本发明涉及钣金折弯加工，特别是一种基于svsdf的机器人辅助钣金折弯上下料路径规划方法。
背景技术：
1、在金属板材折弯过程中，随着工艺的进行，金属板材的形状会从简单变得复杂，通常会产生非凸几何形状。在机器人辅助折弯中，折弯机上下模具之间的狭窄空间，加上工件不断变化的非凸几何形状，增加了碰撞的风险。
2、机器人辅助折弯上下料任务的困难在于工件移动的空间狭窄和形状多变。效率和安全性在这项任务中至关重要，目前的路径规划方法主要侧重于减少路径长度，而对平衡物体运动的安全性和效率的研究较少。目前，现有的折弯上下料路径规划算法，如传统的快速探索随机树算法(rrt)，在使用过程中，还存在着如下方面的不足：
3、1)计算效率低、收敛速度慢和路径不够平滑。
4、2)现有算法要么过度简化了物体和环境的形状，要么使用离散采样来近似连续运动。简化形状的方法缩小了可用空间，无法在受限的上下模狭窄通道内生成平滑适中的运动轨迹。同时，离散采样法有可能失去碰撞检测功能，从而无法确保连续的无碰撞运动。
5、3)侧重于路径效率，而没有充分解决路径安全问题，缺少具体衡量路径安全性的指标。
技术实现思路
1、本发明要解决的技术问题是针对上述现有技术的不足，而提供一种基于svsdf的机器人辅助钣金折弯上下料路径规划方法，该基于svsdf的机器人辅助钣金折弯上下料路径规划方法基于svsdf定量路径安全准则，使用水循环算法进行多目标优化，平衡路径成本和与障碍物的安全距离，进而能平衡物体运动的安全性和效率。
2、为解决上述技术问题，本发明采用的技术方案是：
3、一种基于svsdf的机器人辅助钣金折弯上下料路径规划方法，包括如下步骤。
4、步骤1、构建二维像素坐标系：基于钣金折弯机的上下模具三维模型侧视图像二值化后构建二维地图平面，以二维地图平面的左上角为原点，过原点的两个相邻直角边分别为x轴和y轴，从而形成二维像素坐标系；将钣金件看作为一个移动物体，钣金件的折弯点视作为移动点，则钣金件的上下料运动路径包括若干个路径点，每个路径点均表示为(x,y,θ)；其中，(x,y)为钣金件在二维像素坐标系下的位置参数；θ为钣金件姿态角。
5、步骤2、获取钣金件上下料初始运动轨迹：采用rrt-connect算法，对钣金件的上下料运动路径进行初始规划，得到一条钣金件上下料初始运动轨迹；将初始规划重复npop次，进而得到npop条钣金件上下料初始运动轨迹。
6、步骤3、计算路径安全性path safety：从钣金折弯机的上模和下模中找出易于与钣金件折弯运动发生碰撞或小于安全距离的所有像素点，标记为感兴趣障碍物点；根据感兴趣障碍物点和钣金件上下料初始运动轨迹，并基于扫掠体积有符号距离场svsdf，计算每条钣金件上下料初始运动轨迹的path safety值。
7、步骤4、计算路径成本path cost：设任意一条钣金件上下料初始运动轨迹具有n个路径点，则path cost的具体计算公式为：
8、
9、式中，δxi和δyi为相邻两个路径点i和i+1的横、纵向位置参数差值；其中，1≤i≤n-1。
10、δθi为相邻两个路径点i和i+1的钣金件姿态角差值。
11、β为姿态角权重系数，为设定值；
12、步骤5、计算costt：计算第t条钣金件上下料初始运动轨迹的适应度值costt，其中，1≤t≤npop；则costt的计算公式为：
13、costt＝γ1path cost+γ2path safety
14、式中，γ1为成本权重系数，且1≤γ1≤1.5，为设定值。
15、γ2为安全权重系数，且1≤γ2≤1.5，为设定值。
16、步骤6、获取钣金件上下料最优运动轨迹：基于水循环算法wca，不断迭代优化并找出步骤5中npop个costt的最小值，并将最小costt所对应的钣金件上下料运动轨迹，作为钣金件上下料最优运动轨迹。
17、步骤2中，rrt-connect算法为改进同步偏置贪婪rrt-connect算法；改进同步偏置贪婪rrt-connect算法在对钣金件上下料运动路径进行初始规划时，采用自适应椭圆区域进行每个随机点的采样，并基于障碍物影响，进行每个搜索树节点的自适应增长。
18、步骤2中，采用自适应椭圆区域进行每个随机点采样的方法，包括如下步骤：
19、步骤2a-1、建立自适应椭圆区域：将钣金件上下料运动路径的起始点sstart(xstart,ystart,θstart)和目标点sgoal(xgoal,ygoal,θgoal)，作为自适应椭圆区域的两个焦点；将折弯机上模到下模的长度l作为自适应椭圆区域的短轴长度cshort，从而构建随起始点和目标点自适应变化的自适应椭圆区域。
20、步骤2a-2、构建单位圆：以步骤1中二维像素坐标系的原点为圆心，构建半径为1个像素的单位圆。
21、步骤2a-3、随机点拉伸：在单位圆内随机生成一个点(xc,yc,θrand)，并将其拉伸为自适应椭圆区域内的一个点(x,y,θrand)；其中，x和y的计算公式为：
22、
23、式中，clong为自适应椭圆区域的长轴长度，根据cshort和两个焦点间的焦距计算得到。
24、步骤2a-4、随机点旋转：根据自适应椭圆区域的两个焦点，将点(x,y,θrand)进行旋转，则旋转后点即为随机采样点srand(xrand,yrand,θrand)；其中，xrand和yrand的计算公式为：
25、
26、其中，r为旋转矩阵，其表达式为：
27、
28、式中，α为点(x,y,θrand)的旋转角度，具体计算公式为：
29、α＝arctan(|xstart-xgoal|/|ystart-ygoal|)。
30、步骤2中，每个搜索树节点的自适应增长方法，包括如下步骤：
31、步骤2b-1、计算无障碍物影响的搜索树节点拓展方向v0，具体计算公式为：
32、
33、式中，xnearest和ynearest为最靠近随机采样点srand的已生成树节点snearest的位置参数。
34、步骤2b-2、寻找影响新生成搜索树节点snew的障碍物总数量no：以随机采样点srand为中心，建立边长为设定像素a的正方形；将正方形与折弯机上模或下模相交的像素点总数量，记为影响新生成搜索树节点snew(xnew,ynew,θnew)的障碍物总数量no。
35、步骤2b-3、计算障碍物对snew的影响方向vobs，具体计算公式为：
36、
37、式中，xk和yk为第k个障碍物的像素坐标；其中，1≤k≤n0。
38、步骤2b-4、计算具有障碍物影响的搜索树节点拓展方向v，具体计算公式为：
39、v＝γ3v0+γ4vobs
40、其中：
41、γ3+γ4＝1
42、式中，γ3与γ4为设定的权重系数。
43、步骤2b-5、计算xnew和ynew：以距离srand最近的snearest为拓展起点，采取设定的等距离步长rp向v方向进行拓展；其中，xnew和ynew的具体计算公式为：
44、
45、步骤2b-5、计算θnew：以θnearest为起始值，采取设定的等角度步长ro向θrand进行拓展，具体计算公式为：
46、θnew＝ro(θrand-θnearest)+θnearest
47、式中，θnearest为最靠近随机采样点srand的已生成搜索树节点snearest的钣金件姿态角。
48、判断扩展过程是否发生碰撞，若发生碰撞则重新采样，若未发生碰撞将新节点snew加入搜索树。
49、步骤3中，路径安全性path safety的计算方法，具体包括如下步骤：
50、步骤3-1、计算扫掠体积：使用shape函数，对任意一条钣金件上下料初始运动轨迹，均计算从起始点sstart运动至目标点sgoal时所占据的总像素点，并记为扫掠体积。
51、步骤3-2、构建扫掠体积二值图像：使用map函数将步骤3-1获得的扫掠体积输入至空白的二维地图平面中并标记为黑色，从而形成扫掠体积二值图像。
52、步骤3-3、构建svsdf矩阵：对步骤3-2构建的扫掠体积二值图像中任意一个像素点坐标均计算至扫掠体积的svsdf值，从而形成svsdf矩阵。
53、步骤3-4、寻找感兴趣障碍物点：钣金折弯机的上模和下模为钣金件折弯运动中的障碍，从步骤1构建的二维地图平面中，找出上模和下模中易于与钣金件折弯运动发生碰撞或小于安全距离的所有像素点，标记为感兴趣障碍物点，并记录每个感兴趣障碍物点的像素坐标。
54、步骤3-5、获取感兴趣障碍物点的svsdf值：根据步骤3-4中感兴趣障碍物点的像素坐标，从步骤3-3构建的svsdf矩阵中，寻找对应svsdf值，从而获得每个感兴趣障碍物点的svsdf值。
55、步骤3-6、计算感兴趣障碍物点svsdf值的平均值average_sdf。
56、步骤3-7、利用正态分布，确定average_sdf的位置和概率密度值pdf_value。
57、步骤3-8、计算路径安全性path safety，具体为：path safety＝k×pdf_value；其中，k为量级调整系数。
58、步骤3-1中，第t条钣金件上下料初始运动轨迹包括n个路径点，分别为：起始点sstart、第二个路径点s2、第三个路径点s3、……、第i个路径点si、第n-2个路径点sn-2和目标点sgoal；其中，2≤i≤n-2；则路径点si的扫掠体积为：shape(si)。
59、步骤3-2中，第t条钣金件上下料初始运动轨迹的扫掠体积二值图像sv_map为：
60、
61、步骤3-3中，svsdf的计算公式为：
62、
63、式中，d(sv_map)是扫掠体积二值图像中任意一个像素点到扫掠体积最近一个像素点的距离，单位为像素。
64、为d(sv_map)的补码。
65、步骤3-4中，在寻找感兴趣障碍物点之前，先将钣金折弯机的上模和下模划分为狭窄区域和非狭窄区域；其中，狭窄区域是指上模底部突起到下模凹槽之间的区域；非狭窄区域是指除狭窄区域外的其他折弯移动区域；因而，感兴趣障碍物点包括狭窄区域感兴趣障碍物点和非狭窄区域感兴趣障碍物点。
66、狭窄区域感兴趣障碍物点包括位于狭窄区域内上模底部外边缘及外围一圈的像素点、以及位于狭窄区域内下模顶部外边缘及外围一圈的像素点。
67、非狭窄区域感兴趣障碍物点包括位于非狭窄区域内易于与钣金件发生碰撞的上模或下模外边缘像素点。
68、步骤3-6中，average_sdf包括狭窄区域感兴趣障碍物点svsdf平均值average_sdf1和非狭窄区域感兴趣障碍物点svsdf平均值average_sdf2。
69、步骤3-7中，pdf_value包括狭窄区域概率密度值pdf_value_narrow和非狭窄区域概率密度值pdf_value__nonnarrow，具体计算公式为：
70、
71、式中，μ1为狭窄区域的期望安全距离，为设定值。
72、μ2为非狭窄区域的期望安全距离，为设定值。
73、σ1为狭窄区域内感兴趣障碍物点svsdf值对应正态分布曲线的宽度调整值，为设定值；
74、σ2为非狭窄区域内感兴趣障碍物点svsdf值对应正态分布曲线的宽度调整值，为设定值。
75、本发明具有如下有益效果：本发明通过同步偏置贪婪策略、自适应椭圆区域采样和自适应节点增长解决了rrt-connect算法容易受低值区域吸引、收敛速度不稳定的问题。这种改进分别将迭代次数和搜索时间减少了51.91％和67.6％。其次，我们引入了一种基于工件运动扫掠体积符号距离场(svsdf)的定量路径安全准则。使用水循环算法(wca)进行多目标优化，平衡路径成本和与障碍物的安全距离。实验结果表明，该方法适用于不同复杂度的工件。最后，在基于数字孪生的仿真平台和物理实体上验证了路径的有效性。
1.一种基于svsdf的机器人辅助钣金折弯上下料路径规划方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的基于svsdf的机器人辅助钣金折弯上下料路径规划方法，其特征在于：步骤2中，rrt-connect算法为改进同步偏置贪婪rrt-connect算法；改进同步偏置贪婪rrt-connect算法在对钣金件上下料运动路径进行初始规划时，采用自适应椭圆区域进行随机点的采样，并基于障碍物影响，进行每个树节点的自适应增长。
3.根据权利要求2所述的基于svsdf的机器人辅助钣金折弯上下料路径规划方法，其特征在于：步骤2中，采用自适应椭圆区域进行每个随机点采样的方法，包括如下步骤：
4.根据权利要求3所述的基于svsdf的机器人辅助钣金折弯上下料路径规划方法，其特征在于：步骤2中，每个搜索树节点的自适应增长方法，包括如下步骤：
5.根据权利要求1所述的基于svsdf的机器人辅助钣金折弯上下料路径规划方法，其特征在于：步骤3中，路径安全性path safety的计算方法，具体包括如下步骤：
6.根据权利要求5所述的基于svsdf的机器人辅助钣金折弯上下料路径规划方法，其特征在于：步骤3-1中，第t条钣金件上下料初始运动轨迹包括n个路径点，分别为：起始点sstart、第二个路径点s2、第三个路径点s3、……、第i个路径点si、第n-2个路径点sn-2和目标点sgoal；其中，2≤i≤n-2；则钣金件在路径点si时占据的像素点为：shape(si)。
7.根据权利要求6所述的基于svsdf的机器人辅助钣金折弯上下料路径规划方法，其特征在于：步骤3-2中，第t条钣金件上下料初始运动轨迹的扫掠体积二值图像sv_map为：
8.根据权利要求7所述的基于svsdf的机器人辅助钣金折弯上下料路径规划方法，其特征在于：步骤3-3中，svsdf的计算公式为：
9.根据权利要求7所述的基于svsdf的机器人辅助钣金折弯上下料路径规划方法，其特征在于：步骤3-4中，在寻找感兴趣障碍物点之前，先将钣金折弯机的上模和下模划分为狭窄区域和非狭窄区域；其中，狭窄区域是指上模底部突起到下模凹槽之间的区域；非狭窄区域是指除狭窄区域外的其他折弯移动区域；因而，感兴趣障碍物点包括狭窄区域感兴趣障碍物点和非狭窄区域感兴趣障碍物点；
10.根据权利要求9所述的基于svsdf的机器人辅助钣金折弯上下料路径规划方法，其特征在于：步骤3-6中，average_sdf包括狭窄区域感兴趣障碍物点svsdf平均值average_sdf1和非狭窄区域感兴趣障碍物点svsdf平均值average_sdf2；
