CN107932505A - 基于关节臂机器人的最优打磨任务路径规划方法和装置 - Google Patents

基于关节臂机器人的最优打磨任务路径规划方法和装置 Download PDF

Info

Publication number
CN107932505A
CN107932505A CN201711130395.7A CN201711130395A CN107932505A CN 107932505 A CN107932505 A CN 107932505A CN 201711130395 A CN201711130395 A CN 201711130395A CN 107932505 A CN107932505 A CN 107932505A
Authority
CN
China
Prior art keywords
path
polishing
machining path
polishing machining
articulated arm
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
CN201711130395.7A
Other languages
English (en)
Other versions
CN107932505B (zh
Inventor
刁世普
陈新度
吴磊
李志梅
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201711130395.7A priority Critical patent/CN107932505B/zh
Publication of CN107932505A publication Critical patent/CN107932505A/zh
Application granted granted Critical
Publication of CN107932505B publication Critical patent/CN107932505B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
    • 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)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Robotics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Manipulator (AREA)
  • Numerical Control (AREA)
  • Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)

Abstract

本发明公开了一种基于关节臂机器人的最优打磨任务路径规划方法和装置，基于模拟退火算法，从数据输入开始，依次经过路径生成，路径计算，路径更新，迭代控制，温度控制处理步骤，最终获得最优的打磨任务路径，从而大大减少了计算量，降低计算的复杂度，加快了处理速度，减少了计算时间，满足了实时处理的要求，并且降低了对软硬件的性能的要求，可以节约成本，降低了开发的难度，符合对高速化大规模生产模式的要求。

Description

基于关节臂机器人的最优打磨任务路径规划方法和装置
技术领域
本发明涉及关节臂机器人领域，特别涉及一种基于关节臂机器人的最优打磨任务路径规划方法和装置。
背景技术
伴随着制造业的发展，诸如打磨抛光之类的表面处理已经成为一道关键工序，其加工质量往往决定了产品的档次。特别是随着加工技术的进步，需要加工的部件的表面越来越复杂，并且对加工的精度要求也越来越高，此外工件内外表面上的待打磨区域有多个，分布于工件的底面、侧面和上端面，且每个打磨区域的打磨路线的走向也不同。因此在关节臂机器人执行全部区域的打磨任务时，通常是按照打磨区域的顺序依次完成打磨。那么这个打磨顺序的好坏直接影响打磨的效率。为了能够满足高速化，智能化，节能化，高效化的这些智能制造的需求，以关节臂机器人作为核心自动化装置的智能制造***的一个重要特点能够自动完成加工任务，即必须具备加工任务的自动最优规划功能。因此在关节臂机器人自动规划整体打磨任务的时候，需要对多个打磨目标的进行任务规划，使得关节臂机器人能够在最短的时间内完成打磨任务。传统的穷举搜索法来设置打磨任务属于典型的所谓的NP完全问题，其时间复杂度是O(N！)，其中N为所述打磨目标的个数，因此伴随着N的个数增加，其运行效率会变得越来越低，需要的计算时间也会成倍的增长，并且这种方法也不够灵活，运用不够广泛，不适合大规模任务下的解算。近年来模拟退火算法被提出来用于解决传统的穷举搜索法所存在的上述缺点。但是，模拟退火算法也存在着在规定的时间间隔内得到的解的质量不高的问题，并且不适用于行进路程和加工路程不同速度工况下的加工任务规划。因此模拟退火算法的计算复杂度比较高，为了达到最优解需要很大的计算量，并对软硬件的性能要求很高，很难达到处理的实时性，不符合当前高速智能化的工业生产过程中的需要。
发明内容
本发明的主要目的在于提供一种基于关节臂机器人的最优打磨任务路径规划方法和装置，旨在解决现有的穷举搜索法所存在的伴随着打磨任务个数增加，其运行效率会变得越来越低，需要的计算时间也会成倍的增长，并且这种方法也不够灵活，运用不够广泛，不适合大规模任务下的解算，以及传统的模拟退火算法存在着在规定的时间间隔内得到的解的质量不高，并且不适用于行进路程和加工路程不同速度工况下的加工任务规划的这些技术问题。
为解决上述问题，本发明提供的基于关节臂机器人的最优打磨任务路径规划方法，包括：
步骤1、从目标零件的表面点云模型获取所述关节臂机器人的初始位置点P0和所述目标零件表面需要打磨处理的n个加工引导点qi组成长度为n+1的打磨加工路径S1＝{qi}(i＝0→n)，设置温度T为T0，设置l为0，其中，当i＝0所对应的q0为所述关节臂机器人的所述初始位置点P0，所述加工引导点qi所对应的三维位置坐标为(xi,yi,zi)，所述xi为所述加工引导点qi在x轴的坐标值，所述yi为所述加工引导点qi在y轴的坐标值，所述zi为所述加工引导点qi在z轴的坐标值，所述T0为初始温度；
步骤2、随机生成在两个相异的正整数k和m，将所述打磨加工路径S1中对应所述第k个所述所述加工引导点qk与对应所述第m个所述所述加工引导点qm互相交换位置从而生成打磨加工路径S2，其中，所述k的取值区间为[0,n]，所述m的取值区间为[0,n]，所述k小于所述m；
步骤3、在利用路径长度计算公式f(S)计算所述打磨加工路径S1的路径长度f(S1)和所述打磨加工路径S2的路径长度f(S2)之后，计算所述路径长度f(S2)与所述路径长度f(S1)的路径长度差df＝f(S2)-f(S1)，其中所述路径长度计算公式f(S)＝Σ(j＝1→n)((xj-x(j-1))2+(yj-y(j-1))2+(zj-z(j-1))2)；
步骤4、当df<0，将所述打磨加工路径S1更新为所述打磨加工路径S2，当df≥0，计算接受概率P＝exp(-df/T)，并且产生在[0,1]区间均匀分布的随机数R，若所述接受概率P大于或等于所述随机数R，将所述打磨加工路径S1更新为所述打磨加工路径S2，若所述接受概率P小于所述随机数R，所述打磨加工路径S1保持不变；
步骤5、更新所述l＝l+1，当所述l≤L，跳转至所述步骤2，当所述l>L，更新所述l＝0，执行步骤6，其中所述L为预设的Metropolis链长；
步骤6、更新所述温度T＝g*T，当所述温度T≤Tend，跳转至所述步骤2,当所述温度T>Tend，输出所述打磨加工路径S1，其中所述g为大于0小于1的系数，所述Tend为结束温度。
优选地，还包括：
步骤7、从所述步骤6输出的所述打磨加工路径S1之中找到所述关节臂机器人的所述初始位置点P0所对应的所述q0所对应的位置u，将所述打磨加工路径S1之中处于所述第u位的所述q0作为最优打磨加工路径的第0位，将所述打磨加工路径S1之中从第(u+1)位至所述第n位的所述加工引导点序列{qi}(i＝u+1→n)顺序不变并依次放置在对应所述最优打磨加工路径的1位至第(n-u)位，将所述打磨加工路径S1之中从第0位至第(u-1)位的所述加工引导点序列{qi}(i＝0→u-1)顺序不变并依次放置在对应所述最优打磨加工路径的第(n-u+1)位至第n位。
优选地，所述步骤2至所述步骤5的计算过程分配在至少在2个CPU上以相互独立线程的方式实现并行计算。
优选地，所述步骤1之中的所述初始温度T0的取值范围为摄氏200度至摄氏1000度。
优选地，所述步骤6之中的所述结束温度Tend为摄氏0度，所述系数g的取值区间为[0.5,0.99]。
本发明进一步提供基于关节臂机器人的最优打磨任务路径规划装置，包括：
数据输入模块，用于从目标零件的表面点云模型获取所述关节臂机器人的初始位置点P0和所述目标零件表面需要打磨处理的n个加工引导点qi组成长度为n+1的打磨加工路径S1＝{qi}(i＝0→n)，设置温度T为T0，设置l为0，其中，当i＝0所对应的q0为所述关节臂机器人的所述初始位置点P0，所述加工引导点qi所对应的三维位置坐标为(xi,yi,zi)，所述xi为所述加工引导点qi在x轴的坐标值，所述yi为所述加工引导点qi在y轴的坐标值，所述zi为所述加工引导点qi在z轴的坐标值，所述T0为初始温度；
路径生成模块，用于随机生成在两个相异的正整数k和m，将所述打磨加工路径S1中对应所述第k个所述所述加工引导点qk与对应所述第m个所述所述加工引导点qm互相交换位置从而生成打磨加工路径S2，其中，所述k的取值区间为[0,n]，所述m的取值区间为[0,n]，所述k小于所述m；
路径计算模块，用于在利用路径长度计算公式f(S)计算所述打磨加工路径S1的路径长度f(S1)和所述打磨加工路径S2的路径长度f(S2)之后，计算所述路径长度f(S2)与所述路径长度f(S1)的路径长度差df＝f(S2)-f(S1)，其中所述路径长度计算公式f(S)＝Σ(j＝1→n)((xj-x(j-1))2+(yj-y(j-1))2+(zj-z(j-1))2)；
路径更新模块，用于当df<0，将所述打磨加工路径S1更新为所述打磨加工路径S2，当df≥0，计算接受概率P＝exp(-df/T)，并且产生在[0,1]区间均匀分布的随机数R，若所述接受概率P大于或等于所述随机数R，将所述打磨加工路径S1更新为所述打磨加工路径S2，若所述接受概率P小于所述随机数R，所述打磨加工路径S1保持不变；
迭代控制模块，用于更新所述l＝l+1，当所述l≤L，跳转至所述路径生成模块，当所述l>L，更新所述l＝0，跳转至温度控制模块，其中所述L为预设的Metropolis链长；
温度控制模块，用于更新所述温度T＝g*T，当所述温度T≤Tend，跳转至所述路径生成模块,当所述温度T>Tend，输出所述打磨加工路径S1，其中所述g为大于0小于1的系数，所述Tend为结束温度。
优选地，路径调整模块、用于从所述温度控制模块输出的所述打磨加工路径S1之中找到所述关节臂机器人的所述初始位置点P0所对应的所述q0所对应的位置u，将所述打磨加工路径S1之中处于所述第u位的所述q0作为最优打磨加工路径的第0位，将所述打磨加工路径S1之中从第(u+1)位至所述第n位的所述加工引导点序列{qi}(i＝u+1→n)顺序不变并依次放置在对应所述最优打磨加工路径的1位至第(n-u)位，将所述打磨加工路径S1之中从第0位至第(u-1)位的所述加工引导点序列{qi}(i＝0→u-1)顺序不变并依次放置在对应所述最优打磨加工路径的第(n-u+1)位至第n位。
优选地，所述路径生成模块，所述路径计算模块，所述路径更新模块和所述迭代控制模块的计算过程分配在至少在2个CPU上以相互独立线程的方式实现并行计算。
优选地，所述数据输入模块之中的所述初始温度T0的取值范围为摄氏200度至摄氏1000度。
优选地，温度控制模块之中的所述结束温度Tend为摄氏0度，所述系数g的取值区间为[0.5,0.99]。
本发明通过上述技术方案可以大大减少了计算量，降低计算的复杂度，加快了处理速度，减少了计算时间，满足了实时处理的要求，并且降低了对软硬件的性能的要求，可以节约成本，降低了开发的难度，符合对高速化大规模生产模式的要求。
附图说明
图1为本发明基于关节臂机器人的最优打磨任务路径规划方法第一实施例的流程示意图；
图2为本发明基于关节臂机器人的最优打磨任务路径规划方法第二实施例的流程示意图；
图3为本发明基于关节臂机器人的最优打磨任务路径规划装置第一实施例的功能模块示意图；
图4为本发明基于关节臂机器人的最优打磨任务路径规划装置第二实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
现在将参考附图描述实现本发明各个实施例的移动终端。在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身并没有特定的意义。因此，"模块"与"部件"可以混合地使用。
参照图1，图1为本发明基于三维扫描的机器人加工目标定位方法的第一实施例的流程示意图。如图1所示的实施例，所述基于三维扫描的机器人加工目标定位方法包括：
步骤S10、数据输入。
即从目标零件的表面点云模型获取所述关节臂机器人的初始位置点P0和所述目标零件表面需要打磨处理的n个加工引导点qi组成长度为n+1的打磨加工路径S1＝{qi}(i＝0→n)，设置温度T为T0，设置l为0，其中，当i＝0所对应的q0为所述关节臂机器人的所述初始位置点P0，所述加工引导点qi所对应的三维位置坐标为(xi,yi,zi)，所述xi为所述加工引导点qi在x轴的坐标值，所述yi为所述加工引导点qi在y轴的坐标值，所述zi为所述加工引导点qi在z轴的坐标值，所述T0为初始温度。
步骤S20、路径生成。
即随机生成在两个相异的正整数k和m，将所述打磨加工路径S1中对应所述第k个所述所述加工引导点qk与对应所述第m个所述所述加工引导点qm互相交换位置从而生成打磨加工路径S2，即将所述打磨加工路径S1＝{q0,q1,q2,q3,…,qk-1,qk,qk+1,…,qm-1,qm,qm+1,…,qn}变换为打磨加工路径S2＝{q0,q1,q2,q3,…,qk-1,qm,qk+1,…,qm-1,qk,qm+1,…,qn}，其中，所述k的取值区间为[0,n]，所述m的取值区间为[0,n]，所述k小于所述m。，
步骤S30、路径计算。
即在利用路径长度计算公式f(S)计算所述打磨加工路径S1的路径长度f(S1)和所述打磨加工路径S2的路径长度f(S2)之后，计算所述路径长度f(S2)与所述路径长度f(S1)的路径长度差df＝f(S2)-f(S1)，其中所述路径长度计算公式f(S)＝Σ(j＝1→n)((xj-x(j-1))2+(yj-y(j-1))2+(zj-z(j-1))2)。
步骤S40、路径更新。
即当df<0，将所述打磨加工路径S1更新为所述打磨加工路径S2，当df≥0，计算接受概率P＝exp(-df/T)，并且产生在[0,1]区间均匀分布的随机数R，若所述接受概率P大于或等于所述随机数R，将所述打磨加工路径S1更新为所述打磨加工路径S2，若所述接受概率P小于所述随机数R，所述打磨加工路径S1保持不变。
步骤S50、更新并判断l>L。
即更新所述l＝l+1，当所述l≤L，跳转至所述步骤S20，当所述l>L，更新所述l＝0，执行步骤S60，其中所述L为预设的Metropolis链长。
步骤S60、更新并判断T>Tend。
即更新所述温度T＝g*T，当所述温度T≤Tend，跳转至所述步骤S20,当所述温度T>Tend，输出所述打磨加工路径S1，其中所述g为大于0小于1的系数，所述Tend为结束温度。
设有n个打磨引导点qi，已知所述关节臂机器人的起始位置(也是终止位置)P0和每个打磨引导点qi的三维坐标(xi,yi,zi)，寻找最优的路径排布，使其按照行进路程和加工路程不同的速度遍历末端执行器停靠位置和所有的打磨引导点位置，并且整个过程耗时最小，其加工耗时的目标函数为：
t＝min((Sjg/Vjg)+(Sxj/Vxj))＝min((1/Vjg)*(Sjg+(Vjg/Vxj)*Sxj))
其中，Sjg为加工路径的总长度，Sxj为行进路程的总长度，Vjg为所述关节臂机器人在加工路径的运动速度，Vxj为所述关节臂机器人在行进路程的运动速度。令系数a＝1/Vjg，系数b＝Vjg/Vxj，则上述公式可以转化为
t＝min(a*(Sjg+b*Sxj))，
由于Vjg和Vxj由关节臂机器人的驱动电机性能设定的固定值决，一般保持不变，所以系数a和b为正值常数，所以
t∝Sjg+b*Sxj，
此外，由于加工路径的总长度Sjg是由所述的n个打磨引导点qi来决定的，只要打磨引导点确认之后，所述Sjg的长度就保持不变，所以时间目标函数t可以转换为所述行进路程的总长度Sxj，即只要保证Sxj路径最短就能保证时间t最短。
因此，采用上述处理步骤可以大大减少了计算量，降低计算的复杂度，加快了处理速度，减少了计算时间，满足了实时处理的要求，并且降低了对软硬件的性能的要求，可以节约成本，降低了开发的难度，符合对高速化大规模生产模式的要求。
参照图2，图2为本发明基于关节臂机器人的最优打磨任务路径规划方法的第二实施例的流程示意图。如图2所示，基于上述图1的实施例，在执行所述步骤S60之后、执行步骤S70、路径调整。
即从所述步骤S60输出的所述打磨加工路径S1之中找到所述关节臂机器人的所述初始位置点P0所对应的所述q0所对应的位置u，将所述打磨加工路径S1之中处于所述第u位的所述q0作为最优打磨加工路径的第0位，将所述打磨加工路径S1之中从第(u+1)位至所述第n位的所述加工引导点序列{qi}(i＝u+1→n)顺序不变并依次放置在对应所述最优打磨加工路径的1位至第(n-u)位，将所述打磨加工路径S1之中从第0位至第(u-1)位的所述加工引导点序列{qi}(i＝0→u-1)顺序不变并依次放置在对应所述最优打磨加工路径的第(n-u+1)位至第n位。
通过上述步骤S10至S60所得出的最优加工路径，实际上是一条首尾相接的所述打磨加工路径S1。对于处理算法来说，是一个合法的解，也是全局的最优解，但并不是加工任务规划所求的加工路径。在实际生产中，所述关节臂机器人的位置是固定，不可能根据零件外形的不同，反复去调整所述关节臂机器人的起始位置。
例如当返回最优加工路径为(q20,q15,q16,q17,q0,q6,q7,q8,q1,q2,q3,q11,q10,q9,q14,q13,q12,q18,q19)，表示加工路径从“q20”这个加工引导点出发，依次经过“q15”点、“q16”点、“q17”点、“q0”点等等，最后经过“q19”点，再回到“q20”点。此路径以“q20”点为加工路径开端，无法对机器人起到任务执行的指导作用。
分析可知，当加工引导点的排列顺序相同时，仅对其进行轮换，并不会改变加工路径的长度，即对于路径长度函数f(S)，加工任务的序列(q20,q15,q16,q17,q0,q6,q7,q8,q1,q2,q3,q11,q10,q9,q14,q13,q12,q18,q19)与加工任务的序列(q0,q6,q7,q8,q1,q2,q3,q11,q10,q9,q14,q13,q12,q18,q19,q20,q15,q16,q17)其值是相等的。
因此，通过所述步骤S70，将所述初始位置点P0所对应的所述q0(关节臂机器人的初始位置)作加工路径的开端，因此在不影响所述输出所述打磨加工路径S1的路径长度f(S1)基础之上，使关节臂机器人的所述初始位置点P0作为最优加工路径的起点，避免了关节臂机器人在开始加工时额外调整至开始位置的操作，并节省了时间。并且本方法也具有计算的复杂度不高，计算处理速度快，方法成熟可靠，易于工程实现的特点。
进一步，基于上述图2的实施例，所述步骤S20至所述步骤S50的计算过程分配在至少在2个CPU上以相互独立线程的方式实现并行计算。
通过采用多个CPU上的线程同时进行运算，从而实现求解最优路径的并行计算，可以大大减少求解最优路径所需要的时间，并且具有方法成熟可靠，易于工程实现的特点。
进一步，基于上述图2的实施例，所述步骤S10之中的所述初始温度T0的取值范围为摄氏200度至摄氏1000度。
根据实际的情况设定最佳的所述初始温度T0，确保在设定的时间计算获得最优路径。并且具有方法成熟可靠，易于工程实现的特点。
进一步，基于上述图2的实施例，所述步骤S60之中的所述结束温度Tend为摄氏0度，所述系数g的取值区间为[0.5,0.99]。
根据实际的情况设定最佳的所述结束温度Tend，以及温度下降的系数g的取值区间为[0.5,0.99]，可以确保在设定的时间计算获得最优路径。并且具有方法成熟可靠，易于工程实现的特点。
上述本发明基于关节臂机器人的最优打磨任务路径规划方法的第一实施例中的基于关节臂机器人的最优打磨任务路径规划方法可以由本发明基于关节臂机器人的最优打磨任务路径规划装置的第一实施例所提供的基于关节臂机器人的最优打磨任务路径规划装置来实现。
参照图3，图3为本发明基于关节臂机器人的最优打磨任务路径规划装置的第一实施例所提供的一种基于关节臂机器人的最优打磨任务路径规划装置100，所述装置100包括：
数据输入模块10，用于从目标零件的表面点云模型获取所述关节臂机器人的初始位置点P0和所述目标零件表面需要打磨处理的n个加工引导点qi组成长度为n+1的打磨加工路径S1＝{qi}(i＝0→n)，设置温度T为T0，设置l为0，其中，当i＝0所对应的q0为所述关节臂机器人的所述初始位置点P0，所述加工引导点qi所对应的三维位置坐标为(xi,yi,zi)，所述xi为所述加工引导点qi在x轴的坐标值，所述yi为所述加工引导点qi在y轴的坐标值，所述zi为所述加工引导点qi在z轴的坐标值，所述T0为初始温度；
路径生成模块20，用于随机生成在两个相异的正整数k和m，将所述打磨加工路径S1中对应所述第k个所述所述加工引导点qk与对应所述第m个所述所述加工引导点qm互相交换位置从而生成打磨加工路径S2，即将所述打磨加工路径S1＝{q0,q1,q2,q3,…,qk-1,qk,qk+1,…,qm-1,qm,qm+1,…,qn}变换为打磨加工路径S2＝{q0,q1,q2,q3,…,qk-1,qm,qk+1,…,qm-1,qk,qm+1,…,qn}，其中，所述k的取值区间为[0,n]，所述m的取值区间为[0,n]，所述k小于所述m；
路径计算模块30，用于在利用路径长度计算公式f(S)计算所述打磨加工路径S1的路径长度f(S1)和所述打磨加工路径S2的路径长度f(S2)之后，计算所述路径长度f(S2)与所述路径长度f(S1)的路径长度差df＝f(S2)-f(S1)，其中所述路径长度计算公式f(S)＝Σ(j＝1→n)((xj-x(j-1))2+(yj-y(j-1))2+(zj-z(j-1))2)；
路径更新模块40，用于当df<0，将所述打磨加工路径S1更新为所述打磨加工路径S2，当df≥0，计算接受概率P＝exp(-df/T)，并且产生在[0,1]区间均匀分布的随机数R，若所述接受概率P大于或等于所述随机数R，将所述打磨加工路径S1更新为所述打磨加工路径S2，若所述接受概率P小于所述随机数R，所述打磨加工路径S1保持不变；
迭代控制模块50，用于更新所述l＝l+1，当所述l≤L，跳转至所述路径生成模块20，当所述l>L，更新所述l＝0，跳转至所述温度控制模块60，其中所述L为预设的Metropolis链长；
温度控制模块60，用于更新所述温度T＝g*T，当所述温度T≤Tend，跳转至所述路径生成模块20,当所述温度T>Tend，输出所述打磨加工路径S1，其中所述g为大于0小于1的系数，所述Tend为结束温度。
通过上述模块可知，设有n个打磨引导点qi，已知所述关节臂机器人的起始位置(也是终止位置)P0和每个打磨引导点qi的三维坐标(xi,yi,zi)，寻找最优的路径排布，使其按照行进路程和加工路程不同的速度遍历末端执行器停靠位置和所有的打磨引导点位置，并且整个过程耗时最小，其加工耗时的目标函数为：
t＝min((Sjg/Vjg)+(Sxj/Vxj))＝min((1/Vjg)*(Sjg+(Vjg/Vxj)*Sxj))
其中，Sjg为加工路径的总长度，Sxj为行进路程的总长度，Vjg为所述关节臂机器人在加工路径的运动速度，Vxj为所述关节臂机器人在行进路程的运动速度。令系数a＝1/Vjg，系数b＝Vjg/Vxj，则上述公式可以转化为
t＝min(a*(Sjg+b*Sxj))，
由于Vjg和Vxj由关节臂机器人的驱动电机性能设定的固定值决，一般保持不变，所以系数a和b为正值常数，所以
t∝Sjg+b*Sxj，
此外，由于加工路径的总长度Sjg是由所述的n个打磨引导点qi来决定的，只要打磨引导点确认之后，所述Sjg的长度就保持不变，所以时间目标函数t可以转换为所述行进路程的总长度Sxj，即只要保证Sxj路径最短就能保证时间t最短。
因此，采用上述模块的处理步骤可以大大减少了计算量，降低计算的复杂度，加快了处理速度，减少了计算时间，满足了实时处理的要求，并且降低了对软硬件的性能的要求，可以节约成本，降低了开发的难度，符合对高速化大规模生产模式的要求。
上述本发明基于关节臂机器人的最优打磨任务路径规划方法的第二实施例中的基于关节臂机器人的最优打磨任务路径规划方法可以由本发明基于关节臂机器人的最优打磨任务路径规划装置的第二实施例所提供的基于关节臂机器人的最优打磨任务路径规划装置来实现。
参照图4，本发明基于关节臂机器人的最优打磨任务路径规划装置的第二实施例提供一种基于关节臂机器人的最优打磨任务路径规划装置，基于上述图3所示的实施例，所述基于关节臂机器人的最优打磨任务路径规划装置100还包括路径调整模块70、用于从所述温度控制模块输出的所述打磨加工路径S1之中找到所述关节臂机器人的所述初始位置点P0所对应的所述q0所对应的位置u，将所述打磨加工路径S1之中处于所述第u位的所述q0作为最优打磨加工路径的第0位，将所述打磨加工路径S1之中从第(u+1)位至所述第n位的所述加工引导点序列{qi}(i＝u+1→n)顺序不变并依次放置在对应所述最优打磨加工路径的1位至第(n-u)位，将所述打磨加工路径S1之中从第0位至第(u-1)位的所述加工引导点序列{qi}(i＝0→u-1)顺序不变并依次放置在对应所述最优打磨加工路径的第(n-u+1)位至第n位。
通过上述数据输入模块10，所述路径生成模块20，所述路径计算模块30，路径更新模块40，所述迭代控制模块50和温度控制模块60所得出的最优加工路径，实际上是一条首尾相接的所述打磨加工路径S1。对于处理算法来说，是一个合法的解，也是全局的最优解，但并不是加工任务规划所求的加工路径。在实际生产中，所述关节臂机器人的位置是固定，不可能根据零件外形的不同，反复去调整所述关节臂机器人的起始位置。
例如当返回最优加工路径为(q20,q15,q16,q17,q0,q6,q7,q8,q1,q2,q3,q11,q10,q9,q14,q13,q12,q18,q19)，表示加工路径从“q20”这个加工引导点出发，依次经过“q15”点、“q16”点、“q17”点、“q0”点等等，最后经过“q19”点，再回到“q20”点。此路径以“q20”点为加工路径开端，无法对机器人起到任务执行的指导作用。
分析可知，当加工引导点的排列顺序相同时，仅对其进行轮换，并不会改变加工路径的长度，即对于路径长度函数f(S)，加工任务的序列(q20,q15,q16,q17,q0,q6,q7,q8,q1,q2,q3,q11,q10,q9,q14,q13,q12,q18,q19)与加工任务的序列(q0,q6,q7,q8,q1,q2,q3,q11,q10,q9,q14,q13,q12,q18,q19,q20,q15,q16,q17)其值是相等的。
因此，通过所述路径调整模块70，将所述初始位置点P0所对应的所述q0(关节臂机器人的初始位置)作加工路径的开端，因此在不影响所述输出所述打磨加工路径S1的路径长度f(S1)基础之上，使关节臂机器人的所述初始位置点P0作为最优加工路径的起点，避免了关节臂机器人在开始加工时额外调整至开始位置的操作，并节省了时间。并且本方法也具有计算的复杂度不高，计算处理速度快，方法成熟可靠，易于工程实现的特点。
进一步，基于上述图4的实施例，所述路径生成模块20，所述路径计算模块30，路径更新模块40，和所述迭代控制模块50的计算过程分配在至少在2个CPU上以相互独立线程的方式实现并行计算。
通过采用多个CPU上的线程同时进行运算，从而实现求解最优路径的并行计算，可以大大减少求解最优路径所需要的时间，并且具有方法成熟可靠，易于工程实现的特点。
进一步，基于上述图4的实施例，所述数据输入模块10之中的所述初始温度T0的取值范围为摄氏200度至摄氏1000度。
根据实际的情况设定最佳的所述初始温度T0，确保在设定的时间计算获得最优路径。并且具有方法成熟可靠，易于工程实现的特点。
进一步，基于上述图4的实施例，所述温度控制模块60之中的所述结束温度Tend为摄氏0度，所述系数g的取值区间为[0.5,0.99]。
根据实际的情况设定最佳的所述结束温度Tend，以及温度下降的系数g的取值区间为[0.5,0.99]，可以确保在设定的时间计算获得最优路径。并且具有方法成熟可靠，易于工程实现的特点。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
显然，本领域的技术人员应该明白，上述的本发明的各模块单元或各步骤可以用通用的计算装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.基于关节臂机器人的最优打磨任务路径规划方法，其特征在于，包括：
步骤1、从目标零件的表面点云模型获取所述关节臂机器人的初始位置点P0和所述目标零件表面需要打磨处理的n个加工引导点qi组成长度为n+1的打磨加工路径S1＝{qi}(i＝0→n)，设置温度T为T0，设置l为0，其中，当i＝0所对应的q0为所述关节臂机器人的所述初始位置点P0，所述加工引导点qi所对应的三维位置坐标为(xi,yi,zi)，所述xi为所述加工引导点qi在x轴的坐标值，所述yi为所述加工引导点qi在y轴的坐标值，所述zi为所述加工引导点qi在z轴的坐标值，所述T0为初始温度；
步骤2、随机生成在两个相异的正整数k和m，将所述打磨加工路径S1中对应所述第k个所述所述加工引导点qk与对应所述第m个所述所述加工引导点qm互相交换位置从而生成打磨加工路径S2，其中，所述k的取值区间为[0,n]，所述m的取值区间为[0,n]，所述k小于所述m；
步骤3、在利用路径长度计算公式f(S)计算所述打磨加工路径S1的路径长度f(S1)和所述打磨加工路径S2的路径长度f(S2)之后，计算所述路径长度f(S2)与所述路径长度f(S1)的路径长度差df＝f(S2)-f(S1)，其中所述路径长度计算公式f(S)＝Σ(j＝1→n)((xj-x(j-1))2+(yj-y(j-1))2+(zj-z(j-1))2)；
步骤4、当df<0，将所述打磨加工路径S1更新为所述打磨加工路径S2，当df≥0，计算接受概率P＝exp(-df/T)，并且产生在[0,1]区间均匀分布的随机数R，若所述接受概率P大于或等于所述随机数R，将所述打磨加工路径S1更新为所述打磨加工路径S2，若所述接受概率P小于所述随机数R，所述打磨加工路径S1保持不变；
步骤5、更新所述l＝l+1，当所述l≤L，跳转至所述步骤2，当所述l>L，更新所述l＝0，执行步骤6，其中所述L为预设的Metropolis链长；
步骤6、更新所述温度T＝g*T，当所述温度T≤Tend，跳转至所述步骤2,当所述温度T>Tend，输出所述打磨加工路径S1，其中所述g为大于0小于1的系数，所述Tend为结束温度。
2.如权利要求1所述的基于关节臂机器人的最优打磨任务路径规划方法，其特征在于，还包括：
步骤7、从所述步骤6输出的所述打磨加工路径S1之中找到所述关节臂机器人的所述初始位置点P0所对应的所述q0所对应的位置u，将所述打磨加工路径S1之中处于所述第u位的所述q0作为最优打磨加工路径的第0位，将所述打磨加工路径S1之中从第(u+1)位至所述第n位的所述加工引导点序列{qi}(i＝u+1→n)顺序不变并依次放置在对应所述最优打磨加工路径的1位至第(n-u)位，将所述打磨加工路径S1之中从第0位至第(u-1)位的所述加工引导点序列{qi}(i＝0→u-1)顺序不变并依次放置在对应所述最优打磨加工路径的第(n-u+1)位至第n位。
3.如权利要求1或2所述的基于关节臂机器人的最优打磨任务路径规划方法，其特征在于，所述步骤2至所述步骤5的计算过程分配在至少在2个CPU上以相互独立线程的方式实现并行计算。
4.如权利要求3所述的基于关节臂机器人的最优打磨任务路径规划方法，其特征在于，所述步骤1之中的所述初始温度T0的取值范围为摄氏200度至摄氏1000度。
5.如权利要求3所述的基于关节臂机器人的最优打磨任务路径规划方法，其特征在于，所述步骤6之中的所述结束温度Tend为摄氏0度，所述系数g的取值区间为[0.5,0.99]。
6.基于关节臂机器人的最优打磨任务路径规划装置，其特征在于，包括：
数据输入模块，用于从目标零件的表面点云模型获取所述关节臂机器人的初始位置点P0和所述目标零件表面需要打磨处理的n个加工引导点qi组成长度为n+1的打磨加工路径S1＝{qi}(i＝0→n)，设置温度T为T0，设置l为0，其中，当i＝0所对应的q0为所述关节臂机器人的所述初始位置点P0，所述加工引导点qi所对应的三维位置坐标为(xi,yi,zi)，所述xi为所述加工引导点qi在x轴的坐标值，所述yi为所述加工引导点qi在y轴的坐标值，所述zi为所述加工引导点qi在z轴的坐标值，所述T0为初始温度；
路径生成模块，用于随机生成在两个相异的正整数k和m，将所述打磨加工路径S1中对应所述第k个所述所述加工引导点qk与对应所述第m个所述所述加工引导点qm互相交换位置从而生成打磨加工路径S2，其中，所述k的取值区间为[0,n]，所述m的取值区间为[0,n]，所述k小于所述m；
路径计算模块，用于在利用路径长度计算公式f(S)计算所述打磨加工路径S1的路径长度f(S1)和所述打磨加工路径S2的路径长度f(S2)之后，计算所述路径长度f(S2)与所述路径长度f(S1)的路径长度差df＝f(S2)-f(S1)，其中所述路径长度计算公式f(S)＝Σ(j＝1→n)((xj-x(j-1))2+(yj-y(j-1))2+(zj-z(j-1))2)；
路径更新模块，用于当df<0，将所述打磨加工路径S1更新为所述打磨加工路径S2，当df≥0，计算接受概率P＝exp(-df/T)，并且产生在[0,1]区间均匀分布的随机数R，若所述接受概率P大于或等于所述随机数R，将所述打磨加工路径S1更新为所述打磨加工路径S2，若所述接受概率P小于所述随机数R，所述打磨加工路径S1保持不变；
迭代控制模块，用于更新所述l＝l+1，当所述l≤L，跳转至所述路径生成模块，当所述l>L，更新所述l＝0，跳转至温度控制模块，其中所述L为预设的Metropolis链长；
温度控制模块，用于更新所述温度T＝g*T，当所述温度T≤Tend，跳转至所述路径生成模块,当所述温度T>Tend，输出所述打磨加工路径S1，其中所述g为大于0小于1的系数，所述Tend为结束温度。
7.如权利要求6所述的基于关节臂机器人的最优打磨任务路径规划装置，其特征在于，还包括：
路径调整模块、用于从所述温度控制模块输出的所述打磨加工路径S1之中找到所述关节臂机器人的所述初始位置点P0所对应的所述q0所对应的位置u，将所述打磨加工路径S1之中处于所述第u位的所述q0作为最优打磨加工路径的第0位，将所述打磨加工路径S1之中从第(u+1)位至所述第n位的所述加工引导点序列{qi}(i＝u+1→n)顺序不变并依次放置在对应所述最优打磨加工路径的1位至第(n-u)位，将所述打磨加工路径S1之中从第0位至第(u-1)位的所述加工引导点序列{qi}(i＝0→u-1)顺序不变并依次放置在对应所述最优打磨加工路径的第(n-u+1)位至第n位。
8.如权利要求6或7所述的基于关节臂机器人的最优打磨任务路径规划装置，其特征在于，所述路径生成模块，所述路径计算模块，所述路径更新模块和所述迭代控制模块的计算过程分配在至少在2个CPU上以相互独立线程的方式实现并行计算。
9.如权利要求8所述的基于关节臂机器人的最优打磨任务路径规划装置，其特征在于，所述数据输入模块之中的所述初始温度T0的取值范围为摄氏200度至摄氏1000度。
10.如权利要求8所述的基于关节臂机器人的最优打磨任务路径规划装置，其特征在于，温度控制模块之中的所述结束温度Tend为摄氏0度，所述系数g的取值区间为[0.5,0.99]。
CN201711130395.7A 2017-11-15 2017-11-15 基于关节臂机器人的最优打磨任务路径规划方法和装置 Active CN107932505B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711130395.7A CN107932505B (zh) 2017-11-15 2017-11-15 基于关节臂机器人的最优打磨任务路径规划方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711130395.7A CN107932505B (zh) 2017-11-15 2017-11-15 基于关节臂机器人的最优打磨任务路径规划方法和装置

Publications (2)

Publication Number Publication Date
CN107932505A true CN107932505A (zh) 2018-04-20
CN107932505B CN107932505B (zh) 2021-06-08

Family

ID=61931176

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711130395.7A Active CN107932505B (zh) 2017-11-15 2017-11-15 基于关节臂机器人的最优打磨任务路径规划方法和装置

Country Status (1)

Country Link
CN (1) CN107932505B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109834712A (zh) * 2019-03-01 2019-06-04 广东工业大学 一种机器人抓取顺序优化的方法
CN110597067A (zh) * 2019-10-11 2019-12-20 济南大学 一种多移动机器人的群集控制方法及***
CN112558486A (zh) * 2021-02-23 2021-03-26 佛山隆深机器人有限公司 一种温度控制的机器人打磨方法及计算机可读存储介质
CN113256035A (zh) * 2021-07-12 2021-08-13 广州中望龙腾软件股份有限公司 加工路径规划方法、智能终端以及存储装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101819161A (zh) * 2009-12-31 2010-09-01 广东工业大学 一种表面缺陷视觉检测的高效路径规划方法
CN105149861A (zh) * 2015-10-19 2015-12-16 东方电气集团东方汽轮机有限公司 一种汽轮机精密部件损伤的修复方法
JP2015231640A (ja) * 2014-06-09 2015-12-24 キヤノン株式会社 ロボット動作経路チェック装置、ロボットシステム、ロボット動作経路チェック方法、プログラム及び記録媒体
CN107127755A (zh) * 2017-05-12 2017-09-05 华南理工大学 一种三维点云的实时采集装置及机器人打磨轨迹规划方法
CN107230028A (zh) * 2016-03-25 2017-10-03 台湾准时达国际物流股份有限公司 车辆路径规划方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101819161A (zh) * 2009-12-31 2010-09-01 广东工业大学 一种表面缺陷视觉检测的高效路径规划方法
JP2015231640A (ja) * 2014-06-09 2015-12-24 キヤノン株式会社 ロボット動作経路チェック装置、ロボットシステム、ロボット動作経路チェック方法、プログラム及び記録媒体
CN105149861A (zh) * 2015-10-19 2015-12-16 东方电气集团东方汽轮机有限公司 一种汽轮机精密部件损伤的修复方法
CN107230028A (zh) * 2016-03-25 2017-10-03 台湾准时达国际物流股份有限公司 车辆路径规划方法及装置
CN107127755A (zh) * 2017-05-12 2017-09-05 华南理工大学 一种三维点云的实时采集装置及机器人打磨轨迹规划方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109834712A (zh) * 2019-03-01 2019-06-04 广东工业大学 一种机器人抓取顺序优化的方法
CN109834712B (zh) * 2019-03-01 2021-03-12 广东工业大学 一种机器人抓取顺序优化的方法
CN110597067A (zh) * 2019-10-11 2019-12-20 济南大学 一种多移动机器人的群集控制方法及***
CN110597067B (zh) * 2019-10-11 2022-04-08 济南大学 一种多移动机器人的群集控制方法及***
CN112558486A (zh) * 2021-02-23 2021-03-26 佛山隆深机器人有限公司 一种温度控制的机器人打磨方法及计算机可读存储介质
CN113256035A (zh) * 2021-07-12 2021-08-13 广州中望龙腾软件股份有限公司 加工路径规划方法、智能终端以及存储装置
CN113256035B (zh) * 2021-07-12 2021-11-19 广州中望龙腾软件股份有限公司 加工路径规划方法、智能终端以及存储装置

Also Published As

Publication number Publication date
CN107932505B (zh) 2021-06-08

Similar Documents

Publication Publication Date Title
CN107932505A (zh) 基于关节臂机器人的最优打磨任务路径规划方法和装置
CN106406235B (zh) 机床、模拟装置以及机械学习器
Alatartsev et al. Robotic task sequencing problem: A survey
CN106557074B (zh) 生成最佳速度分布的机床、仿真装置以及机器学习器
CN105138000A (zh) 最优化基座位姿扰动的七自由度空间机械臂轨迹规划方法
CN104062902A (zh) Delta机器人时间最优轨迹规划方法
CN110134062B (zh) 一种基于强化学习的多轴数控机床加工路径优化方法
CN108427282A (zh) 一种基于示教学习的机器人逆运动学求解方法
CN108068113A (zh) 7-dof仿人臂飞行物体作业最小加速度轨迹优化
Shi et al. Multi-objective optimal trajectory planning of manipulators based on quintic NURBS
Zhang et al. Time-optimal trajectory planning of serial manipulator based on adaptive cuckoo search algorithm
CN113635301B (zh) 一种六轴机械臂运动速度控制改进方法
CN105717864A (zh) 基于修改nc程序的数控机床综合误差三阶优化补偿方法
Larsen et al. Path planning of cooperating industrial robots using evolutionary algorithms
Lin et al. Optimization of printed circuit board component placement using an efficient hybrid genetic algorithm
Azarian et al. Integrating additive manufacturing into a virtual Industry 4.0 factory
Yu et al. Balanced multi-region coverage path planning for unmanned aerial vehicles
Tian et al. Fruit Picking Robot Arm Training Solution Based on Reinforcement Learning in Digital Twin
Griffiths et al. Comparison of a bat and genetic algorithm generated sequence against lead through programming when assembling a PCB using a six-axis robot with multiple motions and speeds
Li et al. A specialized particle swarm optimization for global path planning of mobile robots
CN103192114B (zh) 一种三维钻孔的装置及其钻孔方法
CN111076724A (zh) 三维激光定位方法及***
CN118092456B (zh) 一种移动复合机器人协同控制方法及移动复合机器人
JP2023518642A (ja) 歯科修復物／器具を製造するための加工時間を予測するための歯科機械加工システム
Demir et al. Heuristic trajectory planning of robot manipulator

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
GR01 Patent grant
GR01 Patent grant