CN116214526A - 一种机器人运动轨迹的补偿控制方法及*** - Google Patents
一种机器人运动轨迹的补偿控制方法及*** Download PDFInfo
- Publication number
- CN116214526A CN116214526A CN202310512060.0A CN202310512060A CN116214526A CN 116214526 A CN116214526 A CN 116214526A CN 202310512060 A CN202310512060 A CN 202310512060A CN 116214526 A CN116214526 A CN 116214526A
- Authority
- CN
- China
- Prior art keywords
- error
- motion
- robot
- control
- transmission
- 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
Links
- 230000033001 locomotion Effects 0.000 title claims abstract description 240
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000005540 biological transmission Effects 0.000 claims abstract description 256
- 238000004458 analytical method Methods 0.000 claims description 41
- 239000002245 particle Substances 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 20
- 238000012216 screening Methods 0.000 claims description 16
- 238000005065 mining Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 238000012544 monitoring process Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000010219 correlation analysis Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 7
- 238000010276 construction Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008054 signal transmission Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000005684 electric field Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 241000239290 Araneae Species 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 230000009194 climbing Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
Images
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
- B25J9/1656—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
-
- 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
- B25J9/1628—Programme controls characterised by the control loop
-
- 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)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Manipulator (AREA)
- Numerical Control (AREA)
Abstract
本申请涉及智能控制技术领域,提供一种机器人运动轨迹的补偿控制方法及***。通过基于运动目标点坐标和机器人质点坐标生成期望运动轨迹;根据期望运动轨迹在运动轨迹控制器中匹配零误差轨迹控制参数,分析运动轨迹控制器和机器人获得控制固定误差、控制扰动误差和关节传动误差并基于三种误差对零误差轨迹控制参数进行误差补偿生成轨迹控制参数补偿结果,以对机器人进行补偿控制。解决了现有技术中存在多自由度行走机器人控制精度不足,导致机器人运动轨迹与预设轨迹偏差较大的技术问题,实现了提高对多自由度机器人的控制精确度,实现多自由度行走机器人的运动轨迹符合预设运动轨迹,从而提高多自由度行走机器人使用场景广泛性的技术效果。
Description
技术领域
本申请涉及智能控制技术领域,特别是涉及一种机器人运动轨迹的补偿控制方法及***。
背景技术
随着科技的发展,多自由度行走机器人被广泛应用于各种工业和军事领域,它们拥有非常灵活和多样化的运动模式,可以在复杂的环境中完成各种任务。然而,机器人的运动轨迹与预设轨迹之间的偏差问题依然存在,这主要是对多自由度行走机器人的控制精度不足所导致。
多自由度行走机器人的控制***需要实时监测机器人的位置、姿态和速度等状态信息,并将这些信息与预设轨迹进行比较,从而确定机器人下一步的行动。然而,由于环境因素以及设备自身因素的影响,多自由度行走机器人的实际运动轨迹往往与预设轨迹存在一定的偏差,这会导致机器人无法准确地执行任务,现阶段并没有消除轨迹偏差的有效手段,轨迹偏差成为制约多自由度行走机器人大面积推广的重要因素。
综上所述,现有技术中存在多自由度行走机器人控制精度不足,导致机器人运动轨迹与预设轨迹偏差较大的技术问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够实现提高对多自由度机器人的控制精确度,实现多自由度行走机器人的运动轨迹符合预设运动轨迹,从而提高多自由度行走机器人使用场景广泛性的一种机器人运动轨迹的补偿控制方法及***。
一种机器人运动轨迹的补偿控制方法,方法包括:获取运动场景基础信息,所述运动场景基础信息包括运动目标点坐标和机器人质点坐标;根据所述运动目标点坐标和所述机器人质点坐标进行路径规划,生成期望运动轨迹;对运动轨迹控制器关联性分析,生成控制固定误差和控制扰动误差;以及对多自由度行走机器人进行传动误差分析,获取关节传动误差;根据所述期望运动轨迹在运动轨迹控制器中匹配零误差轨迹控制参数,根据所述控制固定误差、所述控制扰动误差对所述零误差轨迹控制参数进行误差补偿,生成轨迹控制参数第一补偿结果;根据所述关节传动误差对所述轨迹控制参数第一补偿结果进行误差补偿,生成轨迹控制参数第二补偿结果;根据所述轨迹控制参数第二补偿结果对所述多自由度机器人进行补偿控制。
一种机器人运动轨迹的补偿控制***,所述***包括:基础信息获得模块,用于获取运动场景基础信息,所述运动场景基础信息包括运动目标点坐标和机器人质点坐标;路径规划执行模块,用于根据所述运动目标点坐标和所述机器人质点坐标进行路径规划,生成期望运动轨迹;控制误差分析模块,用于对运动轨迹控制器关联性分析,生成控制固定误差和控制扰动误差;传动误差分析模块,用于对多自由度行走机器人进行传动误差分析,获取关节传动误差;误差补偿执行模块,用于根据所述期望运动轨迹在运动轨迹控制器中匹配零误差轨迹控制参数,根据所述控制固定误差、所述控制扰动误差对所述零误差轨迹控制参数进行误差补偿,生成轨迹控制参数第一补偿结果;补偿结果生成模块,用于根据所述关节传动误差对所述轨迹控制参数第一补偿结果进行误差补偿,生成轨迹控制参数第二补偿结果;补偿控制执行模块,用于根据所述轨迹控制参数第二补偿结果对所述多自由度机器人进行补偿控制。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取运动场景基础信息,所述运动场景基础信息包括运动目标点坐标和机器人质点坐标;
根据所述运动目标点坐标和所述机器人质点坐标进行路径规划,生成期望运动轨迹;
对运动轨迹控制器关联性分析,生成控制固定误差和控制扰动误差;
对多自由度行走机器人进行传动误差分析,获取关节传动误差;
根据所述期望运动轨迹在运动轨迹控制器中匹配零误差轨迹控制参数,根据所述控制固定误差、所述控制扰动误差对所述零误差轨迹控制参数进行误差补偿,生成轨迹控制参数第一补偿结果;
根据所述关节传动误差对所述轨迹控制参数第一补偿结果进行误差补偿,生成轨迹控制参数第二补偿结果;
根据所述轨迹控制参数第二补偿结果对所述多自由度机器人进行补偿控制。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取运动场景基础信息,所述运动场景基础信息包括运动目标点坐标和机器人质点坐标;
根据所述运动目标点坐标和所述机器人质点坐标进行路径规划,生成期望运动轨迹;
对运动轨迹控制器关联性分析,生成控制固定误差和控制扰动误差;
对多自由度行走机器人进行传动误差分析,获取关节传动误差;
根据所述期望运动轨迹在运动轨迹控制器中匹配零误差轨迹控制参数,根据所述控制固定误差、所述控制扰动误差对所述零误差轨迹控制参数进行误差补偿,生成轨迹控制参数第一补偿结果;
根据所述关节传动误差对所述轨迹控制参数第一补偿结果进行误差补偿,生成轨迹控制参数第二补偿结果;
根据所述轨迹控制参数第二补偿结果对所述多自由度机器人进行补偿控制。
上述一种机器人运动轨迹的补偿控制方法及***,解决了现有技术中存在多自由度行走机器人控制精度不足,导致机器人运动轨迹与预设轨迹偏差较大的技术问题,实现了提高对多自由度机器人的控制精确度,实现多自由度行走机器人的运动轨迹符合预设运动轨迹,从而提高多自由度行走机器人使用场景广泛性的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为一个实施例中一种机器人运动轨迹的补偿控制方法的流程示意图;
图2为一个实施例中一种机器人运动轨迹的补偿控制方法中生成期望运动轨迹的流程示意图;
图3为一个实施例中一种机器人运动轨迹的补偿控制***的结构框图;
图4为一个实施例中计算机设备的内部结构图。
附图标记说明:基础信息获得模块1,路径规划执行模块2,控制误差分析模块3,传动误差分析模块4,误差补偿执行模块5,补偿结果生成模块6,补偿控制执行模块7。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
如图1所示,本申请提供了一种机器人运动轨迹的补偿控制方法,应用于运动轨迹控制器,所述运动轨迹控制器用于控制多自由度行走机器人,包括:
S100:获取运动场景基础信息,所述运动场景基础信息包括运动目标点坐标和机器人质点坐标;
具体而言,在本实施例中,所述运动轨迹控制器的控制对象为多自由度行走机器人,所述多自由度行走机器人(multi-legged walking robot)是一种能够模拟生物动物(如昆虫、蜘蛛等)行走方式的机器人,具有模拟多条腿和多个关节的多个传动操作杆和多个传动操作节点,通过所述运动轨迹控制器控制多自由度行走机器人各个传动操作节点的运动和力量来间接控制传动操作杆的运动,实现对于机器人运动轨迹的控制。
在本实施例中,所述运动场景为多自由度机器人所处的一个地面环境复杂的空间场景,多自由度机器人在所述运动场景中需要通过路径规划避开所述运动场景中存在的诸如矮灌木、沙坑、水洼、石头的障碍,到达所要抵达的空间位点。
所述运动场景基础信息包含多自由度机器人在所述运动场景中行走的出发点和终点以及所述运动场景中存在的多类型障碍物的坐标信息,障碍物的高度数据以及障碍物宽度数据。所述运动目标坐标点为多自由度机器人在所述运动场景中的出发位置坐标。所述机器人质点坐标为多自由度机器人在所述运动场景中的最终抵达执行任务的位置坐标。所述运动目标点坐标、机器人质点坐标和障碍物坐标为经纬度形式的坐标。
S200:根据所述运动目标点坐标和所述机器人质点坐标进行路径规划,生成期望运动轨迹;
在一个实施例中,如图2所示,根据所述运动目标点坐标和所述机器人质点坐标进行路径规划,生成期望运动轨迹,本申请提供的方法步骤S200还包括:
S210:所述机器人质点坐标为所述多自由度行走机器人的第i操作杆末端坐标,其中,第i操作杆为多自由度机器人的传动终点操作杆;
S220:以所述第i操作杆末端坐标为原点,构建空间网格坐标系;
S230:获取所述空间网格坐标系中的原点坐标到所述运动目标点坐标之间的障碍物分布坐标进行路径规划,生成所述期望运动轨迹。
在一个实施例中,获取所述空间网格坐标系中的原点坐标到所述运动目标点坐标之间的障碍物分布坐标进行路径规划,生成所述期望运动轨迹,本申请提供的方法步骤S230还包括:
S231-1:获取所述多自由度行走机器人的高度跨越最大值、宽度跨越最大值、身高特征值和身宽特征值;
S231-2:根据所述原点坐标到所述运动目标点坐标构建目标运动区域,包括,
S231-3:以原点坐标所属水平面为第一水平面,以所述多自由度行走机器人的身高特征值的身高最大值的两倍所属水平面为第二水平面,在所述原点坐标的负向预设距离处构建第一垂直面,在所述运动目标点坐标的正向预设距离处构建第二垂直面,以所述原点坐标到所述运动目标点坐标方向为正;
S231-4:根据所述第一水平面、所述第二水平面、所述第一垂直面和所述第二垂直面,构建路径规划约束空间;
S231-5:根据所述高度跨越最大值和所述宽度跨越最大值对所述空间网格坐标系的所述路径规划约束空间,筛选所述障碍物分布坐标:
S231-6:当障碍物位置属于所述路径规划约束空间,且障碍物高度大于所述高度跨越最大值,添加进所述障碍物分布坐标;
S231-7:当障碍物位置属于所述路径规划约束空间,且障碍物宽度大于所述宽度跨越最大值,添加进所述障碍物分布坐标;
S231-8:当障碍物位置属于所述路径规划约束空间,且障碍物宽度大于所述宽度跨越最大值,且障碍物高度大于所述高度跨越最大值,添加进所述障碍物分布坐标;
S231-9:当障碍物位置属于所述路径规划约束空间,且障碍物间隔距离小于或等于所述身高特征值的身高最小值,或/和小于或等于所述身宽特征值的身宽最小值,将障碍物间隔坐标添加进所述障碍物分布坐标。
在一个实施例中,获取所述空间网格坐标系中的原点坐标到所述运动目标点坐标之间的障碍物分布坐标进行路径规划,生成所述期望运动轨迹,本申请提供的方法步骤S230还包括:
S232-1:遍历所述障碍物分布坐标,构建N个斥力区域,所述N个斥力区域指的是对所述多自由度行走机器人具有排斥力的坐标区域,且所述N个斥力区域与所述障碍物分布坐标一一对应;
S232-2:根据所述N个斥力区域构建路径规划适应度函数:
其中,表征第j个路径的适应度,/>表征第j个路径的第n个斥力区域与所述多自由度行走机器人的排斥力大小,/>为预设的电荷量参数,/>为库伦常数,表征第j个路径的第n个斥力区域与所述多自由度行走机器人的距离,/>表征第j个路径的能量损耗,/>表征第j个路径的行走时长,/>、/>和/>为调节系数,用于将对应项调整至0-1之间,大于或等于0;
S232-3:基于所述障碍物分布坐标,生成所述原点坐标到所述运动目标点坐标之间的多条规划路径;
S232-4:根据所述路径规划适应度函数对所述多条规划路径进行适应度分析,获取多个适应度输出值;
S232-5:从所述多个适应度输出值中筛选适应度最大值的规划路径添加进待筛选组;
S232-6:重复迭代,当所述待筛选组满足预设数量时,筛选所述待筛选组的适应度最大值的规划路径设为所述期望运动轨迹。
具体而言,应理解的,所述多自由度行走机器人(multi-leggedwalkingrobot)是一种能够模拟生物动物(如昆虫、蜘蛛等)行走方式的机器人,具有模拟生物腿和关节的多个传动操作杆和多个传动操作节点。
所述多自由度行走机器人具有多条“腿”,每条“腿”由i个传动操作杆以及连接传动操作杆的i个传动节点组成,每条腿的最传动终点操作杆(第i操作杆)的末端具有模拟生物“脚”的行走支撑点。一个多自由度行走机器人有多条腿,既就是有多组i个传动操作杆-i个传动节点。
因而,所述多自由度行走机器人当前处于所述机器人质点坐标实质上是多自由度机器人的传动终点操作杆位于所述机器人质点坐标,即所述机器人质点坐标为所述多自由度行走机器人的第i操作杆末端坐标。
当所述多自由行走机器人的多个第i操作杆中任意一个第i操作杆末端坐标与所述机器人质点坐标重合,即认为所述多自由度行走机器人在运动场景中处于所述机器人质点坐标。
本实施例以所述第i操作杆末端坐标为原点,构建空间网格坐标系,所述空间网格坐标系以所述原点坐标到所述运动目标点坐标方向为X轴正方向,以所述坐标原点所处水平面上与X轴垂直的轴为Y轴,以与所述原点坐标绝对垂直方向为Z轴,坐标轴单位统一为m或cm。将步骤S100获得的经纬度形式的所述运动目标点坐标、障碍物坐标基于所述空间网格坐标系进行坐标形式转换,从而获得所述运动场景中存在的障碍物在所述空间网格坐标系中的障碍物坐标。
在获得所述运动场景中所有障碍物在所述空间网格坐标系中的障碍物坐标的基础上,本实施例进一步分析确定存在于所述空间网格坐标系中处于原点坐标(第i操作杆末端坐标)到所述运动目标点坐标构成的直线之间的若干个障碍物分布坐标。
获得所述障碍物分布坐标的方法如下:
获取所述多自由度行走机器人的高度跨越最大值、宽度跨越最大值、身高特征值和身宽特征值,所述高度跨越最大值为所述多自由度行走机器人在行走过程中可以跨越的最大高度差,高度跨越最大值越大,说明机器人具有更强的攀登能力,在复杂地形中的适应性更强。
所述宽度跨越最大值指机器人在行走过程中可以跨越的最大宽度,宽度跨越最大值越大,说明机器人具有更好的横向平衡性和稳定性,在处理较宽障碍物和避免障碍物时能够更加灵活。所述身高特征值指机器人在行走状态下的身高最大值和最小值,所述和身宽特征值则分别指机器人在行走状态下的身宽大小,身高特征值和身宽特征值用于参考判断所述多自由度行走机器人能否通过狭窄通道。
所述目标运动区域为所述多自由度行走机器人从所述远点行走到所述运动目标的活动范围,本实施例根据所述原点坐标到所述运动目标点坐标构建目标运动区域。具体的,以原点坐标所属水平面为第一水平面(地平面),以所述多自由度行走机器人的身高特征值的身高最大值的两倍所属水平面为第二水平面,所述多自由度行走机器人模拟生物跑跳行走的最高高度和最低高度在所述第一水平面和第二水平面之间。
以所述原点坐标到所述运动目标点坐标方向为正,在所述原点坐标的负向预设距离处构建第一垂直面,例如在距离原点坐标负向2m处构建所述第一垂直面,在所述运动目标点坐标的正向预设距离处构建第二垂直面,例如在距离所述运动目标点坐标正向2m处构建所述第二垂直面,基于第一垂直面和第二垂直面圈定所述多自由度行走机器人的活动范围。
根据所述第一水平面、所述第二水平面、所述第一垂直面和所述第二垂直面,构建路径规划约束空间,所述多自由度行走机器人从所述远点到所述运动目标点坐标的路径不超出所述路径规划约束空间,本实施例通过构建所述路径规划约束空间实现避免多自由度行走机器人所规划的路径虽然能够从原点抵达所述运动目标点坐标,但是南辕北辙绕路的问题。
基于所述第一水平面和第二水平面获得落入所述路径规划区间的Z轴坐标区间,基于所述第一垂直面和第二垂直面获得落入所述路径规划区间的X轴坐标区间和Y轴坐标区间。
获得处于所述运动场景中的所有障碍物在所述空间网格坐标系中对应的多个障碍物坐标。根据障碍物坐标是否同时满足Z轴坐标区间、X轴坐标区间和Y轴坐标区间,判断障碍物位置是否属于所述路径规划约束区间。
基于判断获得处于所述路径规划约束区间的H个障碍物,在此基础上,基于所述运动场景基础信息获得对应于H个障碍物的障碍物坐标数据、障碍物高度数据以及障碍物宽度数据。
基于障碍物宽度数据和高度数据判断是否将处于所述路径规划区间中的障碍物添加进所述障碍物分布坐标,属于所述障碍物分布坐标的障碍物为所述多自由度行走机器人无法通过跑跳等形式避障,需要绕过的障碍物。
具体的,当障碍物位置属于所述路径规划约束空间,且障碍物高度大于所述高度跨越最大值时,将该障碍物的障碍物坐标添加进所述障碍物分布坐标;当障碍物位置属于所述路径规划约束空间,且障碍物宽度大于所述宽度跨越最大值,将该障碍物的障碍物坐标添加进所述障碍物分布坐标。
当障碍物位置属于所述路径规划约束空间,且障碍物宽度大于所述宽度跨越最大值,且障碍物高度大于所述高度跨越最大值时,将该障碍物的障碍物坐标添加进所述障碍物分布坐标。
基于获得的H个障碍物坐标数据,计算获得多组相邻障碍物间隔距离,这里的间隔距离包括横向间隔距离和纵向间隔距离两种。每组相邻障碍物间隔距离对应两个存在相邻关系的障碍物。当障碍物位置属于所述路径规划约束空间,且障碍物间隔距离小于或等于所述身高特征值的身高最小值(机器人无法通过下蹲行走穿行避障),或/和小于或等于所述身宽特征值的身宽最小值时(机器人无法侧身穿行避障),将该组相邻障碍物的障碍物间隔坐标(两个相邻障碍物的障碍物坐标)添加进所述障碍物分布坐标。
基于上述障碍物分布坐标添加判断方法,最终获得有重复的若干个障碍物的障碍物坐标、障碍物高度数据和障碍物宽度数据,进一步根据障碍物坐标将重复障碍物合并,获得无重复的N个障碍物的障碍物坐标、障碍物高度数据和障碍物宽度数据,其中,N为小于H的正整数。
基于所述障碍物分布坐标在所述路径规划约束空间中进行所述多自由度性状机器人的行走路径规划,生成所述期望运动轨迹,所述多自由度机器人基于所述期望运动轨迹理论上即可实现从所述原点避开所述运动场景中的所有障碍物到达运动目标点。
具体进行路径规划,生成所述期望运动轨迹的方法如下:
应理解的,所述障碍物分布坐标包括N个障碍物的障碍物坐标,基于N个障碍物对应的障碍物高度数据和障碍物宽度数据构建N个斥力区域,所述N个斥力区域与所述障碍物分布坐标一一对应,所述N个斥力区域指的是对所述多自由度行走机器人具有排斥力的坐标区域,所述N个斥力区域为站立状态的虚拟圆柱体,虚拟圆柱体的高度对应于障碍物高度数据,虚拟圆柱体的直径对应于障碍物宽度,虚拟圆柱体的圆心为障碍物分布坐标。
根据所述N个斥力区域构建路径规划适应度函数:
其中,表征第j个路径的适应度,/>表征第j个路径的第n个斥力区域与所述多自由度行走机器人的排斥力大小,/>为预设的电荷量参数,/>为库伦常数,表征第j个路径的第n个斥力区域与所述多自由度行走机器人的距离,/>表征第j个路径的能量损耗,/>表征第j个路径的行走时长,/>、/>和/>为调节系数,用于将对应项调整至0-1之间,大于或等于0;
基于所述障碍物分布坐标,以所述路径规划约束区间为约束,生成所述原点坐标到所述运动目标点坐标之间的10条规划路径,每条规划路径都避开所述N个斥力区域。
获得每条规划路径中N个斥力区域与规划路径的N个最短距离,作为N个斥力区域与所述多自由度行走机器人的距离,根据每个规划路径的长度结合所述多自由度行走机器人性能,获得机器人在每个规划路径的能量损耗/>以及行走耗费时长/>。
重复迭代,基于所述障碍物分布坐标,以所述路径规划约束区间为约束,生成所述原点坐标到所述运动目标点坐标之间的10条规划路径,每条规划路径都避开所述N个斥力区域,并采用获得第一次迭代获得适应度最大值的规划路径添加进待筛选组相同方法,获得第二次迭代的适应度最大值的规划路径添加进待筛选组,重复迭代至预设迭代次数以使所述待筛选组内的规划路径数量大于预设数量,如迭代10次,使所述待筛选组内的规划路径数量大于预设数量10个。当所述待筛选组满足预设数量时,筛选所述待筛选组的适应度最大值的规划路径设为所述期望运动轨迹。
本实施例实现了获得时多自由度行走机器人实现从所述原点避开所述运动场景中的所有障碍物到达运动目标点,且耗费时间、耗费能源受障碍物作用力平衡最优的机器人运动轨迹的技术效果。
S300:对运动轨迹控制器关联性分析,生成控制固定误差和控制扰动误差;
在一个实施例中,对运动轨迹控制器关联性分析,生成控制固定误差和控制扰动误差,本申请提供的方法步骤S300还包括:
S310:根据运动轨迹控制器型号信息采集运动轨迹控制记录数据,其中,所述运动轨迹控制记录数据多个干扰场环境和多个误差记录数据;
S320:从所述多个干扰场环境中筛选符合预设干扰场环境的所述多个误差记录数据进行频繁性挖掘,生成第一误差记录值列表,其中,第一误差记录值的记录频率大于或等于第一预设频率;
S330:根据所述第一误差记录值的记录频率对所述第一误差记录值进行权重分布,根据第一权重分布结果对所述第一误差记录值列表求取均值,设为所述控制固定误差;
S340:所述运动场景基础信息还包括干扰场环境监测信息,将所述干扰场环境监测信息与所述多个干扰场环境进行比对,获取与所述干扰场环境监测信息偏差小于或等于设定环境偏差值的多个误差记录数据;
S350:根据所述控制固定误差对所述多个误差记录数据的误差记录值进行拟合并进行频繁性挖掘,生成第二误差记录值列表,其中,第二误差记录值的记录频率大于或等于第二预设频率;
S360:根据所述第二误差记录值的记录频率对所述第二误差记录值进行权重分布,根据第二权重分布结果对所述第二误差记录值列表求取均值,设为所述控制扰动误差。
具体而言,应理解的,基于步骤S100可知,所述运动轨迹控制器的控制对象为多自由度行走机器人,多自由度行走机器人拥有多条腿部,每条腿部由多个传动节点和传动杆组成,所述运动轨迹控制器直接控制多条腿的多个第一传动节点,然后基于第一传动节点基于发送控制信号(操作杆控制参数)控制第二传动节点,第二传动节点基于发送控制信号控制第三传动节点直至第i-1传动节点基于发送控制信号控制第i传动节点,基于间接控制实现多自由度行走机器人腿部动作的连贯性。
通过所述运动轨迹控制器直接或间接控制多自由度行走机器人各个传动操作节点的运动和力量来间接控制传动操作杆的运动,实现对于机器人运动轨迹的控制。
因而本实施例进一步对所述运动轨迹控制器进行控制误差情况分析,以排除运动轨迹控制器自身控制误差以及环境电磁干扰等外部因素造成所述多自由度行走机器人无法按照所述期望运动轨迹运动的风险。
具体而言,获得本实施例中用于控制所述多自由度行走机器人的所述运动轨迹控制器的型号信息,从而基于大数据或多***机器人服务商处采集获得同型号的运动轨迹控制器的运动轨迹控制记录数据。
所述运动轨迹控制记录数据为与所述运动轨迹控制器型号相同的多个样本运动轨迹控制器在不同干扰场测试场景中进行多自由度行走机器人运动轨迹控制的多组干扰场环境-误差记录数据。
所述误差记录数据的产生原因为传动节点基于发送控制信号时,传动节点自身信号收发稳定性不足或者传动节点受环境干扰场影响,导致下一传动节点接收不完整数据或数据延迟,造成操作杆控制参数和操作杆实际参数的数据偏差。所述误差记录数据为运动轨迹控制器设定的操作杆控制参数与操作杆实际参数存在偏差的具体偏差数据。
所述干扰场环境为测试场景中的电磁干扰情况,由干扰场类型以及干扰强度数据组成。例如所述干扰场环境的干扰场类型为电场干扰,干扰强度为67V/m电场强度;干扰场类型为磁场干扰,干扰强度为26A/m磁场强度。
预设干扰场环境,所述干扰场环境包括多类型干扰场的干扰强度对处于干扰场环境中的运动轨迹控制器的控制信号收发功能干扰作用可以忽略不计的干扰强度数值。例如电场强度小于等于50V/m,磁场强度小于等于10A/m,感应电压小于等于1mV。
以所述预设干扰场环境为筛选基准,从所述多个干扰场环境-误差记录数据中,筛选符合预设干扰场环境的多个干扰场环境-误差记录数据,符合预设干扰场环境的所述多个误差记录数据为运动轨迹控制器对传动节点直接或间接传递信号时,自身信号传输稳定性问题产生的误差数据,用于后续对运动轨迹控制器进行关联性分析,生成所述控制固定误差。
确定所述控制固定误差的具体方法如下,基于所述频繁性挖掘的数据挖掘手段,以所述预设干扰场环境为数据挖掘基准,基于大数据或友商数据库,挖掘获得多个干扰场环境-控制参数记录数据,所述控制参数记录数据由操作杆控制参数与操作杆实际参数构成,当操作杆控制参数与操作杆实际参数不同时,则该组控制参数记录数据为误差记录数据。
设定所述第一预设频率,所述第一预设频率为所获多个干扰场环境-控制参数记录数据中控制参数记录数据属于误差记录数据的频率。持续不断进行频繁性挖掘,直至所获多个干扰场环境-控制参数记录数据中控制参数记录数据属于误差记录数据的频率满足所述第一预设频率时,停止频繁性挖掘。
基于频繁性挖掘获得的数据生成第一误差记录值列表,在第一误差记录值列表中,第一误差记录值的记录频率为操作杆控制参数与操作杆实际参数不同对应的干扰场环境-控制参数记录数据,所述第一误差记录值的记录频率大于或等于第一预设频率。
获得基于频繁性挖掘获得的干扰场环境-控制参数记录数据总计组数,作为所述第一误差记录值。根据所述第一误差记录值的记录频率对所述第一误差记录值进行权重计算,获得权重分布结果,所述权重分布结果为记录频率占所述第一误差记录值的占比。
对所述第一误差记录值列表中的操作杆控制参数与操作杆实际参数逐一进行参数误差计算并进行均值计算,将均值计算结果和所述第一权重分布结果的乘积设为所述控制固定误差,所述控制固定误差为运动轨迹控制器的自身信号收发稳定性不足导致下一传动节点接收不完整数据或数据延迟的误差。
以所述预设干扰场环境为筛选基准,从所述多个干扰场环境-误差记录数据中,筛选不符合预设干扰场环境的多个干扰场环境-误差记录数据,这部分数据为运动轨迹控制器受所处环境干扰场作用造成信号传输稳定性缺陷而产生的误差数据,用于后续对运动轨迹控制器进行关联性分析,生成所述控制扰动误差。
在本实施例中,所述运动场景基础信息还包括干扰场环境监测信息,所述干扰场环境监测信息为当前多自由度行走机器人所处干扰场的类型和干扰强度值。将所述干扰场环境监测信息与筛选后获得的所述多个干扰场环境进行比对,获取与所述干扰场环境监测信息偏差小于或等于设定环境偏差值的多个干扰场环境-误差记录数据;
根据所述控制固定误差对所述多个误差记录数据的误差记录值进行拟合,采用获得第一误差记录值列表相同方法进行频繁性挖掘,生成第二误差记录值列表,其中,第二误差记录值的记录频率大于或等于第二预设频率,所述第二预设频率与所述第一预设频率含义一致,次序仅做区分。
根据所述第二误差记录值的记录频率对所述第二误差记录值进行权重分布,根据第二权重分布结果对所述第二误差记录值列表求取均值,设为所述控制扰动误差,所述控制扰动误差为当前多自由度行走机器人所处干扰场环境对于多自由度行走机器人的运动轨迹控制器的控制信号传递稳定性造成的干扰误差。
本实施例通过获得反映运动轨迹控制器信号传递稳定性状况的自身性能控制固定误差和外界环境控制扰动误差,为后续进行多自由度行走机器人运行轨迹补偿修正,以使多自由度行走机器人按照预设轨迹行走提供误差补偿参考的技术效果。
S400:对多自由度行走机器人进行传动误差分析,获取关节传动误差;
在一个实施例中,对多自由度行走机器人进行传动误差分析,获取关节传动误差,本申请提供的方法步骤S400还包括:
S410:获取所述多自由度行走机器人的多组传动记录数据,所述多组传动记录数据包括多个第一操作杆传动参数记录数据、多个第二操作杆传动参数记录数据直到多个第i操作杆传动参数记录数据;
S420:根据所述多个第一操作杆传动参数记录数据、所述多个第二操作杆传动参数记录数据直到所述多个第i操作杆传动参数记录数据,构建第i操作杆传动预测模型;
S430:所述轨迹控制参数第一补偿结果包括第一操作杆的第y时刻传动参数,输入所述第i操作杆传动预测模型,获取第i操作杆第y时刻预测传动参数;
S440:将所述第i操作杆第y时刻预测传动参数与第i操作杆第y时刻目标传动参数进行偏差分析,获取所述关节传动误差。
在一个实施例中,根据所述多个第一操作杆传动参数记录数据、所述多个第二操作杆传动参数记录数据直到所述多个第i操作杆传动参数记录数据,构建第i操作杆传动预测模型,本申请提供的方法步骤S420还包括:
S421:根据所述多个第一操作杆传动参数记录数据和所述多个第二操作杆传动参数记录数据,基于均方误差损失函数,对BP神经网络进行训练,生成第二操作杆传动预测层;
S422:直到根据多个第i-1操作杆传动参数记录数据和所述多个第i操作杆传动参数记录数据,基于均方误差损失函数,对BP神经网络进行训练,生成第i操作杆传动预测层;
S423:将所述第二操作杆传动预测层的输出节点和第三操作杆传动预测层的输入节点合并;
S424:直到将第i-1操作杆传动预测层的输出节点和所述第i操作杆传动预测层的输入节点合并,生成所述第i操作杆传动预测模型。
具体而言,基于步骤S200可知,在本实施例中,所述多自由度行走机器人具有多条“腿”,每条“腿”由i个传动操作杆以及连接传动操作杆的i个传动节点组成相邻传动操作杆之间由转动节点连接,所述多自由度行走机器人的全部传动节点由所述运动轨迹控制器设定控制参数控制,以实现对于多个传动操作杆的控制。
同时,应理解的,多自由度行走机器人每条腿的最传动终点操作杆(第i操作杆)的末端具有模拟生物“脚”的行走支撑点。一个多自由度行走机器人有多条腿,既就是有多组i个传动操作杆-i个传动节点,每组i个传动操作杆-i个传动节点具体为第一传动节点(和多自度行走机器人机身相连的连接点)-第一操作杆、第二传动节点-第二操作杆……第i传动节点-第i操作杆(第i操作杆末端是行走支撑点)。
获取所述多自由度行走机器人的多组传动记录数据,所述多组传动记录数据包括多个第一操作杆传动参数记录数据、多个第二操作杆传动参数记录数据直到多个第i操作杆传动参数记录数据,每组传动记录数据对应多自由度行走机器人的一条“腿”上i个传动节点的控制参数,具体包括表征第一传动节点控制参数的第一操作杆传动参数记录数据,对应于第二传动节点控制参数的第二操作杆传动参数记录数据直到对应于第i传动节点的第i操作杆传动参数记录数据。
多自由度行走机器人拥有多条腿部,每条腿部由多个传动节点和传动杆组成,所述运动轨迹控制器直接控制多条腿的多个第一传动节点,然后基于第一传动节点基于发送控制信号(操作杆控制参数)控制第二传动节点,第二传动节点基于发送控制信号控制第三传动节点直至第i-1传动节点基于发送控制信号控制第i传动节点,基于所述运动轨迹控制器间接控制实现多自由度行走机器人腿部动作的连贯性。
传动节点间基于控制信号发送的操作杆控制参数与操作杆传动参数记录数据存在偏差,本实施例基于每组传动记录数据之间存在关联关系,构建i-1个操作杆传动预测层,所述操作杆传动预测层用于根据前一操作杆传动参数预测后一操作杆传动参数。
具体的,本实施例根据所述多个第一操作杆传动参数记录数据、所述多个第二操作杆传动参数记录数据直到所述多个第i操作杆传动参数记录数据,构建i个操作杆传动预测层,在i个操作杆传动预测层中,第一操作杆传动预测层用于根据多自由度行走机器人直接控制第一操作杆的操作杆控制参数,预测第一操作杆传动参数,第二操作杆传动预测层以第一操作杆传动预测层的输出结果作为输入数据进行分析以预测第二操作杆传动参数,以此类推,除了第一操作杆传动预测层,剩余的i-1个操作杆传动预测层以前一操作杆传动预测层的输出数据作为模型输入数据进行操作杆传动参数。i个操作杆传动预测层按照次序排列连接完成所述第i操作杆传动预测模型的构建。
在本实施例中i个操作杆传动预测层的构建方法具有一致性,因而本实施例以第二操作杆传动预测层构建方法为例,进行i个操作杆传动预测层的构建方法的阐述。
获得与所述多自由度行走机器人同型号的多个样本多自由度行走机器人,在标准环境(无干扰场影响)下的多个样本第一操作杆传动参数记录数据、多个样本多个第二操作杆传动参数记录数据直到多个样本第i操作杆传动参数记录数据。
基于BP神经网络构建第二操作杆传动预测层,第二操作杆传动预测层的输入数据为第一操作杆传动预测层输出的第一操作杆传动预测数据,输出数据为第二操作杆传动预测数据。
基于样本数据提取多个样本第一操作杆传动参数记录数据、多个样本多个第二操作杆传动参数记录数据作为训练数据,对训练数据进行标识划分,获得训练集和测试集。
基于训练集进行第二操作杆传动预测层的模型训练,基于测试集进行第二操作杆传动预测层输出结果准确性验证,基于测试集进行输出结果准确性验证的方法如下:
将m个样本第一操作杆传动参数记录数据作为输入数据输入训练一定时间的第二操作杆传动预测层,获得m个第二操作杆传动参数预测数据,将m个第二操作杆传动参数预测数据和对应于输入数据的m个样本第二操作杆传动参数记录数据,基于均方误差损失函数计算误差值,根据误差值判断模型是否收敛。
所述均方误差损失函数具体函数公式如下:
设定MSE最小值,当任意m组训练数据的输出误差小于或等于MSE最小值时,使用多组验证数据验证,当全部输出误差都小于或等于MSE最小值时,模型收敛。
在本实施例中,为样本第一操作杆传动参数记录数据,/>为第二操作杆传动参数预测数据,m为样本数据组数,多组验证数据验证为将测试集拆分为多组测试验证数据。当当全部输出误差都小于或等于MSE最小值时,认为第二操作杆传动预测层实现模型收敛,第二操作杆传动预测层训练合格。采用训练构建第二操作杆传动预测层相同方法进行i个操作杆传动预测层的训练构建。
将所述第二操作杆传动预测层的输出节点和第三操作杆传动预测层的输入节点合并,以使前一预测层输出结果成为后一预测层输入数据,直到将第i-1操作杆传动预测层的输出节点和所述第i操作杆传动预测层的输入节点合并,生成所述第i操作杆传动预测模型。
基于所述第i操作杆传动预测模型,输入当前多自由度行走机器人第一操作杆的在第y时刻的传动参数,即可分析获得第i操作杆在第y时刻预测传动参数,将所述第i操作杆第y时刻预测传动参数与第i操作杆第y时刻目标传动参数进行偏差分析,即可获得当前多自由行走机器人的所述关节传动误差。所述关节传动误差反映了多自由度行走机器人机械设备本身传动过程的偏差情况。
本实施例通过分析确定多自由行走机器人自身机械设备进行动作传动时的关节传动误差,实现了为后续进行多自由度行走机器人运行轨迹补偿修正,以使多自由度行走机器人按照预设轨迹行走提供误差补偿参考的技术效果。
S500:根据所述期望运动轨迹在运动轨迹控制器中匹配零误差轨迹控制参数,根据所述控制固定误差、所述控制扰动误差对所述零误差轨迹控制参数进行误差补偿,生成轨迹控制参数第一补偿结果;
具体而言,在本实施例中,所述零误差轨迹控制参数为完全理想状态下,控制所述多自由度行走机器人在步骤S100的基础场景中,实现案子所述期望运动轨迹行走的运动轨迹控制器向多个传动节点发送的轨迹控制参数集合。所述零误差轨迹控制参数可直接基于所述期望运动轨迹获得并设定于所述运动轨迹控制器。
本实施例在获得所述零误差轨迹控制参数的基础上,将所述控制固定误差和所述控制扰动误差对所述零误差轨迹控制参数中的多项控制参数进行数值计算完成误差补偿,生成轨迹控制参数第一补偿结果。
例如某项零误差轨迹控制参数为30°,所述控制固定误差为0.07,所述控制扰动误差为-0.023,则误差补偿计算方法为30X(1+0.07-0.023)=31.41°。
所述轨迹控制参数第一补偿结果为与所述零误差轨迹控制参数的控制参数指标一致,数值存在差异的轨迹控制参数集合。
S600:根据所述关节传动误差对所述轨迹控制参数第一补偿结果进行误差补偿,生成轨迹控制参数第二补偿结果;
S700:根据所述轨迹控制参数第二补偿结果对所述多自由度机器人进行补偿控制。
在本实施例中,采用基于所述控制固定误差和所述控制扰动误差对所述零误差轨迹控制参数中的多项控制参数进行数值计算完成误差补偿,生成轨迹控制参数第一补偿结果相同方法,基于所述根据所述关节传动误差对所述轨迹控制参数第一补偿结果进行误差补偿,生成轨迹控制参数第二补偿结果,根据所述轨迹控制参数第二补偿结果对所述多自由度机器人进行补偿控制。
本实施例通过分析多自由度行走机器人自身控制信号传输性能,多自由度行走机器人对于外界干扰场信号干扰作用的抵御性能以及多自由度行走机器人自身设备对于控制参数的执行准确度,获得控制固定误差、控制扰动误差以及关节传动误差,基于控制固定误差、控制扰动误差以及关节传动误差对于零误差轨迹控制参数进行调整优化,实现了提高对多自由度机器人的控制精确度,实现多自由度行走机器人的运动轨迹符合预设运动轨迹,从而提高多自由度行走机器人使用场景广泛性的技术效果。
在一个实施例中,如图3所示,提供了一种机器人运动轨迹的补偿控制***,包括:基础信息获得模块1,路径规划执行模块2,控制误差分析模块3,传动误差分析模块4,误差补偿执行模块5,补偿结果生成模块6,补偿控制执行模块7,其中:
基础信息获得模块1,用于获取运动场景基础信息,所述运动场景基础信息包括运动目标点坐标和机器人质点坐标;
路径规划执行模块2,用于根据所述运动目标点坐标和所述机器人质点坐标进行路径规划,生成期望运动轨迹;
控制误差分析模块3,用于对运动轨迹控制器关联性分析,生成控制固定误差和控制扰动误差;
传动误差分析模块4,用于对多自由度行走机器人进行传动误差分析,获取关节传动误差;
误差补偿执行模块5,用于根据所述期望运动轨迹在运动轨迹控制器中匹配零误差轨迹控制参数,根据所述控制固定误差、所述控制扰动误差对所述零误差轨迹控制参数进行误差补偿,生成轨迹控制参数第一补偿结果;
补偿结果生成模块6,用于根据所述关节传动误差对所述轨迹控制参数第一补偿结果进行误差补偿,生成轨迹控制参数第二补偿结果;
补偿控制执行模块7,用于根据所述轨迹控制参数第二补偿结果对所述多自由度机器人进行补偿控制。
在一个实施例中,所述***还包括:
质点坐标获得单元,用于所述机器人质点坐标为所述多自由度行走机器人的第i操作杆末端坐标,其中,第i操作杆为多自由度机器人的传动终点操作杆;
网格坐标构建单元,用于以所述第i操作杆末端坐标为原点,构建空间网格坐标系;
运动轨迹生成单元,用于获取所述空间网格坐标系中的原点坐标到所述运动目标点坐标之间的障碍物分布坐标进行路径规划,生成所述期望运动轨迹。
在一个实施例中,所述***还包括:
机器极限获得单元,用于获取所述多自由度行走机器人的高度跨越最大值、宽度跨越最大值、身高特征值和身宽特征值;
运动区域构建单元,用于根据所述原点坐标到所述运动目标点坐标构建目标运动区域,包括,
运动区域生成单元,用于以原点坐标所属水平面为第一水平面,以所述多自由度行走机器人的身高特征值的身高最大值的两倍所属水平面为第二水平面,在所述原点坐标的负向预设距离处构建第一垂直面,在所述运动目标点坐标的正向预设距离处构建第二垂直面,以所述原点坐标到所述运动目标点坐标方向为正;
约束空间生成单元,用于根据所述第一水平面、所述第二水平面、所述第一垂直面和所述第二垂直面,构建路径规划约束空间;
障碍坐标筛选单元,用于根据所述高度跨越最大值和所述宽度跨越最大值对所述空间网格坐标系的所述路径规划约束空间,筛选所述障碍物分布坐标:
障碍坐标添加单元,用于当障碍物位置属于所述路径规划约束空间,且障碍物高度大于所述高度跨越最大值,添加进所述障碍物分布坐标;
障碍坐标识别单元,用于当障碍物位置属于所述路径规划约束空间,且障碍物宽度大于所述宽度跨越最大值,添加进所述障碍物分布坐标;
障碍坐标新增单元,用于当障碍物位置属于所述路径规划约束空间,且障碍物宽度大于所述宽度跨越最大值,且障碍物高度大于所述高度跨越最大值,添加进所述障碍物分布坐标;
间隔坐标处理单元,用于当障碍物位置属于所述路径规划约束空间,且障碍物间隔距离小于或等于所述身高特征值的身高最小值,或/和小于或等于所述身宽特征值的身宽最小值,将障碍物间隔坐标添加进所述障碍物分布坐标。
在一个实施例中,所述***还包括:
斥力区域构建单元,用于遍历所述障碍物分布坐标,构建N个斥力区域,所述N个斥力区域指的是对所述多自由度行走机器人具有排斥力的坐标区域,且所述N个斥力区域与所述障碍物分布坐标一一对应;
适应度函数构建单元,用于根据所述N个斥力区域构建路径规划适应度函数:
其中,表征第j个路径的适应度,/>表征第j个路径的第n个斥力区域与所述多自由度行走机器人的排斥力大小,/>为预设的电荷量参数,/>为库伦常数,表征第j个路径的第n个斥力区域与所述多自由度行走机器人的距离,/>表征第j个路径的能量损耗,/>表征第j个路径的行走时长,/>、/>和/>为调节系数,用于将对应项调整至0-1之间,大于或等于0;
规划路径生成单元,用于基于所述障碍物分布坐标,生成所述原点坐标到所述运动目标点坐标之间的多条规划路径;
适应度分析单元,用于根据所述路径规划适应度函数对所述多条规划路径进行适应度分析,获取多个适应度输出值;
规划路径筛选单元,用于从所述多个适应度输出值中筛选适应度最大值的规划路径添加进待筛选组;
筛选结果迭代单元,用于重复迭代,当所述待筛选组满足预设数量时,筛选所述待筛选组的适应度最大值的规划路径设为所述期望运动轨迹。
在一个实施例中,所述***还包括:
记录数据采集单元,用于根据运动轨迹控制器型号信息采集运动轨迹控制记录数据,其中,所述运动轨迹控制记录数据多个干扰场环境和多个误差记录数据;
误差记录挖掘单元,用于从所述多个干扰场环境中筛选符合预设干扰场环境的所述多个误差记录数据进行频繁性挖掘,生成第一误差记录值列表,其中,第一误差记录值的记录频率大于或等于第一预设频率;
固定误差获得单元,用于根据所述第一误差记录值的记录频率对所述第一误差记录值进行权重分布,根据第一权重分布结果对所述第一误差记录值列表求取均值,设为所述控制固定误差;
误差记录筛选单元,用于所述运动场景基础信息还包括干扰场环境监测信息,将所述干扰场环境监测信息与所述多个干扰场环境进行比对,获取与所述干扰场环境监测信息偏差小于或等于设定环境偏差值的多个误差记录数据;
误差记录挖掘单元,用于根据所述控制固定误差对所述多个误差记录数据的误差记录值进行拟合并进行频繁性挖掘,生成第二误差记录值列表,其中,第二误差记录值的记录频率大于或等于第二预设频率;
扰动误差生成单元,用于根据所述第二误差记录值的记录频率对所述第二误差记录值进行权重分布,根据第二权重分布结果对所述第二误差记录值列表求取均值,设为所述控制扰动误差。
在一个实施例中,所述***还包括:
记录数据提取单元,用于获取所述多自由度行走机器人的多组传动记录数据,所述多组传动记录数据包括多个第一操作杆传动参数记录数据、多个第二操作杆传动参数记录数据直到多个第i操作杆传动参数记录数据;
预测模型构建单元,用于根据所述多个第一操作杆传动参数记录数据、所述多个第二操作杆传动参数记录数据直到所述多个第i操作杆传动参数记录数据,构建第i操作杆传动预测模型;
预测模型优化单元,用于所述轨迹控制参数第一补偿结果包括第一操作杆的第y时刻传动参数,输入所述第i操作杆传动预测模型,获取第i操作杆第y时刻预测传动参数;
传动误差获得单元,用于将所述第i操作杆第y时刻预测传动参数与第i操作杆第y时刻目标传动参数进行偏差分析,获取所述关节传动误差。
在一个实施例中,所述***还包括:
操作预测输出单元,用于根据所述多个第一操作杆传动参数记录数据和所述多个第二操作杆传动参数记录数据,基于均方误差损失函数,对BP神经网络进行训练,生成第二操作杆传动预测层;
操作预测构建单元,用于直到根据多个第i-1操作杆传动参数记录数据和所述多个第i操作杆传动参数记录数据,基于均方误差损失函数,对BP神经网络进行训练,生成第i操作杆传动预测层;
节点合并执行单元,用于将所述第二操作杆传动预测层的输出节点和第三操作杆传动预测层的输入节点合并;
预测模型输出单元,用于直到将第i-1操作杆传动预测层的输出节点和所述第i操作杆传动预测层的输入节点合并,生成所述第i操作杆传动预测模型。
关于一种机器人运动轨迹的补偿控制***的具体实施例可以参见上文中对于一种机器人运动轨迹的补偿控制方法的实施例,在此不再赘述。上述一种机器人运动轨迹的补偿控制***中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图4所示。该计算机设备包括通过***总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储新闻数据以及时间衰减因子等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种机器人运动轨迹的补偿控制方法。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机可读存储介质,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:获取运动场景基础信息,所述运动场景基础信息包括运动目标点坐标和机器人质点坐标;根据所述运动目标点坐标和所述机器人质点坐标进行路径规划,生成期望运动轨迹;对运动轨迹控制器关联性分析,生成控制固定误差和控制扰动误差;以及对多自由度行走机器人进行传动误差分析,获取关节传动误差;根据所述期望运动轨迹在运动轨迹控制器中匹配零误差轨迹控制参数,根据所述控制固定误差、所述控制扰动误差对所述零误差轨迹控制参数进行误差补偿,生成轨迹控制参数第一补偿结果;根据所述关节传动误差对所述轨迹控制参数第一补偿结果进行误差补偿,生成轨迹控制参数第二补偿结果;根据所述轨迹控制参数第二补偿结果对所述多自由度机器人进行补偿控制。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种机器人运动轨迹的补偿控制方法,其特征在于,应用于运动轨迹控制器,所述运动轨迹控制器用于控制多自由度行走机器人,包括:
获取运动场景基础信息,所述运动场景基础信息包括运动目标点坐标和机器人质点坐标;
根据所述运动目标点坐标和所述机器人质点坐标进行路径规划,生成期望运动轨迹;
对运动轨迹控制器关联性分析,生成控制固定误差和控制扰动误差;以及
对多自由度行走机器人进行传动误差分析,获取关节传动误差;
根据所述期望运动轨迹在运动轨迹控制器中匹配零误差轨迹控制参数,根据所述控制固定误差、所述控制扰动误差对所述零误差轨迹控制参数进行误差补偿,生成轨迹控制参数第一补偿结果;
根据所述关节传动误差对所述轨迹控制参数第一补偿结果进行误差补偿,生成轨迹控制参数第二补偿结果;
根据所述轨迹控制参数第二补偿结果对所述多自由度机器人进行补偿控制。
2.如权利要求1所述的方法,其特征在于,根据所述运动目标点坐标和所述机器人质点坐标进行路径规划,生成期望运动轨迹,包括:
所述机器人质点坐标为所述多自由度行走机器人的第i操作杆末端坐标,其中,第i操作杆为多自由度机器人的传动终点操作杆;
以所述第i操作杆末端坐标为原点,构建空间网格坐标系;
获取所述空间网格坐标系中的原点坐标到所述运动目标点坐标之间的障碍物分布坐标进行路径规划,生成所述期望运动轨迹。
3.如权利要求2所述的方法,其特征在于,获取所述空间网格坐标系中的原点坐标到所述运动目标点坐标之间的障碍物分布坐标进行路径规划,生成所述期望运动轨迹,包括:
获取所述多自由度行走机器人的高度跨越最大值、宽度跨越最大值、身高特征值和身宽特征值;
根据所述原点坐标到所述运动目标点坐标构建目标运动区域,包括,
以原点坐标所属水平面为第一水平面,以所述多自由度行走机器人的身高特征值的身高最大值的两倍所属水平面为第二水平面,在所述原点坐标的负向预设距离处构建第一垂直面,在所述运动目标点坐标的正向预设距离处构建第二垂直面,以所述原点坐标到所述运动目标点坐标方向为正;
根据所述第一水平面、所述第二水平面、所述第一垂直面和所述第二垂直面,构建路径规划约束空间;
根据所述高度跨越最大值和所述宽度跨越最大值对所述空间网格坐标系的所述路径规划约束空间,筛选所述障碍物分布坐标:
当障碍物位置属于所述路径规划约束空间,且障碍物高度大于所述高度跨越最大值,添加进所述障碍物分布坐标;
当障碍物位置属于所述路径规划约束空间,且障碍物宽度大于所述宽度跨越最大值,添加进所述障碍物分布坐标;
当障碍物位置属于所述路径规划约束空间,且障碍物宽度大于所述宽度跨越最大值,且障碍物高度大于所述高度跨越最大值,添加进所述障碍物分布坐标;
当障碍物位置属于所述路径规划约束空间,且障碍物间隔距离小于或等于所述身高特征值的身高最小值,或/和小于或等于所述身宽特征值的身宽最小值,将障碍物间隔坐标添加进所述障碍物分布坐标。
4.如权利要求2所述的方法,其特征在于,获取所述空间网格坐标系中的原点坐标到所述运动目标点坐标之间的障碍物分布坐标进行路径规划,生成所述期望运动轨迹,包括:
遍历所述障碍物分布坐标,构建N个斥力区域,所述N个斥力区域指的是对所述多自由度行走机器人具有排斥力的坐标区域,且所述N个斥力区域与所述障碍物分布坐标一一对应;
根据所述N个斥力区域构建路径规划适应度函数:
其中,表征第j个路径的适应度,/>表征第j个路径的第n个斥力区域与所述多自由度行走机器人的排斥力大小,/>为预设的电荷量参数,/>为库伦常数,/>表征第j个路径的第n个斥力区域与所述多自由度行走机器人的距离,/>表征第j个路径的能量损耗,/>表征第j个路径的行走时长,/>、/>和/>为调节系数,用于将对应项调整至0-1之间,大于或等于0;
基于所述障碍物分布坐标,生成所述原点坐标到所述运动目标点坐标之间的多条规划路径;
根据所述路径规划适应度函数对所述多条规划路径进行适应度分析,获取多个适应度输出值;
从所述多个适应度输出值中筛选适应度最大值的规划路径添加进待筛选组;
重复迭代,当所述待筛选组满足预设数量时,筛选所述待筛选组的适应度最大值的规划路径设为所述期望运动轨迹。
5.如权利要求1所述的方法,其特征在于,对运动轨迹控制器关联性分析,生成控制固定误差和控制扰动误差,包括:
根据运动轨迹控制器型号信息采集运动轨迹控制记录数据,其中,所述运动轨迹控制记录数据多个干扰场环境和多个误差记录数据;
从所述多个干扰场环境中筛选符合预设干扰场环境的所述多个误差记录数据进行频繁性挖掘,生成第一误差记录值列表,其中,第一误差记录值的记录频率大于或等于第一预设频率;
根据所述第一误差记录值的记录频率对所述第一误差记录值进行权重分布,根据第一权重分布结果对所述第一误差记录值列表求取均值,设为所述控制固定误差;
所述运动场景基础信息还包括干扰场环境监测信息,将所述干扰场环境监测信息与所述多个干扰场环境进行比对,获取与所述干扰场环境监测信息偏差小于或等于设定环境偏差值的多个误差记录数据;
根据所述控制固定误差对所述多个误差记录数据的误差记录值进行拟合并进行频繁性挖掘,生成第二误差记录值列表,其中,第二误差记录值的记录频率大于或等于第二预设频率;
根据所述第二误差记录值的记录频率对所述第二误差记录值进行权重分布,根据第二权重分布结果对所述第二误差记录值列表求取均值,设为所述控制扰动误差。
6.如权利要求1所述的方法,其特征在于,对多自由度行走机器人进行传动误差分析,获取关节传动误差,包括:
获取所述多自由度行走机器人的多组传动记录数据,所述多组传动记录数据包括多个第一操作杆传动参数记录数据、多个第二操作杆传动参数记录数据直到多个第i操作杆传动参数记录数据;
根据所述多个第一操作杆传动参数记录数据、所述多个第二操作杆传动参数记录数据直到所述多个第i操作杆传动参数记录数据,构建第i操作杆传动预测模型;
所述轨迹控制参数第一补偿结果包括第一操作杆的第y时刻传动参数,输入所述第i操作杆传动预测模型,获取第i操作杆第y时刻预测传动参数;
将所述第i操作杆第y时刻预测传动参数与第i操作杆第y时刻目标传动参数进行偏差分析,获取所述关节传动误差。
7.如权利要求6所述的方法,其特征在于,根据所述多个第一操作杆传动参数记录数据、所述多个第二操作杆传动参数记录数据直到所述多个第i操作杆传动参数记录数据,构建第i操作杆传动预测模型,包括:
根据所述多个第一操作杆传动参数记录数据和所述多个第二操作杆传动参数记录数据,基于均方误差损失函数,对BP神经网络进行训练,生成第二操作杆传动预测层;
直到根据多个第i-1操作杆传动参数记录数据和所述多个第i操作杆传动参数记录数据,基于均方误差损失函数,对BP神经网络进行训练,生成第i操作杆传动预测层;
将所述第二操作杆传动预测层的输出节点和第三操作杆传动预测层的输入节点合并;
直到将第i-1操作杆传动预测层的输出节点和所述第i操作杆传动预测层的输入节点合并,生成所述第i操作杆传动预测模型。
8.一种机器人运动轨迹的补偿控制***,其特征在于,所述***包括:
基础信息获得模块,用于获取运动场景基础信息,所述运动场景基础信息包括运动目标点坐标和机器人质点坐标;
路径规划执行模块,用于根据所述运动目标点坐标和所述机器人质点坐标进行路径规划,生成期望运动轨迹;
控制误差分析模块,用于对运动轨迹控制器关联性分析,生成控制固定误差和控制扰动误差;
传动误差分析模块,用于对多自由度行走机器人进行传动误差分析,获取关节传动误差;
误差补偿执行模块,用于根据所述期望运动轨迹在运动轨迹控制器中匹配零误差轨迹控制参数,根据所述控制固定误差、所述控制扰动误差对所述零误差轨迹控制参数进行误差补偿,生成轨迹控制参数第一补偿结果;
补偿结果生成模块,用于根据所述关节传动误差对所述轨迹控制参数第一补偿结果进行误差补偿,生成轨迹控制参数第二补偿结果;
补偿控制执行模块,用于根据所述轨迹控制参数第二补偿结果对所述多自由度机器人进行补偿控制。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310512060.0A CN116214526B (zh) | 2023-05-09 | 2023-05-09 | 一种机器人运动轨迹的补偿控制方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310512060.0A CN116214526B (zh) | 2023-05-09 | 2023-05-09 | 一种机器人运动轨迹的补偿控制方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116214526A true CN116214526A (zh) | 2023-06-06 |
CN116214526B CN116214526B (zh) | 2023-08-04 |
Family
ID=86589556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310512060.0A Active CN116214526B (zh) | 2023-05-09 | 2023-05-09 | 一种机器人运动轨迹的补偿控制方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116214526B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116929373A (zh) * | 2023-09-15 | 2023-10-24 | 江苏宁昆机器人智能科技有限公司 | 一种消防侦察机器人的路径生成方法及*** |
CN118151541A (zh) * | 2024-05-09 | 2024-06-07 | 合力(天津)能源科技股份有限公司 | 一种提升三轴桁架坐标运移精度的控制方法及*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5579444A (en) * | 1987-08-28 | 1996-11-26 | Axiom Bildverarbeitungssysteme Gmbh | Adaptive vision-based controller |
CN1340814A (zh) * | 2000-08-26 | 2002-03-20 | 三星电子株式会社 | 补偿扰动的装置和方法及其驱动伺服*** |
CN103368921A (zh) * | 2012-04-06 | 2013-10-23 | 三星电子(中国)研发中心 | 用于智能设备的分布式用户建模***和方法 |
CN107330085A (zh) * | 2017-07-03 | 2017-11-07 | 上海世脉信息科技有限公司 | 大数据环境下固定传感器错误位置的判断识别和矫正方法 |
CN110058570A (zh) * | 2018-01-18 | 2019-07-26 | 佳能株式会社 | 信息处理装置和显示装置的控制方法 |
CN110871434A (zh) * | 2019-11-25 | 2020-03-10 | 清华大学 | 一种并联加工装备的运动学标定方法 |
CN111300406A (zh) * | 2020-01-17 | 2020-06-19 | 浙江理工大学 | 基于运动学分析的工业机器人轨迹精度补偿***和方法 |
CN111941432A (zh) * | 2020-09-28 | 2020-11-17 | 南京工业大学 | 一种高性能机械臂人工智能输出反馈控制方法 |
CN113910218A (zh) * | 2021-05-12 | 2022-01-11 | 华中科技大学 | 基于运动学与深度神经网络融合的机器人标定方法和装置 |
CN114029961A (zh) * | 2021-12-16 | 2022-02-11 | 滁州学院 | 一种机械臂高精度传动的机器人控制方法及*** |
-
2023
- 2023-05-09 CN CN202310512060.0A patent/CN116214526B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5579444A (en) * | 1987-08-28 | 1996-11-26 | Axiom Bildverarbeitungssysteme Gmbh | Adaptive vision-based controller |
CN1340814A (zh) * | 2000-08-26 | 2002-03-20 | 三星电子株式会社 | 补偿扰动的装置和方法及其驱动伺服*** |
CN103368921A (zh) * | 2012-04-06 | 2013-10-23 | 三星电子(中国)研发中心 | 用于智能设备的分布式用户建模***和方法 |
CN107330085A (zh) * | 2017-07-03 | 2017-11-07 | 上海世脉信息科技有限公司 | 大数据环境下固定传感器错误位置的判断识别和矫正方法 |
CN110058570A (zh) * | 2018-01-18 | 2019-07-26 | 佳能株式会社 | 信息处理装置和显示装置的控制方法 |
CN110871434A (zh) * | 2019-11-25 | 2020-03-10 | 清华大学 | 一种并联加工装备的运动学标定方法 |
CN111300406A (zh) * | 2020-01-17 | 2020-06-19 | 浙江理工大学 | 基于运动学分析的工业机器人轨迹精度补偿***和方法 |
CN111941432A (zh) * | 2020-09-28 | 2020-11-17 | 南京工业大学 | 一种高性能机械臂人工智能输出反馈控制方法 |
CN113910218A (zh) * | 2021-05-12 | 2022-01-11 | 华中科技大学 | 基于运动学与深度神经网络融合的机器人标定方法和装置 |
CN114029961A (zh) * | 2021-12-16 | 2022-02-11 | 滁州学院 | 一种机械臂高精度传动的机器人控制方法及*** |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116929373A (zh) * | 2023-09-15 | 2023-10-24 | 江苏宁昆机器人智能科技有限公司 | 一种消防侦察机器人的路径生成方法及*** |
CN116929373B (zh) * | 2023-09-15 | 2023-12-12 | 江苏宁昆机器人智能科技有限公司 | 一种消防侦察机器人的路径生成方法及*** |
CN118151541A (zh) * | 2024-05-09 | 2024-06-07 | 合力(天津)能源科技股份有限公司 | 一种提升三轴桁架坐标运移精度的控制方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN116214526B (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116214526B (zh) | 一种机器人运动轨迹的补偿控制方法及*** | |
Marchesini et al. | Discrete deep reinforcement learning for mapless navigation | |
CN109491389B (zh) | 一种具有速度约束的机器人轨迹跟踪方法 | |
Yue et al. | Review and empirical analysis of sparrow search algorithm | |
Rahili et al. | Distributed coverage control of mobile sensor networks in unknown environment using game theory: Algorithms and experiments | |
Faria et al. | Applying frontier cells based exploration and Lazy Theta* path planning over single grid-based world representation for autonomous inspection of large 3D structures with an UAS | |
Delgado et al. | Robotics in construction: A critical review of the reinforcement learning and imitation learning paradigms | |
Sahu et al. | A modified cuckoo search algorithm implemented with SCA and PSO for multi-robot cooperation and path planning | |
Wu et al. | Torch: Strategy evolution in swarm robots using heterogeneous–homogeneous coevolution method | |
Xiaoyu et al. | On adaptive monte carlo localization algorithm for the mobile robot based on ROS | |
CN111273562A (zh) | 一种基于膜计算实现井下机器人路径优化方法 | |
Gai et al. | An optimization neural network model for bridge cable force identification | |
CN113359714B (zh) | 基于粒子滤波算法的巡检机器人动态路径规划方法及装置 | |
Taylor et al. | Proportional-integral-plus control applications of state-dependent parameter models | |
Kimmel et al. | Pracsys: An extensible architecture for composing motion controllers and planners | |
Malayjerdi et al. | Mobile robot navigation based on fuzzy cognitive map optimized with grey wolf optimization algorithm used in augmented reality | |
NL2025034B1 (en) | Method for realizing underground robot path optimization based on membrane calculation | |
Liu et al. | Intelligent robot motion trajectory planning based on machine vision | |
Brandao et al. | Learning sequences of approximations for hierarchical motion planning | |
Cunningham et al. | Large-scale experimental design for decentralized SLAM | |
CN115562345A (zh) | 一种基于深度强化学习的无人机侦测轨迹规划方法 | |
Zuo et al. | Fast nonlinear model predictive control parallel design using QPSO and its applications on trajectory tracking of autonomous vehicles | |
Wei et al. | A reinforcement learning framework for efficient informative sensing | |
Sun et al. | Design and Implementation of Indoor Patrol Robot | |
Soliman et al. | Aireye: Uav-based intelligent drl mobile target visitation |
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 |