基于BP神经网络的机械臂路径规划方法技术

本发明专利技术公开了一种基于BP神经网络的机械臂路径规划方法，包括：确定并处理搜索空间和障碍物，将搜索空间均匀划分为体积相等的小采样空间；计算各个小采样空间的采样概率；将划分后的小采样空间，设定为三个搜索空间，采用基于BP神经网络的各阶段采样节点数量预测方法，在获取随机地图后自动计算出该地图所需要的三个搜索空间区域中的采样节点数量；以输出采样节点数作为采样节点数量阈值，以搜索空间的采样概率作为搜索区域中各空间节点采样概率，在三个搜索空间进行节点采样，到达目标点后，输出规划的路径节点。本发明专利技术具有能降低计算时间，提高采样效率和路径寻优效率的特点。提高采样效率和路径寻优效率的特点。提高采样效率和路径寻优效率的特点。

【技术实现步骤摘要】
基于BP神经网络的机械臂路径规划方法


[0001]本专利技术涉及机械臂
，具体涉及一种基于BP神经网络的机械臂路径规划方法。

技术介绍

[0002]在智能制造的场景中，工业机械臂需要完成识别，抓取，搬运等操作，在人机协同制造、智能仓储环境中，存在障碍物密集或工作空间狭窄的情况，如何在有限的空间内找到一条高效且无碰撞的抓取路径是机械臂要面临的技术难题。机械臂路径规划旨在通过规划算法，在存在障碍物的工作环境内，规划出从起始点到目标点满足机械臂自身约束条件的无碰撞路径。在此基础上，通过一些约束条件(如规划路径最短，算法运行时间最短等)为机械臂规划一条最优的路径。
[0003]在三维笛卡尔空间中，基于图搜索路径规划算法的计算量成倍增加，运算过程占用大量时间，所以选择在三维笛卡尔空间中搜索速度更快的快速扩展随机树RRT算法。但RRT算法也存在许多缺点：随机性强、在狭窄区域内搜索速度缓慢、规划的路径不是最优路径。针对RRT算法的缺点，延伸出了许多RRT算法的变体以提高算法的收敛率以及搜索效率。
[0004]现有技术中，针对RRT算法产本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于BP神经网络的机械臂路径规划方法，其特征在于：该方法包括如下步骤：步骤一：确定并处理搜索空间和障碍物：初始化随机地图中的各个参数，包括起始点、目标点、障碍物、步长，确定搜索空间和障碍物；将搜索空间均匀划分为体积相等的小采样空间；将障碍物采用球包络的方法处理，并将障碍物包络球表面均匀离散化，计算每个小采样空间x
i
中的障碍物的体积V
obsi
，最后通过公式(1)计算出小采样空间x
i
中空白区域的体积V
freei
为V
freei
＝Vx
i
‑
V
obsi
ꢀꢀꢀ
(1)其中，Vx
i
为划分后的小采样空间的体积；步骤二：计算各个小采样空间的采样概率：根据划分后的每个小采样空间x
i
与目标点的距离对其赋予权重，距离权重系数d
i
为：其中，n
i
为第i个小采样空间到达目标点所在空间的步数；将划分后各小采样空间的V
freei
与距离权重系数d
i
进行加权，得到各划分后小采样空间的节点采样概率权重系数k
i
：k
i
＝V
freei
*d
i
通过公式(3)求得划分后各小采样空间的节点采样概率P
i
：步骤三：基于BP神经网络的各阶段采样节点数量预测：将划分后的小采样空间，设定为三个搜索空间，即搜索空间Stage1区域、搜索空间Stage2区域和搜索空间Stage3区域，采用基于BP神经网络的各阶段采样节点数量预测方法，在获取随机地图后自动计算出该地图所需要的Stage1、Stage2、Steage3区域中的采样节点数量，具体包括：1)制作训练数据集：生成随机地图，使用基于概率的RRT*算法重复运行，将每次运行stage1与stage2区域中的除去障碍物的空间体积，以及所述节点采样概率P
i
作为所述算法输入参数，所述算法运行结束后，各区域中的采样节点个数作为输出参数；2)BP神经网络结构设计：输入参数共29个、输入层维度为29，输出参数2个、输出层维度为2；结合输入层与输出层维度，设计整体BP神经网络层数为5，根据训练过程设置隐藏层维度为16；3)损失函数选择：为了处理多维数据的预测，在所述的基于BP神经网络的各阶段采样节点数量预测方法中，使用回归损...

【专利技术属性】
技术研发人员：袁庆霓，高清扬，罗国庆，吕健，杜飞龙，吴杨东，蓝伟文，胡耀，伍涛，
申请(专利权)人：贵州大学，
类型：发明
国别省市：