势能代价PRM算法的机械臂避障路径规划研究

张许有; 刘有余

doi:10.13433/j.cnki.1003-8728.20200400

势能代价PRM算法的机械臂避障路径规划研究

doi: 10.13433/j.cnki.1003-8728.20200400

张许有^{1, 2,},
刘有余^{1, 2, ,}

1.
高端装备先进感知与智能控制教育部重点实验室，安徽芜湖　241000
2.
安徽工程大学机械工程学院，安徽芜湖　241000

基金项目: 安徽高校协同创新项目（GXXT-2019-048）

详细信息

作者简介:
张许有（1995−），硕士研究生，研究方向为机器人感知与控制，1958976710@qq.com

通讯作者:
刘有余，教授，硕士生导师，liuyoyu1@163.com

中图分类号: TP241.2
计量
- 文章访问数: 125
- HTML全文浏览量: 55
- PDF下载量: 12
- 被引次数: 0
出版历程
- 收稿日期: 2020-08-29
- 录用日期: 2021-12-17
- 刊出日期: 2022-09-05

Research on Obstacle Avoidance Path Planning of Manipulators using Potential Energy Cost PRM Algorithm

ZHANG Xuyou^{1, 2
,},
LIU Youyu^{1, 2
, ,}

1.
Key Laboratory of Advanced Perception and Intelligent Control of High-end Equipment, Ministry of Education, Wuhu 241000, Anhui, China
2.
School of Mechanical Engineering , Anhui Polytechnic University , Wuhu 241000, Anhui, China

摘要

摘要: 为了提高概率地图算法（Probabilistic roadmap method，PRM）规划结果的质量，提出势能代价PRM算法，将其应用于机械臂避障路径规划。建立规划空间任意节点的势能评价标准；定义困难区域节点，研究基于Metropolis准则的障碍空间节点调整策略；建立机械臂连杆的势能函数；给出机械臂任意位姿间的安全路径检查方法。仿真测试表明：性能方面，提出算法的规划质量和规划时间均优于PRM、OBPRM、高斯采样PRM算法；机械臂避障路径规划方面，提出算法的规划质量显著优于PRM算法，在规划质量和时间消耗上优于OBPRM和高斯采样PRM算法，且能使机械臂规避所有障碍并到达目标位姿。
- PRM /
- 势能函数 /
- 机械臂 /
- 避障路径规划 /
- Metropolis准则
Abstract: In order to improve the quality of the path planning results of probabilistic roadmap method (PRM), a potential energy cost PRM algorithm was proposed and applied to the obstacle avoidance path planning of manipulators. Potential energy evaluation criteria for any node in planning space was established; difficult area nodes were defined, and an adjustment strategy of the nodes of obstacle space based on Metropolis criteria were studied; the potential energy function of manipulators' links was established. A safe path check method between any configurations of manipulators was given. Simulation test shows that the proposed algorithm is superior to PRM, OBPRM and Gaussian sampling PRM in terms of planning quality and time of planning; in the aspect of the obstacle avoidance path planning of manipulators, the proposed algorithm is superior to PRM algorithm in planning quality, and it is better than OBPRM and Gaussian sampling PRM algorithm in planning quality and time consumption, and can make manipulators avoid all obstacles and reach the objective posture.
- PRM /
- potential energy function /
- manipulators /
- obstacle avoidance path planning /
- Metropolis criterion

HTML全文

图 1 $ \angle {{\boldsymbol{O}}_k}{{\boldsymbol{\alpha}} _j}({\boldsymbol{q}}){{\boldsymbol{\beta}} _j}({\boldsymbol{q}})$与$\angle {{\boldsymbol{O}}_k}{{\boldsymbol{\beta}} _j}({\boldsymbol{q}}){{\boldsymbol{\alpha}} _j}({\boldsymbol{q}})$均小于90°

下载: 全尺寸图片幻灯片

图 2 $\angle {{\boldsymbol{O}}_k}{{\boldsymbol{\alpha}} _j}({\boldsymbol{q}}){{\boldsymbol{\beta}} _j}({\boldsymbol{q}})$与$\angle {{\boldsymbol{O}}_k}{{\boldsymbol{\beta}} _j}({\boldsymbol{q}}){{\boldsymbol{\alpha}} _j}({\boldsymbol{q}})$有一角大于90°

下载: 全尺寸图片幻灯片

图 3 环境1下4种算法的采样及规划情况

下载: 全尺寸图片幻灯片

图 4 环境2下4种算法的采样及规划情况

下载: 全尺寸图片幻灯片

图 5 环境3下4种算法的采样及规划情况

下载: 全尺寸图片幻灯片

图 6 提出算法在环境1下的规划情况

下载: 全尺寸图片幻灯片

图 7 提出算法在环境2下的规划情况

下载: 全尺寸图片幻灯片

图 8 提出算法在环境3下的规划情况

下载: 全尺寸图片幻灯片

图 9 提出算法在环境4下的规划情况

下载: 全尺寸图片幻灯片

表 1 算法的参数设置

算法	自由空间采点数	安全距离s	邻节点距离限制d	起始点	目标点	T	$ \sigma $	U	$ \eta $	$ \lambda $	高斯采样的标准差
PRM	400	0.1	2.5	（1，2）	（18，18）	无	无	无	无	无	无
势能代价 PRM						1	2	4	2	8000	无
高斯采样 PRM						无	无	无	无	无	4
OBPRM						无	无	无	无	无	无

下载: 导出CSV

表 2 算法的SUC、S和t

规划环境	算法	评价指标
规划环境	算法	SUC/%	S	t/s
环境1 （图3）	PRM	25	26.8812	2.3970
	势能代价 PRM	100	24.9497	2.2932
	高斯采样 PRM	85	26.0664	2.6305
	OBPRM	85	25.6786	2.4634
环境2 （图4）	PRM	20	27.5589	2.5760
	势能代价 PRM	100	25.0830	2.3670
	高斯采样 PRM	80	26.4508	2.7993
	OBPRM	75	26.2120	2.6463
环境3 （图5）	PRM	70	27.3970	3.2201
	势能代价 PRM	100	25.1934	3.0808
	高斯采样 PRM	100	26.2283	3.4381
	OBPRM	95	26.4872	3.4242

下载: 导出CSV

表 3 KR5机械臂D-H参数

连杆j	q_j/（°）	d_j/m	a_j-1/m	α_j-1/（°）
1	[−180,180]	0.4000	0.1800	90
2	[−180,180]	0.1350	0.6000	180
3	[−180,180]	0.1350	0.1200	−90
4	[−180,180]	0.6200	0	90
5	[−180,180]	0	0	−90
6	[−180,180]	0	0	0

下载: 导出CSV

表 4 算法的参数设置

算法	自由空间采点数	安全距离s	连杆半径	阈值E	邻节点距离限制 d	起始位姿	目标位姿	T	$ \sigma $	U	$ \eta $	$ \lambda $	高斯采样的标准差
PRM	1000	0.03 m	0.06 m	16°	32°	[0°,30°,−20°, 20°,40°,0°]	[130°,40°,−50°, 50°,50°,0°]	无	无	无	无	无	无
势能代价PRM								1	0.1 m	3	0.1	4000	无
高斯采样PRM								无	无	无	无	无	10
OBPRM								无	无	无	无	无	无

下载: 导出CSV

表 5 算法的SUC、S和t均值

规划环境	算法	评价指标
规划环境	算法	SUC/%	S	t/s
环境1 （图6）	PRM	5	149.3212	12.1450
	势能代价 PRM	100	140.9779	27.5040
	高斯采样 PRM	100	150.9876	64.1363
	OBPRM	30	147.8766	40.4497
环境2 （图7）	PRM	15	148.1819	12.1820
	势能代价 PRM	100	141.6972	28.3279
	高斯采样 PRM	100	148.8181	65.0375
	OBPRM	55	147.0001	41.9689
环境3 （图8）	PRM	0	无	无
	势能代价 PRM	100	141.0630	33.2550
	高斯采样 PRM	90	158.5556	89.9397
	OBPRM	0	无	无
环境4 （图9）	PRM	0	无	无
	势能代价 PRM	100	139.7262	37.9871
	高斯采样 PRM	100	151.3292	90.2518
	OBPRM	0	无	无

下载: 导出CSV

参考文献(16)

[1]	贾庆轩, 陈钢, 孙汉旭, 等. 基于A算法的空间机械臂避障路径规划[J]. 机械工程学报, 2010, 46(13): 109-115 doi: 10.3901/JME.2010.13.109 JIA Q X, CHEN G, SUN H X, et al. Path planning for space manipulator to avoid obstacle based on A algorithm[J]. Journal of Mechanical Engineering, 2010, 46(13): 109-115 (in Chinese) doi: 10.3901/JME.2010.13.109
[2]	WANG S K, ZHU L. Motion planning method for obstacle avoidance of 6-dof manipulator based on improved A* algorithm[J]. Journal of Donghua University, 2015, 32(1): 79-85
[3]	WANG W R, ZHU M C, WANG X M, et al. An improved artificial potential field method of trajectory planning and obstacle avoidance for redundant manipulators[J]. International Journal of Advanced Robotic Systems, 2018, 15(5),doi: 10.1177/1729881418799562
[4]	钱堃, 贾凯, 宋潇. 基于低维映射和Q学习的机械臂避碰规划算法[J]. 华中科技大学学报(自然科学版), 2015, 43(SI): 468-472 QIAN K, JIA K, SONG X. Robot manipulator avoidance planning based on low-dimensional mapping and Q-learning[J]. Journal of Huazhong University of Science and Technology (Natural Science Edition), 2015, 43(SI): 468-472 (in Chinese)
[5]	徐帷, 卢山. 基于Sarsa(λ)强化学习的空间机械臂路径规划研究[J]. 宇航学报, 2019, 40(4): 435-443 XU W, LU S. Analysis of space manipulator route planning based on Sarsa (λ) reinforcement learning[J]. Journal of Astronautics, 2019, 40(4): 435-443 (in Chinese)
[6]	WEI K, REN B Y. A method on dynamic path planning for robotic manipulator autonomous obstacle avoidance based on an improved RRT algorithm[J]. Sensors, 2018, 18(2): 571 doi: 10.3390/s18020571
[7]	CAO X M, ZOU X J, JIA C Y, et al. RRT-based path planning for an intelligent litchi-picking manipulator[J]. Computers and Electronics in Agriculture, 2019, 156: 105-118 doi: 10.1016/j.compag.2018.10.031
[8]	KAVRAKI L, LATOMBE J C. Randomized preprocessing of configuration for fast path planning[C]//Proceedings of 1994 IEEE International Conference on Robotics and Automation. San Diego, CA, USA: IEEE, 1994: 2138-2145
[9]	AMATO N M, BAYAZIT O B, DALE L K, et al. OBPRM: an obstacle-based PRM for 3D workspaces[C]//Proceedings of the 3rd Workshop on the Algorithmic Foundations of Robotics on Robotics: the Algorithmic Perspective: the Algorithmic Perspective. Houston, Texas, USA: ACM, 1998: 156-168
[10]	BOOR V, OVERMARS M H, VAN DER STAPPEN A F. The Gaussian sampling strategy for probabilistic roadmap planners[C]//Proceedings of 1999 IEEE International Conference on Robotics and Automation. Detroit, MI, USA: IEEE, 1999: 1018-1023
[11]	HSU D, JIANG T T, REIF J, et al. The bridge test for sampling narrow passages with probabilistic roadmap planners[C]//Proceedings of IEEE 2013 International Conference on Robotics and Automation. Taipei, China: IEEE, 2003: 4420-4426
[12]	钟建冬, 苏剑波. 基于概率路标的机器人狭窄通道路径规划[J]. 控制与决策, 2010, 25(12): 1831-1836 ZHONG J D, SU J B. Robot path planning in narrow passage based on probabilistic roadmap method[J]. Control and Decision, 2010, 25(12): 1831-1836 (in Chinese)
[13]	CHEN C, TIONG L K. Using queuing theory and simulated annealing to design the facility layout in an AGV-based modular manufacturing system[J]. International Journal of Production Research, 2019, 57(17): 5538-5555 doi: 10.1080/00207543.2018.1533654
[14]	LIU H S, ZHANG Y, ZHU S Q. Novel inverse kinematic approaches for robot manipulators with Pieper-Criterion based geometry[J]. International Journal of Control, Automation and Systems, 2015, 13(5): 1242-1250 doi: 10.1007/s12555-013-0440-y
[15]	曹其新, 孙明镜, 薛蔚, 等. 人机协作下机械臂动态避障与避奇异研究[J]. 华中科技大学学报(自然科学版), 2020, 48(1): 55-59,65 CAO Q X, SUN M J, XUE W, et al. Research on avoidance of dynamic obstacle and singularity for manipulator in human-robot cooperation[J]. Journal of Huazhong University of Science and Technology (Nature Science Edition), 2020, 48(1): 55-59,65 (in Chinese)
[16]	冷舒, 吴克, 居鹤华. 机械臂运动学建模及解算方法综述[J]. 宇航学报, 2019, 40(11): 1262-1273 LENG S, WU K, JU H H. Overview of manipulator kinematics modeling and solving method[J]. Journal of Astronautics, 2019, 40(11): 1262-1273 (in Chinese)