一种基于图注意力网络的机器人运动规划方法及相关装置制造方法及图纸

本发明专利技术公开了一种基于图注意力网络的机器人运动规划方法及相关装置，基于GAT所构建的神经网络模型可以很好的学习图型结构数据的特征，对不同环境(障碍物分布、起始点和目标点)下的路径点分布进行预测，在对具体规划问题进行求解时，该算法以一定概率进行非均匀随机采样，即以一定概率选取预测路径点集中的点作为采样点，降低了采样点生成过程中的随机性，提高了采样点的质量，因此得到了高质量的初始解，加速了算法优化过程，实现了快速运动规划。规划。规划。

【技术实现步骤摘要】
一种基于图注意力网络的机器人运动规划方法及相关装置


[0001]本专利技术属于路径规划
，涉及一种基于图注意力网络的机器人运动规划方法及相关装置。

技术介绍

[0002]针对机器人运动规划问题提出和使用的算法主要可以分为基于几何构造的空间搜索法、基于轨迹优化的运动规划算法及基于采样的运动规划算法等三类。在处理高维机器人运动规划问题时，基于采样的运动规划较为高效。其基本思想是确定一个能充分表示自由空间连通性的有限避障位形集合，用于解决含有障碍物环境中运动规划问题的路径图。随机采样规划中目前最常用的两种算法是先学习再查询的概率路线图(Probabilistic Roadmap Method,PRM)和一边学习一边查询的快速扩展随机树(Rapidly
‑
exploring Random Tree,RRT)。刘华军等在移动机器人运动规划研究综述中对PRM和RRT进行比较，相比与PRM，RRT算法充分考虑了机器人客观存在的约束(如非完整约束、运动动力学约束等)，得到的轨迹也更为合理。RRT虽然可以找到路径解，但解的质量以概1收敛至次优，即永远无法找到最优路径。针对这一问题，Sertac等人提出RRT*，在RRT的基础上增加重选父节点和重新布线环节。如果存在最优解，随着迭代次数趋于无穷，RRT*可以保证找到最优解的概率趋于1。但在均匀全局采样下，RRT*通过渐近地寻找从初始状态到问题域中每个状态的最优路径来得到规划问题的最优解，与其单查询性质(注重找到可行路径，即快速性)不一致且效率低。为了在找到优解的同时保持算法效率，一个通用的方法是先找到一个可行的初始解，然后在此基础上进行优化。初始解的质量与求解过程中的采样点分布密切相关，使得这类运动规划对采样分布敏感，难以保证初始解的质量和算法收敛时间。
[0003]一些算法通过不同的启发式方法来突破这一局限性，如路径偏置，目标偏置等。Akgun等人提出双向RRT*，一旦找到初始解，算法将以用户定义的迭代次数对当前解进行迭代优化，优化过程中首先在当前路径解上随机选取状态，然后在其Voronoi域内进行采样，优化过程中采样点向当前解路径偏置，试图在当前解周围找到更优解。Nasir等人提出RRT*
‑
SMART，找到初始解后首先对路径进行光滑处理，将路径中的状态数目减至最小，然后对当前解进行路径偏置优化。Gammell等人提出Informed RRT*，首先基于RRT*得到初始解，根据初始解路径代价定义了一个椭球区域作为后续优化过程中待采样区域，在该区域内进行再次采样以寻求更优路径，根据更优路径进一步调整采样空间，自适应采样构型空间以进行最优路径规划，通过偏置采样区域提高了规划算法的速度，但初始解求解过程并未在RRT*基础上进行改进。Qureshi等人提出P
‑
RRT*和APGD
‑
RRT*，结合人工势场法(Artificial Potential Field,APF)和RRT*，将随机采样点导向目标，降低随机树搜索和扩展的随机性提高了RRT*的速度。梁中一、徐娜在基本RRT*中引入目标偏置思想，在新节点生成时以一定概率设置目标构型为随机采样点，即，加速随机树向目标方向拓展。
[0004]但上述规划方法中，目标偏置不等同于最优路径偏置；路径偏置大都只对优化过程中的采样区域进行约束，通过限制路径优化过程中的采样区域加速了算法收敛，其初始
路径求解本身仍未在RRT*的基础上得到改进。且这些方法中所定义的启发式并不通用，只在某些环境中有效，尽管在计算速度上有了一些改进，但是这些启发式方法在提升初始解的质量方面并不完善，仍需进一步研究。

技术实现思路

[0005]本专利技术的目的在于解决现有技术中的问题，提供一种基于图注意力网络的机器人运动规划方法及相关装置，本专利技术基于GAT构建神经网络模型对给定规划条件下的路径点分布进行预测，为Informed RRT*的采样过程提供参考，降低了采样过程中的随机性，提高了初始解的质量，加速了算法收敛。
[0006]为了实现上述目的，本专利技术采用以下技术方案予以实现：
[0007]第一方面，本专利技术提供一种基于图注意力网络的机器人运动规划方法，包括以下步骤：
[0008]初始化机器人运动状态，并求解初始解；
[0009]根据求解初始解的情况选择采样方式，通过采样方式得到关节构型集合；
[0010]从关节构型集合中随机选取关节构型作为采样点；
[0011]通过函数Nearest得到当前树上已有节点中距离采样点s
rand
最近的节点θ
nearest
，并通过正运动学得到各关节和末端执行器的位置x
nearest
；
[0012]根据各关节和末端执行器的位置x
nearest
，通过函数Steer进行节点扩展得到关节构型θ
new
，结合正运动学得到机器人各关节和末端执行器的位置x
new
；
[0013]对各关节和末端执行器的位置x
new
进行碰撞检测，直至到达最大迭代次数，输出最优路径。
[0014]第二方面，本专利技术提供一种基于图注意力网络的机器人运动规划系统，包括：
[0015]初始化模块，用于初始化机器人运动状态，并求解初始解；
[0016]采样方式选择模块，用于根据求解初始解的情况选择采样方式，通过采样方式得到关节构型集合；
[0017]采样点选取模块，用于从关节构型集合中随机选取关节构型作为采样点；
[0018]第一计算模块，用于通过函数Nearest得到当前树上已有节点中距离采样点s
rand
最近的节点θ
nearest
，并通过正运动学得到各关节和末端执行器的位置x
nearest
；
[0019]第二计算模块，用于根据各关节和末端执行器的位置x
nearest
，通过函数Steer进行节点扩展得到关节构型θ
new
，结合正运动学得到机器人各关节和末端执行器的位置x
new
；
[0020]最优路径输出模块，用于对各关节和末端执行器的位置x
new
进行碰撞检测，直至到达最大迭代次数，输出最优路径。
[0021]第三方面，本专利技术提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述方法的步骤。
[0022]第四方面，本专利技术提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述方法的步骤。
[0023]与现有技术相比，本专利技术具有以下有益效果：
[0024]本专利技术基于GAT所构建的神经网络模型可以很好的学习图型结构数据的特征，对
不同环境(障碍物分布、起始点和目标点)下本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图注意力网络的机器人运动规划方法，其特征在于，包括以下步骤：初始化机器人运动状态，并求解初始解；根据求解初始解的情况选择采样方式，通过采样方式得到关节构型集合；从关节构型集合中随机选取关节构型作为采样点；通过函数Nearest得到当前树上已有节点中距离采样点s
rand
最近的节点θ
nearest
，并通过正运动学得到各关节和末端执行器的位置x
nearest
；根据各关节和末端执行器的位置x
nearest
，通过函数Steer进行节点扩展得到关节构型θ
new
，结合正运动学得到机器人各关节和末端执行器的位置x
new
；对各关节和末端执行器的位置x
new
进行碰撞检测，直至到达最大迭代次数，输出最优路径。2.根据权利要求1所述的基于图注意力网络的机器人运动规划方法，其特征在于，所述机器人运动状态包括基座的位置、姿态、关节角的初始构型、末端执行器的初始位置x0和目标位置x
goal
。3.根据权利要求1或2所述的基于图注意力网络的机器人运动规划方法，其特征在于，所述求解初始解，包括：通过机器人逆运动学求解出目标构型θ
goal
；针对目标构型θ
goal
和给定环境信息，利用训练好的神经网络模型对可行路径中的关节构型进行预测，得到预测关节构型集合Θ
pred
。4.根据权利要求1所述的基于图注意力网络的机器人运动规划方法，其特征在于，所述根据求解初始解的情况选择采样方式，包括：判断是否已经得到初始解来选择不同的采样方式；a.若已经得到初始解则开始进行路径优化：计算目前已有解的代价，比较得到最优的代价c
best
；利用InformedSample模块进行采样，具体如下：a1)基于代价c
best
在笛卡尔空间中定义一个启发式采样区域，该区域中的点具有提升当前解质量的可能；a2)为充分利用笛卡尔空间采样区域的优势和关节空间采样的便利，通过随机数产生概率p1，若p1<0.5，则在关节空间中进行随机采样得到关节构型并添加至关节构型集合S
rand
中；若p1≥0.5，则在基于代价c
best
定义的启发式采样区域中随机采样得到笛卡尔空间中的采样点x
rand
，然后通过逆运动学得到对应关节空间中关节角变量，并将所得关节构型添加至关节构型集合S
rand
中；b.若还未得到初始解，则通过NNSample模块生成采样点，NNSample模块包含均匀采样和非均匀采样两种采样方式；通过随机数产生概率p2，若p2<0.5，则在关节空间中进行随机采样得到关节构型并添加至集合S
rand
中；若p2≥0.5，则：b1)遍历树上的节点，找到末端执行器距离目标最近的节点对应的关节构型及此时末端执行器与目标的距离b2)以末端执行器与目标的距离作为预测关节构型集进一步筛选的参考构型θ
reference
，遍历预测关节构型集合Θ
pred
中的关节构型，按照式(1)计算预测关节构型集合
Θ
pred
中的关节构型与参考构型θ
reference
之间的距离cost
pred
：cost
pred
...

【专利技术属性】
技术研发人员：朱战霞，李洁，马城城，孙成璐，王闯，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：