针对协同作业的双机械臂系统,提出一种不依赖于外部传感器和无需动力学建模的实时避障路径规划方法。基于运动学和混合包围盒法简化机械臂模型与障碍物,经投影相交法快速判断干涉的可能性,将碰撞检测转化为求解最短距离,再结合速度场以及添加虚拟约束点和考虑障碍物边界来改进传统人工势场法。最后,通过MATLAB-CoppeliaSim联合仿真验证包含静态和动态障碍物的碰撞检测算法。结果表明该碰撞检测算法适应动、静两种复杂障碍物环境,通用性较高,生成的避障路径能够跳出极小值和实现目标可达,有效保障人机交互及设备的安全性。

针对传统路径规划算法在机械臂避障运动时存在规划时间长、路径冗长等问题,提出了一种基于深度强化学习(Deep Reinforcement Learning,DRL)的运动规划方法。首先,构建了机械臂数学模型和运动环境,并在PyBullet中搭建了DOBOT机械臂与操作环境,设置了DRL所需的奖励函数、动作变量和状态变量等参数。其次,针对静态障碍物规避问题的特点,采用深度确定性策略梯度(Deep Deterministic Policy Gradient,DDPG)算法,进行了运动仿真试验。仿真结果表明,相较于快速扩展随机树(Rapid-exploring Random Tree,RRT)算法以及改进RRT算法,所提出的DDPG算法在规划时间和路径长度方面均有一定程度提高。最后,在实验室中采用DOBOT机械臂对DDPG算法在多种障碍物环境下避障操作的有效性进行了验证。