1.一种反铲式挖掘机连续实时轨迹规划方法,其特征在于,该方法包括以下步骤:步骤1:挖掘任务决策;
步骤2:构建物理信息神经网络,使用传统优化算法进行单次挖掘轨迹规划,并获得训练数据集;
步骤3:利用物理信息神经网络对步骤2中所获得的训练数据集进行训练,获得训练好的神经网络;
步骤4:将步骤3中训练好的神经网络嵌入在线轨迹规划模型中,并从实际现场获取在线规划模型所需的输入,从而生成挖掘机的挖掘轨迹;
在步骤2中,所述单次挖掘轨迹规划的具体步骤为:利用物理信息神经网络进行离线训练,获取训练集,包括输入X和输出Y;其中训练集的输入X为现场工作条件的参数,包括待挖掘的地面信息及挖掘机的初始姿态,且表示为向量形式如下:式中,
训练集的输出Y为最优挖掘轨迹的参数,该参数通过六阶多项式插值算法获得;
在挖掘机工作装置的关节空间中,通过动臂、斗杆及铲斗的液压缸驱动各关节形成复合运动,进而使挖掘机铲斗完成规划的轨迹,不考虑挖掘机回转卸料的过程,设第i个关节的六阶插值多项式的表达式为:θ
式中,θ
以挖掘机工作装置的运动学和动力学作为约束条件,采用粒子群算法对三个关节多项式的六次项系数af(t)=min[λ
约束条件为:
max{|v
max{|e
max{P}≤P
式中,λ
神经网络离线训练的期望输出Y,即上述三个关节多项式的六次项系数aY=[a
根据数学关系计算出其他多项式系数,并得到完整的插值表达式。
2.根据权利要求1所述的反铲式挖掘机连续实时轨迹规划方法,其特征在于,在步骤1中,所述挖掘任务决策包括确定沟槽的长度、宽度、深度及作业面要求,评估任务是否超出挖掘机在固定位置的工作范围,其中宽度不大于两倍斗宽的作业任务定义为沟槽类任务,否则划分为基坑类任务。
3.根据权利要求2所述的反铲式挖掘机连续实时轨迹规划方法,其特征在于,评估任务超出挖掘机在固定位置的工作范围时,根据其在固定位置的工作范围将挖掘任务划分区域,然后将单个区域划分分为k层、p排、q列,依据逐层、逐排、逐列的作业次序规划挖掘起始点。
4.根据权利要求1所述的反铲式挖掘机连续实时轨迹规划方法,其特征在于,在步骤3中,物理信息神经网络对训练集进行训练,由于挖掘机受几何条件和驱动系统的限制,规划的轨迹应满足其运动学和动力学方面的约束,将运动学和动力学约束、规划的性能指标纳入神经网络的损失函数中,以产生可行的挖掘轨迹;
其中总的损失函数包括数据损失函数、约束损失函数以及目标损失函数。
5.根据权利要求4所述的反铲式挖掘机连续实时轨迹规划方法,其特征在于,物理信息神经网络框架能够建立从现场工况到最优挖掘轨迹之间的非线性映射,即
6.根据权利要求4所述的反铲式挖掘机连续实时轨迹规划方法,其特征在于,用动力学约束主要为功率约束,即挖掘机进行挖掘作业时所需的驱动功率P要小于挖掘机所能提供的最大功率P总的约束损失函数表示为:
7.根据权利要求4所述的反铲式挖掘机连续实时轨迹规划方法,其特征在于,将以时间、能耗和满斗率综合最优的性能指标纳入损失函数中,构成目标损失函数
8.根据权利要求4所述的反铲式挖掘机连续实时轨迹规划方法,其特征在于,总的损失函数表示为:J(θ)=Loss
式中,R(W)表示模型复杂度的正则化函数,λ为超参数,W为神经网络的权值矩阵;λ损失函数构建完成,并采用自适应梯度下降法(AdaGrad)进行网络参数的优化训练:采用七层神经网络进行网络参数的优化训练,训练输入为
9.根据权利要求1所述的反铲式挖掘机连续实时轨迹规划方法,其特征在于,在步骤4中,通过挖掘机上设置的传感器模块获取现场实时信息。