CN102161198A - 用于三维空间中移动机械臂路径规划的主从式协进化方法 - Google Patents

用于三维空间中移动机械臂路径规划的主从式协进化方法 Download PDF

Info

Publication number
CN102161198A
CN102161198A CN 201110064969 CN201110064969A CN102161198A CN 102161198 A CN102161198 A CN 102161198A CN 201110064969 CN201110064969 CN 201110064969 CN 201110064969 A CN201110064969 A CN 201110064969A CN 102161198 A CN102161198 A CN 102161198A
Authority
CN
China
Prior art keywords
path
mechanical arm
mobile
fitness
platform
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.)
Granted
Application number
CN 201110064969
Other languages
English (en)
Other versions
CN102161198B (zh
Inventor
马遥
刘山
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201110064969A priority Critical patent/CN102161198B/zh
Publication of CN102161198A publication Critical patent/CN102161198A/zh
Application granted granted Critical
Publication of CN102161198B publication Critical patent/CN102161198B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种用于三维空间中移动机械臂路径规划的主从式协进化方法，该方法能够保证达到***整体性能而不是子***性能最优的效果；尤其是在既有空间障碍物又有地面障碍物的情况下能有效避免碰撞并找到一条较优的路径。

Description

用于三维空间中移动机械臂路径规划的主从式协进化方法
技术领域
本发明涉及一种路径规划方法，尤其涉及一种用于三维空间中移动机械臂路径规划的主从式协进化方法。
背景技术
路径规划是移动机械臂中的一个基本问题，即寻找起始位姿和终态位姿之间可行的连续路径。此外，还需要考虑到相关指标如路径、时间等的优化以及障碍物避碰等。移动机械臂有很高的自由度，且要在三维空间而不是平面中进行规划，因此加大了路径规划的难度。
移动机械臂是一个包含机械臂和移动平台的组合***，在规划中如何协调这两者的关系成为重点。前人提出了很多解决方法：Pin和culioli利用变换位姿将其转换为多目标优化问题，但对两个机械臂和移动平台使用一个目标函数进行优化，难以实现整体性能最优。yamamoto提出首选操作区的概念，实际是先移动平台至合适位置再移动机械臂，未能发挥出移动机械臂在可移动性和可操作性上的优势，且很容易造成行进中臂的碰撞。saraji把整个***视为一个冗余的机械臂来进行规划，忽略了机械臂和移动平台在性能上的差异。李新春等提出了一种分级协调的路径规划方法，将平台和机械手分别选择目标函数进行规划，但其编码方式过于简单，且并未考虑到机械臂对平台所造成的影响。为了考虑移动平台和机械臂相互之间的影响，我们想到了协进化遗传算法。
协进化遗传方法是在传统遗传方法基础上改进得到的，传统遗传方法中将问题的解编码为个体，进行选择、交叉、变异等操作，并根据适应度函数来对进化后的个体进行筛选，最终搜索出解空间里较优的解。而协进化遗传方法不仅考虑到了种群内的进化，还考虑到不同种群对各自进化的影响，各种群独立进化后会选出代表，进入环境模型进行共同进化，得到新的适应度并返回原种群，影响原种群的进化，从而达到共同进化的目标。协进化方法的基本步骤如图2。
协进化遗传方法中的不足之处在于：第一，对于差异明显的两个种群，协作的难度较大,因为协进化方法是不影响种群内的进化的，它只是利用环境模型对各种群代表所组成的“联合种群”进行了进化操作并得出新的适应度返回原种群，如果种群间差异过大，可以导致无法对“联合种群”进行进化操作行为。第二，该方法是一种并行操作的方法，即各种群各自单独进化，再进行共同进化，因此对于强耦合的个体无法使用，而本发明所针对的实际***正是一个强耦合的***。
发明内容
本发明的目的在于针对现有技术的不足，提供一种用于三维空间中移动机械臂路径规划的主从式协进化方法。
为了实现上述的目的，本发明采取如下技术方案：一种用于三维空间中移动机械臂路径规划的主从式协进化方法，包括以下步骤：
（1）利用视觉***得到环境的整体信息。
（2）构建环境模型和移动机械臂模型，并对个体进行编码。
（3）以移动平台作为规划主导，根据线性同余法为系数随机产生表示移动平台初始路径的路径序列。
（4）对初始路径进行遗传算法操作，进化100代后，得到适应度高且无碰撞的路径集。
（5）从路径集中选出适应度高的进行离散操作。
（6）在离散路径的基础上进行机械臂的遗传算法操作，得到臂的最优角度序列。
（7）查看所得序列是否会引起碰撞或角度变化剧烈，若有则对机械臂角度进行光滑处理，并调换角色，以臂作为主导对移动平台重新进行路径规划，若无则转入下一步。
（8）评估机械臂和移动平台的整体性能，若达到所设定的阈值则算法结束，若未达到所设定的阈值则从移动平台的路径集中重新选择次优路径进行机械臂的进化，如此直到到达阈值要求，算法结束。
（9）将最终所得结果应用于实际移动机械臂平台，使其可以按较优路径从起始态到达目标态。
本发明的有益效果是，能够保证移动机械臂***的整体性能较优，且由于平台先独立进行进化，因此更易找到平台在全局空间中的最优解，并通过主从角色的调换，可以有效进行机械臂和移动平台的协作，防止空间内发生的碰撞。
附图说明
图1是本发明中双目视觉中的几何关系图。
图2是本发明中协进化遗传算法的流程图。
图3是本发明中机械臂和小车模型图。
图4是本发明中主从式协进化方法流程图。
具体实施方式
本发明专利是利用主从式协进化方法实现三维空间中移动机械臂路径规划。该方法的原理是：仿照人类的社会活动情况，在群体活动中总是有部分人为主导地位，主导整个群体的发展方向，另一部分人属于从属地位，帮助推动群体的发展。而且这种地位并不是不变的，而是随着所面临的环境和个人经验对群体的贡献大小而发生改变的。在本文所述移动机械臂中，包含移动平台和机械臂，给这两个子***分配领导者和协助者的角色。
首先由移动平台担任领导者的角色，完成地面上的路径规划，得到一条最优路径。然后由协助者--机械臂在领导者完成的任务基础上完成自己的任务：规划无碰撞且较优的位姿。
由于有碰撞的个体也可能在下一代的进化中转变成为无碰撞的，因此在算法中并没有将有碰撞的个体去除，而只是给它定义了一个罚函数。因此当协助者完成任务后会再次进行一个评估，即看它是否得到无碰位姿，所得到的位姿是否不会发生剧烈震荡，若是则得到移动机械臂最优解，若不是则调换角色，以机械臂作为领导者，对位姿先进行优化，然后车作为协助者重新进行进化。
最后还要再进行移动机械臂整体的适应度评估，若达到一个阈值则算法结束，若达不到则在第一步所得移动平台路径集中选出次优解再次进行上述过程。
本发明用于三维空间中移动机械臂路径规划的主从式协进化方法，包括以下步骤：
1.   利用视觉***得到环境的整体信息。
通以双目相机对同一物体从不同位置成像获得立体图像，融合左右相机获得的立体图像，并察觉它们之间的差别（视差），根据它们自身相对的几何学计算左右图像的关系，使计算机能够导出深度信息。
两个已知内参数的摄像机观察同一个场景点，它的3D坐标可以用两条射线的交点计算出来，这是立体视觉（Stereo Vision）的基本原理。为了获得3D坐标，一般需要三个步骤：获得摄像机的内参数；在左右图像中的点之间建立对应点对；重构场景中点的深度信息。图1给出了两个摄像机***的几何学。
其中场景点为                                                
Figure 546954DEST_PATH_IMAGE001
，
Figure 602635DEST_PATH_IMAGE002
分别是
Figure 170013DEST_PATH_IMAGE001
在左相机和右相机拍摄的图像点，在以像素为单位的图像坐标系和
Figure 574285DEST_PATH_IMAGE004
中坐标分别为，
Figure 917859DEST_PATH_IMAGE006
。
以左相机中心为坐标原点，根据视差理论计算可得到对应点的关系为：
Figure 458562DEST_PATH_IMAGE007
其中
Figure 711820DEST_PATH_IMAGE008
表示空间点
Figure 125615DEST_PATH_IMAGE001
对应的视觉左图像点的像素坐标；
Figure 651274DEST_PATH_IMAGE009
表示视觉图像中心坐标点；
Figure 805787DEST_PATH_IMAGE010
为二维坐标点
Figure 100502DEST_PATH_IMAGE008
在双目相机左右图的视差，即两图像中的图像点位置的水平差值
Figure 747516DEST_PATH_IMAGE011
，
Figure 573520DEST_PATH_IMAGE012
为双目CCD相机的基线（Baseline）的长度，即连接左右摄像机光心的线；
Figure 269075DEST_PATH_IMAGE013
为相机焦距，单位为像素。
解出
Figure 511573DEST_PATH_IMAGE014
后代入可求出
Figure 767422DEST_PATH_IMAGE016
Figure 598292DEST_PATH_IMAGE013
为相机焦距，单位为像素。
2. 构建环境模型和移动机械臂模型，并对个体进行编码。
将移动平台膨胀为空间中的一个点，该点有三个自由度X,Y,航向角
Figure 524791DEST_PATH_IMAGE018
，满足非完整约束
Figure 512339DEST_PATH_IMAGE019
，个体编码为(
Figure 546766DEST_PATH_IMAGE020
)，(
Figure 936159DEST_PATH_IMAGE021
)，…., (
Figure 954931DEST_PATH_IMAGE022
)。将6个关节的motoman机械臂简化为三段连杆L0、L1、L2,角度从下到上为α1、α2，个体编码为(
Figure 180507DEST_PATH_IMAGE023
)，(
Figure 270823DEST_PATH_IMAGE024
)，…，(
Figure 265455DEST_PATH_IMAGE025
)。机械臂末端坐标和移动平台坐标之间的关系为：
Figure 783024DEST_PATH_IMAGE026
Figure 417267DEST_PATH_IMAGE027
Figure 796427DEST_PATH_IMAGE028
3. 以移动平台作为规划主导，根据线性同余法为系数随机产生表示移动平台初始路径的路径序列。
对于移动平台，首先求得每段路径下x的最大值
Figure 160412DEST_PATH_IMAGE029
，再利用线性同余法产生满足均匀分布的随机数作为系数k，移动平台个体编码中，
Figure 786402DEST_PATH_IMAGE031
，j的范围从1到编码长度
Figure 969252DEST_PATH_IMAGE032
，
Figure 125427DEST_PATH_IMAGE018
为航向角，interval为每段长度下的路径，计算方法为
Figure 984799DEST_PATH_IMAGE033
，其中
Figure 406684DEST_PATH_IMAGE034
、
Figure 376914DEST_PATH_IMAGE035
为平台目标位置处的x、y坐标，
Figure 200645DEST_PATH_IMAGE036
、
Figure 168601DEST_PATH_IMAGE037
为平台初始位置处的x、y坐标，
Figure 327050DEST_PATH_IMAGE032
为编码长度。
对于机械臂，首先求得每段路径下x的最大值
Figure 848773DEST_PATH_IMAGE038
，其中j的范围从1到编码长度
Figure 776278DEST_PATH_IMAGE039
，minterval为每段长度下的角度值，计算方法为
Figure 728185DEST_PATH_IMAGE040
，
Figure 311613DEST_PATH_IMAGE041
、
Figure 889225DEST_PATH_IMAGE042
为2个关节角的终态，
Figure 421968DEST_PATH_IMAGE043
、
Figure 794044DEST_PATH_IMAGE044
为2个关节角的始态， 
Figure 677817DEST_PATH_IMAGE045
。于是有机械臂个体编码，
Figure 633321DEST_PATH_IMAGE047
，其中
Figure 918241DEST_PATH_IMAGE048
，
Figure 538578DEST_PATH_IMAGE049
，rand(1)为线性同余法产生满足均匀分布的随机数。注意此式中若
Figure 943146DEST_PATH_IMAGE050
则
Figure 699749DEST_PATH_IMAGE051
，若
Figure 616890DEST_PATH_IMAGE052
则。
4. 对初始路径进行遗传算法操作，进化100代后，得到适应度高且无碰撞的路径集。
对移动平台路径序列计算适应度。平台的适应度应该包括以下指标：首先是路径长度最小，而且在该路径长度上不能与障碍物发生碰撞。关于时间最短的问题会在计算机械臂的适应度时再考虑，因为时间的取值是平台和机械臂中较长的那个。路径长度表示为：
Figure 667202DEST_PATH_IMAGE054
，计算碰撞时，若移动平台与障碍物的距离
Figure 294624DEST_PATH_IMAGE055
<=0.01则碰撞次数
Figure 117086DEST_PATH_IMAGE056
加1。平台适应度为。
Figure 455456DEST_PATH_IMAGE058
、均为正比例系数。
按适应度高低进行排序，排序可以避免选择压力太小的情况下搜索过早收敛的问题，采用michalewicz提出的非线性排序的选择概率公式
Figure 993065DEST_PATH_IMAGE060
，其中i为个体排序序号，
Figure 809711DEST_PATH_IMAGE061
为排序第一的个人的选择概率。
对路径序列进行选择、交叉、变异操作以得到子代。
选择采用的方法是由holland提出的轮盘赌选择法，利用各个个体适应度大小决定其子孙保留的可能性，需进行多轮选择。每轮产生一个0~
Figure 546723DEST_PATH_IMAGE062
之间的均匀随机数，并以该随机数确定被选个体。改进的地方是在子代向父代复制以前先检测子代中适应度大小，若某适应度的值在子代中出现了5次或以上，则只取第一个复制，剩下的保持不变。、交叉采用的方法是均匀交叉，子代、
Figure 375319DEST_PATH_IMAGE064
和父代
Figure 429994DEST_PATH_IMAGE065
、
Figure 767434DEST_PATH_IMAGE066
之间的关系为：
Figure 226884DEST_PATH_IMAGE067
,
Figure 624367DEST_PATH_IMAGE068
,
Figure 166338DEST_PATH_IMAGE069
为比例因子，由[0,1]上均匀分布的随机数产生。变异是一种局部随机搜索，可以使算法保持种群多样性，避免早熟。操作好之后从子代中选择适应度高且无碰撞的路径放入路径集
Figure 307470DEST_PATH_IMAGE070
{}。重复此过程直到进化到100代。
5. 从路径集中选出适应度高的进行离散操作。
从路径集
Figure 618496DEST_PATH_IMAGE070
{}中选择适应度最高的路径序列，进行离散化操作，即设定平台行驶速度
Figure 452460DEST_PATH_IMAGE071
为常数，将所得路径转换为时间上平均分布的路径。
6. 在离散路径的基础上进行机械臂的遗传算法操作，得到臂的最优角度序列。
在此离散路径基础上对机械臂进行遗传算法操作。适应度函数考虑以下指标：移动机械臂整体运行时间T，与空间障碍物碰撞的次数，运动过程中角度变化的剧烈程度ξ。算法中设定机械臂的运动速度
Figure 98653DEST_PATH_IMAGE073
为一常数，因此运行时间
Figure 513454DEST_PATH_IMAGE074
，其中，
Figure 766373DEST_PATH_IMAGE076
。计算与空间障碍物的碰撞时，首先离散化时间点，然后离散化该时间点机械臂的各连杆，然后对连杆的每一段进行检测。角度变化程度
Figure 186990DEST_PATH_IMAGE077
。机械臂适应度为
Figure 472609DEST_PATH_IMAGE078
。
Figure 648376DEST_PATH_IMAGE058
、
Figure 386656DEST_PATH_IMAGE059
、
Figure 673281DEST_PATH_IMAGE079
均为正比例系数。
选择、交叉、变异基本同5（C）的过程，因此不多表述。
进化50代，并根据适应度得到最优角度序列。
7. 查看所得序列是否会引起碰撞或角度变化剧烈，若有则对机械臂角度进行光滑处理，并调换角色，以臂作为主导对移动平台重新进行路径规划，若无则转入下一步。
由于未去除有碰撞的个体，因此进化完后在该步骤查看步骤（6）中所得到的最优角度序列是否会发生碰撞，即是否为0，同时查看角度是否发生连续两次反向波动，即
Figure 832178DEST_PATH_IMAGE080
&
Figure 307021DEST_PATH_IMAGE081
，若有则对臂进行光滑处理，得到新的序列，并对移动平台重新进行路径规划，重复步骤（3）（4）。
8. 评估机械臂和移动平台的整体性能，若达到所设定的阈值则算法结束，若未达到所设定的阈值则从移动平台的路径集中重新选择次优路径进行机械臂的进化，如此直到到达阈值要求，算法结束。
9. 将最终所得结果应用于实际移动机械臂平台，使其可以按较优路径从起始态到达目标态。
将最终所得结果应用于实际移动机械臂平台：一个六关节机械臂MOTOMAN和一个满足非完整约束的轮式移动平台POWERBOT，使其可以按较优路径从起始态到达目标态，并避开空间中的2个障碍物和地面上的3个障碍物。
本发明考虑到空间和地面同时存在障碍物的情况情况，采用了一种主从式分开规划，同时相互协作的方法，能充分发挥原方法的优点并适应新的模型。这种新的规划方法由于需要大量的协作，因此计算耗时较大，但它十分有效的避免了移动机械臂和障碍物的碰撞，同时更容易达到最优解，是一种十分有效的方法。

Claims (10)

1.一种用于三维空间中移动机械臂路径规划的主从式协进化方法，其特征在于，包括以下步骤：
（1）利用视觉***得到环境的整体信息；
（2）构建环境模型和移动机械臂模型，并对个体进行编码；
（3）以移动平台作为规划主导，根据线性同余法为系数随机产生表示移动平台初始路径的路径序列；
（4）对初始路径进行遗传算法操作，进化100代后，得到适应度高且无碰撞的路径集；
（5）从路径集中选出适应度高的进行离散操作；
（6）在离散路径的基础上进行机械臂的遗传算法操作，得到臂的最优角度序列；
（7）查看所得序列是否会引起碰撞或角度变化剧烈，若有则对机械臂角度进行光滑处理，并调换角色，以臂作为主导对移动平台重新进行路径规划，若无则转入下一步；
（8）评估机械臂和移动平台的整体性能，若达到所设定的阈值则算法结束，若未达到所设定的阈值则从移动平台的路径集中重新选择次优路径进行机械臂的进化，如此直到到达阈值要求，算法结束；
（9）将最终所得结果应用于实际移动机械臂平台，使其可以按较优路径从起始态到达目标态。
2.根据权利要求1所述用于三维空间中移动机械臂路径规划的主从式协进化方法，其特征在于，所述步骤（1）中，以双目相机采集图像，并对图像进行SURF特征点检测和特征点匹配，以得到环境中障碍物所在的空间位置。
3.根据权利要求1所述用于三维空间中移动机械臂路径规划的主从式协进化方法，其特征在于，所述步骤（2）具体为，将移动平台膨胀为空间中的一个点，该点有三个自由度X,Y,航向角                                                
Figure 2011100649691100001DEST_PATH_IMAGE001
，满足非完整约束
Figure 841078DEST_PATH_IMAGE002
，个体编码为()，(
Figure 997865DEST_PATH_IMAGE004
)，…., (
Figure 2011100649691100001DEST_PATH_IMAGE005
)；将6个关节的motoman机械臂简化为三段连杆L0、L1、L2,角度从下到上为α1、α2，个体编码为(
Figure 20179DEST_PATH_IMAGE006
)，(
Figure 2011100649691100001DEST_PATH_IMAGE007
)，…，(
Figure 923544DEST_PATH_IMAGE008
)。
4.根据权利要求1所述用于三维空间中移动机械臂路径规划的主从式协进化方法，其特征在于，所述步骤（3）包括以下子步骤：
（A）对于移动平台，首先求得每段路径下x的最大值
Figure DEST_PATH_IMAGE009
，再利用线性同余法产生满足均匀分布的随机数作为系数k，移动平台个体编码中
Figure 980493DEST_PATH_IMAGE010
，
Figure DEST_PATH_IMAGE011
，j的范围从1到编码长度
Figure 127090DEST_PATH_IMAGE012
，为航向角，interval为每段长度下的路径，计算方法为
Figure DEST_PATH_IMAGE013
，其中、
Figure DEST_PATH_IMAGE015
为平台目标位置处的x、y坐标，
Figure 442162DEST_PATH_IMAGE016
、
Figure DEST_PATH_IMAGE017
为平台初始位置处的x、y坐标，
Figure 753801DEST_PATH_IMAGE012
为编码长度；
（B）对于机械臂，首先求得每段路径下x的最大值
Figure 937658DEST_PATH_IMAGE018
，其中j的范围从1到编码长度，minterval为每段长度下的角度值，计算方法为
Figure 120509DEST_PATH_IMAGE020
，
Figure DEST_PATH_IMAGE021
、
Figure 214367DEST_PATH_IMAGE022
为2个关节角的终态，
Figure DEST_PATH_IMAGE023
、为2个关节角的始态， 
Figure DEST_PATH_IMAGE025
；于是有机械臂个体编码，，其中
Figure 893283DEST_PATH_IMAGE028
，
Figure DEST_PATH_IMAGE029
，rand(1)为线性同余法产生满足均匀分布的随机数；注意此式中若
Figure 654697DEST_PATH_IMAGE030
则，若
Figure 376315DEST_PATH_IMAGE032
则
Figure DEST_PATH_IMAGE033
。
5.根据权利要求1所述用于三维空间中移动机械臂路径规划的主从式协进化方法，其特征在于，所述步骤（4）包括以下子步骤：
（A）对移动平台路径序列计算适应度；平台的适应度应该包括以下指标：首先是路径长度最小，而且在该路径长度上不能与障碍物发生碰撞；关于时间最短的问题会在计算机械臂的适应度时再考虑，因为时间的取值是平台和机械臂中较长的那个；路径长度表示为：，计算碰撞时，若移动平台与障碍物的距离
Figure DEST_PATH_IMAGE035
<=0.01则碰撞次数加1；平台适应度为
Figure DEST_PATH_IMAGE037
；
Figure 940916DEST_PATH_IMAGE038
、
Figure DEST_PATH_IMAGE039
均为正比例系数；
（B）按适应度高低进行排序，排序可以避免选择压力太小的情况下搜索过早收敛的问题，采用michalewicz提出的非线性排序的选择概率公式
Figure 952210DEST_PATH_IMAGE040
，其中i为个体排序序号，
Figure DEST_PATH_IMAGE041
为排序第一的个人的选择概率；
（C）对路径序列进行选择、交叉、变异操作以得到子代；
选择采用的方法是由holland提出的轮盘赌选择法，利用各个个体适应度大小决定其子孙保留的可能性，需进行多轮选择；每轮产生一个0~
Figure 83108DEST_PATH_IMAGE042
之间的均匀随机数，并以该随机数确定被选个体；改进的地方是在子代向父代复制以前先检测子代中适应度大小，若某适应度的值在子代中出现了5次或以上，则只取第一个复制，剩下的保持不变；【遗传算法选择方法的比较分析】交叉采用的方法是均匀交叉，子代、
Figure 473770DEST_PATH_IMAGE044
和父代
Figure DEST_PATH_IMAGE045
、
Figure 334409DEST_PATH_IMAGE046
之间的关系为：
Figure DEST_PATH_IMAGE047
,
Figure 706485DEST_PATH_IMAGE048
,
Figure DEST_PATH_IMAGE049
为比例因子，由[0,1]上均匀分布的随机数产生；【遗传算法交叉算子性能对比研究】变异是一种局部随机搜索，可以使算法保持种群多样性，避免早熟；
（D）从子代中选择适应度高且无碰撞的路径放入路径集
Figure 401645DEST_PATH_IMAGE050
{}；
（E）重复此过程直到进化到100代。
6.根据权利要求1所述用于三维空间中移动机械臂路径规划的主从式协进化方法，其特征在于，所述步骤（5）具体为：从路径集{}中选择适应度最高的路径序列，进行离散化操作，即设定平台行驶速度
Figure DEST_PATH_IMAGE051
为常数，将所得路径转换为时间上平均分布的路径。
7.根据权利要求1所述用于三维空间中移动机械臂路径规划的主从式协进化方法，其特征在于，所述步骤（6）包含以下子步骤：
（A）在此离散路径基础上对机械臂进行遗传算法操作；适应度函数考虑以下指标：移动机械臂整体运行时间T，与空间障碍物碰撞的次数
Figure 170197DEST_PATH_IMAGE052
，运动过程中角度变化的剧烈程度ξ；算法中设定机械臂的运动速度为一常数，因此运行时间
Figure 339273DEST_PATH_IMAGE054
，其中，
Figure 959610DEST_PATH_IMAGE056
；计算与空间障碍物的碰撞时，首先离散化时间点，然后离散化该时间点机械臂的各连杆，然后对连杆的每一段进行检测；角度变化程度
Figure DEST_PATH_IMAGE057
；机械臂适应度为；
Figure 383431DEST_PATH_IMAGE038
、
Figure 848041DEST_PATH_IMAGE039
、
Figure DEST_PATH_IMAGE059
均为正比例系数；
（B）选择、交叉、变异基本同5（C）的过程，因此不多表述；
（C）进化50代，并根据适应度得到最优角度序列。
8.根据权利要求1所述用于三维空间中移动机械臂路径规划的主从式协进化方法，其特征在于，所述步骤（7）具体为：由于未去除有碰撞的个体，因此进化完后在该步骤查看步骤（6）中所得到的最优角度序列是否会发生碰撞，即是否为0，同时查看角度是否发生连续两次反向波动，即&
Figure DEST_PATH_IMAGE061
，若有则对臂进行光滑处理，得到新的序列，并对移动平台重新进行路径规划，重复步骤（3）（4）。
9.根据权利要求1所述用于三维空间中移动机械臂路径规划的主从式协进化方法，其特征在于，所述步骤（8）具体为：评估机械臂和移动平台的整体性能
Figure DEST_PATH_IMAGE063
，、
Figure DEST_PATH_IMAGE065
为机械臂和移动平台所占的权值；若则算法结束，若则从移动平台的路径集
Figure 692467DEST_PATH_IMAGE050
{}中重新选择次优路径进行机械臂的进化，如此直到到达阈值要求，算法结束。
10.根据权利要求1所述用于三维空间中移动机械臂路径规划的主从式协进化方法，其特征在于，所述步骤（9）具体为：将最终所得结果应用于实际移动机械臂平台：一个六关节机械臂MOTOMAN和一个满足非完整约束的轮式移动平台POWERBOT，使其可以按较优路径从起始态到达目标态，并避开空间中的2个障碍物和地面上的3个障碍物。
CN201110064969A 2011-03-18 2011-03-18 用于三维空间中移动机械臂路径规划的主从式协进化方法 Expired - Fee Related CN102161198B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201110064969A CN102161198B (zh) 2011-03-18 2011-03-18 用于三维空间中移动机械臂路径规划的主从式协进化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201110064969A CN102161198B (zh) 2011-03-18 2011-03-18 用于三维空间中移动机械臂路径规划的主从式协进化方法

Publications (2)

Publication Number Publication Date
CN102161198A true CN102161198A (zh) 2011-08-24
CN102161198B CN102161198B (zh) 2012-09-19

Family

ID=44462786

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201110064969A Expired - Fee Related CN102161198B (zh) 2011-03-18 2011-03-18 用于三维空间中移动机械臂路径规划的主从式协进化方法

Country Status (1)

Country Link
CN (1) CN102161198B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103955619A (zh) * 2014-05-09 2014-07-30 大连大学 一种七自由度空间机械臂最小基座扰动解析逆运动学求解方法
CN104881026A (zh) * 2015-04-28 2015-09-02 国家电网公司 高压线路抢修机械臂移动路径规划***及方法
CN105739507A (zh) * 2016-04-29 2016-07-06 昆山工研院工业机器人研究所有限公司 一种机器人防碰撞的最优路径规划方法
WO2017107565A1 (zh) * 2015-12-25 2017-06-29 广州视源电子科技股份有限公司 确定相机坐标与机械臂手爪坐标映射关系的方法及其***
CN106980263A (zh) * 2017-04-07 2017-07-25 西北工业大学 一种针对多项在轨任务的主从优化方法
CN107160402A (zh) * 2017-06-27 2017-09-15 华北电力大学（保定） 一种机械臂移动路径规划***及方法
CN108885715A (zh) * 2016-03-03 2018-11-23 谷歌有限责任公司 用于机器人抓取的深度机器学习方法和装置
CN109074513A (zh) * 2016-03-03 2018-12-21 谷歌有限责任公司 用于机器人抓握的深度机器学习方法和装置
CN111687844A (zh) * 2020-06-19 2020-09-22 浙江大学 一种使用机械臂抬起最少次数完成不可重复覆盖任务的方法
CN111958601A (zh) * 2020-08-19 2020-11-20 西南交通大学 一种基于深度学习的自动化寻径与物料识别方法
CN112264989A (zh) * 2020-06-17 2021-01-26 华中科技大学 一种基于邻域遍历的双机械臂协同避障方法
CN112378258A (zh) * 2020-10-15 2021-02-19 内蒙古新太元新材料有限公司 一种具有自动调节功能的机械式出炉设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006062052A (ja) * 2004-08-30 2006-03-09 Gifu Prefecture ロボット教示システム
US7689320B2 (en) * 2005-12-20 2010-03-30 Intuitive Surgical Operations, Inc. Robotic surgical system with joint motion controller adapted to reduce instrument tip vibrations
CN101889900A (zh) * 2010-07-12 2010-11-24 天津大学 辅助微创外科手术的主从一体式机械臂

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006062052A (ja) * 2004-08-30 2006-03-09 Gifu Prefecture ロボット教示システム
US7689320B2 (en) * 2005-12-20 2010-03-30 Intuitive Surgical Operations, Inc. Robotic surgical system with joint motion controller adapted to reduce instrument tip vibrations
CN101889900A (zh) * 2010-07-12 2010-11-24 天津大学 辅助微创外科手术的主从一体式机械臂

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《计算机工程与应用》 20101111 刘山等 多机器人协作搬运路径规划研究 197-201 第46卷, 第32期 *

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103955619A (zh) * 2014-05-09 2014-07-30 大连大学 一种七自由度空间机械臂最小基座扰动解析逆运动学求解方法
CN103955619B (zh) * 2014-05-09 2017-12-22 大连大学 一种七自由度空间机械臂最小基座扰动解析逆运动学求解方法
CN104881026A (zh) * 2015-04-28 2015-09-02 国家电网公司 高压线路抢修机械臂移动路径规划***及方法
WO2017107565A1 (zh) * 2015-12-25 2017-06-29 广州视源电子科技股份有限公司 确定相机坐标与机械臂手爪坐标映射关系的方法及其***
US10639792B2 (en) 2016-03-03 2020-05-05 Google Llc Deep machine learning methods and apparatus for robotic grasping
CN108885715A (zh) * 2016-03-03 2018-11-23 谷歌有限责任公司 用于机器人抓取的深度机器学习方法和装置
CN109074513A (zh) * 2016-03-03 2018-12-21 谷歌有限责任公司 用于机器人抓握的深度机器学习方法和装置
CN109074513B (zh) * 2016-03-03 2020-02-18 谷歌有限责任公司 用于机器人抓握的深度机器学习方法和装置
US10946515B2 (en) 2016-03-03 2021-03-16 Google Llc Deep machine learning methods and apparatus for robotic grasping
CN108885715B (zh) * 2016-03-03 2020-06-26 谷歌有限责任公司 用于机器人抓取的深度机器学习方法和装置
US11548145B2 (en) 2016-03-03 2023-01-10 Google Llc Deep machine learning methods and apparatus for robotic grasping
US11045949B2 (en) 2016-03-03 2021-06-29 Google Llc Deep machine learning methods and apparatus for robotic grasping
CN105739507A (zh) * 2016-04-29 2016-07-06 昆山工研院工业机器人研究所有限公司 一种机器人防碰撞的最优路径规划方法
CN105739507B (zh) * 2016-04-29 2018-11-20 昆山华恒机器人有限公司 一种机器人防碰撞的最优路径规划方法
CN106980263A (zh) * 2017-04-07 2017-07-25 西北工业大学 一种针对多项在轨任务的主从优化方法
CN106980263B (zh) * 2017-04-07 2020-04-21 西北工业大学 一种针对多项在轨任务的主从优化方法
CN107160402A (zh) * 2017-06-27 2017-09-15 华北电力大学（保定） 一种机械臂移动路径规划***及方法
CN112264989A (zh) * 2020-06-17 2021-01-26 华中科技大学 一种基于邻域遍历的双机械臂协同避障方法
CN112264989B (zh) * 2020-06-17 2023-06-06 华中科技大学 一种基于邻域遍历的双机械臂协同避障方法
CN111687844A (zh) * 2020-06-19 2020-09-22 浙江大学 一种使用机械臂抬起最少次数完成不可重复覆盖任务的方法
CN111958601A (zh) * 2020-08-19 2020-11-20 西南交通大学 一种基于深度学习的自动化寻径与物料识别方法
CN112378258A (zh) * 2020-10-15 2021-02-19 内蒙古新太元新材料有限公司 一种具有自动调节功能的机械式出炉设备

Also Published As

Publication number Publication date
CN102161198B (zh) 2012-09-19

Similar Documents

Publication Publication Date Title
CN102161198A (zh) 用于三维空间中移动机械臂路径规划的主从式协进化方法
Zhang et al. Stochastic trajectory prediction with social graph network
CN101387888B (zh) 基于二进制量子粒子群算法的移动机器人路径规划方法
CN110419049A (zh) 房间布局估计方法和技术
CN108247637B (zh) 一种工业机器人手臂视觉防撞操控方法
CN110335337A (zh) 一种基于端到端半监督生成对抗网络的视觉里程计的方法
CN113159432B (zh) 一种基于深度强化学习的多智能体路径规划方法
CN109202885B (zh) 一种物料搬运移动复合机器人
CN109934848A (zh) 一种基于深度学习的运动物体精准定位的方法
CN105425795A (zh) 规划最优跟随路径的方法及装置
CN107038422A (zh) 基于空间几何约束深度学习的疲劳状态识别方法
CN108932725B (zh) 基于卷积神经网络的场景流估计方法
CN106843242A (zh) 一种水下船体清洁的群体机器人***
CN103170973A (zh) 基于Kinect摄像机的人机协作装置及方法
JP2005092820A (ja) 環境認識装置及び方法、経路計画装置及び方法、並びにロボット装置
CN113985897B (zh) 一种基于行人轨迹预测与社交约束的移动机器人路径规划方法
CN114997067A (zh) 一种基于时空图与空域聚合Transformer网络的轨迹预测方法
CN109333534A (zh) 预规划的实时步态控制算法
Zou et al. Multi-modal pedestrian trajectory prediction for edge agents based on spatial-temporal graph
Su et al. Pedestrian trajectory prediction via spatial interaction transformer network
CN113359744B (zh) 一种基于安全强化学习及视觉传感器的机器人避障***
Wang et al. Navistar: Socially aware robot navigation with hybrid spatio-temporal graph transformer and preference learning
CN102156994A (zh) 一种单视角无标记人体运动跟踪的关节定位方法
CN117314956A (zh) 一种基于图神经网络的交互行人轨迹预测方法
Grimm et al. Heterogeneous graph-based trajectory prediction using local map context and social interactions

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20120919

Termination date: 20150318

EXPY Termination of patent right or utility model