基于概率量度的机械臂视觉伺服目标捕获运动规划方法
参考文献:《[1]祁若龙,邵健铎,张珂等.基于概率量度的机械臂视觉伺服目标捕获运动规划方法[J].吉林大学学报(工学版),2020,50(06):2044-2054.DOI:10.13229/j.cnki.jdxbgxb20190720.》
期望轨迹序列
机器人轨迹 Π序列表示为系统预定义状态、控制输入:
其中
l
l
l为整条预定义轨迹的周期数,
状态转移函数
下个周期的系统状态是当前系统状态、指令输入和运动误差的函数:
系统测量值
当机器人运动系统存在过程噪声,希望通过外部测量或机器人自身携带的传感器形成运动反馈时,测量值只与两个因素相关:一个是机器人系统状态;另一个是测量系统本身的观测噪声。写成函数的形式为:
模型线性化
针对离散化周期系统,对模型型(2、3)利用一阶 Taylor展开。
在式(2)的预定义轨迹点(
x
t
−
1
∗
x_{t-1}^{*}
xt−1∗,
u
t
−
1
∗
u_{t-1}^{*}
ut−1∗)处进行线性化,
m
t
m_t
mt在0处展开,则有:
在式(3)的预定义轨迹点(
x
t
∗
x_{t}^{*}
xt∗)处进行线性化,
n
t
n_t
nt在0处展开,则有:
对上式整理可以得到:
卡尔曼滤波状态估计
代价函数-闭环反馈
闭环反馈的目的是使实际轨迹与预定义轨迹之间的偏移量最小:
线性二次型(LQR)最优解具备求解过程的规范化,可简单地采用状态线性反馈控制律构成闭环最优控制系统,兼顾系统状态和输入指标。求解过程可以表示为:
轨迹误差方差
结合式(8)和(17),可得:
u
t
=
L
t
x
~
t
+
u
t
∗
x
t
=
x
‾
t
+
x
t
∗
u_{t}=L_{t}\tilde{x}_{t}+u_{t}^{*} \\ x_{t}= \overline{x}_{t}+x_{t}^{*}
ut=Ltx~t+ut∗xt=xt+xt∗
进一步可整理为:
通过式(21)~(23)对整个轨迹过程的各中断周期内的系统状态进行估计。
将式(9、17)代入式(12),得到:
将式(6、7、9)代入式(24),转化为:
将式(17)代入式(6)得:
系统状态的初始方差
R
0
R_0
R0 可以设置为一个较大的初始值,这个初始值会随着系统状态估计迅速收敛到正常的估计值范围。
误差几何化表示
为了得到机械臂关节、末端的误差分布,将关节空间的协方差向笛卡尔空间映射,得到机械臂在笛卡尔空间下的误差特性。
其中
V
k
i
V_k^i
Vki是特征值,
D
k
i
D_k^i
Dki是特征矢量。
到达概率计算
在定义机器人运动的目标位置时会给出到达目的点的允许误差,例如:x_{goal} ± h。其中,x_{goal} 为目标位置,h 为允许的误差范围。
在三维空间中,机器人运动的目标区域范围可以看作是立方体,需要计算立方体的 6 个面与空间方差椭球之间的相关关系。
首先,只考虑概率分布
x
t
∣
t
−
1
x_{t|t - 1}
xt∣t−1与第一个立方体平面约束 S_1 方程
a
1
T
x
<
b
1
a_1^T x < b_1
a1Tx<b1范围内的概率分布和方差椭球缩放情况。
平面方程写成向量形式为 a 1 T x = b 1 a_1^T x = b_1 a1Tx=b1,其中 a 1 a_1 a1 为首个约束平面的法向单位矢量, b 1 b_1 b1 为平面方程的常量参数。
为了能将三维概率椭球投影到一维空间进行正态分布概率计算,逐个采用约束平面,对分布为
x
t
∣
t
−
1
∼
N
(
x
^
k
∣
k
−
1
,
P
k
∣
k
−
1
)
x_{t|t - 1} \sim N(\hat{x}_{k|k - 1},P_{k|k - 1})
xt∣t−1∼N(x^k∣k−1,Pk∣k−1)的概率椭圆(或椭球)进行剖分,并向一维空间投影得到正态分布,从而在一维空间下,进行满足限定约束条件的正态分布的概率计算,其计算方法示意图如图 3 所示。