实例介绍机械臂运动规划及前沿研究方向

邱强，上海交通大学机械与动力工程学院博士生，本科毕业于清华大学机械工程系，目前研究方向为机械臂运动规划。

邮箱：[email protected]

知乎：fly qq

视频连接：https://www.leiphone.com/news/201703/0JJyEB2eqdRe9XS8.html

提纲：

  • 是什么：介绍运动规划的定义
  • 为什么：简单介绍运动规划的作用，即潜在市场
  • 怎么样：简单介绍算法发展历程，前沿研究方向

运动规划（Motion Planning）

  • 在给定环境中，指定机器人的起点和终点，计算出连接起点和终点，并满足一定约束条件（如壁障）的轨迹。
  • 从数学角度上看，移动机器人的路径规划（Path Planning）也属于运动规划的范畴。但由于问题的维度不同，所以使用的算法也不同，大家习惯观上将两者区分开。

为什么？

  • 人口老龄化要求提高劳动力
  • 市场转变，由工业机器人市场（汽车）向3C产业转移。3C产品更新周期短，款式种类多，单件利润低，整体市场大，对劳动成本增加，对自动化需求大。
  • 示教效率低，无法应对环境变化
  • 加中间点示教

运动规划著名企业

  • Mujin （日本公司）
    • OpenRave（运动规划平台）
    • Rosen Diank（创始人）
    • 视觉+机械臂运动规划，抓取区分螺钉

  • Kinema Systems

    • MoveIt!（运动规划平台）
    • Sachin Chitta（创始人）
    • 视觉+机械臂运动规划，码垛

  • [x] 仿真环境主要用于碰撞检测

规划器评价标准

  • Optimality（最优性）：路径最短，规划速度最快等。
  • Complete（完备性）：在有限时间内解决所有有解问题。

先从2D，点状机器人（point agent）的问题入手

1、基本路径规划算法

  • Walk To
    • 直接朝着目标走，直到到达目标点为止
  • 优化算法（蚁群等）
    • 类似最优控制
    • 大部分情况下效果不错，但复杂问题很容易陷入局部极值
    • 不完备也不最优
  • 人工势场
    • 在障碍物周围建立排斥势场
    • 从起点到终点构建吸引势场
    • 采用梯度下降等方式求解
    • 特点
      • 容易实现/效果很好
      • 可以与控制结合
      • 可能陷入局部极值
      • 不完备且不最优
  • 图搜索算法
    • 将问题描述成图（节点+边）
    • 用图搜索算法解决问题
    • Dijkstra、A*
    • 在给定的图中完备且最优

    • 如何建图？

      • 可视图（Visibility Graph）
        • 用封闭多面体描述障碍物
        • 利用障碍物顶点间的连线构建一个图（graph），之后同图搜索算法求解
        • 站在某个顶点上，环绕四周，把你能看到（无障碍物）的顶点连接起来
        • 完备且最优
      • 栅格化（Cell Decomposition）
        • 按一定分辨率将地图进行网格划分
        • 用四连通或八连通规则建立网格图
        • 分辨率完备（Resolution Complete）且最优


2、拓展到实际机器人

  • 机器人不在是一个点，需要将机器人的体积考虑在内。
  • 机器人的自由度更高，原本的算法是否都还可用？

3、理论基础——C空间/构型空间

  • Configuration Space
  • 用向量描述机器人构型

  • 在C空间内，机器人是一个点

    • 平面机器人$$\left (x,y,\theta \right )^{T}$$
    • 七轴机器人$$\left (\theta {1},\theta {2},\theta {3},\theta {4},\theta {5},\theta {6},\theta _{7} \right ) ^{T}$$器人的体积考虑在内。

4、高维度

  • 蚁群等优化算法
    • 收敛慢，更多局部极值点
  • 可视图法
    • 在高维空间中，算法不成立
  • 栅格法
    • 理论上可行
    • 但计算量太大
    • 一般在高于3维的问题上不使用该方法
  • 人工势场
    • 在C空间内建立势场不方便
    • 只对个别控制点进行计算，折算到每个关节上
    • 不完备且不最优，但对于简单问题很实用

  • PRM & RRT

    • 不需要知道C空间的具体情况，只对随机采样点进行碰撞检测（判断是否在C空间的可执行区域内）
    • 两点之间采用简单的局部规划器（如Walk to）进行连接
    • PRM：获得一个图，采取图搜索算法求解
    • RRT：获得一个连接到终点的树，反向搜索即可
    • 在高维空间可行，概率完备且不最优
    • 现状
      • 主要使用PRM和RRT等基于采样的方法
      • 这些算法计算的结果一般需要进行后处理（smoothing等）

  • PRM和RRT变种

    • C空间
    • 随机采样（平均采样、高斯采样等各种采样算法，T-RRT）
    • 有效性判断（如碰撞检测算法AABB、减少碰撞检测 Lazy-RRT）
    • 局部规划器连接（各种连接方法、重新连接RRT*、PRM*）

理论学习

  • Couseara：宾大 Robotics: Computational Motion Planning （简单编程）
  • Choset, Howie M. Principles of robot motion: theory, algorithms, and implementation. MIT press, 2005.
  • 经典论文+编程实现经典算法。

实践

研究方向

  • 理论现状
    • 从运动规划角度
    • 给定足够多的时间，一定能够最优且完备地求解到轨迹
  • 从理论角度而言，这个问题已经解决了

  • 研究方向

    • 新问题
    • 实用化

  • [ ]

这个算是蛮实用的，因为每次规划完执行的过程中会遇到环境变化的问题，这就需要在执行过程中重新规划。重新规划的路线与之前的路线是连接的，而不是中间停下来重新走。上面是RSS在2016年的研究，感兴趣的可以了解下。

  • [ ]

理想状态下机器人在运动规划下直接端一杯水到一个地方就行了，但实际情况下这个过程是有动力学在里面，如果不做任何处理，这个杯子会掉。所以，在考虑了动力学之后，重新进行运动规划，这时候杯子才不会掉。这个问题还是比较简单的，因为你只需要把它变成一个约束就好了。

  • [ ]

这个问题是存在的，因为在规划的时候会跟环境接触，例如这个机器人攀爬杆子然后落地，涉及到整个身体动力学跟你身体运动的协调过程，这个工作是MIT计算机科学与人工智能实验室在2014年的实验。接触动力学比传统的单体动力学复杂很多，因为我们不知道它接触的碰撞摩擦力这些不好建模。

  • [x]

运动规划是指我给你一个大任务，你自动生成一些小任务。这是IROS在2016年的一个工作，它的目标是让机器人到达对面这个点，而它的路径被障碍物挡住了，这个时候把运动规划加进来，从更高一个空间维度去求解这个问题。第一步，它把这个桌子往前推，发现桌子推不动的时候对任务进行重规划，然后规划到去推这个桌子，然后发现执行的效果与预计的不一样，所以它又生成新的任务，然后它拉开桌子之后就走到了对面实现了工作。这只是一个很简单的demo，但实际上生活中会遇到很多这样的问题，比如我想从这个房间到另一个房间，而门是关着的，这个时候就需要把门打开。所以说，不是要给机器人生成很多子任务，而是一个大任务，未来服务机器人想要做好这块是必须要做的。

  • [ ]

大部分时间大家都用在了实用化上，虽然说只要有足够时间它一定能求解出来，但实际情况下我们不可能给它无限的时间。另外RRT这些算法生成轨迹很奇怪， 你可以看右边这个视频，只是让它敲这个东西它要画一大圈，所以这也是一个问题，就是怎么优化它的轨迹。所以需要将研究领域好的算法往工业领域推，目前两者之间是存在很大缺口的。

  • [ ]

这个工作是想办法把旧的轨迹给用起来，通过人工的方式指定一个运动微元，也就是原始轨迹，等到了新的环境后再进行改变。当然，这个爬楼梯的过程，环境和动作基本上都相同，所以可以在这个微元的基础上进行改变。首先，通过变形的工作拉到现在起始点位置，部分起始点会重合，然后对这些新起始点进行重复利用，它会形成一个好的轨迹。这个工作是Hauser et al在2008年发布的论文。现在存在的问题是运动微元必须由人工来指定，所以研究方向是由系统自动生成运动微元。

  • [ ]

这是之前做的一个内容，比较简单但在相对固定的环境比较好用。大概原理就是根据人工示教的路径，通过高斯混合模型（GMM）对可行C空间进行建模，之后在这个GMM-C空间内进行规划。这个方法有点类似Learning From Demonstration 的工作，但我只用了它们前面一半的步骤，后面一半还是采用采样的方法。

  • [ ]

这个是我针对加工过程做的另一个工作。我们在工业领域用机器人往往期望的不是整个机械臂的动作，而只是末端的动作。假设我要抛光一个面，首先我要对末端进行规划，用CAD模型就可以计算实现；得到路径后发给机器人，之后直接求逆解或者用雅克比迭代过去。当然，这种方法大部分时候够用，但有时候也会遇到奇异点或者碰到障碍物。我就是针对这个七轴的机械臂，利用它的一个冗余自由度进行规划。因为末端是固定的轨迹，这个时候，只要找到冗余自由度对应的C空间流形，我们就可以在这么一个低维（2维）流形内进行很快速的规划，实现末端固定轨迹，且关节避障避奇异。

  • [x] 深度强化学习DRL

假设深度学习做运动规划，那么它进行一次运动规划的时间就是一次网络正向传播时间，这个时间非常短的，所以只要网络训练好后，运动规划需要耗费很长时间的问题就没有了。目前这块也有一些这方面的研究，上面左边图是用深度学习玩游戏，Nature上的一篇论文，效果比人还厉害；右上角是谷歌用深度学习来开门；右下角就是AlphaGo下围棋了。这个是很有意思的，它也是运动规划和控制的问题，但它是用网络来做的映射。

  • 在给定信息满足系统状态可观性的前提下，CNN强大的环境理解能力（observe→state）
  • RL可以进行路径规划
    • 通过value Iteration等方式建立表格（s→a，v）
    • 用神经网络NN拟合这个映射（s→a，v）

  • DQN

待解决问题

  • [ ]

  • [ ]

  • [ ]

results matching ""

    No results matching ""