防撞车出租， 从化防撞车出租， 清远防撞车出租    防撞车机械臂进行目标追踪和避障测试实验验证及分析    把改进的黎曼运动策略和多种算法进行实验对比，并从多个角度考量算法的性能。在线运动规划对机械臂灵活度要求高，且一般面向人机交互场景，因此实验选取KINOVA Gen3 七自由度机械臂为平台，它比 UR5 多一个冗余的自由度且更加轻巧灵活。  选取一些经典的算法与改进黎曼运动策略对比，所有参加对比的算法如下：

     1)  改进黎曼运动策略（New-RMP）对原算法的几何动力系统部分做了改进。 

     2)  黎曼运动策略（RMP:与改进的算法相比，在避障任务的设计中将势场导函数的缩小因子删除。目标追踪任务与第五节中的设计相同。 

     3)  改进人工势场法（New-PF）：在经典人工势场法的基础上的改进，我们使用黎曼运动策略的框架来实现该算法，但是将避障任务中的度量矩阵改成恒定值：G(x) IPFoow ， 0ow  用来手动调整权重。同样的，目标追踪任务使用G(x) IPF a aw ， 0aw  用来手动调整权重。使用和 RMP 相同的势场函数。由于 New-PF 度量矩阵不能根据位置和速度改变，导致系统无法有效地权衡相互矛盾的各任务，造成更多的碰撞和不稳定性。因此，我们先对目标追踪任务选取一个较大的权重 ，以保证朝算法的整体运行速度，再对避障任务的权重分别选取较低、中等、较大三个档位，并分别记为 New-PF-low，New-PF-med，New-PF-high。 

    4)  非线性变化势场（PF-nonlinear）：在 RMP 的基础上，将各任务恒定的任务权重进修改。对于避障任务的权重，即只考虑根据位置非线性变化。在目标追踪任务中即不对空间进行拉伸操作。但我们忽略了由 g(x)产生的曲率项，以匹配经典的操作空间控制的中的方法。 

    防撞车出租， 从化防撞车出租， 清远防撞车出租   www.denggaochechuzu.com/

     实验环境和方式： 本文先在仿真环境中对各算法进行对比，最后将 New-RMP 进行了实物验证。算法运算平台为搭载酷睿  i7-11700 CPU，内存 16G，装有 Ubuntu20.04 的计算机。在 PyBullet仿真环境中随机生成 5 个类似环境，每个环境含有大小不一的 5 个障碍物和 20个随机采样的目标位置，每个目标位置环绕机器人之间都含有障碍物。在机械臂每两个关节坐标之间均匀取 7 个控制点。实验中，机械臂上各控制点的位置由正运动学计算获取，控制点与障碍物的距离使用 PyBullet 提供的接口函数获取，各个任务空间之间的映射函数的雅可比矩阵则使用TensorFlow 中提供的自动微分工具计算。让所有的算法都在这 5 个环境中运行 20 次（每次对应一个目标点），即每个算法共运行 100 次。 

    实验结果和分析： 统计所有算法的指标并绘制成图 。为了方便直观的对比，我们将统计结果等比例缩放，其他所有算法的指标均以 New-RMP 的指标为基准显示。 New-PF 算法的碰撞密度随着避障权重的增高而降低，但以牺牲算法效率和目标完成度为代价。PF-nonlinear和 New-PF-low 看似具有较好运行效率，但碰撞密度很高，说明是靠穿透障碍物从而直接到达目标点实现的，显然没有意义。RMP 和 New-RMP 的碰撞次数都为 0，但 New-RMP 具有比 RMP 更高的算法效率和更好的目标完成度，原因是 New-RMP 通过对势场函数的改进，使得避障时减少了陷入局部极小值的可能性，并且当目标点离障碍物很近时，这种改进可以使得最终收敛点更接近目标点。综上所述，New-RMP 具有最优的综合性能，且表现稳定。 

     将 New-RMP 在 KINOVA Gen3 机械臂实物上进行目标追踪和避障测试，实物与计算机之间使用 RS485 通讯，并使用 ROS 系统对其发送每个时刻的速度指令（通过加速度的积分获得）。不考虑视觉信息，而是在仿真环境中添加与实物环境相同的障碍物和目标点。目标点起初不移动，而当机械臂跨越障碍物即将到达目标点时，目标点开始移动，移动情况在图中显示。机械臂再次跨越障碍物追踪目标，并最终到达目标点。实验表明 New-RMP 算法具有良好的在线避障和目标追踪性能。 

      防撞车出租， 从化防撞车出租， 清远防撞车出租