[发明专利]基于改进RRT算法的机械臂抓取散乱堆放活塞运动规划方法

说明书

一种基于改进RRT算法的机械臂抓取散乱堆放活塞运动规划方法。先采用D‑H法描述六轴机械臂的位姿，然后计算得到六轴机械臂的D‑H模型；再建立活塞毛坯上料平台的ROS仿真系统：最后主要利用改进的RRT算法完成机械臂的运动规划：改进的RRT算法将规划过程分为两个阶段，在第一阶段解决障碍活塞导致的避障问题和提高算法的规划速度，分成三个步骤，第一步骤对目标活塞周围区域进行3D；第二阶段是引入瞬态测试和细化控制函数，并构造路径最短原则，从而提高改进的RRT算法规划的路径质量；本发明适用于机械臂抓取散乱堆放活塞，节省了规划的时间。

技术领域

本发明涉及工业机器人运动规划技术领域，具体涉及一种基于改进RRT算法的机械臂抓取散乱堆放活塞运动规划方法。

背景技术

中国是第一汽车生产大国，而活塞作为汽车发动机的“心脏”，是最为关键的零部件之一，因此活塞的加工效率对汽车的生产是至关重要的。在活塞生产线上，上料工序依靠人工抓取和放置，劳动强度大，极大降低了整个生产线的自动化程度，所以急需一种代替人工自动上料的方式。为解决该问题，建立了一套基于机器视觉的毛坯活塞上料系统，它主要分为识别和抓取两部分，识别是通过图像处理识别出待抓取的目标及其姿态；抓取是在获取目标及其姿态之后，通过机械臂抓取并按要求的位姿放置活塞。机械臂的运动规划是抓取的关键技术。

在机械臂的运动规划算法的方面，传统的栅格法，如A*，D*和 Phi*等，对于高维复杂问题，环境信息需要很大的存储量，计算效率很低；粒子群优化，蚁群优化和遗传算法等进化算法适用于多目标问题；其他进化算法，如人造蜂群，细菌觅食寻优和生物启发神经网络算法等容易陷入局部最小值，且它们对搜索空间大小和数据的变化非常敏感；而基于随机采样的运动规划算法由于其计算成本低，所以更适用于高维空间问题。最流行的随机采样算法是快速扩展随机树 (RRT)及其各种改进算法，RRT算法解决了运动规划算法速度过慢的问题，但是得到的路径质量并不好，而且对于机械臂抓取散乱堆放活塞的运动规划问题，RRT算法不能解决目标活塞周围的障碍活塞引入的约束问题，并且在接近目标活塞时算法的收敛速度也有待提高。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供一种基于改进RRT算法的机械臂抓取散乱堆放活塞运动规划方法，适用于机械臂抓取散乱堆放活塞，节省了规划的时间。

为了实现上述目的，本发明采取的技术方案是：

一种基于改进RRT算法的机械臂抓取散乱堆放活塞运动规划方法，包括以下步骤：

步骤1、采用D-H法描述六轴机械臂的位姿，建立六轴机械臂的连杆坐标系，确定六轴机械臂的D-H参数，然后计算得到六轴机械臂的D-H模型；

步骤2、建立活塞毛坯上料平台的ROS仿真系统：

2.1)设计整个ROS仿真系统的结构图；

2.2)通过编写URDF文件，描述仿真系统中的机械臂的各个关节和各个平台的位置，以及各个零件之间的连接状况，再设计仿真系统的节点图，控制仿真系统内的各个节点之间的通信；

步骤3、利用改进的RRT算法完成机械臂的运动规划：改进的RRT 算法将规划过程分为两个阶段，在第一阶段解决障碍活塞导致的避障问题和提高算法的规划速度；第二阶段是引入瞬态测试和细化控制函数，并构造路径最短原则，从而提高改进的RRT算法规划的路径质量，改进的RRT算法包括以下步骤：

3.1)获取目标活塞周围区域的点云Cloud_goal和机械臂的初始姿态 q_init，以及图像识别出的目标活塞的位姿p_goal，通过对目标活塞周围区域的点云进行3D建图得到Octrees模型；