本技术涉及一种结合模型预测控制与人工势场的机械臂路径规划方法,旨在提升机械臂控制效率。主要步骤包括:1)构建机械臂状态模型;2)计算距离;3)制定代价函数,实现模型预测控制。
背景技术
在机械臂的研究领域中,末端执行器的路径规划始终占据着核心地位,其中最有挑战性的问题在于如何精准地规划一条既安全又高效的路径,使末端执行器能够在复杂的工作环境中自如穿梭于,并有效躲避障碍物,从而实现从起点到终点的无障碍移动。近年出现了一系列路径规划算法,如人工势场法(Artificial Potential Field Method,APF)和快速随机树法(Rapidly-exploring Random Trees,RRT)及其衍生物,这些方法在一定程度上能够规避碰撞,并为机械臂末端执行器构建出无障碍的路径。然而,这些传统方法的固有缺陷不容忽视——解决方案的完备性受限、规划出的路径质量参差不齐,以及在接近目标点时容易出现越过目标点然后再返回的现象。模型预测控制(Model Predictive Control,MPC)作为一种控制策略,通过利用预测模型对未来一段时间内的系统状态进行预测,并基于预测结果进行优化和控制。MPC的前瞻性规划特性使其在处理机械臂运动控制时能够显著降低在接近目标点时陷入局部最优解的风险。因此,基于MPC的避障算法近年来得到广泛关注。
尽管MPC在机械臂运动控制领域展现出了卓越的能力,但在实际应用中依然面临两大难点:“如何妥善处理严格的物理约束”和“如何恰当地选择预测视界”。为了克服MPC的这些挑战,国内外研究人员正在致力于将常见的避障方法与MPC相结合,以弥补MPC存在的不足之处。朱天启、毛建良等人提出了一种基于人工势场的级联非线性MPC机器人机械臂动态避障算法。通过在代价函数中引入人工势场的斥力场函数,激励优化器帮助末端执行器避开障碍物,为机械臂避障提供了一种创新思路。然而,基于人工势场的级联非线性MPC机械臂动态避障算法仍存在一些限制。在应用人工势场方法时,该算法主要考虑了斥力的影响,而未能充分考虑引力的作用。这种不平衡导致在机械臂运动过程中,尤其是在靠近目标点时,出现不稳定性的情况,给系统控制和优化带来挑战。
实现思路