一种机器人深框抓取的路径规划方法技术

本发明专利技术适用于机器人路径规划技术领域，尤其涉及一种机器人深框抓取的路径规划方法

【技术实现步骤摘要】
一种机器人深框抓取的路径规划方法


[0001]本专利技术适用于机器人路径规划
，尤其涉及一种机器人深框抓取的路径规划方法
。

技术介绍

[0002]近年来，工业机器人已被广泛应用于制造业中，“机器代人”已成为一种趋势
。
在汽车制造业中，机器人技术的应用有效地提高了汽车制造业的水平和效率，促进了汽车制造向自动化和智能化的方向发展
。
[0003]然而，在钣金件焊接车间中，钣金件焊接的上下料仍然依赖人工搬运，这种工作相对枯燥繁重且效率低下，生产成本高，同时人工上下料方式难以配合自动化加工节拍及一致性要求，还容易出现安全事故
。
这是因为钣金件的物料框大多数较深，并且工件在料框内是无序的，传统的机器人示教和离线编程方式无法满足生产需求，难以实现机器人自动上下料
。
[0004]常见的抓取任务是通过视觉技术获得目标物体的精确姿态，进而使机器人能够移动到目标位置并执行抓取任务
。
在这个过程中，机器人需要在避障的同时稳定且可靠地抓住目标物体，路径规划在机器人执行抓取任务时起着至关重要的作用
。
[0005]在深框抓取路径规划中，需要充分考虑到环境因素，如障碍物和物料框，以确保机器人从起始点运动到目标点的过程中能够避免碰撞，安全的执行抓取任务
。
在高纬度空间下，由于障碍物的高度增加，传统的路径规划方法无法在短时间内获得可行解，导致机器人在深框环境下无法高效精准到达目标位置，降低了机器人的工作效率/>。
[0006]在众多的运动规划算法中，基于随机搜索策略的
RRT
算法已被广泛应用于机器人路径规划，尤其适用于高维空间的路径规划
。
然而
RRT
算法及其改进算法在狭窄通道中仍存在一些局限性
。
这些局限性包括但不限于以下几点：
[0007](1)
运动路径不光滑：
RRT
算法生成的路径可能会存在急剧的转折或者不光滑的情况，这样会给机器人的运动带来不稳定性和不可预测性
。
[0008](2)
搜索效率低下：当机器人需要进入狭窄通道时，由于
RRT
算法的盲目性可能会导致算法需要花费较长的时间才能找到进入深框的入口，导致在通道边缘生成较多的树节点或者难以进行入狭窄空间内，从而导致搜索效率低下
。
[0009](3)
易陷入局部最优解：当机器人需要在狭窄的空间中进行运动时，传统的
RRT
算法往往无法生成可行的路径
。
这是因为，在狭窄的空间中，机器人的自由度受限，同时需要考虑到机器人和环境的碰撞检测，这些都会影响路径的生成，易陷入局部最优解
。
[0010]因此，亟需一种新的机器人深框抓取的路径规划方法解决上述问题
。

技术实现思路

[0011]本专利技术提供一种机器人深框抓取的路径规划方法，旨在解决现有技术中存在的运动路径不光滑
、
搜索效率低下以及易陷入局部最优解问题
。
[0012]所述路径规划方法包括以下步骤：
[0013]S1、
获取工作空间和障碍物环境信息，设置机器人在关节空间中的起始点
、
目标点和障碍物深料框的位置，建立路径规划模型；
[0014]S2、
在所述路径规划模型中加入预抓取点约束所述机器人的运动路径，调整所述机器人的入框姿态；
[0015]S3、
通过目标偏置采样策略减小所述路径规划模型中随机树扩展的随机性；
[0016]S4、
通过自适应目标引力策略引导所述随机树中新节点的扩展方式，得到初始路径；
[0017]S5、
通过贪婪删除策略对所述初始路径进行修剪；
[0018]S6、
通过多次
B
样条曲线对修剪后的所述初始路径进行平滑处理，得到最终路径
。
[0019]优选的，所述预抓取点为在执行深框抓取任务时，给出待抓取工件的抓取点后，将所述抓取点垂直向上移动到与深框水平平面平行的位置的点
。
[0020]优选的，步骤
S3
中，所述目标偏置采样策略为在所述随机树的扩展过程中，以预设概率
p
使得采样点作为扩展的目标点，以1‑
p
的概率随机获得随机采样点
。
[0021]优选的，所述新节点的计算公式如下：
[0022][0023]其中，
δ
表示引力系数并用于控制所述新节点的方向和距离，
q
new
表示所述新节点，
q
rand
表示随机采样点，
q
goal
表示目标采样点，
ε
表示扩展步长，
q
nearest
表示距离所述随机采样点
q
rand
最近的节点
。
[0024]优选的，所述自适应目标引力策略为：
[0025]当所述随机树在目标引力作用下扩展时没有遇到障碍物时，则保持当前的所述引力系数继续扩展；当遇到障碍物时，则通过不断的缩小所述引力系数的值，循环计算出所述新节点
。
[0026]优选的，多次所述
B
样条曲线计算公式如下：
[0027][0028]其中，
d
i
为样条曲线的控制顶点，
P(u)
表示在
u
时刻曲线上的型值点，
B
i,k
(u)
是样条曲线的基函数，
k
表示所述
B
样条曲线的总次数，
i
表示所述
B
样条曲线的当前次数，所述基函数是根据时间节点矢量表示为
U
＝
[u0,u1,u2,
…
u
0n+k+1
]确定的分段函数，并满足以下关系式：
[0029]Trees)
算法，
RRT
算法又叫快速扩展随机树算法，是基于随机采样的路径规划算法，它相比于其他算法的一个优势在于可以有效地将非完整约束考虑在算法内部，从而避免了复杂的运动学约束的考虑，使得路径规划问题简单化
。
[0045]S2、
在所述路径规划模型中加入预抓取点约束所述机器人的运动路径，调整所述机器人的入框姿态；
[0046]在本专利技术实施例中，所述预抓取点为在执行深框抓取任务时，给出待抓取工件的抓取点后，将所述抓取点垂直向上移动到与深框水平平面平行的位置的点
。
[0047]具体的，对于深框抓取时的预抓取点设置：在执行抓取任务时，给出工件抓取点后，将抓取点垂直向上移动到与深框水平平面平行的位置，将在这个位置的点本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种机器人深框抓取的路径规划方法，其特征在于，所述路径规划方法包括以下步骤：
S1、
获取工作空间和障碍物环境信息，设置机器人在关节空间中的起始点
、
目标点和障碍物深料框的位置，建立路径规划模型；
S2、
在所述路径规划模型中加入预抓取点约束所述机器人的运动路径，调整所述机器人的入框姿态；
S3、
通过目标偏置采样策略减小所述路径规划模型中随机树扩展的随机性；
S4、
通过自适应目标引力策略引导所述随机树中新节点的扩展方式，得到初始路径；
S5、
通过贪婪删除策略对所述初始路径进行修剪；
S6、
通过多次
B
样条曲线对修剪后的所述初始路径进行平滑处理，得到最终路径
。2.
如权利要求1所述的机器人深框抓取的路径规划方法，其特征在于，所述预抓取点为在执行深框抓取任务时，给出待抓取工件的抓取点后，将所述抓取点垂直向上移动到与深框水平平面平行的位置的点
。3.
如权利要求1所述的机器人深框抓取的路径规划方法，其特征在于，步骤
S3
中，所述目标偏置采样策略为在所述随机树的扩展过程中，以预设概率
p
使得采样点作为扩展的目标点，以1‑
p
的概率随机获得随机采样点
。4.
如权利要求1所述的机器人深框抓取的路径规划方法，其特征在于，步骤
S4
中，所述新节点的计算公式如下：其中，
δ
表示引力系数并用于控制所述新节点的方向和距离，
q
new
表示所述新节点，
q
...

【专利技术属性】
技术研发人员：赵荣丽，陈鼎盛，邹广鑫，刘强，谢梦洋，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：