面向任务的挖掘机工作装置实时连续挖掘轨迹规划

摘要

论文摘要

论文提出面向自主挖掘机的实时任务导向连续挖掘轨迹规划方法：采用多目标PSO优化单次挖掘循环，以优化结果训练物理信息神经网络，并将PINN嵌入典型任务规划框架。四种沟槽截面验证中，单条轨迹平均规划时间低于4.5 ms，轨迹总体性能与PSO规划结果的差异约为5%。

Excavators
Trajectory planning
Task-oriented
Real-time planning
PINN

总体框架

单循环优化、PINN训练和连续任务规划组成三阶段方法

Fig.3将方法划分为单循环轨迹规划、PINN训练和面向任务的连续轨迹规划。PSO在目标与约束条件下求解轨迹参数，并将优化结果作为网络训练样本。

训练后的PINN接收任务条件和当前工作装置姿态，输出轨迹参数；任务框架根据约束判断继续规划或结束作业。

Fig. 3 论文提出的方法框架 — 论文原图 · Fig. 3 **论文提出的方法框架**

论文提出的方法框架。

Framework of proposed method.
查看高清原图 ↗

轨迹类型

向下与向后两类轨迹分别用于建立深度和扩展长度

Fig.2给出两类挖掘轨迹及其衔接位置。第一类轨迹的初始切削角范围为40°–90°，主要用于向下达到沟槽深度。

第二类轨迹初始切削角为0°–40°，在既定深度附近向后推进；连续任务通过两类轨迹及必要的移机动作覆盖目标沟槽。

Fig. 2 两类挖掘轨迹 — 论文原图 · Fig. 2 **两类挖掘轨迹**

轨迹类型。

Trajectory types.
查看高清原图 ↗

单循环优化

六次多项式和四个变量描述三关节轨迹

动臂、斗杆和铲斗关节角以共同完成时间参数化为六次多项式。给定起终点边界后，PSO搜索a₁₆、a₂₆、a₃₆和完成时间t。

目标函数对挖掘时间、能耗和满斗率分别赋予0.5、0.2和0.3的归一化权重，并施加关节角、速度、加速度、转矩、功率、切削角和作业时间约束。

PINN

网络同时学习PSO样本和物理约束

Fig.4中，输入X由起点与终点的六个关节角和挖掘面积高度参数H组成，输出Y为a₁₆、a₂₆、a₃₆和t。

两类轨迹各生成1,800组样本，其中1,600组用于训练、200组用于测试。总损失包括MSE、机构约束、切削角约束、满斗率约束和综合性能约束。

Fig. 4 PINN结构 — 论文原图 · Fig. 4 **PINN结构**

PINN结构图。

Structure diagram of PINN.
查看高清原图 ↗

连续任务

沟槽几何和初始位置决定轨迹调用与移机顺序

任务输入包括沟槽长度、宽度、深度、两侧坡角及初始挖掘位置。规划首先重复第一类轨迹达到目标深度，再调用第二类轨迹扩展沟槽长度。

当前工作范围不足时，任务框架调整挖掘机位置后继续生成轨迹，直到沟槽长度满足任务要求。

规划结果

四种沟槽截面由不同数量的连续轨迹构成

Fig.14展示任务A–D的规划轨迹和目标轮廓。四类任务的轨迹覆盖面积与设计沟槽截面面积差分别为8.7%、3.7%、1.2%和3.3%。

Table 4中，PINN规划单条轨迹的平均时间为4.20–4.46 ms；相同任务下PSO平均时间为59.56–70.23 s。

Fig. 14 四类沟槽任务的PINN规划轨迹 — 论文原图 · Fig. 14 **四类沟槽任务的PINN规划轨迹**

PINN为沟槽任务A至D规划的轨迹。

Trajectories planned by PINN for trenching task A∼D.
查看高清原图 ↗

样机实验

缩比电驱动样机完成任务A的四次连续挖掘

实验平台使用伺服电动缸驱动动臂、斗杆和铲斗关节，履带与回转由无刷直流电机驱动；材料区尺寸为0.90 m×0.60 m×0.30 m，介质为橡胶颗粒。

Fig.15展示第一次挖掘的开始与结束状态。四次连续挖掘后，任务A最终轮廓的长度、宽度、深度和两侧坡角相对误差为5.0%–11.7%。

Fig. 15 第一次挖掘的开始与结束状态 — 论文原图 · Fig. 15 **第一次挖掘的开始与结束状态**

第一次挖掘：（a）开始，（b）结束。

The first digging: (a) starting, (b) ending.
查看高清原图 ↗

研究范围

样机尺度、材料流动与执行机构差异限定实验条件

定量结果来自四类缩比沟槽规划和任务A的电驱动样机实验，材料为橡胶颗粒。实际能耗比理论结果约高13%，实测装斗体积与理论计算相差约0.44×10³ cm³。

论文将差异归因于关节摩擦、材料参数和散料流动，并提出后续研究液压缸与电动缸之间的动态差异。

第二层阅读

需要更快地把握方法链和核心机制？

AI简报不会替代上方的论文原文导读；它只在您主动打开时加载。

引用

引用本文

以下格式根据论文正式题录生成；使用前请按目标期刊或机构规范复核。

GB/T 7714

YAO Z, ZHAO S, TAN X, et al. Real-time task-oriented continuous digging trajectory planning for excavator arms[J]. Automation in Construction, 2023, 152: 104916. DOI:10.1016/j.autcon.2023.104916.

APA

Yao, Z., Zhao, S., Tan, X., Wei, W., & Wang, Y. (2023). Real-time task-oriented continuous digging trajectory planning for excavator arms. Automation in Construction, 152, 104916. https://doi.org/10.1016/j.autcon.2023.104916

IEEE

Z. Yao, S. Zhao, X. Tan, W. Wei, and Y. Wang, “Real-time task-oriented continuous digging trajectory planning for excavator arms,” Automation in Construction, vol. 152, Art. no. 104916, 2023, doi: 10.1016/j.autcon.2023.104916.