[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN116117826A - 基于仿射变换与行为树的机器人任务规划方法及系统 - Google Patents

基于仿射变换与行为树的机器人任务规划方法及系统 Download PDF

Info

Publication number
CN116117826A
CN116117826A CN202310384507.0A CN202310384507A CN116117826A CN 116117826 A CN116117826 A CN 116117826A CN 202310384507 A CN202310384507 A CN 202310384507A CN 116117826 A CN116117826 A CN 116117826A
Authority
CN
China
Prior art keywords
robot
behavior tree
action
behavior
affine transformation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202310384507.0A
Other languages
English (en)
Other versions
CN116117826B (zh
Inventor
刘孟
朱文博
罗陆锋
卢清华
王恺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Foshan University
Original Assignee
Foshan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Foshan University filed Critical Foshan University
Priority to CN202310384507.0A priority Critical patent/CN116117826B/zh
Publication of CN116117826A publication Critical patent/CN116117826A/zh
Application granted granted Critical
Publication of CN116117826B publication Critical patent/CN116117826B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
    • B25J9/1661—Programme controls characterised by programming, planning systems for manipulators characterised by task planning, object-oriented languages
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1602—Programme controls characterised by the control system, structure, architecture
    • B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
    • B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Manipulator (AREA)
  • Numerical Control (AREA)

Abstract

本发明公开了基于仿射变换与行为树的机器人任务规划方法及系统，该方法包括：获取机器人的行为动作信息并进行组合，构建动作基元库；根据动作基元库获取人工示教的轨迹数据；结合动作基元库中动作基元的逻辑关系、人工示教的轨迹数据与任务执行逻辑，构建初步的行为树模型；基于仿射变换技术，对初步的行为树模型进行泛化处理，得到行为树模型；根据行为树模型的执行逻辑对机器人进行任务执行规划。通过使用本发明，能够通过基于仿射变换技术的行为树控制策略实现精准的控制机器人执行动作。本发明作为基于仿射变换与行为树的机器人任务规划方法及系统，可广泛应用于机器人技能学习与运动规划技术领域。

Description

基于仿射变换与行为树的机器人任务规划方法及系统
技术领域
本发明涉及机器人技能学习与运动规划技术领域，尤其涉及基于仿射变换与行为树的机器人任务规划方法及系统。
背景技术
机器人在一些特定的领域有比较广泛的应用，例如手机零件装配、水果采摘等，很大程度上协助人类提高了生产力及工作效率，作为制造业和信息产业交叉的3C行业目前自动化水平较低，由于其产品众多、尺寸较小、组装过程繁琐，再由于其产品更新换代较快，迫切需要智能技术实现自主生产，让生产线上的智能系统达到通用性；在工业生产线上，由于机械臂的复杂技能是由若干个更低层次的技能排列组合构成的，通过任务-技能-技能基元的分层解析，枚举出常用的基本的技能基元，例如推、拉、提、压、旋转等，构建基本技能基元库，在面对新环境、新任务的时候，可以将技能快速重组以适应新的操作环境与任务，并且近几年来，服务型机器人已经成为研究热点，如何让机器人从单一且固定的任务设定进化到复杂多变的环境下，这不仅需要机器人系统拥有对外界高维感知信息的融合与处理的能力，并且需要机器人拥有快速的自主决策与技能学习的能力，现有的技术应对环境改变的鲁棒性较差，并且技能学习的模型复杂，没有将问题模块化。
发明内容
为了解决上述技术问题，本发明的目的是提供基于仿射变换与行为树的机器人任务规划方法及系统，能够通过基于仿射变换技术的行为树控制策略实现精准的控制机器人执行动作。
本发明所采用的第一技术方案是：基于仿射变换与行为树的机器人任务规划方法，包括以下步骤：
获取机器人的行为动作信息并进行组合，构建动作基元库；
根据动作基元库获取人工示教的轨迹数据；
结合动作基元库中动作基元的逻辑关系、人工示教的轨迹数据与任务执行逻辑，构建初步的行为树模型；
基于仿射变换技术，对初步的行为树模型进行泛化处理，得到行为树模型；
根据行为树模型的执行逻辑对机器人进行任务执行规划。
进一步，所述获取机器人的行为动作信息并进行组合，构建动作基元库这一步骤，其具体包括：
获取3C生产线上机器人的常用操作；
对机器人的常用操作进行分割处理，得到机器人的行为动作信息；
所述机器人的行为动作信息包括刚体几何中心的位移向量、末端执行器的夹持力或机械臂对外界输出的弹力、末端执行期夹爪的开合角与末端旋转角的开合速度、机械臂末端执行器旋转的扭矩和更换末端执行器操作所引起的末端坐标重置；
对机器人的行为动作信息进行组合，构建动作基元库，所述动作基元库包括机器人的移动基元、机械臂末端执行器的平移基元、作用力平移基元、回位基元、打开或关闭末端执行器基元、压基元、旋转基元和夹取与更换末端执行器基元。
进一步，所述根据动作基元库获取人工示教的轨迹数据这一步骤，其具体包括：
对动作基元库中的基元数据进行人工示教处理，得到示教轨迹数据；
通过舍弃突变轨迹法对示教轨迹数据进行数据预处理，得到预处理后的示教轨迹数据；
通过仿射变换技术对预处理后的示教轨迹数据进行泛化处理，得到人工示教的轨迹数据。
进一步，所述舍弃突变轨迹法的表达式具体如下所示：
Figure SMS_1
。
上式中，
Figure SMS_2
表示示教轨迹数据，
Figure SMS_3
表示加速度，
Figure SMS_4
表示常数因子，取值为0.4，
Figure SMS_5
Figure SMS_6
表示
Figure SMS_7
的左右邻域。
进一步，所述结合动作基元库中动作基元的逻辑关系、人工示教的轨迹数据与任务执行逻辑，构建初步的行为树模型这一步骤，其具体包括：
根据动作基元库中的基元数据之间的逻辑关系，定义基元数据之间的连接关系，所述连接关系包括不能连接、渐进连接、顺序连接和平行连接；
将基元数据之间的连接关系设定为执行节点，构建待删减行为树模型；
根据机器人在3C生产线上的任务执行逻辑，对待删减行为树模型进行删减处理，得到初步的行为树模型。
进一步，所述基于仿射变换技术，对初步的行为树模型进行泛化处理，得到行为树模型这一步骤，其具体包括：
通过仿射变换技术对初步的行为树模型中的人工示教的轨迹数据进行泛化处理，得到泛化后的轨迹数据；
通过Tanimoto相似度函数计算人工示教的轨迹数据与泛化后的轨迹数据之间的相似度值；
选取相似度值中满足预设精度阈值的泛化后的轨迹数据，得到执行节点；
将执行节点嵌入至初步的行为树模型，得到行为树模型。
进一步，所述仿射变换技术的表达式具体如下所示：
Figure SMS_8
。
上式中，
Figure SMS_9
表示泛化后的轨迹数据，
Figure SMS_10
表示人工示教的轨迹数据，
Figure SMS_11
表示仿射变换函数。
进一步，所述Tanimoto相似度函数的表达式具体如下所示：
Figure SMS_12
。
上式中，
Figure SMS_13
表示两个轨迹向量的内积，
Figure SMS_14
表示两个轨迹向量的模长。
本发明所采用的第二技术方案是：基于仿射变换与行为树的机器人任务规划系统，包括：
组合模块，用于获取机器人的行为动作信息并进行组合，构建动作基元库；
获取模块，用于根据动作基元库获取人工示教的轨迹数据；
构建模块，用于结合动作基元库中动作基元的逻辑关系、人工示教的轨迹数据与任务执行逻辑，构建初步的行为树模型；
泛化模块，基于仿射变换技术，对初步的行为树模型进行泛化处理，得到行为树模型；
规划模块，用于根据行为树模型的执行逻辑对机器人进行任务执行规划。
本发明方法及系统的有益效果是：本发明通过根据生产线上的机器人的行为动作建立动作基元库，并通过仿射变换技术对动作基元库进行泛化处理，可以提升了机器人行为动作的可复用性并且降低机器人示教轨迹与在线轨迹之间的误差，进一步提出行为树的控制策略，将复杂的行为逻辑模块化，可以降低自动化生产线上的人力物力，使自动化生产线可以紧跟产品迭代速度，适应不同的新场景与新产品。
附图说明
图1是本发明基于仿射变换与行为树的机器人任务规划方法的步骤流程图；
图2是本发明基于仿射变换与行为树的机器人任务规划系统的结构框图；
图3是本发明根据实际3C工业任务进行构建行为树模型的流程示意图；
图4是本发明构建的行为树模型的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
参照图3，本发明实施例提供的一种基于仿射变换与行为树的机器人任务规划框架，在Turtlebot 2移动机器人上搭载机器人操作系统（Robot Operating System, ROS），通过行为树的指令输入信号给ROS，上位机设置为 NVIDIA TX2，载于Turtlebot 2上的Kinect V2摄像头通过ROS系统传输目标参数到机器人的视觉系统上。
参照图1，本发明提供了基于仿射变换与行为树的机器人任务规划方法，该方法包括以下步骤：
S1、对机械臂在生产线上的常用操作进行分割，建立动作基元库；
具体地，建立动作基元库时，根据不同的物理特征对基元进行归类。在机械臂末端笛卡尔空间中，有以下六种运动信息，分别为刚体几何中心的位移向量
Figure SMS_18
，末端执行器的夹持力或机械臂对外界输出的弹力
Figure SMS_20
，末端执行期夹爪的开合角与末端旋转角
Figure SMS_24
的开合速度
Figure SMS_17
，机械臂末端执行器旋转的扭矩
Figure SMS_23
与更换末端执行器操作所引起的末端坐标重置
Figure SMS_27
；从六种不同的运动信息中组合出八种动作基元，分别为：机器人的移动
Figure SMS_28
、机械臂末端执行器的平移
Figure SMS_15
、作用力平移
Figure SMS_19
、回位
Figure SMS_21
、打开或关闭末端执行器
Figure SMS_25
、压
Figure SMS_16
、旋转
Figure SMS_22
、夹取和更换末端执行器
Figure SMS_26
。
S2、对基元库中机器人的移动、机械臂末端执行器的平移、作用力平移、回位、旋转、夹取基元进行人工示教，所述人工示教的具体步骤为对动作基元库中的基元数据进行人工示教，通过光学运动捕捉系统对轨迹三维坐标数据进行采集，每个轨迹示教20次，对轨迹数据取均值后得到原始示教轨迹数据，并对示教轨迹数据进行预处理，再通过仿射变换
Figure SMS_29
将示教轨迹数据泛化为人工示教的轨迹数据；
具体地，获取示教数据时应用运动捕捉系统，可以以高帧率实时捕捉视角数据，对示教数据进行预处理的方法为舍弃突变轨迹法，如果轨迹的加速度突变比较大，则认为该轨迹不合理，所述舍弃突变轨迹法的表达式具体如下所示：
Figure SMS_30
。
上式中，
Figure SMS_31
表示示教轨迹数据，
Figure SMS_32
表示加速度，
Figure SMS_33
表示常数因子，取值为0.4，
Figure SMS_34
Figure SMS_35
表示
Figure SMS_36
的左右邻域。
S3、根据基元之间的逻辑关系，定义四种基元之间的连接方式，分别为不能连接、渐进连接、顺序连接与平行连接；
具体地，例如抓取基元的移动和开爪，在同一时间上要进行渐进连接；平行连接为渐进连接的特殊形式，即平行连接的两个基元的开始和结束时间是对齐的；顺序连接为严格的先后执行，即前基元的结束时刻为后基元的开始时刻，综上，定义为所述连接关系包括渐进连接、顺序连接和平行连接；
基元连接方式的渐进连接方式定义为：
Figure SMS_37
。
上式中，
Figure SMS_38
，
Figure SMS_39
为
Figure SMS_40
与
Figure SMS_41
两个基元渐进连接后的基元运行方式，
Figure SMS_42
与
Figure SMS_43
分别为
Figure SMS_44
基元的开始时间与结束时间；
S4、根据多个场景下的任务执行逻辑建立一个具有概括性的行为树模型，根据步骤S3中基元的连接方式，将各个动作基元作为行为树模型的执行节点；
具体地，如图4所示，概括性行为树的根节点为顺序节点，根节点下包含四个备选子节点从左往右依次为：判断环境是否安全、判断移动机器人是否在充电范围内、判断任务是否完成、判断机器人是否在充电。
S5、在面向新任务时，根据任务执行逻辑，人为地对概括性行为树进行删减操作得到行为树
Figure SMS_45
，以适应新的需求；
S6、对于步骤S5新行为树
Figure SMS_46
里执行节点中的动作基元，由于其任务的变化，用仿射变换
Figure SMS_47
，其中
Figure SMS_48
为新泛化的轨迹，
Figure SMS_49
为示教轨迹，将行为树
Figure SMS_50
执行节点的示教轨迹进行泛化，得到
Figure SMS_51
；
具体地，为了使仿射变换后的轨迹能最大程度上保留示教轨迹的速度、平滑度等数据，通过Tanimoto相似度函数计算示教的轨迹数据与仿射变换后的轨迹数据之间的相似度值，然后根据实际精度需求定义阈值，舍弃一部分与原轨迹参数相似度低的泛化轨迹。然后将相似度高的轨迹数据作为行为树执行节点；
在于所述步骤S6中的仿射变换
Figure SMS_52
后对相关性函数的定义为Tanimoto相似度函数，其表示式具体如下所示：
Figure SMS_53
。
上式中，
Figure SMS_54
表示两个轨迹向量的内积，
Figure SMS_55
表示两个轨迹向量的模长；
其中，所述轨迹向量的模长的计算表达式如下所示：
Figure SMS_56
。
上式中，
Figure SMS_57
表示向量的长度，
Figure SMS_58
表示从第一个元素开始。
S7、最后根据步骤S6中得到
Figure SMS_59
的执行逻辑，将执行顺序依次放入队列通道中，通过CPU处理后逐个执行3C生产线上新需求任务的动作基元，例如从先一个工作台移动到另一个工作台、再进行狭小空间扭转工件等等，任务的参数与执行顺序可以通过调整
Figure SMS_60
进行一定范围内的改动。
具体地，在S7中所述的内存RAM大小应不小于8GB，CUP的参数应不低于intel第8代i5或AMD-FX8300。
参照图2，基于仿射变换与行为树的机器人任务规划系统，包括：
组合模块，用于获取机器人的行为动作信息并进行组合，构建动作基元库；
获取模块，用于根据动作基元库获取人工示教的轨迹数据；
构建模块，用于结合动作基元库中动作基元的逻辑关系、人工示教的轨迹数据与任务执行逻辑，构建初步的行为树模型；
泛化模块，基于仿射变换技术，对初步的行为树模型进行泛化处理，得到行为树模型；
规划模块，用于根据行为树模型的执行逻辑对机器人进行任务执行规划。
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (9)

1.基于仿射变换与行为树的机器人任务规划方法，其特征在于，包括以下步骤：
获取机器人的行为动作信息并进行组合，构建动作基元库；
根据动作基元库获取人工示教的轨迹数据；
结合动作基元库中动作基元的逻辑关系、人工示教的轨迹数据与任务执行逻辑，构建初步的行为树模型；
基于仿射变换技术，对初步的行为树模型进行泛化处理，得到行为树模型；
根据行为树模型的执行逻辑对机器人进行任务执行规划。
2.根据权利要求1所述基于仿射变换与行为树的机器人任务规划方法，其特征在于，所述获取机器人的行为动作信息并进行组合，构建动作基元库这一步骤，其具体包括：
获取3C生产线上机器人的常用操作；
对机器人的常用操作进行分割处理，得到机器人的行为动作信息；
所述机器人的行为动作信息包括刚体几何中心的位移向量、末端执行器的夹持力或机械臂对外界输出的弹力、末端执行期夹爪的开合角与末端旋转角的开合速度、机械臂末端执行器旋转的扭矩和更换末端执行器操作所引起的末端坐标重置；
对机器人的行为动作信息进行组合，构建动作基元库，所述动作基元库包括机器人的移动基元、机械臂末端执行器的平移基元、作用力平移基元、回位基元、打开或关闭末端执行器基元、压基元、旋转基元和夹取与更换末端执行器基元。
3.根据权利要求2所述基于仿射变换与行为树的机器人任务规划方法，其特征在于，所述根据动作基元库获取人工示教的轨迹数据这一步骤，其具体包括：
对动作基元库中的基元数据进行人工示教处理，得到示教轨迹数据；
通过舍弃突变轨迹法对示教轨迹数据进行数据预处理，得到预处理后的示教轨迹数据；
通过仿射变换技术对预处理后的示教轨迹数据进行泛化处理，得到人工示教的轨迹数据。
4.根据权利要求3所述基于仿射变换与行为树的机器人任务规划方法，其特征在于，所述舍弃突变轨迹法的表达式具体如下所示：
Figure QLYQS_3
；上式中，
Figure QLYQS_5
表示示教轨迹数据，
Figure QLYQS_8
表示加速度，
Figure QLYQS_2
表示常数因子，取值为0.4，
Figure QLYQS_4
Figure QLYQS_7
表示
Figure QLYQS_9
的左右邻域，
Figure QLYQS_1
表示给予
Figure QLYQS_6
赋予空值。
5.根据权利要求4所述基于仿射变换与行为树的机器人任务规划方法，其特征在于，所述结合动作基元库中动作基元的逻辑关系、人工示教的轨迹数据与任务执行逻辑，构建初步的行为树模型这一步骤，其具体包括：
根据动作基元库中的基元数据之间的逻辑关系，定义基元数据之间的连接关系，所述连接关系包括不能连接、渐进连接、顺序连接和平行连接；
将基元数据之间的连接关系设定为执行节点，构建待删减行为树模型；
根据机器人在3C生产线上的任务执行逻辑，对待删减行为树模型进行删减处理，得到初步的行为树模型。
6.根据权利要求5所述基于仿射变换与行为树的机器人任务规划方法，其特征在于，所述基于仿射变换技术，对初步的行为树模型进行泛化处理，得到行为树模型这一步骤，其具体包括：
通过仿射变换技术对初步的行为树模型中的人工示教的轨迹数据进行泛化处理，得到泛化后的轨迹数据；
通过Tanimoto相似度函数计算人工示教的轨迹数据与泛化后的轨迹数据之间的相似度值；
选取相似度值中满足预设精度阈值的泛化后的轨迹数据，得到执行节点；
将执行节点嵌入至初步的行为树模型，得到行为树模型。
7.根据权利要求6所述基于仿射变换与行为树的机器人任务规划方法，其特征在于，所述仿射变换技术的表达式具体如下所示：
Figure QLYQS_10
；上式中，
Figure QLYQS_11
表示泛化后的轨迹数据，
Figure QLYQS_12
表示人工示教的轨迹数据，
Figure QLYQS_13
表示仿射变换函数。
8.根据权利要求7所述基于仿射变换与行为树的机器人任务规划方法，其特征在于，所述Tanimoto相似度函数的表达式具体如下所示：
Figure QLYQS_14
上式中，
Figure QLYQS_15
表示两个轨迹向量的内积，
Figure QLYQS_16
表示两个轨迹向量的模长。
9.基于仿射变换与行为树的机器人任务规划系统，其特征在于，包括以下模块：
组合模块，用于获取机器人的行为动作信息并进行组合，构建动作基元库；
获取模块，用于根据动作基元库获取人工示教的轨迹数据；
构建模块，用于结合动作基元库中动作基元的逻辑关系、人工示教的轨迹数据与任务执行逻辑，构建初步的行为树模型；
泛化模块，基于仿射变换技术，对初步的行为树模型进行泛化处理，得到行为树模型；
规划模块，用于根据行为树模型的执行逻辑对机器人进行任务执行规划。
CN202310384507.0A 2023-04-12 2023-04-12 基于仿射变换与行为树的机器人任务规划方法及系统 Active CN116117826B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310384507.0A CN116117826B (zh) 2023-04-12 2023-04-12 基于仿射变换与行为树的机器人任务规划方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310384507.0A CN116117826B (zh) 2023-04-12 2023-04-12 基于仿射变换与行为树的机器人任务规划方法及系统

Publications (2)

Publication Number Publication Date
CN116117826A true CN116117826A (zh) 2023-05-16
CN116117826B CN116117826B (zh) 2023-07-25

Family

ID=86301276

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310384507.0A Active CN116117826B (zh) 2023-04-12 2023-04-12 基于仿射变换与行为树的机器人任务规划方法及系统

Country Status (1)

Country Link
CN (1) CN116117826B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150224650A1 (en) * 2014-02-12 2015-08-13 General Electric Company Vision-guided electromagnetic robotic system
CN112088070A (zh) * 2017-07-25 2020-12-15 M·奥利尼克 用于操作机器人系统并执行机器人交互的系统及方法
CN112917516A (zh) * 2021-02-01 2021-06-08 北京航空航天大学 用于自主装配机器人的知识学习与推理执行系统
WO2022012265A1 (en) * 2020-07-13 2022-01-20 Guangzhou Institute Of Advanced Technology, Chinese Academy Of Sciences Robot learning from demonstration via meta-imitation learning
US20220035339A1 (en) * 2020-07-31 2022-02-03 Aurora Flight Sciences Corporation, a subsidiary of The Boeing Company Causing a robot to execute a mission using a behavior tree and a leaf node library
US20220066456A1 (en) * 2016-02-29 2022-03-03 AI Incorporated Obstacle recognition method for autonomous robots
CN114153943A (zh) * 2021-11-22 2022-03-08 之江实验室 一种基于知识图谱构建机器人行为树的系统及方法
CN114536333A (zh) * 2022-02-18 2022-05-27 南京邮电大学 一种基于行为树的机械臂任务规划系统及应用方法
WO2022105635A1 (zh) * 2020-11-19 2022-05-27 广东省科学院智能制造研究所 一种机器人运动技能学习方法及系统
US20220402140A1 (en) * 2021-06-18 2022-12-22 Intrinsic Innovation Llc Learning to acquire and adapt contact-rich manipulation skills with motion primitives

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150224650A1 (en) * 2014-02-12 2015-08-13 General Electric Company Vision-guided electromagnetic robotic system
US20220066456A1 (en) * 2016-02-29 2022-03-03 AI Incorporated Obstacle recognition method for autonomous robots
CN112088070A (zh) * 2017-07-25 2020-12-15 M·奥利尼克 用于操作机器人系统并执行机器人交互的系统及方法
WO2022012265A1 (en) * 2020-07-13 2022-01-20 Guangzhou Institute Of Advanced Technology, Chinese Academy Of Sciences Robot learning from demonstration via meta-imitation learning
US20220035339A1 (en) * 2020-07-31 2022-02-03 Aurora Flight Sciences Corporation, a subsidiary of The Boeing Company Causing a robot to execute a mission using a behavior tree and a leaf node library
WO2022105635A1 (zh) * 2020-11-19 2022-05-27 广东省科学院智能制造研究所 一种机器人运动技能学习方法及系统
CN112917516A (zh) * 2021-02-01 2021-06-08 北京航空航天大学 用于自主装配机器人的知识学习与推理执行系统
US20220402140A1 (en) * 2021-06-18 2022-12-22 Intrinsic Innovation Llc Learning to acquire and adapt contact-rich manipulation skills with motion primitives
CN114153943A (zh) * 2021-11-22 2022-03-08 之江实验室 一种基于知识图谱构建机器人行为树的系统及方法
CN114536333A (zh) * 2022-02-18 2022-05-27 南京邮电大学 一种基于行为树的机械臂任务规划系统及应用方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
朱庆棠等: "《周围神经缺损修复材料的生物制造与临床评估》", vol. 1, 国防工业出版社, pages: 231 *

Also Published As

Publication number Publication date
CN116117826B (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
CN108972549B (zh) 基于Kinect深度摄像头的工业机械臂实时避障规划抓取系统
CN108818530B (zh) 基于改进rrt算法的机械臂抓取散乱堆放活塞运动规划方法
CN108196453A (zh) 一种机械臂运动规划群体智能计算方法
Tang et al. Learning collaborative pushing and grasping policies in dense clutter
CN115464659B (zh) 一种基于视觉信息的深度强化学习ddpg算法的机械臂抓取控制方法
CN113715016A (zh) 一种基于3d视觉的机器人抓取方法、系统、装置及介质
Miyajima Deep learning triggers a new era in industrial robotics
Zhang et al. Industrial robot programming by demonstration
CN111300408A (zh) 一种结合形似与神似的仿人双臂机器人运动规划控制方法
Wang et al. Adaptive end‐effector pose control for tomato harvesting robots
Fresnillo et al. An approach for the bimanual manipulation of a deformable linear object using a dual-arm industrial robot: cable routing use case
CN110695994B (zh) 一种面向双臂机械手协同重复运动的有限时间规划方法
CN116117826B (zh) 基于仿射变换与行为树的机器人任务规划方法及系统
Ren et al. Fast-learning grasping and pre-grasping via clutter quantization and Q-map masking
CN113134839B (zh) 一种基于视觉和力位图像学习的机器人精密柔性装配方法
Rao et al. An automated robotic arm: a machine learning approach
CN111966040B (zh) 一种机器人拾放任务中用于平衡冲击动载的轨迹生成方法
Jia et al. Path planning with autonomous obstacle avoidance using reinforcement learning for six-axis arms
Buzzatto et al. On Robotic Manipulation of Flexible Flat Cables: Employing a Multi-Modal Gripper with Dexterous Tips, Active Nails, and a Reconfigurable Suction Cup Module
CN113311789A (zh) 一种基于5g和类脑脉冲神经网络模型的仓储机器人的控制方法
Setlak et al. Dynamics of the designed robotic manipulator in the CAD program
Zhang et al. Inverse kinematics solution for six-DOF serial robots based on BP neural network
He et al. Design of Vision Control System of Tomato Picking Robot
De Coninck et al. Learning to Grasp Arbitrary Household Objects from a Single Demonstration
Ren et al. Target grasping and obstacle avoidance motion planning of humanoid robot

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: No.33 Guangyun Road, Shishan town, Nanhai District, Foshan City, Guangdong Province

Patentee after: Foshan University

Country or region after: China

Address before: No.33 Guangyun Road, Shishan town, Nanhai District, Foshan City, Guangdong Province

Patentee before: FOSHAN University

Country or region before: China