机械臂目标抓捕学习笔记【1】

基于概率量度的机械臂视觉伺服目标捕获运动规划方法

目录

  • 基于概率量度的机械臂视觉伺服目标捕获运动规划方法
    • 期望轨迹序列
    • 状态转移函数
    • 系统测量值
    • 模型线性化
    • 卡尔曼滤波状态估计
    • 代价函数-闭环反馈
    • 轨迹误差方差
    • 误差几何化表示
    • 到达概率计算

参考文献:《[1]祁若龙,邵健铎,张珂等.基于概率量度的机械臂视觉伺服目标捕获运动规划方法[J].吉林大学学报(工学版),2020,50(06):2044-2054.DOI:10.13229/j.cnki.jdxbgxb20190720.》

在这里插入图片描述

期望轨迹序列

机器人轨迹 Π序列表示为系统预定义状态、控制输入:
在这里插入图片描述
其中 l l l为整条预定义轨迹的周期数,在这里插入图片描述

状态转移函数

下个周期的系统状态是当前系统状态、指令输入和运动误差的函数:
在这里插入图片描述
在这里插入图片描述

系统测量值

当机器人运动系统存在过程噪声,希望通过外部测量或机器人自身携带的传感器形成运动反馈时,测量值只与两个因素相关:一个是机器人系统状态;另一个是测量系统本身的观测噪声。写成函数的形式为:
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

模型线性化

针对离散化周期系统,对模型型(2、3)利用一阶 Taylor展开。

在式(2)的预定义轨迹点( x t − 1 ∗ x_{t-1}^{*} xt1, u t − 1 ∗ u_{t-1}^{*} ut1)处进行线性化, m t m_t mt在0处展开,则有:
在这里插入图片描述

在式(3)的预定义轨迹点( x t ∗ x_{t}^{*} xt)处进行线性化, n t n_t nt在0处展开,则有:
在这里插入图片描述

对上式整理可以得到:
在这里插入图片描述

卡尔曼滤波状态估计

在这里插入图片描述

代价函数-闭环反馈

闭环反馈的目的是使实际轨迹与预定义轨迹之间的偏移量最小:

线性二次型(LQR)最优解具备求解过程的规范化,可简单地采用状态线性反馈控制律构成闭环最优控制系统,兼顾系统状态和输入指标。求解过程可以表示为:
在这里插入图片描述
在这里插入图片描述

轨迹误差方差

结合式(8)和(17),可得:
u t = L t x ~ t + u t ∗ x t = x ‾ t + x t ∗ u_{t}=L_{t}\tilde{x}_{t}+u_{t}^{*} \\ x_{t}= \overline{x}_{t}+x_{t}^{*} ut=Ltx~t+utxt=xt+xt
进一步可整理为:
在这里插入图片描述
在这里插入图片描述
通过式(21)~(23)对整个轨迹过程的各中断周期内的系统状态进行估计。

将式(9、17)代入式(12),得到:
在这里插入图片描述
将式(6、7、9)代入式(24),转化为:
在这里插入图片描述
将式(17)代入式(6)得:
在这里插入图片描述
在这里插入图片描述
系统状态的初始方差 R 0 R_0 R0 可以设置为一个较大的初始值,这个初始值会随着系统状态估计迅速收敛到正常的估计值范围。

误差几何化表示

为了得到机械臂关节、末端的误差分布,将关节空间的协方差向笛卡尔空间映射,得到机械臂在笛卡尔空间下的误差特性。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
其中 V k i V_k^i Vki是特征值, D k i D_k^i Dki是特征矢量。
在这里插入图片描述
在这里插入图片描述

到达概率计算

在定义机器人运动的目标位置时会给出到达目的点的允许误差,例如:x_{goal} ± h。其中,x_{goal} 为目标位置,h 为允许的误差范围。

在三维空间中,机器人运动的目标区域范围可以看作是立方体,需要计算立方体的 6 个面与空间方差椭球之间的相关关系。
在这里插入图片描述
首先,只考虑概率分布 x t ∣ t − 1 x_{t|t - 1} xtt1与第一个立方体平面约束 S_1 方程 a 1 T x < b 1 a_1^T x < b_1 a1Tx<b1范围内的概率分布和方差椭球缩放情况。

平面方程写成向量形式为 a 1 T x = b 1 a_1^T x = b_1 a1Tx=b1,其中 a 1 a_1 a1 为首个约束平面的法向单位矢量, b 1 b_1 b1 为平面方程的常量参数。

为了能将三维概率椭球投影到一维空间进行正态分布概率计算,逐个采用约束平面,对分布为 x t ∣ t − 1 ∼ N ( x ^ k ∣ k − 1 , P k ∣ k − 1 ) x_{t|t - 1} \sim N(\hat{x}_{k|k - 1},P_{k|k - 1}) xtt1N(x^kk1,Pkk1)的概率椭圆(或椭球)进行剖分,并向一维空间投影得到正态分布,从而在一维空间下,进行满足限定约束条件的正态分布的概率计算,其计算方法示意图如图 3 所示。
在这里插入图片描述
在这里插入图片描述

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/692710.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

直接查看电脑几核芯几线程的方法

之前查看电脑几核芯几线程时都是点击 此电脑->属性->设备管理器->处理器 但是这样并不能判断是否有多线程 譬如这里&#xff0c;是2核芯2线程还是4核芯&#xff1f; 实际上&#xff0c;打开任务管理器后点击性能查看核芯线程数即可 所以示例这台电脑是4核芯而不是2…

鸿蒙实战:ArkTs 开发一个鸿蒙应用

学习过的 ArkTs 知识点&#xff0c;一步一步开发一个小的鸿蒙应用示例&#xff0c;涉及到 ArkTs 语法、注解 Entry 、 Component、state、路由、生命周期、Prop、 Link 、常用组件的使用等等知识点。 要开发一个鸿蒙应用&#xff0c;首先我们需要知道 系统是如何找到页面的启…

仪表板展示|DataEase看中国:历年研究生报考数据分析

背景介绍 在信息时代的浪潮中&#xff0c;研究生教育作为培养高层次专业人才的重要通道&#xff0c;不断吸引着广大毕业生和在职人士的关注。今天我们结合2018年&#xff5e;2024年的研究生报考数据&#xff0c;以数字为镜&#xff0c;深入了解近年来研究生培养态势。 本文将…

YOLOv8改进 | 进阶实战篇 | 利用辅助超推理算法SAHI推理让小目标无所谓遁形(支持视频和图片)

欢迎大家订阅我的专栏一起学习YOLO! 一、本文介绍 本文给大家带来的是进阶实战篇,利用辅助超推理算法SAHI进行推理,同时官方提供的版本中支持视频,我将其进行改造后不仅支持视频同时支持图片的推理方式,SAHI主要的推理场景是针对于小目标检测(检测物体较大的不适用,…

IP详细地理位置查询:技术原理与应用实践

IP地址是互联网上设备的唯一标识&#xff0c;在网络安全、个性化服务等领域具有重要意义。通过IP详细地理位置查询&#xff0c;可以获取到IP地址所在地的具体信息&#xff0c;为网络管理、定位服务等提供支持。IP数据云将深入探讨IP详细地理位置查询的技术原理、应用实践以及相…

Linux——进程替换

&#x1f4d8;北尘_&#xff1a;个人主页 &#x1f30e;个人专栏:《Linux操作系统》《经典算法试题 》《C》 《数据结构与算法》 ☀️走在路上&#xff0c;不忘来时的初心 文章目录 一、进程程序替换1、替换原理2、替换函数3、函数解释4、命名理解 二、用例测试1、execl测试2、…

Hive中几种常见的表

Hive的表类型主要有&#xff1a;内部表&#xff08;受控表/管理表&#xff09;、外部表、临时表、分区表、分桶表。 1. 内部表&#xff08;管理表&#xff09; 默认创建的表都是管理表/内部表&#xff0c;表数据默认存储在warehouse目录中&#xff0c;在加载数据的过程中&…

GB 23864-2023 防火封堵材料检测

防火封堵材料是指具有防火&#xff0c;防烟功能&#xff0c;用于密封或填塞建筑物、构筑物以及各类设施中的贯穿孔洞、环形缝隙及建筑缝隙&#xff0c;便于更换且符合有关性能要求的材料。 GB 23864-2023 柔性有机堵料等防火封堵料的理化性能&#xff1a; 测试项目 测试方法 …

【PX4-AutoPilot教程-TIPS】Gazebo仿真环境昏暗的解决办法即Ubuntu系统安装NVIDIA显卡驱动方法

Gazebo仿真环境昏暗的解决办法即Ubuntu系统安装NVIDIA显卡驱动方法 分析原因手动安装方法&#xff08;推荐&#xff09;自动安装方法检查是否安装成功Gazebo仿真环境前后对比 分析原因 具体原因为&#xff1a;大多数情况是因为显卡性能不足&#xff0c;Gazebo自动关闭了灯光和…

说一下JVM创建对象的流程?

一、类加载检查。 在实例化一个对象的时候&#xff0c;JVM 首先会去检查目标对象是否已经被加载并初始化了。如果没有&#xff0c;JVM 需要立刻去加载目标类&#xff0c;然后调用目标类的构造器完成初始化。然后初始化的过程&#xff0c;主要是对目标类里面的静态变量、成员变…

【CANoe示例分析】EthernetTC8Test

1、工程路径 C:\Users\Public\Documents\Vector\CANoe\Sample Configurations 15.3.89\Ethernet\Test\EthernetTC8Test 在CANoe软件上也可以打开此工程:File|Help|Sample Configurations|Ethernet Testing|TC8Test(Ethernet) 2、示例目的 TC8示例是作者本人使用最多的CANo…

三、滑动窗口问题

3、无重复字符的最长子串&#xff08;中等&#xff09; 题目描述 给定一个字符串 s &#xff0c;请你找出其中不含有重复字符的 最长子串 的长度。 示例 1: 输入: s “abcabcbb” 输出: 3 解释: 因为无重复字符的最长子串是 “abc”&#xff0c;所以其长度为 3。 示例 2: 输…

代码随想录day26--贪心基础

什么是贪心 贪心的本质是选择每一阶段的局部最优&#xff0c;从而达到全局最优 举个例子&#xff1a; 有一堆钞票&#xff0c;可以拿走十张&#xff0c;如果想要达到最大的金额&#xff0c;应该怎么拿&#xff1f; 指定每次拿最大的&#xff0c;最终结果就是拿走最大数额的…

计算机视觉发展的方向和潜在机会

计算机视觉发展的方向 文章目录 计算机视觉发展的方向计算机视觉发展的方向潜在机会 计算机视觉发展的方向 未来计算机视觉发展的方向可能包括以下几个方面&#xff1a; 深度学习和神经网络&#xff1a;深度学习已经成为计算机视觉领域的重要技术&#xff0c;未来将继续深入研…

MySQL安装、配置与卸载教程(Windows版)

MySQL是一个关系型数据库管理系统&#xff0c;目前为Oracle旗下产品&#xff0c;它具有开源、体积小、速度快的优点&#xff0c;许多网站使用的都是MySQL数据库。 简单而言&#xff0c;MySQL数据库核心功能就是用来存储数据的。 MySQL数据库分为社区版和商业版&#xff0c;这…

idea将文件加入到SVN

文件右键Subversion->Add to Vcs Settings->Version Control->Confirmation 勾上Add silently ,每次自动添加就不用一个个加了

计算机视觉学习指南(划分为20个大类)

计算机视觉的知识领域广泛而庞杂&#xff0c;涵盖了众多重要的方向和技术。为了更好地组织这些知识&#xff0c;我们需要遵循无交叉无重复&#xff08;Mutually Exclusive Collectively Exhaustive&#xff0c;MECE&#xff09;的原则&#xff0c;并采用循序渐进的方式进行分类…

ajax 如何从服务器上获取数据?

在Web开发中&#xff0c;AJAX&#xff08;Asynchronous JavaScript and XML&#xff09;是一种常用的技术&#xff0c;用于在不重新加载整个页面的情况下&#xff0c;从服务器获取数据并更新网页的某一部分。使用AJAX&#xff0c;你可以创建异步请求&#xff0c;从而提供更快的…

文件上传漏洞--Upload-labs--Pass02--Content-Type绕过

一、什么是 Content-Type 我们在上传文件时利用 Burpsuite 进行抓包&#xff0c;如下图所示&#xff1a; 上传文件后台的源代码可能会对 Content-Type 进行规定&#xff0c;设置白名单 或 黑名单&#xff0c;这时就要利用Content-Type绕过上传含有恶意代码的 php文件。 二、代…

lscpu命令详解

文章目录 前言lscpu 命令详解命令1\. 查看物理 CPU 个数2\. 查看每个物理 CPU 核数3\. 查看总线程数4\. 查看内存信息5\. 查看 linux 系统版本 前言 Linux 系统查看系统相关信息方法很多&#xff0c;以下详细介绍 lscpu 命令&#xff0c;以及其它相关命令。 lscpu 命令详解 …