[发明专利]用于离线示例学习的机器人装配轨迹优化方法及装置

权利要求书

1.一种用于离线示例学习的机器人装配轨迹优化方法，其特征在于，所述方法包括以下步骤：

A、通过光学动作捕捉装置采集装配演示人员手臂及手部的演示装配轨迹；

B、对采集的手臂及手部运动轨迹进行离线预处理，排除噪声数据和无关数据，融合多次演示装配轨迹，获得由高斯混合模型建模的装配运动模型；

C、根据获得的装配运动模型，以及机器人装配实际的零部件初始位姿及目标位姿，生成机器人装配运动轨迹，其中，分析手部的反光标记点的运动信息，得到机器人装配所需的装配夹具位姿与状态信息，还通过后处理算法将生成的机器人装配运动轨迹调整得到适合机器人装配的时间最短的运动轨迹；

其中，所述步骤B包括以下步骤：

B1、通过基于局部异常因子的异常检测算法处理一数据采集模块获取每一次装配演示中各个反光标记点在每个采样时刻的位置信息，计算每个反光标记点每个采样时刻的局部异常因子，将局部异常因子大于预设阈值的点视作采样噪点并从演示数据集中排除，

其中给出样本集合{x_i}，使

RD_k(x,x′)＝max(||x-x^(k)||,||x-x′||)

作为可达距离，其中x^(k)是集合{x_i}中最接近x的第k个样本，k是所选择的整数参数，使

作为局部可达性密度，并通过

计算局部异常因子，当其中的样本x的LOF上升时，判断该样本x成为异常值的可能性上升；

B2、通过密度聚类算法，以每一次装配演示中每个反光标记点在每个采样时刻的速度作为该采样时刻的特征进行密度聚类；

B3、采用高斯混合模型对数据预处理模块得到的多次装配演示的装配轨迹进行建模，根据最大化贝叶斯信息准则的方法指定高斯核的数量，采用期望最大化方法学习多段装配轨迹，得到每个高斯核的参数，从而得到由高斯混合模型建模的、能够反映装配动作关键信息的装配运动模型。

2.根据权利要求1所述的方法，其特征在于，所述步骤A还包括以下步骤：

A1、建立光学动作捕捉装置中的多个红外运动捕捉摄像机与计算设备的数据连接通道；

A2、配置每个红外运动捕捉摄像机的视场集中到同一个的立体区域，并且标定每个红外运动捕捉摄像机；

A3、采集该立体区域中的装配演示人员的手臂及手部关键位置上的反光标记点的图像；

A4、触发所有红外运动捕捉摄像机实时读取每个反光标记点的位置数据。

3.根据权利要求1所述的方法，其特征在于，还包括以下步骤：

D、根据所获得的装配运动轨迹及装配夹具信息，提供到机器人进行仿真装配验证。

4.根据权利要求3所述的方法，其特征在于，所述步骤D还包括以下步骤：

D1、将轨迹生成模块离线优化的装配运动轨迹导入一个机器人仿真平台V-REP的仿真环境；

D2、匹配机器人系统模型，导入装配零件的三维模型，然后在仿真环境控制机器人沿离线优化的装配运动轨迹模拟装配，并且验证装配后的零件是否达到期望的位置和姿态，然后当机器人的虚拟装配仿真通过验证后，将验证通过后的机器人运动指令和数据传输到机器人控制器中，用于控制机器人在实际装配中的运动。

5.一种计算装置，包括存储器和处理器，其特征在于，所述处理器执行存储器中储存的程序时实现如权利要求1至4中任一项权利要求所述的方法。