空间机械臂在线实时避障路径规划研究

针对目前空间机械臂避障路径规划算法计算量大难以达到在线实时规划的缺点,对空间机械臂的在线实时避障路径规划问题进行了研究和探讨。采用规则体的包络对障碍物进行建模,并借助C空间法的思想,把障碍物和机械臂映射到两个相互垂直的平面内,将机械臂工作空间的三维问题转化为二维问题,并结合二岔树逆向寻优的方法进行路径搜索,从而大大减少了计算量,达到了在线实时规划的要求。最后在空间机器人仿真系统上对其进行了仿真研究,验证了该方法的可行性。     

基于遗传算法的机械臂实时避障路径规划研究

针对模块化机械臂在运行时可能与工作空间中的障碍物发生碰撞的问题, 提出一种基于遗传算法的避障路径规划算法。首先采用D-H(Denavit-Hartenberg)表示法对机械臂进行建模, 并进行运动学和动力学分析, 建立机械臂运动学和动力学方程。在此基础上, 利用遗传算法分别在单/多个障碍物工作环境中, 以运动的时间、移动的空间距离和轨迹长度作为优化指标, 实现机械臂避障路径规划的优化。通过仿真验证了基于遗传算法的机械臂避障路径规划算法的有效性与可行性, 该算法提高了运行中的机械臂有效避开工作空间中障碍物的效率。     

基于改进人工势场法的机械臂避障路径规划

在对机械臂进行避障路径规划时,传统人工势场法依赖周围环境信息进行避障,针对障碍物精确信息较难获取,且形状不一,提出了采用椭球包围盒对障碍物进行建模,兼顾了包围盒的简单性和紧密性。同时,针对路径规划中容易陷入局部最优的问题,则提出了使用RRT（rapidly-exploring random tree）方法来解决这种问题,当路径规划陷入局部最优时,使用RRT算法自动生成并添加虚拟目标点,通过改变机械臂周围的环境从而达到跳出局部最优的目的。多次仿真实验表明,采用椭球包围盒建模并采用上述改进算法时,可以快速并且有效地规划出一条无障碍的路径。     

基于速度修正项的机械臂避障路径规划

针对机械臂运行过程中存在的碰撞问题, 提出一种基于速度修正项的机械臂避障路径规划方法. 利用B 样条曲线进行机械臂关节空间规划, 使机械臂能够在特定时刻运行到指定构型. 在运行过程中, 利用碰撞检测算法实时计算机械臂与障碍物的最小距离, 在碰撞即将发生时引入积分为零的避障速度修正项改变机械臂运行轨迹, 使得机械臂能够在实现障碍回避的同时, 保证其在特定时刻通过指定构型的要求. 仿真实验表明了所提出方法的正确性和有效性.     

基于人工势场在机械臂避障路径规划中的研究综述

机械臂路径规划避障是目前机器人领域研究的热点,人工势场因算法简单、高效被越来越多地应用到机械臂路径规划避障中。本文首先介绍了人工势场的原理,分析了传统人工势场存在的目标不可达和局部极小值等问题,并对人工势场在机械臂避障规划中已有的算法进行分类综述,最后对人工势场在机械臂避障方面的发展趋势进行展望。     

基于改进势场法的机械臂动态避障规划

本文针对刚性机械臂提出了一种基于改进势场法的动态避障规划算法.势场产生只作用于机械臂末端的引力和作用于机械臂与障碍物最近点的排斥力,并依据动力学定律分别产生吸引速度和排斥速度.本文直接在笛卡尔空间中构造基于目标速度的吸引速度,使机械臂能够追踪动态目标;构造方向依据障碍物速度变化的排斥速度,使机械臂连杆也具备避开动态障碍的能力.最终两种速度在机械臂关节空间合成,为机械臂规划一条无碰路径并控制机械臂追踪动态目标.仿真结果证明了该方法的有效性.     

基于接近觉的机械臂避障路径规划

提出了一种基于接近觉的机械臂避障路径规划方法。首先,针对排列稀疏的接近觉传感器阵列的障碍物感知问题,定义连杆“运动方向”的概念,优先读取连杆运动方向上的传感器以缩短读取周期的长度,并将距离传感器最近的障碍物表面建模为“假想圆锥”,过其顶点作“安全平面”,连杆在运动过程中不能与其发生碰撞。其次,针对避障路径规划问题,采用基于势函数与关节空间的人工势场法,并根据所提出的障碍物感知方法提出了基于“绕行”的改进方法以解决人工势场法的局部最优问题。最后,在UR10机器人的小臂连杆上验证本文方法,实验结果证明了本文方法的有效性、鲁棒性与实时性。     

基于深度强化学习的机械臂避障路径规划研究

为了解决现有的机械臂焊接系统调整动作的难度大,缺乏灵活性的问题,本文采用了深度强化学习算法来解决机械臂的路径规划问题;该方法使用一个三层的DNN网络,输入为机械臂的状态信息,输出为机械臂的运动关节角度,通过离线训练,机械臂能够自行训练出一条接近于最优的运动轨迹,能够成功地避开障碍物到达目标点;仿真在一个三自由度点焊机器人的模拟平台上进行,仿真实验表明,采用深度强化学习技术的机械臂能为焊接机械臂规划出一条无碰撞的路径,具有较强的避障能力。     

基于改进RRT-Connect算法的机械臂路径规划

针对RRT^*算法速度较慢问题,提出一种快速收敛至最优路径的最优双向快速扩展随机树(Optimal Bidirectional Rapidly-exploring Random Trees,Obi-RRT)算法。Obi-RRT使用改进的RRT-Connect算法快速得到较低成本路径,通过路径修剪得到关键点,围绕关键点提出三种采样空间并进行采样,通过不断更新关键点从而得到最优或接近最优的路径。平面和机械臂关节空间下的仿真实验表明,Obi-RRT算法运行时间仅为RRT^*算法的十分之一,并且路径成本更低。     

基于PS-RRT算法的机械臂避障路径规划

针对应用快速搜索随机树（RRT）算法进行机械臂路径规划时,存在采样区域大、有效区域小、路径冗余节点多、剪枝时间长等问题,提出一种基于分区动态采样策略和重复区域节点拒绝机制的高效RRT路径规划算法PS-RRT（partitioned sampling RRT）。首先,通过PS-RRT快速规划机械臂末端初始路径;其次,分段检测机械臂跟随该路径时的连杆碰撞情况,对碰撞路段进行带臂形约束的第二次规划;最后,将初始路径和第二次规划的路径拼接后进行路径裁剪。将所提方法在多种场景中进行仿真验证,结果表明：基于PS-RRT算法的机械臂避障路径规划策略使得无效节点数大幅减少,可高效规划出机械臂的无碰路径,验证了算法的可行性。     

基于改进PRM算法的路径规划研究*

为了解决传统PRM算法在处理窄通道问题时的缺陷,提出了一种改进的PRM算法。通过在规划环境中引入人工势场,对落在威胁体内的点施加势场力,使之移动到自由空间内,从而增加窄通道内的节点数量,在不增加采样次数的情况下完成路线图的构建。仿真结果表明,改进PRM算法提高了采样点的利用率,缩短了存在窄通道环境中的路径构建时间,在突发威胁时能快速完成路径生成。     

基于改进烟花-蚁群混合算法的智能移动体避障路径规划

针对二维静态环境下智能移动体避障路径规划问题,提出改进烟花-蚁群混合算法求解最优路径.首先,鉴于基本烟花算法的不足,提出增加“先锋火花”和采用“镜面映射”规则处理越界先锋火花的改进方法;然后,将改进烟花算法得到的最短路径作为参照路径,使其换算成蚁群算法的初始信息素分布,以解决蚁群算法收敛速度慢和初始信息素不足的缺点;最后,进行3种不同环境下的仿真实验,结果表明所提出的算法能够快速寻得高精度的最优路径,在应对复杂环境时也表现出良好的求解性能.所提出的算法为复杂环境下智能移动体避障路径规划提供了一种新思路.     

基于自组织LMBPNN的移动机器人路径规划器

提出一种自组织LMBP神经网络,并将之用于移动机器人免碰路径规划。该算法首先用基于距离传感器的底层局部路径规划器生成初始路径,然后用自组织神经网络将该路径进行样本数据分类,之后将自组织神经网络的权值作为LMBP的输出样本,移动机器人的起始点与目标点作为LMBP神经网络的输入样本进行学习。这样,不但解决了三层LMBP样本若庞大则增加存贮、运行成本,以及数据冗余问题,并且随着机器人对未知环境探索的增多,所构建的地图越趋丰满。仿真结果说明该方法很好效。     

基于改进BIT*算法的机器人路径规划研究

针对BIT^*存在小样本下路径规划成功率低、冗余大样本下路径规划效率有待提高的问题,提出基于样本增量生成和概率随机几何图的BIT^*-SP算法,设计了生成样本和选择样本的启发式函数。实验结果表明,BIT^*-SP算法在小样本下路径规划成功率大幅度提高,且能更快找到初始解;在大样本下能用更短的时间找到一条优秀的路径,规划速度显著提升。该算法鲁棒性高,在简单及复杂环境中都能适用,性能高效。     

基于模糊改进人工势场法的机器人避障方法研究

在内部密封、狭窄、多障碍的船舱环境中,障碍物的分布具有随机性和不确定性,对于移动机器人的避障方法而言,传统人工势场法存在目标不可达、局部极小值等问题.设计了一种基于模糊逻辑的改进人工势场法,在避障算法的局部极小值附近,基于模糊逻辑给予移动机器人辅助控制力,帮助机器人逃离局部极小值点,避免机器人在避障过程中陷入局部极小值点的问题,并且优化路径.仿真实验表明:在多障碍复杂环境下,该算法能实现机器人实时、安全的避障.     

基于传统遗传算法的改进排爆机器人路径规划研究

针对传统遗传算法进化速度慢、容易陷入局部最优点等缺陷,提出了改进 后新的路径规划算法。在判断路径中,基于闵科夫斯基原理对障碍物进行扩展;在构造路径 中基于可视图原理进行改进,构造机器人的真正可行区域;在最短路径中对遗传算法中种群 的初始化,个体的编码方法等问题做了详细的研究,并在选择算子中引入相似度的概念,大 大扩大了初始种群的范围,避免进入局部最优点。最后通过仿真实验验证了此算法的可行性。     

基于改进SAC算法的移动机器人路径规划

为解决SAC算法在移动机器人局部路径规划中训练时间长、收敛速度慢等问题,通过引入优先级经验回放（PER）技术,提出了PER-SAC算法。首先从等概率从经验池中随机抽取样本变为按优先级抽取,使网络优先训练误差较大的样本,从而提高了机器人训练过程的收敛速度和稳定性;其次优化时序差分（TD）误差的计算,以降低训练偏差;然后利用迁移学习,使机器人从简单环境到复杂环境逐步训练,从而提高训练速度;另外,设计了改进的奖励函数,增加机器人的内在奖励,从而解决了环境奖励稀疏的问题;最后在ROS平台上进行仿真测试。仿真结果表明,在不同的障碍物环境中,PER-SAC算法均比原始算法收敛速度更快、规划的路径长度更短,并且PER-SAC算法能够减少训练时间,在路径规划性能上明显优于原始算法。     

基于场景匹配的移动机器人避障

研究环境未知情况下移动机器人的避障问题，提出一种基于模糊场景匹配的移动机器人避障方法．该方法对多种传感器的信息进行融合，生成当前环境的场景并与场景库中的场景进行匹配，利用匹配结果并通过模糊控制器得到机器人的运动参数，对机器人的避障进行控制,实验结果表明了该方法的正确性和有效性。