【技术实现步骤摘要】
本公开涉及计算机领域，更具体地讲，涉及一种基于扩散模型的工业机器人运动规划方法。
技术介绍
1、避障路径规划一直是机器人控制领域中一个备受关注的问题。良好有效的避障路径规划算法能够节省机器人的工作时间，减轻机械磨损，同时使得机器人在各种工作环境中能够安全地运行。移动机器人导航技术中的路径规划技术，一直以来备受机器人领域研究人员的重视。移动机器人路径规划方法通常将移动机器人简化为一个质点，并在该质点上施加运动学约束，一般仅需在三个自由度上进行规划。为将移动机器人的路径规划方法应用于机械臂，可以将机械臂自笛卡尔空间映射至构型空间(也称为关节空间)，也即机械臂可以简化为关节空间的一个关节矢量。机器人路径规划是在机器人构型空间进行的，机器人的转轴越多，自由度越大，构型空间也就越大，规划难度也就越高。而更复杂的协作机器人或机械手的自由度更高。如果使用传统算法，规划时间复杂度会极大。
2、rrt算法基本原理的核心之一是随机采样，可以根据当前环境信息迅速探索未知空间并生成一条可行避障路径，被广泛应用到无人机和移动机器人的路径规划中。同时,rrt算法在解决高维度空间规划问题上非常有效，所以也逐渐应用于多自由度机械臂在高维复杂环境下的路径规划。lavalle最先提出了rrt算法，介绍了rrt算法的原理和应用，并且探讨了rrt算法在高维空间路径规划中的优势，同时对rrt算法的性能进行了实验验证，并对算法的优化进行了探讨。rrt算法示意图如图1所示。
3、karaman提出rrt*算法，通过重选父节点和剪枝优化的策略，在一定范
4、这种基于采样的算法依然面临效果和响应速度的取舍，对外界变化相应的越快，生成的路径质量就越差，甚至有的时候在规定的数秒钟时间内找不到一条可行的路径。并且在这种算法的预期中，整个过程只进行数次的重规划，无法满足高速的性能需求。且这种方法仅在移动机器人场景下具备可行性，在工业机器人场景下，随着机器人轴数地增加，求解时间会进行几何倍地增长。
5、传统路径规划算法虽然只要使用足够长的时间，一般都可以达到理想的结果，但无法满足现实场景的快速规划需要，且在规划中收到很多限制。本专利技术设计实现基于扩散模型的工业机器人运动规划技术，打造一个能适应任意环境和机器人的路径规划系统，从而为机器人协作与机器人安全的领域奠定坚实的基础。在多障碍环境下，基于特定任务和特定环境，规划出一条从初始位姿到目标位姿的无碰撞路径，保证机械臂保质保量的完成任务。并提供云上机器人可视化的功能。同时不止使用现在已有的网络结构，探索如何将网络改进和创新，专门针对机器人规划任务，利用机器人运动的特点，取得更佳的效果。
技术实现思路
1、本公开的实施例的目的在于提供一种基于扩散模型的工业机器人运动规划方法，本专利技术的主要研究目标是将扩散模型迁移到工业机器人路径生成领域，并针对机器人运动任务的特点对网络结构进行改良，以运动反馈引导生成方向，打造一个能适应任意环境和机器人的路径规划系统，从而为机器人协作与机器人安全的领域奠定坚实的基础。在多障碍环境下，基于特定任务和特定环境，规划出一条从初始位姿到目标位姿的无碰撞路径，保证机械臂保质保量的完成任务。
2、在一个总的方面，提供一种基于扩散模型的工业机器人运动规划方法，其针对现有路径规划算法在工业场景下的效率低问题，提出基于扩散模型的路径规划算法，并将机器人路径规划任务转换为生成任务，利用扩散模型学会从任务到路径的概率分布，并以运动反馈为引导，自然的生成高多样性的机器人运动。结合工业机器人路径规划任务特性，对扩散模型进行网络改良，将cae和transformer迁移到本场景对机器人路径任务表征进行学习。同时，本文算法独特的使用预测序列本身的方法，并对损失函数进行优化，使得扩散模型能更理解关节序列本身的含义并避免灾难性碰撞。相比较其它路径规划算法而言，本文的运动规划算法在应对复杂路径规划任务上展现出明显优势。
3、构建包含三个主要步骤的神经网络：首先，预训练点云编码器，所述点云编码器包括障碍物环境的点云编码设计模块，实现输入障碍物环境，通过无监督学习障碍物特征，使用常见的重建损失和对编码器参数的正则化，实现将任务条件的障碍物点云压缩嵌入潜在空间z，并构建正向运动学的机器人状态编码算法、路径数据的碰撞检测模块；然后，基于预训练的所述点云编码器编码任务信息，基于transformer的扩散模型对任务数据进行加噪并降噪还原，对机器人连杆之间的物理关系的数据概率分布进行建模；最后基于训练好的神经网络模型，结合少量运动反馈，从随机高斯噪声中生成图像，进一步提高生成速度和成功率；
4、最终神经网络网络模型能在特定的任务条件下输出最优路径。
5、所述正向运动学的机器人状态编码算法，选用点云描述机器人的形状，并在机器人表面进行快速采样，针对每一个机器人连杆，配置两个mesh文件来描述连杆的视觉属性和碰撞属性，分别是visual mesh和collision mesh；考虑基于collision mesh获取每个连杆的3d网格情况，并获取网格表面的点云，在初次处理后，将处理结果存储在缓存文件里，后续的每一次重新运行，直接从缓存文件里读取结果；在运行中，将处理结果保存在gpu里面重复利用，进而大幅地降低带宽；
6、获取机器人每个连杆的采样结果后，计算特定关节旋转后的机器人采样结果：首先获取机器人的原点坐标，将机器人的原点坐标和仿真环境的原点坐标对齐，并确定原点坐标系{a0},并通过d-h参数法构建相邻两个连杆的齐次变换矩阵通过齐次坐标变换的链式法则，构建任意两个连杆的坐标系之间的转换公式，将任意连杆上的点基于自身连杆坐标系的相对位置转换为基于原点坐标系{a0}的相对位置。
7、所述路径数据的碰撞检测模块采用基于采样的碰撞检测方法，通过事先在机器人连杆表面进行采样，通过判断采样点是否出现在障碍物内部判断是否出现碰撞，并根据采样点和障碍物表面的距离计算碰撞深度；
8、具体而言，考虑一个安全距离，当采样点在障碍物外部，但距离障碍物表面的距离小于安全距离时，判断为碰撞，且碰撞强度为安全距离减去采样点到障碍物表面的距离；若任意采样本文档来自技高网...
【技术保护点】
1.一种基于扩散模型的工业机器人运动规划方法，
2.如权利要求1所述的一种基于扩散模型的工业机器人运动规划方法，其特征在于，所述障碍物环境的点云编码设计模块采用CAE作为点云编码器进行自训练对权值进行惩罚后的损失函数为:
3.如权利要求2所述的一种基于扩散模型的工业机器人运动规划方法，其特征在于，所述基于Transformer的扩散模型的预训练阶段的实现方式为：
【技术特征摘要】
1.一种基于扩散模型的工业机器人运动规划方法，
2.如权利要求1所述的一种基于扩散模型的工业机器人运动规划方法，其特征在于，所述障碍物环境的点云编码设计模块采用cae作为点云编码器进...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。