欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023108646073
申请人: 湖南大学
专利类型:发明专利
专利状态:未下证
专利领域: 手动工具;轻便机动工具;手动器械的手柄;车间设备;机械手
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于深度强化学习的机器人三维测量路径规划方法,其特征在于,所述方法包括以下步骤:S100:基于多层视球和下一最优视点的MLVS‑NBV规划方法生成候选视点集合;

S200:使用IKFast运动学求解器求解候选视点集合中各视点对应的机器人的所有逆运动学解;

S300:建立视点—逆运动学解的评估矩阵;

S400:基于候选视点集合建立训练数据集,根据训练数据集对PC‑NBV点云网络进行训练,基于训练后的PC‑NBV点云网络学习和预测选择下一个视点后的覆盖率;

S500:将测量视点选择问题建模为GTSP问题,搭建基于DDQN的网络架构,根据评估矩阵、覆盖率预测矢量和视点遍历序列更新状态信息,根据更新后的状态信息结合DDQN强化学习方法求解GTSP问题,得到训练后的Q网络;

S600:将训练好的Q网络迁移到实际的机器人测量任务,根据观测信息生成下一个最优视点,使用GPMP2运动规划器生成无碰撞测量路径,控制机器人运动并扫描对象,直至到达预设的终止条件,结束测量;

S400包括:

S410:对 个测量对象进行泊松采样生成测量表面点集 , ;

S420:根据候选视点集合 ,生成不同测量对象在不同视点下观测的点云数据 ,, ;

S430:建立训练数据集 ,其中每个训练数据采用统一的数据格式( , , ),其中 为所有选择视点的遍历序列,描述为 ,为选择的视点数量; 为视点选择矢量,若 中的第 个元素 的值为1,则第 个视点被选择;否则, 中的第 个元素 的值为0,第 个视点未被选择; 表示测量第个测量对象时所有遍历视点观测到的点云数据 的集合; 表示视点的覆盖率预测矢量,第 个元素 的值表示增加第 个视点后的覆盖率, , ;

S440:使用训练数据集 训练PC‑NBV网络,实现输入观测到的点云数据和视点选择矢量后,直接输出对选择下一个视点时覆盖率的预测。

2.根据权利要求1所述的方法,其特征在于,S100包括:S110:构建多层视球并采样生成初始视点集合 ;

S120:分析标志点约束和初始视点集合 中视点可行性,保留可行的视点;

S130:建立基于可视锥的下一最优视点规划策略,并增加对不同对象测量的视点;

S140:融合所有可行的测量视点生成候选视点集合 。

3.根据权利要求2所述的方法,其特征在于,S110将每个视点 定义为位置 、方向 和绕该方向相对旋转角度 的元组,即 ,该视点的位姿计算如下:;

;

;

;

其中, 是单位矢量 , 是矢量 的反对称矩阵;视点方向 设定为视点坐标系的Z轴,即结构光三维扫描仪投影仪的光轴方向; 为视点坐标系Z轴与测量对象坐标系Z轴的夹角; 矢量 旋转到矢量 的旋转轴方向; 为视点坐标系 到测量对象坐标系 的旋转变换矩阵; 为视点相对于测量对象的位姿。

4.根据权利要求2所述的方法,其特征在于,S120采用虚拟测量技术模拟给定视点下观测到的标志点信息,通过分析观测到的标志点 的数量 和分布 判断视点在视觉上是否可行,即 ,其中 为要求观测到的标志点的最少数量, 为要求观测到的标志点聚类的最少数量,按标志点支柱的中心线进行聚类,其聚类结果为标志点占用的支柱的最少数量;同时,S120通过分析逆运动学解是否存在、机器人关节角度是否满足关节位置限制、是否存在物理碰撞、是否具有一定的可操作性来分析视点在运动学上是否可行性,即,其中,

为计算给定视点 和采样转台角度 下的机器人逆运动学解 , 和分别为机器人关节的最小关节位置和最大关节位置, 为机器人的无碰撞关节空间,为机器人的雅可比矩阵, 为规定的最小机器人可操作性;当给定的视点同时满足上述条件 ,则该视点是可行的,否则该视点是不可行的。

5.根据权利要求2所述的方法,其特征在于,S130包括:S1301:对 个测量对象进行泊松采样生成测量表面点集 ,其中 ;

S1302:初始化 ,覆盖率 ,当前迭代次数 ,最大迭代次数 和新增视点集合 ;

S1303:通过虚拟测量技术模拟视点 对 的观测点云 ,其中 ,, 为 中视点的数量;

S1304:计算覆盖率 ,其中 操作表示统计点云中的点数;

S1305:如果 ,则执行步骤S1312,否则执行S1306,其中 为第 个测量对象的期望覆盖率;

S1306:随机选择一个未观测到的表面点 ,其法向为 ,采用S110中视点位姿计算公式计算可视锥坐标系变换矩阵 ;

S1307:初始化可视锥角度映射矩阵 ,其矩阵各元素均为0, 、 分别为矩阵的行数和列数;

S1308:计算表面点的投影点集合 ,即 ,其中每个表面点 ;

S1309:遍历 中的每个投影点 ,以可视锥坐标系建立球坐标系,计算极角,计算方位角 ,如果 ,则更新映射矩阵的元素 ,其中单位矢量 , ,矩阵元素的行索引 ,列索引 ,参数 , 分别为设定的方位角和极角的角度间隔;

S1310:遍历 中的元素 ,如果 为0,则采样视点 由以下公式计算:;

;

;

;

若视点 满足 ,则 ,其中, 为可视

锥坐标系中的视点朝向, 为扫描仪的最佳工作距离,为相对旋转角度的均匀采样数量,;

S1311:如果 ,则更新 ,返回步骤S1303,否则执行S1312;

S1312:如果 ,则更新 ,返回步骤S1306,否则执行S140。

6.根据权利要求1所述的方法,其特征在于,S200包括:S210:均匀采样根据权利要求1的方法,其特征在于,S200包括:S210:均匀采样 个转台角度,即 , ;

S220:计算机器人末端姿态矩阵 ,

, , ,其中 为候选视点数量, 为绕Z轴的旋转矩阵,{B}为机器人基座坐标系,{E}为机器人末端坐标系,{T}为转台的坐标系,{O}为测量对象的坐标系,{V}为视点的坐标系, 为机器人末端坐标系到基座坐标系的变换矩阵, 为转台坐标系到机器人基座坐标系的变换矩阵, 为转台坐标系到测量对象坐标系的变换矩阵, 为机器人末端坐标系到视点坐标系的变换矩阵;

S230:使用IKFast机器人逆运动学求解器求解机器人的所有逆运动学解, , , ;若求解给定 下

的机器人逆运动学解的数量少于8,则添加无意义的解保持解的数量为8个,无意义的解如超过关节极限的解或各关节的数值为无穷大。

7.根据权利要求1所述的方法,其特征在于,S300包括:S310:构造二进制矩阵 ,初始化矩阵各元素为0,其中 为候选视点数量,为生成的逆运动学解的数量;

S320:评估 是否满足权利要求4所述的运动学可达性条件 ,如果满足该条件,则是可行的逆运动学解,更新 中的对应的元素 为1,其中 ,, 。

8.根据权利要求1所述的方法,其特征在于,S500包括:S510:建模GTSP问题如下:

;

其中 为视点遍历序列 中视点的数量, 为扫描仪单次扫描的时间成本,为计算遍历序列中第 个选择视点到第 个选择视点的运动时间成本,为第 个测量对象的期望覆盖率, 表示测量第 个测量对象时所有遍历视点观测到的点云数据 的集合,操作表示统计点云中的点数;

S520:搭建基于DDQN的 网络架构,将评估矩阵 、覆盖率预测扩展矩阵 和视点遍历扩展矩阵 作为三个通道输入到一个 网络中,输出对 个视点选择的动作价值函数的预测值 ,其中状态 为三个通道的观测, 为从输入状态提取的特征矢量,动作 为选择下一个视点, 为网络的参数;网络从输入端到输出端依次包含

2个卷积层、1个展平层和1个全连接层; 由视点的覆盖率预测矢量 按列进行扩展生成; 由遍历序列 生成,即若 ,对应的矩阵元素 的值为1,否则对应的矩阵元素 的值为0,其中 , , ;

S530:利用DDQN强化学习方法求解GTSP问题,得到训练后的 网络。

9.根据权利要求8所述的方法,其特征在于,S530包括:S5301:初始化 的各元素为 ,初始化 的各个元素为 ,初始化动作对应的价值 , ;随机初始化 网络的所有参数 ,初始化目标 网络的参数;初始化折扣系数 和经验池 ;

S5302:初始化当前迭代次数 、最大迭代次数 、最大重复次数 和参数更新间隔步数 ;

S5303:初始化 ,随机选择一个测量对象 , ;

S5304:随机选择一个视点 进行测量,获得点云数据 ,基于边界框对点云数据进行分割获得 ,将 和 输入到PC‑NBV网络中获得视点的覆盖率预测矢量 ,构造 和 ;

S5305:将 、 和 输入到 网络中,计算 和 ,通过 贪婪算法在当前 网络输出中选择对应的动作:;

其中, 为设定的一个阈值, 为动作空间, 为随机采样操作;

S5306:更新 ,计算及时回报 ,其中;

S5307:在视点 进行测量,获得点云数据 ,基于边界框对点云数据进行分割获得,将 和 输入到PC‑NBV网络中获得视点的覆盖率预测矢量 ,同时计算和覆盖率 ;

S5308:将 存储到经验池 中;

S5309:从经验池中采样 个样本 , 为第 个采样样本中记录的当前状态, 为第 个采样样本中记录的下一个状态, ;

S5310:计算当前目标 值 :

;

S5311:使用均方差损失函数 ,通过神经网络的梯度反向传播来更新 网络的所有参数 ;

S5312:如果 为1,其中%表示求余操作,则更新目标 网络的参数 ;

S5313:更新 ,如果 ,则 ;

S5314:如果 ,则执行S5303 S5313,否则结束训练过程。

~

10.根据权利要求1所述的方法,其特征在于,S600包括:S610:将实际测量系统的当前位置作为起点,选择最近的一个候选视点开始测量,初始化序列 , , ,其中

, 为第 个元素为1的单位矢量;

S620:扫描仪扫描一次,获得点云数据 ,基于边界框对点云数据进行分割获得 ,将和 输入到PC‑NBV网络中获得视点的覆盖率预测矢量 ,同时计算覆盖率;

S630:将 按列进行扩展生成覆盖率预测扩展矩阵 ,并根据 构造视点遍历扩展矩阵 ;

S640:将 、 和 输入到训练后的 网络中,获得选择一个视点的最优策略;

S650:选择最优的逆解 和 ,其中 ;

S660:使用GPMP2机器人运动规划器生成 和 的无碰撞测量路径,控制机器人运动到 ,更新遍历序列 ,重复S620 S660直到达到期~

望的覆盖率 或最大迭代次数 ,即 ,结束测量。