基本概念

路径描述

抓取点，转向点，避障点，下降点，码放点

方程

码垛机器人力臂由多关节组成，自由度为各关节旋转角度

动力学方程：对每个关节分析力矩，相邻关节的作用力和机械臂重力形成的力矩

约束：(1)关节速度初末为零 v n ( 0 ) = v n ( t 0 ) = 0 v_n(0)=v_n(t_0)=0 vn​(0)=vn​(t0​)=0

​ (2)相邻关节间位移、速度、加速度连续

​ (3)相邻关节角度关系 θ n = θ n − 1 + α n − 1 − π \theta_n = \theta_{n-1}+\alpha_{n-1}-\pi θn​=θn−1​+αn−1​−π

⇒ \Rightarrow ⇒运动学方程

需求

轨迹拟合

笛卡尔空间直线运动：

广 义 位 置 P ∗ = { P Ω } (*) 广义位置P^* = \left\{ \begin{matrix} P \\ \Omega \end{matrix} \right\} \tag{*} 广义位置P∗={PΩ​}(*)
常见两直线段过渡方式：可控加速度转换段，圆弧，有理二次参数曲线

关节空间运动：

用 l i 、 θ i l_i、\theta_i li​、θi​表示，其中 i = 1 , 2 , 3 , … , n − 1 i=1,2,3,…,n-1 i=1,2,3,…,n−1

关节空间轨迹计划方法：加减速曲线法，抛物线过渡法，多项式法

多项式法存在平均速度不高及多次加减速，抛物线过渡法可能会产生加速度突变

重复精度

定位点的精确度

速度

保证功率小于上限的前提下，速度尽可能快

稳定性

速度最快的情况下不会损害货物

优化

目前已有优化方向和一些思考：

运动轨迹

(1) 空间运动规划：

笛卡尔空间直线运动设计连接抓取点和码放点的机械手抓轨迹，再通过关节空间运动分析得到每个关节的广义位置

缺点：分别规划关节和抓手，在笛卡尔空间直线运动规划中，把多关节组成的码垛机器人看成单自由度机器人，没有考虑自由度的影响，在躲避障碍的过程中缺乏灵活性

(2) 遗传算法(Genetic Algorithm)：

目标函数：平均速度最大，加速度最小（高效&稳定）

约束：最大速度，初末速度为0，最大加速度，关节运动牵连(即位置、速度、加速度连续)，障碍物位置

对于非线性约束最优化方程组进行遗传算法求解：

是把实际问题中可能潜在的解作为个体，经过一定数目个体的基因编码形成一个种群，按照生物进化原理，根据目标函数的大小进行个体的选择(selection)、组合交叉(crossover)和变异(mutation)，通过模拟生物进化的过程，逐步产生新的解集，直至产生满足收敛条件的最优解。

缺点：遗传迭代过程中需要选择的参数较多，且参数对结果影响很大，但是没有参数选择规范，几乎完全依赖于经验

(3) 蚁群算法(Ant Colony Optimization)：

路径：起点、终点确定，有多个障碍

原理：蚂蚁的行走路径表示待优化问题的可行解，整个蚂蚁群体的所有路径构成待优化问题的解空间。随着时间的推进，较短的路径上累积的信息素浓度逐渐增高，选择该路径的蚂蚁个数也愈来愈多。最终，整个蚂蚁会在正反馈的作用下集中到最佳的路径上，此时对应的便是待优化问题的最优解。

侧重点：躲避障碍物的最优路径

缺点：正反馈使得初态非常重要，存在局部最优问题(即次优解占优势)；只关注了障碍物而忽略其他约束，以及未考虑码垛机器人的多自由度

速度分配

理想状态下加速到最大速度立刻减速，初末速度为0，平均速度为 1 2 v m a x \frac{1}{2}v_{max} 21​vmax​

实际受到最大功率和稳定性的限制，通常为梯形加减速

码垛排样

改变码放点位置，自适应排样

优点：(1)制定排样规则，使得操作具有重复性，大大降低复杂度

​ (2)改变码放点位置，使得根据抓取点、码放点、障碍物及约束计算的路径得到进一步优化

我认为本项目主要可选择的优化方向为有障碍的最优运动轨迹算法，以及码垛自适应排样算法

标签：自由度,路径,速度,加速度,关节,码垛,高效能,码放
来源： https://blog.csdn.net/xiaoxiangsss/article/details/112738455