基于多约束的空间机器人智能运动规划方法及系统

1.本发明属于机器人运动规划领域，具体涉及了一种基于多约束的空间机器人智能运动规划方法及系统。


背景技术：

2.众所周知，人类所赖以生存的地球上的资源日渐枯竭，环境越来越差，所以寻找并开发太空中的资源已经成为当前的重要使命。探索太空的任务很多，如建立并维修空间工作站、对卫星的释放、维修以及回收、回收太空垃圾等，目前这些工作只能由宇航员去做。但是太空环境极其恶劣，如致命的太空辐射、昼夜间的高温差以及超真空严重影响了他们的工作，而且会给身体带来很大的危害。所以，要完成空间任务，就需要在太空中建立复杂而庞大的环境控制系统来保证宇航员的生命安全。从安全、工作效率和经济的角度来看，在太空中使用空间机器人来代替宇航员工作不但可降低宇航员所受到的危险，还可以提高工作效率，减少执行任务所需的费用。因此，各空间大国都竞相在空间机器人研究领域投入大量的技术与资金，当下，关于空间机器人的研究已经成为各国航天工程研究的热点。
3.根据现阶段的技术趋势，未来的新型空间机器人将面向小型化、低成本、高度智能以及可自由飞行发展。因此，自由飞行空间机器人应运而生，且已经称为空间机器人的一个重要研究方向。该系统类似于地面的机械臂系统，由本体（载体飞行器）和机械臂（搭载其上的空间机械臂）组成，二者的关键性区别就在于本体是否固定。一般地，载体飞行器携带有喷气推力装置，可在空间微重力环境下自由地飞行或漂浮，搭配上机械臂和功能不同的各类灵巧机械手，可替代宇航员在空间中执行空间站搭建、大型构件装配、失效卫星的维修或回收、科学试验以及未来可能出现的大规模空间生产任务，有着广阔的应用前景。自由飞行空间机器人必将在未来的空间探索和利用中扮演重要角色。
4.因此，如何进行空间机器人智能运动规划，如何利用人工智能方法实现空间柔性机械臂对目标的稳定跟踪成为了本领域亟待解决的问题。


技术实现要素：

5.为了解决现有技术中的上述问题，即如何实现空间机器人的高精度、高准确性的路径规划，从而实现空间目标交会接近与抓捕自主飞行控制的问题，本发明提供了一种基于多约束的空间机器人智能运动规划方法，该方法包括：步骤s10，获取空间机器人待执行任务分布点，基于fm*遗传算法进行空间机器人最优任务分配，获得符合基于最优分配的遍历代价约束条件的待执行任务分布点的路径距离最短的遍历序列；步骤s20，基于所述待执行任务分布点的路径距离最短的遍历序列，生成空间机器人第一路径；步骤s30，通过基于高斯滤波器的路径调整方法进行所述空间机器人第一路径的调整，获得符合基于环境特征的机动性约束条件的空间机器人第二路径；
步骤s40，空间机器人基于所述空间机器人第二路径执行任务，并断未执行的待执行任务分布点是否发生动态变化，若是则跳转步骤s50；否则跳转步骤s70；步骤s50，通过权衡计算代价与路径代价的感知机神经网络进行动态变化的任务分布点的路径点重规划，获得符合权衡计算代价与路径代价的约束条件的空间机器人第三路径；步骤s60，空间机器人基于所述空间机器人第三路径执行任务，并判断未执行的待执行任务分布点是否发生动态变化，若是则跳转步骤s50；否则跳转步骤s70；步骤s70，空间机器人执行任务直至完成所有待执行任务。
6.在一些优选的实施例中，步骤s10包括：步骤s11，将获取的空间机器人的初始点表示为l0，n个待执行任务分布点表示为，并获取从初始点l0开始不重复通过n个待执行任务分布点后回到初始点l0的遍历序列：步骤s12，定义fm*距离度量矩阵w，并通过所述fm*距离度量矩阵w计算所述遍历序列的路径距离：步骤s13，基于fm*的遗传算法进行空间机器人最优任务分配，获得路径距离最短的遍历序列：其中，代表求最小值操作。
7.在一些优选的实施例中，所述fm*距离度量矩阵w满足性质为：所述fm*距离度量矩阵w满足性质为：其中，，代表矩阵转置，代表矩阵对角线元素。
8.在一些优选的实施例中，所述fm*距离度量矩阵w，其表示为：其中，代表空间机器人待执行任务分布点位置的点集，和
分别代表点集中第个和第个点，代表fm*遗传算法，代表任务空间，代表代价函数。
9.在一些优选的实施例中，步骤s30包括：步骤s31，将t时刻空间机器人在惯性坐标系下的位姿表示为；其中，表示t时刻空间机器人的位置，表示t时刻空间机器人的转向角；步骤s32，将空间机器人的纵移速度定义为常数，t时刻偏航角速度定义为，获得空间机器人在时刻的瞬间动态方程：步骤s33，基于所述空间机器人在时刻的瞬间动态方程，获取时间间隔内空间机器人偏航角速度以及生成路径的曲率半径r：以及生成路径的曲率半径r：其中，为预设的空间机器人最大偏航角速度，为预设的空间机器人最小转弯半径，为代价函数，为代价函数的梯度，代表模，inf代表函数的下界，sup代表函数的上届；步骤s34，通过尺寸为且标准差为的高斯滤波器进行代价函数的平滑处理，获得符合基于环境特征的机动性约束条件的空间机器人第二路径。
10.在一些优选的实施例中，所述代价函数，其函数上届表示为：其中，为代价函数在有障碍物的栅格处的值，为代价函数
在无障碍物的栅格处的值。
11.在一些优选的实施例中，所述尺寸为且标准差为的高斯滤波器，其表示为：其中，。
12.在一些优选的实施例中，所述空间机器人第三路径，其权衡指标函数为：其权衡指标函数为：其权衡指标函数为：其中，为预设的平衡因子，为距离指标，为计算代价指标，为规划点位置比率，代表原始规划路径距离，代表规划点位置比率为时的重规划路径距离。
13.在一些优选的实施例中，所述规划点位置比率为时的重规划路径距离，其表示为：其中，为任务点漂移距离，为任务点漂移方向角。
14.本发明的另一方面，提出了一种基于多约束的空间机器人智能运动规划系统，该系统包括以下模块：最优任务分配模块，配置为获取空间机器人待执行任务分布点，基于fm*遗传算法进行空间机器人最优任务分配，获得符合基于最优分配的遍历代价约束条件的待执行任务分布点的路径距离最短的遍历序列；第一路径生成模块，配置为基于所述待执行任务分布点的路径距离最短的遍历序列，生成空间机器人第一路径；第二路径生成模块，配置为通过基于高斯滤波器的路径调整方法进行所述空间机器人第一路径的调整，获得符合基于环境特征的机动性约束条件的空间机器人第二路径；第一判别模块，配置为空间机器人基于所述空间机器人第二路径执行任务，并断未执行的待执行任务分布点是否发生动态变化，若是则跳转第三路径生成模块；否则跳转任务执行模块；第三路径生成模块，配置为通过权衡计算代价与路径代价的感知机神经网络进行动态变化的任务分布点的路径点重规划，获得符合权衡计算代价与路径代价的约束条件的
空间机器人第三路径；第二判别模块，配置为空间机器人基于所述空间机器人第三路径执行任务，并断未执行的待执行任务分布点是否发生动态变化，若是则跳转第三路径生成模块；否则跳转任务执行模块；任务执行模块，配置为空间机器人执行任务直至完成所有待执行任务。
15.本发明的有益效果：（1）本发明基于多约束的空间机器人智能运动规划方法，基于fm*遗传算法进行空间机器人最优任务分配，以fm*距离度量矩阵w替代传统的欧几里得距离度量，避免了欧几里得距离度量不适用于有障碍物的情况，可以更准确地描述两个旅行节点之间的实际距离，获取符合基于最优分配的遍历代价约束条件的待执行任务分布点的路径距离最短的遍历序列，从而有效提升后续空间机器人智能运动规划的准确性与精度。
16.（2）本发明基于多约束的空间机器人智能运动规划方法，通过基于高斯滤波器的路径调整方法进行所述空间机器人路径调整，使得调整后的路径满足机器人运动的机动性约束，尤其是机器人运动的转弯能力约束，降低机器人避障过程的转弯难度，使得路径更易于被空间机器人执行。
17.（3）本发明基于多约束的空间机器人智能运动规划方法，在待执行任务分布点出现动态变化时，基于权衡计算代价与路径代价的感知机神经网络进行空间机器人重规划路径的权衡，在较小的计算代价的前提下获得更优的机器人路径，从而可为空间机器人运动提供易于跟踪、避免碰撞、重规划高效的高质量路径。
附图说明
18.通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本技术的其它特征、目的和优点将会变得更明显：图1是本发明基于多约束的空间机器人智能运动规划方法的流程示意图；图2是本发明基于多约束的空间机器人智能运动规划方法一种实施例的高斯滤波器尺寸为100
×
100，时的路径规划效果图；图3是本发明基于多约束的空间机器人智能运动规划方法一种实施例的高斯滤波器尺寸为100
×
100时的平均转弯速率与之间的变化曲线；图4是本发明基于多约束的空间机器人智能运动规划方法一种实施例的任务分布点移动后路径重规划过程几何关系示意图；图5是本发明基于多约束的空间机器人智能运动规划方法一种实施例的感知机神经网络结构和训练数据构建示意图；图6是本发明基于多约束的空间机器人智能运动规划方法一种实施例的不同训练数据数量情况下的拟合效果；图7是本发明基于多约束的空间机器人智能运动规划方法一种实施例的仿真地图配置；图8是本发明基于多约束的空间机器人智能运动规划方法一种实施例的仿真地图
配置下不同标准差下规划出的路径效果；图9是本发明基于多约束的空间机器人智能运动规划方法一种实施例的仿真地图配置下任务分布点g7漂移后重规划路径。
具体实施方式
19.下面结合附图和实施例对本技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
20.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
21.本发明提供一种基于多约束的空间机器人智能运动规划方法，提出了空间机器人在多约束条件下的基于强化学习的路径规划方法，为空间目标交会接近与抓捕自主飞行控制奠定了理论基础。本发明构建的综合路径规划的执行过程综述：第一步，第一步，利用fm*遗传算法进行任务分配操作，确定最优任务分布点的遍历序列；第二步，定性分析不同标准差下的高斯滤波器对按照最优遍历顺序规划出的全局路径的情况，包括转弯难度和距离障碍物的距离，为高斯滤波器选择适当的标准差值；第三步，对地图的代价函数进行高斯滤波平滑操作；第四步，依托第二步中计算的遍历顺序，在每一个子任务执行之前利用强化学习的方法进行路径初规划；第五步，在机器人执行子任务过程中，若当前子任务的目标任务分布点移动，则及时进行在线重规划操作，选择最优重规划点，并生成重规划路径。
22.本发明的一种基于多约束的空间机器人智能运动规划方法，该方法包括：步骤s10，获取空间机器人待执行任务分布点，基于fm*遗传算法进行空间机器人最优任务分配，获得符合基于最优分配的遍历代价约束条件的待执行任务分布点的路径距离最短的遍历序列；步骤s20，基于所述待执行任务分布点的路径距离最短的遍历序列，生成空间机器人第一路径；步骤s30，通过基于高斯滤波器的路径调整方法进行所述空间机器人第一路径的调整，获得符合基于环境特征的机动性约束条件的空间机器人第二路径；步骤s40，空间机器人基于所述空间机器人第二路径执行任务，并断未执行的待执行任务分布点是否发生动态变化，若是则跳转步骤s50；否则跳转步骤s70；步骤s50，通过权衡计算代价与路径代价的感知机神经网络进行动态变化的任务分布点的路径点重规划，获得符合权衡计算代价与路径代价的约束条件的空间机器人第三路径；步骤s60，空间机器人基于所述空间机器人第三路径执行任务，并断未执行的待执行任务分布点是否发生动态变化，若是则跳转步骤s50；否则跳转步骤s70；步骤s70，空间机器人执行任务直至完成所有待执行任务。
23.为了更清晰地对本发明基于多约束的空间机器人智能运动规划方法进行说明，下
面结合图1对本发明实施例中各步骤展开详述。
24.本发明第一实施例的基于多约束的空间机器人智能运动规划方法，包括步骤s10
‑
步骤s70，各步骤详细描述如下：以空间机器人的重心为原点建立随体坐标系，以空间机器人的任一固定位置为原点建立惯性坐标系，基于所述随体坐标系和所述惯性坐标系，通过机器人动力学建模方法构建空间机器人的六自由度动力学方程，如式（1）所示：其中，代表空间机器人在惯性坐标系下的位姿向量，代表空间机器人在随体坐标系下的速度向量，代表速度的导数即加速度，代表空间机器人在随体坐标系下喷气产生的驱动向量，代表空间机器人在随体坐标系下的外部干扰向量，代表质量矩阵，代表惯性质量矩阵，代表附加惯性矩阵，代表科里奥利和向心力矩阵，代表由惯性质量引起的科里奥利力和向心力矩阵，代表由附加惯性质量引起的科里奥利力和向心力矩阵，代表阻尼矩阵，代表空间机器人的恢复力矩阵。
25.步骤s10，获取空间机器人待执行任务分布点，基于fm*遗传算法进行空间机器人最优任务分配，获得符合基于最优分配的遍历代价约束条件的待执行任务分布点的路径距离最短的遍历序列。
26.步骤s11，将获取的空间机器人的初始点表示为l0，n个待执行任务分布点表示为，并获取从初始点l0开始不重复通过n个待执行任务分布点后回到初始点l0的遍历序列，如式（2）所示：通常的任务中，通过欧几里得距离度量计算所述遍历序列的路径距离，如式（3）所示：
欧几里得距离度量不适用于具有障碍物的条件。相较之下，fm*算法在求解距离函数的过程中考虑到了障碍物的情况，因此利用fm*距离度量替代欧几里得距离度量可以更准确地描述两个旅行节点之间的实际距离。
27.步骤s12，定义fm*距离度量矩阵w，并通过所述fm*距离度量矩阵w计算所述遍历序列的路径距离，如式（4）所示：fm*距离度量矩阵w，其表示如式（5）所示：其中，代表空间机器人待执行任务分布点位置的点集，和分别代表点集中第个和第个点，代表fm*遗传算法，代表任务空间，代表代价函数。
28.fm*距离度量矩阵w满足式（6）和式（7）所示的性质：fm*距离度量矩阵w满足式（6）和式（7）所示的性质：其中，，代表矩阵转置，代表矩阵的对角线元素。
29.步骤s13，基于fm*的遗传算法进行空间机器人最优任务分配，获得路径距离最短的遍历序列：其中，代表求最小值操作。
30.最优垃圾分布点遍历序列可由下述基于fm*遗传算法的流程获得：初始化种群规模，总迭代代数，变异概率，交叉概率；初始化第一代种群个体。
31.从第一代开始，直到总迭代代数结束，不断执行下述流程，即：利用fm*距离度量矩阵w求算当前代种群的适应度函数值；利用轮盘赌方式选出下一代个体；对新生成的一代，以变异概率进行变异操作，以交叉概率进行交叉互换。
32.最终获得最优遍历序列。
33.步骤s20，基于所述待执行任务分布点的路径距离最短的遍历序列，生成空间机器人第一路径。
34.步骤s30，通过基于高斯滤波器的路径调整方法进行所述空间机器人第一路径的调整，获得符合基于环境特征的机动性约束条件的空间机器人第二路径。
35.生成的路径需要满足机器人运动的机动性约束，该约束主要指机器人运动的转弯能力约束。定义机器人在惯性坐标系下运动的位姿表示为，其中表示机器人在地图上的位置，表示机器人的转向角。定义机器人在随体坐标系下的运动速度表示为，其中分别表示空间机器人纵移速度，横移速度，偏航角速度。至此，机器人的运动学方程可表示为式（8）：其中，。
36.通常来说，机器人在运动过程中为了便于控制，一般保持其纵移速度为常数，只对偏航角速度进行控制。
37.步骤s31，将t时刻空间机器人在惯性坐标系下的位姿表示为；其中，表示t时刻空间机器人的位置，表示t时刻空间机器人的转向角。
38.步骤s32，将空间机器人的纵移速度定义为常数，t时刻偏航角速度定义为，获得空间机器人在时刻的瞬间动态方程，如式（9）所示：
步骤s33，基于所述空间机器人在时刻的瞬间动态方程，获取时间间隔内空间机器人偏航角速度，如式（10）所示：由于机器人的转弯速度受限，即，所以转弯角度受限。进一步地，机动性约束将对路径规划算法所生成的路径的曲率半径有限制。
39.由fm*算法生成从起点start到目标点goal的轨迹的过程实质是求解如下函数值最优化问题，如式（11）所示：其中，，其含义为寻找从起点到目标点代价最小的路径。
40.利用微分几何框架，对于路径上的任意一点，可求得上述最优化问题的欧拉
–
拉格朗日方程表示为式（12）：其中，为路径的曲率半径，为路径的法向量，为代价函数，为代价函数的梯度。
41.经过一系列的推导，可以得到生成路径的曲率半径下界满足式（13）：其中，为预设的空间机器人最大偏航角速度，为预设的空间机器人最小转弯半径，代表模，inf代表函数的下界，sup代表函数的上界。
42.分析该不等关系可知，有两种途径可以提高生成路径的曲率半径下界。第一种方法是对代价函数进行光滑处理以降低，第二种方法是在代价函数值的基础上添加正增量以提高。
43.一般情况下，代价函数是一个二值函数，其在没有障碍物的栅格点处的值满足
，而在有障碍物的栅格点处的值为远远大于1的常数。在此情况下，存在于代价函数的有无障碍物区域的分界线处，如式（14）所示：步骤s34，为了降低的值，通过尺寸为且标准差为的高斯滤波器进行代价函数的平滑处理，获得符合基于环境特征的机动性约束条件的空间机器人第二路径。
44.尺寸为且标准差为的高斯滤波器，其表示如式（15）所示：其中，。
45.为直观地观察高斯滤波器对fm*算法规划出的路径的调整作用，本发明在尺寸为100
×
100的存在障碍物的代价函数上进行了测试。如图2所示，为本发明基于多约束的空间机器人智能运动规划方法一种实施例的高斯滤波器尺寸为100
×
100，时的路径规划效果图，从图中可以观察到，随着滤波器标准差的提升，路径的曲率半径下界明显升高，避障过程的转弯幅度会变大，难度会降低。
46.为了对避障过程的转弯难度进行定量分析，定义整个避障过程中的平均转弯速率来评估转弯难度，如式（16）所示：其中，代表空间机器人整个避障过程的总耗时。
47.如图3所示，为本发明基于多约束的空间机器人智能运动规划方法一种实施例的高斯滤波器尺寸为100
×
100时的平均转弯速率与之间的变化曲线平均转弯速率与高斯滤波器标准差之间的变化曲线，随着标准差从0.1逐渐升高到5.0，平均转弯速率明显降低。该结果表明，高斯滤波器具有控制曲率半径下界的作用，降低避障过程的转弯难度，从而满足机器人的机动性约束。
48.步骤s40，空间机器人基于所述空间机器人第二路径执行任务，并断未执行的待执行任务分布点是否发生动态变化，若是则跳转步骤s50；否则跳转步骤s70。
49.步骤s50，通过权衡计算代价与路径代价的感知机神经网络进行动态变化的任务分布点的路径点重规划，获得符合权衡计算代价与路径代价的约束条件的空间机器人第三路径。
50.由于空间作业机器人处于动态变化的环境中，任务分布点的位置会发生漂移，因而重规划环节必不可少。一个高效的重规划操作应当权衡地图搜索的计算代价与生成路径的距离代价，既要保证重规划的搜索空间较小又要保证生成的路径较短。在假设重规划过程中无障碍物且所有路径均为直线的前提下，重规划点选取位置对搜索空间大小与生成路径长短的影响。如图4所示，为本发明基于多约束的空间机器人智能运动规划方法一种实施例的任务分布点移动后路径重规划过程几何关系示意图，其中，任务分布点移动向量由漂移距离和漂移方向角定义而成；为重规划点位置比率，代表重规划点与机器人当前位置之间的距离占机器人当前位置到原任务分布点之间的距离（即原始规划路径距离）的比值；代表重规划点比率为时的重规划路径距离。
51.空间机器人第三路径的权衡指标函数如式（17）所示：其中，为预设的平衡因子，为距离指标，为计算代价指标。
52.距离指标和计算代价指标，其表示分别如式（18）和式（19）：其表示分别如式（18）和式（19）：述规划点位置比率为时的重规划路径距离，其表示如式（20）：经过几何分析可知，当时，距离指标的值最小。
53.当满足式（21）时，计算代价指标的值取值最小：最终，最优重规划点位置比率可以通过求解式（22）获得：本发明针对权衡计算代价与路径代价的约束条件，通过图5所示的权衡计算代价与路径代价的感知机神经网络进行动态变化的任务分布点的路径点重规划，并建立训练数
据集，图5中的（a）为多层感知机神经网络结构，图5中的（b）为训练数据的构建，其中代表最优重规划点位置比率的估计值。
54.相比于直接求解方程的数值解，利用神经网络拟合的方法具有三方面的优点：第一，解是连续的。利用拟合好的神经网络，其输入和输出均可以为连续的数值；而利用数值方法求解出来的重规划点位置比率由于迭代步长和区间分割精度的关系，其数值是离散的。
55.第二，无需重复计算。神经网络训练好之后，只需将任务分布点移动向量输入其中，即可得到相应的最优重规划点位置比率；而利用数值方法，对于每一个任务分布点移动向量，都要重复数值求解过程，十分繁琐。
56.第三，固定的计算量。利用神经网络计算重规划点位置比率，只用进行有限次数的加法和乘法运算，不会因增大输出结果的取值空间分辨率而增加计算负担；相反，数值求解方法，会因增大输出结果的取值空间分辨率而增加计算负担。
57.如图6所示，为本发明基于多约束的空间机器人智能运动规划方法一种实施例的不同训练数据数量情况下的拟合效果，和分别表示训练集的容量和测试集的容量，从图中可以看出，本发明通过较少的训练集容量即可实现精准的重规划点位置比率估计。
58.步骤s60，空间机器人基于所述空间机器人第三路径执行任务，并断未执行的待执行任务分布点是否发生动态变化，若是则跳转步骤s50；否则跳转步骤s70。
59.步骤s70，空间机器人执行任务直至完成所有待执行任务。
60.如图7所示，为本发明基于多约束的空间机器人智能运动规划方法一种实施例的仿真地图配置，该仿真地图中设置有密集且形状尺寸各异的障碍物，复杂程度远高于真实的空间机器人作业地图。基于该仿真地图，综合路径规划体系的具体执行情况描述如下：在任务分配阶段，设置fm*遗传算法的种群规模为30，总迭代代数为300，交叉概率为0.65，变异概率为0.05，进而计算出最优遍历序列为{s, g7, g6, g5, g2, g1, g3, g4, s}。
61.基于该最优遍历序列，利用两种不同标准差下的高斯滤波器对代价函数进行平滑，并进行全局路径规划。如图8所示，为本发明基于多约束的空间机器人智能运动规划方法一种实施例的不同标准差下规划出的路径效果，通过对两种路径的定性分析可以发现，在的高斯滤波器平滑后规划出的路径转弯难度更小且距离障碍物更远。因此，为高斯滤波器设置的标准差，对仿真地图进行平滑。
62.如图9所示，为本发明基于多约束的空间机器人智能运动规划方法一种实施例的仿真地图配置下任务分布点g7漂移后重规划路径，在时刻（此处因为是仿真步长，故没有单位），任务分布点g7发生了漂移，移动到了g7
′
的位置，此时进行重规划操作，计算出重规划点，并以重规划点为起点以g7
′
为目标点生成新的路径。
63.本发明技术方案充分考虑了环境模型特征对空间机器人运动的各项约束，并进行了细致的约束建模，针对空间机器人的约束条件，分别通过相应的方法使机器人的运动路径更接近真实情形。本发明提出的路径规划方法，可为空间机器人运动提供易于跟踪、避免碰撞、重规划高效的高质量路径。此外，该路径规划体系可以迁移到其他类似的具有多子任
务、多障碍物、机器人机动性约束、动态目标的应用场景。。
64.上述实施例中虽然将各个步骤按照上述先后次序的方式进行了描述，但是本领域技术人员可以理解，为了实现本实施例的效果，不同的步骤之间不必按照这样的次序执行，其可以同时(并行)执行或以颠倒的次序执行，这些简单的变化都在本发明的保护范围之内。
65.本发明第二实施例的基于多约束的空间机器人智能运动规划系统，该系统包括以下模块：最优任务分配模块，配置为获取空间机器人待执行任务分布点，基于fm*遗传算法进行空间机器人最优任务分配，获得符合基于最优分配的遍历代价约束条件的待执行任务分布点的路径距离最短的遍历序列；第一路径生成模块，配置为基于所述待执行任务分布点的路径距离最短的遍历序列，生成空间机器人第一路径；第二路径生成模块，配置为通过基于高斯滤波器的路径调整方法进行所述空间机器人第一路径的调整，获得符合基于环境特征的机动性约束条件的空间机器人第二路径；第一判别模块，配置为空间机器人基于所述空间机器人第二路径执行任务，并断未执行的待执行任务分布点是否发生动态变化，若是则跳转第三路径生成模块；否则跳转任务执行模块；第三路径生成模块，配置为通过权衡计算代价与路径代价的感知机神经网络进行动态变化的任务分布点的路径点重规划，获得符合权衡计算代价与路径代价的约束条件的空间机器人第三路径；第二判别模块，配置为空间机器人基于所述空间机器人第三路径执行任务，并断未执行的待执行任务分布点是否发生动态变化，若是则跳转第三路径生成模块；否则跳转任务执行模块；任务执行模块，配置为空间机器人执行任务直至完成所有待执行任务。
66.所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
67.需要说明的是，上述实施例提供的基于多约束的空间机器人智能运动规划系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
68.本发明第三实施例的一种电子设备，包括：至少一个处理器；以及与至少一个所述处理器通信连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述的基于多约束的空间机器人智能运动规划方法。
69.本发明第四实施例的一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现上述的基于多约束的空间机器
人智能运动规划方法。
70.所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
71.本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器（ram）、内存、只读存储器（rom）、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd
‑
rom、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
72.术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
73.术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
74.至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。