基于大数据的分拣机器人路径规划方法技术

技术编号:36690727 阅读:23 留言:0更新日期:2023-02-27 19:57
本发明专利技术涉及路径规划技术领域,具体涉及基于大数据的分拣机器人路径规划方法。该方法首先采集深度图像和至少两条执行路径;根据执行路径的初始极坐标方位角序列的波动程度得到可行均一性;计算初始极坐标方位角的优解集中度;得到多条执行路径的高度变化程度;根据分拣机器人的实时加速度的波动程度得到加速度波动评价;根据优解集中度、加速度波动评价和高度变化程度得到路径规划质量评价;基于优解集中度、可行均一性和路径规划质量评价构成的三元组对预测网络进行训练,将深度图像输入预测网络中输出预测高度。本发明专利技术利用预测网络得到预测高度,提高当前的路径规划质量,同时减少路径规划复杂程度,节约计算时间。节约计算时间。节约计算时间。

【技术实现步骤摘要】
基于大数据的分拣机器人路径规划方法


[0001]本专利技术涉及路径规划
,具体涉及基于大数据的分拣机器人路径规划方法。

技术介绍

[0002]Delta机器人是一种快速执行、控制简单的分拣机器人类型。对于垃圾分拣,Dleta机器人需要规划路径从而避开传送带上的其余垃圾,在路径规划时,由于Delta机器人的结构较为特殊,因此可以直接考虑末端的轨迹,但因垃圾的高度随机,代价地图等方法生成的二维轨迹好坏还取决于分拣机器人距离传送带的高度的选取,因此难以得到真正客观的最优解,而分拣机器人的高度若固定,则需要较高的高度余量,且仍然无法得到最优的规划路径的可行解,无法尽可能缩短Delta机器人的路径。

技术实现思路

[0003]为了解决上述技术问题,本专利技术的目的在于提供基于大数据的分拣机器人路径规划方法,所采用的技术方案具体如下:
[0004]采集分拣机器人视角下观测到的深度图像,基于深度图像得到至少两条执行路径;
[0005]获取所述执行路径的初始极坐标方位角;根据初始极坐标方位角的波动程度得到可行均一性;根据初始极坐标方位角构成的优解夹角范围,得到优解集中度;获取分拣机器人距离传送带的高度;根据多条执行路径的高度的波动程度得到高度变化程度;根据分拣机器人的实时加速度的波动程度、实时加速度和标准加速度的差异得到加速度波动评价;
[0006]根据所述优解集中度、所述加速度波动评价和所述高度变化程度得到路径规划质量评价;由所述优解集中度、所述可行均一性和所述路径规划质量评价构成三元组;基于所述三元组对预测网络进行训练,将所述深度图像输入训练好的预测网络中输出执行路径对应的预测高度;基于所述预测高度规划路径。
[0007]优选的,所述基于所述三元组对预测网络进行训练,包括:
[0008]根据所述可行均一性和所述高度变化程度对分拣机器人进行分类,得到四个分组,并对每个分组赋予权重;计算任意两个三元组对应的特征描述子的余弦相似度,所述余弦相似度乘上分拣机器人对应的权重,得到分拣机器人之间的类间距离,根据类间距离得到分拣机器人的局部可达密度,将局部可达密度大于预设最佳阈值的分拣机器人分至最优组,将局部可达密度小于等于预设最佳阈值的分拣机器人分至个例组;
[0009]对于最优组内的任意分拣机器人,将对应的起始高度作为分拣机器人的高度标签;对于个例组内的任意分拣机器人,获取对应的最高高度,将分拣机器人的归一化后的权重作为最高高度的加权权重,计算一减所述归一化后的得到第二权重,将所述第二权重作为对应的起始高度的加权权重;最高高度和起始高度加权求和得到调节高度,将所述调节高度作为分拣机器人的高度标签;分拣机器人对应的深度图像和高度标签作为预测网络的
训练集,对预测网络进行训练。
[0010]优选的,所述对预测网络进行训练,包括:
[0011]对于一个训练批次,所述训练批次中的分拣机器人样本对应的损失函数权重为一减去归一化后的局部可达密度;训练批次内的各样本对应的损失函数和损失函数权重加权求平均得到训练批次对应的损失函数。
[0012]优选的,所述根据初始极坐标方位角的波动程度得到可行均一性,包括:
[0013]计算所述初始极坐标方位角序列的方差,作为第一方差;所述第一方差乘上均一性修正系数,得到均一性修正值;以自然常数为底数,以负的均一性修正值为指数的指数函数值,作为可行均一性。
[0014]优选的,所述根据初始极坐标方位角构成的优解夹角范围,得到优解集中度,包括:
[0015]以最大初始极坐标方位角对应的夹角范围值作为优解夹角范围值;所述优解夹角范围值和预设最大夹角的比值为范围占比;一减去所述范围占比得到优解集中度。
[0016]优选的,所述根据多条执行路径的高度的波动程度得到高度变化程度,包括:
[0017]根据当前执行路径对应的高度的波动程度得到高度浮动度;获取多条执行路径的高度浮动度,构成高度浮动度序列;获取所述高度浮动度序列的均值和高度极差值;一加上所述均值作为调节值,以所述调节值为底数,以负的所述高度极差值为指数的指数函数值,作为高度变化程度。
[0018]优选的,所述根据当前执行路径对应的高度的波动程度得到高度浮动度,包括:
[0019]由当前执行路径的高度构建高度序列,计算高度序列的方差,作为第二方差;所述第二方差乘上高度修正系数,得到高度修正值;以自然常数为底数,以负的高度修正值为指数的指数函数值,作为高度浮动度。
[0020]优选的,所述加速度波动评价的计算公式为:
[0021]H=(1

exp(

MSD(Φ,Φ
std
)))*(1+Var(Φ)

Range(Φ)
)
‑1[0022]其中,H为所述加速度波动评价;exp为以自然常数为底数的指数函数;Φ为实时加速度序列;Φ
std
为标准加速度序列;MSD(Φ,Φ
std
)为实时加速度序列和标准加速度序列的形态相似距离;Var(Φ)为实时加速度序列的方差;Range(Φ)为实时加速度的序列的极差值。
[0023]优选的,所述根据所述优解集中度、所述加速度波动评价和所述高度变化程度得到路径规划质量评价,包括:
[0024]所述优解集中度和所述高度变化程度的乘积作为初始评价;所述初始评价和加速度波动评价的比值为路径规划质量评价。
[0025]优选的,所述根据所述可行均一性和所述高度变化程度对分拣机器人进行分类,得到四个分组,并对每个分组赋予权重,包括:
[0026]选取任意分拣机器人作为目标机器人,计算目标机器人和另一任意分拣机器人的可行均一性的差值作为第一差值;计算目标机器人和另一任意分拣机器人的高度变化程度的差值作为第二差值;获取所述第一差值和所述第二差值的平方和,以所述平方和为底数,以为指数的指数函数值作为差异距离;
[0027]根据差异距离对分拣机器人进行分类,得到四个分组;获取每个分组对应的可行均一性均值和高度变化程度均值;对可行均一性均值和高度变化程度均值都大于等于预设第一阈值的分组,赋予权重1;对可行均一性均值和高度变化程度均值都小于预设第一阈值的分组,赋予权重4;否则,赋予权重2.5。
[0028]本专利技术实施例至少具有如下有益效果:
[0029]本专利技术通过分析路径规划过程中的执行路径得到可行均一性,可行解剔除过程中的优解集中度以及分拣机器人末端移动时的高度变化程度,并通过执行时加速度波动评价这四个指标确定当前的执行路径的路径规划质量,通过高度变化程度确定路径规划质量是避免因蛮力抬高分拣机器人执行末端,或因代价地图的设计问题忽略了移动过程中的垃圾,可能会产生碰撞或剐蹭;加速度波动评价反映了当前执行路径的移动激烈程度;优解集中度反映了分拣机器人的运动过程中在若干个初始方向上来回跳动的情况,当来回跳动时优解集中度较大,分拣机器人来回跳动的概率越大,则会影响本文档来自技高网
...

【技术保护点】

【技术特征摘要】
1.基于大数据的分拣机器人路径规划方法,其特征在于,该方法包括以下步骤:采集分拣机器人视角下观测到的深度图像,基于深度图像得到至少两条执行路径;获取所述执行路径的初始极坐标方位角;根据初始极坐标方位角的波动程度得到可行均一性;根据初始极坐标方位角构成的优解夹角范围,得到优解集中度;获取分拣机器人距离传送带的高度;根据多条执行路径的高度的波动程度得到高度变化程度;根据分拣机器人的实时加速度的波动程度、实时加速度和标准加速度的差异得到加速度波动评价;根据所述优解集中度、所述加速度波动评价和所述高度变化程度得到路径规划质量评价;由所述优解集中度、所述可行均一性和所述路径规划质量评价构成三元组;基于所述三元组对预测网络进行训练,将所述深度图像输入训练好的预测网络中输出执行路径对应的预测高度;基于所述预测高度规划路径。2.根据权利要求1所述的基于大数据的分拣机器人路径规划方法,其特征在于,所述基于所述三元组对预测网络进行训练,包括:根据所述可行均一性和所述高度变化程度对分拣机器人进行分类,得到四个分组,并对每个分组赋予权重;计算任意两个三元组对应的特征描述子的余弦相似度,所述余弦相似度乘上分拣机器人对应的权重,得到分拣机器人之间的类间距离,根据类间距离得到分拣机器人的局部可达密度,将局部可达密度大于预设最佳阈值的分拣机器人分至最优组,将局部可达密度小于等于预设最佳阈值的分拣机器人分至个例组;对于最优组内的任意分拣机器人,将对应的起始高度作为分拣机器人的高度标签;对于个例组内的任意分拣机器人,获取对应的最高高度,将分拣机器人的归一化后的权重作为最高高度的加权权重,计算一减所述归一化后的得到第二权重,将所述第二权重作为对应的起始高度的加权权重;最高高度和起始高度加权求和得到调节高度,将所述调节高度作为分拣机器人的高度标签;分拣机器人对应的深度图像和高度标签作为预测网络的训练集,对预测网络进行训练。3.根据权利要求2所述的基于大数据的分拣机器人路径规划方法,其特征在于,所述对预测网络进行训练,包括:对于一个训练批次,所述训练批次中的分拣机器人样本对应的损失函数权重为一减去归一化后的局部可达密度;训练批次内的各样本对应的损失函数和损失函数权重加权求平均得到训练批次对应的损失函数。4.根据权利要求1所述的基于大数据的分拣机器人路径规划方法,其特征在于,所述根据初始极坐标方位角的波动程度得到可行均一性,包括:计算所述初始极坐标方位角序列的方差,作为第一方差;所述第一方差乘上均一性修正系数,得到均一性修正值;以自然常数为底数,以负的均一性修正值为指数的指数函数值,作为可行均一性。5.根据权利要求1所述的基于大数据的分拣机器人路径规划方法,其特征在于,所述根据初始极坐标方位角构成的优解夹角范围,得到优解集中度,包括:以最大初始极坐标方位角对应的夹角范围值作为优解夹角范围值;所述优解夹角范围值和预设...

【专利技术属性】
技术研发人员:宋欢蔡晶晶李冰丁玉涛邱国柯
申请(专利权)人:河南职业技术学院
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1