[发明专利]一种融合记忆机制的机械臂多场景快速运动规划方法

说明书

本发明属于机器人操控领域，提出一种融合记忆机制的机械臂多场景快速运动规划方法。通过模拟人类的记忆机制，在建立高斯混合模型的过程中将当前场景及对应的GMM模型通过感觉记忆、短期记忆和长期记忆三个阶段存储到记忆空间，让机器人能够记住出现过的环境。当机器人遇到类似环境时，便能够根据记忆适应当前场景，快速完成运动规划。该方法使用模型进行引导机械臂在关节空间采样并代替传统的FCL方法进行碰撞检测，与RRT*算法相比，有效提高了算法的规划成功率，减少了算法的运行时间。机器人能够通过记忆机制记住所遇到的场景及其对应模型，并在遇到相似场景时通过提取对应的场景模型快速的适应环境，不需要重新训练学习，提高了规划算法的适应能力。

技术领域

本发明属于机器人操控领域，尤其涉及一种融合记忆机制的机械臂多场景快速运动规划方法。

背景技术

多自由度串联机械臂的运动规划是机器人操控领域的重要研究方向之一。机械臂的运动规划是指机械臂在有障碍的环境中，能够通过一种寻径算法找到一条从起始点到目标点的无碰撞路径。当前的运动规划算法有基于图搜索的方法如A*、D*和Dijkstra等启发式算法，基于人工势场的运动规划算法等，通常需要对环境进行严格的数学建模。随着机械臂自由度的增加，容易导致计算量呈指数增长甚至会导致算法失效，无法规划出合理的路径。

为了解决高维空间中的运动规划问题，可以采用RRT算法，在机械臂的关节空间通过扩展随机树的方式生成路径。它是一种基于随机采样的搜索方法，能够快速地完成在高维空间中的搜索，同时在采样过程中不依赖于精确的环境模型。RRT算法的本质是使用随机的数据结构寻找一条可行路径，但通常找到的不是最优路径。RRT算法可以解决高维空间机器人的运动规划问题，但是当机器人需要穿越狭窄通道才能到达目标点的时候，往往需要更稠密的采样才能找到一条路径。碰撞检测和最近邻搜索过程是RRT算法主要的性能瓶颈。在机器人运动规划过程中，RRT算法需要进行多次随机采样，每一次采样都需要进行碰撞检测，为此消耗的时间占据算法运行总时间的90％以上。随着工作场景复杂度增加、采样点增多，RRT算法的效率将持续降低。为了减少在采样过程中碰撞检测所需时间，可以采用延迟碰撞检测算法，在采样过程中不进行碰撞检测，直到生成完整路径时再进行碰撞检测，从而能够花费更短的时间生成一条无碰撞的路径。然而，一旦在规划过程中检测到机器人与环境发生碰撞，这种方法需要重新规划路径，在复杂场景中算法效率反而会降低。另一种方法是基于障碍物信息进行优化，将临近障碍物信息纳入节点并且使用这些信息来避免将一些节点添加到扩展树中，不仅减少了很多无效的采样点，而且减少了相关的碰撞检测和最近邻搜索等耗时操作。

近年来，基于机器学习的方法也被应用于RRT算法以提高算法的效率。例如，基于概率的碰撞检测算法，引入支持向量机(SVM)算法应对环境中的不确定性；基于学习的运动规划模型，在RRT算法中引入高斯过程，通过预测障碍物轨迹动态地规划路径，在动态约束环境中找到一条安全无碰撞的路径。此外，基于高斯混合模型(GMM,Gauss MixtureModels)的高维构型空间碰撞检测算法也可以应用到RRT*算法之中，使用增量期望最大化算法学习基于环境的高斯混合模型，代替传统方法进行碰撞检测，从而有效地减少碰撞检测的次数，提高RRT*算法的效率。然而，由于高斯混合模型是针对具体的环境训练获得，当环境发生变化时需要对新的环境重新开始训练，即使遇到重复场景也需要重新训练，时间成本较高。

人类能在一定的时间内记住所遇到的环境，这些环境信息则是做出相应决策的依据。根据现代认知学理论，记忆机制可以分为感觉记忆、短期记忆和长期记忆三个阶段，也称为长短时记忆机制。长时记忆是一个庞大而复杂的信息数据库，存储着主体过去学习的经验和知识；其优点是存储海量信息，让记忆主体可以适应各种各样复杂的环境。

发明内容