一种基于视觉和动态运动基元的机械臂轨迹规划方法技术

本发明专利技术公开了一种基于视觉和动态运动基元的机械臂轨迹规划方法，涉及机械臂轨迹规划技术领域。包括机器人，计算机，包括如下步骤：人体背部皮肤区域分割，利用视觉系统对环境进行视觉感知，并通过深度学习算法对人体皮肤区域进行分割；人体背部皮肤区域输入轨迹规划系统；基于动态运动基元算法学习示教轨迹，利用局部加权回归求取示教轨迹的权重参数；生成擦拭运动轨迹，结合视觉系统提供的人体背部皮肤区域环境信息，生成机器人在目标区域内的擦拭运动轨迹；机器人执行轨迹擦拭人体背部皮肤，机器人根据运动轨迹执行擦拭人体背部皮肤的多接触操作任务，实时分割目标区域，提高机器人在任务中的执行精度，融合多模态信息，适应个体差异。个体差异。个体差异。

【技术实现步骤摘要】
一种基于视觉和动态运动基元的机械臂轨迹规划方法


[0001]本专利技术涉及机械臂轨迹规划
，尤其涉及一种基于视觉和动态运动基元的机械臂轨迹规划方法。

技术介绍

[0002]随着机器人技术的发展,机器人已被应用于各种各样的行业领域，如工业、医疗检查和空间勘探等。然而，在诸多作业领域中，机器人仅仅依靠位置定位难以完成各种复杂任务。这种机器人与环境不断接触，且要接收和处理复杂的环境信息并驱动机器人的任务，称为多接触(丰富接触)任务。这类任务涉及到对物体的抓取、搬运、操作等复杂操作，对机器人的感知、控制和规划能力提出了更高的要求。多接触任务在工业自动化、服务机器人、医疗康复等领域具有广泛的应用前景。
[0003]针对目前多关节机械臂复杂的非线性系统，其高自由度及连杆间的耦合等性质导致笛卡尔空间轨迹规划难度较大，如何基于动态运动基元的轨迹学习方法，结合深度学习语义分割网络，从而有效地对外界环境进行视觉感知，更好地适应机器人的多变环境是目前亟需解决的问题。

技术实现思路

[0004]本专利技术的目的在于提供一种基于视觉和动态运动基元的机械臂轨迹规划方法，解决了上述提到的技术问题。
[0005]为实现上述目的，本专利技术提供如下技术方案：一种基于视觉和动态运动基元的机械臂轨迹规划方法，包括机器人，计算机，包括如下步骤：
[0006]S1、人体背部皮肤区域分割，利用视觉系统对环境进行视觉感知，并通过深度学习算法对人体皮肤区域进行分割；
[0007]S2、人体背部皮肤区域输入轨迹规划系统，将S1中分割出的人体背部皮肤区域输入轨迹规划系统；
[0008]S3、基于动态运动基元算法学习示教轨迹，利用局部加权回归求取示教轨迹的权重参数；
[0009]S4、生成擦拭运动轨迹，结合视觉系统提供的人体背部皮肤区域环境信息，生成机器人在目标区域内的擦拭运动轨迹；
[0010]S5、机器人执行轨迹擦拭人体背部皮肤，机器人根据计算出的运动轨迹执行擦拭人体背部皮肤的多接触操作任务。
[0011]优选的，所述S3中具体还包括如下步骤：
[0012]S31、人工示教轨迹特征提取，在拖动示教过程中，收集机器人的机械臂末端的运动轨迹，所述运动轨迹由时间序列以及与各时刻相对应的末端三维笛卡尔坐标序列(位置坐标X,Y,Z)和机械臂姿态的欧拉角(roll、pitch、yaw)组成，通过使用机器人的ROS系统，记录拖动过程中每一时刻机械臂末端的位移及其对应姿态机器人通过采集自身数据并解算
得到各时刻末端坐标，然后返回轨迹，坐标值均是相对于机械臂基座进行测量；
[0013]S32、示教轨迹学习与泛化，根据改进的动态运动基元算法，一维运动的DMP可以表示为
[0014][0015][0016][0017]式中，α>0是预定义的常数，g是目标位置，y0是初始位置，x是相变量，z是辅助变量，τ＝t
T
是表征运动持续时间的缩放因子，可以用于轨迹加速度、速度和时间的缩放而不改变其形状，K是弹性常数，D是阻尼常数，当常数K与D选择恰当，4K＝D2，就可以得到临界阻尼系统，使上述方程描述的系统快速收敛于目标，其中，f(x)是不再关联起
‑
终点状态差的强迫函数，由N个径向基函数线性组合得到
[0018][0019]ψ
i
(x)＝exp(
‑
h
i
(x
‑
c
i
)2)
ꢀꢀꢀꢀ
(5)
[0020]其中ψ
i
(x)是第i个径向基函数，基函数服从以c
i
为中心，h
i
为方差的高斯分布。w
i
是与其对应的权值系数。函数f(x)并不直接取决于时间变量，而是相变量x，积分正则系统τ可得
[0021][0022]上式是一个指数型函数，在运动过程中从1向0递减，通过采集机器人的机械臂三维笛卡尔空间的空间位置变化和对应运动过程中3D姿态变化信息，将多维的运动解耦成多个独立的一维运动，然后分别在每个维度上进行学习，计算各自的转换系统，最后计算各个维度上的运动轨迹，为保证各独立的一维运动间的同步，整个过程由同一个正则系统驱动，相应的多维位置DMPs可以定义如下
[0023][0024][0025][0026]上述方程中，相关参数与式一维运动的DMP中类似，其中g
p
、p、p0分别表示多维的目标位置、中间位置和初始位置向量，v是速度向量，K和D分别表示弹性系数矩阵和阻尼系数矩阵，相应的位置强迫函数f
p
(x)解耦了与起
‑
终点位置差的关联，定义如下
[0027][0028]其中是位置权值系数向量。
[0029]优选的，所述S1中具体还包括基于编解码器神经网络的图像分割，所述编码器神经网络包括编码器、解码器和跳跃连接，编码器使用卷积神经网络将从视觉系统获取的环境图像计算为特征图，解码器通过上采样恢复特征图到原图像的分辨率，跳跃连接将解码器和编码器中对应的相同分辨率的特征图进行特征融合，从而帮助解码器更好地恢复目标细节。
[0030]优选的，所述视觉系统具体采用Kinect摄像机，所述机器人具体采用Baxter，所述计算机具体参数为Ubuntu16.04，Intel(R)Core(TM)i7
‑
7700 CPU(3.60GHz)，NVIDIA GeForce RTX 3070GPU，16GB RAM，所述计算机搭载软件为PyCharm。
[0031]与相关技术相比较，本专利技术提供的一种基于视觉和动态运动基元的机械臂轨迹规划方法具有如下有益效果：
[0032]一、基于端到端神经网络，结合ConvLSTM和注意力模块，提取视频流中连续帧之间的相关性，分析图像并分割出人体皮肤。
[0033]二、基于动态运动基元算法，引人运动过程中的3D姿态变化，实现机械臂的6D轨迹规划，使轨迹规划更加准确、同时提高了运动精度和稳定性。
[0034]三、基于视觉和动态运动基元的机器人轨迹规划，将神经网络分割算法集成到动态运动基元算法中，实时分割目标区域，提高机器人在任务中的执行精度，融合多模态信息，适应个体差异。
附图说明
[0035]图1为本专利技术机械臂轨迹规划方法的框架图；
[0036]图2为本专利技术机器人轨迹规划方法的流程图；
[0037]图3为本专利技术一维轨迹数据的滤波示意图；
[0038]图4为本专利技术的Sigma的MSE折线图；
[0039]图5为本专利技术的示教轨迹学习与泛化示意图；
[0040]图6为本专利技术的深度学习模型结构示意图。
具体实施方式
[0041]请参阅图1
‑
图6，本专利技术提供一种技术方案，包括机器人，计算机，包括如下步骤：
[0042]S1、人体背部皮肤区域分割，利用视觉本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于视觉和动态运动基元的机械臂轨迹规划方法，包括机器人，计算机，其特征在于，包括如下步骤：S1、人体背部皮肤区域分割，利用视觉系统对环境进行视觉感知，并通过深度学习算法对人体皮肤区域进行分割；S2、人体背部皮肤区域输入轨迹规划系统，将S1中分割出的人体背部皮肤区域输入轨迹规划系统；S3、基于动态运动基元算法学习示教轨迹，利用局部加权回归求取示教轨迹的权重参数；S4、生成擦拭运动轨迹，结合视觉系统提供的人体背部皮肤区域环境信息，生成机器人在目标区域内的擦拭运动轨迹；S5、机器人执行轨迹擦拭人体背部皮肤，机器人根据计算出的运动轨迹执行擦拭人体背部皮肤的多接触操作任务。2.根据权利要求1所述的一种基于视觉和动态运动基元的机械臂轨迹规划方法，其特征在于，所述S3中具体还包括如下步骤：S31、人工示教轨迹特征提取，在拖动示教过程中，收集机器人的机械臂末端的运动轨迹，所述运动轨迹由时间序列以及与各时刻相对应的末端三维笛卡尔坐标序列(位置坐标X,Y,Z)和机械臂姿态的欧拉角(roll、pitch、yaw)组成，通过使用机器人的ROS系统，记录拖动过程中每一时刻机械臂末端的位移及其对应姿态机器人通过采集自身数据并解算得到各时刻末端坐标，然后返回轨迹，坐标值均是相对于机械臂基座进行测量；S32、示教轨迹学习与泛化，根据改进的动态运动基元算法，一维运动的DMP可以表示为S32、示教轨迹学习与泛化，根据改进的动态运动基元算法，一维运动的DMP可以表示为S32、示教轨迹学习与泛化，根据改进的动态运动基元算法，一维运动的DMP可以表示为式中，α>0是预定义的常数，g是目标位置，y0是初始位置，x是相变量，z是辅助变量，τ＝t
T
是表征运动持续时间的缩放因子，可以用于轨迹加速度、速度和时间的缩放而不改变其形状，K是弹性常数，D是阻尼常数，当常数K与D选择恰当，4K＝D2，就可以得到临界阻尼系统，使上述方程描述的系统快速收敛于目标，其中，f(x)是不再关联起
‑
终点状态差的强迫函数，由N个径向基函数线性组合得到ψ
i
(x)＝exp(
‑
h
i
(x
‑
c

【专利技术属性】
技术研发人员：黄金宝，
申请(专利权)人：福州大学，
类型：发明
国别省市：