基于大數據的分揀機器人路徑規劃方法技術

本發明專利技術涉及路徑規劃技術領域，具體涉及基于大數據的分揀機器人路徑規劃方法。該方法首先采集深度圖像和至少兩條執行路徑；根據執行路徑的初始極坐標方位角序列的波動程度得到可行均一性；計算初始極坐標方位角的優解集中度；得到多條執行路徑的高度變化程度；根據分揀機器人的實時加速度的波動程度得到加速度波動評價；根據優解集中度、加速度波動評價和高度變化程度得到路徑規劃質量評價；基于優解集中度、可行均一性和路徑規劃質量評價構成的三元組對預測網絡進行訓練，將深度圖像輸入預測網絡中輸出預測高度。本發明專利技術利用預測網絡得到預測高度，提高當前的路徑規劃質量，同時減少路徑規劃復雜程度，節約計算時間。節約計算時間。節約計算時間。

【技術實現步驟摘要】
基于大數據的分揀機器人路徑規劃方法


[0001]本專利技術涉及路徑規劃
，具體涉及基于大數據的分揀機器人路徑規劃方法。

技術介紹

[0002]Delta機器人是一種快速執行、控制簡單的分揀機器人類型。對于垃圾分揀，Dleta機器人需要規劃路徑從而避開傳送帶上的其余垃圾，在路徑規劃時，由于Delta機器人的結構較為特殊，因此可以直接考慮末端的軌跡，但因垃圾的高度隨機，代價地圖等方法生成的二維軌跡好壞還取決于分揀機器人距離傳送帶的高度的選取，因此難以得到真正客觀的最優解，而分揀機器人的高度若固定，則需要較高的高度余量，且仍然無法得到最優的規劃路徑的可行解，無法盡可能縮短Delta機器人的路徑。

技術實現思路

[0003]為了解決上述技術問題，本專利技術的目的在于提供基于大數據的分揀機器人路徑規劃方法，所采用的技術方案具體如下：
[0004]采集分揀機器人視角下觀測到的深度圖像，基于深度圖像得到至少兩條執行路徑；
[0005]獲取所述執行路徑的初始極坐標方位角；根據初始極坐標方位角的波動程度得到可行均一性；根據初始極坐標方位角構成的優解夾角范圍，得到優解集中度；獲取分揀機器人距離傳送帶的高度；根據多條執行路徑的高度的波動程度得到高度變化程度；根據分揀機器人的實時加速度的波動程度、實時加速度和標準加速度的差異得到加速度波動評價；
[0006]根據所述優解集中度、所述加速度波動評價和所述高度變化程度得到路徑規劃質量評價；由所述優解集中度、所述可行均一性和所述路徑規劃質量評價構成三元組；基于所述三元組對預測網絡進行訓練，將所述深度圖像輸入訓練好的預測網絡中輸出執行路徑對應的預測高度；基于所述預測高度規劃路徑。
[0007]優選的，所述基于所述三元組對預測網絡進行訓練，包括：
[0008]根據所述可行均一性和所述高度變化程度對分揀機器人進行分類，得到四個分組，并對每個分組賦予權重；計算任意兩個三元組對應的特征描述子的余弦相似度，所述余弦相似度乘上分揀機器人對應的權重，得到分揀機器人之間的類間距離，根據類間距離得到分揀機器人的局部可達密度，將局部可達密度大于預設最佳閾值的分揀機器人分至最優組，將局部可達密度小于等于預設最佳閾值的分揀機器人分至個例組；
[0009]對于最優組內的任意分揀機器人，將對應的起始高度作為分揀機器人的高度標簽；對于個例組內的任意分揀機器人，獲取對應的最高高度，將分揀機器人的歸一化后的權重作為最高高度的加權權重，計算一減所述歸一化后的得到第二權重，將所述第二權重作為對應的起始高度的加權權重；最高高度和起始高度加權求和得到調節高度，將所述調節高度作為分揀機器人的高度標簽；分揀機器人對應的深度圖像和高度標簽作為預測網絡的
訓練集，對預測網絡進行訓練。
[0010]優選的，所述對預測網絡進行訓練，包括：
[0011]對于一個訓練批次，所述訓練批次中的分揀機器人樣本對應的損失函數權重為一減去歸一化后的局部可達密度；訓練批次內的各樣本對應的損失函數和損失函數權重加權求平均得到訓練批次對應的損失函數。
[0012]優選的，所述根據初始極坐標方位角的波動程度得到可行均一性，包括：
[0013]計算所述初始極坐標方位角序列的方差，作為第一方差；所述第一方差乘上均一性修正系數，得到均一性修正值；以自然常數為底數，以負的均一性修正值為指數的指數函數值，作為可行均一性。
[0014]優選的，所述根據初始極坐標方位角構成的優解夾角范圍，得到優解集中度，包括：
[0015]以最大初始極坐標方位角對應的夾角范圍值作為優解夾角范圍值；所述優解夾角范圍值和預設最大夾角的比值為范圍占比；一減去所述范圍占比得到優解集中度。
[0016]優選的，所述根據多條執行路徑的高度的波動程度得到高度變化程度，包括：
[0017]根據當前執行路徑對應的高度的波動程度得到高度浮動度；獲取多條執行路徑的高度浮動度，構成高度浮動度序列；獲取所述高度浮動度序列的均值和高度極差值；一加上所述均值作為調節值，以所述調節值為底數，以負的所述高度極差值為指數的指數函數值，作為高度變化程度。
[0018]優選的，所述根據當前執行路徑對應的高度的波動程度得到高度浮動度，包括：
[0019]由當前執行路徑的高度構建高度序列，計算高度序列的方差，作為第二方差；所述第二方差乘上高度修正系數，得到高度修正值；以自然常數為底數，以負的高度修正值為指數的指數函數值，作為高度浮動度。
[0020]優選的，所述加速度波動評價的計算公式為：
[0021]H＝(1
?
exp(
?
MSD(Φ,Φ
std
)))*(1+Var(Φ)
?
Range(Φ)
)
?1[0022]其中，H為所述加速度波動評價；exp為以自然常數為底數的指數函數；Φ為實時加速度序列；Φ
std
為標準加速度序列；MSD(Φ,Φ
std
)為實時加速度序列和標準加速度序列的形態相似距離；Var(Φ)為實時加速度序列的方差；Range(Φ)為實時加速度的序列的極差值。
[0023]優選的，所述根據所述優解集中度、所述加速度波動評價和所述高度變化程度得到路徑規劃質量評價，包括：
[0024]所述優解集中度和所述高度變化程度的乘積作為初始評價；所述初始評價和加速度波動評價的比值為路徑規劃質量評價。
[0025]優選的，所述根據所述可行均一性和所述高度變化程度對分揀機器人進行分類，得到四個分組，并對每個分組賦予權重，包括：
[0026]選取任意分揀機器人作為目標機器人，計算目標機器人和另一任意分揀機器人的可行均一性的差值作為第一差值；計算目標機器人和另一任意分揀機器人的高度變化程度的差值作為第二差值；獲取所述第一差值和所述第二差值的平方和，以所述平方和為底數，以為指數的指數函數值作為差異距離；
[0027]根據差異距離對分揀機器人進行分類，得到四個分組；獲取每個分組對應的可行均一性均值和高度變化程度均值；對可行均一性均值和高度變化程度均值都大于等于預設第一閾值的分組，賦予權重1；對可行均一性均值和高度變化程度均值都小于預設第一閾值的分組，賦予權重4；否則，賦予權重2.5。
[0028]本專利技術實施例至少具有如下有益效果：
[0029]本專利技術通過分析路徑規劃過程中的執行路徑得到可行均一性，可行解剔除過程中的優解集中度以及分揀機器人末端移動時的高度變化程度，并通過執行時加速度波動評價這四個指標確定當前的執行路徑的路徑規劃質量，通過高度變化程度確定路徑規劃質量是避免因蠻力抬高分揀機器人執行末端，或因代價地圖的設計問題忽略了移動過程中的垃圾，可能會產生碰撞或剮蹭；加速度波動評價反映了當前執行路徑的移動激烈程度；優解集中度反映了分揀機器人的運動過程中在若干個初始方向上來回跳動的情況，當來回跳動時優解集中度較大，分揀機器人來回跳動的概率越大，則會影響本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.基于大數據的分揀機器人路徑規劃方法，其特征在于，該方法包括以下步驟：采集分揀機器人視角下觀測到的深度圖像，基于深度圖像得到至少兩條執行路徑；獲取所述執行路徑的初始極坐標方位角；根據初始極坐標方位角的波動程度得到可行均一性；根據初始極坐標方位角構成的優解夾角范圍，得到優解集中度；獲取分揀機器人距離傳送帶的高度；根據多條執行路徑的高度的波動程度得到高度變化程度；根據分揀機器人的實時加速度的波動程度、實時加速度和標準加速度的差異得到加速度波動評價；根據所述優解集中度、所述加速度波動評價和所述高度變化程度得到路徑規劃質量評價；由所述優解集中度、所述可行均一性和所述路徑規劃質量評價構成三元組；基于所述三元組對預測網絡進行訓練，將所述深度圖像輸入訓練好的預測網絡中輸出執行路徑對應的預測高度；基于所述預測高度規劃路徑。2.根據權利要求1所述的基于大數據的分揀機器人路徑規劃方法，其特征在于，所述基于所述三元組對預測網絡進行訓練，包括：根據所述可行均一性和所述高度變化程度對分揀機器人進行分類，得到四個分組，并對每個分組賦予權重；計算任意兩個三元組對應的特征描述子的余弦相似度，所述余弦相似度乘上分揀機器人對應的權重，得到分揀機器人之間的類間距離，根據類間距離得到分揀機器人的局部可達密度，將局部可達密度大于預設最佳閾值的分揀機器人分至最優組，將局部可達密度小于等于預設最佳閾值的分揀機器人分至個例組；對于最優組內的任意分揀機器人，將對應的起始高度作為分揀機器人的高度標簽；對于個例組內的任意分揀機器人，獲取對應的最高高度，將分揀機器人的歸一化后的權重作為最高高度的加權權重，計算一減所述歸一化后的得到第二權重，將所述第二權重作為對應的起始高度的加權權重；最高高度和起始高度加權求和得到調節高度，將所述調節高度作為分揀機器人的高度標簽；分揀機器人對應的深度圖像和高度標簽作為預測網絡的訓練集，對預測網絡進行訓練。3.根據權利要求2所述的基于大數據的分揀機器人路徑規劃方法，其特征在于，所述對預測網絡進行訓練，包括：對于一個訓練批次，所述訓練批次中的分揀機器人樣本對應的損失函數權重為一減去歸一化后的局部可達密度；訓練批次內的各樣本對應的損失函數和損失函數權重加權求平均得到訓練批次對應的損失函數。4.根據權利要求1所述的基于大數據的分揀機器人路徑規劃方法，其特征在于，所述根據初始極坐標方位角的波動程度得到可行均一性，包括：計算所述初始極坐標方位角序列的方差，作為第一方差；所述第一方差乘上均一性修正系數，得到均一性修正值；以自然常數為底數，以負的均一性修正值為指數的指數函數值，作為可行均一性。5.根據權利要求1所述的基于大數據的分揀機器人路徑規劃方法，其特征在于，所述根據初始極坐標方位角構成的優解夾角范圍，得到優解集中度，包括：以最大初始極坐標方位角對應的夾角范圍值作為優解夾角范圍值；所述優解夾角范圍值和預設...

【專利技術屬性】
技術研發人員：宋歡，蔡晶晶，李冰，丁玉濤，邱國柯，
申請(專利權)人：河南職業技術學院，
類型：發明
國別省市：