移动机器人的轨迹规划和控制方法、电子设备及存储介质技术

本发明专利技术的实施例提供了一种移动机器人的轨迹规划和控制方法、电子设备及存储介质。轨迹规划方法包括：获取移动机器人的目标路径信息；基于目标路径信息和目标约束条件，对目标函数求解，获得移动机器人的规划轨迹中各轨迹点的轨迹点信息，规划轨迹是从目标路径的起点至目标路径的终点的轨迹，轨迹点信息包括轨迹点所对应的时间和优化变量；其中，优化变量包括底座的平坦输出量和机械臂相对于旋转轴的旋转角度，目标函数为以轨迹点信息为自变量的函数，目标约束条件包括底座约束条件和机械臂约束条件。该方案能够实现适用于诸如SCR

【技术实现步骤摘要】
移动机器人的轨迹规划和控制方法、电子设备及存储介质


[0001]本专利技术涉及移动机器人
，更具体地涉及一种移动机器人的轨迹规划方法、移动机器人的控制方法、电子设备及计算机可读存储介质。

技术介绍

[0002]目前，具有额外自由度变形能力的移动机器人广泛应用于工厂、家庭等多种工作场景中。移动机器人具有诸如机械臂等用于执行特定任务的功能结构，这些功能结构在执行任务时能够改变移动机器人的形状，扩大了移动机器人的作业范围。但与此同时，这些功能结构所带来的额外的自由度也对移动机器人的轨迹规划带来了较多的限制。
[0003]相关技术中，移动机器人的轨迹规划通常比较保守。比如在移动机器人的底座移动时将功能结构(例如机械臂)收为体积最小的构型，并在轨迹规划时按照该构型，将移动机器人视为无自由度的一体化移动机器人来进行规划。尽管这样可以尽可能保证移动机器人的安全，但功能结构在底座运行时无法提前运动，这会增加底座停止运行后功能结构的运行时间，严重影响了移动机器人的工作效率。因此，这种轨迹规划方法的规划效果不够好。

技术实现思路

[0004]考虑到上述问题而提出了本专利技术。根据本专利技术的一个方面，提供了一种移动机器人的轨迹规划方法，移动机器人包括底座和机械臂；机械臂设置在底座上，且机械臂可相对底座转动；方法包括：获取移动机器人的目标路径信息，目标路径信息包括目标路径的起点和终点的位置；基于目标路径信息和目标约束条件，对目标函数求解，获得移动机器人的规划轨迹中各轨迹点的轨迹点信息，规划轨迹是从目标路径的起点至目标路径的终点的轨迹，轨迹点信息包括轨迹点所对应的时间和优化变量；其中，优化变量包括底座的平坦输出量和机械臂相对于旋转轴的旋转角度，目标函数为以轨迹点信息为自变量的函数，目标约束条件包括底座约束条件和机械臂约束条件，底座约束条件为与底座相关的约束条件，机械臂约束条件为与机械臂相关的约束条件。
[0005]示例性地，规划轨迹分为多个轨迹段，每个轨迹段中的各轨迹点所对应的优化变量采用以时间为自变量的多项式函数表示。
[0006]示例性地，基于目标路径信息和目标约束条件，对目标函数求解，获得移动机器人的规划轨迹中各轨迹点的轨迹点信息，包括：基于目标路径信息和目标约束条件，将目标函数转化为无约束优化函数；对无约束优化函数求解，获得规划轨迹中各轨迹点的轨迹点信息。
[0007]示例性地，基于目标路径信息和目标约束条件，对目标函数求解，获得移动机器人的规划轨迹中各轨迹点的轨迹点信息，包括：对于移动机器人的至少一种第一状态量中的每种第一状态量，采用第一采样频率对该第一状态量进行稀疏采样；将通过稀疏采样获得的第一状态量代入第一约束模型中，第一约束模型基于目标约束条件中与至少一种第一状
态量相关的约束条件构建；对于底座的至少一种第二状态量中的每种第二状态量，在底座的线速度低于预设速度阈值时，对该第二状态量采用第二采样频率进行密集采样；将通过密集采样获得的第二状态量代入第二约束模型中，第二约束模型基于目标约束条件中与至少一种第二状态量相关的约束条件构建；基于目标路径信息以及代入后的第一约束模型和第二约束模型，对目标函数进行优化，获得规划轨迹中各轨迹点的轨迹点信息；其中，第一采样频率小于第二采样频率；至少一种第一状态量包括以下一项或多项：底座的线速度、底座的最小线速度、底座的线加速度、底座的角速度、底座的角加速度、底座的安全参数、机械臂的角速度、机械臂的角加速度、机械臂的安全参数；至少一种第二状态量包括以下一项或多项：底座的最小线速度、底座的角速度和底座的角加速度；其中，底座的安全参数用于保证移动机器人移动时底座的安全性，机械臂的安全参数用于保证移动机器人移动时机械臂的安全性。
[0008]示例性地，至少一种第一状态量包括底座的线速度，对于底座的至少一种第二状态量中的每种第二状态量，在底座的线速度超过预设速度阈值时，对该第二状态量采用第二采样频率进行密集采样，包括：对于底座的至少一种第二状态量中的每种第二状态量，在通过稀疏采样获得的底座的线速度超过预设速度阈值时，对该第二状态量采用第二采样频率进行密集采样。
[0009]示例性地，基于目标路径信息和目标约束条件，对目标函数求解，获得移动机器人的规划轨迹中各轨迹点的轨迹点信息，包括：基于目标路径信息和目标约束条件，将目标函数转化为无约束优化函数；对无约束优化函数求解，获得规划轨迹中各轨迹点的轨迹点信息。
[0010]示例性地，无约束优化函数为：
[0011][0012]I
∑
＝ω
d
I
d
(c(z
′
w
),T(T))+ω
a
I
a
(c(z
′
w
),T(τ))，
[0013]其中，J0为目标函数，z(z
′
w
)表示各轨迹点所对应的优化变量，T(τ)表示各轨迹点所对应的时间，c(z
′
w
)为采样获得的状态量，I
d
为稀疏采样惩罚函数，ω
d
为稀疏采样惩罚函数的权重，I
a
为密集采样惩罚函数，ω
a
为密集采样惩罚函数的权重，其中，第一约束模型采用稀疏采样惩罚函数表示，第二约束模型采用密集采样惩罚函数表示。
[0014]示例性地，规划轨迹分为多个轨迹段，每个轨迹段中的各轨迹点所对应的优化变量采用以时间为自变量的多项式函数表示，密集采样惩罚函数为：
[0015][0016]其中，
[0017][0018][0019]其中，v
i,j
为底座的线速度，v
la
为预设速度阈值，κ是第一采样频率所对应的采样数量，κ
′
是第二采样频率所对应的采样数量，c
i
为第i个轨迹段所对应的多项式函数中的系数，T
i
为第i个轨迹段所对应的时间长度，L1为一阶光滑函数，L
a
为平滑激活函数，∈
a
为预设平滑参数，C
a,i,j,k
为采样函数，为预设系数。
[0020]示例性地，基于目标路径信息和目标约束条件，将目标函数转化为无约束优化函数，包括：采用光滑的双射函数将目标函数中的时间变量由正时间转化为无约束的时间，获得初始优化函数；将目标路径信息和目标约束条件转化为惩罚函数，与初始优化函数结合，获得无约束优化函数。
[0021]示例性地，底座约束条件包括以下一项或多项：最大线速度约束条件、最小线速度约束条件、第一最大角速度约束条件、第二最大角速度约束条件、最大线加速度约束条件、第一最大角加速度约束条件和第二最大角加速度约束条件，其中，最大线速度约束条件要求底座的线速度不大于第一预设速度；最小线速度约束条件要求底座的线速度不小于第二预设速度；第一最大角速度约束条件要求底座的逆时针角速度不大于第一预设角速度；第二最大角速度约束条件要求底座本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种移动机器人的轨迹规划方法，其特征在于，所述移动机器人包括底座和机械臂；所述机械臂设置在所述底座上，且所述机械臂可相对所述底座转动；所述方法包括：获取所述移动机器人的目标路径信息，所述目标路径信息包括目标路径的起点和终点的位置；基于所述目标路径信息和目标约束条件，对目标函数求解，获得所述移动机器人的规划轨迹中各轨迹点的轨迹点信息，所述规划轨迹是从所述目标路径的起点至所述目标路径的终点的轨迹，所述轨迹点信息包括轨迹点所对应的时间和优化变量；其中，所述优化变量包括所述底座的平坦输出量和所述机械臂相对于旋转轴的旋转角度，所述目标函数为以所述轨迹点信息为自变量的函数，所述目标约束条件包括底座约束条件和机械臂约束条件，所述底座约束条件为与所述底座相关的约束条件，所述机械臂约束条件为与所述机械臂相关的约束条件。2.根据权利要求1所述的方法，其特征在于，所述规划轨迹分为多个轨迹段，每个轨迹段中的各轨迹点所对应的优化变量采用以时间为自变量的多项式函数表示。3.根据权利要求1所述的方法，其特征在于，所述基于所述目标路径信息和目标约束条件，对目标函数求解，获得所述移动机器人的规划轨迹中各轨迹点的轨迹点信息，包括：基于所述目标路径信息和所述目标约束条件，将所述目标函数转化为无约束优化函数；对所述无约束优化函数求解，获得所述规划轨迹中各轨迹点的轨迹点信息。4.根据权利要求1所述的方法，其特征在于，所述基于所述目标路径信息和目标约束条件，对目标函数求解，获得所述移动机器人的规划轨迹中各轨迹点的轨迹点信息，包括：对于所述移动机器人的至少一种第一状态量中的每种第一状态量，采用第一采样频率对该第一状态量进行稀疏采样；将通过稀疏采样获得的第一状态量代入第一约束模型中，所述第一约束模型基于所述目标约束条件中与所述至少一种第一状态量相关的约束条件构建；对于所述底座的至少一种第二状态量中的每种第二状态量，在所述底座的线速度低于预设速度阈值时，对该第二状态量采用第二采样频率进行密集采样；将通过密集采样获得的第二状态量代入第二约束模型中，所述第二约束模型基于所述目标约束条件中与所述至少一种第二状态量相关的约束条件构建；基于所述目标路径信息以及代入后的所述第一约束模型和所述第二约束模型，对所述目标函数进行优化，获得所述规划轨迹中各轨迹点的轨迹点信息；其中，所述第一采样频率小于所述第二采样频率；所述至少一种第一状态量包括以下一项或多项：所述底座的线速度、所述底座的最小线速度、所述底座的线加速度、所述底座的角速度、所述底座的角加速度、所述底座的安全参数、所述机械臂的角速度、所述机械臂的角加速度、所述机械臂的安全参数；所述至少一种第二状态量包括以下一项或多项：所述底座的最小线速度、所述底座的角速度和所述底座的角加速度；其中，所述底座的安全参数用于保证所述移动机器人移动时所述底座的安全性，所述机械臂的安全参数用于保证所述移动机器人移动时所述机械臂的安全性。5.根据权利要求4所述的方法，其特征在于，所述至少一种第一状态量包括所述底座的
线速度，所述对于所述底座的至少一种第二状态量中的每种第二状态量，在所述底座的线速度超过所述预设速度阈值时，对该第二状态量采用第二采样频率进行密集采样，包括：对于所述底座的至少一种第二状态量中的每种第二状态量，在通过稀疏采样获得的所述底座的线速度超过所述预设速度阈值时，对该第二状态量采用第二采样频率进行密集采样。6.根据权利要求4所述的方法，其特征在于，所述基于所述目标路径信息和目标约束条件，对目标函数求解，获得所述移动机器人的规划轨迹中各轨迹点的轨迹点信息，包括：基于所述目标路径信息和所述目标约束条件，将所述目标函数转化为无约束优化函数；对所述无约束优化函数求解，获得所述规划轨迹中各轨迹点的轨迹点信息。7.根据引用权利要求6所述的方法，其特征在于，所述无约束优化函数为：I
∑
＝ω
d
I
d
(c(z
′
w
),(τ))+ω
a
I
a
(c(z
′
w
),(τ))，其中，J0为所述目标函数，z(z
′
w
)表示各轨迹点所对应的优化变量，T(τ)表示各轨迹点所对应的时间，c(z
′
w
)为采样获得的状态量，I
d
为稀疏采样惩罚函数，ω
d
为所述稀疏采样惩罚函数的权重，I
a
为密集采样惩罚函数，ω
a
为所述密集采样惩罚函数的权重，其中，所述第一约束模型采用所述稀疏采样惩罚函数表示，所述第二约束模型采用密集采样惩罚函数表示。8.根据权利要求7所述的方法，其特征在于，所述规划轨迹分为多个轨迹段，每个轨迹段中的各轨迹点所对应的优化变量采用以时间为自变量的多项式函数表示，所述密集采样惩罚函数为：其中，其中，其中，其中，v
i,j
为所述底座的线速度，v
la
为所述预设速度阈值，κ是所述第一采样频率所对应的采样数量，κ
′
是所述第二采样频率所对应的采样数量，c
i
为第i个轨迹段所对应的多项式函数中的系数，T
i
为第i个轨迹段所对应的时间长度，L1为一阶光滑函数，L
a<...

【专利技术属性】
技术研发人员：龚鼎，杨永森，吴一昊，张孟轲，曹燕军，
申请(专利权)人：云鲸智能创新深圳有限公司，
类型：发明
国别省市：