轨迹规划方法、装置、电子设备及存储介质制造方法及图纸

本申请提供一种轨迹规划方法、装置、电子设备及存储介质，涉及运动控制技术领域。该方法包括：根据目标对象当前时刻的运动状态信息，采用预先训练得到的目标轨迹模型，生成目标对象的初始预估运动状态信息；根据目标对象的初始预估运动状态信息，采用模型预测控制算法，调整预估运动状态信息，得到目标对象的目标运动状态信息，目标对象的运动轨迹由至少两个连续时刻的目标运动状态信息构成。通过训练的目标轨迹模型生成初始预估运动状态信息，由于目标轨迹模型是根据样本对象的历史轨迹数据训练得到，基于模型计算初始预估运动状态信息，可使得生成初始预估运动状态信息的效率较高，从而可加快模型预测控制算法的计算速度，提高轨迹生成效率。提高轨迹生成效率。提高轨迹生成效率。

【技术实现步骤摘要】
轨迹规划方法、装置、电子设备及存储介质


[0001]本申请涉及运动控制
，具体而言，涉及一种轨迹规划方法、装置、电子设备及存储介质。

技术介绍

[0002]仿人机器人是具有多自由度的复杂系统，仿人机器由于其能够模仿人类的运动行为而得到了快速的发展，并被广泛应用在制造业中以降低劳动力。仿人机器人在被应用的过程中，为其规划好精准的运动轨迹是其能够精准作业的前提。
[0003]现有技术中，通常采用在线轨迹生成的方式进行轨迹规划，在线轨迹生成方式一般通过模型预测控制(MPC，Model Predictive Control)算法进行运算，由于现有方法中获取的MPC的初始输入数据的精确度较低，从而导致通过MPC进行轨迹规划的计算速度较低。

技术实现思路

[0004]本申请的目的在于，针对上述现有技术中的不足，提供一种轨迹规划方法、装置、电子设备及存储介质，以便于解决现有技术中存在的轨迹规划效率较低的问题。
[0005]为实现上述目的，本申请实施例采用的技术方案如下：
[0006]第一方面，本申请实施例提供了一种轨迹规划方法，包括：
[0007]根据目标对象当前时刻的运动状态信息，采用预先训练得到的目标轨迹模型，生成所述目标对象的初始预估运动状态信息；
[0008]根据所述目标对象的初始预估运动状态信息，采用模型预测控制算法，调整所述预估运动状态信息，得到所述目标对象的目标运动状态信息，所述目标对象的运动轨迹由至少两个连续时刻的目标运动状态信息构成。
[0009]可选地，所述目标轨迹模型采用如下方式训练得到：
[0010]从预先构建的运动状态信息库中获取多个样本对象的多个历史时刻的运动状态信息，运动状态信息包括：对象的位置信息、对象的速度信息及轨迹剩余时间；
[0011]基于各样本对象的多个历史时刻的运动状态信息对初始轨迹模型进行迭代训练，得到所述目标轨迹模型。
[0012]可选地，所述基于各样本对象的多个历史时刻的运动状态信息对初始轨迹模型进行迭代训练，得到所述目标轨迹模型，包括：
[0013]将各样本对象的多个历史时刻的运动状态信息输入所述初始轨迹模型中，得到所述初始轨迹模型输出的各样本对象的预估运动状态信息；
[0014]根据所述预估运动状态信息以及实际运动状态信息，计算所述初始轨迹模型的模型损失，根据所述模型损失修正所述初始轨迹模型的模型参数，并基于修正后的初始轨迹模型重新对样本对象进行运动状态信息预估；
[0015]迭代执行上述步骤，直至所述初始轨迹模型的模型损失满足预设条件，并将满足预设条件的初始轨迹模型作为所述目标轨迹模型。
[0016]可选地，所述根据所述预估运动状态信息以及实际运动状态信息，计算所述初始轨迹模型的模型损失，包括：
[0017]根据各所述样本对象在各历史时刻的运动状态信息，使用模型预测控制算法，计算各所述样本对象的所述实际运动状态信息；
[0018]对各所述样本对象的所述预估运动状态信息以所述实际运动状态信息进行比对分析，得到所述初始轨迹模型的模型损失。
[0019]可选地，所述根据所述目标对象的初始预估运动状态信息，采用模型预测控制算法，调整所述预估运动状态信息，得到所述目标对象的目标运动状态信息，包括：
[0020]将所述目标对象的初始预估运动状态信息作为输入参数输入所述模型预测控制算法，计算得到所述目标对象的目标运动状态信息。
[0021]可选地，所述从预先构建的运动状态信息库中获取多个样本对象的多个历史时刻的运动状态信息之前，还包括：
[0022]获取多个样本对象的多个历史运动轨迹，各历史运动轨迹由各样本对象的至少两个连续历史时刻的运动状态信息构成；
[0023]对各样本对象的各历史运动轨迹进行拆分，得到各样本对象的多个历史时刻的运动状态信息；
[0024]由各样本对象的多个历史时刻的运动状态信息，构建所述运动状态信息库。
[0025]可选地，所述对象的位置信息包括：对象的位置及对象的朝向；所述对象的速度信息包括：对象的三维速度及三维加速度。
[0026]第二方面，本申请实施例还提供了一种轨迹规划装置，包括：生成模块、修正模块；
[0027]所述生成模块，用于根据目标对象当前时刻的运动状态信息，采用预先训练得到的目标轨迹模型，生成所述目标对象的初始预估运动状态信息；
[0028]所述修正模块，用于根据所述目标对象的初始预估运动状态信息，采用模型预测控制算法，调整所述预估运动状态信息，得到所述目标对象的目标运动状态信息，所述目标对象的运动轨迹由至少两个连续时刻的目标运动状态信息构成。
[0029]可选地，所述装置还包括模型训练模块；
[0030]所述模型训练模块，用于从预先构建的运动状态信息库中获取多个样本对象的多个历史时刻的运动状态信息，运动状态信息包括：对象的位置信息、对象的速度信息及轨迹剩余时间；
[0031]基于各样本对象的多个历史时刻的运动状态信息对初始轨迹模型进行迭代训练，得到所述目标轨迹模型。
[0032]所述模型训练模块，具体用于将各样本对象的多个历史时刻的运动状态信息输入所述初始轨迹模型中，得到所述初始轨迹模型输出的各样本对象的预估运动状态信息；
[0033]根据所述预估运动状态信息以及实际运动状态信息，计算所述初始轨迹模型的模型损失，根据所述模型损失修正所述初始轨迹模型的模型参数，并基于修正后的初始轨迹模型重新对样本对象进行运动状态信息预估；
[0034]迭代执行上述步骤，直至所述初始轨迹模型的模型损失满足预设条件，并将满足预设条件的初始轨迹模型作为所述目标轨迹模型。
[0035]所述模型训练模块，具体用于根据各所述样本对象在各历史时刻的运动状态信
息，使用模型预测控制算法，计算各所述样本对象的所述实际运动状态信息；
[0036]对各所述样本对象的所述预估运动状态信息以所述实际运动状态信息进行比对分析，得到所述初始轨迹模型的模型损失。
[0037]可选地，所述修正模块，具体用于将所述目标对象的初始预估运动状态信息作为输入参数输入所述模型预测控制算法，计算得到所述目标对象的目标运动状态信息。
[0038]可选地，所述装置还包括：构建模块；
[0039]所述构建模块，用于获取多个样本对象的多个历史运动轨迹，各历史运动轨迹由各样本对象的至少两个连续历史时刻的运动状态信息构成；
[0040]对各样本对象的各历史运动轨迹进行拆分，得到各样本对象的多个历史时刻的运动状态信息；
[0041]由各样本对象的多个历史时刻的运动状态信息，构建所述运动状态信息库。
[0042]可选地，所述对象的位置信息包括：对象的位置及对象的朝向；所述对象的速度信息包括：对象的三维速度及三维加速度。
[0043]第三方面，本申请实施例提供了一种电子设备，包括：处理器、存储介质和总线，存储介质存储有本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轨迹规划方法，其特征在于，包括：根据目标对象当前时刻的运动状态信息，采用预先训练得到的目标轨迹模型，生成所述目标对象的初始预估运动状态信息；根据所述目标对象的初始预估运动状态信息，采用模型预测控制算法，调整所述预估运动状态信息，得到所述目标对象的目标运动状态信息，所述目标对象的运动轨迹由至少两个连续时刻的目标运动状态信息构成。2.根据权利要求1所述的方法，其特征在于，所述目标轨迹模型采用如下方式训练得到：从预先构建的运动状态信息库中获取多个样本对象的多个历史时刻的运动状态信息，运动状态信息包括：对象的位置信息、对象的速度信息及轨迹剩余时间；基于各样本对象的多个历史时刻的运动状态信息对初始轨迹模型进行迭代训练，得到所述目标轨迹模型。3.根据权利要求2所述的方法，其特征在于，所述基于各样本对象的多个历史时刻的运动状态信息对初始轨迹模型进行迭代训练，得到所述目标轨迹模型，包括：将各样本对象的多个历史时刻的运动状态信息输入所述初始轨迹模型中，得到所述初始轨迹模型输出的各样本对象的预估运动状态信息；根据所述预估运动状态信息以及实际运动状态信息，计算所述初始轨迹模型的模型损失，根据所述模型损失修正所述初始轨迹模型的模型参数，并基于修正后的初始轨迹模型重新对样本对象进行运动状态信息预估；迭代执行上述步骤，直至所述初始轨迹模型的模型损失满足预设条件，并将满足预设条件的初始轨迹模型作为所述目标轨迹模型。4.根据权利要求3所述的方法，其特征在于，所述根据所述预估运动状态信息以及实际运动状态信息，计算所述初始轨迹模型的模型损失，包括：根据各所述样本对象在各历史时刻的运动状态信息，使用模型预测控制算法，计算各所述样本对象的所述实际运动状态信息；对各所述样本对象的所述预估运动状态信息以所述实际运动状态信息进行比对分析，得到所述初始轨迹模型的模型损失。5.根据权利要求1
‑
4任一所述...

【专利技术属性】
技术研发人员：冷晓琨，常琳，吴雨璁，白学林，柯真东，王松，何治成，黄贤贤，
申请(专利权)人：乐聚深圳机器人技术有限公司，
类型：发明
国别省市：