def compute_velocity(self, q, qd):
P = zeros(self.I.shape)
r = zeros(self.q_max.shape)
for obj in self.objectives:
J = obj.jacobian(q)
P += obj.weight * dot(J.T, J)
r += obj.weight * dot(-obj.velocity(q, qd).T, J)
if self.K_doflim is not None:
qd_max = minimum(self.qd_max, self.K_doflim * (self.q_max - q))
qd_min = maximum(self.qd_min, self.K_doflim * (self.q_min - q))
else:
qd_max = self.qd_max
qd_min = self.qd_min
G = vstack([+self.I, -self.I])
h = hstack([qd_max, -qd_min])
if self.constraints:
A = vstack([c.jacobian() for c in self.constraints])
b = hstack([c.velocity() for c in self.constraints])
return cvxopt_solve_qp(P, r, G, h, A, b)
return cvxopt_solve_qp(P, r, G, h)
由于你的问题很简单,我认为对你来说最好的方法是用二次规划(QP)来求解逆运动学(IK)问题。在Python中,您可以使用CVXOPT库(我发布了a tutorial with some code here)在几行代码中解决QPs。另外,我写的是an example of IK solver in Python,它使用CVXOPT作为QP解算器。它比手头的问题更复杂,但你可以看看它来寻找灵感。
有用的部分是此函数:
它基本上解决了全局IK问题(通过微分IK找到关节角度向量“q”),也就是说,通过计算速度“qd”来驱动系统走向解决方案。它本质上是Levenberg-Marquardt algorithm背后的思想。
相关问题 更多 >
编程相关推荐