مسيريابي روبات بازويي با استفاده از برنامه ريزي غيرخطي عدد صحيح مختلط

Path Planning of Manipulator Robots using Mixed Integer Nonlinear Programming

در اين مقاله، روشي براي برنامه‌ريزي حركت روبات بازويي مسطح در محيط با مانع با استفاده از مدل سازي رياضي ارايه شده است، به طوري كه حين حركت روبات از پيكربندي اوليه به سمت نقطه هدف، لينك هاي آن با موانع برخورد نداشته باشند. پس از ساختن فضاي كاري، كوتاه‌ترين مسير حركت از نقطه اوليه عمل كننده نهايي به هدف مورد نظر، به كمك گراف ديدنگار تعميم يافته، ايجاد شده و به نقاط زيرهدف تقسيم مي شود كه بايد به ترتيب توسط عمل كننده نهايي پيموده شوند. سپس يك مدل رياضي از نوع برنامه ريزي غيرخطي عدد صحيح مختلط (MINLP) با در نظر گرفتن تابع هدف كمينه سازي، فاصله عمل كننده نهايي تا زيرهدف ها به صورت متوالي حل شده و زاويه هر لينك به گونه اي تعيين مي‌شود كه لينك‌ها در موانع قرار نگيرند. براي بالا بردن ضريب ايمني در برخورد با موانع، محيط موانع با افزودن حاشيه اي بزرگ‌تر در نظر گرفته مي‌شوند. همچنين روش ذكرشده براي كاهش متغيرهاي صفر و يك و تعداد محدوديت‌ها و در نتيجه كاهش زمان حل، بهبود داده شده است.

In this paper a new method is proposed for path planning of planar manipulators amid obstacles through mathematical programming in a way that the robot’s links avoid collision with obstacles throughout their motion from an initial to a goal configuration. After inputting the workspace geometry, the shortest feasible path for the robot’s end-effector is planned toward its goal position using Generalized Visibility Graph, which is then interpolated into subgoal points that should be sequentially reached by the end-effector. Next, a Mixed Integer Nonlinear Programming (MINLP) model with the objective of minimizing the distance between the end-effector and the subgoals is successively solved and the angle of each link is determined such that it does not intersect obstacles. In order to enhance the safety of clearance from obstacles, they are enlarged by an offset. Also, the proposed method has been modified and tuned aiming to reduce the number of constraints and 0-1 variables, which led to reduced runtimes.