【技术实现步骤摘要】
基于强化深度学习训练七自由度冗余机械臂运动轨迹的方法
[0001]本专利技术涉及机械臂控制
,具体为基于强化深度学习训练七自由度冗余机械臂运动轨迹的方法。
技术介绍
[0002]对于机械臂来说,冗余的概念是相对的,是针对具体的任务来定义的,对于一个平面的任务,常用的6轴(六自由度)机械臂也是冗余的,但是更多的情况下,通常采用针对所有任务的情况,而三维空间是能用六个自由度进行描述,因此会将7轴(七自由度)机械臂称为冗余机械臂,利用冗余机械臂多余的自由度来实现本体避障、避奇异、避关节限位、关节力矩优化、增加操作度等附加任务,同时,也根据人的一只胳膊也是有七个自由度,从仿生学的角度,冗余机械臂也比较符合实际和场景应用。
[0003]七自由度冗余机械臂在执行任务的过程中会受到关节限位、周围环境、自碰撞以及动态平衡等多个约束条件的制约,特别是在集装箱的焊接作业中,为了实现高效的作业需求,焊接机械臂大规模地应用到集装箱生产线中,而由于作业的空间存在较多的障碍物,需要在自动化焊接的过程中考虑碰撞因素,为了顺利地执行焊接作业,对机械臂的避障路径规划的研究十分有必要。
[0004]针对机械臂的避障路径规划的问题,现有技术包含如下:将笛卡尔空间障碍向构型空间障碍进行转换,然后使用A*算法进行无碰撞路径规划;采用将机械臂从J空间中随机采样后通过正向运动学映射到C空间,再利用改进的RRT算法进行路径规划;采用人工势场法进行机械臂的路径规划,在障碍物处人工模拟一个斥力场,在目标点处模拟一个引力场,机械臂在这两个场的作用下 ...
【技术保护点】
【技术特征摘要】
1.基于强化深度学习训练七自由度冗余机械臂运动轨迹的方法,其特征在于:包括以下步骤:步骤一、强化学习基础:采用q
‑
learning算法和深度Q网络作为机械臂强化学习基础底层逻辑基础;步骤二、空间机械臂模型:首先对冗余机械臂进行建模,冗余机械臂采用D
‑
H法建立数学模型,同时机械臂相邻连杆关系采用4
×
4的齐次变换矩阵描述,以及调整机械臂为正运动,即得到三自由度串联机械臂模型,用以模拟七自由度机械臂运动轨迹和深度学习训练;步骤三、碰撞检测:将步骤二所得的三自由度串联机械臂模型置于三维障碍空间中,三维障碍空间中设置有球形障碍物,检测机械臂与球形障碍物碰撞参数,进行碰撞结果测算分析;步骤四、设定机械臂避障运动轨迹参数:设置奖励r、状态s和行为a;奖励r:表示机械臂执行动作轨迹,环境产生奖励,形成奖励函数参数;状态s:表示机械臂与环境的交互产生的状态变量参数;行为a:表示机械臂的关节转动角度向量;步骤五、DQN械臂路径规划:采用三层DNN网络作为DQN的网络主体,输入为机械臂的状态信息,输出为机械臂的运动关节角度,并通过机械臂避障路径规划算法,自动训练最优运动轨迹,避开空间障碍物,完成机械臂的强化深度学习训练。2.根据权利要求1所述的基于强化深度学习训练七自由度冗余机械臂运动轨迹的方法,其特征在于:所述步骤二中,旋转关节的齐次变换矩阵的一般形式为:3.根据权利要求1所述的基于强化深度学习训练七自由度冗余机械臂运动轨迹的方法,其特征在于:所述步骤三中,三自由度串联机械臂的当前位置与球形障碍物碰撞的判断步骤:步骤1、设定球形障碍物中心为P(X
o
,Y
o
,Z
o
),半径为R
o
,三自由度串联机械臂的半径为R1,机械臂轴线两端点分别为A(X1,Y1,Z1)、B(X2,Y2,Z2),同时设障碍物到直线的投影点为P
c
(X
c
,Y
c
,Z
c
);步骤2、计算直线的方向向量为:(X1‑
X2,Y1‑
Y2,Z1‑
Z2)=(M,N,P);步骤3、根据AB的空间直线计算方程为:X
c
=MT+X1,Y
c
=NT+Y1,Z
c
=PT+Z1;步骤4、根据障碍物与投影点连线与直线相交关系计算方程为:M(X0‑
X
C
)+N(Y0‑
Y
C
)+P(Z0‑
Z
c
)=0;步骤5、根据上面两式计算投影点坐标P
c
(X
c
,Y
c
,Z
c
),进而确定障碍物到机械臂的距离:D1=√(X1‑
X
C
)2+(Y1‑
Y
C
)2+(Z1‑
...
【专利技术属性】
技术研发人员:吕楠,张丽秋,刘伟,
申请(专利权)人:无锡慧眼人工智能科技有限公司,
类型:发明
国别省市:
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。