基于优选学习泛化机制的机械臂运动规划方法

针对传统机械臂运动规划方法存在智能化低和适用性差的问题,本文研究了基于优选学习泛化机制的机械臂运动规划方法。根据动态运动基元(DMPS)、机械臂D-H模型和正逆运动学,设计了机械臂示教学习(LFD)运动规划系统。在此基础上依据DMPS的学习特性与样本空间的多样性,提出“方位-距离”筛选规则优选样本,并融入运动特征与障碍物的耦合因子实现避障规划。通过Matlab进行机械臂优选LFD系统建模并仿真分析其可行性与精确性,为了验证系统的适用性,设计并完成障碍物环境下的机械臂避障规划物理实验。本文提出的机械臂运动规划方法在一定程度上赋予了机械臂自主作业的能力,提升了其智能化水平。

基于连续动态运动基元的移动机器人路径规划

针对二维动态场景下的移动机器人路径规划问题,提出了一种新颖的路径规划方法——连续动态运动基元(continuous dynamic movement primitives, CDMPs).该方法将传统的单一动态运动基元推广到连续动态运动基元,通过对演示运动轨迹的学习,获得各运动基元的权重序列,利用相位变量的更新,实现对未知动态目标的追踪.该方法克服了移动机器人对环境模型的依赖,解决了动态场景下追踪运动目标和躲避动态障碍物的路径规划问题.最后通过一系列仿真实验,验证了算法的可行性.仿真实验结果表明,对于动态场景下移动机器人路径规划问题, CDMPs算法比传统的DMPs方法在连续性能和规划效率上具有更好的表现.