六轴机器人轨迹规划之五段位置s曲线插补

六轴机器人轨迹规划之五段位置s曲线插补1 轨迹规划的定义轨迹规划 trajectorypl 是运动规划 motionplanni 研究的主要内容 运动规划指的是运动插补 在起始点和终止点之间插入中间点序列 实现沿着轨迹的平稳运动 运动控制包含路径规划 pathplanning 和轨迹规划 路径规划是规划位置 在起终点之间经过的路径点 轨迹规划是规划时间 将路径点与时间相对应 对于我们的六轴机器人而言轨

1.原理
五段s曲线相较于三段s曲线而言加速度也是连续变化的,能适用于平稳性要求更高的场合。分为加加速、加减速、匀速、减加速、减减速这五段。
设除匀速段以为,其余四段的时间相等都为 Ta T a ,总时间为 T T ,匀速段速度为
vs

v s
,四个变速段斜率大小都为 A A ,整段轨迹的总位移
L

L
、加加速段位移 L1 L 1 、加减速段位移 L2 L 2



Ta=vsAL1=16AT3aL2=56AT3aT=4Ta+L2L12L2vs { T a = v s A L 1 = 1 6 A T a 3 L 2 = 5 6 A T a 3 T = 4 T a + L − 2 L 1 − 2 L 2 v s



则加速度分段函数为

a=At,(0tTa)A(t2Ta),(Tat2Ta)0,(2TatT2Ta)A[t(T2Ta)],(T2TatTTa)A(tT),(TTatT) a = { A t , ( 0 ≤ t ≤ T a ) − A ( t − 2 T a ) , ( T a ≤ t ≤ 2 T a ) 0 , ( 2 T a ≤ t ≤ T − 2 T a ) − A [ t − ( T − 2 T a ) ] , ( T − 2 T a ≤ t ≤ T − T a ) A ( t − T ) , ( T − T a ≤ t ≤ T )


对加速度积分可得

v=12At2,(0tTa)12A(t2Ta)2+AT2a,(Tat2Ta)vs,(2TatT2Ta)12AtT+2Ta)2+AT2a,(T2TatTTa)12A(tT)2,(TTatT) v = { 1 2 A t 2 , ( 0 ≤ t ≤ T a ) − 1 2 A ( t − 2 T a ) 2 + A T a 2 , ( T a ≤ t ≤ 2 T a ) v s , ( 2 T a ≤ t ≤ T − 2 T a ) − 1 2 A ( t − T + 2 T a ) 2 + A T a 2 , ( T − 2 T a ≤ t ≤ T − T a ) 1 2 A ( t − T ) 2 , ( T − T a ≤ t ≤ T )


对速度积分可得到位移s的分段函数

s=16At3,(0tTa)16A(t2Ta)3+AT2atAT3a,(Tat2Ta)AT2atAT3a,(2TatT2Ta)16A(tT+2Ta)3+AT2atAT2a,(T2TatTTa)16A(tT)32AT3a+AT2bT,(TTatT) s = { 1 6 A t 3 , ( 0 ≤ t ≤ T a ) − 1 6 A ( t − 2 T a ) 3 + A T a 2 t − A T a 3 , ( T a ≤ t ≤ 2 T a ) A T a 2 t − A T a 3 , ( 2 T a ≤ t ≤ T − 2 T a ) − 1 6 A ( t − T + 2 T a ) 3 + A T a 2 t − A T a 2 , ( T − 2 T a ≤ t ≤ T − T a ) 1 6 A ( t − T ) 3 − 2 A T a 3 + A T b 2 T , ( T − T a ≤ t ≤ T )


3.matlab代码实现
指定位置、速度、斜率

clc; clear; %初始条件 x_arry=[0,10,20,30]; v_arry=[2,2,2]; A_arry=[3,3,3]; weiyi=[x_arry(1)];sudu=[0];shijian=[0];timeall=0;jiasudu=[0] for i=1:1:length(x_arry)-1; %清空 a=[];v=[];s=[]; %计算加减速段的时间和位移 L=x_arry(i+1)-x_arry(i); A=A_arry(i); vs=v_arry(i); Ta=sqrt(vs/A); L1=A*(Ta^3)/6; L2=A*(Ta^3)*(5/6); %计算整段轨迹的总位移 T=4*Ta+(L-2*L1-2*L2)/vs; for t=0:0.001:T if t<=Ta;%加加速度阶段 ad=A*t; vd=0.5*A*t^2; sd=(1/6)*A*t^3; a=[a,ad];v=[v,vd];s=[s,sd]; elseif t>Ta && t<=2*Ta;%加减速阶段 ad=-A*(t-2*Ta); vd=-0.5*A*(t-2*Ta)^2+A*Ta^2; sd=-(1/6)*A*(t-2*Ta)^3+A*Ta^2*t-A*Ta^3; a=[a,ad];v=[v,vd];s=[s,sd]; elseif t>2*Ta && t<=T-2*Ta;%匀速阶段 ad=0; vd=vs; sd=A*Ta^2*t-A*Ta^3; a=[a,ad];v=[v,vd];s=[s,sd]; elseif t>T-2*Ta && t<=T-Ta;%减加度阶段 ad=-A*(t-(T-2*Ta)); vd=-0.5*A*(t-T+2*Ta)^2+A*Ta^2; sd=-(1/6)*A*(t-T+2*Ta)^3+A*Ta^2*t-A*Ta^3; a=[a,ad];v=[v,vd];s=[s,sd]; elseif t>T-Ta && t<=T;%减减阶段 ad=A*(t-T); vd=0.5*A*(t-T)^2; sd=(1/6)*A*(t-T)^3-2*A*Ta^3+A*Ta^2*T; a=[a,ad];v=[v,vd];s=[s,sd]; end end %时time=[timeall:0.001:timeall+T]; timeall=timeall+T; %连接每一段轨迹 weiyi=[weiyi,s(2:end)+x_arry(i)]; sudu=[sudu,v(2:end)]; jiasudu=[jiasudu,a(2:end)]; shijian=[shijian,time(2:end)]; end subplot(3,1,1),plot(shijian,weiyi,'r');xlabel('t'),ylabel('position');grid on; subplot(3,1,2),plot(shijian,sudu,'b');xlabel('t'),ylabel('velocity');grid on; subplot(3,1,3),plot(shijian,jiasudu,'g');xlabel('t'),ylabel('accelerate');grid on;









版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。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。如发现本站有涉嫌侵权/违法违规的内容, 请联系我们举报,一经查实,本站将立刻删除。

发布者:全栈程序员-站长,转载请注明出处:https://javaforall.net/233710.html原文链接:https://javaforall.net

(0)
全栈程序员-站长的头像全栈程序员-站长


相关推荐

  • batchnormalization是什么意思_batchnorm层参数个数

    batchnormalization是什么意思_batchnorm层参数个数1.背景本篇博文主要讲解2015年深度学习领域,非常值得学习的一篇文献:《BatchNormalization:AcceleratingDeepNetworkTrainingbyReducingInternalCovariateShift》,这个算法目前已经被大量的应用,最新的文献算法很多都会引用这个算法,进行网络训练,可见其强大之处非同一般啊。近年来深度学习捷报连连…

    2022年10月14日
    2
  • [译] Android 生命周期备忘录 — 第三部分:Fragments

    [译] Android 生命周期备忘录 — 第三部分:Fragments

    2021年7月4日
    77
  • php中函数 isset(), empty(), is_null() 的区别[通俗易懂]

    php中函数 isset(), empty(), is_null() 的区别

    2022年2月9日
    60
  • Srvctl命令详解(10g)「建议收藏」

    Srvctl命令详解(10g)「建议收藏」Srvctl命令 Srvctl命令式RAC维护中最常用的命令也是最复杂的命令。这个工具用来维护一下几种资源:Database,Instance,ASM,Service,Listener和NodeApplication,nodeApplication又包括GSD,ONS,VIP。 Srvctl命令的用法: [root@felix2bin]#./srvctl-help…

    2025年9月8日
    6
  • 树莓派win11镜像_树莓派安装镜像

    树莓派win11镜像_树莓派安装镜像2017-09-0410:40:47下载Hassbian镜像文件,浏览https://github.com/home-assistant/pi-gen/releases/tag/v1.23,查看最

    2022年8月4日
    5
  • 人工智能:智能优化算法

    人工智能:智能优化算法**人工智能:智能优化算法优化问题是指在满足一定条件下,在众多方案或参数值中寻找最优方案或参数值,以使得某个或多个功能指标达到最优,或使系统的某些性能指标达到最大值或最小值。优化问题广泛地存在于信号处理、图像处理、生产调度、任务分配、模式识别、自动控制和机械设计等众多领域。优化方法是一种以数学为基础,用于求解各种优化问题的应用技术。各种优化方法在上述领域得到了广泛应用,并且已经产生了巨大的经济效益和社会效益。实践证明,通过优化方法,能够提高系统效率,降低能耗,合理地利用资源,并且随着处理对象规模的增加

    2022年5月22日
    62

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注

关注全栈程序员社区公众号