基于多目標粒子群算法的機械臂最小躍度軌跡優(yōu)化方法
【專利摘要】本發(fā)明公開了一種基于多目標粒子群算法的機械臂最小躍度軌跡優(yōu)化方法，首先利用三次樣條插值函數(shù)生成各關(guān)節(jié)從任務起點到終點經(jīng)過各路徑節(jié)點的軌跡；根據(jù)生成的軌跡，確定優(yōu)化目標函數(shù)中與之對應的各關(guān)節(jié)最小躍度均值；根據(jù)優(yōu)化目標函數(shù)和任務的約束條件確定各關(guān)節(jié)的適應度函數(shù)；最后，根據(jù)各關(guān)節(jié)的適應度函數(shù)，利用多目標粒子群優(yōu)化算法，得到優(yōu)化目標函數(shù)對應的Pareto最優(yōu)解集，然后按照一定的原則從最優(yōu)解集中選擇最優(yōu)的軌跡規(guī)劃方案。本發(fā)明綜合考慮各個關(guān)節(jié)的躍度值，在降低路徑中所有關(guān)節(jié)躍度的最大值以及各關(guān)節(jié)躍度值平均性和均衡分布方面都有明顯改善，利用該方法，可有效減小機械臂的執(zhí)行誤差，減少運動過程對關(guān)節(jié)機構(gòu)的磨損。
【專利說明】基于多目標粒子群算法的機械臂最小躍度軌跡優(yōu)化方法
【技術(shù)領域】
[0001]本發(fā)明涉及一種基于多目標粒子群算法的機械臂最小躍度軌跡優(yōu)化方法，屬于機器人控制【技術(shù)領域】。
【背景技術(shù)】
[0002]隨著自動控制和機器人領域的深入研究和技術(shù)發(fā)展，機械臂已廣泛應用于半導體制造、工業(yè)、醫(yī)療、軍事以及太空探索等領域，機械臂的研究熱點和難點主要集中于運動軌跡規(guī)劃及在此基礎上的精確控制方面，其中，軌跡規(guī)劃作為軌跡控制的基礎，對機械臂的運行效率、平穩(wěn)性、作業(yè)精度和能量消耗具有重要的意義。
[0003]軌跡規(guī)劃是指給定起點和終點，根據(jù)任務要求尋求一條連接起點和終點的最優(yōu)有效路徑，然后將路徑轉(zhuǎn)換成機械臂各個關(guān)節(jié)的空間坐標，確定機械臂在運動過程中各關(guān)節(jié)的位移、速度、加速度和躍度，形成軌跡。有效的軌跡規(guī)劃能夠減少機械臂的磨損、節(jié)省作業(yè)時間、提高工作效率。
[0004]最小躍度作為軌跡優(yōu)化的一個重要研究方向，是以一種間接的方式限制關(guān)節(jié)力矩的變化率，使機械臂的運動更加平穩(wěn)，且可提高跟蹤精度，減少機械臂的共振和機構(gòu)磨損。
[0005]現(xiàn)有的關(guān)于最小躍度的軌跡優(yōu)化方法主要分為兩類:一類是根據(jù)單一目標函數(shù)(如機械臂的某個重要關(guān)節(jié))進行單目標優(yōu)化，如由Piazzi等提出的基于區(qū)間分析的算法，通過三次樣條函數(shù)對軌跡插值，基于最大最小法使執(zhí)行時間預設的路徑的躍度最大絕對值全局最小，這類方法的缺點是，單目標函數(shù)只關(guān)注躍度最大時刻，不能反映整個任務過程中躍度的全局水平，即，只考慮某個關(guān)節(jié)的躍度，無法綜合考慮到每個關(guān)節(jié)的躍度，導致機械臂中某個或某幾個關(guān)節(jié)性能較好，而其余關(guān)節(jié)性能略遜，各關(guān)節(jié)的躍度不均衡會增加機械臂的執(zhí)行誤差，造成關(guān)節(jié)機構(gòu)的磨損；另一類是，基于遺傳算法的方法規(guī)劃全局躍度最小的路徑，由于遺傳算法原理復雜，計算成本過大，不利于推廣應用。

【發(fā)明內(nèi)容】

[0006]鑒于上述原因，本發(fā)明的目的在于提供一種基于多目標粒子群算法的機械臂最小躍度軌跡優(yōu)化方法，該方法以降低機械臂各個關(guān)節(jié)的躍度為目標函數(shù)進行多目標優(yōu)化，軌跡規(guī)劃綜合考慮到各關(guān)節(jié)的躍度，可使機械臂各關(guān)節(jié)在運動過程中性能均衡，減小機械臂的執(zhí)行誤差，避免某些關(guān)節(jié)在運動過程中受到嚴重磨損。
[0007]為實現(xiàn)上述目的，本發(fā)明采用以下技術(shù)方案:
[0008]基于多目標粒子群算法的機械臂最小躍度軌跡優(yōu)化方法，其特征在于，包括如下步驟:
[0009]I)在任務約束條件下，利用三次樣條插值函數(shù)生成三次樣條插值曲線，該三次樣條插值函數(shù)為:
【權(quán)利要求】
1.基于多目標粒子群算法的機械臂最小躍度軌跡優(yōu)化方法，其特征在于，包括如下步驟: 1)在任務約束條件下，利用三次樣條插值函數(shù)生成三次樣條插值曲線，該三次樣條插值函數(shù)為:

2.如權(quán)利要求1所述的基于多目標粒子群算法的機械臂最小躍度軌跡優(yōu)化方法，其特征在于，所述步驟4)包括如下步驟: S1:設置算法初始化的相關(guān)參數(shù)，給定種群規(guī)模，在任務約束條件的范圍內(nèi)隨機生成初始粒子的速度與位置，產(chǎn)生初始群體，計算得到初始群體中各粒子適應度函數(shù)值，并依據(jù)Pareto主導準則將初始種群中所有粒子相互比較完成后得到初始群體中Pareto最優(yōu)解，并將最優(yōu)解存入外部存儲器I中； S2:將每個粒子的個體最優(yōu)極值設置為對應粒子的當前位置； S3:每個粒子的全局最優(yōu)極值，從外部存儲器I中隨機選取； S4:對于每個粒子，根據(jù)選取出的個體最優(yōu)極值和全局最優(yōu)極值，按照以下公式計算新的粒子速度并更新粒子位置，得到新群體；
3.如權(quán)利要求2所述的基于多目標粒子群算法的機械臂最小躍度軌跡優(yōu)化方法，其特征在于: 從初始群體或更新后的新群體中確定Pareto最優(yōu)解的方法是: 根據(jù)當前群體中每個粒子的位置信息確定當前各路徑節(jié)點之間的時間間隔向量，根據(jù)該時間間隔向量以及任務的約束條件計算各個關(guān)節(jié)的適應度函數(shù)值，并將得到的適應度函數(shù)值依據(jù)Pareto主導準則與外部存儲器I中所有粒子相互比較完成后確定是否為所述優(yōu)化目標函數(shù)對應的Pareto最優(yōu)解，若是則將該粒子存入外部存儲器I中，否則對當前群體中其他粒子繼續(xù)比較。
4.如權(quán)利要求1或3所述的基于多目標粒子群算法的機械臂最小躍度軌跡優(yōu)化方法，其特征在于，該方法還包括: 得到優(yōu)化目標函數(shù)對應的Pareto最優(yōu)解集后，按照各關(guān)節(jié)躍度均值方差最小且最大關(guān)節(jié)躍度值較小的原則，從所述Pareto最優(yōu)解集中選擇最優(yōu)的軌跡規(guī)劃方案。
【文檔編號】G05B13/00GK104020665SQ201410289512
【公開日】2014年9月3日 申請日期:2014年6月25日 優(yōu)先權(quán)日:2014年6月25日
【發(fā)明者】高欣, 王一帆, 孫漢旭, 杜明濤, 賈慶軒 申請人:北京郵電大學