UN ALGORITHME D'AUTO-APPRENTISSAGE DE LA VITESSE POUR UNE PLANIFICATION DE TRAJECTOIRE OPTIMALE EN TEMPS LE LONG DU CHEMIN ENTIÈREMENT SPÉCIFIÉ – PARTIE 1
DOI :
https://doi.org/10.59277/RRST-EE.2025.1.19Mots-clés :
Robot de manutention industrielle, Auto-apprentissage de la vitesse, Interpolation Hermite, Trajectoire de correction, Couple articulaire réelRésumé
Pour répondre au problème d'incertitude du modèle de dynamique du système lors de la planification de trajectoires optimales en temps pour les robots de manutention industriels, une nouvelle méthode de planification de trajectoires optimales en temps, sans modèle et auto-apprenante en ligne, est proposée. Dans un premier temps, des contraintes cinématiques hors ligne et l'algorithme d'interpolation Hermite sont utilisés pour obtenir la courbe de vitesse spline optimale sous contraintes cinématiques. Ensuite, les données de trajectoire en ligne du fonctionnement du robot sont collectées, et la méthode de génération de trajectoire utilisant une stratégie d'auto-apprentissage est employée pour affiner la trajectoire de manière itérative, ce qui aboutit à une trajectoire optimale en temps sous contraintes dynamiques réelles. Enfin, en utilisant le robot coopératif ur5e et le robot industriel ABB IRB9670-235 comme plateforme expérimentale, des expériences vérifient l'efficacité et l'efficience de la méthode proposée.
Références
(1) H. Pham, Q.C. Pham, A new approach to time-optimal path parameterization based on reachability analysis, IEEE Transactions on Robotics, 34, 3, pp. 645–659 (2018).
(2) E. Barnett, C. Gosselin, A bisection algorithm for time-optimal trajectory planning along fully specified paths, IEEE Transactions on Robotics, 37, 1, pp. 131–145 (2020).
(3) K. Shin, N. Mckay, Minimum-time control of robotic manipulators with geometric path constraints, IEEE Transactions on Automatic Control, 30, 6, pp. 531–541 (1985).
(4) J.A. Rojas-Quintero, F. Dubois, H.C. Ramírez-De-Ávila, Riemannian formulation of Pontryagin’s maximum principle for the optimal control of robotic manipulators, Mathematics, 10, 7, pp. 1117–1128 (2022).
(5) K. Shin, N. McKay, A dynamic programming approach to trajectory planning of robotic manipulators, IEEE Transactions on Automatic Control, 31, 6, pp. 491–500 (1986).
(6) S. Singh, M. Leu, Optimal trajectory generation for robotic manipulators using dynamic programming, J. Dyn. Syst. Meas. Control, 109, 2, pp. 88–96 (1987).
(7) Q.C. Pham, A general, fast, and robust implementation of the time-optimal path parameterization algorithm, IEEE Transactions on Robotics, 30, 6, pp. 1533–1540 (2014).
(8) D. Verscheure, B. Demeulenaere, J. Swevers et al., Time-optimal path tracking for robots: A convex optimization approach, IEEE Transactions on Automatic Control, 54, 10, pp. 2318–2327 (2009).
(9) Z. Kingston, M. Moll, L.E. Kavraki, Sampling-based methods for motion planning with constraints, Annual review of control, robotics, and autonomous systems, 1, 1, pp. 159–185 (2018).
(10) F. Debrouwere, W.V. Loock, G. Pipeleers et al., Time-optimal path following for robots with convex–concave constraints using sequential convex programming, IEEE Transactions on Robotics, 29, 6, pp. 1485–1495 (2013).
(11) A. Tharwat, M. Elhoseny, A.E. Hassanien et al., Intelligent Bézier curve-based path planning model using chaotic particle swarm optimization algorithm, Cluster Computing, 22, 4, pp. 1–22(2019).
(12) L. Zhang, Y. Wang, X. Zaho et al., Time-optimal trajectory planning of serial manipulator based on adaptive cuckoo search algorithm, J. of Mechanical Science and Technology, 35, 7, pp. 3171–3181 (2021).
(13) A. Steinhauser, J. Swevers, An efficient iterative learning approach to time-optimal path tracking for industrial robots, IEEE Transactions on Industrial Informatics, 14, 11, pp. 5200–5207 (2018).
(14) L. Yu, X. Shao, Y. Wei, K. Zhou, Intelligent land-vehicle model transfer trajectory planning method based on deep reinforcement learning, Sensors, 18, 9, pp. 2905 (2018).
(15) X. Lei, Z. Zhang, P. Dong, Dynamic path planning of unknown environment based on deep reinforcement learning, J. of Robotics (2018).
(16) S. Levine, P. Pastor, A. Krizhevsky, J. Ibarz, D. Quillen, Learning hand-eye coordination for robotic grasping with deep learning and large-scale data collection, The International Journal of Robotics Research, 37, 4-5, pp. 421–436 (2018).
(17) K. Chatzilygeroudis, R. Rama, R. Kaushik, D. Goepp, V. Vassiliades, J.B. Mouret, Black-box data-efficient policy search for robotics, 2017 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), IEEE, pp. 51–58 (2017).
(18) 18. S.A. Khader, H. Yin, P. Falco et al., Data-efficient model learning and prediction for contact-rich manipulation tasks, IEEE Robotics and Automation Letters, 5, 3, pp. 4321–4328 (2020)
Téléchargements
Publiée
Numéro
Rubrique
Licence
(c) Copyright REVUE ROUMAINE DES SCIENCES TECHNIQUES — SÉRIE ÉLECTROTECHNIQUE ET ÉNERGÉTIQUE 2025
Ce travail est disponible sous licence Creative Commons Attribution - Pas d'Utilisation Commerciale - Pas de Modification 4.0 International.
