[发明专利]基于学习泛化机制的三自由度空间机械臂运动规划方法

权利要求书

1.一种基于学习泛化框架的空间三自由度机械臂运动规划方法，采用机械臂训练得到的自身运动特征建立运动样本库，并通过智能筛选选取最佳学习样本进行学习，从而使机器臂泛化出对新空间目标的运动特征，最后根据泛化出的新空间目标的运动特征规划出机械臂的关节运动；其特征在于包括如下步骤：

首先对三自由度空间机械臂建模，训练机械臂使其末端运动到指定的空间样本点，记录运动过程中机械臂各个关节的运动信息，通过正运动学求解其末端运动特征并存入DMPS学习样本库中；

当指定新的空间运动目标点时，以方位与欧氏距离双层样本特征筛选出最佳学习样本，然后将选取的样本运动特征三自由度正交分解，在各个自由度上利用DMPS学习样本特征得到非线性项权重序列，结合权重与新目标空间信息泛化出对应于新目标的运动特征；

再将三个自由度上新目标运动特征在同一正则系统下拟合出的新目标空间运动特征；

然后将拟合的新目标空间运动特征通过逆运动学反解出机械臂各个关节的运动信息；若机械臂运动过程中存在已知障碍物，则在DMPS学习过程中融合障碍物与运动特征的耦合因子进行避障规划，最终能使机械臂有效避开障碍物运动并到达目标点。

2.根据权利要求1所述的基于学习泛化框架的空间三自由度机械臂运动规划方法，其特征在于：上述步骤中，对三自由度空间机械臂建模为三自由度空间机械臂D-H模型。

3.根据权利要求1所述的基于学习泛化框架的空间三自由度机械臂运动规划方法，其特征在于：所述障碍物在环境中的位置与大小是已知的。

4.根据权利要求1所述的基于学习泛化框架的空间三自由度机械臂运动规划方法，其特征在于：所述空间机械臂具有逆运动学可解性。

5.根据权利要求1所述的基于学习泛化框架的空间三自由度机械臂运动规划方法，其特征在于：所述运动特征的三自由度正交分解与融合分别在各自正则系统下完成。

6.根据权利要求1所述的基于学习泛化框架的空间三自由度机械臂运动规划方法，其特征在于：具体按如下细分步骤完成：

步骤1：根据D-H算法，建立三自由度空间机械臂模型；

步骤2：样本训练过程：预设一个空间点，人为指导机械臂使其末端运动到设定的空间点，并记录运动过程中机械臂各个关节的运动信息，将各个关节的运动信息通过正运动学转换为其机械臂末端的运动信息；

步骤3：保持机械臂各关节初始位姿不变，改变样本目标点，重复多次步骤2，将每一次训练的样本空间点与对应机械臂末端运动信息存入DMPS学习样本库中；

步骤4：最佳样本选取过程：样本库建立完成后，当需要运动到新的空间目标点G时，以笛卡尔坐标系方位与欧式距离作为样本区分特征，先对比目标点相对于起始点的方位，选取学习样本库中与之方位相同区域的样本，若此区域中存在多个样本，则进一步在区域内选取与目标点欧氏距离最近的样本作为最佳样本；若此区域中没有样本，则直接选取与目标点欧氏距离最近样本点作为最佳样本点；

步骤5：将步骤4选取的最佳样本的运动信息在x、y、z三自由度上分解为三个一维的运动信息，单个一维运动信息为一组位移、速度和加速度的连续序列表示，取步长Δt将运动离散化，此时t∈{Δt，2Δt，…，nΔt}，运动起点x₀＝x_demo(0)，终点g＝x_demo(τ)，运动时间常数τ＝nΔt；

步骤6：在三个自由上分别利用DMPS算法对步骤5获取的单自由度运动特征进行学习，计算出学习权重序列w_i，通过学习得到的权重序列与新目标信息泛化出新目标运动特征；

步骤7：将步骤6中学习所得到的x、y、z三个自由度新目标运动特征在同一正则系统下进行拟合，得到新目标空间运动信息；

步骤8：运用逆运动学将步骤7中拟合得到的新目标空间运动信息进行分解，得到机械臂各个关节的运动信息；

步骤9：根据步骤8所得的机械臂各个关节的运动信息，使机械臂根据运动信息自主运动到新目标点，若运动路径上存在已知障碍物，则返回步骤6，在DMPS算法中融入障碍物与运动信息的耦合因子，然后学习泛化三自由度下新的避障运动信息。

7.根据权利要求6所述的基于学习泛化框架的空间三自由度机械臂运动规划方法，其特征在于：步骤4中，最佳样本选取规则具体如下：

首先根据方位在初始点处建立笛卡尔坐标系，在学习样本库中划分坐标系空间为8个区域，这里方位指目标点(x_g，x_y，z_g)以初始点(x_s，y_s，z_s)的相对位置(^sx_g,^sy_g,^sz_g)，优先选取与目标点在同一区域的样本，然后在同一区域内选择与目标点欧氏距离最小的样本作为最终学习样本。