【《车载式机器人机械臂抓取轨迹的运动学规划分析》4000字】

致谢

车载式机器人机械臂抓取轨迹的运动学规划分析

目录

TOC\o"1-3"\h\u

22639

车载式机器人机械臂抓取轨迹的运动学规划分析

1

8759

1.1机械臂运动规划

1

16439

1.1.1直线规划

1

13535

1.1.2圆弧规划

2

26851

1.2路径规划

4

1.1机械臂运动规划

机械臂运动轨迹，是指机械臂运动的一个时间序列，随时间描述高维空间中机械臂不同位置的运动信息。

1.1.1直线规划

设对于O-xyz中一段直线：起点为，终点为，直线运动轨迹为到，如下图所示。

设最大速度为，加速度为，匀速运动下所需时间为，加速所需时间为，在任何时刻（∈[0,T]）所在位置与运动起点的距离为，在基坐标系中表示运动起点和运动终点为：

假设机械臂从运动起点到运动终点的时间为，运动速度为，任意时刻（∈[0,T]）的机械臂位置表示为：

1.1.2圆弧规划

设对于O-xyz中不共线三点为（=1、2、3），建立三个点所在平面的坐标系｛N｝，原点为圆弧轨迹中心，对该计算圆弧轨迹上的插补点进行从坐标系｛N｝到基坐标系｛B｝的坐标变换，将圆弧轨迹上的每一个插补点变换到坐标系｛B｝上，实现对空间圆弧运动的轨迹规划，如下图所示：

圆弧轨迹规划计算过程为：

(1)求圆弧圆心坐标和圆弧半径：

经的平面为：

经中间且与垂直的平面为：

经中间且与垂直的平面为：

根据上述公式可解得圆弧圆心坐标，而圆弧半径为：

(2)建立坐标系｛N｝：

以圆弧圆心为坐标系｛N｝原点，矢量为轴，单位向量为：

经过一个的圆弧的圆心N(x0,y0,z0)作一条圆弧，其法向量的单位向量为：

由右手定则得到V轴单位向量为：

(3)坐标变换：

从｛B｝到｛N｝的两个坐标系之间的变换矩阵：

位置向量为：

｛N｝到｛B｝的位姿矩阵：

坐标变换后圆弧上的点，,在坐标系｛N｝下的向量为：

则可以计算得到基坐标系｛B｝中的矢量为：

1.2路径规划

将我们所设计的机器人的高精度,多输入多输出、高度非线性、强耦合的复杂系统从最开始的地方动作到我们所希望它到达的地方,这整个过程是机器人的机械臂是按照我们所规定好的轨迹运动的。我们可以把机器人高精度,多输入多输出、高度非线性、强耦合的复杂系统最下面用一个点来表示在笛卡尔坐标系里面,而该坐标系是位姿和时间的一个函数关系。我们可以按照给出的起点到终点的全程路由点进行相应的计划。就比如说prm、RRT等等一些方法。随机路标图法它是大概可以看作是将空间中随处摆放的不同位置点之间串连到一块以后,再产生空间中由每一个不同的路径构成一个巨大的全面的网状结构,把整个空间给分割成一个个小的空间,最后就可以更快的查找我们需要的路径了。而随机树法和随机路标图法有着不一样的地方,随机树法使用的是建立树形图。随机树法就是把最开始的那个点看成是树形图中的树根,根据这个树根来生长树干树枝。机器人每一次不按照顺序的去挑选点,然后在根据自己所选则的方向进行衍生,如果在他向外部随意衍生的时候没有被阻挡,那么它就可以作为这颗树的枝干继续衍生,并反复进行这个操作。上述的所有方法都是运用了随机或然率取样的原理,按一定的前后顺序把我们所规划的每一个点连到一起构成相应的路线,每一个构成的路线我们都有记录能够不差分毫的找出来。另外,在一些特殊的情况下我们所使用的根据随机或然率取样的原理的一些方法不能够很好的使用,在这个时候我们就可以让机器人去学习如何躲避障碍,如何寻找正确的道路等等。像强化学习、模仿学习等等这一些让机器人通过不断的尝试完成相应的躲避障碍和寻找正确的道路。而上述所说的强化学习、模拟学习等等的方法,它都是需要我们的机器人事先多次的通过向不同方位的移动积累经验,然后才能够完成对正确路线的选择。虽然机器人需要进行很多次的学习,但是机器人在完成学习以后就可以十分简单迅速的完成路线的选择。每一个点之间不能够随便的调换位置,并且上一个点的信息会对下面点的选择有很大的影响。所以选长短期记忆人工神经网络模型。并且我们为了更加好的完成路线的选择,我们把我们寻求的对象的位姿放入模型之中来进行辅助。所以说我们需要在路径规划的个个步骤中,把最开始的位姿和我们所需要的位姿相结合,这样我们就可以得到增广输入向量来有计划有步骤地锻炼模型。当然我们再运用神经网络进行相关路线的推测的时候,会产生相应误差的积累。我们在有计划有步骤地锻炼的时候,我们是依据概值s来判断传输来的数据是来自哪的。我们在练习的时候,S的数值是会随时改变的。当我们有计划有步骤地锻炼很多以后,就会有更多下一个的输入是上一个的输出,所以这是可以解决我们在锻炼时候会发生的问题。将我们所设计的机器人的高精度,多输入多输出、高度非线性、强耦合的复杂系统从最开始的地方动作到我们所希望它到达的地方,这整个过程是机器人的机械臂是按照我们所规定好的轨迹运动的。我们可以把机器人高精度,多输入多输出、高度非线性、强耦合的复杂系统最下面用一个点来表示在笛卡尔坐标系里面,而该坐标系是位姿和时间的一个函数关系。我们可以按照给出的起点到终点的全程路由点进行相应的计划。就比如说prm、RRT等等一些方法。随机路标图法它是大概可以看作是将空间中随处摆放的不同位置点之间串连到一块以后,再产生空间中由每一个不同的路径构成一个巨大的全面的网状结构,把整个空间给分割成一个个小的空间,最后就可以更快的查找我们需要的路径了。而随机树法和随机路标图法有着不一样的地方,随机树法使用的是建立树形图。随机树法就是把最开始的那个点看成是树形图中的树根,根据这个树根来生长树干树枝。机器人每一次不按照顺序的去挑选点,然后在根据自己所选则的方向进行衍生,如果在他向外部随意衍生的时候没有被阻挡,那么它就可以作为这颗树的枝干继续衍生,并反复进行这个操作。上述的所有方法都是运用了随机或然率取样的原理,按一定的前后顺序把我们所规划的每一个点连到一起构成相应的路线,每一个构成的路线我们都有记录能够不差分毫的找出来。另外,在一些特殊的情况下我们所使用的根据随机或然率取样的原理的一些方法不能够很好的使用,在这个时候我们就可以让机器人去学习如何躲避障碍,如何寻找正确的道路等等。像强化学习、模仿学习等等这一些让机器人通过不断的尝试完成相应的躲避障碍和寻找正确的道路。而上述所说的强化学习、模拟学习等等的方法,它都是需要我们的机器人事先多次的通过向不同方位的移动积累经验,然后才能够完成对正确路线的选择。虽然机器人需要进行很多次的学习,但是机器人在完成学习以后就可以十分简单迅速的完成路线的选择。每一个点之间不能够随便的调换位置,并且上一个点的信息会对下面点的选择有很大的影响。所以选长短期记忆人工神经网络模型。并且我们为了更加好的完成路线的选择,我们把我们寻求的对象的位姿放入模型之中来进行辅助。所以说我们需要在路径规划的个个步骤中,把最开始的位姿和我们所需要的位姿相结合,这样我们就可以得到增广输入向量来有计划有步骤地锻炼模型。当然我们再运用神经网络进行相关路线的推测的时候,会产生相应误差的积累。我们在有计划有步骤地锻炼的时候,我们是依据概值s来判断传输来的数据是来自哪的。我们在练习的时候,S的数值是会随时改变的。当我们有计划有步骤地锻炼很多以后,就会有更多下一个的输入是上一个的输出,所以这是可以解决我们在锻炼时候会发生的问题。

1.2.1路径规划算法

下文将介绍两种算法：

(1)Dijkstra算法：

最短途径的路线搜索所用到的算法。每一步之后都会开启搜索，找到当前时刻的最优解路线，保证在到目的地之前的每一步都会选择更优路线，因此这种算法比较灵活。在无向图中，表示图中所有子节点的集合，表示图中所有边的集合，任意一条边以其长度作为权值，如下图所示，子节点相对于起点Ｓ的距离权值为，其父节点的距离权值为，则有：

用表1和表2来表示周围所有节点和最值节点，具体步骤如下:

第一步首先把每个起点收集到表1中，把起点周围的点的父节点加入到表2

第二步其次计算表2中的父节点距离起点Ｓ的距离值，把最小的节点加入到表1中，然后在表2中删除它；

第三步然后若为目标点Ｆ，则结束寻找，一下一下往前返回，如果不是目标点就继续进行寻找；

第四步最后若紧挨着的任意节点，若已经存在与表1中，则不操作，若在表1表2中都没有，则记录源节点到列表2中，比较距离Ｓ的距离和距离S的距离大小，若小，则把记作为，并把父节点记作节点，跳转到第二步；

利用栅格法建立栅格地图对图中的每个节点用符号表示,横格为1，纵格为1.5。从到搜寻最短路径,具体步骤大致如下表所示:

经过９步得出从起点到终点的最短路径方案为：

(2)A*算法：

首先介绍地图：

要从绿色区域A走到红色区域B，蓝色区域看成无法通过的一条河。每一个格子是正方形，边长为10。有两个状态能走记作Y，不能走记作N。

第一步开始搜索：从A开始走，把A放入表1中，然后查看与A周围紧挨着的其他格子，把可走的点，也就是状态为Y的点放入表1，此时把A点移动到表2，此时这个A节点就成为了表1中点的父节点。

此时在表1中的点周围就是绿色在表2中的点周围就是亮蓝色，表1中的点里面还会有小箭头，这些小箭头会指向它们的父节点。

显然下一步我们就要从这些表1的点，也就是A周围的点中选择一个点。为了更高效的完成A到B我们会选择一个F值最小的点。

那么按照上面那个原则去选择点，路径也就在反反复复的选择中产生了。那么我们知道G值很方便计算，竖直或水平移动就是10，斜着移动就是11.14，我们算作是14。

关于H值我们采用试探法。从B点到父节点中忽略阻碍将竖直或水平移动的次数再乘十，相当于对剩余距离的估算。

如图我们将第一步时候的每一个F、G、H值都标上去。F在左上角，G在左下角，H在右下角。此时我们观察每一个格子中的F值，最小