【集装箱内机械臂路径规划算法分析案例9000字】

)为了保存搜索的路径信息，还需要建立Open表和Close表，其中Open表保存等待检测的空间构型，Close表保存已经符合条件的不需要再次检测的空间构型。改进的A*算法的步骤为：（1）机械臂从初始构型开始进行搜索，将加入Open表，计算该构型的总花费f（此时f(0)=h(0)）。在关节空间中根据步长遍历的所有相邻构型，将未发生碰撞的加入Open表中，同时将所有相邻构型的前驱设置为。此时在Open表中删除，将其加入Close表。（2）遍历整个Open表，找出花费f最小的没有出现碰撞的空间构型，此时将该构型设置为第n步的最佳构型。同时，将从Open表中删除，加入Close表。（3）此时判断是否为临时目标点，若是则A*算法规划成功并停止搜索，否则根据步长继续搜索该构型周围的相邻构型。将找到的构型进行碰撞检测，保留未发生碰撞的后继构型。如果不属于Open列表，则将其加入Open列表，设置其前驱为并转到（5）；否则转到（4）。（4）如果构型已经处于Open列表中，则保存下该构型之前的实际花费g，同时计算经过到该构型的实际花费。此时将两次花费进行比较，若，则说明经由到产生的花费更少，因此将的前驱修改为；否则不做任何处理。（5）此时计算Open表中保存的每一个构型的总花费f，并转到（2）。1.6改进算法仿真实验通过第二章的正逆运动学的分析，为本节进行算法对比试验提供了有效的保障。本节将从算法的改进效果方面进行试验，对比传统人工势场法和本文算法的实际效果，进而验证改进算法的有效性。同时，将改进算法用于障碍物数量不同的作业空间，以此验证该算法的鲁棒性。1.6.1人工势场法和改进算法对比由第二章正逆运动学可知，给定机械臂末端连杆的空间位姿（其中前三个参数表示位置矩阵,后三个矩阵表示旋转矩阵R），可以求出整个机械臂的空间构型。本文码放货物的位置与X轴、Y轴和Z轴均平行，因此R均为0。本次实验的初始位姿为{3.8，18，16.8，0，0，0}，目标位姿为{1.5，12，6，0，0，0}，由逆运动学可得初始位置的关节角组合为{0，-11.2°，-31.3°,0，-68.2°，90°}，目标位置的关节角组合为{-21.1°，16.5°，-8.3°，-0.5°，61.8°，22.6°}。引力比例参数、斥力比例参数和和斥力作用力半径都是由研究者自己设定的。本文不是研究参数对路径规划的影响，引用前人研究成果[91]，参数值如表1.2所示。表1.2实验的输入参数表Table1.2Inputparametersoftheexperiment参数数值初始点位置坐标（3.8，18，16.8）目标点位置坐标（1.5，12，6）搜索步长0.5/2引力比例参数katt5斥力比例参数krep12斥力作用力半斤4最大遍历次数200(1)人工势场法进行路径规划使用人工势场法对机械臂对机械臂进行路径规划，当规划到36步时陷入局部极值，此时的关节角组合为，之后关节角不再变化，直到路径规划失败。为了直观分析将，将规划好的关节角组通过MATLAB中正运动学方程可计算出机械臂末端的位置，将一系列点平滑连接生成路径如图1.14(b)所示，其中黑色物体为障碍物模型。当规划到36步时，此时机械臂末端的位置为（3.9，16.1，10.0），不是目标位置，路径规划失败。该路径在X、Y和Z轴上的分量如图1.15所示，三个坐标的分量在规划到36步后都不再变化。(a)传统人工势场法规划效果(b)传统人工势场法的坐标变化图1.15传统人工势场法规划效果及坐标变化Fig.1.15planningeffectandcoordinatechangeoftraditionalartificialpotentialfieldmethod(2)改进算法进行路径规划针对人工势场法陷入局部极值导致路径规划失败，本次仿真实验的参数不变，加入A*算法后的规划效果如图1.16所示。(a)改进算法规划效果(b)改进算法的坐标变化图1.16改进算法规划效果及坐标变化Fig.1.16planningeffectandcoordinatechangeofimprovedalgorithm在图1.16的(a)图中，质点在改进算法的引导下成功抵达目标点。首先，质点从其起始点（5，18，16）出发在改进的人工势场法的引导下向目标点（1.5，13，6）运动，当其运动到68步该算法出现极值。此时采用本文的自适应方法指定临时目标位置，并换成A*算法控制质点的移动到临时目标位置逃离极值。当其运动到88步时抵达临时目标，经过分析此时已经摆脱极值影响，于是转为改进人工势场法进行规划。当质点运动到119步时，通过图1.16的(b)图中可算出当前空间坐标为(1.5,13,6)，该点处于最终达到目标点，路径规划成功。通过上述对比实验可以看出本文改进算法在处理局部问题是更加有效，能够及时发现极值并指定可靠的逃离路线，最终规划出一条安全路径。1.6.2障碍物数量不同时的路径规划通过上节对比实验验证了本文改进算法的有效性，本节将该算法用于多种场景的作业空间，每一种作业空间中设置了不同数量的障碍物，以此验证本文算法的鲁棒性。在本节中，将构造四周不同作业空间，在对应的空间中放置不同数量的障碍物，障碍物数量从1个递增到4个。障碍物的尺寸均为4dm×4dm×6dm。为了测试改进算法的可靠性，在每次成功规划出的路径周围依次增加一个障碍物，依次考验下一次规划的效果。本次输入参数为表1.3，改进算法的效果为图1.17到图1.24。表1.3实验输入参数表2Table1.3Experimentalinputparameterstable2参数数值初始位置坐/dm(10,18,18)1号障碍物位置坐标/dm(16,10,4)2号障碍物位置坐标/dm(10,10,4)搜索步长/2/2引力比例参数katt5斥力比例参数krep12斥力作业半径4遍历次数200场景1中只有两个升降平台障碍物，目标点坐标(16，10，4)。由逆解可知初始关节角为，目标关节角为。图1.17没有货物时的路径规划效果Fig.1.17Theeffectofrouteplanningwithoutgoods（a）关节角（b）末端坐标图1.18没有货物时的关节角组合及末端坐标的变化Fig.1.18Jointanglecombinationandendcoordinatechangewithoutcargo场景2中为有1号障碍物，中心坐标为(16.0，10.0，1.0)，初始关节角组为，目标关节角组为。图1.19一个货物时的路径规划效果Fig.1.19Theeffectofrouteplanningforonecargo(a)关节角(b)末端坐标图1.20一个货物时的关节角组合及末端坐标的变化Fig.1.20Jointanglecombinationandendcoordinatechangeofacargo场景3有1号和2号两个障碍物，目标点坐标为(4，10.0，1.0)。初始关节角组为，目标点关节角组。图1.21两个货物时的路径规划效果Fig.1.21Theeffectofrouteplanningfortwogoods(a)关节角(b)末端坐标图1.22两个货物时的关节角组合及末端坐标的变化Fig.1.22Jointanglecombinationandendcoordinatechangeoftwogoods场景1至场景3中的码放货物依次从没有增加到2个，三个场景均成功的规划出一条无碰撞路径。关节角和末端坐标均成均匀变化趋势，说明使用改进算法规划出的路径较平滑。而每个场景规划所需要的步数不同，随着障碍物数量增多而增多。表1.4展示了不同障碍物数量时，使用改进算法对机械臂进行路径规划时所需要的规划步数