一种非规则曲面自动涂胶机器人轨迹规划方法及系统

本发明属于工业机器人领域，具体涉及一种非规则曲面自动涂胶机器人轨迹规划方法及系统。

背景技术：

1、在众多产品的制造过程中，涂胶是一道常见的重要步骤，涂胶的质量直接影响最终产品的整体质量。随着对产品要求的提升，以及产品种类和复杂性的增加，涂胶的精度和一致性变得愈加重要。传统的涂胶方法依赖人工经验或简单的轨迹规划，难以满足日益复杂的非规则曲面的涂胶需求。

2、随着自动化技术的发展，机器人涂胶技术逐渐受到重视。然而，现有的机器人涂胶技术主要依赖于固定轨迹和简单的曲面处理，无法高效应对复杂的非规则曲面。传统方法在处理这类复杂曲面时，容易出现涂胶不均匀、精度不足的问题，进而导致产品质量不佳。此外，现有技术的自动化程度较低，难以实现实时调整和优化，影响了生产效率和产品的一致性。

3、本发明旨在解决上述问题，提出一种创新的轨迹规划方法，通过引入深度学习，通过采用启发式函数根据复杂的曲面特征进行动态调整，从而提高路径规划的效率和精度。这种方法能够高效、精确地处理复杂的非规则曲面，实现涂胶的高质量和高一致性，从而提升生产效率和产品质量。

技术实现思路

1、针对现有技术存在的不足，本发明提出了一种非规则曲面自动涂胶机器人轨迹规划方法及系统，该方法包括：

2、s1：采用三维激光扫描仪扫描待加工工件，得到点云三维网络模型；

3、s2：对点云三维网络模型进行插值处理，得到曲面光滑的三维网络模型；

4、s3：根据曲面光滑的三维网络模型，采用深度学习优化的a*算法进行最短路径轨迹规划，得到初始最优路径轨迹；

5、s4：对初始最优路径轨迹进行优化，得到最终的最优路径轨迹；

6、s5：控制中心根据最终的最优路径轨迹指导机器人进行涂胶操作。

7、优选的，得到点云三维网络模型的过程包括：使用三维激光扫描仪多视角的对待加工表面进行扫描，获取工件表面的关键坐标点，形成多视角的点云数据；对所有点云数据进行预处理，去除噪声和冗余点；将预处理后的多视角的点云数据进行对齐配准，生成完整的点云三维网格模型。

8、优选的，对点云三维网络模型进行插值处理的过程包括：采用自适应三次b样条曲线对三维模型进行插值处理，生成平滑的运动轨迹曲线，进而得到曲面平滑的三维网络模型；自适应三次b样条曲线的插值公式为：

9、

10、其中，参数u表示控制点的平均权重；q(u)表示参数u下的控制点位置向量矩阵；qj表示第j个控制点的位置向量；mj,h(u)表示第j个控制点对应的h次b样条基函数，m表示控制点数量；

11、

12、其中，uj表示第j个控制点的权重参数；uj+h-1表示第j+h-1个控制点的权重参数，uj+h表示第j+h个控制点的权重参数，mj,h-1(u)表示第j个控制点对应的h-1次b样条基函数，mj+1,h-1(u)表示第j+1个控制点对应的h-1次b样条基函数，h表示b样条曲线的阶数。

13、优选的，采用深度学习优化的a*算法进行最短路径轨迹规划的过程包括：

14、s31：采用训练好的dnn模型对当前节点、目标节点和三维网络模型的曲面特征进行处理，得到当前节点的预测启发式估计值；

15、s32：根据当前节点的预测启发式估计值计算当前节点到目标节点的总代价估计；

16、s33：将三维网络模型降维成二维栅格模型；

17、s34：根据总代价估计，采用a*算法对二维栅格模型进行处理，得到初始最优路径轨迹。

18、进一步的，计算目标节点的总代价估计的公式为：

19、h(v)＝p(v)+hdnn(v)

20、其中，h(v)表示从起始节点经过当前节点v到目标节点的总代价估计，p(v)表示从起始节点到当前节点v的实际代价，hdnn(v)表示由dnn模型输出的当前节点v的预测启发式估计值。

21、进一步的，采用a*算法对二维栅格模型进行处理的过程包括：

22、s341：将二维栅格模型中的初始节点加入open集；

23、s342：在open集中选择总代价估计h(v)最小的节点v，并将其作为当前处理的节点；将节点v从open集中移除，并将其加入到已处理的close集中；

24、s343：若相邻节点在close集中，则忽略；若相邻节点不在open集中，则将其加入open集，并将当前节点v设置为相邻节点的父节点；

25、s344：若相邻节点已经在open集中，则检查通过当前节点v到达该相邻节点是否比之前找到的路径更优，如果是，则更新该相邻节点的父节点为v，并重新计算该相邻节点的总代价估计h(v)；

26、s345：重复步骤s342-s344，当目标节点加入open集时，表示找到最优路径，或当open集为空时表示无可行路径；

27、s346：从目标节点开始，沿着父节点链回溯至起点，生成初始最优路径轨迹。

28、优选的，对初始最优路径轨迹进行优化的过程包括：采用粒子群优化算法，以最小时间为优化目标对初始最优路径轨迹进行优化，得到最终的最优路径轨迹。

29、一种非规则曲面自动涂胶机器人轨迹规划系统，包括：曲面识别模块、数据处理模块、轨迹规划模块以及控制执行模块；

30、所述非规则曲面识别模块用于获取涂胶工件的三维点云数据；

31、所述数据处理模块用于处理三维点云数据并生成三维网格模型；

32、所述轨迹规划模块用于生成初始最优涂胶轨迹，并优化初始最优涂胶轨迹生成最终的最优路径轨迹；

33、所述控制执行模块用于根据最终的最优路径轨迹执行机器人涂胶控制指令。

34、本发明的有益效果为：本发明通过三维激光扫描仪对非规则曲面进行精确的三维模型重建，能够高效获取待加工工件的三维点云数据；通过引入自适应的三次b样条曲线插值方法，能够在复杂曲面上生成高平滑度的运动轨迹，采用深度学习优化的a*算法结合粒子群优化算法，进一步提升了涂胶轨迹的平滑度和效率；通过控制中心的实时反馈机制，实现对涂胶任务的精准控制和自动调整，提高了涂胶的平滑性和效率，减少了涂胶不均匀问题，确保了涂胶的精确性和高效实施。本发明不仅提高了生产效率，还显著提升了产品的一致性和质量，尤其适用于对涂胶精度要求较高的工业场景，如航空航天、汽车制造等领域。

技术特征：

1.一种非规则曲面自动涂胶机器人轨迹规划方法，其特征在于，包括：

2.根据权利要求1所述的一种非规则曲面自动涂胶机器人轨迹规划方法，其特征在于，得到点云三维网络模型的过程包括：使用三维激光扫描仪多视角的对待加工表面进行扫描，获取工件表面的关键坐标点，形成多视角的点云数据；对所有点云数据进行预处理，去除噪声和冗余点；将预处理后的多视角的点云数据进行对齐配准，生成完整的点云三维网格模型。

3.根据权利要求1所述的一种非规则曲面自动涂胶机器人轨迹规划方法，其特征在于，对点云三维网络模型进行插值处理的过程包括：采用自适应三次b样条曲线对三维模型进行插值处理，生成平滑的运动轨迹曲线，进而得到曲面平滑的三维网络模型；自适应三次b样条曲线的插值公式为：

4.根据权利要求1所述的一种非规则曲面自动涂胶机器人轨迹规划方法，其特征在于，采用深度学习优化的a*算法进行最短路径轨迹规划的过程包括：

5.根据权利要求4所述的一种非规则曲面自动涂胶机器人轨迹规划方法，其特征在于，计算目标节点的总代价估计的公式为：

6.根据权利要求4所述的一种非规则曲面自动涂胶机器人轨迹规划方法，其特征在于，采用a*算法对二维栅格模型进行处理的过程包括：

7.根据权利要求1所述的一种非规则曲面自动涂胶机器人轨迹规划方法，其特征在于，对初始最优路径轨迹进行优化的过程包括：采用粒子群优化算法，以最小时间为优化目标对初始最优路径轨迹进行优化，得到最终的最优路径轨迹。

8.一种非规则曲面自动涂胶机器人轨迹规划系统，该系统用于执行权利要求1～7任意一种非规则曲面自动涂胶机器人轨迹规划方法，其特征在于，包括：曲面识别模块、数据处理模块、轨迹规划模块以及控制执行模块；

技术总结本发明属于工业机器人领域，具体涉及一种非规则曲面自动涂胶机器人轨迹规划方法及系统；该方法包括：采用三维激光扫描仪扫描待加工工件，得到点云三维网络模型；对点云三维网络模型进行插值处理，得到曲面光滑的三维网络模型；根据曲面光滑的三维网络模型，采用深度学习优化的A*算法进行最短路径轨迹规划，得到初始最优路径轨迹；对初始最优路径轨迹进行优化，得到最终的最优路径轨迹；控制中心根据最终的最优路径轨迹指导机器人进行涂胶操作；本发明能够实现精准、高效涂胶，极大程度地提高了机器人的涂胶效率。技术研发人员：罗久飞,雷宇铖,李海青,禄盛,杨宝军,王贤福受保护的技术使用者：重庆邮电大学技术研发日：技术公布日：2024/11/18