【技术实现步骤摘要】
一种机械臂运动规划群体智能计算方法
本专利技术属于机械臂控制计算领域,特别涉及一种机械臂运动规划群体智能计算方法。
技术介绍
随着“中国制造2025”的来临,智能机器人如机械手,AGV,无人机等将在制造环境下承担越来越多的工作。现有机械臂可由示教器、上位机控制,示教器控制是在示教器上通过操纵杆和按钮对机械臂的各关节进行控制,再完成既定工况后将程序储存;上位机控制是在上位机中进行编程,可完成既定工况循环。上述两种机械臂控制方法都只能完成固定工况的循环,无法应对工况的变化,针对现有机械臂操作通过监控装置操作机械臂视野受限,操作者在整个控制过程中极易产生难以承受的生物学疲劳,造成失误发生安全事故,为此,机械臂的自动识别和抓取物体路径设计是解决机械臂控制难题的一大突破。
技术实现思路
本专利技术提出了一种机械臂运动规划群体智能计算方法,该方法使机械臂通过外置摄像头建立笛卡尔坐标系获取目标物体图像并识别目标物体,通过机器学习模型获取抓取目标物体最优运动路径,并对障碍物进行判断,生成避障路径。一种机械臂运动规划群体智能计算方法方法,包括以下步骤:步骤1:构建机械臂所在工作空间的三维坐标系;利用图像采集区域覆盖机械臂抓取目标物体的整个工作空间的双目ZED相机的左右摄像头连线中点作为原点,以双目ZED右摄像头中心到双目ZED左摄像头中心连线为y轴正向,根据右手定则建立机械臂工作空间的三维立体坐标系;步骤2:构建基于模糊神经网络的待抓取物体目标识别模型;以每幅待抓取物体目标图像的中间像素累加值和对应的物体类别分别作为输入和输出数据,对模糊神经网络进行训练,得到基于模糊神经网络的 ...
【技术保护点】
1.一种机械臂运动规划群体智能计算方法,其特征在于,包括以下步骤:步骤1:构建机械臂所在工作空间的三维坐标系;利用图像采集区域覆盖机械臂抓取目标物体的整个工作空间的双目ZED相机的左右摄像头连线中点作为原点,以双目ZED右摄像头中心到双目ZED左摄像头中心连线为y轴正向,根据右手定则建立机械臂工作空间的三维立体坐标系;步骤2:构建基于模糊神经网络的待抓取物体目标识别模型;以每幅待抓取物体目标图像的中间像素累加值和对应的物体类别分别作为输入和输出数据,对模糊神经网络进行训练,得到基于模糊神经网络的待抓取物体目标识别模型;所述待抓取物体目标图像的中间像素累加值的获取过程如下:利用步骤1中用于构建三维立体坐标系的双目ZED采集各类待抓取物体目标图像在各种位姿下的图像;对待抓取物体目标图像依次进行去噪、位置变换、灰度处理和边缘检测;提取经过边缘检测后的图像的大小为200×200的正中间区域,将所提取区域中所有像素的灰度值进行累加得到中间像素累加值;步骤3:构建基于极限学习机的机械臂抓取最优路径模型;利用机械臂抓取各类待抓取物体,获得抓取路径样本,以抓取路径样本中的机械臂起点、终点位置坐标和运动 ...
【技术特征摘要】
1.一种机械臂运动规划群体智能计算方法,其特征在于,包括以下步骤:步骤1:构建机械臂所在工作空间的三维坐标系;利用图像采集区域覆盖机械臂抓取目标物体的整个工作空间的双目ZED相机的左右摄像头连线中点作为原点,以双目ZED右摄像头中心到双目ZED左摄像头中心连线为y轴正向,根据右手定则建立机械臂工作空间的三维立体坐标系;步骤2:构建基于模糊神经网络的待抓取物体目标识别模型;以每幅待抓取物体目标图像的中间像素累加值和对应的物体类别分别作为输入和输出数据,对模糊神经网络进行训练,得到基于模糊神经网络的待抓取物体目标识别模型;所述待抓取物体目标图像的中间像素累加值的获取过程如下:利用步骤1中用于构建三维立体坐标系的双目ZED采集各类待抓取物体目标图像在各种位姿下的图像;对待抓取物体目标图像依次进行去噪、位置变换、灰度处理和边缘检测;提取经过边缘检测后的图像的大小为200×200的正中间区域,将所提取区域中所有像素的灰度值进行累加得到中间像素累加值;步骤3:构建基于极限学习机的机械臂抓取最优路径模型;利用机械臂抓取各类待抓取物体,获得抓取路径样本,以抓取路径样本中的机械臂起点、终点位置坐标和运动旋转角度矩阵分别作为输入和输出数据,以各关节的旋转角度总和最小为目标函数,对极限学习机进行训练,获得基于极限学习机的机械臂抓取最优路径模型;所述抓取路径样本包括机械臂末端在步骤1构建的三维坐标系中,抓取起点和抓取终点位置坐标,以及机械臂各关节的运动旋转角度矩阵,所述运动旋转角度矩阵的行数和列数分别为机械臂转动关节个数和抓取物体过程中的动作次数;步骤4:实时采集待抓取物体目标图像识别物体类别;利用步骤1中用于构建三维立体坐标系的双目ZED采集待抓取物体目标图像,按照步骤2中的处理过程提取当前图像中的中间像素累加值,并输入所述基于模糊神经网络的待抓取物体目标识别模型中,获得物体类别信息;步骤5;基于物体类别确定物体重心,求得抓取终点坐标,获取机械臂抓取最优路径,驱动机械臂抓取物体;基于物体类别信息确定物体重心,使得机械臂夹爪的抓取中心对应物体重心,从而确定机械臂夹爪在抓取终点的坐标,并输入所述基于极限学习机的机械臂抓取最优路径模型中,得到机械臂抓取最优路径,并发送至机械臂控制系统,驱动机械臂抓取物体。2.根据权利要求1所述的方法,其特征在于,所述基于模糊神经网络的待抓取物体目标识别模型中模糊神经网络的权值、隶属函数均值以及方差使用水循环算法进行优化获得:步骤A1:将降雨层作为所述模糊神经网络的权值、隶属函数均值以及方差,初始化降雨层种群,并设置降雨层种群参数;降雨层种群规模的取值范围为[30,120],河流和海洋的取值范围为[5,20],海洋个数1,极小值dmin的取值范围为[0.025,0.1],最大迭代次数的取值范围为[250,500],最大搜索精度的取值范围为[0.01,0.07];步骤A2:设定适应度函数,并确定初始最优降雨层和迭代次数t,t=1;将降雨层对应的权值、隶属函数均值以及方差代入基于模糊神经网络的待抓取物体目标识别模型中,并利用降雨层确定的基于模糊神经网络的待抓取物体目标识别模型输出物体类别的二进制数,将输出物体类别的二进制数与实际对应的物体类别二进制数的差值的倒数作为第一适应度函数f1(x);Ai表示计算编号值的第i位,Bi表示实际编号值的第i位,n=6;利用第一适应度函数计算每个降雨层的适应度,以最大适应度对应的降雨层作为大海,以次小适应度对应的降雨层作为河流,其余的降雨层作为流入河流或海洋的溪流;步骤A3:使溪流汇入河流,如果发现溪流的解比河流的解更好,则它们互相交换位置;步骤A4:使河流流入海洋,若河流的解比海洋的解较优,则河流与海洋交换位置,以最终海洋作为最优解;步骤A5:检查是否满足蒸发条件:判断河流与海洋的适应值之差的绝对值是否小于极小值dmin;如果小于,则认为满足蒸发条件,去掉该河流,并重新进行降雨过程,随机生成新的降雨层,重新计算降雨层种群中各降雨层的适应度,返回步骤A3,否则,减小dmin,进入步骤A6;随机生成的新的降雨层数量与删掉的河流数量相同;步骤A6:判断是否到达最大迭代次数,若达到,输出全局最优大海对应的基于模糊神经网络的待抓取物体目标识别模型的权值、隶属函数均值以及方差,若未达到,则令t=t+1,进入步骤A3,继续下一次迭代。3.根据权利要求1所述的方法,其特征在于,所...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。