.png){kind=icon}
返回
Robotic trajectory optimization for dynamic obstacle avoidance enabled by a segmented dynamic movement primitives method
.png){kind=icon}
PRE
AI
DOI：10.1007/s00170-026-18694-2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
动态运动基元（DMP）模型是一种显式直观的方法，使机器人能够通过模仿人类演示动作有效获取新技能。然而，它缺乏足够的适应性以动态避开现实工业场景中频繁出现的障碍物。为解决此挑战，本文提出了一种新颖的分段DMP方法（即IRG-DMP），通过整合新的分段策略、改进的Informed RRT*算法和增强的遗传算法（GA）。该方法的主要贡献如下：(1) 将分段策略融入DMP以提高其动态避障适应性。此外，开发了一种Informed RRT*算法，用于在动态障碍物周围生成有效的候选分段点，从而促进后续优化过程以识别最优分段点。(2) 采用增强的GA创建最优集成再生轨迹，实现多目标优化：学习演示轨迹的主要特征、实现高效避障能力以及达成轨迹平滑性。一系列验证实验展示了IRG-DMP方法相较于基准RRT-DMP和APF-DMP方法的优越性能。使用UR5机器人进行废旧电池螺钉拆卸的案例研究，展示了其在工业场景中的应用性。最后，对分段点选择策略和优化标准进行了讨论，以进一步阐述所提出的IRG-DMP方法的精细调整过程。设计了一种新颖的分段动态运动基元（DMP）方法以动态避障。将分段策略融入DMP以提高其避障适应性。采用Informed RRT*算法和遗传算法识别合适的分段点。
Keyword:
Dynamic movement primitives (DMP)
Segmentation strategy
Genetic algorithm (GA)
Learning from demonstration (LfD)
期刊
IF:
3.1
论文数:
2.0K
被引数:
6.4W
机构
暂无机构信息
引用论文
Robots Adapting to the Environment: A Review on the Fusion of Dynamic Movement Primitives and Artificial Potential Fields.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Transformation of industrial robotics with natural language models: Recent progress and future prospects工业机器人与自然语言模型的融合：最新进展与未来展望
OAAI
OAAI分享收藏A Motion Planning Method for Robots Based on DMPs and Modified Obstacle-Avoiding Algorithm基于DMPs和改进避障算法的机器人运动规划方法
PREAI
分享收藏Reconstructing physics-informed machine learning for traffic flow modeling: a multi-gradient descent and pareto learning approach基于多梯度下降和帕累托学习方法的物理信息机器学习方法重构：交通流建模
PREAI
分享收藏Improved Gaussian mixture model and Gaussian mixture regression for learning from demonstration based on Gaussian noise scattering基于高斯噪声散射的改进高斯混合模型和高斯混合回归的演示学习
PREAI
分享收藏
查看更多内容