1.一种基于强化学习的多机器人协同测量路径规划方法,其特征在于,包括:获取大型复杂构件的模型和点云数据,并进行预处理;
基于经预处理的点云数据构建三维环境模型,并定义强化学习环境的状态空间、可执行的动作空间和强化学习过程的奖励函数;
基于构建的三维环境模型,将测量任务分配给多个机器人,生成覆盖大型复杂构件表面的初始路径,并利用强化学习方法对初始路径进行优化,生成优化路径;
实时共享多个机器人的优化路径和状态,进行未来潜在冲突预测,并基于预测结果动态协同调整多个机器人的路径和状态,生成最终路径和控制指令,以实现多机器人协同测量路径规划;
所述基于构建的三维环境模型,将测量任务分配给多个机器人,生成覆盖大型复杂构件表面的初始路径,包括:基于大型复杂构件划分的多个子区域,量化每个子区域的复杂度;
基于机器人的最大移动速度、测量精度、续航能力和视场范围,评估每个机器人的测量性能;
基于每个机器人的测量性能,采用粒子群优化算法为每个机器人分配测量的子区域,并将高曲率子区域优先分配给高测量精度的机器人;
基于每个机器人分配的子区域,采用UV参数化函数将二维Z字形路径映射至三维曲面,计算路径点三维坐标和路径方向,并全局连接各路径点,结合路径点间的实时碰撞检测,调整生成每个机器人的测量路径及对应的时间-速度序列,形成覆盖大型复杂构件表面的初始路径。
2.根据权利要求1所述的一种基于强化学习的多机器人协同测量路径规划方法,其特征在于,所述获取大型复杂构件的模型和点云数据,并进行预处理,包括:直接获取大型复杂构件的CAD模型,将其转换为第一三角网格模型;
采用激光扫描仪扫描大型复杂构件获取大型复杂构件表面的点云数据,进行去噪和降采样处理,生成降采样点云数据;
基于第一三角网格模型和降采样点云数据,采用迭代最近点算法进行对齐操作。
3.根据权利要求2所述的一种基于强化学习的多机器人协同测量路径规划方法,其特征在于,所述基于经预处理的点云数据构建三维环境模型,并定义强化学习环境的状态空间、可执行的动作空间和强化学习过程的奖励函数,包括:基于降采样点云数据,采用泊松曲面重建算法生成第二三角网格模型,并结合第一三角网格模型,获取大型复杂构件的表面信息;
基于大型复杂构件的表面信息,利用曲面几何特征信息和空间位置信息,将大型复杂构件的表面划分为多个可管理的子区域,构建三维环境模型;
基于三维环境模型,采样获取大型复杂构件的几何表示,并结合多个机器人状态和环境状态,定义强化学习环境的状态空间;
基于单个机器人的单机动作和多个机器人的协同动作,定义可执行的动作空间;
基于大型复杂构件测量的覆盖率、效率、冲突避免和质量,定义强化学习过程的奖励函数。
4.根据权利要求3所述的一种基于强化学习的多机器人协同测量路径规划方法,其特征在于,基于大型复杂构件的表面信息,利用曲面几何特征信息和空间位置信息,将大型复杂构件的表面划分为多个可管理的子区域,构建三维环境模型,包括:基于大型复杂构件的表面信息,利用曲面几何特征信息和空间特征信息,将大型复杂构件表面划分为多个初始子区域;
利用相似性矩阵和拉普拉斯矩阵,将所划分的多个初始子区域进行聚类,形成多个可管理的子区域,构建三维环境模型。
5.根据权利要求3所述的一种基于强化学习的多机器人协同测量路径规划方法,其特征在于,所述定义可执行的动作空间时,多个机器人的协同动作包括任务重新分配和机器人优先级矩阵,用于将高曲率子区域优先分配、以及优先对低优先级的机器人进行冲突主动避让。
6.根据权利要求1所述的一种基于强化学习的多机器人协同测量路径规划方法,其特征在于,所述利用强化学习方法对初始路径进行优化,生成优化路径,包括:基于初始路径,采用经训练的策略网络和评价网络预测每个机器人的动作,计算连续性路径点,并结合机器人间路径点的路径冲突实时检测,调整生成覆盖大型复杂构件表面的优化路径。
7.根据权利要求1所述的一种基于强化学习的多机器人协同测量路径规划方法,其特征在于,基于每个机器人分配的子区域,采用UV参数化函数将二维Z字形路径映射至三维曲面,计算路径点三维坐标和路径方向,并全局连接各路径点,结合路径点间的实时碰撞检测,调整生成每个机器人的测量路径及对应的时间-速度序列,形成覆盖大型复杂构件表面的初始路径,包括:基于每个机器人分配的子区域,采用UV参数化函数将二维Z字形路径映射至三维曲面,得到三维路径,并确定各路径点三维坐标和路径方向;
基于路径点序列,采用分段三次样条插值算法对路径点连接形成的路径连接段进行路径平滑,并进行各路径点的全局连接;所述各路径点的全局连接包括对路径连接段以及对应子区域赋予权重,并利用优化算法求解最优的路径连接段连接序列;
基于每个机器人的路径点间距进行实时碰撞检测,并基于实时碰撞检测结果进行路径修正,生成每个机器人的初始路径点集及其对应的时间-速度序列,形成覆盖大型复杂构件表面的初始路径;
所述每个机器人的初始路径点集表示为:
;
式中,表示第个机器人的初始路径点集;表示第个机器人的第个路径点;
所述每个机器人的时间-速度序列表示为:
;
式中,表示第个机器人的时间-速度序列;表示第个机器人的第个路径点的时间和速度的集合。
8.根据权利要求6所述的一种基于强化学习的多机器人协同测量路径规划方法,其特征在于,所述基于初始路径,采用经训练的策略网络和评价网络预测每个机器人的动作,计算连续性路径点,并结合机器人间路径点的路径冲突实时检测,调整生成覆盖大型复杂构件表面的优化路径,包括:将初始路径作为起点,设计策略网络和评价网络,用于输出每个机器人在当前状态下应执行动作、以及评估在给定状态和所有机器人执行动作下的预期累积奖励;
基于三角网格模型,采用优先级回放策略聚焦关键子区域,添加曲面约束限制机器人的动作范围,并利用最小化时序差分误差方法对评价网络进行更新、以及最大化奖励值对策略网络参数进行更新,得到经训练的策略网络;
基于经训练的策略网络,预测每个机器人应执行动作,生成连续性路径点,并结合相邻路径点间的连续性约束、路径点与大型复杂构件表面的曲面贴合约束,构建时空联合优化的目标函数,进行路径抖动消除,得到优化的连续性路径;
基于机器人间的路径点间距,进行路径冲突实时检测,并基于路径冲突检测结果进行方向性调整,生成覆盖大型复杂构件表面的优化路径;
所述覆盖大型复杂构件表面的优化路径表示为:
;
式中,表示覆盖大型复杂构件表面的优化路径;表示优化后时刻路径点的三维坐标;表示优化后时刻的速度;表示优化后时刻的曲面方向向量;,表示时刻总数。
9.根据权利要求1所述的一种基于强化学习的多机器人协同测量路径规划方法,其特征在于,所述实时共享多个机器人的优化路径和状态,进行未来潜在冲突预测,并基于预测结果动态协同调整多个机器人的路径和状态,生成最终路径和控制指令,以实现多机器人协同测量路径规划,包括:实时共享多个机器人的优化路径和状态;所述机器人的状态包括当前位置、速度、姿态、剩余能量和测量状态;
基于每个机器人的优化路径和速度,预测机器人未来所在位置,并进行机器人间的未来位置冲突判别;所述机器人间的未来位置冲突判别包括当两个机器人在未来时刻的路径点间距低于预设间距阈值时,则触发冲突调整;
基于未来位置冲突判别结果,动态协同调整各机器人的路径和状态,生成最终路径和控制指令,以实现多机器人协同测量路径规划。
10.根据权利要求9所述的一种基于强化学习的多机器人协同测量路径规划方法,其特征在于,所述基于未来位置冲突判别结果,动态协同调整各机器人的路径和状态,生成最终路径和控制指令,以实现多机器人协同测量路径规划,包括:当预测到两个机器人未来位置冲突时,则利用机器人优先级矩阵调整冲突权重,优先调整低优先级的机器人的路径,并将调整后的机器人路径作为最终路径;
所述冲突权重调整表示为:
;
式中,表示调整后的第个机器人相对于第个机器人的优先级;表示未调整的第个机器人相对于第个机器人的优先级;表示第个机器人在时刻的路径点位置;表示第个机器人在时刻的路径点位置;
所述机器人的路径调整表示为:
;
式中,表示第个机器人在时刻调整后的路径点位置,且调整后的路径点位置贴合三角网格模型,即,表示三角网格模型中的点,表示三角网格模型,表示使目标函数取得最小值的自变量值的函数;,即第个机器人的优先级高于第个机器人;
当预测到两个机器人测量进度不同时,则优先调整测量进度落后的机器人的速度;
所述机器人的速度调整表示为:
;
式中,表示第个机器人加速调整后的速度;表示第个机器人未调整的速度;表示第个机器人相对于划分的子区域点数的覆盖点数占比;表示第个机器人相对于划分的子区域点数的覆盖点数占比;,即表示第个机器人落后于第个机器人测量进度;
结合机器人测量精度,则动态调整机器人姿态;
所述机器人姿态调整表示为:
;
式中,表示第个机器人加速调整后的姿态;表示第个机器人未调整的姿态;表示第个机器人的传感器视场与曲面法向量夹角;
结合机器人优先级矩阵、以及调整后的机器人速度和机器人姿态,将其作为控制指令,并结合最终路径,以实现多机器人协同测量路径规划。