodiments described above are merely schematic.
  • the division of the modules or units is only a logical function division. There may be other division methods in actual implementation, such as multiple units or components can be combined or integrated into another system, or some features can be ignored or not executed.
  • Another point is that the mutual coupling or direct coupling or communication connection shown or discussed can be through some interfaces, indirect coupling or communication connection of devices or units, which can be electrical, mechanical or other forms.
  • the units described as separate components may or may not be physically separated, and the components shown as units may or may not be physical units, that is, they may be located in one place or distributed on multiple network units. Some or all of the units may be selected according to actual needs to achieve the purpose of the solution of this embodiment.
  • each functional unit in each embodiment of the present application may be integrated into one processing unit, or each unit may exist physically separately, or two or more units may be integrated into one unit.
  • the above integrated unit can be implemented in the form of hardware or in the form of software functional unit.
  • the integrated module/unit is implemented in the form of a software functional unit and sold or used as an independent product, it can be stored in a computer-readable storage medium.
  • the present application implements all or part of the processes in the above-mentioned embodiment method, and can also be completed by instructing the relevant hardware through a computer program.
  • the computer program can be stored in a computer-readable storage medium.
  • the computer program is executed by the processor, the steps of the above-mentioned various method embodiments can be implemented.
  • the computer program includes computer program code, and the computer program code can be in source code form, object code form, executable file or some intermediate form.
  • the computer-readable storage medium may include: any entity or device capable of carrying the computer program code, recording medium, U disk, mobile hard disk, disk, optical disk, computer memory, read-only memory (ROM, Read-Only Memory), random access memory (RAM, Random Access Memory), electric carrier signal, telecommunication signal and software distribution medium.
  • ROM Read-Only Memory
  • RAM Random Access Memory
  • electric carrier signal telecommunication signal and software distribution medium.
  • the content contained in the computer-readable storage medium can be appropriately increased or decreased according to the requirements of legislation and patent practice in the jurisdiction.
  • the computer-readable storage medium does not include electric carrier signal and telecommunication signal.

Landscapes

  • Engineering & Computer Science (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Manipulator (AREA)

Abstract

一种机械臂（5）运动生成方法、装置、计算机可读存储介质及机械臂（5）。机械臂（5）运动生成方法包括：将面向货架场景的机械臂（5）抓取任务拆解为多个子任务；基于几何动态系统，分别确定每个子任务的黎曼运动策略；基于黎曼运动策略的图计算流程对每个子任务的黎曼运动策略进行整合，得到机械臂（5）的全局运动策略。

Description

一种机械臂运动生成方法、装置、可读存储介质及机械臂
本申请要求于2023年11月28日在中国专利局提交的、申请号为202311624625.0、发明名称为“一种机械臂运动生成方法、装置、可读存储介质及机械臂”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本申请属于机械臂技术领域，尤其涉及一种机械臂运动生成方法、装置、计算机可读存储介质及机械臂。
背景技术
在货架环境中进行抓取操作，是服务机器人的一个典型应用场景，且在工业背景下也具有重要的应用价值。目前，业界流行的解决方案，通常还是设计专用的货架机器人，然后遵循特定的运动模式，抓取指定品类的物体。这是因为，当下成熟的运动规划技术，包括采样法、优化法、随机过程法等，在当前的常规算力下，仍属于离线规划方法。这使得当采用通用机械臂运用上述技术开展货架抓取作业时，每更新一次抓取操作，机械臂就需要停止运动直至新的规划路径解算完毕。对于频繁的货架抓取任务，这将严重影响执行效率。而人工势场法作为当下成熟的在线规划方法，虽然可通过对朝向抓取点的吸引运动和远离障碍物的排斥运动的实时解算来避免上述问题，但由于相关运动的生成仅依靠机械臂与目标点或障碍物之间的相对位置信息，使得该运动策略灵巧性受限，导致机械臂容易出现运动超限或陷入局部最优卡死的状况，尤其是面对较为复杂的货架环境时更为严重。
技术问题
有鉴于此，本申请实施例提供了一种机械臂运动生成方法、装置、计算机可读存储介质及机械臂，以解决现有的机械臂运动生成方法无法适用于较为复杂的货架环境的问题。
技术解决方案
本申请实施例的第一方面提供了一种机械臂运动生成方法，可以包括：
将面向货架场景的机械臂抓取任务拆解为多个子任务；
基于几何动态系统，分别确定每个子任务的黎曼运动策略；
基于黎曼运动策略的图计算流程对每个子任务的黎曼运动策略进行整合，得到机械臂的全局运动策略。
在第一方面的一种具体实现方式中，所述将面向货架场景的机械臂抓取任务拆解为多个子任务，可以包括：
将面向货架场景的机械臂抓取任务拆解为位姿到达子任务、货架避障子任务和避关节极限子任务；
相应地，所述分别确定每个子任务的黎曼运动策略，包括：
确定所述位姿到达子任务的黎曼运动策略、确定所述货架避障子任务的黎曼运动策略和确定所述避关节极限子任务的黎曼运动策略。
在第一方面的一种具体实现方式中，所述确定所述位姿到达子任务的黎曼运动策略，可以包括：
在所述机械臂的操作末端确定不共线的三个控制点；
将所述三个控制点的位置到达黎曼运动策略确定为所述位姿到达子任务的黎曼运动策略。
在第一方面的一种具体实现方式中，所述确定所述货架避障子任务的黎曼运动策略，可以包括：
获取货架的形状特征；
根据所述货架的形状特征确定所述货架避障子任务的黎曼运动策略。
在第一方面的一种具体实现方式中，所述货架的形状特征可以包括组成所述货架的各个长方体障碍物的尺寸向量、位置向量和旋转矩阵。
在第一方面的一种具体实现方式中，所述确定所述避关节极限子任务的黎曼运动策略，可以包括：
将所述机械臂的有限的构型空间映射至无限的实数空间，以确定所述避关 节极限子任务的黎曼运动策略。
在第一方面的一种具体实现方式中，所述基于黎曼运动策略的图计算流程对每个子任务的黎曼运动策略进行整合，得到机械臂的全局运动策略，可以包括：
根据每个子任务的黎曼运动策略的自然形式确定所述全局运动策略的自然形式；
根据所述全局运动策略的自然形式确定所述全局运动策略的规范形式。
本申请实施例的第二方面提供了一种机械臂运动生成装置，可以包括：
子任务拆解模块，用于将面向货架场景的机械臂抓取任务拆解为多个子任务；
子任务策略确定模块，用于基于几何动态系统，分别确定每个子任务的黎曼运动策略；
全局运动策略确定模块，用于基于黎曼运动策略的图计算流程对每个子任务的黎曼运动策略进行整合，得到机械臂的全局运动策略。
在第二方面的一种具体实现方式中，所述子任务拆解模块可以具体用于将面向货架场景的机械臂抓取任务拆解为位姿到达子任务、货架避障子任务和避关节极限子任务；
相应地，所述子任务策略确定模块可以包括：
位姿到达子任务策略确定单元，用于确定所述位姿到达子任务的黎曼运动策略；
货架避障子任务策略确定单元，用于确定所述货架避障子任务的黎曼运动策略；
避关节极限子任务策略确定单元，用于确定所述避关节极限子任务的黎曼 运动策略。
在第二方面的一种具体实现方式中，所述位姿到达子任务策略确定单元可以具体用于：在所述机械臂的操作末端确定不共线的三个控制点；将所述三个控制点的位置到达黎曼运动策略确定为所述位姿到达子任务的黎曼运动策略。
在第二方面的一种具体实现方式中，所述货架避障子任务策略确定单元可以具体用于：获取货架的形状特征；根据所述货架的形状特征确定所述货架避障子任务的黎曼运动策略。
在第二方面的一种具体实现方式中，所述货架的形状特征包括组成所述货架的各个长方体障碍物的尺寸向量、位置向量和旋转矩阵。
在第二方面的一种具体实现方式中，所述避关节极限子任务策略确定单元可以具体用于：将所述机械臂的有限的构型空间映射至无限的实数空间，以确定所述避关节极限子任务的黎曼运动策略。
在第二方面的一种具体实现方式中，所述全局运动策略确定模块可以具体用于：根据每个子任务的黎曼运动策略的自然形式确定所述全局运动策略的自然形式；根据所述全局运动策略的自然形式确定所述全局运动策略的规范形式。
本申请实施例的第三方面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存储有计算机程序，所述计算机程序被处理器执行时实现上述任一种机械臂运动生成方法的步骤。
本申请实施例的第四方面提供了一种机械臂，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一种机械臂运动生成方法的步骤。
本申请实施例的第五方面提供了一种计算机程序产品，当计算机程序产品在机械臂上运行时，使得机械臂执行上述任一种机械臂运动生成方法的步骤。
有益效果
本申请实施例与现有技术相比存在的有益效果是：本申请实施例将面向货架场景的机械臂抓取任务拆解为多个子任务；基于几何动态系统，分别确定每个子任务的黎曼运动策略；基于黎曼运动策略的图计算流程对每个子任务的黎曼运动策略进行整合，得到机械臂的全局运动策略。通过本申请实施例，凭借黎曼运动策略的图计算流程的高效性和几何动态系统模型的丰富性与鲁棒性，能够实时且稳定地进行机械臂运动生成，即使在较为复杂的货架环境，也可有效保证机械臂抓取任务执行的效率和安全性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术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申请的一些实施例，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它的附图。
图1为在货架环境中执行机械臂抓取任务的场景示意图；
图2为RMPflow实施流程的示意图；
图3为本申请实施例中一种机械臂运动生成方法的一个实施例流程图；
图4为本申请实施例中一种机械臂运动生成装置的一个实施例结构图；
图5为本申请实施例中一种机械臂的示意框图。
本发明的实施方式
为使得本申请的发明目的、特征、优点能够更加的明显和易懂，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本申请一部分实施例，而非全部的实施例。基于本申请中的实施例，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它实施例，都属于本申请保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所 描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
本申请实施例主要针对在货架环境中执行机械臂抓取任务的场景，图1所示为该场景的示意图。其中，机械臂至少具有6个自由度，可执行六维位姿抓取；场景的全局坐标系{O-XYZ}位于机械臂基座，夹爪的局部坐标系{o-xyz}位于机械臂末端，Z轴和z轴分别与机械臂第一个关节和最后一个关节的轴线重合；货架的主体结构由长方体搭建，以图示为例，包括3块层板和4根立柱，共7个长方体，每个长方体均可视作一个障碍物。
在本申请实施例中，以黎曼运动策略(Riemannian Motion Policies，RMP) 为基础，将面向货架场景的机械臂抓取任务拆解成多个不同局部空间下的子任务，并分别为这些子任务设计基于几何动态系统(Geometric Dynamical System，GDS)模型的运动策略，再根据条理化的黎曼运动策略的图计算流程(RMPflow)将这些局部运动策略整合为关节空间下的全局运动策略，可实现机械臂在执行抓取到达运动的同时对所识别环境进行动态避障。
RMP是指一类在黎曼流形空间下的由二阶微分方程描述的带有几何信息的运动策略，其数学规范形式(canonical form)为(a,M)Μ。其中，Μ表示空间坐标属于的m维黎曼流形，a:Ρm×Ρm→Ρm表示一个二阶连续的运动策略，M:Ρm×Ρm→Ρm×m表示一个微分映射。依照机器人动力学的命名规则，a也可以看作是期望加速度，M则可以看作是惯性矩阵。
除了规范形式之外，RMP还有一种数学上的自然形式(natural form)为[f,M]Μ，其中f＝Ma表示期望力映射，这种数学表达形式更方便进行RMP相关的代数运算(RMP-algebra)。
RMPflow是一种面向流形空间的图计算流程，其作用是可以快速地将在不同维度流形下针对特定任务设计的局部RMP整合成目标空间下的全局RMP，以达到输出可实现全部特定任务的运动策略的目的。RMPflow流程主要依靠循环迭代pushforward、pullback和resolve三种信息流处理运算来实现。其中，pushforward指状态信息流的前向传递运算，pullback指RMP信息流的反向传递运算，resolve指RMP信息流由自然形式回归规范形式的映射运算。
图2所示为RMPflow实施流程的示意图，如图所示，首先，可以利用pushforward运算，根据机械臂状态信息获取各个子任务的状态信息；然后，可以基于所设计的GDS，根据各个子任务的状态信息获取对应子任务RMP的自然形式；接着，可以利用pullback运算，根据各个子任务RMP的自然形式 获取全局RMP的自然形式；最后，可以利用resolve运算，根据全局RMP的自然形式获取全局RMP的规范形式。
GDS可以被看作是一种定义在流形空间上的虚拟机械系统，其系统惯性由机械体的构型和速度共同决定。一个GDS可以用由四个元素组成的数学元组表达(Μ,G,B,Φ)，且满足以下微分方程：
其中，为几何度量矩阵，可根据所期望的机械体基于其状态所应做出的反应来设计；和分别为阻尼矩阵和势能方程，可参考传统机械系统中的对应项来设计；和为系统的曲率项，可依据获得：

其中，为矩阵的第i列。
当采用GDS模型来设计RMP时，则相应的[f,M]Μ可由下式获得：

图3所示为本申请实施例中一种机械臂运动生成方法的一个实施例流程图，该方法的执行主体可以为机械臂，如图所示，该机械臂运动生成方法可以包括：
步骤S301、将面向货架场景的机械臂抓取任务拆解为多个子任务。
在本申请实施例中，可以将面向货架场景的机械臂抓取任务拆解为位姿到达子任务、货架避障子任务和避关节极限子任务。
步骤S302、基于几何动态系统，分别确定每个子任务的黎曼运动策略。
在本申请实施例中，可以分别确定位姿到达子任务RMP、确定货架避障子任务RMP和确定避关节极限子任务RMP。
对于位姿到达子任务RMP，可以在机械臂的操作末端确定不共线的三个控制点，并将三个控制点的位置到达RMP确定为位姿到达子任务RMP。
如图1所示，可以在机械臂的操作末端(即夹爪端)设置不共线的三个控制点，其中，p0与夹爪坐标系原点重合，p1位于z轴上，p2位于y轴上。当仅控制p0运动到指定位置时，可完成机械臂抓取的夹爪位置到达任务；当控制p0和p1时，可限制夹爪姿态仅能绕机械臂最后一个关节轴转动；当同时控制p0、p1、p2时，则可完全限制夹爪姿态，实现机械臂抓取的位姿到达任务。因此，可以用多个控制点的位置到达RMP来取代位姿到达RMP，而无需专门为姿态到达RMP调试一套参数。
以三个控制点中的p0为例，在进行其位置到达RMP的pushforward设计时，可以令机械臂关节空间的状态参数为p0在操作空间状态参数为则有：
x0＝ψ0(q)
其中，ψ0为机械臂上p0的运动学正解，为位置到达RMP的雅可比矩阵。
在进行其GDS设计时，可以令p0所在的流形空间为Ξ0，相应的位置到达RMP的自然形式为以(Ξ0,Gg,Bg,Φg)表示为该RMP设计的GDS，则有：
Gg＝wI，w＝rσ(wu-wl)+wl，rσ＝exp(-||e2/(2σ2))
Bg＝rdw
其中，I为与机械臂关节空间维度相同的单位矩阵；w为度量系数，wu和wl分别为其上、下限；rp和rd分别为比例增益和速度增益；为与其目标位置的向量差，为e的单位向量。所以可得：


控制点p1和p2的情况与p0类似，其位置到达RMP的pushforward和GDS均可参照p0的上述内容，本申请实施例对此不再赘述。
对于架避障子任务RMP，可以获取货架的形状特征，并根据货架的形状特征确定货架避障子任务RMP。其中，货架的形状特征可以包括组成货架的各个长方体障碍物的尺寸向量、位置向量和旋转矩阵。
考虑到货架结构由no个长方体组成，此处以p0和第i个长方体障碍物为例，在进行其避障RMP的pushforward设计时，已知第i个长方体障碍物的尺寸向量li、位置向量ti和旋转矩阵Ri。其中，li由长方体的长、宽、高组成，ti为长方体中心在全局坐标系下的坐标；在长方体中心处建立障碍物的局部坐标系，三条轴线分别沿长、宽、高方向，Ri即为该局部坐标系相对于全局坐标系的旋转矩阵。令s0,i为p0与第i个长方体之间的最短距离，θi为最短距离函数，则有：

其中，为长方体避障RMP的雅可比矩阵。而根据长方体的最短距离函数的推导，可知：
s0,i＝||d0,i||，
其中，sgn(v)表示对向量v中各个元素取符号，max(v,0)表示将向量v中各个元素与0做对比、取大值，diag(v)表示将向量v变换成维度相同且对角元素与v相对应的对角矩阵。
在进行其GDS设计时，可以令第i个长方体的最短距离流形空间为Σi，相应的避障RMP的自然形式为以(Σi,ga,ba,φa)表示为该RMP设计的GDS，则有：
ba＝rdga
其中，su和sl分别为避障任务的启动距离和最短安全距离，ε为一个很小的正值，rp和rd分别为比例增益和速度增益。所以可得：


对于任意一个控制点和任意一个长方体障碍物而言，其避障RMP的pushforward和GDS均可参照p0和第i个长方体障碍物之间的避障RMP的上述内容，本申请实施例对此不再赘述。
对于避关节极限子任务RMP，可以将机械臂的有限的构型空间映射至无 限的实数空间，以确定避关节极限子任务RMP。在这一过程中，可以先将机械臂状态量映射到无限的实数空间进行动态系统设计，再将运动策略映射回有限的μm维构型空间进行运动策略的解算。具体的实现方式有两种，第一种是先通过运算映射状态量，再基于GDS模型设计运动策略，第二种则是将状态量的映射直接在GDS的设计中体现。
此处以将状态量的映射直接在GDS的设计中体现为例进行说明，在进行其避关节极限RMP的pushforward设计时，无需进行状态信息的映射处理，即在避关节极限RMP中沿用了机械臂的状态参数因此相应的雅可比矩阵Jl＝Im为μm维的单位矩阵。
在进行其GDS设计时，可以令机械臂的构型空间为X，避关节极限RMP的自然形式为[fl,Ml]X，以(X,Gl,Bl,Φl)表示为该RMP设计的GDS，则有：
di＝si(αu,iui+(1-αu,i))+(1-si)(αl,iui+(1-αl,i))
ui＝4si(1-si)，
bi＝rddi
其中，qu,i、ql,i和q0,i分别为关节位置qi的上、下限和中值，rp和rd分别为比例增益和速度增益。所以可得：
Ml＝Gl



通过上述过程，分别确定出位姿到达子任务RMP、确定货架避障子任务RMP和确定避关节极限子任务RMP。
步骤S303、基于黎曼运动策略的图计算流程对每个子任务的黎曼运动策略进行整合，得到机械臂的全局运动策略。
面向货架场景的机械臂抓取任务至少采用了N＝nl+ng+np×no个子任务RMP。其中，避关节极限RMP有nl＝1个，位置到达RMP有ng＝3个；np个机械臂防撞点组合no个长方体障碍物，则避障RMP有np×no个。
在本申请实施例中，可以根据每个子任务RMP的自然形式确定全局运动策略的自然形式，并根据全局运动策略的自然形式确定全局运动策略的规范形式。
在确定每个子任务RMP之后，基于pullback运算，可以根据每个子任务RMP的自然形式确定全局运动策略的自然形式[f,M]X：

其中，分别表示所有子任务RMP的期望力、惯性矩阵、雅可比矩阵经过组合重排形成的队列。
通过resolve运算将全局运动策略由自然形式映射回规范形式，便可获得全局运动策略的关节加速度控制量：
a＝M+f
其中，M+＝(MTM)-1MT，表示M的伪逆。
在得到关节加速度控制量之后，即可按照该控制量对机械臂进行运动控制，以使机械臂完成从货架中抓取物体的任务。
综上所述，本申请实施例将面向货架场景的机械臂抓取任务拆解为多个子任务；基于几何动态系统，分别确定每个子任务的黎曼运动策略；基于黎曼运动策略的图计算流程对每个子任务的黎曼运动策略进行整合，得到机械臂的全局运动策略。通过本申请实施例，凭借黎曼运动策略的图计算流程的高效性和几何动态系统模型的丰富性与鲁棒性，能够实时且稳定地进行机械臂运动生成，即使在较为复杂的货架环境，也可有效保证机械臂抓取任务执行的效率和安全性。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的一种机械臂运动生成方法，图4示出了本申请实施例提供的一种机械臂运动生成装置的一个实施例结构图。
本实施例中，一种机械臂运动生成装置可以包括：
子任务拆解模块401，用于将面向货架场景的机械臂抓取任务拆解为多个子任务；
子任务策略确定模块402，用于基于几何动态系统，分别确定每个子任务的黎曼运动策略；
全局运动策略确定模块403，用于基于黎曼运动策略的图计算流程对每个子任务的黎曼运动策略进行整合，得到机械臂的全局运动策略。
在本申请实施例的一种具体实现方式中，所述子任务拆解模块可以具体用于将面向货架场景的机械臂抓取任务拆解为位姿到达子任务、货架避障子任务和避关节极限子任务；
相应地，所述子任务策略确定模块可以包括：
位姿到达子任务策略确定单元，用于确定所述位姿到达子任务的黎曼运动策略；
货架避障子任务策略确定单元，用于确定所述货架避障子任务的黎曼运动策略；
避关节极限子任务策略确定单元，用于确定所述避关节极限子任务的黎曼运动策略。
在本申请实施例的一种具体实现方式中，所述位姿到达子任务策略确定单元可以具体用于：在所述机械臂的操作末端确定不共线的三个控制点；将所述三个控制点的位置到达黎曼运动策略确定为所述位姿到达子任务的黎曼运动策略。
在本申请实施例的一种具体实现方式中，所述货架避障子任务策略确定单元可以具体用于：获取货架的形状特征；根据所述货架的形状特征确定所述货架避障子任务的黎曼运动策略。
在本申请实施例的一种具体实现方式中，所述货架的形状特征包括组成所述货架的各个长方体障碍物的尺寸向量、位置向量和旋转矩阵。
在本申请实施例的一种具体实现方式中，所述避关节极限子任务策略确定单元可以具体用于：将所述机械臂的有限的构型空间映射至无限的实数空间，以确定所述避关节极限子任务的黎曼运动策略。
在本申请实施例的一种具体实现方式中，所述全局运动策略确定模块可以 具体用于：根据每个子任务的黎曼运动策略的自然形式确定所述全局运动策略的自然形式；根据所述全局运动策略的自然形式确定所述全局运动策略的规范形式。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置，模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
图5示出了本申请实施例提供的一种机械臂的示意框图，为了便于说明，仅示出了与本申请实施例相关的部分。
如图5所示，该实施例的机械臂5包括：处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52。所述处理器50执行所述计算机程序52时实现上述各个机械臂运动生成方法实施例中的步骤，例如图3所示的步骤S301至步骤S303。或者，所述处理器50执行所述计算机程序52时实现上述各装置实施例中各模块/单元的功能，例如图4所示模块401至模块403的功能。
示例性的，所述计算机程序52可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器51中，并由所述处理器50执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序52在所述机械臂5中的执行过程。
本领域技术人员可以理解，图5仅仅是机械臂5的示例，并不构成对机械 臂5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述机械臂5还可以包括输入输出设备、网络接入设备、总线等。
所述处理器50可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器51可以是所述机械臂5的内部存储单元，例如机械臂5的硬盘或内存。所述存储器51也可以是所述机械臂5的外部存储设备，例如所述机械臂5上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器51还可以既包括所述机械臂5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述机械臂5所需的其它程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模 块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/机械臂和方法，可以通过其它的方式实现。例如，以上所描述的装置/机械臂实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元 中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读存储介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

  1. 一种机械臂运动生成方法，其特征在于，包括：
    将面向货架场景的机械臂抓取任务拆解为多个子任务；
    基于几何动态系统，分别确定每个子任务的黎曼运动策略；
    基于黎曼运动策略的图计算流程对每个子任务的黎曼运动策略进行整合，得到机械臂的全局运动策略。
  2. 根据权利要求1所述的机械臂运动生成方法，其特征在于，所述将面向货架场景的机械臂抓取任务拆解为多个子任务，包括：
    将面向货架场景的机械臂抓取任务拆解为位姿到达子任务、货架避障子任务和避关节极限子任务；
    相应地，所述分别确定每个子任务的黎曼运动策略，包括：
    确定所述位姿到达子任务的黎曼运动策略、确定所述货架避障子任务的黎曼运动策略和确定所述避关节极限子任务的黎曼运动策略。
  3. 根据权利要求2所述的机械臂运动生成方法，其特征在于，所述确定所述位姿到达子任务的黎曼运动策略，包括：
    在所述机械臂的操作末端确定不共线的三个控制点；
    将所述三个控制点的位置到达黎曼运动策略确定为所述位姿到达子任务的黎曼运动策略。
  4. 根据权利要求2所述的机械臂运动生成方法，其特征在于，所述确定所述货架避障子任务的黎曼运动策略，包括：
    获取货架的形状特征；
    根据所述货架的形状特征确定所述货架避障子任务的黎曼运动策略。
  5. 根据权利要求4所述的机械臂运动生成方法，其特征在于，所述货架 的形状特征包括组成所述货架的各个长方体障碍物的尺寸向量、位置向量和旋转矩阵。
  6. 根据权利要求2所述的机械臂运动生成方法，其特征在于，所述确定所述避关节极限子任务的黎曼运动策略，包括：
    将所述机械臂的有限的构型空间映射至无限的实数空间，以确定所述避关节极限子任务的黎曼运动策略。
  7. 根据权利要求1至6中任一项所述的机械臂运动生成方法，其特征在于，所述基于黎曼运动策略的图计算流程对每个子任务的黎曼运动策略进行整合，得到机械臂的全局运动策略，包括：
    根据每个子任务的黎曼运动策略的自然形式确定所述全局运动策略的自然形式；
    根据所述全局运动策略的自然形式确定所述全局运动策略的规范形式。
  8. 一种机械臂运动生成装置，其特征在于，包括：
    子任务拆解模块，用于将面向货架场景的机械臂抓取任务拆解为多个子任务；
    子任务策略确定模块，用于基于几何动态系统，分别确定每个子任务的黎曼运动策略；
    全局运动策略确定模块，用于基于黎曼运动策略的图计算流程对每个子任务的黎曼运动策略进行整合，得到机械臂的全局运动策略。
  9. 一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的机械臂运动生成方法的步骤。
  10. 一种机械臂，包括存储器、处理器以及存储在所述存储器中并可在所 述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的机械臂运动生成方法的步骤。
PCT/CN2023/142217 2023-11-28 2023-12-27 一种机械臂运动生成方法、装置、可读存储介质及机械臂 Pending WO2025112149A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202311624625.0 2023-11-28
CN202311624625.0A CN117549303A (zh) 2023-11-28 2023-11-28 一种机械臂运动生成方法、装置、可读存储介质及机械臂

Publications (1)

Publication Number Publication Date
WO2025112149A1 true WO2025112149A1 (zh) 2025-06-05

Family

ID=89820390

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2023/142217 Pending WO2025112149A1 (zh) 2023-11-28 2023-12-27 一种机械臂运动生成方法、装置、可读存储介质及机械臂

Country Status (2)

Country Link
CN (1) CN117549303A (zh)
WO (1) WO2025112149A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN120735051A (zh) * 2025-09-02 2025-10-03 浙江大学 一种基于黎曼流形的任务自由度机器人关节运动规划方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118322185B (zh) * 2024-03-12 2026-01-06 深圳市优必选科技股份有限公司 机器人力控方法、装置、计算机可读存储介质及机器人

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113119110A (zh) * 2021-03-18 2021-07-16 上海握珠智能科技有限公司 一种机器人的智能动作和目标的动态位姿实时融合的方法
CN113282105A (zh) * 2021-06-16 2021-08-20 北京北航天宇长鹰无人机科技有限公司 无人机路径避障调整的方法、计算机装置和可读存储介质
WO2022232186A1 (en) * 2021-04-27 2022-11-03 Nvidia Corporation Policy layers for machine control
CN115723129A (zh) * 2022-11-17 2023-03-03 北京工业大学 一种机械臂连续操作运动规划方法
CN115972196A (zh) * 2022-11-17 2023-04-18 浙江大学 一种基于黎曼运动策略的机器人运动策略生成方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113119110A (zh) * 2021-03-18 2021-07-16 上海握珠智能科技有限公司 一种机器人的智能动作和目标的动态位姿实时融合的方法
WO2022232186A1 (en) * 2021-04-27 2022-11-03 Nvidia Corporation Policy layers for machine control
CN113282105A (zh) * 2021-06-16 2021-08-20 北京北航天宇长鹰无人机科技有限公司 无人机路径避障调整的方法、计算机装置和可读存储介质
CN115723129A (zh) * 2022-11-17 2023-03-03 北京工业大学 一种机械臂连续操作运动规划方法
CN115972196A (zh) * 2022-11-17 2023-04-18 浙江大学 一种基于黎曼运动策略的机器人运动策略生成方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN120735051A (zh) * 2025-09-02 2025-10-03 浙江大学 一种基于黎曼流形的任务自由度机器人关节运动规划方法

Also Published As

Publication number Publication date
CN117549303A (zh) 2024-02-13

Similar Documents

Publication Publication Date Title
CN111538949A (zh) 冗余机器人逆运动学求解方法、装置和冗余机器人
WO2025112149A1 (zh) 一种机械臂运动生成方法、装置、可读存储介质及机械臂
CN108705532B (zh) 一种机械臂避障路径规划方法、设备及存储设备
US9981389B2 (en) Robotics platforms incorporating manipulators having common joint designs
US11833692B2 (en) Method and device for controlling arm of robot
CN113715016B (zh) 一种基于3d视觉的机器人抓取方法、系统、装置及介质
JP2019517929A (ja) ロボット関節空間におけるポイントツーポイント移動の軌跡計画方法
CN114378809B (zh) 软体机器人操纵器的无奇点运动学参数化
CN113119104B (zh) 机械臂控制方法、机械臂控制装置、计算设备及系统
Canepa et al. Stabilizing flocking via leader election in robot networks
Zhang et al. Affordance-driven next-best-view planning for robotic grasping
CN113814978A (zh) 机器人控制方法、装置、机器人及存储介质
CN115972196A (zh) 一种基于黎曼运动策略的机器人运动策略生成方法
Su et al. Grasping objects: The relationship between the cage and the form-closure grasp
CN117798909A (zh) 三维视觉机器人的碰撞检测和轨迹规划方法
CN115922704A (zh) 机器人和外部轴的联动协同控制方法、设备及存储介质
CN118322186A (zh) 一种机器人运动生成方法、装置、可读存储介质及机器人
CN115946130A (zh) 基于黎曼流形的人机协同方法
CN117798938B (zh) 一种多关节机器人非奇异评价控制方法及装置
WO2025189916A1 (zh) 机器人力控方法、装置、计算机可读存储介质及机器人
Tian et al. Research on two-stage grasping planning method for multifingered dexterous hand
CN116985144A (zh) 一种具有c2连续的机器人末端姿态规划方法
CN116619387A (zh) 一种基于手部姿态估计的灵巧手遥操作方法
CN117207172A (zh) 冗余机械臂位置调整方法、装置、电子设备及存储介质
CN120735051B (zh) 一种基于黎曼流形的任务自由度机器人关节运动规划方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 23960050

Country of ref document: EP

Kind code of ref document: A1