CN114879701A - 一种机器人轨道避障方法及*** - Google Patents
一种机器人轨道避障方法及*** Download PDFInfo
- Publication number
- CN114879701A CN114879701A CN202210723490.2A CN202210723490A CN114879701A CN 114879701 A CN114879701 A CN 114879701A CN 202210723490 A CN202210723490 A CN 202210723490A CN 114879701 A CN114879701 A CN 114879701A
- Authority
- CN
- China
- Prior art keywords
- obstacle
- robot
- movement
- track
- coordinates
- 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 25
- 230000003068 static effect Effects 0.000 claims abstract description 26
- 230000009471 action Effects 0.000 claims abstract description 13
- 238000012937 correction Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000012986 modification Methods 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 description 40
- 238000004519 manufacturing process Methods 0.000 description 11
- 239000004576 sand Substances 0.000 description 9
- 230000006399 behavior Effects 0.000 description 6
- 238000005266 casting Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 238000010408 sweeping Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 229910000838 Al alloy Inorganic materials 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000011347 resin Substances 0.000 description 2
- 229920005989 resin Polymers 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 229910052782 aluminium Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000004512 die casting Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000003110 molding sand Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000004381 surface treatment Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0234—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons
- G05D1/0236—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons in combination with a laser
-
- 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
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- 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
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- 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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
- G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
-
- 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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
-
- 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
- G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Electromagnetism (AREA)
- Optics & Photonics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种机器人轨道避障方法，对所述全局地图上的标记障碍物的位置进行检测，根据所述机器人感测的障碍物位置修正初始标记障碍物的坐标；根据机器人所在全局地图的位置与所述障碍物的相对位置规划初始路径,对感测的障碍物识别类型，判断所述感测障碍物是否为静止障碍物，若感测障碍物类型为静止障碍物则根据修正后的障碍物的坐标进行避障，若感测障碍物类型非静止障碍物，则对该障碍物的行动轨迹进行预测；在所述全局地图上重新标注出障碍物的坐标及预测的移动轨迹，并根据所述障碍物的坐标和所述移动轨迹对规划的初始路径进行修改，根据全部转角的发生的坐标及转动角度控制机器人在修改后的路径上离线完成移动。
Description
技术领域
本发明涉及机械控制技术领域，尤其涉及一种机器人轨道避障方法及***。
背景技术
近两年，机器人协作方式广泛应用于模具设计、模具制造、模具热处理等一系列完整的模具制造生产线中，由于生产厂家采用高精密的加工设备和进口的模具材料，并且掌握铝合金挤压、压铸、深加工以及铝合金表面处理等工艺，特别需要在生产线中采用高精度的机器人控制。
协作机器人发展迅速，因协作机器人的应用可降低生产成本、提高劳动效率和生产***整体柔性，已逐步应用于汽车、3C、IT电子行业等诸多精密行业领域，尤其是小型零部件的装配应用。
模具设计、模具制造、模具热处理等一系列完整的模具制造生产线中广泛用于汽车行业，用于铸造大量汽车和飞机零件，例如铝等轻金属制成的发动机缸体。铸件通常形成为树脂粘结的砂型。砂模限定具有一组砂模芯的复杂铸造形状，所述砂模芯以预定顺序精确地顺序组装以形成模制的芯包装。铸造后，加热砂型，燃烧将砂子固定在型芯中的树脂，使砂子松散，然后将砂子从凝固的铸件中除去，形成铸件发动机缸体中设计的复杂通道。为了有效地模制模具包装，有必要通过能够在组装线上接近模具包装的工业机器人以预定顺序组装模具包装。例如当前用于组装型芯包装的方法是利用配备有机械传送带的装配线，该机械输送机将砂型移动通过多个装配工位，在这里，工人和/或机器人将型芯定位以逐渐完成型砂，也称为模具包装。机器人被编程为从初始(即未完成的)模具包装开始，抓取砂芯并将其根据发动机设计放置在各自的位置，以形成最终的成品模具包装。
基于使用输送机的当前使用的模具组装线在模具包装的形成期间具有许多缺点。例如，如果其中一个机器人出现故障，其中一个内核的供应被延迟或中断，则整个装配线将被关闭。由于核心组装工作具有预定顺序，因此无法绕开非操作工位并将一些未完成的包装前进到下一个组装工位。
使用输送机的流水线布局需要在铸造厂中占很大的空间，不能自由地同时组装不同设计的模具包装，并且每个产品只能设计一个砂模。基于传送带的装配线的另一个缺点是，模具包装的线性运动路径仅允许在每个装配工位放置两个机器人，这需要大量的机器人。而在生产制造中现有的机器人自主避障导航技术，多存在结构复杂、硬件成本昂贵、维护成本高的缺点，不适应快速增长的机器人发展需求。并且，当前的机器人避障导航技术在减少传感器和运算单元的同时往往需要引入在线计算单元，而此类型的机器人在离线状态下就无法很好的进行避障工作。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明公开一种机器人轨道避障方法，其特征在于，所述方法包括如下步骤：
步骤1，对机器人移动任务的全局地图进行初始化，通过机器人上的感测装置机器人对所述全局地图上的标记障碍物的位置进行检测，根据所述机器人感测的障碍物位置修正初始标记障碍物的坐标；
步骤2，根据机器人所在全局地图的位置与所述障碍物的相对位置规划初始路径,对感测的障碍物识别类型，判断所述感测障碍物是否为静止障碍物，若感测障碍物类型为静止障碍物则根据修正后的障碍物的坐标进行避障，若感测障碍物类型非静止障碍物，则对该障碍物的行动轨迹进行预测；
步骤3，在所述全局地图上重新标注出障碍物的坐标及预测的移动轨迹，并根据所述障碍物的坐标和所述移动轨迹对规划的初始路径进行修改；
步骤4，根据修改后的路径标注机器轨道的全局坐标，计算出机器人在对任一障碍物方向改变的转角，将全部转角的发生的坐标及转动角度发送至机器人计算控制单元；
步骤5，根据全部转角的发生的坐标及转动角度控制机器人在修改后的路径上离线完成移动。
更进一步地，所述对机器人移动任务的全局地图进行初始化进一步包括：初始化所述机器人在所述全局地图上的初始位置坐标，并将整个机器人移动任务的所述全局地图进行栅格化处理，初始化输入全局地图上的存在的障碍物栅格坐标位置。
更进一步地，所述步骤3进一步包括：若判断障碍物为可移动人体，则通过针对于可移动人体的运动轨迹预测的模型对人体的移动轨迹进行动态预测。
更进一步地，对全局地图中全部的判断为可移动人体类型的障碍物，通过第三方设备提供的该障碍物的历史时段内的移动信息，并对该历史时段内的移动信息进行排序，并根据相邻序列的移动信息进行比较，得到该障碍物在所述历史时段内的初始移动偏移量；将所述初始移动偏移量输入至该可移动人体类型的障碍物对应的运动轨迹预测的模型中，其中，所述运动轨迹预测的模型为通过所述第三方设备提供的相关移动信息在线训练好的神经网络预测模型，由所述训练好的神经网络预测模型输出用于表示所述全部的判断为可移动人体类型的障碍物在机器人规划的路径行走预计的时间段内移动人体的移动信息的纠偏量；对所述纠偏量信息进行解码，对应于所述纠偏量和初始偏移量序列，获得该障碍物的行动预测轨迹。
更进一步地，所述并根据所述障碍物的坐标和所述移动轨迹对规划的初始路径进行修改进一步包括：所述机器人的计算控制单元连接至路径规划单元，所述路径规划单元根据全局地图及全局地图上重新标注出障碍物的坐标及预测的移动轨迹作为的约束条件，将生成的修改后的路径上的重要点坐标进行标注，在标注的重要点处执行机器人运动参数的改变，规划出所述机器人的行进无碰撞路径。
本发明还公开了一种机器人轨道避障***，所述***包括：路径初始化模块，通过所述路径初始化模块对机器人移动任务的全局地图进行初始化，通过机器人上的感测装置机器人对所述全局地图上的标记障碍物的位置进行检测，根据所述机器人感测的障碍物位置修正初始标记障碍物的坐标；障碍物信息初始化模块，所述障碍物信息初始化模块根据机器人所在全局地图的位置与所述障碍物的相对位置规划初始路径,对感测的障碍物识别类型，判断所述感测障碍物是否为静止障碍物，若感测障碍物类型为静止障碍物则根据修正后的障碍物的坐标进行避障，若感测障碍物类型非静止障碍物，则对该障碍物的行动轨迹进行预测；障碍物信息修正模块，在所述全局地图上重新标注出障碍物的坐标及预测的移动轨迹，并根据所述障碍物的坐标和所述移动轨迹对规划的初始路径进行修改；机器人运动状态计算模块，根据修改后的路径标注机器轨道的全局坐标，计算出机器人在对任一障碍物方向改变的转角，将全部转角的发生的坐标及转动角度发送至机器人计算控制单元；离线控制模块，根据全部转角的发生的坐标及转动角度控制机器人在修改后的路径上离线完成移动。
更进一步地，所述对机器人移动任务的全局地图进行初始化进一步包括：初始化所述机器人在所述全局地图上的初始位置坐标，并将整个机器人移动任务的所述全局地图进行栅格化处理，初始化输入全局地图上的存在的障碍物栅格坐标位置。
更进一步地，所述障碍物信息修正模块进一步包括：若判断障碍物为可移动人体，则通过针对于可移动人体的运动轨迹预测的模型对人体的移动轨迹进行动态预测。
更进一步地，对全局地图中全部的判断为可移动人体类型的障碍物，通过第三方设备提供的该障碍物的历史时段内的移动信息，并对该历史时段内的移动信息进行排序，并根据相邻序列的移动信息进行比较，得到该障碍物在所述历史时段内的初始移动偏移量；将所述初始移动偏移量输入至该可移动人体类型的障碍物对应的运动轨迹预测的模型中，其中，所述运动轨迹预测的模型为通过所述第三方设备提供的相关移动信息在线训练好的神经网络预测模型，由所述训练好的神经网络预测模型输出用于表示所述全部的判断为可移动人体类型的障碍物在机器人规划的路径行走预计的时间段内移动人体的移动信息的纠偏量；对所述纠偏量信息进行解码，对应于所述纠偏量和初始偏移量序列，获得该障碍物的行动预测轨迹。
更进一步地，所述并根据所述障碍物的坐标和所述移动轨迹对规划的初始路径进行修改进一步包括：所述机器人的计算控制单元连接至路径规划单元，所述路径规划单元根据全局地图及全局地图上重新标注出障碍物的坐标及预测的移动轨迹作为的约束条件，将生成的修改后的路径上的重要点坐标进行标注，在标注的重要点处执行机器人运动参数的改变，规划出所述机器人的行进无碰撞路径。
本发明与现有技术相比，本发明的有益效果是：现有的机器人避障方式要么是通过多传感器实时避障，要么是通过在线计算进行避障，本发明采用教导的传感器，通过神经网络预测的方式，对规划路径的地图中存在的障碍物进行分类，剔除静止障碍物后，对可移动的障碍物的运动轨迹进行短时间内的预测，并本局预测轨迹，使得机器人在规划轨迹时，可以不依靠网络、不依靠传感器使得机器人在离线的状态下完成路径规划和导航，不同于一般的惯性导航，本发明在路径中设置多个坐标点，根据预测的移动路径进行离线导航。
附图说明
从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制，而是将重点放在示出实施例的原理上。在图中，在不同的视图中，相同的附图标记指定对应的部分。
图1是本发明的一种机器人轨道避障方法的流程图。
具体实施方式
下面将结合附图及实施例对本发明的技术方案进行更详细的说明。
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。
移动终端可以以各种形式来实施。例如，本发明中描述的终端可以包括诸如移动电话、智能电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、导航装置等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。下面，假设终端是移动终端。然而，本领域技术人员将理解的是，除了特别用于移动目的的元件之外，根据本发明的实施方式的构造也能够应用于固定类型的终端。
实施例一
如图1所示的一种机器人轨道避障方法，其特征在于，所述方法包括如下步骤：
步骤1，对机器人移动任务的全局地图进行初始化，通过机器人上的感测装置机器人对所述全局地图上的标记障碍物的位置进行检测，根据所述机器人感测的障碍物位置修正初始标记障碍物的坐标；
在该步骤中，机器人首先接收服务器或者是用户终端那设备发送提供的全局地图，数据获取的方式可以是机器人向服务器或者用户终端发送问询指令，也可以是服务器或者用户终端检测到机器人的工作状态，所述全局地图为用户事先提供的机器人的工作地图，例如扫地机器人接收用户输入的机器人工作的户型地图等。
并且，在机器人工作的路径上必然存在障碍物，障碍物可以为静止的物体，还是一扫地机器人进行举例，比如扫地机器人工作环境中的静止桌椅或者是静止的其他家私家电等；还可以是会移动的物体，比如宠物、比如人体的移动等。
然而，用户事先提供的障碍物坐标可能不准确或者出现变动，这里提供初始坐标的目的在于减少机器人的高精度感测的需要，结合用户提供的坐标，机器人在规划路径时，可以通过采用较为简单的感测原件进行修正，而如果用户不提供初始的障碍物坐标则需要采用高精度实时感测装置例如激光感测雷达等进行感测，这样即提高了机器人的工作成本，有使得机器人的避障算法复杂化。在本实施例中，机器人是在规划路径之前，先采用低精度的感测装置修正用户提供的初始障碍物坐标。
步骤2，根据机器人所在全局地图的位置与所述障碍物的相对位置规划初始路径,对感测的障碍物识别类型，判断所述感测障碍物是否为静止障碍物，若感测障碍物类型为静止障碍物则根据修正后的障碍物的坐标进行避障，若感测障碍物类型非静止障碍物，则对该障碍物的行动轨迹进行预测；
在该实施例中，机器人进行在修正了障碍物坐标位置后，依然通过低精度感测装置分辨障碍物的属性；例如如上所述的静止桌椅或者是静止的其他家私家电等此类不会移动的障碍物，也即是坐标不会发生位移改变的类型；此外障碍物还会包括可以移动的物体，比如人体的移动等此类会移动的障碍物，也即是坐标会发生改变的类型。
步骤3，在所述全局地图上重新标注出障碍物的坐标及预测的移动轨迹，并根据所述障碍物的坐标和所述移动轨迹对规划的初始路径进行修改；
在该步骤中，因为机器人选择了低精度低反应效率的感测原件，所以需要根据障碍物的类型重新修改规划的移动路径，对于预测到的移动范围或者速度较快的障碍物设置更大的避障空间，以此修改初始的规划路径。
步骤4，根据修改后的路径标注机器轨道的全局坐标，计算出机器人在对任一障碍物方向改变的转角，将全部转角的发生的坐标及转动角度发送至机器人计算控制单元；
步骤5，根据全部转角的发生的坐标及转动角度控制机器人在修改后的路径上离线完成移动。
在上述步骤中，机器人的移动可以分解为移动速度，移动方向改变节点，也就是说机器人在未到达方向改变的路径节点时，是不会改变移动方向的，以此方式设置多轮机器人移动可以简化路径计算，而机器人在到达路径改变的节点后，会根据初始规划的路径上的方向改变节点对应的转角参数进行机器人的方向改变。
更进一步地，所述对机器人移动任务的全局地图进行初始化进一步包括：初始化所述机器人在所述全局地图上的初始位置坐标，并将整个机器人移动任务的所述全局地图进行栅格化处理，初始化输入全局地图上的存在的障碍物栅格坐标位置。
更进一步地，所述步骤3进一步包括：若判断障碍物为可移动人体，则通过针对于可移动人体的运动轨迹预测的模型对人体的移动轨迹进行动态预测。
更进一步地，对全局地图中全部的判断为可移动人体类型的障碍物，通过第三方设备提供的该障碍物的历史时段内的移动信息，并对该历史时段内的移动信息进行排序，并根据相邻序列的移动信息进行比较，得到该障碍物在所述历史时段内的初始移动偏移量；将所述初始移动偏移量输入至该可移动人体类型的障碍物对应的运动轨迹预测的模型中，其中，所述运动轨迹预测的模型为通过所述第三方设备提供的相关移动信息在线训练好的神经网络预测模型，由所述训练好的神经网络预测模型输出用于表示所述全部的判断为可移动人体类型的障碍物在机器人规划的路径行走预计的时间段内移动人体的移动信息的纠偏量；对所述纠偏量信息进行解码，对应于所述纠偏量和初始偏移量序列，获得该障碍物的行动预测轨迹。
在上述步骤中，因为机器人采用了功能较低的传感器，因此在对可移动人体类型的障碍物进行轨迹规避时，需要采用第三方的设备进行移动预测，例如通过家用摄像头进行摄像，以此，在采集人体一定时间的移动轨迹后，根据建立的神经网络模型输出人体运动的轨迹预测，在对应到机器人移动的规划路径上，完成对路径的修改，此步骤可以在机器人移动之前进行或者在机器人移动之中进行。
更进一步地，所述并根据所述障碍物的坐标和所述移动轨迹对规划的初始路径进行修改进一步包括：所述机器人的计算控制单元连接至路径规划单元，所述路径规划单元根据全局地图及全局地图上重新标注出障碍物的坐标及预测的移动轨迹作为的约束条件，将生成的修改后的路径上的重要点坐标进行标注，在标注的重要点处执行机器人运动参数的改变，规划出所述机器人的行进无碰撞路径。
在本实施例中，机器人感测的装置可为视觉相机，而第三方设备家用摄像头。
在本实施例中，由视觉相机获得的机器人的目标特征点(目的地)相对栅格化全局地图的位置坐标，对此位置坐标以及已知的栅格化全局地图的信息进行坐标变换解算目标的惯性系坐标；构造非线性递归神经网络，根据计算出的目标惯性系坐标，对模型进行训练，得到目标位置坐标短期预测值；对可移动物体进行预测时，通过动力学模型运算实现目标运动轨迹预测。
而当相对应的模型为神经网络模型CNN模型时，可以包括多个子CNN，第1子CNN具体可以包括级联的多个CNN层，例如5个CNN层；第1子CNN中5个CNN层中的各CNN层可以分别包括多个卷积滤波器，例如128个卷积滤波器；每个卷积滤波器的大小可以是3*3，第2子CNN具体也可以包括多个CNN层，例如4个CNN层；第2子CNN中多个CNN层中的各CNN层也可以分别包括多个卷积滤波器，例如与第一子CNN相同的卷积滤波器，每个卷积滤波器的大小可以是3*3。
示例性地，第一子CNN中的底层CNN层，可以对上述至少一个目标对象的行走行为进行粗略的划分，例如，划分为向上走的和向下走的目标对象；次底层CNN层，可以对底层CNN层粗略划分的结果进行更进一步的划分，例如，划分为向左上、向正上、向右上的目标对象；上层CNN层，可以筛选出具有不同性质的行走行为，例如：迅速奔跑的行人、迅速拐弯的行人。第一子CNN中，越向顶层，CNN层筛选出来的行走行为就会越具体。
其中，在进行训练时，可以获取移动障碍物的状态信息；基于障碍物的状态信息确定从某一时刻的当前位置到目的地的一个或以上原始轨迹；从所述一个或以上原始轨迹中确定一个或以上候选轨迹；和基于轨迹评估模型从所述一个或以上候选轨迹中确定目标轨迹。
实施例二
从硬件描述的角度本实施例进一步还公开了一种机器人轨道避障***，所述***包括：路径初始化模块，通过所述路径初始化模块对机器人移动任务的全局地图进行初始化，通过机器人上的感测装置机器人对所述全局地图上的标记障碍物的位置进行检测，根据所述机器人感测的障碍物位置修正初始标记障碍物的坐标；障碍物信息初始化模块，所述障碍物信息初始化模块根据机器人所在全局地图的位置与所述障碍物的相对位置规划初始路径,对感测的障碍物识别类型，判断所述感测障碍物是否为静止障碍物，若感测障碍物类型为静止障碍物则根据修正后的障碍物的坐标进行避障，若感测障碍物类型非静止障碍物，则对该障碍物的行动轨迹进行预测；障碍物信息修正模块，在所述全局地图上重新标注出障碍物的坐标及预测的移动轨迹，并根据所述障碍物的坐标和所述移动轨迹对规划的初始路径进行修改；机器人运动状态计算模块，根据修改后的路径标注机器轨道的全局坐标，计算出机器人在对任一障碍物方向改变的转角，将全部转角的发生的坐标及转动角度发送至机器人计算控制单元；离线控制模块，根据全部转角的发生的坐标及转动角度控制机器人在修改后的路径上离线完成移动。
更进一步地，所述对机器人移动任务的全局地图进行初始化进一步包括：初始化所述机器人在所述全局地图上的初始位置坐标，并将整个机器人移动任务的所述全局地图进行栅格化处理，初始化输入全局地图上的存在的障碍物栅格坐标位置。
更进一步地，所述障碍物信息修正模块进一步包括：若判断障碍物为可移动人体，则通过针对于可移动人体的运动轨迹预测的模型对人体的移动轨迹进行动态预测。
更进一步地，对全局地图中全部的判断为可移动人体类型的障碍物，通过第三方设备提供的该障碍物的历史时段内的移动信息，并对该历史时段内的移动信息进行排序，并根据相邻序列的移动信息进行比较，得到该障碍物在所述历史时段内的初始移动偏移量；将所述初始移动偏移量输入至该可移动人体类型的障碍物对应的运动轨迹预测的模型中，其中，所述运动轨迹预测的模型为通过所述第三方设备提供的相关移动信息在线训练好的神经网络预测模型，由所述训练好的神经网络预测模型输出用于表示所述全部的判断为可移动人体类型的障碍物在机器人规划的路径行走预计的时间段内移动人体的移动信息的纠偏量；对所述纠偏量信息进行解码，对应于所述纠偏量和初始偏移量序列，获得该障碍物的行动预测轨迹。
更进一步地，所述并根据所述障碍物的坐标和所述移动轨迹对规划的初始路径进行修改进一步包括：所述机器人的计算控制单元连接至路径规划单元，所述路径规划单元根据全局地图及全局地图上重新标注出障碍物的坐标及预测的移动轨迹作为的约束条件，将生成的修改后的路径上的重要点坐标进行标注，在标注的重要点处执行机器人运动参数的改变，规划出所述机器人的行进无碰撞路径
在基于上述本发明的可移动的障碍物的预测方法，特别是针对于人体移动的预测，实施例的进一步具体示例中，第1子CNN具体可以包括级联的多个CNN层，例如5个CNN层；第1子CNN中5个CNN层中的各CNN层可以分别包括多个卷积滤波器，例如128个卷积滤波器；每个卷积滤波器的大小可以是3*3，第2子CNN具体也可以包括多个CNN层，例如4个CNN层；第2子CNN中多个CNN层中的各CNN层也可以分别包括多个卷积滤波器，例如与第一子CNN相同的卷积滤波器，每个卷积滤波器的大小可以是3*3。
示例性地，第一子CNN中的底层CNN层，可以对上述至少一个目标对象的行走行为进行粗略的划分，例如，划分为向上走的和向下走的目标对象；次底层CNN层，可以对底层CNN层粗略划分的结果进行更进一步的划分，例如，划分为向左上、向正上、向右上的目标对象；上层CNN层，可以筛选出具有不同性质的行走行为，例如：迅速奔跑的行人、迅速拐弯的行人。第一子CNN中，越向顶层，CNN层筛选出来的行走行为就会越具体。
进一步地，当机器人在线工作时，通过对运动目标的追踪进行人体识别，获得运动目标相对于机器人的位置和运动速度，从而根据获得的运动目标相对于机器人的位置和运动速度，预测运动目标下一步的位置；并根据运动目标相对于机器人的位置和运动速度、下一步的位置以及第一高斯函数得到运动目标的运动成本地图；将获得的运动目标的静态成本地图、运动成本地图和已获得的障碍物的成本地图进行融合得到主成本地图；依据所述主成本地图和预设的规则，对机器人的路径进行规划。因此，这样不但可以预测运动目标下一步的位置，而且可以根据运动目标的运动轨迹对机器人的路径进行规划，从而使得机器人可以在不影响人活动的前提下进行活动。
而在离线工作时，可以通过对神经网络的补充训练，优化移动物体的运动轨迹，在离线状态制定最安全的避障路径实现机器人的避障规划。
还需要说明的是，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、商品或者设备不仅包括那些要素，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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、***或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
虽然上面已经参考各种实施例描述了本发明，但是应当理解，在不脱离本发明的范围的情况下，可以进行许多改变和修改。因此，其旨在上述详细描述被认为是例示性的而非限制性的，并且应当理解，以下权利要求(包括所有等同物)旨在限定本发明的精神和范围。以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (10)
1.一种机器人轨道避障方法，其特征在于，所述方法包括如下步骤：
步骤1，对机器人移动任务的全局地图进行初始化，通过机器人上的感测装置机器人对所述全局地图上的标记障碍物的位置进行检测，根据所述机器人感测的障碍物位置修正初始标记障碍物的坐标；
步骤2，根据机器人所在全局地图的位置与所述障碍物的相对位置规划初始路径,对感测的障碍物识别类型，判断所述感测障碍物是否为静止障碍物，若感测障碍物类型为静止障碍物则根据修正后的障碍物的坐标进行避障，若感测障碍物类型非静止障碍物，则对该障碍物的行动轨迹进行预测；
步骤3，在所述全局地图上重新标注出障碍物的坐标及预测的移动轨迹，并根据所述障碍物的坐标和所述移动轨迹对规划的初始路径进行修改；
步骤4，根据修改后的路径标注机器轨道的全局坐标，计算出机器人在对任一障碍物方向改变的转角，将全部转角的发生的坐标及转动角度发送至机器人计算控制单元；
步骤5，根据全部转角的发生的坐标及转动角度控制机器人在修改后的路径上离线完成移动。
2.如权利要求1所述的一种机器人轨道避障方法，其特征在于，所述对机器人移动任务的全局地图进行初始化进一步包括：初始化所述机器人在所述全局地图上的初始位置坐标，并将整个机器人移动任务的所述全局地图进行栅格化处理，初始化输入全局地图上的存在的障碍物栅格坐标位置。
3.如权利要求1所述的一种机器人轨道避障方法，其特征在于，所述步骤3进一步包括：若判断障碍物为可移动人体，则通过针对于可移动人体的运动轨迹预测的模型对人体的移动轨迹进行动态预测。
4.如权利要求3所述的一种机器人轨道避障方法，其特征在于，对全局地图中全部的判断为可移动人体类型的障碍物，通过第三方设备提供的该障碍物的历史时段内的移动信息，并对该历史时段内的移动信息进行排序，并根据相邻序列的移动信息进行比较，得到该障碍物在所述历史时段内的初始移动偏移量；将所述初始移动偏移量输入至该可移动人体类型的障碍物对应的运动轨迹预测的模型中，其中，所述运动轨迹预测的模型为通过所述第三方设备提供的相关移动信息在线训练好的神经网络预测模型，由所述训练好的神经网络预测模型输出用于表示所述全部的判断为可移动人体类型的障碍物在机器人规划的路径行走预计的时间段内移动人体的移动信息的纠偏量；对所述纠偏量信息进行解码，对应于所述纠偏量和初始偏移量序列，获得该障碍物的行动预测轨迹。
5.如权利要求1所述的一种机器人轨道避障方法，其特征在于，所述并根据所述障碍物的坐标和所述移动轨迹对规划的初始路径进行修改进一步包括：所述机器人的计算控制单元连接至路径规划单元，所述路径规划单元根据全局地图及全局地图上重新标注出障碍物的坐标及预测的移动轨迹作为的约束条件，将生成的修改后的路径上的重要点坐标进行标注，在标注的重要点处执行机器人运动参数的改变，规划出所述机器人的行进无碰撞路径。
6.一种机器人轨道避障***，其特征在于，所述***包括：
路径初始化模块，通过所述路径初始化模块对机器人移动任务的全局地图进行初始化，通过机器人上的感测装置机器人对所述全局地图上的标记障碍物的位置进行检测，根据所述机器人感测的障碍物位置修正初始标记障碍物的坐标；
障碍物信息初始化模块，所述障碍物信息初始化模块根据机器人所在全局地图的位置与所述障碍物的相对位置规划初始路径,对感测的障碍物识别类型，判断所述感测障碍物是否为静止障碍物，若感测障碍物类型为静止障碍物则根据修正后的障碍物的坐标进行避障，若感测障碍物类型非静止障碍物，则对该障碍物的行动轨迹进行预测；
障碍物信息修正模块，在所述全局地图上重新标注出障碍物的坐标及预测的移动轨迹，并根据所述障碍物的坐标和所述移动轨迹对规划的初始路径进行修改；
机器人运动状态计算模块，根据修改后的路径标注机器轨道的全局坐标，计算出机器人在对任一障碍物方向改变的转角，将全部转角的发生的坐标及转动角度发送至机器人计算控制单元；
离线控制模块，根据全部转角的发生的坐标及转动角度控制机器人在修改后的路径上离线完成移动。
7.如权利要求6所述的一种机器人轨道避障***，其特征在于，所述对机器人移动任务的全局地图进行初始化进一步包括：初始化所述机器人在所述全局地图上的初始位置坐标，并将整个机器人移动任务的所述全局地图进行栅格化处理，初始化输入全局地图上的存在的障碍物栅格坐标位置。
8.如权利要求6所述的一种机器人轨道避障***，其特征在于，所述障碍物信息修正模块进一步包括：若判断障碍物为可移动人体，则通过针对于可移动人体的运动轨迹预测的模型对人体的移动轨迹进行动态预测。
9.如权利要求8所述的一种机器人轨道避障***，其特征在于，对全局地图中全部的判断为可移动人体类型的障碍物，通过第三方设备提供的该障碍物的历史时段内的移动信息，并对该历史时段内的移动信息进行排序，并根据相邻序列的移动信息进行比较，得到该障碍物在所述历史时段内的初始移动偏移量；将所述初始移动偏移量输入至该可移动人体类型的障碍物对应的运动轨迹预测的模型中，其中，所述运动轨迹预测的模型为通过所述第三方设备提供的相关移动信息在线训练好的神经网络预测模型，由所述训练好的神经网络预测模型输出用于表示所述全部的判断为可移动人体类型的障碍物在机器人规划的路径行走预计的时间段内移动人体的移动信息的纠偏量；对所述纠偏量信息进行解码，对应于所述纠偏量和初始偏移量序列，获得该障碍物的行动预测轨迹。
10.如权利要求6所述的一种机器人轨道避障***，其特征在于，所述并根据所述障碍物的坐标和所述移动轨迹对规划的初始路径进行修改进一步包括：所述机器人的计算控制单元连接至路径规划单元，所述路径规划单元根据全局地图及全局地图上重新标注出障碍物的坐标及预测的移动轨迹作为的约束条件，将生成的修改后的路径上的重要点坐标进行标注，在标注的重要点处执行机器人运动参数的改变，规划出所述机器人的行进无碰撞路径。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210723490.2A CN114879701A (zh) | 2022-06-23 | 2022-06-23 | 一种机器人轨道避障方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210723490.2A CN114879701A (zh) | 2022-06-23 | 2022-06-23 | 一种机器人轨道避障方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114879701A true CN114879701A (zh) | 2022-08-09 |
Family
ID=82682544
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210723490.2A Pending CN114879701A (zh) | 2022-06-23 | 2022-06-23 | 一种机器人轨道避障方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114879701A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115164931A (zh) * | 2022-09-08 | 2022-10-11 | 南开大学 | 一种盲人出行辅助***、方法及设备 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108227706A (zh) * | 2017-12-20 | 2018-06-29 | 北京理工华汇智能科技有限公司 | 机器人躲避动态障碍的方法及装置 |
| CN108762264A (zh) * | 2018-05-22 | 2018-11-06 | 重庆邮电大学 | 基于人工势场与滚动窗口的机器人的动态避障方法 |
| WO2019045293A1 (ko) * | 2017-08-31 | 2019-03-07 | 엘지전자 주식회사 | 타겟 지향 로컬 경로를 생성하는 방법 및 이를 구현하는 로봇 |
| CN110955242A (zh) * | 2019-11-22 | 2020-04-03 | 深圳市优必选科技股份有限公司 | 机器人导航方法、***、机器人及存储介质 |
| CN111062372A (zh) * | 2020-03-13 | 2020-04-24 | 北京三快在线科技有限公司 | 一种预测障碍物轨迹的方法及装置 |
| CN111984003A (zh) * | 2020-07-17 | 2020-11-24 | 山东师范大学 | 一种基于离线地图算法的无轨道自适应导航方法及*** |
| CN112284389A (zh) * | 2020-09-28 | 2021-01-29 | 深圳优地科技有限公司 | 移动机器人路径规划方法、装置、移动机器人和存储介质 |
| CN112650235A (zh) * | 2020-03-11 | 2021-04-13 | 南京奥拓电子科技有限公司 | 一种机器人避障控制方法、***及机器人 |
| US11016491B1 (en) * | 2018-01-26 | 2021-05-25 | X Development Llc | Trajectory planning for mobile robots |
| JP6884312B1 (ja) * | 2020-08-20 | 2021-06-09 | 上海姜歌机器人有限公司Ｄｊａｎｇｏ Ｒｏｂｏｔｉｃｓ Ｓｈａｎｇｈａｉ Ｃｏ．，Ｌｔｄ． | ロボット障害回避処理方法、装置、ロボット |
| CN113359763A (zh) * | 2021-07-05 | 2021-09-07 | 广州蓝胖子移动科技有限公司 | 轮式机器人及动态障碍物轨迹预测方法、装置、存储介质 |
| CN113593284A (zh) * | 2021-07-29 | 2021-11-02 | 三一重型装备有限公司 | 矿井巷道内车辆的路径规划方法及装置、电子设备 |
| CN113741435A (zh) * | 2021-08-19 | 2021-12-03 | 上海高仙自动化科技发展有限公司 | 障碍物规避方法、装置、决策器、存储介质、芯片及机器人 |
-
2022
- 2022-06-23 CN CN202210723490.2A patent/CN114879701A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019045293A1 (ko) * | 2017-08-31 | 2019-03-07 | 엘지전자 주식회사 | 타겟 지향 로컬 경로를 생성하는 방법 및 이를 구현하는 로봇 |
| CN108227706A (zh) * | 2017-12-20 | 2018-06-29 | 北京理工华汇智能科技有限公司 | 机器人躲避动态障碍的方法及装置 |
| US11016491B1 (en) * | 2018-01-26 | 2021-05-25 | X Development Llc | Trajectory planning for mobile robots |
| CN108762264A (zh) * | 2018-05-22 | 2018-11-06 | 重庆邮电大学 | 基于人工势场与滚动窗口的机器人的动态避障方法 |
| CN110955242A (zh) * | 2019-11-22 | 2020-04-03 | 深圳市优必选科技股份有限公司 | 机器人导航方法、***、机器人及存储介质 |
| CN112650235A (zh) * | 2020-03-11 | 2021-04-13 | 南京奥拓电子科技有限公司 | 一种机器人避障控制方法、***及机器人 |
| CN111062372A (zh) * | 2020-03-13 | 2020-04-24 | 北京三快在线科技有限公司 | 一种预测障碍物轨迹的方法及装置 |
| CN111984003A (zh) * | 2020-07-17 | 2020-11-24 | 山东师范大学 | 一种基于离线地图算法的无轨道自适应导航方法及*** |
| JP6884312B1 (ja) * | 2020-08-20 | 2021-06-09 | 上海姜歌机器人有限公司Ｄｊａｎｇｏ Ｒｏｂｏｔｉｃｓ Ｓｈａｎｇｈａｉ Ｃｏ．，Ｌｔｄ． | ロボット障害回避処理方法、装置、ロボット |
| CN112284389A (zh) * | 2020-09-28 | 2021-01-29 | 深圳优地科技有限公司 | 移动机器人路径规划方法、装置、移动机器人和存储介质 |
| CN113359763A (zh) * | 2021-07-05 | 2021-09-07 | 广州蓝胖子移动科技有限公司 | 轮式机器人及动态障碍物轨迹预测方法、装置、存储介质 |
| CN113593284A (zh) * | 2021-07-29 | 2021-11-02 | 三一重型装备有限公司 | 矿井巷道内车辆的路径规划方法及装置、电子设备 |
| CN113741435A (zh) * | 2021-08-19 | 2021-12-03 | 上海高仙自动化科技发展有限公司 | 障碍物规避方法、装置、决策器、存储介质、芯片及机器人 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115164931A (zh) * | 2022-09-08 | 2022-10-11 | 南开大学 | 一种盲人出行辅助***、方法及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2758692C1 (ru) | Способ управления роботом для интеллектуального распыления нескольких моделей транспортных средств | |
| Ren et al. | Modified Newton's method applied to potential field-based navigation for mobile robots | |
| CN104010774B (zh) | 用于自动生成机器人程序的***和方法 | |
| WO2018188200A1 (zh) | 机器人的路径规划***、方法、机器人及存储介质 | |
| Palmieri et al. | A comparison between position‐based and image‐based dynamic visual servoings in the control of a translating parallel manipulator | |
| CN113552877A (zh) | 用于机器人优化动作规划的初始参考生成 | |
| CN109254563B (zh) | 一种数控速度滤波方法及其滤波*** | |
| CN110286643A (zh) | 机床运动轨迹的控制方法及装置、存储介质、处理器 | |
| CN114879701A (zh) | 一种机器人轨道避障方法及*** | |
| US20240009841A1 (en) | Dynamic target tracking method, robot and computer-readable storage medium | |
| CN111328305A (zh) | 控制设备、作业机器人、程序和控制方法 | |
| Ahmad et al. | Generation of safe and intelligent tool-paths for multi-axis machine-tools in a dynamic 2D virtual environment | |
| CN113269085A (zh) | 一种直线传送带跟踪控制方法、***、装置及存储介质 | |
| Zhang et al. | Deep learning-based robot vision: High-end tools for smart manufacturing | |
| JP7061013B2 (ja) | 経路補正方法及び多軸加工機の制御装置 | |
| CN113526157B (zh) | Agv柔性搬运***、控制方法和装置 | |
| US11813756B2 (en) | Disassembly based assembly planning | |
| CN109870992A (zh) | 一种不考虑延时等待的csps***控制方法 | |
| Spenrath et al. | Object recognition: Bin-picking for industrial use | |
| Barral et al. | Simulated annealing combined with a constructive algorithm for optimising assembly workcell layout | |
| CN107066654B (zh) | 面向点云模型的包容盒面的轨迹控制点拾取方法和装置 | |
| Chen et al. | New positional accuracy calibration method for an autonomous robotic inspection system | |
| CN115639817A (zh) | 一种路径的轨迹修正方法、装置、设备和介质 | |
| CN105773628A (zh) | 一种led芯片上蜡机器人喷蜡控制方法 | |
| EP3841440B1 (en) | A method for computer-implemented determination of sensor positions in a simulated process of an automation system |
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 |