[发明专利]一种基于谱图模型引导的机器人采样运动规划方法及系统

说明书

本发明公开了一种基于谱图模型引导的机器人采样运动规划方法及系统，所述方法包括如下步骤：S1、通过谱图聚类来表征学习笛卡尔空间的非障碍物区域在机器人构型空间中的映射分布；并在特征空间中通过样本训练相关的谱图模型；S2、以训练好的谱图模型为标准采样规划算法提供带有引导性策略的样本生成器，生成采样规划所需要的样本；S3、引导规划探索过程在构型空间的非障碍物区域展开。本发明减少或避免了碰撞检测，提高了采样运动规划的实际运行效率。

技术领域

本发明涉及机器人运动规划领域，特别是涉及一种基于谱图模型引导的机器人采样运动规划方法及系统。

背景技术

进入21世纪以来，随着服务机器人的快速发展，机器人所面临的任务需求大幅增长，对灵巧操作提出了更高要求。运动规划是机器人灵巧操作的基础，特别是执行复杂操作任务时，高效的运动规划方法就显得非常重要。

对于复杂操作过程中，机器人使用采样运动规划方法时容易出现以下几个问题：

1.运动规划时间长。由于当前主流的采样运动规划方法如RRT,PRM等对于存在障碍物约束的场景规划时间较长，难以满足机器人执行实际操作任务的需要。

2.规划路径较差。规划路径质量主要取决于规划路径长度和规划路径复杂性。规划路径差通常意味着规划路径较长，在空间中的轨迹表现较为复杂。通常来说，规划路径质量较差意味着会消耗更多能量，可能造成不必要的机械故障。

3.规划成功率低。对于复杂障碍物约束的环境场景来说，采样规划算法由于需要随机采样，导致存在不确定性，规划成功率普遍较低，无法满足实际的规划需求，这也是当前研究的热点和难点。

2018年宾夕法尼亚大学Daniel D.Lee等提出一种基于高斯混合模型的采样运动规划方法，主要解决方案如下：

1.根据示教或已成功的规划信息进行预处理，整理出障碍物约束在构型空间对应的实际映射数据，利用GMMs来学习或表征这些实际映射数据对应的分布信息，获取笛卡尔空间下非障碍物区域在构型空间的映射分布。

2.根据运动规划问题(Xfree,xstart,xgoal)和已训练的高斯混合模型，利用已学习的高斯混合模型生成样本点，并将其作为基本采样规划算法(如RRT、RRT*、PRM等)的偏置性样本生成器。

3.在基于GMMs的样本生成器的基础上，正常运行采样运动规划算法即可。

该基于GMMs方法有如下不足：

1)GMMs的参数往往难以准确调整，需要花费大量时间来寻找最优参数。由于最优参数不易寻找，导致面对一些复杂场景，GMMs无法准确地表征构型空间的非障碍物区域，使得非均匀采样效率低下，无法有效缩短运动规划时间，规划路径质量和成功率也无法得到提高。

2)基于GMMs的方法无法在线快速调整与更新模型，对于缓慢变化的动态环境规划效果不佳。

发明内容

为了弥补上述现有技术的不足，本发明公开了一种基于谱图模型引导的机器人采样运动规划方法及系统，减少或避免碰撞检测，提高采样运动规划的实际运行效率。

本发明的技术问题通过以下的技术方案予以解决：

一种基于谱图模型引导的机器人采样运动规划方法，其特征在于包括如下步骤：S1、通过谱图聚类来表征学习笛卡尔空间的非障碍物区域在机器人构型空间中的映射分布；并在特征空间中通过样本训练相关的谱图模型；S2、以训练好的谱图模型为标准采样规划算法提供带有引导性策略的样本生成器，生成采样规划所需要的样本；S3、引导规划探索过程在构型空间的非障碍物区域展开。

在一些实施例中，本发明还包括如下特征：

还包括步骤S4：利用谱图模型的在线学习与更新机制对已训练的谱图模型进行在线调整，以应对环境的缓慢变化。