针对冗余机械臂运动规划过程中的避碰问题,提出一种基于深度学习的避碰运动规划方法。首先,建立冗余机械臂的运动学模型,借助Gilbert Johnson Keerthi算法进行碰撞检测,确定机械臂连杆与障碍物之间的安全距离;其次,将避碰运动规划问题...针对冗余机械臂运动规划过程中的避碰问题,提出一种基于深度学习的避碰运动规划方法。首先,建立冗余机械臂的运动学模型,借助Gilbert Johnson Keerthi算法进行碰撞检测,确定机械臂连杆与障碍物之间的安全距离;其次,将避碰运动规划问题转换成多元函数优化问题,以循环神经网络为主体框架,用天牛须搜索机制来防止算法陷入局部最优值和保证解的多样性;最后,在仿真环境下验证文中所提算法的有效性,结果表明:该算法的预测精度比改进人工势场法平均高出10.89%、算法时间节约2.44 s,其可以帮助冗余机械臂规划一条平滑、柔顺、无碰撞的运动轨迹,具有一定的工程参考价值。展开更多
文摘针对冗余机械臂运动规划过程中的避碰问题,提出一种基于深度学习的避碰运动规划方法。首先,建立冗余机械臂的运动学模型,借助Gilbert Johnson Keerthi算法进行碰撞检测,确定机械臂连杆与障碍物之间的安全距离;其次,将避碰运动规划问题转换成多元函数优化问题,以循环神经网络为主体框架,用天牛须搜索机制来防止算法陷入局部最优值和保证解的多样性;最后,在仿真环境下验证文中所提算法的有效性,结果表明:该算法的预测精度比改进人工势场法平均高出10.89%、算法时间节约2.44 s,其可以帮助冗余机械臂规划一条平滑、柔顺、无碰撞的运动轨迹,具有一定的工程参考价值。
