首页 > 论文范文 > 社会科学论文 > 科技论文 > 自动化论文 > 基于改进Informed-RRT*的机械臂抓取运动规划

基于改进Informed-RRT*的机械臂抓取运动规划

2024-12-03 128 上传者：管理员

摘要：为提高工业机械臂对目标物体抓取及对障碍物躲避的效率和成功率，提出一种基于改进抓取信息引导的快速随机树星（GI-RRT*）的机械臂路径规划算法.首先，预先设定最大迭代次数和自适应函数，缩短机械臂运动轨迹生成时间，增强采样导向性和质量；其次，基于椭圆形子集直接采样，对采样点位置进行约束，提高采样效率；最后，采用贪心算法删除机械臂运动轨迹的冗余点，并使用三次B样条曲线平滑约束机械臂运动轨迹，提高机械臂运动轨迹的柔顺性.利用生成残差卷积神经网络模型预测，输入深度相机采集的彩色图像和深度图像，输出视场中物体的适当映射抓取位姿.为验证机械臂的抓取效果，选择三指气动柔性夹爪，设计柔性抓取模块，并结合法奥（FR3）协作机械臂构建自主抓取系统，进行二维地图仿真和机械臂样机实验.结果表明，与传统的信息引导的快速随机树星算法相比，GI-RRT*算法运动轨迹长度缩短10.11%，轨迹生成时间缩短62.68%.同时，算法具有较强的鲁棒性.机械臂能独立地避开障碍物、抓取目标物体，满足其自主抓取的需求.

关键词：
信息引导的快速随机树星算法
机械臂
柔性夹爪
神经网络
运动规划
加入收藏

随着科学技术的进步，各种协作机械臂和工业机械臂越来越受欢迎.为提高机械臂的智能性和自主性，机械臂自主抓取一直是机器人领域的研究热点之一[1-2].传统的协作机械臂需要操作者具备相关知识，通过编程或拖拽指令实现机械臂的抓取操作[3-4].由于无法避开障碍物，一旦被抓取物体的位置发生变化或环境中存在障碍物，机械臂就无法抓取甚至发生碰撞[5-6].

协作机械臂的路径规划是在抓取物体和机械臂的目标位置之间规划一条无碰撞的路径[7].现有的路径规划大致可分为三类：一是图搜索算法，如A*算法[8]、Dijkstra算法[9]和快速随机树(RRT)算法[10]；其次是仿生算法，如蚁群算法[11]、粒子群算法[12]和灰狼算法[13]等；三是人工智能算法，如人工神经网络算法[14]、进化算法[15]和模糊逻辑算法[16]等.陈丹等[17]提出一种基于采样点优化RRT算法的机械臂路径规划算法,结合一定概率的人工势场法产生启发式采样点,使用冗余节点删除策略剔除路径中的冗余节点来优化最终路径.为解决多自由度机械臂路径规划问题，Dai等[18]提出一种直接连接策略的势能引导双向快速搜索随机树算法(GB-RRT*).为突破步长限制，缩短路径规划时间，设计基于人工势场的扩展策略和直连策略.Ho和King[19]提出一种带有学习辅助约束的快速搜索随机树算法(LAC-RRT)，该算法使用自监督学习来训练模型，并使用指定的等式约束来实现泛化，显著缩短规划时间.宋勇[20]提出一种基于启发式概率融合人工势场法的改进型RRT*算法，采样上引入概率目标偏向与随机采样点优选策略，融合人工势场法的目标引力与障碍物斥力和自适应步长，对冗余节点进行删除，并采用三次B样条插值优化.吴昊等[21]提出一种基于Q距离的快速随机树(QD-RRT)算法，先通过目标偏置策略引导随机树以一定概率朝目标点生长，利用Q距离函数的可微性,计算碰撞点的Q距离函数关于机械臂各个关节角度的梯度,对原有的路径点进行修正.

本文提出一种基于改进抓取信息引导的快速随机树星(GI-RRT*)的机械臂路径规划算法，实现机械臂视觉抓取中的高效、准确抓取.通过构建自适应采样函数、基于椭圆形子集直接采样、贪心算法去除路径冗余点和三次B样条曲线路径平滑，生成机械臂最优运动轨迹.进一步结合生成残差卷积神经网络(GR-ConvNet)模型，预测相机视场内物体的适当映射抓取位姿.搭建机械臂视觉抓取系统，通过仿真和实物实验，验证了所提出算法的有效性.

1、抓取系统

1.1 系统工作原理

机械臂自主识别与抓取系统包括机械臂、摄像头、柔性夹爪、上位机、被抓取对象等[22].选择6轴法奥（FR3）协作机械臂作为机器人手臂主体选择深度相机作为机械臂的传感工具.选用三指气动柔性夹爪.系统总体组成及工作原理如图1所示.其中，深度摄像头安装机械臂末端，即眼在手上，实现仿真环境与真实机器的同步捕捉.采用GR-ConvNet模型预测相机视场中物体的适当映射抓取位姿.最后，机器人操作系统(ROS)可以通过控制机器人手臂的运动来完成抓取任务.

机器人末端执行机构采用气动翅片效应驱动的三指圆形抓握夹爪[23].圆形抓取夹具适用于抓取球体和圆柱形物体，便于从物体顶部抓取.柔性夹持器由左至右各部分为柔性单指、固定板、刚性支撑、传动装置和夹持器底座.爪端采用软质材料，具有鳍条效果.空气压缩机作为气源，为柔性夹持模块提供动力.电磁转向阀控制气体的流量和方向，控制柔性夹爪的开启和收缩.驱动模块接收上位机的指令，输出相应的电信号，控制电磁转向阀.上位机通过串口与驱动模块通信并发送相应的指令.

1.2 GR-ConvNet结构

GR-ConvNet模型是一个生成框架.n通道输入图像经过3个卷积层提取图像的主要特征，经过5个残差层和卷积转置层，残差层的使用使模型能够通过跳过连接更好地学习恒等函数.最后，生成抓取质量、夹爪角度和宽度.网络结构如图2所示.该网络共有19900个参数.与其他网络相比，该网络在计算和预测速度上更短、更快.深度相机采集物体的RGB图像和深度图像，把图像当作输入，经过GR-ConvNet模型预测，得到四种结果图，分别为抓握质量、抓握角度、抓握宽度和抓握表示.

图1 抓取系统.(a)抓取模块;(b)柔性夹爪模块

2、GI-RRT*算法

本文提出一种GI-RRT*算法，算法流程如图3所示.首先，设置起始点Xstart和目标点XGoal，固定最大迭代次数，构建自适应采样函数；其次，寻找新节点Xnew，将节点加入随机树中，判断是否生成一条初始路径，椭圆形子集直接采样，重选父节点和剪枝函数；最后，采用贪心算法去除路径冗余点，使用三次B样条曲线对路径进行约束，生成最优轨迹.

2.1 自适应采样函数

传统Informed-RRT*算法在整个采样空间内随机采样，生成初始路径，生成大量采样节点，消耗计算资源并占用运算时间.本文提出GI-RRT*算法使用自适应采样函数，在起始点周边的1/4个采样空间内随机采样，当随机树长度超过1/4个采样空间时，直接将随机采样点设置成目标点，直至采样点与目标点距离处于阈值范围内，停止采样，生成初始路径.自适应采样函数如式(1)所示：

其中，rand为障碍物空间范围，xrand为1/4个障碍物空间内采样点，XGoal为目标点，Xrand为随机采样点.使用自适应采样函数，可在加快初始路径生成速度、减少采样点数量和提高采样效率的同时，防止初始路径生成时陷入局部最优.

2.2 基于椭圆形子集直接采样

GI-RRT*在生成初始路径之后，需要将采样样本子集约束在椭圆形样本子集中.采样样本子集由单位圆中均匀分布样本Xball～U(XStart)经过矩阵运算和旋转变换，转变为椭圆样本，并计算其坐标椭圆中均匀分布样本为Xellipse～U(XStart)，具体转换过程如下：

其中，Xellipse为样本子集，L为转化系数，Xcentre为椭圆两焦点XStart和XGoal的中心点.转化系数L可通过椭圆的Cholesky分解计算，如式(4)所示：

其中，S为系数矩阵，S∈R n*n，且满足式(5):

图2 GR-ConvNe网络结构

图3 GI-RRT*算法流程图

其中，S的特征向量模对应于椭圆横轴{ai},即cbest,S的特征值对应于椭圆半径平方{ri2},即c2best-c2min,对椭圆转化系数L可计算得：

对式(6)进行分解计算，得到转化系数L如下：

为获得到其坐标，还需通过旋转矩阵C将椭圆坐标系转换为世界坐标系，旋转矩阵C为：

其中，det(U)和det(V)分别是矩阵U和V的行列式；U和V是矩阵M通过奇异值分解获得：

其中，M为世界坐标系下椭圆横轴a1与单位矩阵l1第一列的外积，如式(10)所示：

其中，a1计算公式为：

通过变换L，旋转C和平移运算，得到世界坐标系下椭圆采样域中均匀分布的样本xf～u(Xf)，如式(12)所示：

2.3 三次B样条曲线平滑约束

由于机械臂运动轨迹非最优，其中含有大量冗余点.首先使用贪心算法去除冗余点，生成最短路径；其次，考虑移动机器人运动学特性，需要对去冗余后路径进行平滑性约束[24-25].B样条曲线平滑约束是一种常见的平滑约束方法，可将路径点作为B样条曲线基函数控制点，生成曲率连续的平滑路径.设存在n+1个控制点Pi (i=0,1,2,···,n)，节点向量T=[t0,t1,···,tn+k+1],K阶B样条曲线定义如下：

其中，P(t)为B样条曲线函数，Bi,k(t)为K阶B样条基函数.采用三次B样条曲线平滑约束已经去除冗余点的路径，三次B样条曲线公式为：

将式(13)～(17)采用矩阵形式，P0,P1,P2,P3为控制点，具体内容如图4所示.

3、实验

3.1 仿真实验

为了验证本文提出的GI-RRT*算法的可行性和有效性，首先构造二维环境，进行二维环境下的算法验证，在500 m×500 m中生成了两组障碍图环境(简单环境和复杂环境).对比RRT算法、RRT*算法、Informed-RRT*算法和GI-RRT*算法.每个算法分别在两种环境下运行50次.实验结果如图5和图6所示.四种算法的生成路径长度、规划时间和迭代次数如表1所示.图中黑色椭圆或矩形为障碍物，蓝色曲线为初始路径，黑色为去冗余路径，红色为最终路径，绿色为随机树的分支，红点为路径的起点，蓝点为路径的终点.

图4 三次B样条示意图

从图5和图6可以看出，GI-RRT*算法在简单和复杂环境下都能有效提高采样效率，缩短路径长度，生成光滑路径.由表1可以看出，GI-RRT*算法可以有效缩短路径长度，提高路径生成效率，缩短路径生成时间.在简单环境下，GI-RRT*算法与Informed-RRT*算法相比，路径长度缩短6.19%，路径生成时间缩短58.87%.在复杂环境下，GI-RRT*算法与Informed-RRT*算法相比，路径长度缩短10.11%，路径生成时间缩短62.68%.同时，在两个不同的环境中算法都能成功规划出路径，体现算法的鲁棒性.为了验证本文提出的改进GI-RRT*算法的有效性，将改进算法与传统的Informed-RRT*算法在ROS操作系统中进行比较.两种算法最终对应的规划路径如图7所示.图7(a)轨迹长度为1.314 m，图7(b)轨迹长度为1.235 m，轨迹长度缩短6.39%.图7显示rviz可视化场景中的机械臂.图中绿色部分为障碍物和桌面框架的放置，以及半透明机械臂在沿着规划路径运动过程中的位姿变化.结果表明：改进GI-RRT*算法生成轨迹优于传统算法生成轨迹.图8为关节角度曲线和关节角加速度曲线图，图8(a）为传统算法的轨迹规划过程，图8(b）为改进算法的轨迹规划过程，图8(c）为传统算法的关节角加速度曲线，图8(d）为改进算法的关节角加速度曲线.结果表明：两组关节角速度曲线和关节角加速度曲线对比，可以明显发现使用改进算法的机械臂运动更加流畅，可见改进算法的轨迹运动幅度更小、更流畅.

图5 简单环境下仿真.(a) RRT算法;(b) RRT*算法;(c) Informed-RRT*算法;(d) GI-RRT*算法

图6 复杂环境下仿真.(a) RRT算法;(b) RRT*算法;(c) Informed-RRT*算法;(d) GI-RRT*算法

表1 四种算法的路径规划性能比较

图7 算法仿真对比图.(a) Informed-RRT*算法;(b) GI-RRT*算法

3.2 样机实验

为了验证本文所述机械臂自主抓取系统的可行性和机械臂实验平台的有效性，本文搭建了如图9所示的实验平台.图中展示了机械臂的柔性抓取过程，并生成无碰撞最优运动轨迹.实验结果表明，机械臂可以成功预测物体的待抓取位姿，效果如图10所示，图10中第一列图片为物体的抓握质量，图10中第二列图片为物体的抓握角度，图10中第三列图片为物体的抓握宽度，图10中第四列图片为物体的抓握表示.

4、结论

为实现工业机械臂运动的柔顺性，同时实现工业机器人安全避障，本文提出一种GI-RRT*算法.该算法具有以下优点：首先，构建自适应采样函数，提高采样质量；其次，基于椭圆形子集直接采样，加快采样速度；最后采用贪心算法去除轨迹冗余点，使用三次B样条曲线对路径进行约束，提高机械臂的柔顺性.设计夹持器控制模块和自主抓取系统，利用生成残差卷积神经网络(GR-ConvNet)模型预测相机视场中物体的适当映射抓取配置.仿真结果表明，该算法可以减少路径中冗余节点的数量，缩短规划时间，能够独立抓取物体并成功避开障碍物.未来的研究将重点关注复杂环境下机械臂的抓取问题，增加摄像头数量，增加力传感器，提高机械臂的柔性抓取能力.

图8关节角度曲线和关节角加速度曲线.(a) Informed-RRT*算法;(b) GI-RRT*算法;(c) Informed-RRT*算法;(d) GI-RRT*算法

图9 机械臂识别抓取物体并避障

图1 0 深度相机预测识.(a)水瓶；(b)剪刀；(c)轮子

参考文献:

[1]周林娜,汪芸,张鑫,等.矿区废弃地移动机器人全覆盖路径规划.工程科学学报,2020,42(9):1220

[7]傅军栋,叶聪,陈晴.基于改进蚁群的车库泊车引导方法研究.华东交通大学学报,2019,36(6):79

[14]朱大奇,颜明重.移动机器人路径规划技术综述.控制与决策,2010,25(7):961

[17]陈丹,谭钦,徐哲壮.基于采样点优化RRT算法的机械臂路径规划.控制与决策,2024,39(8):2597

[20]宋勇,张蕾,田荣,等.复杂多场景下机械臂避障运动规划方法研究.西北工业大学学报,2023,41(3):500

[21]吴昊,丁烨,朱向阳.QD-RRT:基于Q距离函数和快速扩展随机树的机械臂运动规划方法.中国科学(技术科学),2022,52(5):773

基金资助:国家自然科学基金资助项目(52365003,52165069,52367015);江西省自然科学基金资助项目(20232BAB214045,20224BAB214051,20224BAB204051,20232BAB214064); 江西省重点学科学术技术带头人培养计划资助项目(20232BCJ23027);江西省重点研发计划､资助项目(20212BBE51010);江西省研究生创新专项资金资助项目(YC2023-S468,YC2024-S428);

文章来源:殷雄,陈炎,郭文豪,等.基于改进Informed-RRT*的机械臂抓取运动规划[J].工程科学学报,2025,47(01):113-120.