CN111338334A - 虚拟装配仿真中基于多因素成本引导的装配路径规划方法 - Google Patents
虚拟装配仿真中基于多因素成本引导的装配路径规划方法 Download PDFInfo
- Publication number
- CN111338334A CN111338334A CN201911024188.2A CN201911024188A CN111338334A CN 111338334 A CN111338334 A CN 111338334A CN 201911024188 A CN201911024188 A CN 201911024188A CN 111338334 A CN111338334 A CN 111338334A
- Authority
- CN
- China
- Prior art keywords
- path
- assembly
- cost
- leaf node
- factor
- 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 26
- 238000004088 simulation Methods 0.000 title claims abstract description 14
- 230000033001 locomotion Effects 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- 238000005070 sampling Methods 0.000 claims description 20
- 238000001514 detection method Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 230000036544 posture Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000013138 pruning Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了虚拟装配仿真中基于多因素成本引导的装配路径规划方法,包括以下步骤:1、建立虚拟装配三维环境,并设定装配路径的搜索空间边界,确定限制装配路径搜索的范围,设置规划初始参数;2、在装配路径搜索空间内,以待装配零件的初始状态为根节点,以多因素路径成本为引导,结合快速搜索随机树算法进行装配路径搜索及扩展;3、路径树扩展到待装配零件目标状态的临近空间内,路径搜索结束,并获得一条完整的从初始状态到目标状态的装配路径。本发明以路径距离、路径拐点转角、待装配件旋转运动角为主要因素构建装配路径多因素成本模型,以多因素路径成本引导每一步局部装配路径朝着成本相对最低的方向生长,从而获得整体优化装配路径。
Description
所属技术领域
本发明专利涉及虚拟装配路径规划领域,具体涉及一种基于多因素成本引导的装配路径 规划方法。
背景技术
在虚拟装配环境下对装配体的零部件进行装配路径规划,生成一条由装配起点到装配终 点的无碰撞且有效的运动路径,此路径规划技术可用于产品结构设计、装配工艺设计(如验 证装配体结构设计是否合理,装配序列规划结果是否可行),以及操作培训等领域。在相邻位 姿间有旋转约束要求的装配路径规划中,为获得平滑的装配运动路径,应避免发生“急转” 现象,这里的“急转”包含两层含义:一、平移运动造成的“急转”,二、零部件绕自身轴线 旋转运动造成的“急转”。这要求计算得到的路径点不仅包含零部件在空间中的三维坐标信息, 还应包含三维旋转信息,并且保证相邻运动的平移分量之间的夹角在设定范围内,同时保证 相邻位姿之间的旋转变化量在允许的范围内。
在众多规划算法中,快速搜索随机树法(Rapidly exploring random trees,简称RRT) 无需对状态空间进行精确地计算而是利用随机性来处理C空间,搜索速度快,广泛应用于复 杂高维环境下的运动规划问题。而在现有的文献记录中,尚未有综合考虑并同时解决这两种 “急转”的装配路径规划方法,其困难主要体现在两个方面:一、平移运动造成的“急转” 可通过修剪路径,减少路径节点而得以改善,但相比于修剪前的路径,相邻位姿发生改变, 反而会造成第二种“急转”。二、可通过加大引导路径生成的距离度量值中的旋转分量权重, 而改善相邻位姿之间的旋转变化量大而造成的“急转”,与此同时会使得路径搜索效率降低, 路径节点增多,路径长度增加,且容易导致发生平移运动造成的“急转”。
发明内容
本发明专利的目的在于提供一种基于多因素成本引导的装配路径规划方法,在虚拟装配 环境下,提高装配件装配路径解的质量,提高装配运动的平稳性。
本发明专利为了实现上述目的,构建了以路径距离、路径拐点转角、待装配件旋转运动 角为主要因素的路径成本模型,并将该模型与RRT算法结合,形成基于多因素成本引导的装 配路径规划方法。
为达到上述目的,本发明采用的方法是:一种虚拟装配仿真中基于多因素成本引导的装 配路径规划方法,包括以下步骤:
S1、建立虚拟装配三维环境,确定装配路径搜索空间,并设置装配路径规划初始参数:
建立虚拟装配环境的三维模型,该装配环境可以为整个装配车间环境,也可以为待装配 件所在的局部装配环境,确定待装配件的装配路径搜索空间;
确定待装配零件初始状态及目标状态,包括待装配件在搜索空间内的位置及姿态;
将上述虚拟装配环境、装配路径搜索空间、待装配零件初始状态及目标状态作为装配路 径规划初始参数;
S2、在装配路径搜索空间内,以待装配零件的初始状态为根节点,以多因素路径成本为 引导,结合快速搜索随机树算法进行装配路径搜索及扩展,具体为:
S201、在装配路径搜索空间内进行均匀随机采样并获得M个采样点;
S202、以三维空间的欧几里得距离最小为衡量目标,在已构成的路径树中为这些采样点 寻找父节点,并从这些父节点出发朝着对应的采样点进行插值计算,获得对应的候选叶节点;
S203、针对每一个候选叶节点进行多因素路径成本估算,按照成本估算值排序并加入候 选叶节点列表list;
S204、选择位于自由空间中路径成本最小的候选叶节点为当前局部路径的扩展目标;
S205、若当前局部路径满足碰撞检测约束,则将该叶节点加入到路径树中,装配路径完 成一次生长,并进入步骤S3;
若当前局部路径不满足碰撞检测约束,则将该叶节点丢弃,并更新候选叶节点列表,重 新选择当前局部路径的扩展目标,直到装配路径完成一次生长或候选叶节点列表更新后为空, 则进入步骤S3;
S3、重复步骤S2直到新加入路径树中的叶节点落入待装配零件目标状态的临近空间,直 接将最新的叶节点与目标点连接,从而获得一条完整的从初始状态到目标状态的装配路径。
作为本发明的优选,步骤S1中,建立整个装配车间环境,通过设定装配路径的搜索空间 边界,来缩小装配路径的搜索范围。
作为本发明的优选,步骤S201中每次采样多个点,每一个随机采样点均有p的概率为路 径的目标位姿点,每个随机采样点包含位置信息及姿态信息。
作为本发明的优选,步骤S203中,针对每一个候选叶节点进行多因素路径成本C估算, 按成本估算值排序并加入候选叶节点列表list,所述多因素路径成本C估算公式为:
C=wLL+wPP+wAA (1)
式(1)中,其中wL,wP,wA为权重系数,L为距离成本、P为路径拐点转角成本、A为 待装配件旋转运动成本,且式(1)中的每一部分成本L,P,A均各由两部分组成,一wei初 始位姿到当前候选叶节点的已生成路径累积成本Lcum,Pcum,Acum,二wei当前候选位姿到 目标位姿的待生成路径估算成本Lest,Pest,Aest。
作为本发明的优选,式(1)中的距离成本L用路径的欧几里得距离值表示:
式(2)中,n表示从初始位姿点到当前候选叶节点路径上的节点数量,Li表示该路径上 相邻两节点之间的欧几里得距离。
作为本发明的优选,式(1)中的路径拐点转角成本P:
式(3)中,b1为常数,使成本A和路径距离成本L具有相同的量级,j为路径拐点数,αi为拐点转角,β1,β2将路径拐点处的转角αi划分为三个等级,当拐点转角不大时0≤αi≤β1,近似地认为此处路径不发生,即认为此处路径拐点成本为0,当拐点转角较大有路径折返时β2≤αi,此处路径拐点成本2b1,当拐点转角中等时β1≤αi≤β2,此处路径拐点成本b1。
作为本发明的优选,式(1)中的待装配件旋转运动成本A:
式(4)中,b2为常数,使成本A和路径距离成本L具有相同的量级,n表示从初始位姿点到当前候选叶节点路径上的节点数量,R表示路径点处待装配零部件的旋转信息,用单位四元数表示。
作为本发明的优选,所述的步骤S204的具体步骤为:将候选叶节点按照路径成本估算值 的大小排序并加入并更新候选叶节点列表list,并从中选取路径成本估算值最小的候选叶节 点进行碰撞检测及局部路径的碰撞检测,若满足碰撞检测要求,则将该叶节点及局部路径加 入路径树,若不满足碰撞检测,则删除该候选叶节点,更新list表后重新选择,直到路径数 完成一次生长或list表为空。
作为本发明的优选,步骤S3中所述的临近空间包含两个条件,一待装配件从新叶节点到 目标状态点这一局部运动所分解出的旋转运动,其旋转运动角小于设定值,本实施例中用两 位姿点单位四元数之间的距离小于设定值来表示,二新叶节点与目标状态点的欧几里得距离 小于设定值,只有同时满足以上两个条件才判定叶节点落入待装配零件目标状态的临近空间。
有益效果:
本发明专利中提出的多因素路径成本包含距离成本、路径拐点转角成本、待装配件旋转 运动成本,以多因素路径成本来引导每一步局部装配路径的生成,使其朝着路径成本相对最 低的方向生长,从而获得整体优化装配路径。
附图说明
图1为本发明专利提出的虚拟仿真中基于多因素成本引导的装配路径规划方法的总体流 程框图;
图2为本发明专利中关于在装配路径搜索空间内,以待装配零件的初始状态为根节点, 以多因素路径成本为引导,结合快速搜索随机树算法进行装配路径搜索及扩展的流程图;
图3为本发明专利中关于路径树拐点转角的示意图;
图4为本发明专利中关于路径树拐点转角等级划分示意图。
图5为本发明的自由空间中路径成本选择图。
具体实施方式
下面将结合附图说明本发明的具体实施方式。在不偏离本发明的精神和范围的情况下, 可对所述的实施例进行修正。因此,附图和描述在本质上是说明性的,而不是用于限制权利 要求的保护范围。此外,本说明中,附图未按比例画出。
本发明所提出的虚拟装配仿真中基于多因素成本引导的装配路径规划方法总体流程如图 1所示:
S1建立虚拟装配三维环境,确定装配路径搜索空间,并设置装配路径规划初始参数:
建立虚拟装配环境的三维模型,该装配环境可以为整个装配车间环境,也可以为待装配 件所在的局部装配环境,确定待装配件的装配路径搜索空间;
确定待装配零件初始状态及目标状态,包括待装配件在搜索空间内的位置(三维坐标) 及姿态;
将上述虚拟装配环境、装配路径搜索空间、待装配零件初始状态及目标状态作为装配路 径规划初始参数;
优选的,在步骤S1中,建立整个装配车间环境,通过设定装配路径的搜索空间边界,来 缩小装配路径的搜索范围。这样一来,对不同装配工位上产品进行装配路径规划时,无需更 改装配环境模型,只需要重新设定搜索空间边界即可,从而提高装配环境三维模型的通用性;
所述限定搜索空间边界,其含义包括限定路径点的三维坐标,限定路径点的位姿;
步骤S2中,在装配路径搜索空间内,以待装配零件的初始状态为根节点,以多因素路径 成本为引导,结合快速搜索随机树算法进行装配路径搜索及扩展,实现流程如图2所示,具 体步骤包括:
S201设定随机采样点的个数M(M≥2,本实施案例中设定M=15),并在装配路径搜索空 间内进行随机均匀采样;
所述采样点代表待装配零部件在搜索空间内的位姿点,并且每一个随机采样点均有p的 概率为路径的目标位姿点,每个随机采样点包含位置信息及姿态信息,本实施案例中用三维 坐标表示采样点的位置信息,用单位四元数表示姿态信息;
S202以三维空间的欧几里得距离最小为衡量目标,在已构成的路径树中为这些采样点寻 找父节点,并从这些父节点出发朝着对应的采样点进行插值计算,获得对应的候选叶节点;
S203针对每一个候选叶节点进行多因素路径成本估算,按成本估算值排序并加入候选叶 节点列表list;
所述多因素路径成本C包含距离成本L、路径拐点转角成本P、待装配件旋转运动成本A, 用公式C=wLL+wPP+wAA表达(其中wL,wP,wA为权重系数),而每一部分成本(L,P, A)均各由两部分组成,一为初始位姿到当前候选叶节点的已生成路径累积成本 (Lcum,Pcum,Acum),二为当前候选位姿到目标位姿的待生成路径估算成本 (Lest,Pest,Aest);
所述距离成本L用路径的欧几里得距离值表示,其中 n表示从初始位姿点到当前候选叶节点路径上的节点数量,Li表示该路径上相邻两节点之间的 欧几里得距离,本实施案例中路径树采用等步长ε生长,即Lcum=(n-1)ε,Lest为当前候选 叶节点到目标状态点的欧几里得距离;
所述路径拐点转角成本P用路径在各拐点的转角成本之和表示,P=Pcum+Pest,
其中β1为常数,使成本P和路径成本L具有相 同的量级,j为路径拐点数,αi为拐点转角,本实施例中拐点转角的定义如图3所示,β1,β2如 图4所示,它们将路径拐点处的转角αi划分为三个等级,当拐点转角不大时(0≤αi≤β1), 近似地认为此处路径不发生,即认为此处路径拐点成本为0,当拐点转角较大有路径折返时 (β2≤αi),此处路径拐点成本2b1,当拐点转角中等时(β1≤αi≤β2),此处路径拐点成本 b1;
所述待装配件旋转运动成本A用路径中每一个运动旋转之和表示,本实施案例中采用单位 四元数表示待装配件在路径位姿点的位姿状态,相邻位姿点间位姿状态的改变(单位四元数 改变)即表示待装配零部件发生了运动旋转,用相邻位姿单位四元数R的距离来度量这一旋 转运动成本,待装配件旋转运动成本其中b2为常数,使成本P和路径成本A具有相同的量级,n表示从初始位姿点到当前候选叶节点路径上的节点数量,Aest=b2(1-||Rnew·Rtarget||)表示候选叶节点至目标位姿之间一次性旋转而产生的旋转距离;
根据多因素成本计算模型,针对每一个候选叶节点,估算已生成的路径通过该候选叶节 点到达目标位姿所形成的路径其路径成本值的大小,将候选叶节点按照路径成本估算值的大 小排序并加入并更新候选叶节点列表list;
S204选择位于自由空间中路径成本最小的候选叶节点为当前局部路径的扩展目标,其选 择过程如图5所示;
根据步骤S203中已更新的候选叶节点列表list,从中选取路径成本最小的候选叶节点, 并对其进行碰撞检测,若其位于自由空间中,则将其作为当前局部路径的扩展目标,并进入 步骤S205,若其位于障碍空间,则将其从list表中删除,更新list表后重新选取候选叶节 点,直到确定当前局部路径的扩展目标,若更新后list表为空则表示候选叶节点均位于障碍 空间,此次迭代中路径树无法扩展,进入S201开始下一次迭代;
S205局部路径碰撞检测及路径生长;
若当前局部路径满足碰撞检测约束,则将该候选叶节点加入到路径树中,装配路径完成 一次生长,并进入步骤S3;
若当前局部路径不满足碰撞检测约束,则将该叶节点丢弃,并更新候选叶节点列表,重 新选择当前局部路径的扩展目标,直到装配路径完成一次生长,则进入步骤S3,或候选叶节 点列表更新后为空,则进入下一步迭代;
S3重复步骤S2直到新加入路径树中的叶节点落入待装配零件目标状态的临近空间,直 接将最新的叶节点与目标点连接,从而获得一条完整的从初始状态到目标状态的装配路径。
所述新加入路径树中的叶节点落入待装配零件目标状态的临近空间,包含两层含义,一 待装配件从新叶节点到目标状态点这一局部运动所分解出的旋转运动,其旋转运动角小于设 定值,本实施例中用两位姿点单位四元数之间的距离小于设定值来表示,二新叶节点与目标 状态点的欧几里得距离小于设定值,只有同时满足以上两个条件才判定叶节点落入待装配零 件目标状态的临近空间。
Claims (9)
1.虚拟装配仿真中基于多因素成本引导的装配路径规划方法,其特征在于,包括以下步骤:
S1、建立虚拟装配三维环境,确定装配路径搜索空间,并设置装配路径规划初始参数:
建立虚拟装配环境的三维模型,该装配环境可以为整个装配车间环境,也可以为待装配件所在的局部装配环境,确定待装配件的装配路径搜索空间;
确定待装配零件初始状态及目标状态,包括待装配件在搜索空间内的位置及姿态;
将上述虚拟装配环境、装配路径搜索空间、待装配零件初始状态及目标状态作为装配路径规划初始参数;
S2、在装配路径搜索空间内,以待装配零件的初始状态为根节点,以多因素路径成本为引导,结合快速搜索随机树算法进行装配路径搜索及扩展,具体为:
S201、在装配路径搜索空间内进行均匀随机采样并获得M个采样点;
S202、以三维空间的欧几里得距离最小为衡量目标,在已构成的路径树中为这些采样点寻找父节点,并从这些父节点出发朝着对应的采样点进行插值计算,获得对应的候选叶节点;
S203、针对每一个候选叶节点进行多因素路径成本估算,按照成本估算值排序并加入候选叶节点列表list;
S204、选择位于自由空间中路径成本最小的候选叶节点为当前局部路径的扩展目标;
S205、若当前局部路径满足碰撞检测约束,则将该叶节点加入到路径树中,装配路径完成一次生长,并进入步骤S3;
若当前局部路径不满足碰撞检测约束,则将该叶节点丢弃,并更新候选叶节点列表,重新选择当前局部路径的扩展目标,直到装配路径完成一次生长或候选叶节点列表更新后为空,则进入步骤S3;
S3、重复步骤S2直到新加入路径树中的叶节点落入待装配零件目标状态的临近空间,直接将最新的叶节点与目标点连接,从而获得一条完整的从初始状态到目标状态的装配路径。
2.根据权利要求1所述的虚拟装配仿真中基于多因素成本引导的装配路径规划方法,其特征在于:步骤S1中,建立整个装配车间环境,通过设定装配路径的搜索空间边界,来缩小装配路径的搜索范围。
3.根据权利要求1所述的虚拟装配仿真中基于多因素成本引导的装配路径规划方法,其特征在于:步骤S201中每次采样多个点,每一个随机采样点均有p的概率为路径的目标位姿点,每个随机采样点包含位置信息及姿态信息。
4.根据权利要求1所述的虚拟装配仿真中基于多因素成本引导的装配路径规划方法,其特征在于:步骤S203中,针对每一个候选叶节点进行多因素路径成本C估算,按成本估算值排序并加入候选叶节点列表list,所述多因素路径成本C估算公式为:
C=wLL+wPP+wAA (1)
式(1)中,其中wL,wP,wA为权重系数,L为距离成本、P为路径拐点转角成本、A为待装配件旋转运动成本,且式(1)中的每一部分成本L,P,A均各由两部分组成,一为初始位姿到当前候选叶节点的已生成路径累积成本Lcum,Pcum,Acum,二为当前候选位姿到目标位姿的待生成路径估算成本Lest,Pest,Aest。
8.根据权利要求1所述的虚拟装配仿真中基于多因素成本引导的装配路径规划方法,其特征在于所述的步骤S204的具体步骤为:将候选叶节点按照路径成本估算值的大小排序并加入并更新候选叶节点列表list,并从中选取路径成本估算值最小的候选叶节点进行碰撞检测及局部路径的碰撞检测,若满足碰撞检测要求,则将该叶节点及局部路径加入路径树,若不满足碰撞检测,则删除该候选叶节点,更新list表后重新选择,直到路径数完成一次生长或list表为空。
9.根据权利要求1所述的虚拟装配仿真中基于多因素成本引导的装配路径规划方法,其特征在于步骤S3中所述的临近空间包含两个条件,一待装配件从新叶节点到目标状态点这一局部运动所分解出的旋转运动,其旋转运动角小于设定值,本实施例中用两位姿点单位四元数之间的距离小于设定值来表示,二新叶节点与目标状态点的欧几里得距离小于设定值,只有同时满足以上两个条件才判定叶节点落入待装配零件目标状态的临近空间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911024188.2A CN111338334A (zh) | 2019-10-25 | 2019-10-25 | 虚拟装配仿真中基于多因素成本引导的装配路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911024188.2A CN111338334A (zh) | 2019-10-25 | 2019-10-25 | 虚拟装配仿真中基于多因素成本引导的装配路径规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111338334A true CN111338334A (zh) | 2020-06-26 |
Family
ID=71183513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911024188.2A Pending CN111338334A (zh) | 2019-10-25 | 2019-10-25 | 虚拟装配仿真中基于多因素成本引导的装配路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111338334A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110035087A1 (en) * | 2009-08-10 | 2011-02-10 | Samsung Electronics Co., Ltd. | Method and apparatus to plan motion path of robot |
KR101339480B1 (ko) * | 2012-12-14 | 2013-12-10 | 고려대학교 산학협력단 | Rrt 기반의 듀얼 트리 구조를 이용한 이동 로봇의 궤적 계획 방법 |
CN106695802A (zh) * | 2017-03-19 | 2017-05-24 | 北京工业大学 | 基于多自由度机械臂的改进式rrt*的避障运动规划方法 |
CN107063280A (zh) * | 2017-03-24 | 2017-08-18 | 重庆邮电大学 | 一种基于控制采样的智能车辆路径规划***及方法 |
-
2019
- 2019-10-25 CN CN201911024188.2A patent/CN111338334A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110035087A1 (en) * | 2009-08-10 | 2011-02-10 | Samsung Electronics Co., Ltd. | Method and apparatus to plan motion path of robot |
KR101339480B1 (ko) * | 2012-12-14 | 2013-12-10 | 고려대학교 산학협력단 | Rrt 기반의 듀얼 트리 구조를 이용한 이동 로봇의 궤적 계획 방법 |
CN106695802A (zh) * | 2017-03-19 | 2017-05-24 | 北京工业大学 | 基于多自由度机械臂的改进式rrt*的避障运动规划方法 |
CN107063280A (zh) * | 2017-03-24 | 2017-08-18 | 重庆邮电大学 | 一种基于控制采样的智能车辆路径规划***及方法 |
Non-Patent Citations (1)
Title |
---|
熊晶: "高速列车车厢总成装配路径规划方法", <中国博士学位论文全文数据库 工程科技Ⅱ辑> * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111546347B (zh) | 一种适用于动态环境下的机械臂路径规划方法 | |
CN109579849A (zh) | 机器人定位方法、装置和机器人及计算机存储介质 | |
CN111983927B (zh) | 一种最大协熵mcc准则的椭球集员滤波方法 | |
CN111222418B (zh) | 一种车道线的多道路片段的众包数据快速融合优化方法 | |
CN107917710B (zh) | 一种基于单线激光的室内实时定位与三维地图构建方法 | |
CN112987799B (zh) | 一种基于改进rrt算法的无人机路径规划方法 | |
CN111650941A (zh) | 基于RRT-Connect改进的医用移动机器人路径规划方法、装置、介质及设备 | |
Shi et al. | Spark PRM: Using RRTs within PRMs to efficiently explore narrow passages | |
CN109940614B (zh) | 一种融合记忆机制的机械臂多场景快速运动规划方法 | |
CN104076685B (zh) | 一种减少基座姿态扰动的空间机械臂路径规划方法 | |
CN111723983B (zh) | 一种未知环境下无人机的时间参数化航路规划方法与*** | |
JP2014502393A (ja) | 判定方法及び判定装置 | |
CN116520281B (zh) | 一种基于ddpg的扩展目标跟踪优化方法和装置 | |
CN110955859B (zh) | 一种基于预定飞行轨的实际飞行轨道气动参数的计算方法 | |
Alatartsev et al. | Constricting insertion heuristic for traveling salesman problem with neighborhoods | |
CN116929338A (zh) | 地图构建方法、设备及存储介质 | |
CN110111356B (zh) | 运动旋转物体的转动轴方向与转动角速度解算方法 | |
CN109557567B (zh) | 一种改进型吉布斯采样的北斗卫星选择方法 | |
CN117124335B (zh) | 一种基于路径标记回溯策略的改进式rrt路径规划方法 | |
CN111338334A (zh) | 虚拟装配仿真中基于多因素成本引导的装配路径规划方法 | |
CN111008750A (zh) | 一种基于全程旋转约束rrt算法的装配路径规划方法 | |
Samsonov et al. | More machine learning for less: Comparing data generation strategies in mechanical engineering and manufacturing | |
CN114115319A (zh) | 一种时变约束下的航天器姿态机动路径规划方法 | |
Bahrpeyma et al. | Application of Reinforcement Learning to UR10 Positioning for Prioritized Multi-Step Inspection in NVIDIA Omniverse | |
JP2022092189A (ja) | 経路計画システム、経路計画方法、および関節を備えたロボットアームの経路計画システム |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200626 |