ПЛАНИРОВАНИЕ ПУТИ МАНИПУЛЯТОР

​PLANNING PATH MANIPULATOR

Xu Jiahao

Student, Department of robot technical systems and mechatronics, Moscow State Technical University. N.E. Bauman,

Russia, Moscow

Andrey Boshlyakov

scientific adviser, Candidate of Technical Sciences, Associate Professor, Deputy Head of Department, Moscow State Technical University. N.E. Bauman,

Russia, Moscow

АННОТАЦИЯ

Целью данной работы является исследование безопасной работы манипулятора путем оптимизации алгоритма планирования пути манипулятора. В статье дается обзор проблем с общими алгоритмами планирования пути. Затем предлагается подходящий метод оптимизации, и, наконец, возможность оптимизации проверяется с помощью анализа моделирования. Таким образом, в этой статье делается вывод о том, что оптимизация алгоритма планирования пути для манипулятора возможна. Благодаря оптимизации метода эффективность работы манипулятора значительно повышается.

Ключевые слова: планирование пути, RRT, алгоритм оптимизации.

Введение

В настоящее время большинство продуктов роботов, используемых в промышленном производстве, все еще относятся к первому или второму поколению, и большую часть занимают роботы-манипуляторы обучающего типа. Их необходимо предварительно настраивать вручную и обучать. Степень автоматизации очень низкая. , а самое главное точность вообще не высокая. , есть риски безопасности. В связи с глубокими исследованиями и применением все более популярного роботизированного манипулятора, технология планирования соответствующего пути крайне необходима. Роботизированная рука планирует наилучший путь с помощью собственного соответствующего алгоритма, мобилизует движение каждого сустава и выполняет соответствующую задачу . Вся система имеет высокую точность и высокую автоматизацию. Это тенденция применения роботов в будущем.

Планирование пути является важной частью всей системы робота-манипулятора. Хорошая технология планирования пути не только позволяет роботу-манипулятору безопасно выполнять задачи, но также экономит время и затраты и снижает потери всего тела. В настоящее время многие ученые проводят исследования в области планирования траектории движения робота-манипулятора и добились большого количества результатов, но остается еще много незрелых аспектов, поэтому дальнейшие исследования в области планирования траектории движения робота-манипулятора имеют большое значение.

Исследовательский базис

Алгоритмы поиска пути на основе выборки могут эффективно решить проблему взрыва размерности при планировании пути в высокоразмерных пространствах состояний. Алгоритм RRT и его производные представляют собой типичный класс алгоритмов. Алгоритм RRT был впервые предложен Лавалле в 1988 году. Его основная идея заключается в генерации случайного дерева X = {V, E} в пространстве состояний X, с начальным состояние qinit в качестве корневого узла и продолжаем случайную и равномерную выборку в пространстве для генерации случайного состояния qrand. Тогда случайного дерева, чтобы найти узел qrand, который ближе всего к qnearst. Затем из qrn earst в направлении qrand в фиксированной Шаг ε вычисляет новое состояние qnew при выполнении соответствующего обнаружения столкновений на qnew путем обнаружения столкновений на qnew будет добавлен в дерево, чтобы стать узлом дерева, и процесс повторяется для достижения цели исследования пространства состояний. Процесс роста случайного дерева показан на рис. 1.

Рисунок 1. Схематическая диаграмма процесса роста алгоритма RRT

Когда целевое состояние qgoal также добавляется в дерево или количество итераций превышает заданное максимальное число итераций, путь Планирование заканчивается, и возвращается соответствующий результат. Псевдокод основного алгоритма RRT представлен в таблицах 1 и 2.

Таблица 1

Псевдокод алгоритма RRT

Таблица 2

Псевдокод для функций расширения узла

Некоторые общие примитивы алгоритма RRT используются в таблицах 1 и 2, и определения этих примитивов следующие.

UniformSampling ()：обозначает доходность выборки из пространства состояний, которая независимо и равномерно распределена.

Nearest(T , qrand )：обозначает узел qnearst, который возвращает ближайший узел в случайном дереве T к состоянию q.

Steer(qnearst , qrand )：обозначает возврат к направлению qrand, начиная с qnearst и увеличиваясь с фиксированным шагом ε нового состояния qnew;

CheckLine(q1, q2)：Функция обнаружения столкновений, которая проверяет, свободен ли от столкновений прямолинейный путь q1 и q2 между σ и возвращает true, если это так, и false в противном случае.

ReachGoal(qnew, qgoal)：Для проверки, является ли стоимость прямолинейного пути qnew от qgoal меньше, чем ε и путь свободен от столкновений. Возвращает true, если оба удовлетворяются, в противном случае возвращает false.

Улучшенный алгоритм RRT

Идеи оптимизации

На основе пути, искомого алгоритмом RRT, идентифицируются узлы на исходном пути и определяется, есть ли препятствие между двумя узлами. Если препятствия нет, избыточные узлы могут быть удалены, а эффективные упрощенные узлы могут быть сохранены. Схема улучшения показана на рисунке.

Рисунок 2. Схема улучшения

Из схемы видно, что лишние пути удаляются, оставляя оптимальный путь.

Рисунок 3. Блок-схема

Результат алгоритма

Рисунок 4. Результаты планирования пути RRT

Рисунок 5. Плавные и улучшенные результаты планирования пути RRT

Рисунок 6. Путь движения руки робота

Рисунок 7. Кривая изменения угла каждого шарнира манипулятора

Красная область - это область, где ходят люди, и рука робота избегает этой области при планировании пути. Хорошо видно, что путь, пройденный улучшенным алгоритмом RRT, короче, чем у исходного алгоритма. Длина пути RRT =4.729775e+02 cm. Длина пути улучшенный RRT= 3.690138e+02 cm. Маршрут оптимизирован на 21.98%.

Системное моделирование

Рисунок 8. Импортируйте модель манипулятора в коппелиазим, чтобы смоделировать оптимизированный алгоритм RRT

Заключение

Сначала я узнал об алгоритме RRT и его производных и придумал свой улучшенный метод. И через алгоритм подтверждения сравнения был оптимизирован. Улучшенный алгоритм получает более короткий путь за счет удаления избыточных узлов. Маршрут оптимизирован на 22%.

Наконец, был проведен эксперимент по моделированию, чтобы доказать его осуществимость.

Список литературы:

1. Nagatani K, Fujino Y. Research and Development on Robotic Technologies for Infrastructure Maintenance[J]. Journal of Robotics and Mechatronics,2019,31(6):744-751.
2. Ayawli B.B.K, Mei X, Shen M. Optimized RRT-A* Path Planning Method for Mobile Robots in Partially Known Environment. 2019, 48(2):179-194.
3. Xu Kexin,Zhang Fang,Jiang Qi,Chen Weizhong. Research on singularity and kinematic algorithm of six-axis robot[J]. Foreign Electronic Measurement Technology, 2019,38(09):49-54.
4. Yin, Yuan-Yuan. 6R industrial robot motion simulation and trajectory planning[D]. Hefei University of Technology,2015
5. Hempstead B，Thayer B，Williams S． Composite Automatic Wing Drilling Equipment(CAWDE)[C] ． Aerospace Manufacturing and Automated Fastening Conference andExhibition．Toulouse，France， SAE International． 2006，1(5)：432-439
6. Gursel Alici，Romuald Jagielski,Y Ahmet，etal．Prediction of geometric errors of robot manipulators with particle swarm optimization method[J]. Robotics and Autonomous Systems，2006，54(12)：956-966