Рис. 2.3 Пути строятся из 2 точек.

Пример псевдо-кода для алгоритма RSC, предложенный в [11]:

Любому узлу в дереве RSC соответствует размещение некоторого объекта . Размещение может быть определено с помощью трёх конфигураций робота:,,.

- конфигурация робота для осуществления захвата объекта .

и - конфигурации дляосуществления захвата в начальном и конечном состояниях соответсвенно. Так как должен быть размещён сразу после , то нам известно .

PlanGrasp,PlanManipulationиPlanNavigation - тривызоваалгоритма планировщика движения, используемые для выбора ,, а также для отбора ,и ,, по которым будут соединены эти пути.

Глава 3. Результаты программной реализации

На языке JavaScriptразработано ПО,которое реализует перемещение и манипуляцию роботас помощью рассмотренного алгоритма построения траектории. В данной главе приведены результаты работы данного ПО.

На сцене представлены 5 объектов, 4 из которых можно двигать.

Целевая конфигурация -объект зелёного цвета должен находиться за рамкой.

Рис. 3.1 Робот перемещает конец второго звена (положение эффектора) к первому выбранному для перемещения объекту.

Рис. 3.2 Переместив первое препятсвие, переход на путь к следующему выбранному для перемещения объекту.

Рис. 3.3 Робот освобождает простраство для перемещения целевого объекта.

Рис. 3.4 Осуществляется захват целевого объекта и перемещение в его конечную позицию.

На таблице представлены результаты среднего общего времени планирования T в секундах, а такжесреднего времени, потребовавшегося на каждую отдельную операцию алгоритма RSC: , , - время на отбор путей для операций,, захватаи размещения соответственно,-время на построение путей с помощью RRT-Connect, - время планирования пространства.

Выводы

- Представлена система сортировки пространства путей для двухзвенного манипулятора, оперирующего в детерминированной среде с перемещаемыми препятсвиями.

- Исследован и программно реализован рассмотренный алгоритм.

Заключение

Алгоритмы машинного обучения всё шире применяются в задачах автоматизации, показывая значительные результаты как на математических, так и на реальных моделях, повышая точность и качество исполнения. Складывается тенденция всё большего вовлечения автоматизированных роботов как в производственные, так и в сервисные процессы, обуславливающая меньшие затраты и риски, связанные с участием человека.

Дальнейшие разработки и оптимизация методов, с помощью которых робот может действовать независимо в режиме реального времени, с минимальными затратами на планирование и принятие решений - действительно актуальные задачи. Работа в данной области - одно из важнейших направлений, ведущих к реализации полноценно автономных и многофункциональных аппаратов, безусловно повышающих уровень качества жизни их создателей.

Списоклитературы

1.Brost R.C. Automatic Grasp Planning in the Presence of Uncertainty // IJRR. 1998. Vol. 7, No. 1.

2. Dogar M., Srinivasa S. Push-Grasping with Dexterous Hands: Mechanics and a Method // IROS. 2010.

3. Dogar M.R., Srinivasa S.S. A Framework for Push-Grasping in Clutter / RSS.2011.

4.Sucan I.A., Moll M., Kavraki L.E. The Open Motion Planning Library // RAM. 2012. Vol. 19, No. 4.

5.Рутковский В.Ю., Суханов В.М., Глумов В.М. Уравнения движения и управление свободнолетающим космическим манипуляционным роботом в режиме реконфигурации // Автоматика и телемеханика. 2010. №1.

6. Okada K., Haneda A., Nakai H., Inaba M., Inoue H. Environment Manipulation Planner for Humanoid Robots Using Task Graph That Generates Action Sequence // IROS.2004.

7. Ota J. Rearrangement of Multiple Movable Objects: Integration of global and Local Planning Methodology // ICRA. 2004. Vol. 2.

8. J. James J. Kuffner and S. M. LaValle, RRT-Connect: An Efficient Approach to Single-Query Path Planning, in ICRA, 2000.

9. Miikkulainen R., Valsalam V.K., Hiller J., MacCurdy R., Lipson H. Constructing Controllers for Physical Multilegged Robots using the ENSO Neuroevolution Approach // Evolutionary Intelligence. 2012. Vol. 5, No. 1. P. 45-56.

10. Stilman M., Kuffner J. Navigation Among Movable Obstacles: Real-Time Reasoning in Complex Environments // Humanoids. 2004.

11. Stilman M., Schamburek J.-U., Kuffner J., Asfour T. Manipulation Planning Among Movable Obstacles // ICRA. 2007.

12. van den Berg J., Stilman M., Kuffner J., Lin M., Manocha D. Path Planning among Movable Obstacles: A Probabilistically Complete Approach // WAFR. 2008

13. Е.А. Энгель“Интеллектуальная система управления манипуляционным роботом” 2014.