TWI829561B - 機械臂動態環境路徑規劃之方法與系統 - Google Patents
機械臂動態環境路徑規劃之方法與系統 Download PDFInfo
- Publication number
- TWI829561B TWI829561B TW112110275A TW112110275A TWI829561B TW I829561 B TWI829561 B TW I829561B TW 112110275 A TW112110275 A TW 112110275A TW 112110275 A TW112110275 A TW 112110275A TW I829561 B TWI829561 B TW I829561B
- Authority
- TW
- Taiwan
- Prior art keywords
- obstacle
- point cloud
- path
- robotic arm
- static
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 92
- 230000003068 static effect Effects 0.000 claims abstract description 108
- 238000012545 processing Methods 0.000 claims description 38
- 239000012636 effector Substances 0.000 claims description 21
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 2
- 230000036961 partial effect Effects 0.000 abstract description 6
- 239000013598 vector Substances 0.000 description 24
- 239000011159 matrix material Substances 0.000 description 16
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 9
- 238000013461 design Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000010391 action planning Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000007493 shaping process Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000000418 atomic force spectrum Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
- B25J9/1666—Avoiding collision or forbidden zones
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1674—Programme controls characterised by safety, monitoring, diagnostic
- B25J9/1676—Avoiding collision or forbidden zones
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1694—Programme controls characterised by use of sensors other than normal servo-feedback from position, speed or acceleration sensors, perception control, multi-sensor controlled systems, sensor fusion
- B25J9/1697—Vision controlled systems
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Manipulator (AREA)
Abstract
一種機械臂動態環境路徑規劃之方法包含以下步驟。在機械臂於三維環境運行過程中，即時獲取障礙物的狀態，並且當碰撞危險發生時，令機械臂閃避障礙物；於碰撞危險時，基於混合型快速隨機搜索樹法，重新規劃機械臂之局部路徑，使機械臂迴避環境中之動態與靜態障礙物，再回到初始路徑繼續運行。
Description
本發明是有關於一種機器人系統及其運作方法，且特別是有關於一種機械臂動態環境路徑規劃之方法與系統。
工廠環境內存在動態移動的人員及靜態的機台設備，目前有針對靜態或動態障礙物設計之避碰路徑規劃法，但仍有許多缺失，且目前尚未有針對同時閃避靜態及動態障礙物設計之避碰路徑規劃。
當機械臂在閃避動態障礙物時，不能因為只處理動態障礙物的閃躲而碰撞靜態障礙物。由於避碰的障礙物為靜態與動態障礙物，因此避碰路徑之效率也是需要被考慮的性能之一，避碰路徑不能太長導致機械臂花費過多時間來閃避障礙物，全方位避碰規劃需能夠即時的規劃全方位避碰路徑，並且使機械臂閃避障礙物時也能保有一定工作效率確保其產能。
本發明提出一種機械臂動態環境路徑規劃之方法與系統，改善先前技術的問題。
在本發明的一實施例中，本發明所提出的機械臂動態環境路徑規劃之方法，方法包含以下步驟：在機械臂於三維環境運行過程中，即時獲取障礙物的狀態，並且當碰撞危險發生時，令機械臂閃避障礙物；於碰撞危險時，基於混合型快速隨機搜索樹法(Hybrid-RRT)，重新規劃機械臂之局部路徑。
在本發明的一實施例中，障礙物包含靜態障礙物，即時獲取障礙物的狀態之步驟包含：利用靜態障礙物模型和環境點雲以初始取得靜態障礙物的點雲，再利用最近點迭代法(Iterative Closest Point,ICP)追蹤更新靜態障礙物的點雲，並且當靜態障礙物點雲被遮蔽時，透過最近點迭代法儲存最後一刻之追蹤資料以做為靜態障礙物的點雲。
在本發明的一實施例中，障礙物包含動態障礙物，即時獲取障礙物的狀態之步驟包含：利用背景分割法取得動態障礙物點雲，並將動態障礙物點雲分群以得出距離機械臂最近的動態障礙物的點雲團，再經由卡爾曼濾波器來穩定動態障礙物的點雲團的追蹤以取得動態障礙物的追蹤結果。
在本發明的一實施例中，重新規劃局部路徑之步驟包含：在動態障礙物之周圍建立保護區，計算機械臂之靜
態初始路徑和保護區之相對距離，得到需要重新規劃之局部路徑並建立局部路徑之起點與終點。
在本發明的一實施例中，基於混合型快速隨機搜索樹法，重新規劃機械臂之局部路徑之步驟包含：透過混合型快速隨機搜索樹法以整合人工勢場(Artificial Potential Field,APF)與快速隨機搜索樹(Rapidly-exploration Random Tree,RRT)以重新規劃局部路徑；依據三維環境中障礙物的體積分布，動態調整人工勢場的權重與快速隨機搜索樹的權重，從而優化局部路徑。
在本發明的一實施例中，上述之方法更包含：利用障礙物與機械臂的末端效應器之相對距離，決定機械臂應執行靜態初始路徑或局部路徑以全方位避免碰撞障礙物。
在本發明的一實施例中，上述之方法更包含：將機械臂之末端效應器在經過路徑中的一節點時帶有平滑速度，再計算機械臂運動之軸速度，靠近奇異點時限制機械臂之軸速度以避開奇異點，並用其他自由軸補償速度使機械臂能持續在路徑上運動。
在本發明的一實施例中，本發明所提出的機械臂動態環境路徑規劃之系統，此系統包含深度攝影機以及處理裝置，處理裝置電性連接深度攝影機與機械臂。深度攝影機取得機械臂於三維環境運行過程中的影像資料，處理裝置基於影像資料以即時獲取障礙物的狀態，並且當碰撞危險發生時，處理裝置令機械臂閃避障礙物，且處理裝置基
於混合型快速隨機搜索樹法，重新規劃機械臂之局部路徑。
在本發明的一實施例中，混合型快速隨機搜索樹法係整合人工勢場與快速隨機搜索樹，處理裝置依據三維環境中障礙物的體積分布，動態調整人工勢場的權重與快速隨機搜索樹的權重，從而優化局部路徑。
在本發明的一實施例中，機械臂具有末端效應器，處理裝置利用障礙物與機械臂的末端效應器之相對距離，決定機械臂應執行靜態初始路徑或局部路徑以全方位避免碰撞障礙物。
綜上所述，本發明之技術方案與現有技術相比具有明顯的優點和有益效果。藉由本發明之機械臂動態環境路徑規劃之方法與系統進行局部路徑重新規劃，迅速找出機械臂任務路徑中危險的區段，並利用障礙物資訊重新規劃一條閃避靜態與動態障礙物之全方位避碰路徑，解決避碰路徑規劃僅能閃避靜態或動態障礙物之問題。另外，在重新規劃路徑時，本發明會根據當前環境障礙物之分布動態調整避碰路徑規劃之特性，提升全方位避碰規劃之速度以及優化全方位避碰路徑長度，使機械臂除了能更即時閃避障礙物，也能以較優化的路徑進行閃避，提升機械臂之工作效率，相較現有之避碰路徑規劃有更好的規劃速度以及優化路徑能力。
以下將以實施方式對上述之說明作詳細的描述，並對本發明之技術方案提供更進一步的解釋。
為讓本發明之上述和其他目的、特徵、優點與實施例能更明顯易懂，所附符號之說明如下：
100:系統
110:深度攝影機
120:處理裝置
121:線上障礙物追蹤模組
122:離線初始路徑規劃模組
123:局部路徑重新規劃模組
124:危險局部路徑偵測單元
125:局部路徑重新規劃單元
126:路徑切換模組
127:動作規劃模組
130:機械臂
131:機械臂控制器
210:靜態障礙物模型
220:點雲分割單元
230:最近點迭代記錄單元
240:追蹤到的靜態障礙物點雲
310:深度影像分割單元
320:機械臂軀幹本體URDF濾波器
330:網格體素濾波器
340:點雲分群單元
350:動態障礙物點雲
421:處理電路
422:記憶體
430:末端效應器
500:方法
610:靜態初始路徑
611:危險局部路徑
612:節點
620:動態障礙物
622:保護區
630:靜態障礙物
S510、S520:步驟
Q start :起始節點
Q end :結束節點
Q rand :隨機節點
Q new :新節點
Q near :節點
Q i :運動目標節點
Q i+1:下一節點
Q i+2:節點
為讓本發明之上述和其他目的、特徵、優點與實施例能更明顯易懂，所附圖式之說明如下：第1圖是依照本發明一實施例之一種機械臂動態環境路徑規劃之系統的架構圖；第2圖是依照本發明一實施例之線上障礙物追蹤模組的架構圖；第3圖是依照本發明另一實施例之線上障礙物追蹤模組的架構圖；第4圖是依照本發明另一實施例之一種機械臂動態環境路徑規劃之系統的功能方塊圖；第5圖是依照本發明一實施例之一種機械臂動態環境路徑規劃之方法的流程圖；第6圖是依照本發明一實施例之一種危險局部路徑節點偵測的示意圖；第7圖是依照本發明一實施例之一種混合型快速隨機搜索樹法的路徑規劃的示意圖；以及第8圖是依照本發明一實施例之一種機械臂的運動速度控制的示意圖。
為了使本發明之敘述更加詳盡與完備，可參照所附之圖式及以下所述各種實施例，圖式中相同之號碼代表相同或相似之元件。另一方面，眾所周知的元件與步驟並未
描述於實施例中，以避免對本發明造成不必要的限制。
請參照第1圖，本發明之技術態樣是一種機械臂動態環境路徑規劃之系統100，其可應用在自動化工廠，或是廣泛地運用在相關之技術環節。本技術態樣之機械臂動態環境路徑規劃之系統100可達到相當的技術進步，並具有產業上的廣泛利用價值。以下將搭配第1圖來說明機械臂動態環境路徑規劃之系統100之具體實施方式。
在本發明的一些實施例中，機械臂動態環境路徑規劃之系統100的多種實施方式搭配第1圖進行描述。於以下描述中，為了便於解釋，進一步設定許多特定細節以提供一或多個實施方式的全面性闡述。然而，本技術可在沒有這些特定細節的情況下實施。於其他舉例中，為了有效描述這些實施方式，已知結構與裝置以方塊圖形式顯示。此處使用的「舉例而言」的用語，以表示「作為例子、實例或例證」的意思。此處描述的作為「舉例而言」的任何實施例，無須解讀為較佳或優於其他實施例。
第1圖是依照本發明一實施例之一種機械臂動態環境路徑規劃之系統100的架構圖。如第1圖所示，系統100包含深度攝影機110以及處理裝置120。舉例而言，深度攝影機110可為彩色深度攝影機，處理裝置120可為電腦、嵌入式系統或其他計算機設備。
在架構上，處理裝置120電性連接深度攝影機110與機械臂130。應瞭解到，於實施方式與申請專利範圍中，涉及『電性連接』之描述，其可泛指一元件透過其他元件
而間接電氣耦合至另一元件，或是一元件無須透過其他元件而直接電連結至另一元件。舉例而言，處理裝置120可為內建處理裝置直接電連結至機械臂130，或是處理裝置120可為外部處理裝置透過線路間接連線至機械臂130。
於使用時，深度攝影機110取得機械臂130於三維環境運行過程中的影像資料，處理裝置120基於深度攝影機110所取得的影像資料以即時獲取障礙物的狀態，並且當碰撞危險發生時，處理裝置120令機械臂130閃避障礙物，且處理裝置120基於混合型快速隨機搜索樹法(Hybrid-RRT)，重新規劃機械臂130之局部路徑。
關於混合型快速隨機搜索樹法的具體方式，在本發明的一實施例中，混合型快速隨機搜索樹法係整合人工勢場(Artificial Potential Field,APF)與快速隨機搜索樹(Rapidly-exploration Random Tree,RRT)，在每一次的迭代搜索中，新加入快速隨機搜索樹的節點係基於快速隨機搜索樹生成的隨機向量和人工勢場的合力向量相加組成。藉此，快速隨機搜索樹會受到三維環境中人工勢場合力的影響，而使得快速隨機搜索樹的延伸會被人工勢場引導而得出局部路徑。
再者，在本發明的一實施例中，處理裝置120依據三維環境中障礙物的體積分布，動態調整人工勢場的權重與快速隨機搜索樹的權重，從而優化局部路徑。舉例而言，在障礙物較多的區域，處理裝置120令RRT的權重的比重上升，使搜索樹可以有較高的自由度脫離此區域；在較無
障礙物的區域，處理裝置120令APF的權重的比重上升，使搜索樹可以藉由APF快速收斂，達到加速路徑重新規劃的效果。
為了對上述處理裝置120的架構做更進一步的闡述，請繼續參照第1圖，處理裝置120包含線上障礙物追蹤模組121、離線初始路徑規劃模組122、局部路徑重新規劃模組123、路徑切換模組126以及動作規劃模組127，其中局部路徑重新規劃模組123包含危險局部路徑偵測單元124以及局部路徑重新規劃單元125。
於使用時，請繼續參照第1、6圖，第6圖是依照本發明一實施例之一種危險局部路徑節點偵測的示意圖。離線初始路徑規劃模組122先設定三維度環境中已知的靜態障礙物630位置、大小、朝向，再依據機械臂任務規劃出閃避了靜態障礙物630的靜態初始路徑610，使機械臂130沿者靜態初始路徑610上各節點612行進。線上障礙物追蹤模組121即時獲取障礙物(如：靜態障礙物630、動態障礙物620…等)的狀態。危險局部路徑偵測單元124偵測碰撞危險發生的危險局部路徑611，局部路徑重新規劃單元125基於混合型快速隨機搜索樹法，重新規劃機械臂130之局部路徑。路徑切換模組126利用障礙物與機械臂130之相對距離，決定機械臂130應執行靜態初始路徑或局部路徑以全方位避免碰撞障礙物。動作規劃模組127令機械臂130進行相應的動作；舉例而言，機械臂130包含機械臂控制器131，動作規劃模組127令機械臂控制器131進行相應的
動作，但不以此為限。
為了對上述線上障礙物追蹤模組121的靜態障礙物追蹤做更進一步的闡述，請繼續參照第2圖，第2圖是依照本發明一實施例之線上障礙物追蹤模組121的架構圖。如第2圖所示，線上障礙物追蹤模組121包含靜態障礙物模型210、點雲分割單元220以及最近點迭代記錄單元230。
於使用時，點雲分割單元220利用靜態障礙物模型210與深度攝影機110所提供的環境點雲以初始取得靜態障礙物的點雲，最近點迭代記錄單元230再利用最近點迭代法(Iterative Closest Point,ICP)追蹤更新靜態障礙物的點雲，並且當最新追蹤到的靜態障礙物點雲240反映出靜態障礙物點雲被遮蔽時，透過最近點迭代記錄單元230儲存最後一刻之追蹤資料以做為靜態障礙物的點雲。
為了對上述線上障礙物追蹤模組121的動態障礙物追蹤做更進一步的闡述，請繼續參照第3圖，第3圖是依照本發明另一實施例之線上障礙物追蹤模組121的架構圖。如第3圖所示，線上障礙物追蹤模組121包含深度影像分割單元310、機械臂軀幹本體URDF濾波器320、網格體素濾波器330以及點雲分群單元340。
於使用時，在離線階段時先儲存多張環境的背景深度影像圖，其中包含靜態障礙物，並將多張的深度影像透過中位數濾波器平均，獲得較無雜訊的背景深度影像。在機械臂上線執行任務時，深度影像分割單元310將線上即
時的深度影像和儲存的背景影像相減，即可獲得此時環境中動態物體的深度影像。機械臂軀幹本體URDF濾波器320將機械臂軀幹本體影像過濾以得出過濾後的深度影像。網格體素濾波器330對上述過濾後的深度影像降低點雲維度。點雲分群單元340將點雲分群以得出動態障礙物點雲350。
為了對上述系統100的硬體架構做更進一步的闡述，請繼續參照第3圖，第4圖是依照本發明另一實施例之一種機械臂動態環境路徑規劃之系統400的功能方塊圖。如第4圖所示，處理裝置120包含處理電路421以及記憶體422。在架構上，處理電路421電性連接記憶體422。舉例而言，處理電路421可為處理器，記憶體422可為記憶電路、儲存電路與/或類似電路。
實作上，在本發明的一些實施例中，如第1~3圖所示的模組及其單元可實施為程式指令儲存於記憶體422，處理電路421執行前述指令以實現相應的功能。
於第4圖中，機械臂130包含機械臂控制器131以及末端效應器430。在架構上，機械臂控制器131連接末端效應器430。
為了對上述系統100及系統400的運作方法做更進一步的闡述，請同時參照第1~5圖，第5圖是依照本發明一實施例之一種機械臂動態環境路徑規劃之方法500的流程圖。如第5圖所示，方法500包含步驟S510、S520(應瞭解到，在本實施例中所提及的步驟，除特別敘明其順序
者外，均可依實際需要調整其前後順序，甚至可同時或部分同時執行)。
方法500可以採用非暫態電腦可讀取記錄媒體上的電腦程式產品的形式，此電腦可讀取記錄媒體具有包含在介質中的電腦可讀取的複數個指令。適合的記錄媒體可以包括以下任一者：非揮發性記憶體，例如：唯讀記憶體(ROM)、可程式唯讀記憶體(PROM)、可抹拭可程式唯讀記憶體(EPROM)、電子抹除式可程式唯讀記憶體(EEPROM)；揮發性記憶體，例如：靜態存取記憶體(SRAM)、動態存取記憶體(SRAM)、雙倍資料率隨機存取記憶體(DDR-RAM)；光學儲存裝置，例如：唯讀光碟(CD-ROM)、唯讀數位多功能影音光碟(DVD-ROM)；磁性儲存裝置，例如：硬碟機、軟碟機。
於步驟S510，在機械臂於三維環境運行過程中，即時獲取障礙物的狀態，並且當碰撞危險發生時，令機械臂130閃避障礙物。於步驟S520，於碰撞危險時，基於混合型快速隨機搜索樹法，重新規劃機械臂之局部路徑。
關於步驟S510中靜態障礙物的追蹤，同時參照第2、5、6圖，在本發明的一實施例中，障礙物包含靜態障礙物630，步驟S510包含：利用靜態障礙物模型和環境點雲以初始取得靜態障礙物的點雲，再利用最近點迭代法追蹤更新靜態障礙物的點雲，並且當靜態障礙物點雲被遮蔽時，透過最近點迭代法儲存最後一刻之追蹤資料以做為靜態障礙物的點雲。
具體而言，步驟S510為了將靜態障礙物點雲團從環境點雲裡分割出來，需要利用離線階段時建立的立方體靜態障礙物描述利用直通濾波器(Pass through filter)。直通濾波器可透過輸入xyz三軸的上下界，將三維空間特定範圍內的點雲保留下來形成正確數值(Inlier)，並將其他部分的點雲移除，過濾後得到的靜態障礙物點雲中各點位置以[x,y,z]表示，並滿足下列區間：
其中P x 、P y 、P z 為離線階段建立的靜態障礙物中心位置，l、w、h為靜態障礙物立方體之長寬高，ε為預留的點雲分割裕度，當靜態障礙物位置與模型有些微偏差時也能完整分割點雲，通過上述方式可以初步將靜態障礙物點雲自環境點雲中分割出來。
機械臂上線運動時若僅依靠直通濾波器分割得到的靜態障礙物點雲當作靜態障礙物的資訊，當靜態障礙物位置有變動或被遮蔽時，會因為點雲超出了直通濾波器的範圍導致點雲資訊缺失，使後續的路徑重新規劃法無法將靜態障礙物資訊納入避碰考量，因此本發明使用ICP演算法來追蹤靜態障礙物點雲團。ICP演算法是使用於點雲疊合的方法，將輸入點雲疊合於目標點雲得到輸入點雲至目標點雲的轉換關係，而此轉換關係即為輸入點雲之位置與
姿態。本發明將直通濾波器得到的第一楨靜態障礙物點雲當作輸入點雲，不斷更新的環境點雲當作目標點雲，透過迭代的方式不斷使用ICP法追蹤及更新靜態障礙物點雲之姿態，如下式所示：
其中P obs 為靜態障礙物點雲之姿態，其初始值(Initial guess)為離線建立之靜態障礙物模型姿態，T ICP
為透過ICP法得到之轉換關係，
為更新後的靜態障礙物
點雲姿態，下一次迭代的靜態障礙物點雲姿態則會使用更新後的姿態來進行下一輪的更新。在追蹤過程中動態障礙物或機械臂有可能在相機視角中遮蔽靜態障礙物，造成ICP法得到不好的結果，因此在每一次ICP結束後檢查ICP分數(ICP score)，ICP分數代表這一次ICP中兩團點雲的疊合程度。當ICP分數急遽攀升時代表點雲疊合因為目標點雲被遮蔽而無法疊合，此時將暫停ICP法並儲存最後一次追蹤到的點雲姿態當作此時靜態障礙物之姿態，直到遮蔽情形結束後再繼續進行ICP追蹤，透過上述方式即使靜態障礙物被遮蔽仍能得到完整的靜態障礙物點雲。
關於步驟S510中動態障礙物的追蹤，同時參照第3、5、6圖，在本發明的一實施例中，障礙物包含動態障礙物620，步驟S510包含：利用背景分割法取得動態障礙物點雲，並將動態障礙物點雲分群以得出距離機械臂最近的動態障礙物的點雲團，再經由卡爾曼濾波器(Kalman Filter)來穩定動態障礙物的點雲團的追蹤以取得動態障
礙物的追蹤結果。
具體而言，步驟S510為了能即時獲得不預期的動態物體資訊，需要將環境背景、靜態障礙物資訊等靜止的物體從深度影像中移除。本發明使用深度影像背景分割法將靜止的環境背景移除，並獲得移動物體之深度影像，此方法不需預先建立動態障礙物模型，可即時依據線上資料產生動態物體的影像，是具有即時性和高彈性的方法。在離線階段時先儲存多張環境的背景深度影像圖，其中包含靜態障礙物，並將多張的深度影像透過中位數濾波器(Median filter)平均，獲得較無雜訊的背景深度影像。在機械臂上線執行任務時，將線上即時的深度影像和儲存的背景影像相減，即可獲得此時環境中動態物體的深度影像。
在降低點雲維度後，由於僅有進入了機械臂形成空間內的障礙物會有與機械臂碰撞的危險，因此在進行點雲分群之前先將所有超出機械臂形成範圍的點雲移除。接著再進行點雲分群，由於點雲中的每個點都是單一獨立的，無法得知每個點是屬於哪個點雲團，為了分類各個動態障礙物點雲團，本發明使用K-D樹(K-Dimension tree)來對每個動態障礙物點雲進行分群，並計算距離機械臂最近的點雲團當作最需要被考慮避碰的動態障礙物。K-D樹是一種類似於二元搜索樹(Binary search tree)的結構，不同的地方在於K-D樹可用K個關鍵(Key)進行資料劃分。以三維點雲資料為例，在第一個節點的地方使用X
軸的資料劃分，第二個節點的地方則使用Y軸資料劃分，第三個軸則使用Z軸劃分，最終到達樹葉節點(Leaf node)。建立出K-D樹後，透過查詢節點和節點之間的關係可以定義不同的點雲團。K-D樹資料結構可確保在進行三維點雲這種大數量的分群計算時，可以快速、即時對點雲資料進行分類。
在建立K-D樹後除了可以分類不同的點雲團之外，也可用於搜索空間中特定點至點雲團的最近距離。假設要搜索空間中一點P(x,y,z)至點雲的最近距離，並計算距離P點最近的樹葉節點，暫定此節點為最近點。接著往上搜索此樹葉節點的父節點，若P點至父節點的距離大於至樹葉節點的距離，表示父節點以上的分支已經不存在更近的節點了，此時最近點即為樹葉節點。若P點至父節點的距離小於至樹葉節點的距離，表示父節點以上的分支仍可能存在更接近的節點，此時暫定父節點為最近點並繼續往上搜索直到找到最近點為止。找到最近點後即可以知道距離機械臂最接近的點雲團，此點雲團即為機械臂當下最需要注意的動態障礙物，並追蹤此點雲團，若太接近機械臂則要進行路徑的重新規劃，使機械臂能即時閃避此動態障礙物。
由於動態障礙物點雲是以即時的速度進行更新，因此透過K-D樹得到的最近點會受到雜訊干擾，使最近點的位置不穩定。因此本發明導入卡爾曼濾波器(Kalman filrer)來穩定動態障礙物最近點的追蹤。卡爾曼濾波器是經常被使用在工程中的高效率遞迴濾波器，透過動態系
統的預測估計值來更新感測器的觀察值來獲得較穩定的追蹤結果，應用於動態點雲的追蹤也有不錯的效果。
在利用卡爾曼濾波器進行動態障礙物最近點追蹤前，需要先針對障礙物位置進行運動預測模型的建立，如下式：
其中[x k ,y k ,z k ]為最近點在k時刻時的位置，[
,
,
]為最近點在k時刻的速度，[x k-1 ,y k-1 ,z k-1]為最近點在k-1刻的位置，[
,
,
]為最近點在k-1時刻的速度，△t為時間變化量。接著將式(5)簡化為符號表示：X k =AX k-1#(6)
A為轉移矩陣(Transition matrix)，接著計算過程共變異矩陣P k ：Pk=AP k-1 A T +Q k #(7)
其中Q k 為雜訊共變異矩陣，Pk-1為k-1時刻的過程共變異矩陣。
有了障礙物的運動預測模型後，要接著處理觀測值的資訊，利用K-D樹得到的最近點，如下式所示：
其中N k 為觀測雜訊，[
]為觀測到的最
近點狀態向量。接著利用式(7)和式(8)計算卡爾曼增益K並
同時更新障礙物最近點的狀態向量
：
其中R為觀測誤差矩陣，H為轉換矩陣，最後可以得
到同時更新後的過程共變異矩陣
：
透過預測運動狀態和障礙物觀測狀態的不斷的更新，可降低雜訊干擾並得到一組較穩定的動態障礙物追蹤結果，後續將利用此結果決定是否啟動局部路徑重新規劃法。
關於步驟S520中局部路徑的規劃方式，同時參照第1、5、6圖，在本發明的一實施例中，步驟S520包含：在動態障礙物620之周圍建立保護區622，計算機械臂130之靜態初始路徑610和保護區622之相對距離，得到需要重新規劃之局部路徑並建立局部路徑之起點(起始節點Qstart)與終點(結束節點Qend)。
具體而言，步驟S520在機械臂130上線執行任務時，會不斷監測障礙物和靜態初始路徑的相對距離。當障礙物太過靠近靜態初始路徑時，需要啟動局部路徑重新規劃產生新的避碰路徑，但在那之前要先定義重新規劃的範圍，找到在靜態初始路徑中危險的局部節點。本發明在距離機械臂130末端點最近的動態障礙物620點雲建立保護區622，此保護區為預設半徑的球體。若有靜態初始路徑中的節點進入保護區，將會啟動局部路徑重新規劃法並將這些進入保護區622的節點視作危險的路徑節點，並將這
些危險節點的前一個節點當作局部重新規劃的起始節點Q start ，危險節點的後一個節點當作局部重新規劃的結束節點Q end ，如第6圖所示。為了降低計算量，此演算法的檢查範圍從機械臂當下的運動目標節點到終點，隨著機械臂130離終點越來越近，偵測的範圍也會逐漸縮小。
同時參照第1、5、7圖，第7圖是依照本發明一實施例之一種混合型快速隨機搜索樹法的路徑規劃的示意圖。在本發明的一實施例中，步驟S520包含：透過混合型快速隨機搜索樹法(Hybrid-RRT)以整合人工勢場(APF)與快速隨機搜索樹(RRT)以重新規劃局部路徑，快速隨機搜索樹會受到三維環境中人工勢場合力的影響，而使得快速隨機搜索樹的延伸會被人工勢場引導而得出局部路徑；依據三維環境中障礙物的體積分布，動態調整人工勢場的權重與快速隨機搜索樹的權重，從而優化局部路徑。
具體而言，步驟S520在得到需要被重新規劃路徑的起點和終點後，便可以啟動局部路徑重新規劃法，為了優化重新規劃之路徑長度，使新路徑不會繞遠路避開障礙物，本發明在局部重新規劃的方法上使用混合APF與RRT兩種演算法的Hybrid-RRT路徑規劃法，透過APF引導RRT搜索樹延伸的方向使新規劃的路徑在同時閃避靜態與動態障礙物的同時保有優化的路徑長度，使新規劃之路徑不會繞遠路閃避障礙物，Hybrid-RRT路徑規劃如圖7所示。其中Q代表RRT法的節點，Q rand 為隨機取樣的隨機節
點，這一次迭代搜索產生新節點Q new 時將會從Q near 進行延伸，並將新的Q new 加入搜索樹中成為下一輪節點Q near 的候
選，
為從Q near 指向Q rand 的方向向量
(Q rand ,Q near )，方向向
量
可由下式定義：
其中P為笛卡兒空間(Cartesian space)下的一點。在每一次的迭代搜索中，新加入搜索樹的節點Q new 為由
RRT法生成的隨機向量
和APF合力向量
相加組
成，可由下式表示：
其中α為RRT權重，負責調整RRT法的權重，β為APF權重，負責調整APF法的權重。APF合向量由三道向
量組成，為來自局部終點的吸引力
、來自靜態障礙物的
排斥力
和來自動態障礙物的排斥力
，如下式所
示：
為了避免APF的向量大小產生極值，本發明將APF函數設計為指數型函數，吸引力函數的設計如下式：
其中V a 為吸引力的最大值，f a 為調整吸引力函數曲
線的shaping factor，
為從Q near 指向Q end 的方向向量
(Q end ,Q near )。當Q near 離局部規劃終點Q end 很遠時，吸引力會增
大，使RRT搜索樹朝向目標點方向延伸，使搜索具效率。而排斥力函數的設計如下式所示：
其中V r 為排斥力的最大值，f r 為調整排斥力曲線的
shaping factor，
為從障礙物位置P obs 指向Q near 的方向
向量
(Q near ,P obs )，d safe 為最低限度的安全保護距離。當障礙
物位置距離Q near 很近時，代表障礙物離搜索樹很近，此時排斥力會增大使搜索樹朝向遠離障礙物的方向延伸。在式(13)中有兩項排斥力，分別來自靜態和動態障礙物，這兩項使用同樣的排斥力函數，差異在於P obs 的位置分別來自靜態障礙物和動態障礙物。在指數型APF函數的設計下，不
論方向向量
、
的距離為何，APF產生的量值大小都不
會超過設定的最大值，避免了二次式APF函數會產生極值的問題，並在APF量值大小接近最大值時會以較平緩的曲線增長，使局部路徑重新規劃時可以更好的控制RRT搜索樹的延伸方向，增加路徑收斂的機率。當動態障礙物有較快的移動速度時，單位時間內障礙物與Q near 的距離減少幅度增加，因此排斥力也會對應增強，使重新規劃法不會因動態障礙物速度的增快而受到影響。
式(12)中，α和β為控制在局部重新規劃時，APF
與RRT兩種規劃法的權重。在動態環境下，APF的向量場會因為動態障礙物不斷改變狀態而變得複雜，若此時APF和RRT的比例維持常數，將會導致路徑重新規劃法較沒有彈性，使重新規劃時間增加或路徑長度增長，因此在重新規劃時應要依據當下環境障礙物描述適當增加或減弱APF的影響。當Q near 周遭有較多障礙物存在時，APF合向量指向的方向會使RRT搜索樹較難收斂，使得重新規劃時間增加，因此在此狀態下應將RRT的影響調大，使搜索樹有較高的可能性逃離障礙物較多的區域，並將APF的影響減弱，使搜索樹不會受到APF的約束而朝向較難收斂的方向延伸。當Q near 周遭有較少障礙物存在時，APF合向量指向的方向能使搜索樹快速收斂，因此在此狀態下應將RRT的影響減弱，使搜索樹能以較優化的路徑方向延伸，並將APF的影響增大，使搜索樹能快速延伸到終點完成重新規劃。
為了進一步實現動態調整APF與RRT權重設計，在式(12)中，本發明設計了RRT權重和APF權重來動態調整這兩種路徑規劃演算法在重新規劃時的權重比例。APF與RRT兩種方法的混合權重會因為RRT搜索樹所在區域的障礙物描述動態調整，在Q near 周遭有較多障礙物存在的區域將RRT權重調大，APF權重調小，使搜索樹有較大的可能性逃離障礙物複雜的區域；並在障礙物較少的區域將RRT權重調小，APF權重調大，使重新規劃的搜索樹能快速收斂並得到較優化的路徑長度。為了達到上述的調整效果，本發明在Q near 周遭建立球形的搜索區域S，並定義調整RRT
權重的方式如下式：
其中V obs 為環境中靜態與動態障礙物的體積描述。式(16)表示當Q near 周遭的搜索區域內有較多障礙物的話，RRT權重會上升，反之則會下降。但由於本發明系統使用的靜態與動態障礙物描述為點雲，不含體積的物理意義，因此為了進一步實現式(16)，本發明利用體素過濾器設定的網格邊長來近似還原點雲物體的體積，如下式所示：
其中n為進入了搜索區域內的點雲點數，l為體素過濾器網格的邊長，R為搜索區域的球體半徑。式(17)中α項的分母為球體搜索區域的體積，分子為進入了搜索區域內的障礙物體積。由於在經過體素過濾器之前的原始點雲密度足夠高，因此可以透過體素過濾器網格的體積來近似還原進入了搜索區域內的障礙物體積。
同時參照第4、5、6圖，在本發明的一實施例中，上述之方法500更包含：利用障礙物與機械臂130的末端效應器430之相對距離，決定機械臂130應執行靜態初始路徑610或局部路徑以全方位避免碰撞障礙物。
具體而言，本發明提出之全方位避碰路徑規劃系統使用機械臂之靜態初始路徑進行局部重新規劃，在機械臂閃避動態障礙物或動態障礙物遠離機械臂後，機械臂需要
回到靜態初始路徑上繼續執行任務，才能以較具效率的運行路徑完成任務。本發明提出了路徑切換決策方法決定機械臂當下應執行靜態初始路徑或經重新規劃後的路徑，以下式表示：
其中P tcp 為機械臂終端效應器在笛卡兒空間中的位置，r為保護區半徑，ρ為調整決策距離之參數。當機械臂130的末端效應器430距離動態障礙物620小於ρ倍保護區622半徑，且此時已有重新規劃之路徑時，表示機械臂130離動態障礙物620有發生碰撞的可能，機械臂130將會執行重新規劃之路徑以閃避靜態障礙物630與動態障礙物620。當機械臂130的末端效應器430距離動態障礙物620大於ρ倍保護區622半徑，表示機械臂130已經閃避動態障礙物620或動態障礙物620已離開，機械臂130將會回到靜態初始路徑610以閃避靜態障礙物630並持續往任務目標點前進。當機械臂130閃避動態障礙物620，回到靜態初始路徑途610中，若有另一個不預期的動態障礙物再次接近重新規劃之路徑，此時局部重新規劃法將再次啟動並修改先前規劃之重新規劃之路徑，產生一條更新版的閃避路徑，並且由於此時式(18)的條件滿足，機械臂130將會執行最新的全方位閃避路徑，以閃避第二個出現之不預期動態障礙物與靜態障礙物。完成第二次閃避後，機械臂才會繼續回到靜態初始路徑執行任務。
同時參照第4、5、8圖，第8圖是依照本發明一實施例之一種機械臂130的運動速度控制的示意圖。在本發明的一實施例中，上述之方法500更包含：將機械臂130之末端效應器430在經過路徑中的一節點時帶有平滑速度，再計算機械臂130運動之軸速度，靠近奇異點時限制機械臂130之軸速度以避開奇異點，並用其他自由軸補償速度使機械臂130能持續在路徑上運動。
具體而言，靜態初始路徑610以及重新規劃之路徑皆由一連串笛卡兒空間中的節點組成，為了使機械臂130的末端效應器430能沿著這些節點運動，還需要設計機械臂運動控制的方式，先規劃機械臂在笛卡兒空間下的運動速度後，再轉換成關節空間(Joint space)下的軸速度。若是使用傳統機械臂點到點的運動模式，會使機械臂末端效應器在經過每一個節點時速度降為0，導致機械臂整體運動效率下降，不利於現實中的應用。本發明提出之機械臂130末端效應器在笛卡兒空間中運動速度規劃如下式：
其中
為機械臂末端效應器在卡式空間中的速度
[
,
,
]，V max 為機械臂最大運動速度，
為從機械臂末端點
P tcp 指向機械臂當下運動目標節點Q i 之方向向量
(Q i ,P tcp )，
為從機械臂末端點P tcp 指向機械臂運動目標節點之下一
節點Q i+1之方向向量
(Q i+1 ,P tcp )，μ為控制機械臂加減速之參
數，向量關係如第8圖所示。
在式(19)中，
項負責產生使機械臂運動到當下
目標節點之運動速度，當機械臂130離運動目標節點Q i 越近
時，
項產生之速度會越小。而
項負責平滑化機械臂
運動速度，當機械臂130離目標節點Q i 越近時，
項產生
的速度越大。而當機械臂130抵達運動目標節點Q i 時，此時
項產生的速度為零，而
所產生之速度可以使機械臂
立刻往下一個目標節點前進。在式(19)中規劃的是機械臂在笛卡兒空間中三維的運動速度，因此還要透過機械臂當下反雅可比(Inverse Jacobian)轉換得到機械臂130六軸的運動速度，如下式：
其中
為機械臂n×1運動速度向量，J為機械臂m×n之雅可比(Jacobian)矩陣，J #為機械臂雅可比(Jacobian)矩陣之廣義逆(Pseudo inverse)矩陣。若機械臂在運動時接近奇異點(Singular point)，則此時會使用如中提出的運動控制方法，將接近奇異點的軸
限制住，產生一個對應的笛卡兒空間下的限制速度
，並將
即將陷入奇異點的關節設為束縛關節，接著可以將限制速
度
透過部分雅可比(Partial Jacobian)轉換為限制的
軸速度：
其中J c 是由束縛關節產生的部分雅可比(Partial Jacobian)矩陣，為了使其維度與機械臂軸的維度相同，
因此在J c 矩陣後補上零矩陣，形成J v 矩陣。有了束縛的軸速度後就可以計算補償的笛卡兒空間速度，如下式：
其中I為單位矩陣，W為對角矩陣，其主軸上的元素為0或1，若主軸元素為0代表此對應的機械臂關節為補償關節，為1代表此關節為限制關節。接著就可以計算出對應的軸補償速度：
最終得到軸控制速度為：
透過這種控制模式，當機械臂130接近奇異點時束縛接近奇異點的機械臂130關節，並利用其他關節來補償機器人末端點的移動速度，就可以在使機器人避開奇異點的同時使機器人繼續沿著路徑節點運動。最終將機械臂130軸運動速度送至電控箱，便可以使機械臂130的末端效應器430沿路徑中節點運動，並在通過節點時具有平滑化之速度。
綜上所述，本發明之技術方案與現有技術相比具有明顯的優點和有益效果。藉由本發明之機械臂動態環境路徑規劃之方法500與系統100進行局部路徑重新規劃，迅速找出機械臂130任務路徑中危險的區段，並利用障礙物資訊重新規劃一條閃避靜態與動態障礙物之全方位避碰路徑，解決避碰路徑規劃僅能閃避靜態障礙物630或動態障
礙物620之問題。另外，在重新規劃路徑時，本發明會根據當前環境障礙物之分布動態調整避碰路徑規劃之特性，提升全方位避碰規劃之速度以及優化全方位避碰路徑長度，使機械臂130除了能更即時閃避障礙物，也能以較優化的路徑進行閃避，提升機械臂之工作效率，相較現有之避碰路徑規劃有更好的規劃速度以及優化路徑能力。
雖然本發明已以實施方式揭露如上，然其並非用以限定本發明，任何熟習此技藝者，在不脫離本發明之精神和範圍內，當可作各種之更動與潤飾，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。
500:方法
S510、S520:步驟
Claims (8)
- 一種機械臂動態環境路徑規劃之方法，該方法包含以下步驟：在一機械臂於三維環境運行過程中，即時獲取一障礙物的狀態，並且當碰撞危險發生時，令該機械臂閃避該障礙物，其中該障礙物包含一靜態障礙物與一動態障礙物，即時獲取該障礙物的狀態之步驟包含：利用一靜態障礙物模型和一環境點雲以初始取得該靜態障礙物的一點雲，再利用最近點迭代法(Iterative Closest Point,ICP)追蹤更新該靜態障礙物的該點雲，並且當該靜態障礙物點雲被遮蔽時，透過該最近點迭代法儲存最後一刻之追蹤資料以做為該靜態障礙物的該點雲；利用一背景分割法取得一動態障礙物點雲，並將該動態障礙物點雲分群以得出距離該機械臂最近的該動態障礙物的一點雲團，再經由卡爾曼濾波器來穩定該動態障礙物的該點雲團的追蹤以取得該動態障礙物的追蹤結果；以及於該碰撞危險時，基於一混合型快速隨機搜索樹法(Hybrid-RRT)，重新規劃該機械臂之局部路徑。
- 如請求項1所述之方法，其中重新規劃該局部路徑之步驟包含：在該動態障礙物之周圍建立一保護區，計算該機械臂 之一靜態初始路徑和該保護區之相對距離，得到需要重新規劃之該局部路徑並建立該局部路徑之起點與終點。
- 如請求項1所述之方法，其中基於該混合型快速隨機搜索樹法，重新規劃該機械臂之該局部路徑之步驟包含：透過該混合型快速隨機搜索樹法以整合一人工勢場(Artificial Potential Field,APF)與一快速隨機搜索樹(Rapidly-exploration Random Tree,RRT)以重新規劃該局部路徑；以及依據該三維環境中該障礙物的體積分布，動態調整該人工勢場的權重與該快速隨機搜索樹的權重，從而優化該局部路徑。
- 如請求項1所述之方法，更包含：利用該障礙物與該機械臂的一末端效應器之相對距離，決定該機械臂應執行一靜態初始路徑或該局部路徑以全方位避免碰撞該障礙物。
- 如請求項1所述之方法，更包含：將該機械臂之一末端效應器在經過一路徑中的一節點時帶有一平滑速度，再計算該機械臂運動之軸速度，靠近一奇異點時限制該機械臂之該軸速度以避開該奇異點，並用其他自由軸補償速度使該機械臂能持續在該路徑上 運動。
- 一種機械臂動態環境路徑規劃之系統，該系統包含：一深度攝影機，取得一機械臂於三維環境運行過程中的影像資料；以及一處理裝置，電性連接該深度攝影機與該機械臂，該處理裝置基於該影像資料以即時獲取一障礙物的狀態，並且當碰撞危險發生時，該處理裝置令該機械臂閃避該障礙物，且該處理裝置基於一混合型快速隨機搜索樹法，重新規劃該機械臂之局部路徑，其中該障礙物包含一靜態障礙物與一動態障礙物，該處理裝置利用一靜態障礙物模型和一環境點雲以初始取得該靜態障礙物的一點雲，再利用最近點迭代法追蹤更新該靜態障礙物的該點雲，並且當該靜態障礙物點雲被遮蔽時，該處理裝置透過該最近點迭代法儲存最後一刻之追蹤資料以做為該靜態障礙物的該點雲，該處理裝置利用一背景分割法取得一動態障礙物點雲，並將該動態障礙物點雲分群以得出距離該機械臂最近的該動態障礙物的一點雲團，再經由卡爾曼濾波器來穩定該動態障礙物的該點雲團的追蹤以取得該動態障礙物的追蹤結果。
- 如請求項6所述之系統，其中該混合型快速隨機搜索樹法係整合一人工勢場與一快速隨機搜索樹，該 處理裝置依據該三維環境中該障礙物的體積分布，動態調整該人工勢場的權重與該快速隨機搜索樹的權重，從而優化該局部路徑。
- 如請求項6所述之系統，其中該機械臂具有一末端效應器，該處理裝置利用該障礙物與該機械臂的該末端效應器之相對距離，決定該機械臂應執行一靜態初始路徑或該局部路徑以全方位避免碰撞該障礙物。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW112110275A TWI829561B (zh) | 2023-03-20 | 2023-03-20 | 機械臂動態環境路徑規劃之方法與系統 |
| US18/214,100 US20240316773A1 (en) | 2023-03-20 | 2023-06-26 | Method and system for path planning of robot arm in dynamic environment and non-transitory computer readable medium |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW112110275A TWI829561B (zh) | 2023-03-20 | 2023-03-20 | 機械臂動態環境路徑規劃之方法與系統 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI829561B true TWI829561B (zh) | 2024-01-11 |
| TW202438255A TW202438255A (zh) | 2024-10-01 |
Family
ID=90459078
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW112110275A TWI829561B (zh) | 2023-03-20 | 2023-03-20 | 機械臂動態環境路徑規劃之方法與系統 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20240316773A1 (zh) |
| TW (1) | TWI829561B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN119206724B (zh) * | 2024-11-27 | 2025-05-02 | 光轮智能(北京)科技有限公司 | 目标的标注方法、电子设备及存储介质 |
| CN119328764B (zh) * | 2024-11-29 | 2025-10-28 | 中国科学院深圳先进技术研究院 | 一种机械臂运动规划器路径优化方法 |
| CN119257729A (zh) * | 2024-12-10 | 2025-01-07 | 杭州邦杰星医疗科技有限公司 | 基于探针采集障碍物的机械臂手术避障方法及系统 |
| CN119935170B (zh) * | 2025-01-06 | 2025-11-04 | 奇瑞新能源汽车股份有限公司 | 车辆路径规划系统和方法 |
| CN119772896B (zh) * | 2025-02-12 | 2025-11-25 | 北京邮电大学 | 一种面向可变场景的机械臂快速避障路径规划方法 |
| CN119820575B (zh) * | 2025-02-13 | 2025-09-05 | 南京航空航天大学 | 一种基于改进rrt*算法的机械臂避障路径规划方法 |
| CN119795195B (zh) * | 2025-03-12 | 2025-06-17 | 湖南大学 | 一种基于人手轨迹预测的机械臂路径重规划方法 |
| CN120038754B (zh) * | 2025-03-31 | 2025-12-02 | 余姚市机器人研究中心 | 基于零空间控制和意图引导的移动机械臂自主避障方法 |
| CN120176683B (zh) * | 2025-05-20 | 2025-07-25 | 北京航空航天大学杭州创新研究院 | 一种动态路径规划方法、装置、存储介质及电子设备 |
| CN120652976A (zh) * | 2025-06-13 | 2025-09-16 | 成都西部泰力智能设备股份有限公司 | 基于工业视觉的食品安全巡检机器人控制方法及系统 |
| CN120593732A (zh) * | 2025-06-25 | 2025-09-05 | 中国热带农业科学院南亚热带作物研究所 | 一种菠萝采摘机器人的空间异构视觉定位系统及定位方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114237302A (zh) * | 2021-11-12 | 2022-03-25 | 北京机电工程研究所 | 一种基于滚动时域的三维实时rrt*航路规划方法 |
| CN115107021A (zh) * | 2022-05-26 | 2022-09-27 | 青岛科技大学 | 机械臂路径规划快速原型系统 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101667031B1 (ko) * | 2009-11-02 | 2016-10-17 | 삼성전자 주식회사 | 로봇의 경로 계획 장치 및 그 방법 |
| JP6238628B2 (ja) * | 2013-08-06 | 2017-11-29 | キヤノン株式会社 | ロボット装置、ロボット制御方法、ロボット制御プログラム及びロボット装置を用いた部品の製造方法 |
| TWI664573B (zh) * | 2018-05-11 | 2019-07-01 | 國立交通大學 | 動作計算裝置、機器人系統及機器人控制方法 |
| CN112601641B (zh) * | 2018-08-23 | 2024-03-08 | 实时机器人有限公司 | 用于机器人运动规划的碰撞检测 |
| CN112949366B (zh) * | 2020-04-01 | 2022-04-12 | 北京京东乾石科技有限公司 | 障碍物识别方法和装置 |
| US11292132B2 (en) * | 2020-05-26 | 2022-04-05 | Edda Technology, Inc. | Robot path planning method with static and dynamic collision avoidance in an uncertain environment |
| CN112000099A (zh) * | 2020-08-26 | 2020-11-27 | 大连理工大学 | 动态环境下协作机器人柔性路径规划方法 |
| CN113110505B (zh) * | 2021-05-12 | 2024-07-19 | 上海高仙自动化科技发展有限公司 | 路径规划方法、装置、设备及存储介质 |
-
2023
- 2023-03-20 TW TW112110275A patent/TWI829561B/zh active
- 2023-06-26 US US18/214,100 patent/US20240316773A1/en active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114237302A (zh) * | 2021-11-12 | 2022-03-25 | 北京机电工程研究所 | 一种基于滚动时域的三维实时rrt*航路规划方法 |
| CN115107021A (zh) * | 2022-05-26 | 2022-09-27 | 青岛科技大学 | 机械臂路径规划快速原型系统 |
Non-Patent Citations (1)
| Title |
|---|
| 期刊 何兆楚, 何元烈, 曾 碧, "RRT與人工勢場法結合的機械臂避障規劃", 工業工程, Vol. 20 No.2 無, April 2017, * |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202438255A (zh) | 2024-10-01 |
| US20240316773A1 (en) | 2024-09-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI829561B (zh) | 機械臂動態環境路徑規劃之方法與系統 | |
| JP7635055B2 (ja) | ロボット最適化動作計画用の初期参照生成 | |
| CN110228069B (zh) | 一种机械臂在线避障运动规划方法 | |
| Moon et al. | Kinodynamic planner dual-tree RRT (DT-RRT) for two-wheeled mobile robots using the rapidly exploring random tree | |
| US8483874B2 (en) | Path planning apparatus of robot and method and computer-readable medium thereof | |
| CN109571466A (zh) | 一种基于快速随机搜索树的七自由度冗余机械臂动态避障路径规划方法 | |
| Lampe et al. | Acquiring visual servoing reaching and grasping skills using neural reinforcement learning | |
| Hassan et al. | Path planning and trajectory tracking control for two-wheel mobile robot | |
| WO2025091795A1 (zh) | 一种复杂环境下工业机器人避障方法 | |
| Li et al. | A behavior-based mobile robot navigation method with deep reinforcement learning | |
| Schmitt et al. | Planning reactive manipulation in dynamic environments | |
| CN116117822A (zh) | 基于非障碍物空间概率势场采样的rrt机械臂轨迹规划方法 | |
| CN119238495A (zh) | 一种动态场景下协作机械臂自适应避障方法 | |
| CN118778650A (zh) | 改进a星算法的移动机器人运动规划方法 | |
| Medjoubi et al. | Design and study of an adaptive fuzzy logic-based controller for wheeled mobile robots implemented in the leader-follower formation approach | |
| ZHANG et al. | AUV cluster path planning based on improved RRT* algorithm | |
| CN119635632A (zh) | 一种基于高阶控制障碍函数的机械臂安全避障控制方法和系统 | |
| Xue et al. | RETRACTED: Path planning algorithm in complex environment based on DDPG and MPC | |
| CN118295407A (zh) | 基于自适应动态窗口法的地下空间机器人编队避障方法 | |
| CN117340890A (zh) | 一种机器人运动轨迹控制方法 | |
| Peng et al. | Real-time safe bipedal robot navigation using linear discrete control barrier functions | |
| Đakulović et al. | Efficient navigation for anyshape holonomic mobile robots in dynamic environments | |
| Jiang et al. | Path Planning for Mobile Robots Based on Improved RRT Algorithm | |
| CN115016483A (zh) | 一种球形机器人轨迹优化方法 | |
| Feng et al. | A hybrid motion planning algorithm for multi-robot formation in a dynamic environment |