一种球形机器人快速轨迹规划方法技术

本发明专利技术公开了一种球形机器人快速轨迹规划方法，首先根据机器人机械结构和运动机理，建立机器人的运动学模型和动力学模型；然后将球形机器人的轨迹规划问题描述成

【技术实现步骤摘要】
一种球形机器人快速轨迹规划方法


[0001]本专利技术涉及机器人控制领域，尤其是涉及一种球形机器人快速轨迹规划方法
。

技术介绍

[0002]球形机器人是一种新兴的球形机器人，其依靠内部的两自由度重力摆实现在平面上的灵活运动
。
球形机器人独特的机械结构使得其相对于传统的轮式和足式机器人有着显著优点，首先，球形机器完全密闭的球壳可以良好的保护内部的机械结构和电子器件，使机器人具备良好的抗击打
、
防水
、
防尘能力，能够在困难环境
、
野外
、
水面具有运动能力；然后，球形机器人不存在翻倒的概念，在各种情况下都能保有运动能力，重摆使得球形机器人重心低，稳定性和对抗性好；最后，滚动方式能耗低，球形机器人具有较长的续航时间和续航距离
。
但是，基于重摆的运动方式是一种间接的驱动方式，球形机器人具有强非线性
、
欠驱动
、
高时滞
、
临界稳定的特点，使得机器人的姿态控制和轨迹规划具有较强的挑战性
。
[0003]机器人轨迹规划器将全局路径转化为了带有时间信息的轨迹，并生成具体指令供控制器执行
。
其任务可以拆分成如下环节：跟踪全局路径，维持姿态稳定，降低能耗，尽可能快速的完成任务，躲避障碍物等
。
轨迹规划器的性能直接关系到机器人完成全局路径的能力
、
效率和运动过程中的姿态稳定性
。
基于时间橡皮筋等传统的轨迹规划算法往往没能考虑机器人的动力学模型，无法解决球形机器人强非线性
、
欠驱动
、
高时滞
、
临界稳定的挑战，无法引导球形机器人高效完成全局轨迹
。
所以需要开发一种适用于球形机器人的轨迹规划方法
。
[0004]机器人轨迹规划器按照一定的频率循环执行，类似于模型预测控制算法的思路
。
机器人模型预测轨迹规划器在近年来也获得了广泛的研究，在多种机器人上取得了成功的应用
。
模型预测轨迹规划器显式考虑了机器人的模型，提升了轨迹的可实现性
。
但是模型预测算法存在优化求解计算复杂度高
、
依赖求解库的问题，难以满足高频率实时运行的挑战
。
模型预测算法的能力随着机器人模型精细度提高
、
预测时长的加长可以获得显著提升，但是会进一步的加剧实时求解的困难度，往往需要大型计算服务器进行远程求解
。
算法难以部署在本地轻量化平台上，不利于机器人的小型化和完全自主能力的构建
。
目前还无相应方法来解决此问题
。
[0005]所以急需开发一种适用于球形机器人的快速规划轨迹算法，不依赖复杂的求解库，能部署在轻量化的本地平台上，来大幅度提升机器人的自主能力，有利于机器人小型化
。

技术实现思路

[0006]本专利技术主要是解决现有技术所存在的实时求解困难
、
不利于机器人的小型化的技术问题，提供一种新的球形机器人的快速轨迹规划方法
。
本方案首先建立球形机器人的模型；然后引入模型预测控制理论，建立模型预测轨迹规划器，能在考虑高维运动
‑
动力学模型的情况下给出平滑的轨迹和稳定的指令，引导机器人快速高效
、
姿态稳定的跟踪全局路
径；接着，将模型预测轨迹规划器的代价函数分为两个部分，开发了一种两阶段的快速求解方法：通过离线采样求解来生成数据集，训练了一个神经网络能在不考虑障碍物的情况下求解模型预测轨迹规划问题，然后引入粒子群算法在神经网络求解基础上进行再优化，实现避障功能
。
本方法最终实现了一种适用于球形机器人的高效鲁棒轨迹规划器，能部署在轻量级计算平台上，引导球形机器人姿态稳定
、
高效的完成各种任务
。
[0007]本专利技术针对上述技术问题主要是通过下述技术方案得以解决的：一种球形机器人快速轨迹规划方法，包括以下步骤：
[0008]S01、
根据机械结构设计和拉格朗日法，建立球形机器人的运动学模型和动力学模型；
[0009]S02、
根据性能指标和模型约束，将球形机器人的轨迹规划任务定义为模型预测滚动优化问题，并将损失函数分为与自身状态有关的部分和与环境有关的部分，从而进行两阶段求解；
[0010]S03、
针对只与自身状态有关的部分损失函数，确定优化问题的输入分布范围，在分布范围中均匀采样；针对每个采样形成的问题，使用非线性优化求解器进行不限时间的求解，得到结果，形成数据集，进而训练神经网络，以学习求解结果；
[0011]S04、
将神经网络部署到球形机器人本地计算单元上；神经网络的输入为机器人当前状态和目标位置，输出结果为不考虑环境障碍物情况下的最优轨迹；机器人当前状态通过传感器和观测器活动，目标位置是从全局路径上截取或者人为设定；
[0012]S05、
判断神经网络输出的最优轨迹上是否有障碍物，如无障碍物，将不考虑环境障碍物情况下的最优轨迹下发给控制模块执行，结束轨迹规划过程；如有障碍物，进入步骤
S06
；
[0013]S06、
引入障碍物梯度信息，使用粒子群优化算法在不考虑环境障碍物情况下的最优轨迹的基础上进行再优化，得出考虑障碍物情况下的最优轨迹，将考虑障碍物情况下的最优轨迹下发给控制模块执行，结束轨迹规划过程
。
[0014]S04
‑
S06
表示了轨迹规划问题的实际求解过程，在机器人运动过程中按照一定频率滚动执行
[0015]作为优选，建立的球形机器人运动学模型为：
[0016][0017]其中，
x
和
y
是机器人在世界坐标系中的位置，
r
是球形机器人半径，是机器人的偏航角，
θ
是机器人的翻滚角；符号上加点为求导，一个点为一阶导数，两个点为二阶导数；
[0018]球形机器人的动力学模型
E
τ
为：
[0019][0020][0021][0022]F(q)
＝
[0 F
fx
r 0 F
fy
r]T
[0023]q
＝
[
ψ α β θ
]T τ
＝
[
τ
l τ
s
]T
[0024]其中，
M
和
m
p
分别是整球和重摆的质量；
I
pl
是重摆绕主轴的转动惯量，
I
fl
是框架绕主轴的转动惯量，
I
sl
是球壳绕主轴的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种球形机器人快速轨迹规划方法，其特征在于，包括以下步骤：
S01、
建立球形机器人的运动学模型和动力学模型；
S02、
根据性能指标和模型约束，将球形机器人的轨迹规划任务定义为模型预测滚动优化问题，并将损失函数分为与自身状态有关的部分和与环境有关的部分，从而进行两阶段求解；
S03、
针对只与自身状态有关的部分损失函数，确定优化问题的输入分布范围，在分布范围中均匀采样；针对每个采样形成的问题，使用非线性优化求解器进行不限时间的求解，得到结果，形成数据集，进而训练神经网络，以学习求解结果；
S04、
将神经网络部署到球形机器人本地计算单元上；神经网络的输入为机器人当前状态和目标位置，输出结果为不考虑环境障碍物情况下的最优轨迹；
S05、
判断神经网络输出的最优轨迹上是否有障碍物，如无障碍物，将不考虑环境障碍物情况下的最优轨迹下发给控制模块执行，结束轨迹规划过程；如有障碍物，进入步骤
S06
；
S06、
引入障碍物梯度信息，使用粒子群优化算法在不考虑环境障碍物情况下的最优轨迹的基础上进行再优化，得出考虑障碍物情况下的最优轨迹，将考虑障碍物情况下的最优轨迹下发给控制模块执行，结束轨迹规划过程
。2.
根据权利要求1所述的一种球形机器人快速轨迹规划方法，其特征在于，建立的球形机器人运动学模型为：其中，
x
和
y
是机器人在世界坐标系中的位置，
r
是球形机器人半径，是机器人的偏航角，
θ
是机器人的翻滚角；符号上加点为求导，一个点为一阶导数，两个点为二阶导数；球形机器人的动力学模型
E
τ
为：为：为：
F(q)
＝
[0 F
fx
r 0 F
fy
r]
T
q
＝
[
ψ α β θ
]
T
ꢀꢀ
τ
＝
[
τ
l τ
s
]
T
其中，
M
和
m
p
分别是整球和重摆的质量；
I
pl
是重摆绕主轴的转动惯量，
I
fl
是框架绕主轴
的转动惯量，
I
sl
是球壳绕主轴的转动惯量，
I
ps
是重摆绕副轴的转动惯量，
I
fs
是框架绕副轴的转动惯量，
I
ss
是球壳绕副轴的转动惯量；
r
是球壳半径；
l
是重摆质心到球心的距离；
g
是重力加速度；
ψ
是机器人的俯仰角；
α
和
β
分别是主轴电机和副轴电机的旋转角度；
τ
l
和
τ
s
分别是主轴电机和副轴电机的输出力矩；
F
fx
和
F
fy
是球形与地面在主轴和副轴方向的摩擦力；
ζ
为瑞利耗散系数；联立运动学模型和动力学模型，即为轨迹规划器所需的模型对象，球形机器人的运动轨迹使用下述积分公式进行前向预测：其中
t0是起始时刻，
t
f
是终端时刻；
X(t)
为机器人在
t
时刻的状态向量，
U(t)
为机器人在
t
时刻的输入向量
。3.
根据权利要求2所述的一种球形机器人快速轨迹规划方法，其特征在于，所述步骤
S02
中，将轨迹规划问题定义为模型预测滚动优化问题，轨迹规划问题的代价函数的形式如下所示：
J
为整体的代价函数，
Φ
为终端代价函数，
T
为过程中的代价函数；确定终端目标状态
ε
后，通过求解下列边值问题来获得所有输入和整条轨迹：
g(X(t
f
),
ε
)
＝
0G
为边值问题的代价函数，
g
为相应的终端约束，保证机器人终端状态达到设定值
ε
；则可建立终端目标状态
ε
与轨迹之间的映射关系，表示为代价函数也转化为只与终端目标状态
ε
有关的形式，如下所示：有关的形式，如下所示：其中，和分别为转化后的代价函数，优化问题的决策变量变为终端目标状态
ξ
；选择目标速度
v
cmd
和目标横滚角
θ
cmd
作为终端目标状态
ε
来表示轨迹，终端目标状态
ε
也被称作运动原语；模型预测轨迹规划问题表述为如下形式：
s.t.X
′
＝
[x,y,
φ
]
T
；
F1(X(i|k),
ξ
)
＝0；
F2(X(i|k),
ξ
)<0
；
X(i|k)∈[X
min
,X
max
]
；
ξ
∈[
ξ
min
,
ξ
max
]
；
H1、H2和
H3均为可调节的代价系数矩阵，
MAP
(x(i|k),y(i|k))
为机器人地图管理模块提供的局部代价地图信息，
X
′
(N|k)
为预测轨迹，
X
′
goal
为目标轨迹，
F1和
F2分别为等式和不等式约束合集；将损失函数分为两部分将损失函数分为两部分其中，
J1(
·
)
为与自身状态有关的部分，
J2(
·
)
为与环境有关的部分
。4.
根据权利要求3所述的一种球形机器人快速轨迹规划方法，其特征在于，所述步骤
S03
‑
S04
中，神经网络预求解器的结构如下：
(1)
网络类别：多层感知机；
(2)
网络输入：9维，包括目标状态
(
l
x
goal
,
l
y
goal
,
ll
φ
goal
)、
当前速度
、
当前加速度
、
当前横滚角
、
当前横滚角加速度和上一时刻的控制指令
(v

【专利技术属性】
技术研发人员：王酉，官孝清，胡涛，张子昂，
申请(专利权)人：逻腾杭州科技有限公司，
类型：发明
国别省市：