本發(fā)明涉及機械臂軌跡規(guī)劃，尤其是涉及基于加權(quán)勢函數(shù)和dmp的雙臂機器人避障方法及系統(tǒng)。

背景技術(shù)：

1、隨著工業(yè)自動化和智能制造的快速發(fā)展，機器人技術(shù)尤其是雙臂機器人在生產(chǎn)線上的應(yīng)用變得日益重要。雙臂機器人通過模擬人類的雙手操作，能夠完成更復(fù)雜、更精細(xì)的任務(wù)。然而，隨著應(yīng)用場景的不斷復(fù)雜化，如自動化裝配、精密加工和復(fù)雜物料搬運等，雙臂機器人面臨的挑戰(zhàn)也隨之增加。在這些場景中，雖然通常對雙臂機器人進行的是在無障礙物情況下的示教演示，但實際操作環(huán)境往往充斥著移動的作業(yè)人員、其他機械設(shè)備，以及在執(zhí)行任務(wù)過程中產(chǎn)生的臨時障礙物。因此，雙臂機器人在執(zhí)行任務(wù)時不僅要保持示教軌跡的運動特征，還必須具備靈活避開障礙物的能力以保證操作的安全性和高效性。

2、在眾多避障技術(shù)中，結(jié)合動態(tài)勢函數(shù)的人工勢場法因其簡潔高效而被廣泛采用。該方法通過構(gòu)造一個虛擬的勢場，使得機器人能夠在勢場的引導(dǎo)下繞開障礙物。然而，傳統(tǒng)的勢函數(shù)法存在局部最小值問題，可能導(dǎo)致機器人陷入障礙物周圍無法脫離。同時，現(xiàn)有的一些單獨的避障算法如超二次勢函數(shù)法等容易生成不夠平滑和不緊湊的路徑，這對于需要執(zhí)行精細(xì)操作的雙臂機器人來說是不可接受的，因為它可能導(dǎo)致操作過程中的精度降低、對機器人自身和周圍環(huán)境造成損傷以及機器人工作空間的浪費。此外，考慮到雙臂機器人操作的動態(tài)性，兩個機械臂在運動過程中也可能發(fā)生碰撞，單獨考慮每個臂對周圍障礙物的避障是不完整的。因此，提出一種基于dmp（dynamic?movement?primitives，動態(tài)運動基元）和動態(tài)勢函數(shù)的雙臂機器人避障方法，在考慮機械臂的動態(tài)特性的前提下實現(xiàn)雙臂機器人系統(tǒng)對周圍障礙物的避障以及雙臂之間的避免碰撞。

技術(shù)實現(xiàn)思路

1、本發(fā)明旨在解決雙臂機器人在執(zhí)行任務(wù)的過程中對周圍障礙物的避障以及雙臂之間的碰撞，設(shè)計了基于加權(quán)勢函數(shù)和dmp的雙臂機器人避障方法及系統(tǒng)。

2、本發(fā)明一方面提供了基于加權(quán)勢函數(shù)和dmp的雙臂機器人避障方法，該方法包括如下步驟：

3、s1、獲取雙臂機器人的機械臂在無障礙物環(huán)境下的示教軌跡，建立機械臂的初始dmp模型，將機械臂在無障礙物環(huán)境下的示教軌跡輸入初始dmp模型進行學(xué)習(xí)并獲取權(quán)重系數(shù)，采用權(quán)重系數(shù)更新初始dmp模型，得到參數(shù)化的dmp模型；

4、s2、根據(jù)機械臂與最近障礙物的距離設(shè)置自適應(yīng)變化加權(quán)系數(shù)，根據(jù)自適應(yīng)變化加權(quán)系數(shù)、超二次勢函數(shù)與高斯勢函數(shù)構(gòu)建加權(quán)組合等勢函數(shù)；

5、s3、根據(jù)加權(quán)組合等勢函數(shù)、機械臂當(dāng)前位置和速度設(shè)置動態(tài)勢函數(shù)，計算動態(tài)勢函數(shù)的負(fù)梯度，將動態(tài)勢函數(shù)的負(fù)梯度作為第一耦合項加入?yún)?shù)化的dmp模型，由此得到機械臂的可避障dmp模型，可避障dmp模型包括左機械臂的可避障dmp模型和右機械臂的可避障dmp模型；

6、s4、構(gòu)建基于范德波爾振蕩器的第二耦合項，以右機械臂的位置和速度為參考將第二耦合項添加到左機械臂的可避障dmp模型，得到左機械臂的可自主避障dmp模型，右機械臂的可避障dmp模型和左機械臂的可自主避障dmp模型共同組成雙臂機器人的自主避障模型；

7、s5、設(shè)置每個機械臂在真實場景下的起點和終點，將每個機械臂在真實場景下的起點和終點以及障礙物信息輸入到雙臂機器人的自主避障模型處理,輸出雙臂機器人可避障又能防止兩個機械臂相互碰撞的運動軌跡。

8、優(yōu)選地，s1中機械臂的初始dmp模型具體可表示為：

9、；

10、其中，；

11、式中，是時間縮放因子，和分別表示機械臂當(dāng)前時刻的速度和位置,和分別為dmp模型的剛度矩陣和阻尼矩陣,和分別表示機械臂的目標(biāo)位置和初始位置，表示相位變量，表示一階導(dǎo)數(shù)，為強迫項，為權(quán)重，為第個非線性徑向基函數(shù)，，為非線性徑向基函數(shù)的總數(shù)。

12、優(yōu)選地，s2中的加權(quán)組合等勢函數(shù)具體可表示為：

13、；

14、其中，；

15、；

16、；

17、式中，為加權(quán)組合等勢函數(shù)，為超二次勢函數(shù)的等勢函數(shù)，高斯函數(shù)的等勢函數(shù)，自適應(yīng)變化加權(quán)系數(shù)，，和分別是確定x,y和z軸尺度的實值函數(shù)，是確定超二次勢函數(shù)階數(shù)的常數(shù)，是高斯分布的幅度，是高斯分布的均值向量，是協(xié)方差矩陣，是一個常數(shù)，是機械臂與最近障礙物之間的距離，是距離閾值，是控制系數(shù)。

18、優(yōu)選地，s3中的動態(tài)勢函數(shù)具體可表示為：

19、；

20、其中，；

21、式中，表示動態(tài)勢函數(shù)，和是恒定增益，是等勢函數(shù)，為等勢函數(shù)的梯度，為機械臂的速度與機械臂位置相對最近障礙物的朝向之間的夾角，表示等勢函數(shù)的梯度與機械臂的速度之間的標(biāo)準(zhǔn)標(biāo)量積，表示范數(shù)。

22、優(yōu)選地，s3中機械臂的可避障dmp模型具體可表示為：

23、；

24、其中，；

25、式中，表示第一耦合項，表示動態(tài)勢函數(shù)的梯度。

26、優(yōu)選地，s4中構(gòu)建基于范德波爾振蕩器的第二耦合項，第二耦合項具體可表示為：

27、；

28、式中，表示第二耦合項，是振蕩系數(shù)。

29、優(yōu)選地，s4中左機械臂可自主避障的dmp模型具體可表示為：

30、；

31、式中，和分別表示左機械臂的速度和位置，和分別表示左機械臂可避障的dmp模型的剛度矩陣和阻尼矩陣，和分別表示左機械臂的目標(biāo)位置和初始位置，表示左機械臂可避障的dmp模型的強迫項，和分別表示右機械臂的位置和速度,表示以右機械臂的位置和速度為參考的第二耦合項。

32、本發(fā)明另一方面提供了一種雙臂機器人避障系統(tǒng)，采用上述基于加權(quán)勢函數(shù)和dmp的雙臂機器人避障方法進行避障，該系統(tǒng)包括雙臂機器人以及設(shè)置在雙臂機器人本體上且依次連接的圖像采集單元和自主避障模型，其中：

33、圖像采集單元用于獲取周圍障礙物位置信息，并將障礙物位置信息發(fā)送至自主避障模型；

34、自主避障模型接收每個機械臂預(yù)設(shè)的初始位置和目標(biāo)位置以及障礙物位置信息并處理，得到雙臂機器人可避障又能防止兩個機械臂相互碰撞的運動軌跡。

35、上述基于加權(quán)勢函數(shù)和dmp的雙臂機器人避障方法及系統(tǒng)，首先獲取雙臂機器人的機械臂在無障礙物環(huán)境下的示教軌跡，建立機械臂的初始dmp模型，將示教軌跡輸入初始dmp模型進行學(xué)習(xí)，獲取權(quán)重系數(shù)并參數(shù)化初始dmp模型，然后構(gòu)建加權(quán)組合等勢函數(shù)并在此基礎(chǔ)上設(shè)置動態(tài)勢函數(shù)，將動態(tài)勢函數(shù)的負(fù)梯度作為第一耦合項加入?yún)?shù)化的dmp模型，得到機械臂的可避障dmp模型，具體包括左機械臂的可避障dmp模型和右機械臂的可避障dmp模型，接著構(gòu)建基于范德波爾振蕩器的第二耦合項，以右機械臂的位置和速度為參考，將第二耦合項添加到左機械臂的可避障dmp模型，得到左機械臂的可自主避障dmp模型，右機械臂的可避障dmp模型和左機械臂的可自主避障dmp模型共同組成雙臂機器人的自主避障模型，最后將自主避障模型應(yīng)用于真實場景中，將每個機械臂在真實場景下的起點和終點以及障礙物信息輸入到雙臂機器人的自主避障模型處理,輸出雙臂機器人可避障又能防止兩個機械臂相互碰撞的運動軌跡，該方法得到的兩個機械臂的運動軌跡能夠避免每個機械臂與周圍障礙物的碰撞以及兩個機械臂相互之間的碰撞。