[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

说明书

本发明公开了一种基于学习泛化框架的三自由度空间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，最后根据泛化出的空间特征规划出机械臂的关节运动；使得机器臂能对自身的训练运动进行筛选学习从而泛化出对新目标的运动，实现了机械臂的认知与学习泛化的能力，本发明还使机械臂具备避障特性，具有良好的环境适应性。

技术领域

本发明属于空间机械臂运动规划技术领域，具体涉及一种能自动避障的机械臂运动规划方法。

背景技术

多自由度空间机械臂在实际生活中有着巨大的应用价值，但是机械臂结构复杂且运动规划计算量大等困难制约了机械臂的发展与应用。传统的机械臂运动规划主要指运动轨迹规划，其主要分为关节空间轨迹规划与笛卡尔空间轨迹规划两大类，前者在传统中主要运用多项式插值方法，后者主要运用空间直线或者空间圆弧等规划方法。由于机械臂自身的多自由度空间特性，使得这几种方法实际运用中不仅规划计算复杂大，还对于每一个新的目标都要重新计算运动过程中机械臂的每个姿态，尤其当机械臂与运动目标点之间存在障碍物时，传统的方法更难规划出机械臂的运动，所以传统方法存在计算复杂、智能化低、适应性差等缺陷。

目前主流的运动规划方法是使用美国莱斯大学的开发的开源运动规划库(OpenMotion Planning Library，以下简称OMPL)，由于空间机械臂的高纬度特性，使其构形空间的拓扑结构发生了根本性变化，造成平面上的运动规划方法多数不再适用。目前在OMPL中适用于高纬度运动规划的主要有概率路图法PRM和快速拓展随机树法RRT，这两种算法均建立于随机采样的基础上进行的，虽然基于采样的规划算法速度很快，但存在巨大缺陷，即由于算法的随机性，无法对规划结果进行预判，每次规划的结果不相同，使得规划后运动不具有稳定性。

发明内容

为了实现机械臂的学习泛化与避障问题，本发明提供一种基于DMPS算法学习泛化框架的空间三自由度机械臂运动规划方法，不仅规划速度快，且规划结果稳定，具有学习能力高且避障能力优越等优点。

为解决上述技术问题，本发明采用如下技术方案：

一种基于学习泛化框架的三自由度空间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，最后根据泛化出的空间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。

进一步的，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。

上述技术方案中，所述障碍物在环境中的位置与大小是已知的。

上述技术方案中，所述空间机械臂具有逆运动学可解性。

上述技术方案中，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。

上述技术方案，具体按如下细分步骤完成：