本發(fā)明涉及機器人控制，尤其涉及基于機器視覺的多自由度機械臂避障控制方法。

背景技術：

1、隨著工業(yè)自動化、醫(yī)療器械和智能服務機器人的快速發(fā)展，多自由度機械臂在復雜環(huán)境中的應用需求逐漸增加。然而，機械臂在執(zhí)行任務時經(jīng)常需要在動態(tài)、多變的環(huán)境中工作，這對其避障能力提出了更高的要求。傳統(tǒng)的機械臂避障技術通常依賴于超聲波、紅外傳感器或激光雷達等傳感器，這些技術雖然能夠識別障礙物，但在復雜環(huán)境中往往表現(xiàn)出局限性。例如，對于具有不規(guī)則形狀或快速移動的障礙物，這些傳感器的精度和反應速度難以滿足實際需求。此外，靜態(tài)環(huán)境下的路徑規(guī)劃相對簡單，而在復雜動態(tài)環(huán)境中，機械臂需要具備實時感知、路徑修正和動態(tài)避障的能力，以保證任務的安全執(zhí)行。

2、現(xiàn)有的避障控制技術在面對復雜環(huán)境時，普遍存在技術難題。首先，傳統(tǒng)傳感器獲取的環(huán)境信息有限，無法實時捕捉環(huán)境中障礙物的動態(tài)變化，導致避障反應滯后。其次，現(xiàn)有路徑規(guī)劃算法在復雜場景中可能出現(xiàn)規(guī)劃延遲和路徑不連續(xù)性問題，無法有效應對環(huán)境的實時變化。最后，控制系統(tǒng)的魯棒性和精度不足，尤其是在機械臂高速運動或遇到不確定擾動時，容易出現(xiàn)偏差累積或震蕩現(xiàn)象，導致系統(tǒng)不穩(wěn)定。

技術實現(xiàn)思路

1、基于上述目的，本發(fā)明提供了基于機器視覺的多自由度機械臂避障控制方法。

2、基于機器視覺的多自由度機械臂避障控制方法，包括以下步驟：

3、s1，環(huán)境感知：通過安裝在機械臂上的多個攝像頭采集機械臂周圍360度的全景圖像數(shù)據(jù)，攝像頭包括rgb攝像頭和深度攝像頭，用于獲取環(huán)境的二維圖像和三維深度數(shù)據(jù)；

4、s2，圖像預處理：對所采集的圖像數(shù)據(jù)進行預處理，包括去噪、邊緣檢測、圖像增強和分割，以確保圖像清晰度和有效數(shù)據(jù)的提??；

5、s3，障礙物識別：通過預訓練的卷積神經(jīng)網(wǎng)絡模型分析圖像中可能存在的障礙物，障礙物包括固定障礙物(如墻體、桌子)和移動障礙物(如人、車輛)；

6、s4，距離計算與軌跡預測：通過深度攝像頭獲取障礙物與機械臂之間的距離，結合kalman濾波器對移動障礙物的運動軌跡進行預測，確定潛在碰撞風險；

7、s5，避障路徑規(guī)劃：基于運動軌跡預測結果，使用改進的快速擴展隨機樹算法規(guī)劃出一條最優(yōu)避障路徑，確保機械臂在避障時保持效率和精度，同時避免重復路徑規(guī)劃導致的延遲；

8、s6，實時路徑修正：在機械臂運動過程中，實時監(jiān)測周圍環(huán)境的變化，若檢測到新的障礙物或障礙物位置發(fā)生變化，則重新啟動預設的路徑規(guī)劃模塊進行路徑修正，確保機械臂能夠快速調(diào)整運動軌跡；

9、s7，動態(tài)反饋控制：通過預設的反饋控制模塊持續(xù)監(jiān)控機械臂的運動狀態(tài)和姿態(tài)，確保機械臂按照規(guī)劃路徑準確執(zhí)行，同時避免由于慣性或機械誤差造成的偏差，確保機械臂的平穩(wěn)和安全操作。

10、可選的，所述s1包括：

11、s11，攝像頭布局設計：根據(jù)機械臂的結構特點和工作空間要求，優(yōu)化安裝攝像頭的布局；

12、s12，攝像頭參數(shù)配置：對rgb攝像頭和深度攝像頭進行參數(shù)優(yōu)化配置，以適應不同環(huán)境光照條件；

13、s13，多攝像頭數(shù)據(jù)同步與融合：為了確保在多攝像頭采集圖像時信息的一致性，采用時間同步機制，通過精確的時間戳校準多個攝像頭的拍攝時間，確保rgb攝像頭與深度攝像頭的圖像在同一時刻采集，同一幀的二維圖像和三維深度圖像通過數(shù)據(jù)融合算法進行融合，得到環(huán)境建模數(shù)據(jù)；

14、s14，全景視野擴展：通過調(diào)整攝像頭視角以及結合多個攝像頭的采集數(shù)據(jù)，采用全景拼接算法，將多個攝像頭的視場覆蓋合成為360度的全景圖像；

15、s15，環(huán)境深度建模：將深度攝像頭采集的三維深度數(shù)據(jù)轉(zhuǎn)換為三維點云，通過坐標變換將不同視角下的點云數(shù)據(jù)對齊，生成完整的三維環(huán)境模型。

16、可選的，所述s2具體包括：

17、s21，圖像去噪處理：對采集的rgb圖像和深度圖像分別進行去噪處理，減少噪聲對圖像處理的干擾，提升圖像的清晰度；

18、s22，邊緣檢測：通過canny邊緣檢測算法對去噪后的圖像進行邊緣提??；

19、s23，圖像增強：利用直方圖均衡化對圖像進行增強處理，提升圖像的對比度；

20、s24，圖像分割：使用grabcut算法對圖像進行分割，將前景中的機械臂和可能的障礙物從背景中分離出來。

21、可選的，所述s3具體包括：

22、s31，卷積神經(jīng)網(wǎng)絡模型訓練：使用包含大量固定障礙物和移動障礙物的圖像數(shù)據(jù)集對卷積神經(jīng)網(wǎng)絡模型進行預訓練；

23、s32，固定障礙物識別：通過卷積神經(jīng)網(wǎng)絡模型對圖像中的固定障礙物進行識別；

24、s33，移動障礙物識別：通過卷積神經(jīng)網(wǎng)絡模型結合幀間差分法對圖像中的移動障礙物進行識別；

25、s34，障礙物類別與位置輸出：卷積神經(jīng)網(wǎng)絡模型最終輸出包括障礙物的類別和位置，通過邊界框(bounding?box)標注障礙物的精確位置。

26、可選的，所述s4具體包括：

27、s41，距離計算：通過深度攝像頭獲取障礙物與機械臂之間的距離；

28、s42，移動障礙物軌跡估計：對移動障礙物的運動軌跡進行初步估計，采用幀間運動分析技術提取障礙物的速度和方向信息，通過連續(xù)幀圖像計算運動矢量場，確定移動障礙物的初步運動軌跡；

29、s43，kalman濾波軌跡預測：使用kalman濾波器對移動障礙物的運動軌跡進行預測，以提高對動態(tài)障礙物的避障反應精度；

30、s44，碰撞風險評估：結合軌跡預測結果，評估機械臂與移動障礙物的潛在碰撞風險。

31、可選的，所述s5具體包括：

32、s51，障礙物空間建模：基于深度攝像頭采集的障礙物距離和運動軌跡，構建機械臂工作空間中的障礙物模型；

33、s52，改進的快速擴展隨機樹算法初始化：在障礙物空間建模完成后，初始化改進的快速擴展隨機樹算法，用于規(guī)劃最優(yōu)避障路徑；

34、s53，路徑搜索與節(jié)點擴展：從機械臂的當前位置開始，隨機生成樣本點，并在搜索空間中選擇最接近樣本點的現(xiàn)有節(jié)點，通過擴展樹的方式連接新節(jié)點；

35、s54，啟發(fā)式搜索改進：在傳統(tǒng)快速擴展隨機樹算法的基礎上引入啟發(fā)式搜索，使用啟發(fā)式函數(shù)估算當前節(jié)點與目標節(jié)點的距離，并優(yōu)先擴展更接近目標的節(jié)點；

36、s55，路徑優(yōu)化：在初步規(guī)劃出的避障路徑基礎上，通過局部路徑優(yōu)化方法對路徑進行調(diào)整，消除多余的節(jié)點或不必要的轉(zhuǎn)折點。

37、可選的，所述s6具體包括：

38、s61，環(huán)境變化檢測：在機械臂運動過程中，利用深度攝像頭和rgb攝像頭實時監(jiān)測周圍環(huán)境的變化；

39、s62，障礙物更新：在檢測到新的障礙物或已有障礙物位置發(fā)生變化時，更新障礙物的空間位置及運動狀態(tài)信息，使用kalman濾波器對移動障礙物的運動軌跡進行修正；

40、s63，路徑重新規(guī)劃觸發(fā)：在環(huán)境變化或障礙物位置更新后，自動觸發(fā)預設的路徑重新規(guī)劃模塊，調(diào)用改進的快速擴展隨機樹算法，再次進行路徑搜索與規(guī)劃，路徑規(guī)劃過程會考慮新的障礙物位置和運動狀態(tài)，生成一條避開新障礙物的最優(yōu)路徑；

41、s64，路徑修正執(zhí)行：在路徑重新規(guī)劃完成后，動態(tài)更新機械臂的當前運動軌跡；

42、s65，連續(xù)路徑修正監(jiān)控：在機械臂執(zhí)行新的路徑時，持續(xù)監(jiān)控環(huán)境變化，保持對障礙物位置和軌跡的實時更新。

43、可選的，所述s7包括：

44、s71，機械臂運動狀態(tài)監(jiān)測：通過預設的傳感器網(wǎng)絡，包括位置傳感器、加速度傳感器和角速度傳感器，實時監(jiān)控機械臂的運動狀態(tài)；

45、s72，反饋數(shù)據(jù)融合：將多個傳感器采集到的數(shù)據(jù)進行融合處理，采用擴展卡爾曼濾波算法對機械臂的運動狀態(tài)進行濾波，減少傳感器噪聲的影響，提升反饋精度；

46、s73，誤差計算：基于實際運動狀態(tài)與規(guī)劃路徑之間的偏差，計算位置誤差和姿態(tài)誤差。

47、可選的，所述s7還包括：

48、s74，實時控制調(diào)整：根據(jù)計算出的誤差值，反饋控制模塊通過滑模控制算法實時調(diào)整機械臂的運動參數(shù)；

49、s75，穩(wěn)定性分析與調(diào)整：通過李雅普諾夫函數(shù)對預設的機械臂反饋控制系統(tǒng)穩(wěn)定性進行分析；

50、s76，姿態(tài)與運動平滑控制：在實時調(diào)整過程中，通過控制機械臂各關節(jié)的角速度和加速度，確保機械臂運動的平滑性。

51、本發(fā)明的有益效果：

52、本發(fā)明，通過多攝像頭布置與融合技術，能夠?qū)崿F(xiàn)對機械臂周圍環(huán)境的360度無盲區(qū)感知。利用rgb攝像頭和深度攝像頭采集二維和三維數(shù)據(jù)，并結合多源圖像的同步融合，構建精確的三維環(huán)境模型，該方法能夠快速適應環(huán)境變化，及時識別新出現(xiàn)的障礙物或已有障礙物位置的改變。基于卷積神經(jīng)網(wǎng)絡的障礙物識別模型，能夠有效區(qū)分固定障礙物和移動障礙物，并根據(jù)其動態(tài)軌跡實時更新。通過高精度的距離計算和kalman濾波器的軌跡預測，確保對移動障礙物的未來位置進行準確預判，提升機械臂在復雜環(huán)境中的避障能力。

53、本發(fā)明，使用了改進的快速擴展隨機樹算法，通過引入啟發(fā)式搜索方法，提高了路徑規(guī)劃效率，并避免了傳統(tǒng)rrt算法中可能出現(xiàn)的規(guī)劃延遲問題。通過對路徑的連續(xù)優(yōu)化，進一步減少路徑長度和機械臂運動時間，確保機械臂在避障過程中的高效性。此外，實時路徑修正模塊通過持續(xù)監(jiān)控環(huán)境變化，當檢測到障礙物位置變化時能夠自動觸發(fā)路徑重新規(guī)劃，確保機械臂能夠迅速響應環(huán)境變化。整個規(guī)劃系統(tǒng)能夠在高動態(tài)的工作場景中保持路徑的最優(yōu)性和連續(xù)性，從而保證機械臂在復雜工作環(huán)境中的靈活性和精度。

54、本發(fā)明，通過傳感器網(wǎng)絡和擴展卡爾曼濾波技術，實現(xiàn)了對機械臂運動狀態(tài)的實時反饋監(jiān)測，能夠精準獲取位置、速度和加速度等運動數(shù)據(jù)。結合滑?？刂坪屠钛牌罩Z夫函數(shù)的穩(wěn)定性分析，保證了控制系統(tǒng)在復雜工況下的魯棒性和穩(wěn)定性，避免了因外部擾動或控制輸入的不確定性引起的系統(tǒng)失穩(wěn)。通過滑?？刂茖崿F(xiàn)誤差的快速收斂，確保機械臂能夠穩(wěn)定執(zhí)行規(guī)劃路徑。同時，采用pid控制對機械臂的運動進行平滑調(diào)節(jié)，避免由于急速調(diào)整引發(fā)的抖動或誤差積累，提升了機械臂的操作穩(wěn)定性和安全性，使其在高精度要求的場景中具備卓越的表現(xiàn)。