CN116619394B - 工业机器人仿真方法、装置、设备及存储介质 - Google Patents
工业机器人仿真方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116619394B CN116619394B CN202310919915.1A CN202310919915A CN116619394B CN 116619394 B CN116619394 B CN 116619394B CN 202310919915 A CN202310919915 A CN 202310919915A CN 116619394 B CN116619394 B CN 116619394B
- Authority
- CN
- China
- Prior art keywords
- simulation
- latest
- data
- industrial robot
- instruction
- 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.)
- Active
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 318
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000003860 storage Methods 0.000 title claims abstract description 24
- 238000005070 sampling Methods 0.000 claims abstract description 196
- 230000009471 action Effects 0.000 claims abstract description 77
- 238000006073 displacement reaction Methods 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 30
- 230000001105 regulatory effect Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 230000001276 controlling effect Effects 0.000 claims description 8
- 230000033001 locomotion Effects 0.000 abstract description 24
- 230000007547 defect Effects 0.000 abstract description 4
- 230000000903 blocking effect Effects 0.000 abstract 1
- 230000009191 jumping Effects 0.000 abstract 1
- 210000001503 joint Anatomy 0.000 description 21
- 230000008569 process Effects 0.000 description 10
- 230000036544 posture Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- B25J9/1605—Simulation of manipulator lay-out, design, modelling of manipulator
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Manipulator (AREA)
- Numerical Control (AREA)
Abstract
本申请涉及数字孪生仿真技术领域，公开一种工业机器人仿真方法、装置、设备及存储介质。该方法包括：获取工业机器人在运行状态下最新的采样数据；在接收到最新的采样数据时，以最新的采样数据所对应的姿态为仿真目标生成第一指令；在虚拟机器人完成上一次仿真动作仍未获取到最新的采样数据时，生成最新的预测数据，以最新的预测数据所对应的姿态为仿真目标生成第二指令；计算最新的仿真速度；控制虚拟机器人的末端关节以最新的仿真速度完成第一指令或第二指令所对应的仿真动作，输出仿真数据。本申请实施例可以克服数字孪生仿真运动时出现卡顿或跳帧的缺陷。
Description
技术领域
本申请涉及数字孪生仿真技术领域，尤其是一种工业机器人仿真方法、装置、设备及存储介质。
背景技术
随着技术的发展，在对工业机器人进行控制的过程中，也引入了数字孪生技术，通过对工业机器人的状态进行实时的模拟，便于工作人员远程对工业机器人的运行状态进行监控，及时发现工业机器人的异常状态，从而对工业机器人进行相应的控制。
现有技术中，一般是通过设置在工业机器人上的传感器来获取工业机器人的姿态数据，然后根据获得的姿态数据对工业机器人对应的数字孪生模型的姿态进行改变，实现对工业机器人的数字孪生模拟。但是这种模拟方式对采样设备的要求较高，需要大量的采样数据，否则容易因采样数据不足而导致工业机器人运动时出现卡顿或跳帧，影响工业生产效果。
发明内容
本申请的目的是提供一种工业机器人仿真方法、装置、设备及存储介质，旨在解决对工业机器人的数字孪生模拟时，需要大量的采样数据，容易导致由于采样数据量不足或缺失而导致虚拟机器人仿真运动时出现卡顿或跳帧的技术问题。
本申请实施例提供一种工业机器人仿真方法，包括：
获取工业机器人在运行状态下最新的采样数据，所述采样数据包含工业机器人在采样时刻各关节的角度值；
在接收到最新的采样数据时，以最新的采样数据所对应的姿态为仿真目标生成第一指令；
在虚拟机器人完成上一次仿真动作仍未获取到最新的采样数据时，生成最新的预测数据，以最新的预测数据所对应的姿态为仿真目标生成第二指令，所述虚拟机器人为工业机器人的数字孪生体，所述预测数据包含对工业机器人在采样时刻各关节进行预测的角度值；
计算最新的仿真速度，生成第一指令时，所述最新的仿真速度大于上一次仿真动作的仿真速度，生成第二指令时，所述最新的仿真速度小于上一次仿真动作的仿真速度；
控制虚拟机器人的末端关节以最新的仿真速度完成第一指令或第二指令所对应的仿真动作，输出仿真数据，返回获取工业机器人在运行状态下最新的采样数据的步骤。
进一步，所述以最新的采样数据所对应的姿态为仿真目标生成第一指令，包括：
利用最新的采样数据对工业机器人的末端关节的位置进行解算，得到第一解算结果；
根据第一解算结果和虚拟机器人的末端关节的当前位置确定虚拟机器人的末端关节的位移路径，得到第一仿真路径；
生成驱动虚拟机器人的末端关节沿第一仿真路径位移的第一指令。
进一步，所述生成最新的预测数据，包括：
根据历史的采样数据的采样时刻模拟计算生成最新的预测数据的采样时刻，得到预测采样时刻；
根据预测采样时刻和上一次仿真动作的仿真速度模拟计算工业机器人的末端关节的位移长度，得到预测位移长度；
根据预测位移长度和上一次仿真运动的采样数据或预测数据模拟计算工业机器人的在最新的采样时刻的位置，得到最新的预测数据。
进一步，所述以最新的预测数据所对应的姿态为仿真目标生成第二指令，包括：
利用生成的预测数据对工业机器人的末端关节的位置进行解算，得到第二解算结果；
根据第二解算结果和虚拟机器人的末端关节的位置确定虚拟机器人的末端关节的位移路径，得到第二仿真路径；
生成驱动虚拟机器人的末端关节沿第二仿真路径位移的第二指令。
进一步，所述计算最新的仿真速度，包括：
生成第一指令时，根据最新的采样数据和采样时刻计算工业机器人的末端关节的位移速度，得到最新的真实速度，以最新的调节系数与最新的真实速度的乘积作为最新的仿真速度，所述最新的调节系数相对于上一仿真动作的调节系数成比例增大；
生成第二指令时，根据最新的预测数据和采样时刻计算工业机器人的末端关节的位移速度，得到最新的预测速度，以最新的调节系数与最新的预测速度的乘积作为最新的仿真速度，所述最新的调节系数相对于上一仿真动作的调节系数成比例减少。
进一步，所述控制虚拟机器人的末端关节以最新的仿真速度完成第一指令或第二指令所对应的仿真动作，输出仿真数据，包括：
根据第一指令或第二指令创建虚拟机器人各关节的驱动脚本，并配置虚拟机器人各关节的驱动脚本；
基于驱动脚本对虚拟机器人的各关节进行实时仿真，使虚拟机器人的末端关节以最新的仿真速度位移，输出仿真数据。
进一步，所述工业机器人仿真方法，还包括：
在接收到最新的采样数据时，所述虚拟机器人未完成上一次的仿真运动，终止完成上一次的仿真运动。
本申请实施例还提供一种工业机器人仿真装置，包括：
第一模块，用于获取工业机器人在运行状态下最新的采样数据，所述采样数据包含工业机器人在采样时刻各关节的角度值；
第二模块，用于在接收到最新的采样数据时，以最新的采样数据所对应的姿态为仿真目标生成第一指令；
第三模块，用于在虚拟机器人完成上一次仿真动作仍未获取到最新的采样数据时，生成最新的预测数据，以最新的预测数据所对应的姿态为仿真目标生成第二指令，所述虚拟机器人为工业机器人的数字孪生体，所述预测数据包含对工业机器人在采样时刻各关节进行预测的角度值；
第四模块，用于计算最新的仿真速度，生成第一指令时，所述最新的仿真速度大于上一次仿真动作的仿真速度，生成第二指令时，所述最新的仿真速度小于上一次仿真动作的仿真速度；
第五模块，用于控制虚拟机器人的末端关节以最新的仿真速度完成第一指令或第二指令所对应的仿真动作，输出仿真数据。
本申请实施例还提供一种电子设备，所述电子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如上所述的工业机器人仿真方法。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的工业机器人仿真方法。
本申请的有益效果：在获取到最新的采样数据时基于采样数据进行数字孪生仿真，在完成上一次仿真动作时未接收到最新的采样数据时生成预测数据来进行数字孪生仿真，以采样数据进行数字孪生仿真时采样大于上一次仿真动作的仿真速度的仿真速度完成仿真动作，以预测数据进行数字孪生仿真时采样小于上一次仿真动作的仿真速度的仿真速度完成仿真动作，降低对采样数据的依赖，克服由于采样数据量不足或缺失而导致虚拟机器人仿真运动时出现卡顿或跳帧的缺陷，提高仿真精度。
附图说明
图1是本申请实施例提供的工业机器人仿真方法的流程图。
图2是图1中的步骤S102的流程图。
图3是图1中的步骤S103的流程图。
图4是图1中的步骤S104的流程图。
图5是图1中的步骤S106的流程图。
图6是本申请实施例提供的工业机器人仿真装置的结构示意图。
图7是本申请实施例提供的电子设备的硬件结构示意图。
图8是本申请实施例提供的虚拟机器人的末端关节完成仿真动作的路径示意图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
应理解，虽然本文中可能使用术语第一、第二、第三等来描述各种组件，但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此，下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用，术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本领域技术人员可以理解，附图只是示例实施例的示意图，附图中的模块或流程并不一定是实施本公开所必须的，因此不能用于限制本公开的保护范围。
数字孪生(DigitalTwin)，是充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，主要是通过对物理世界中的事件(物体)进行数字化模拟，来构建一个数字世界中一模一样的实体，藉此来实现对物理实体的了解、分析和优化的过程。在产品的设计阶段，利用数字孪生可以提高设计的准确性，并验证产品在真实环境中的性能。
相关技术中，针对产线过程监控的数字孪生***，在面向产线的生产过程的监控情况时，主要是通过采样设备采集的数据来驱动虚拟模型运动。但是真实世界的真实事件具有不确定性，常常存在网络波动和网络延迟，导致工业机器人的运动数据获取不连续，从而导致三维数字孪生场景中虚拟机器人的运动过程出现卡顿，跳帧等现象，给人十分不好的监控体验。原因在于若需要虚拟场景有较为真实的状态呈现，对采样设备的要求较高，需要大量的采样数据，否则容易因采样数据不足而导致虚拟机器人运动时出现卡顿或跳帧，影响工业生产效果。
基于此，本申请实施例提供一种工业机器人仿真方法、装置、设备及存储介质，基于实际的采样数据或者是在未接收到采样数据时生成预测数据来进行数字孪生仿真，使得虚拟机器人与工业机器人的运动姿态保持动态调整，解决对工业机器人的数字孪生模拟时，需要大量的采样数据，容易导致由于采样数据量不足或缺失而导致虚拟机器人仿真运动时出现卡顿或跳帧的技术问题。
图1是本申请实施例提供的工业机器人仿真方法的流程图，图1中的方法可以包括但不限于包括步骤S101至步骤S106。
步骤S101，获取工业机器人在运行状态下最新的采样数据。
采样数据包含工业机器人在采样时刻各关节的角度值。示例性地，以六轴工业机器人为例，在采样时刻为t(n)采样得到的采样数据为p(n)，p(n)=[J(n)1,J(n)2,J(n)3,J(n)4,J(n)5,J(n)6]，J(n)1至J(n)6分别为工业机器人各关节在采样时刻t(n)的角度值。
在具体实施中，工业机器人、采样设备和数字孪生仿真平台基于TCP进行数据传输，采样设备采样工业机器人在运行时各关节的角度，得到采样数据，采样设备将实时采样得到的采样数据传输至数字孪生仿真平台，从而获取工业机器人最新的采样数据。采样设备在采样时刻间隔采集采样数据，在接收到最新的采样数据时，则执行步骤S102，在虚拟机器人完成上一次仿真动作仍未获取到最新的采样数据时，执行步骤S103。
需要说明的是，工业机器人是广泛用于工业领域的多关节机械手或多自由度的机器装置，工业机器人为多轴工业机器人，工业机器人在运行状态下执行诸如物料处理(例如，移动或堆叠产品项目)、产品的码垛、库存物料的加工(例如，使用由机器人臂铰接的加工工具)、产品扫描的功能或其他这样的功能。
在获取采样数据之前，首先在数字孪生仿真平台构建虚拟机器人，虚拟机器人为工业机器人的数字孪生体，可以基于TCP（Transmission Control Protocol，传输控制协议）获取工业机器人的结构数据（包括构件名称、构件尺寸、构件材料、相连的两个构件之间的连接方式以及构件运动幅度），得到的虚拟机器人还可以进行轻量化处理，以提升虚拟机器人的运算速度。虚拟机器人可以基于协程机制和JSON格式加速数据传输与驱动。获取到的仿真数据可以通过机械***动力学自动分析进行运动学和动力学的仿真分析，以完成结构数据的仿真，得到虚拟机器人。虚拟机器人的状态以及数据还可以反映在三维动画引擎上，可以更直观的对虚拟机器人进行观察。
在一些实施例中，在接收到最新的采样数据时，虚拟机器人未完成上一次的仿真运动，终止完成上一次的仿真运动。
步骤S102，以最新的采样数据所对应的姿态为仿真目标生成第一指令。
可以理解的是，采样数据包括工业机器人各关节的角度值，更具体的为工业机器人各个关节的旋转角度信息，在接收到最新的采样数据时，通过将最新的采样数据进行数据融合后，可以获得采样时刻各个关节角度值的最优估计结果，然后通过对工业机器人各关节姿态进行解算，可以生成的对虚拟机器人各个关节进行控制的控制指令，得到第一指令，执行步骤S105。
可以理解的是，可以通过虚拟控制器将最新的采样数据进行融合后生成第一指令，虚拟控制器为基于仿真软件进行构建的，可以基于python语言在机器人操作平台，如ROS2平台中进行编写。此外，虚拟控制器还可以通过实时通讯接口与数字孪生仿真平台连接，进而获取最新的采样数据。
步骤S103，生成最新的预测数据。
预测数据包含对工业机器人在采样时刻各关节进行预测的角度值。示例性地，以六轴工业机器人为例，在预测的采样时刻为t´(n)采样得到的采样数据为p´(n)，p´(n)=[J´(n)1,J´(n)2,J´(n)3,J´(n)4,J´(n)5,J´(n)6]，J´(n)1至J´(n)6分别为工业机器人各关节在预测的采样时刻t(n)进行预测的角度值。
在具体实施中，由于各种原因，虚拟机器人完成上一次仿真动作之后数字孪生仿真平台仍未获取到采样设备发送最新的采样数据时，数字孪生仿真平台根据上一次仿真动作所对应各关节的角度值和采样时刻间隔对最新的采样数据中各关节的角度进行预测，得到最新的预测数据，执行步骤S104。
更为具体地，若上一次仿真动作依据采样数据完成，数字孪生仿真平台根据上一次的采样数据生成最新的预测数据，若上一次仿真动作依据预测数据完成，数字孪生仿真平台根据上一次的预测数据生成最新的预测数据，生成预测数据的逻辑是使虚拟机器人的末端关节沿与上一次仿真动作相同的方向位移。
步骤S104，以最新的预测数据所对应的姿态为仿真目标生成第二指令。
在具体实施中，在接收到最新的预测数据时，通过将最新的预测数据进行数据融合后，可以获得预测的采样时刻各个关节角度值的最优估计结果，然后通过对工业机器人各关节姿态进行解算，可以生成的对虚拟机器人各个关节进行控制的控制指令，得到第二指令，执行步骤S105。
可以理解的是，可以通过虚拟控制器将最新的预测数据进行融合后生成控制指令，虚拟控制器为基于仿真软件进行构建的，可以基于python语言在机器人操作平台，如ROS2平台中进行编写。此外，虚拟控制器还可以通过实时通讯接口与数字孪生仿真平台连接，进而获取最新的预测数据。
步骤S105，计算最新的仿真速度。
可以理解的是，仿真速度是虚拟机器人完成第一指令或第二指令所对应仿真动作的位移速度，数字孪生仿真平台更新虚拟机器人的三维动画时，虚拟机器人以计算得到的仿真速度进行姿态变化。
在具体实施中，仿真速度在仿真开始时预设为一个速度初始值，最新的控制指令为第一指令时，虚拟机器人基于最新的采样数据完成当前的仿真动作，以大于上一次仿真动作的仿真速度的速度作为最新的仿真速度，这是由于仿真过程具有滞后性，虚拟机器人需要以较快的位移速度追赶工业机器人的姿态变化速度，最新的控制指令为第二指令时，虚拟机器人基于最新的预测数据完成当前的仿真动作，以小于上一次仿真动作的仿真速度的速度作为最新的仿真速度，这是由于预测数据具有误差，虚拟机器人以较慢的位移速度完成具有误差的仿真动作，在获取到最新的采样数据时再以较快的位移速度完成高精度的仿真动作，可在维持仿真画面流畅的基础上降低仿真误差。
步骤S106，控制虚拟机器人的末端关节以最新的仿真速度完成第一指令或第二指令所对应的仿真动作，输出仿真数据。返回步骤S101。
在具体实施中，数字孪生仿真平台根据生成的第一指令或第二指令，控制虚拟机器人各关节的姿态变化至最新的采样数据或最新的预测数据中各关节的角度值所对应的姿态，通过各关节的姿态变化配合，虚拟机器人的末端关节以最新的仿真速度完成第一指令或第二指令所对应的仿真动作，位于末端关节的末端执行机构位移至目标点，并输出仿真数据。
如图8所示，示例性地，采样设备实时发送采样得到的采样数据，在t(n)时刻得到采样数据p(n)，对应的末端关节目标点为b(n)，在t(n+1)时刻得到采样数据p(n+1)，对应的末端关节目标点为b(n+1)，在t(n+2)时刻得到采样数据p(n+2)，对应的末端关节目标点为b(n+2)。
如图8的(2)所示，在n+1时刻获取到采样数据p(n+1)时，根据采样数据p(n+1)生成第一指令，虚拟机器人执行第一指令，完成对应的仿真动作，其末端关节从关节目标点b(n)位移至关节目标点b(n+1)。
如图8的(1)所示，在n+2时刻或在(n+1,n+2)的时间区间内获取到采样数据p(n+2)时，根据采样数据p(n+2)生成第一指令，虚拟机器人执行第一指令，完成对应的仿真动作，其末端关节从当前位置（b(n)和b(n+1)之间的关节位置或者是关节目标点b(n+1)）位移至关节目标点b(n+2)。
如图8的(3)所示，在n+2时刻或在(n+1,n+2)的时间区间内未获取到采样数据p(n+2)时，生成预测数据p´(n+2)，对应的末端关节目标点为b´(n+2)，根据预测数据p´(n+2)生成第二指令，虚拟机器人执行第二指令，完成对应的仿真动作，其末端关节从b(n+1)位移至b´(n+2)。在此过程中，若收到采样数据p(n+3)，对应的末端关节目标点为b(n+3)，虚拟机器人中断当前的仿真动作，根据采样数据p(n+3)生成第一指令，其末端关节从当前位置（b(n+1)和b´(n+2)之间的关节位置或者是关节目标点b´(n+2)）位移至关节目标点b(n+3)。
本申请实施例所示意的步骤S101至步骤S106，在获取到最新的采样数据时基于采样数据进行数字孪生仿真，在完成上一次仿真动作时未接收到最新的采样数据时生成预测数据来进行数字孪生仿真，以采样数据进行数字孪生仿真时采样大于上一次仿真动作的仿真速度的仿真速度完成仿真动作，以预测数据进行数字孪生仿真时采样小于上一次仿真动作的仿真速度的仿真速度完成仿真动作，降低对采样数据的依赖，克服由于采样数据量不足或缺失而导致虚拟机器人仿真运动时出现卡顿或跳帧的缺陷，提高仿真精度。
请参阅图2，在一些实施例中，步骤S102可以包括但不限于包括步骤S201至步骤S203。
步骤S201，利用最新的采样数据对工业机器人的末端关节的位置进行解算，得到第一解算结果。
步骤S202，根据第一解算结果和虚拟机器人的末端关节的当前位置确定虚拟机器人的末端关节的位移路径，得到第一仿真路径。
步骤S203，生成驱动虚拟机器人的末端关节沿第一仿真路径位移的第一指令。
在步骤S201中，提取最新的采样数据中各关节的角度值，根据工业机器人各关节的角度值对工业机器人各关节的姿态进行解算，确定工业机器人的末端关节的位置，作为第一解算结果。
在步骤S202中，以虚拟机器人的末端关节的当前位置为起点，以第一解算结果中工业机器人的末端关节的位置为终点，生成虚拟机器人所要完成当前仿真动作的位移路径，作为第一仿真路径。
在步骤S203中，以驱动虚拟机器人的末端关节沿第一仿真路径位移为目标生成第一指令，第一指令为一个指令集合，第一指令包含多个对虚拟机器人各关节进行姿态控制的指令，虚拟机器人执行第一指令时，虚拟机器人的的末端关节沿第一仿真路径位移。
如图8所示，示例性地，在n+1时刻获取到采样数据p(n+1)时，根据采样数据p(n+1)各关节的角度值解算，以确定工业机器人的末端关节的位置，得到第一解算结果b(n+1)，虚拟机器人的末端关节的当前位置为b(n)，生成b(n)至b(n+1)的第一仿真路径，同时数组孪生仿真平台生成第一指令，虚拟机器人完成当前生成的第一指令所对应的仿真动作，虚拟机器人的末端关节从b(n)位移至b(n+1)。
请参阅图3，在一些实施例中，步骤S103可以包括但不限于包括步骤S301至步骤S303。
步骤S301，根据历史的采样数据的采样时刻模拟计算生成最新的预测数据的采样时刻，得到预测采样时刻。
步骤S302，根据预测采样时刻和上一次仿真动作的仿真速度模拟计算工业机器人的末端关节的位移长度，得到预测位移长度。
步骤S303，根据预测位移长度和上一次仿真运动的采样数据或预测数据模拟计算工业机器人的在最新的采样时刻的位置，得到最新的预测数据。
在步骤S301中，使用上两次采样数据之间的采样时刻作差，计算上两次采样数据的采样时刻差，使用计算得到的采样时刻差作为上一次采样数据和预测数据之间的采样时刻差，使用上一次采样数据的采样时刻加上计算得到的采样时刻差，得到预测采样时刻。
在步骤S302中，根据预测采样时刻计算上一次采样数据和预测数据之间的采样时刻差，使用上一次仿真动作的仿真速度和上一次采样数据和预测数据之间的采样时刻差的乘积作为预测位移长度，上一次仿真动作包含基于采样数据或预测数据生成的仿真动作。
在步骤S303中，使用计算得到的预测位移长度对上一次的采样数据或预测数据进行角度值换算，使上一次的采样数据或预测数据中各关节的角度值变换为经过末端关节位移到预测位移长度的终点后的角度值，获得最新的预测数据，其中，上一次仿真运动是基于采样数据进行时，对上一次的采样数据进行角度值换算，上一次仿真运动是基于预测数据进行时，对上一次的预测数据进行角度值换算。
请参阅图4，在一些实施例中，步骤S104可以包括但不限于包括步骤S401至步骤S403。
步骤S401，利用生成的预测数据对工业机器人的末端关节的位置进行解算，得到第二解算结果。
步骤S402，根据第二解算结果和虚拟机器人的末端关节的位置确定虚拟机器人的末端关节的位移路径，得到第二仿真路径。
步骤S403，生成驱动虚拟机器人的末端关节沿第二仿真路径位移的第二指令。
在步骤S401中，提取最新生成的预测数据中各关节的角度值，根据工业机器人各关节的角度值对工业机器人各关节的姿态进行解算，确定工业机器人的末端关节的位置，作为第二解算结果。
在步骤S402中，以虚拟机器人的末端关节的当前位置为起点，以第二解算结果中工业机器人的末端关节的位置为终点，生成虚拟机器人所要完成当前仿真动作的位移路径，作为第二仿真路径。
在步骤S403中，以驱动虚拟机器人的末端关节沿第二仿真路径位移为目标生成第二指令，第二指令为一个指令集合，第二指令包含多个对虚拟机器人各关节进行姿态控制的指令，虚拟机器人执行第二指令时，虚拟机器人的的末端关节沿第二仿真路径位移。
如图8所示，示例性地，在n+2时刻未获取到采样数据p(n+2)时，根据生成的预测数据p´(n+2)各关节的角度值解算对工业机器人的末端关节的位置，得到第二解算结果b´(n+2)，虚拟机器人的末端关节的当前位置为b(n+1)，生成b(n+1)至b´(n+2)的第而仿真路径，同时数组孪生仿真平台生成第二指令，虚拟机器人完成当前生成的第二指令所对应的仿真动作，虚拟机器人的末端关节从b(n+1)位移至b´(n+2)，在此过程中，若获取到采样数据p(n+3)，则终止执行第二指令，根据采样数据p(n+3)各关节的角度值解算对工业机器人的末端关节的位置，得到第一解算结果b(n+3)，生成虚拟机器人的末端关节的当前位置至b(n+3)的第一仿真路径，同时数组孪生仿真平台生成第一指令，虚拟机器人完成当前生成的第一指令所对应的仿真动作，虚拟机器人的末端关节从虚拟机器人的末端关节的当前位置位移至b(n+3)。
在一些实施例中，生成第一指令时，计算最新的仿真速度包括：根据最新的采样数据和采样时刻计算工业机器人的末端关节的位移速度，得到最新的真实速度，以最新的调节系数与最新的真实速度的乘积作为最新的仿真速度，最新的调节系数相对于上一仿真动作的调节系数成比例增大。
具体而言，数字孪生仿真平台在获取采样数据时，一同接收采样数据的采样时刻，基于最新的采样数据的采样时刻，与上一次仿真动作的采样数据或预测数据的采样时刻，可以计算得到两个采样时刻之间的时长，解算最新的采样数据和上一次仿真动作的采样数据或预测数据，可以得到两个采样时刻工业机器人的末端关节的位置，进而计算工业机器人的末端关节的运动路径，使用工业机器人的末端关节的运动路径和两个采样时刻之间的时长计算速度，获得最新的真实速度。由于仿真运动具有滞后性，使用虚拟机器人的仿真速度大于工业机器人的运行速度，使用最新的调节系数乘以最新的真实速度，计算最新的仿真速度，调节系数在每次仿真动作的过程中均有所调整，若当前的仿真运动是基于第一指令执行的，最新的调节系数大于上一仿真动作的调节系数，更为具体是成比例增大。
示例性地，以第n+1个采样时刻作为最新的采样时刻。
最新的真实速度的计算公式为：
v(n+1)=(b(n+1)-b(n))/(t(n+1)-t(n))，或
v(n+1)=(b(n+1)-b´(n))/(t(n+1)-t(n))；
最新的调节系数的计算公式为：
m=m´+k·m´；
最新的仿真速度的计算公式为：
V(n+1)=m·v(n+1)；
其中，v(n+1)为第n+1个采样时刻对应的真实速度，b(n+1)为第n+1个采样时刻工业机器人的末端关节的真实位置，b(n)为第n个采样时刻工业机器人的末端关节的位置，b´(n)为第n个采样时刻工业机器人的末端关节的预测位置，t(n+1)为第n+1个采样时刻，t(n)为第n个采样时刻，m为最新的调节系数，m´为上一仿真动作的调节系数，k为比例系数，V(n+1)为第n+1个采样时刻根据第一指令产生的仿真速度。
在一些实施例中，生成第二指令时，计算最新的仿真速度包括：根据最新的预测数据和采样时刻计算工业机器人的末端关节的位移速度，得到最新的预测速度，以最新的调节系数与最新的预测速度的乘积作为最新的仿真速度，最新的调节系数相对于上一仿真动作的调节系数成比例减少。
具体而言，数字孪生仿真平台在生成预测数据时，一同生成预测数据的采样时刻，基于最新的预测数据的采样时刻，与上一次仿真动作的采样数据或预测数据的采样时刻，可以计算得到两个采样时刻之间的时长，解算最新的预测数据和上一次仿真动作的采样数据或预测数据，可以得到两个采样时刻工业机器人的末端关节的位置，进而计算工业机器人的末端关节的运动路径，使用工业机器人的末端关节的运动路径和两个采样时刻之间的时长计算速度，获得最新的预测速度。由于预测数据具有误差，使用虚拟机器人的仿真速度小于工业机器人的预测速度，使用最新的调节系数乘以最新的真实速度，计算最新的仿真速度，调节系数在每次仿真动作的过程中均有所调整，若当前的仿真运动是基于第二指令执行的，最新的调节系数小于上一仿真动作的调节系数，更为具体是成比例增大。
示例性地，以第n+1个采样时刻作为最新的采样时刻。
最新的预测速度的计算公式为：
v´(n+1)=(b´(n+1)-b(n))/(t(n+1)-t(n))，或
v´(n+1)=(b´(n+1)-b´(n))/(t(n+1)-t(n))；
最新的调节系数的计算公式为：
m=m´-k·m´；
最新的仿真速度的计算公式为：
V´(n+1)=m·v´(n+1)；
其中，v´(n+1)为第n+1个采样时刻对应的预测速度，b´(n+1)为第n+1个采样时刻工业机器人的末端关节的预测位置，V´(n+1)为第n+1个采样时刻根据第二指令产生的仿真速度。
请参阅图5，在一些实施例中，步骤S106可以包括但不限于包括步骤S501至步骤S502。
步骤S501，根据第一指令或第二指令创建虚拟机器人各关节的驱动脚本，并配置虚拟机器人各关节的驱动脚本。
步骤S502，基于驱动脚本对虚拟机器人的各关节进行实时仿真，使虚拟机器人的末端关节以最新的仿真速度位移，输出仿真数据。
通过在数字孪生仿真平台中基于第一指令或第二指令编写虚拟机器人各关节的驱动脚本，并且在数字孪生仿真平台中完成虚拟控制器对虚拟机器人各关节驱动脚本的配置，便于将物理世界与信息世界进行交互，以实现数字孪生仿真生产过程的可视化。
具体的，虚拟控制器可以通过实时传输各关节控制指令来驱动在数字孪生仿真平台中的虚拟机器人的各关节进行实时仿真，并输出仿真数据。其中，仿真数据包括各关节角度数据及虚拟机器人的末端关节的位置坐标。
请参阅图6，本申请实施例还提供一种工业机器人仿真装置，可以实现上述工业机器人仿真方法，该装置包括：
第一模块601，用于获取工业机器人在运行状态下最新的采样数据；
第二模块602，用于在接收到最新的采样数据时，以最新的采样数据所对应的姿态为仿真目标生成第一指令；
第三模块603，用于在虚拟机器人完成上一次仿真动作仍未获取到最新的采样数据时，生成最新的预测数据，以最新的预测数据所对应的姿态为仿真目标生成第二指令；
第四模块604，用于计算最新的仿真速度；
第五模块605，用于控制虚拟机器人的末端关节以最新的仿真速度完成第一指令或第二指令所对应的仿真动作，输出仿真数据。
该工业机器人仿真装置的具体实施方式与上述工业机器人仿真方法的具体实施例基本相同，在此不再赘述。
图7是根据一示例性实施例示出的一种电子设备的框图。
下面参照图7来描述根据本公开的这种实施方式的电子设备700。图7显示的电子设备700仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示，电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于：至少一个处理单元710、至少一个存储单元720、连接不同***组件(包括存储单元720和处理单元710)的总线730、显示单元740等。
其中，存储单元存储有程序代码，程序代码可以被处理单元710执行，使得处理单元710执行本说明书上述工业机器人仿真方法部分中描述的根据本公开各种示例性实施方式的步骤。例如，处理单元710可以执行如图1、图2、图3和图4中所示的步骤。
存储单元720可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)7201和/或高速缓存存储单元7202，还可以进一步包括只读存储单元(ROM)7203。
存储单元720还可以包括具有一组(至少一个)程序模块7205的程序/实用工具7204，这样的程序模块7205包括但不限于：操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线730可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备700也可以与一个或多个外部设备700’(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备700交互的设备通信，和/或与使得该电子设备700能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口750进行。并且，电子设备700还可以通过网络适配器760与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器760可以通过总线730与电子设备700的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备700使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述工业机器人仿真方法。
本申请实施例提供的工业机器人仿真方法、装置、设备及存储介质，在获取到最新的采样数据时基于采样数据进行数字孪生仿真，在完成上一次仿真动作时未接收到最新的采样数据时生成预测数据来进行数字孪生仿真，以采样数据进行数字孪生仿真时采样大于上一次仿真动作的仿真速度的仿真速度完成仿真动作，以预测数据进行数字孪生仿真时采样小于上一次仿真动作的仿真速度的仿真速度完成仿真动作，降低对采样数据的依赖，克服由于采样数据量不足或缺失而导致虚拟机器人仿真运动时出现卡顿或跳帧的缺陷，提高仿真精度。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述方法。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施例的方法。
以上具体地示出和描述了本公开的示例性实施例。应可理解的是，本公开不限于这里描述的详细结构、设置方式或实现方法；相反，本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
Claims (10)
1.一种工业机器人仿真方法，其特征在于，包括：
获取工业机器人在运行状态下最新的采样数据，所述采样数据包含工业机器人在采样时刻各关节的角度值；
在接收到最新的采样数据时，以最新的采样数据所对应的姿态为仿真目标生成第一指令；
在虚拟机器人完成上一次仿真动作仍未获取到最新的采样数据时，生成最新的预测数据，以最新的预测数据所对应的姿态为仿真目标生成第二指令，所述虚拟机器人为工业机器人的数字孪生体，所述预测数据包含对工业机器人在采样时刻各关节进行预测的角度值；
计算最新的仿真速度，生成第一指令时，所述最新的仿真速度大于上一次仿真动作的仿真速度，生成第二指令时，所述最新的仿真速度小于上一次仿真动作的仿真速度；
控制虚拟机器人的末端关节以最新的仿真速度完成第一指令或第二指令所对应的仿真动作，输出仿真数据，返回获取工业机器人在运行状态下最新的采样数据的步骤。
2.根据权利要求1所述的工业机器人仿真方法，其特征在于，所述以最新的采样数据所对应的姿态为仿真目标生成第一指令，包括：
利用最新的采样数据对工业机器人的末端关节的位置进行解算，得到第一解算结果；
根据第一解算结果和虚拟机器人的末端关节的当前位置确定虚拟机器人的末端关节的位移路径，得到第一仿真路径；
生成驱动虚拟机器人的末端关节沿第一仿真路径位移的第一指令。
3.根据权利要求1所述的工业机器人仿真方法，其特征在于，所述生成最新的预测数据，包括：
根据历史的采样数据的采样时刻模拟计算生成最新的预测数据的采样时刻，得到预测采样时刻；
根据预测采样时刻和上一次仿真动作的仿真速度模拟计算工业机器人的末端关节的位移长度，得到预测位移长度；
根据预测位移长度和上一次仿真动作的采样数据或预测数据模拟计算工业机器人的在最新的采样时刻的位置，得到最新的预测数据。
4.根据权利要求1所述的工业机器人仿真方法，其特征在于，所述以最新的预测数据所对应的姿态为仿真目标生成第二指令，包括：
利用生成的预测数据对工业机器人的末端关节的位置进行解算，得到第二解算结果；
根据第二解算结果和虚拟机器人的末端关节的位置确定虚拟机器人的末端关节的位移路径，得到第二仿真路径；
生成驱动虚拟机器人的末端关节沿第二仿真路径位移的第二指令。
5.根据权利要求1所述的工业机器人仿真方法，其特征在于，所述计算最新的仿真速度，包括：
生成第一指令时，根据最新的采样数据和采样时刻计算工业机器人的末端关节的位移速度，得到最新的真实速度，以最新的调节系数与最新的真实速度的乘积作为最新的仿真速度，所述最新的调节系数相对于上一仿真动作的调节系数成比例增大；
生成第二指令时，根据最新的预测数据和采样时刻计算工业机器人的末端关节的位移速度，得到最新的预测速度，以最新的调节系数与最新的预测速度的乘积作为最新的仿真速度，所述最新的调节系数相对于上一仿真动作的调节系数成比例减少。
6.根据权利要求1所述的工业机器人仿真方法，其特征在于，所述控制虚拟机器人的末端关节以最新的仿真速度完成第一指令或第二指令所对应的仿真动作，输出仿真数据，包括：
根据第一指令或第二指令创建虚拟机器人各关节的驱动脚本，并配置虚拟机器人各关节的驱动脚本；
基于驱动脚本对虚拟机器人的各关节进行实时仿真，使虚拟机器人的末端关节以最新的仿真速度位移，输出仿真数据。
7.根据权利要求1所述的工业机器人仿真方法，其特征在于，还包括：
在接收到最新的采样数据时，所述虚拟机器人未完成上一次的仿真动作，终止完成上一次的仿真动作。
8.一种工业机器人仿真装置，其特征在于，包括：
第一模块，用于获取工业机器人在运行状态下最新的采样数据，所述采样数据包含工业机器人在采样时刻各关节的角度值；
第二模块，用于在接收到最新的采样数据时，以最新的采样数据所对应的姿态为仿真目标生成第一指令；
第三模块，用于在虚拟机器人完成上一次仿真动作仍未获取到最新的采样数据时，生成最新的预测数据，以最新的预测数据所对应的姿态为仿真目标生成第二指令，所述虚拟机器人为工业机器人的数字孪生体，所述预测数据包含对工业机器人在采样时刻各关节进行预测的角度值；
第四模块，用于计算最新的仿真速度，生成第一指令时，所述最新的仿真速度大于上一次仿真动作的仿真速度，生成第二指令时，所述最新的仿真速度小于上一次仿真动作的仿真速度；
第五模块，用于控制虚拟机器人的末端关节以最新的仿真速度完成第一指令或第二指令所对应的仿真动作，输出仿真数据。
9.一种电子设备，其特征在于，所述电子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权利要求1至7任一项所述的工业机器人仿真方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，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中任一项所述的工业机器人仿真方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310919915.1A CN116619394B (zh) | 2023-07-26 | 2023-07-26 | 工业机器人仿真方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310919915.1A CN116619394B (zh) | 2023-07-26 | 2023-07-26 | 工业机器人仿真方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116619394A CN116619394A (zh) | 2023-08-22 |
| CN116619394B true CN116619394B (zh) | 2023-09-26 |
Family
ID=87613910
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310919915.1A Active CN116619394B (zh) | 2023-07-26 | 2023-07-26 | 工业机器人仿真方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116619394B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109847361A (zh) * | 2019-02-27 | 2019-06-07 | 腾讯科技（深圳）有限公司 | 运动状态的同步方法和装置、存储介质、电子装置 |
| CN112847336A (zh) * | 2020-12-24 | 2021-05-28 | 达闼机器人有限公司 | 动作学习方法、装置、存储介质及电子设备 |
| CN114367981A (zh) * | 2021-12-28 | 2022-04-19 | 达闼机器人有限公司 | 对象控制方法、装置、设备和存储介质 |
| CN115034119A (zh) * | 2022-07-07 | 2022-09-09 | 佛山科学技术学院 | 一种数字孪生体系下的点阵结构电弧增材制造仿真过程 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230196230A1 (en) * | 2017-08-02 | 2023-06-22 | Strong Force Iot Portfolio 2016, Llc | User interface for industrial digital twin system analyzing data to determine structures with visualization of those structures with reduced dimensionality |
| US11403541B2 (en) * | 2019-02-14 | 2022-08-02 | Rockwell Automation Technologies, Inc. | AI extensions and intelligent model validation for an industrial digital twin |
| US11318616B2 (en) * | 2019-11-11 | 2022-05-03 | Rockwell Automation Technologies, Inc. | Robotic digital twin control with industrial context simulation |
-
2023
- 2023-07-26 CN CN202310919915.1A patent/CN116619394B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109847361A (zh) * | 2019-02-27 | 2019-06-07 | 腾讯科技（深圳）有限公司 | 运动状态的同步方法和装置、存储介质、电子装置 |
| CN112847336A (zh) * | 2020-12-24 | 2021-05-28 | 达闼机器人有限公司 | 动作学习方法、装置、存储介质及电子设备 |
| CN114367981A (zh) * | 2021-12-28 | 2022-04-19 | 达闼机器人有限公司 | 对象控制方法、装置、设备和存储介质 |
| CN115034119A (zh) * | 2022-07-07 | 2022-09-09 | 佛山科学技术学院 | 一种数字孪生体系下的点阵结构电弧增材制造仿真过程 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116619394A (zh) | 2023-08-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110573308B (zh) | 用于机器人设备的空间编程的基于计算机的方法及*** | |
| US9387589B2 (en) | Visual debugging of robotic tasks | |
| EP3376325A1 (en) | Development of control applications in augmented reality environment | |
| US12005585B2 (en) | Offline robot planning with online adaptation | |
| US11059181B2 (en) | Control apparatus, robot, and robot system | |
| JP2019166626A (ja) | 制御装置及び機械学習装置 | |
| Wang et al. | Real-time process-level digital twin for collaborative human-robot construction work | |
| US11559893B2 (en) | Robot control for avoiding singular configurations | |
| CN110154024B (zh) | 一种基于长短期记忆神经网络增量模型的装配控制方法 | |
| KR20230012057A (ko) | 로봇 데모 학습을 위한 스킬 템플릿들 | |
| KR20230002942A (ko) | 로봇 데모 학습을 위한 스킬 템플릿 배포 | |
| US20220019939A1 (en) | Method and system for predicting motion-outcome data of a robot moving between a given pair of robotic locations | |
| Liang et al. | Real-time state synchronization between physical construction robots and process-level digital twins | |
| CN114692425A (zh) | 数字孪生技术的焊接机器人仿真方法、***、设备及介质 | |
| JP7487338B2 (ja) | 分散型ロボット実証学習 | |
| CN116619394B (zh) | 工业机器人仿真方法、装置、设备及存储介质 | |
| JP2004151976A (ja) | シミュレーション装置 | |
| Mineo et al. | Interfacing toolbox for robotic arms with real-time adaptive behavior capabilities | |
| US11787054B2 (en) | Robot planning | |
| US11511419B2 (en) | Task planning for measurement variances | |
| Esa et al. | The Mitsubishi MelfaRxm middleware and application: A case study of RV-2AJ robot | |
| JP7424122B2 (ja) | シミュレーション装置およびプログラム | |
| Sun et al. | Direct virtual-hand interface in robot assembly programming | |
| US20220390922A1 (en) | Workcell modeling using motion profile matching and swept profile matching | |
| La Spisa | Design and evaluation of different digital control technologies of a mobile 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 |