CN106078705A - 汽车驾驶机器人换挡机械手尺寸的智能优化方法 - Google Patents

Abstract

本发明公布了一种汽车驾驶机器人换挡机械手尺寸的智能优化方法。首先根据换挡机械手的结构特点建立D‑H坐标系，并根据机器人在DH坐标系中的运动学方程求解并简化换挡机械手的末端运动轨迹方程；通过换挡机械手的运动轨迹方程分析驾驶机器人的换挡机械手在选挡过程和挂挡过程中的动态特性，从而建立优化目标函数，并根据驾驶机器人的结构特征和汽车驾驶室的特点确定约束条件，最后运用基于模拟退火的粒子群(SA‑PSO)智能优化方法来确定最优解，即二自由度七连杆结构的汽车驾驶机器人换挡机械手的各连杆尺寸。本发明所提出的方法提高了驾驶机器人换挡机械手的运动精度，减少了汽车换挡手柄选挡过程和挂挡过程的运动耦合。

Description

汽车驾驶机器人换挡机械手尺寸的智能优化方法

技术领域

本发明属于汽车自动驾驶技术领域，具体是一种汽车驾驶机器人换挡机械手尺寸的智能优化方法。

背景技术

汽车驾驶机器人是指无需对车辆进行改装，可无损安装在驾驶室内，替代驾驶员在恶劣条件和危险环境下进行车辆自动驾驶的特种机器人。由于具有良好的通用性、无损性、可重复性、安全性、可靠性以及准确性，因此它可广泛适用于民用和军用领域，应用前景极为广阔。通常在汽车出厂前需要进行大量试验来严格限制汽车尾气中有害物质的含量，而大多数汽车试验具有重复性强、危险性大、工作环境恶劣等特点，利用驾驶机器人代替人类驾驶员进行汽车试验，既可避免人工试验中驾驶员存在的安全隐患，又可提高试验结果的准确性和可靠性。另外，驾驶机器人作为辅助驾驶系统安装在车辆上，又可提高汽车主动安全性；用于残疾者康复训练，可仿生残疾者驾驶汽车操作，提高残疾者驾驶汽车能力及安全性；装备在军用暨特种车辆上，又可完成作战、排爆、灭火等高风险任务。

目前国内已经公开的并且比较成熟的汽车驾驶机器人换挡机械手是二自由度七连杆机构驾驶机器人换挡机械手，其机械手结构如中国专利20042002744.8“七连杆双自由度闭链换挡机械手”所述，该类型汽车驾驶机器人换挡机械手可分别操纵汽车换挡手柄完成选挡动作和挂挡动作，其换挡机械手的选挡运动过程和挂挡运动过程分别由两个直线驱动单元来驱动。该类型换挡机械手可以实现机械解耦、控制方便，且其结构紧凑、体积小、可无损安装在汽车驾驶室内、通用性好。此类驾驶机器人换挡机械手要实现精确控制其选换挡运动轨迹则需要对其七连杆结构的尺寸进行优化设计，目前的驾驶机器人换挡机械手七连杆尺寸优化设计主要采用复合形法和可变容差法，如东南大学博士学位论文“汽车排放耐久性试验用驾驶机器人关键技术及性能评价研究”提出了用复合形法优化换挡机械手的各连杆尺寸，又如谢军等人在《机器人》杂志发表的论文“汽车驾驶机器人换挡机械手的优化设计”提出了用可变容差法优化换挡机械手的各连杆尺寸，这些传统优化方法可基本实现换挡机械手选挂挡的要求，但其优化的换挡机械手选挡运动过程和挂挡运动过程的运动轨迹精度并不十分理想。

发明内容

本发明的目的在于提供一种汽车驾驶机器人换挡机械手尺寸的智能优化方法，此智能优化方法是基于模拟退火的粒子群优化方法，此方法可精确控制换挡机械手的运动轨迹以实现汽车变速器选换挡的要求。

实现本发明目的的技术解决方案为：一种汽车驾驶机器人换挡机械手尺寸的智能优化方法，其优化对象为二自由度七连杆机构的汽车驾驶机器人换挡机械手的各连杆尺寸，包括

优化目标函数及约束条件的建立阶段，首先根据DH坐标系下机器人运动学求解方法求解并简化汽车驾驶机器人换挡机械手末端的运动轨迹方程，以汽车驾驶机器人换挡机械手选挡运动过程中在挂挡方向的运动位移最小为准则建立选挡过程的优化目标函数，以汽车驾驶机器人换挡机械手挂挡运动过程中在选挡方向的运动位移最小为准则建立挂挡过程的优化目标函数，随后根据驾驶机器人的结构特点和汽车驾驶室的空间布局确定优化目标函数；

基于模拟退火的粒子群智能算法优化阶段，首先初始化粒子群并计算驾驶机器人换挡机械手选挡过程或挂挡过程的目标函数值，随后更新换挡机械手选挡过程或挂挡过程目标函数的局部极小值和全局极小值，最后对于目标函数(适应度)的局部极小值和全局极小值进行模拟退火邻域搜索，最后即可求解出二自由度七连杆机构换挡机械手各连杆尺寸的最优解。

本发明与现有技术相比，其显著优点：基于模拟退火粒子群算法的汽车驾驶机器人二自由度七连杆机构的换挡机械手的尺寸优化方法弥补了复合形法和可变容差法等传统优化算法无法跳出局部极小值的缺点，采用此方法优化之后的驾驶机器人换挡机械手选挡运动过程和挂挡运动过程的运动轨迹更加精确，减少了换挡手柄选挡过程和挂挡过程的运动耦合，确保了汽车驾驶机器人换挡机械手能准确地操纵换挡手柄完成换挡任务，提高了汽车驾驶实验的安全性和准确性。

附图说明

图1为本发明汽车驾驶机器人换挡机械手尺寸的智能优化方法的一个示范性流程图。

图2为汽车驾驶机器人换挡机械手机械简图。

图3为基于模拟退火的粒子群换挡机械手选挡过程尺寸优化的适应度收敛曲线。

图4为基于模拟退火的粒子群换挡机械手挂挡过程尺寸优化的适应度收敛曲线。

图5为不同方法优化的换挡机械手选挡时在挂挡方向上的位移仿真曲线。

图6为不同方法优化的换挡机械手挂挡时在选挡方向上的位移仿真曲线。

图7为不同方法优化的换挡机械手选挡时在挂挡方向上的速度仿真曲线。

图8为不同方法优化的换挡机械手挂挡时在选挡方向上的速度仿真曲线。

具体实施方式

本发明采用基于模拟退火的粒子群(SA-PSO)智能优化方法来优化设计二自由度七连杆结构的汽车驾驶机器人换挡机械手的各连杆尺寸。首先根据换挡机械手的结构特点建立D-H坐标系，并根据机器人在DH坐标系中的运动学方程求解并简化换挡机械手的末端运动轨迹方程；通过换挡机械手的运动轨迹方程分析驾驶机器人的换挡机械手在选挡过程和挂挡过程中的动态特性，从而建立优化目标函数，并根据驾驶机器人的结构特征和汽车驾驶室的特点确定约束条件，最后运用基于模拟退火的粒子群(SA-PSO)智能优化方法来确定最优解，即二自由度七连杆结构的汽车驾驶机器人换挡机械手的各连杆尺寸。

下面结合附图对本发明做进一步说明。

首先步骤1-1、设二自由度七连杆机构的驾驶机器人换挡机械手三个基座为O_A、O_B、O_C，其七连杆长度分别设为L_A1、L_A2、L_B1、L_B2、L_C1、L_C2和L_EF。

然后步骤1-2、根据二自由度七连杆机构的驾驶机器人换挡机械手的结构特点建立D-H坐标系，由于二自由度七连杆换挡机械手可分解为三开链系统，则按照D-H坐标系的建立规则在三开链处建立基座标系x_iAy_iAz_iA(i＝1,2,3)和活动坐标系x_ijy_ijz_ij(i＝1,2,3；j＝1,2)，其中z_ij轴都垂直于连杆平面。

然后步骤1-3、如图2所示，根据机器人在D-H坐标系中正解的求解方法可求出换挡机械手E关节出的运动轨迹方程：

$x_E=\[\begin{array}{cc}{L}_{A1}& L_{A2}\end{array}\]\left[\begin{array}{c}{\mathrm{cos\θ}}_{A1}\\ cos({\mathrm{\θ}}_{A1}+{\mathrm{\θ}}_{A2})\end{array}\right]=\left[\begin{array}{ccc}{L}_{B1}& L_{B2}& x_{BA}\end{array}\right]\left[\begin{array}{c}cos{\mathrm{\θ}}_{B1}\\ cos({\mathrm{\θ}}_{B1}+{\mathrm{\θ}}_{B2})\\ 1\end{array}\right]$

$=\left[\begin{array}{ccc}{L}_{C1}& L_{C2}& x_{BA}\end{array}\right]\left[\begin{array}{c}cos{\mathrm{\θ}}_{C1}\\ cos({\mathrm{\θ}}_{C1}+{\mathrm{\θ}}_{C2})\\ 1\end{array}\right]$

$\begin{array}{c}{y}_E=\[\begin{array}{cc}{L}_{A1}& L_{A2}\end{array}\]\left[\begin{array}{c}{\mathrm{sin\θ}}_{A1}\\ \sin ({\mathrm{\θ}}_{A1}+{\mathrm{\θ}}_{A2})\end{array}\right]=\left[\begin{array}{ccc}{L}_{B1}& L_{B2}& y_{BA}\end{array}\right]\left[\begin{array}{c}{\mathrm{sin\θ}}_{B1}\\ \sin ({\mathrm{\θ}}_{B1}+{\mathrm{\θ}}_{B2})\\ 1\end{array}\right]\\ =\left[\begin{array}{ccc}{L}_{C1}& L_{C2}& y_{CA}\end{array}\right]\left[\begin{array}{c}{\mathrm{sin\θ}}_{C1}\\ \sin ({\mathrm{\θ}}_{C1}+{\mathrm{\θ}}_{C2})\\ 1\end{array}\right]\end{array}$

上式中L_A1、L_A2、L_B1、L_B2、L_C1、L_C2为步骤1-1中所设的各连杆长度，(x_BA,y_BA)，(x_CA,y_CA)分别为基座O_B、O_C相对于基座为O_A的坐标。上式中的θ_A1、θ_A2、θ_B1、θ_B2、θ_C1、θ_C2表示坐标系x_ijy_ijz_ij与x_ij-1y_ij-1z_ij-1两者x轴之间的夹角。

然后步骤1-4、根据在D-H坐标系中求解出的换挡机械手E关节出的运动轨迹方程可化简换挡机械手E关节出的运动轨迹方程。令步骤1-3中关节角θ_B1、θ_C1和连杆长L_A1、L_A2、L_B1、L_B2、L_C1、L_C2均为已知量，则步骤1-3式中存在四个方程组和四个未知数θ_A1、θ_A2、θ_B2、θ_C2，则可以求出θ_A1、θ_A2、θ_B2、θ_C2的表达式为：

[θ_A1 θ_A2 θ_B2 θ_C2]＝[f_A1(θ_B1,θ_C1) f_A2(θ_B1,θ_C1) f_B2(θ_B1,θ_C1) f_C2(θ_B1,θ_C1)]

因此可得到x_E与y_E均只与关节变量θ_B1、θ_C1有关，即：

[x_E y_E]＝[f_xe(θ_B1,θ_C1) f_ye(θ_B1,θ_C1)]。

根据图2所示驾驶机器人换挡机械手的几何关系，可得二自由度七连杆机构的驾驶机器人换挡机械手的末端轨迹F运动方程与换挡机械手E关节处的运动轨迹方程之间的关系如下所示：

[x_F y_F]＝[x_E+L_EFcos(θ_A1+θ_A2) y_E+L_EFsin(θ_A1+θ_A2)]

因此二自由度七连杆机构的驾驶机器人换挡机械手的末端轨迹运动方程可简化为：

[x_F y_F]＝[f_xf(θ_B1,θ_C1) f_yf(θ_B1,θ_C1)]

然后步骤1-5、通过换挡机械手的运动轨迹方程分析驾驶机器人的换挡机械手在选挡和挂挡过程中的特点从而建立优化目标函数。P点的运动轨迹与θ_B1、θ_C1这两个变量有关，这两个变量的系数与机械手连杆尺寸L_A1、L_A2、L_B1、L_B2、L_C1、L_C2有关。如果对上述参数进行适当的选取，使步骤1-4中x_F＝f_xf(θ_B1，θ_C1)的θ_C1前的系数近似为零，使步骤1-4中y_F＝f_yf(θ_B1,θ_C1)的θ_B1前的系数近似为零，则根据图2所示，变速器换挡杆球头处在选挡方向上的运动只与θ_B1有关，在挂挡方向上的运动只与θ_C1有关，即驾驶机器人换挡机械手在选挡方向的运动只与绕O_B基座处旋转的角度有关，在挂挡方向的运动只与绕O_C基座处旋转的角度有关，可得驾驶机器人换挡机械手末端轨迹方程简化表达式为：

[x_F y_F]＝[f_xf(θ_B1) f_yf(θ_C1)]

通过以上的设计分析即可实现在选挡和挂挡方向上的机械解耦。由此可见在驾驶机器人换挡机械手完成选挡动作过程中令θ_C1＝0，在驾驶机器人换挡机械手完成挂挡动作过程中令θ_B1＝0，选取在完成100mm的选挡位移时换挡机械手末端F在挂挡方向上运动的位移最小为选挡过程的优化目标，选取在完成100mm的挂挡位移时换挡机械手末端F在选挡方向上运动的位移最小为挂挡过程的优化目标，从而可分别得到换挡机械手末端轨迹F位置在选挡过程和挂挡过程的优化目标函数分别为：

minΔy_F＝|y_F-L_A2-L_EF|＝f₁(L_A2,L_C1,L_C2)

minΔx_F＝|x_F-L_A1|＝f₂(L_A1,L_B1,L_B2)

最后步骤1-6、根据驾驶机器人的结构特征和汽车驾驶室的特点确定约束条件，其约束条件有：

(1)如图2所示驾驶机器人换挡机械手在200x200的“王”字形轨道内运动，要求换挡机械手在挂挡方向的运动范围和选挡方向的运动范围在±100mm范围之内，即：

-100≤x_F≤100

-100≤y_F≤100

(2)根据驾驶机器人的结构特点及驾驶室的空间布局可确定各连杆的长度范围：

180<L_A1<250，100<L_A2<250，70<L_B1<150，200<L_B2<250，150<L_C1<200，100<L_C2<190，L_A1+L_EF＝600

如图1所示，所述基于模拟退火的粒子群智能算法优化阶段(SA-PSO)包括以下步骤：

步骤2-1、根据汽车驾驶机器人的结构特点选择合适的参数初始化粒子群各粒子的位置和速度，设置粒子群规模N、最大迭代次数D、算法终止条件、学习因子c₁,c₂，压缩因子为其中C＝c₁+c₂。

步骤2-2、计算换挡机械手选挡优化过程和挂挡优化过程中种群中每个微粒的目标函数值(适应度)，根据权利1要求驾驶机器人选挡过程中的目标函数为步骤1-5中的minΔy_F，挂挡过程中的目标函数为步骤1-5中的minΔx_F，其目标函数值即为粒子群的适应度。

步骤2-3、更新汽车驾驶机器人换挡机械手选挡优化过程和挂挡优化过程中粒子群微粒的目标函数值(适应度)的局部极小值Pbest和全局极小值Gbest。

步骤2-4、对于换挡机械手选挡优化过程和挂挡优化过程中粒子群微粒适应度的全局极小值和局部极小值进行模拟退火(SA)邻域搜索，选择出新的全局最优值和局部最优值，比较Gbest是否达到算法的终止条件或最大迭代次数，若是寻优程序终止，否则返回步骤2-3继续进行寻优计算，直到达到终止条件为止。

4.步骤2-4所述的汽车驾驶机器人换挡机械手选挡优化过程和挂挡优化过程粒子群微粒适应度的全局极小值和局部极小值进行模拟退火(SA)邻域搜索包括以下步骤：

(1)确定初始温度t₀，退火温度T_k及模拟退火的参数β(β∈(0,1))。初始温度和退温温度对算法有一定的影响，一般采用如下的初温和退温方式：

t₀＝f(p_g)/ln5，T_k+1＝βT_k

(2)确定当前温度下Pi的适配值，其适配值满足以下公式:

$TF\left(Pi\right)=e^{-(f_{pi}-f_{pg})/t}/\underset{j=1}{\overset{N}{\&Sigma;}}{e}^{-(f_{p1}-f_{pg})/t}$

上式中N为粒子群规模，f函数表示目标函数。

(3)采用轮盘赌策略从所有Pi中确定全局最优的某个替代Pg’来替代原粒子群算法的Pg，这种处理有利于克服粒子群算法易陷入全局最小值的弱点，则基于模拟退火粒子群更新各微粒的速度和位置公式为：

v_i,j(k+1)＝γ[v_i,j(k)+c₁r₁(p_i,j(k)-x_i,j(k))+c₂r₂(p'_i,j(k)-x_i,j(k))]

x_i,j(k+1)＝x_i,j(k)+v_i,j(k+1)(j＝1,...,n)

上述的粒子群速度和位置更新式中c₁、c₂表示学习因子，r₁、r₂为相互独立的伪随机数，在[0,1]上服从均匀分布，x，v分别代表粒子群各粒子的位置和速度。

(4)计算汽车驾驶机器人换挡机械手选挡优化过程和挂挡优化过程各微粒新的目标值，更新各微粒的Pbest值及群体的Gbest值。

(5)进行退温操作，若满足停止条件(通常为预设的运算精度或迭代次数)，搜索停止，输出结果，否则返回(2)继续搜索。

通过以上两个阶段对于驾驶机器人换挡机械手尺寸进行优化，通过MATLAB编程可得驾驶机器人换挡机械手的优化后的尺寸，如图3所示其换挡机械手七连杆的长度分别为L_A1＝220、L_A2＝136、L_B1＝92、L_B2＝246、L_C1＝172、L_C2＝101和L_EF＝464。如图3-图4所示的驾驶机器人换挡机械手基于模拟退火的粒子群智能优化方法的选挡优化过程和挂挡优化过程的适应度值收敛曲线可以看出该种优化方法有较好的收敛性，其收敛速度也较快，满足驾驶机器人换挡机械手选挡优化过程和挂挡优化过程优化目标函数的要求。

为了进一步说明基于模拟退火的粒子群(SA-PSO)智能优化方法对于二自由度七连杆机构的驾驶机器人换挡机械手尺寸的优化效果，本专利将本方法与基于复合形法和基于可变容差法的优化结果进行对比，从而分析本方法的优越性。

利用复合形法优化的驾驶机器人换挡机械手的尺寸为L_A1＝180、L_A2＝140、L_B1＝110、L_B2＝225、L_C1＝170、L_C2＝90和L_EF＝460，通过多体动力学软件ADAMS进行运动学仿真，如图5所示利用复合形法优化的驾驶机器人换挡机械手完成100mm的选挡位移时，其在挂挡方向的位移约为4.5mm；如图6所示当驾驶机器人换挡机械手完成100mm的挂挡位移时，其在选挡方向的位移约为20mm；如图7所示利用复合形法优化的驾驶机器人换挡机械手完成100mm的选挡位移时，其在挂挡方向的最大速度约为8.89mm/s；如图8所示当驾驶机器人换挡机械手完成100mm的挂挡位移时，其在选挡方向的最大速度约为38.79mm/s。综合图5和图6可得结论当换挡机械手完成100mm的选挡位移时，其在挂挡方向的位移满足不大于5mm的误差要求；但是当换挡机械手完成100mm的挂挡位移时，其在选挡方向的位移约为20mm，误差较大，换挡机械手挂挡时的运动精度较差。同理综合图7和图8可知当换挡机械手完成100mm的选挡位移时，其在挂挡方向的最大运动速度较小，满足10mm/s的运动误差要求；但是当换挡机械手完成100mm的挂挡位移时，其在选挡方向的最大运动速度约为38.79mm/s，误差较大，换挡机械手挂挡时的运动精度较差。

利用可变容差法优化的驾驶机器人换挡机械手的尺寸为L_A1＝200、L_A2＝240、L_B1＝100、L_B2＝240、L_C1＝175、L_C2＝150和L_EF＝360，通过多体动力学软件ADAMS进行运动学仿真，如图5所示，利用可变容差法优化的驾驶机器人换挡机械手完成100mm的选挡位移时，其在挂挡方向的位移约为4.5mm；如图6所示当驾驶机器人换挡机械手完成100mm的挂挡位移时，其在选挡方向的位移约为18mm。如图7所示利用可变容差法优化的驾驶机器人换挡机械手完成100mm的选挡位移时，其在挂挡方向的最大速度约为8.32mm/s；如图8所示当驾驶机器人换挡机械手完成100mm的挂挡位移时，其在选挡方向的最大速度约为32.57mm/s。综合图5和图6可得结论当换挡机械手完成100mm的选挡位移时，其在挂挡方向的位移约为4.5mm，满足不大于5mm的误差要求；但是当换挡机械手完成100mm的挂挡位移时，其在选挡方向的位移约为18mm，误差较大，换挡机械手挂挡时的运动精度较差。同理综合图7和图8可知当换挡机械手完成100mm的选挡位移时，其在挂挡方向的最大运动速度较小，满足10mm/s的运动误差要求；但是当换挡机械手完成100mm的挂挡位移时，其在选挡方向的最大运动速度约为32.57mm/s，误差较大，换挡机械手挂挡时的运动精度较差。

利用基于模拟退火的粒子群(SA-PSO)智能优化方法优化的驾驶机器人换挡机械手的尺寸为L_A1＝180、L_A2＝140、L_B1＝110、L_B2＝225y、L_C1＝170、L_C2＝90和L_EF＝460，通过多体动力学软件ADAMS进行运动学仿真，如图5所示，利用基于模拟退火的粒子群(SA-PSO)优化的驾驶机器人换挡机械手完成100mm的选挡位移时，其在挂挡方向的位移约为3.5mm，如图6所示当驾驶机器人换挡机械手完成100mm的挂挡位移时，其在选挡方向的位移约为4.5mm。如图7所示利用SA-PSO优化的驾驶机器人换挡机械手完成100mm的选挡位移时，其在挂挡方向的最大速度约为7.41mm/s；如图8所示当驾驶机器人换挡机械手完成100mm的挂挡位移时，其在选挡方向的最大速度约为8.71mm/s。综合图5和图6可得结论当换挡机械手完成100mm的选挡位移时和完成100mm的挂挡位移时，其在挂挡方向的误差位移和在选挡方向上的误差位移均满足不大于5mm的误差要求。同理综合图7和图8可得结论当换挡机械手完成100mm的选挡位移时和完成100mm的挂挡位移时，其在挂挡方向的最大运动速度和在选挡方向上的最大运动速度均满足不大于10mm/s的误差要求。

如图5-8所示可得出结论，利用复合形法法优化的驾驶机器人换挡机械手和利用可变容差法优化的驾驶机器人换挡机械手的尺寸都只在汽车驾驶机器人换挡机械手选挡过程中有较好的误差精度，而在换挡机械手挂挡过程中的运动精度较差。而利用基于模拟退火的粒子群(SA-PSO)智能优化方法优化的驾驶机器人换挡机械手在选挡过程中和挂挡过程中均有较好的误差精度，满足汽车变速器换挡手柄换挡的要求。

Claims (5)

1.一种汽车驾驶机器人换挡机械手尺寸的智能优化方法，其特征在于：包括

优化目标函数及约束条件的建立阶段，首先根据DH坐标系下机器人运动学求解方法求解并简化汽车驾驶机器人换挡机械手末端的运动轨迹方程，以汽车驾驶机器人换挡机械手选挡运动过程中在挂挡方向的运动位移最小为准则建立选挡过程的优化目标函数，以汽车驾驶机器人换挡机械手挂挡运动过程中在选挡方向的运动位移最小为准则建立挂挡过程的优化目标函数，随后根据驾驶机器人的结构特点和汽车驾驶室的空间布局确定优化目标函数；

基于模拟退火的粒子群智能算法优化阶段，首先初始化粒子群并计算驾驶机器人换挡机械手选挡过程或挂挡过程的目标函数值，随后更新换挡机械手选挡过程或挂挡过程目标函数的局部极小值和全局极小值，最后对于目标函数(适应度)的局部极小值和全局极小值进行模拟退火邻域搜索，最后即可求解出二自由度七连杆机构换挡机械手各连杆尺寸的最优解。

2.根据权利要求1所述的汽车驾驶机器人换挡机械手尺寸的智能优化方法，其特征在于：所述优化目标函数及约束条件的建立阶段具体包括以下步骤：

步骤1-1，设二自由度七连杆机构的驾驶机器人换挡机械手三个基座为O_A、O_B、O_C，其七连杆长度分别设为L_A1、L_A2、L_B1、L_B2、L_C1、L_C2和L_EF；

步骤1-2，根据二自由度七连杆机构的驾驶机器人换挡机械手的结构特点建立D-H坐标系，并将二自由度七连杆换挡机械手分解为三开链系统，按照D-H坐标系的建立规则在三开链处建立基座标系x_iAy_iAz_iA(i＝1,2,3)和活动坐标系x_ijy_ijz_ij(i＝1,2,3；j＝1,2)，其中z_ij轴都垂直于连杆平面；

步骤1-3，根据机器人在D-H坐标系中运动学求解方法求出换挡机械手E关节出的运动轨迹方程：

$\begin{array}{c}{x}_E=\left[\begin{array}{cc}{L}_{A1}& L_{A2}\end{array}\right]\left[\begin{array}{c}{\mathrm{cos\&theta;}}_{A1}\\ \cos \left({\mathrm{\&theta;}}_{A1}+{\mathrm{\&theta;}}_{A2}\right)\end{array}\right]=\left[\begin{array}{ccc}{L}_{B1}& L_{B2}& x_{BA}\end{array}\right]\left[\begin{array}{c}{\mathrm{cos\&theta;}}_{B1}\\ \cos \left({\mathrm{\&theta;}}_{B1}+{\mathrm{\&theta;}}_{B2}\right)\\ 1\end{array}\right]\\ =\left[\begin{array}{ccc}{L}_{C1}& L_{C2}& x_{BA}\end{array}\right]\left[\begin{array}{c}{\mathrm{cos\&theta;}}_{C1}\\ \cos \left({\mathrm{\&theta;}}_{C1}+{\mathrm{\&theta;}}_{C2}\right)\\ 1\end{array}\right]\end{array}$

$\begin{array}{c}{y}_E=\left[\begin{array}{cc}{L}_{A1}& L_{A2}\end{array}\right]\left[\begin{array}{c}{\mathrm{sin\&theta;}}_{A1}\\ \sin \left({\mathrm{\&theta;}}_{A1}+{\mathrm{\&theta;}}_{A2}\right)\end{array}\right]=\left[\begin{array}{ccc}{L}_{B1}& L_{B2}& y_{BA}\end{array}\right]\left[\begin{array}{c}{\mathrm{sin\&theta;}}_{B1}\\ \sin \left({\mathrm{\&theta;}}_{B1}+{\mathrm{\&theta;}}_{B2}\right)\\ 1\end{array}\right]\\ =\left[\begin{array}{ccc}{L}_{C1}& L_{C2}& y_{CA}\end{array}\right]\left[\begin{array}{c}{\mathrm{sin\&theta;}}_{C1}\\ \sin \left({\mathrm{\&theta;}}_{C1}+{\mathrm{\&theta;}}_{C2}\right)\\ 1\end{array}\right]\end{array}$

则二自由度七连杆机构的驾驶机器人换挡机械手的末端F点的运动轨迹方程为：

[x_F y_F]＝[x_E+L_EFcos(θ_A1+θ_A2)y_E+L_EFsin(θ_A1+θ_A2)]

上式中L_A1、L_A2、L_B1、L_B2、L_C1、L_C2为步骤1-1中所设的各连杆长度，(x_BA,y_BA)，(x_CA,y_CA)分别为基座O_B、O_C相对于基座为O_A的坐标；上式中的θ_A1、θ_A2、θ_B1、θ_B2、θ_C1、θ_C2表示坐标系x_ijy_ijz_ij与x_ij-1y_ij-1z_ij-1两者x轴之间的夹角；

步骤1-4，在D-H坐标系中求解出换挡机械手F关节处的运动轨迹方程，并将换挡机械手F关节处的运动轨迹方程化简；令步骤1-3中关节角θ_B1、θ_C1和连杆长为L_A1、L_A2、L_B1、L_B2、L_C1、L_C2均为已知量，则可求出θ_A1、θ_A2、θ_B2、θ_C2的解均只与θ_B1,θ_C1有关；将θ_A1、θ_A2、θ_B2、θ_C2的解代入如步骤1-3的关于x_F与y_F的表达式，因此二自由度七连杆机构的驾驶机器人换挡机械手的末端轨迹运动方程可简化为：

[x_F y_F]＝[f_xf(θ_B1,θ_C1) f_yf(θ_B1,θ_C1)]

步骤1-5，通过换挡机械手的运动轨迹方程分析驾驶机器人的换挡机械手在选挡运动过程和挂挡运动过程中的特点从而建立优化目标函数；首先对驾驶机器人换挡机械手的选挡方向的运动和挂挡方向上的运动进行机械解耦，即通过对步骤1-4换挡机械手末端运动轨迹方程的系数进行选取，使步骤1-4中x_F＝f_xf(θ_B1,θ_C1)的θ_C1前的系数近似为零，使步骤1-4中y_F＝f_yf(θ_B1,θ_C1)的θ_B1前的系数近似为零，则驾驶机器人末端F位置处的轨迹方程进一步简化为：

[x_F y_F]＝[f_xf(θ_B1) f_yf(θ_C1)]

最后选取在完成100mm的选挡位移时换挡机械手末端F在挂挡方向上运动的位移最小为选挡过程的优化目标，选取在完成100mm的挂挡位移时换挡机械手末端F在选挡方向上运动的位移最小为挂挡过程的优化目标，从而分别得到换挡机械手末端轨迹F位置在选挡过程和挂挡过程的优化目标函数分别为：

minΔy_F＝|y_F-L_A2-L_EF|＝f₁(L_A2,L_C1,L_C2)

minΔx_F＝|x_F-L_A1|＝f₂(L_A1,L_B1,L_B2)

步骤1-6，根据汽车驾驶机器人的结构特定和汽车驾驶室的空间布局确定优化约束条件，其约束条件有：

(1)换挡机械手在挂挡方向的运动范围和选挡方向的运动范围在±100mm范围之内，即：

-100≤x_F≤100，-100≤y_F≤100

(2)根据驾驶机器人的结构特点和汽车驾驶室的空间布局确定各连杆的长度范围：

180＜L_A1＜250，100＜L_A2＜250，70＜L_B1＜150，200＜L_B2＜250，150＜L_C1＜200，100＜L_C2＜190，L_A2+L_EF＝600。

3.根据权利要求1或2所述的汽车驾驶机器人换挡机械手尺寸的智能优化方法，其特征在于：所述基于模拟退火的粒子群智能算法优化阶段具体包括以下步骤：

步骤2-1、根据汽车驾驶机器人的结构特点选择参数初始化粒子群各粒子的位置和速度，设置粒子群规模N、最大迭代次数D、算法终止条件、学习因子c₁,c₂，压缩因子为其中C＝c₁+c₂；

步骤2-2、计算换挡机械手选挡优化过程和挂挡优化过程中种群中每个微粒的目标函数值即适应度，驾驶机器人选挡过程中的目标函数为步骤1-5中的minΔy_F，挂挡过程中的目标函数为步骤1-5中的minΔx_F，其目标函数值即为粒子群的适应度；

步骤2-3、更新汽车驾驶机器人换挡机械手选挡优化过程和挂挡优化过程中粒子群微粒的目标函数值的局部极小值Pbest和全局极小值Gbest；

步骤2-4、对于换挡机械手选挡优化过程和挂挡优化过程中粒子群微粒适应度的全局极小值和局部极小值进行模拟退火SA邻域搜索，选择出新的全局最优值和局部最优值，比较Gbest是否达到算法的终止条件或最大迭代次数，若是寻优程序终止，否则返回步骤2-3继续进行寻优计算，直到达到终止条件为止。

4.根据权利要求3所述的汽车驾驶机器人换挡机械手尺寸的智能优化方法，其特征在于：所述汽车驾驶机器人换挡机械手选挡优化过程和挂挡优化过程粒子群微粒适应度的全局极小值和局部极小值进行模拟退火SA邻域搜索具体包括以下步骤：

(1)确定初始温度t₀，退火温度T_k及模拟退火的参数β，(β∈(0,1))，采用如下的初温和退温方式：

t₀＝f(p_g)/ln5，T_k+1＝βT_k

(2)将当前粒子群中各粒子的位置和适应度值存储在Pi中，则可确定当前温度下Pi的适配值，其适配值满足以下公式:

$TF\left(Pi\right)=e^{-(f_{pi}-f_{pg})/t}/\underset{j=1}{\overset{N}{\&Sigma;}}{e}^{-(f_{pi}-f_{pg})/t}$

上式中N为粒子群规模，f函数表示目标函数；

(3)采用轮盘赌策略从所有Pi中确定全局最优的某个替代p_g’来替代原粒子群算法的p_g，p_g为存储粒子群中适应度最优粒子的位置和适应度值的一个集合，基于模拟退火粒子群更新各微粒的速度和位置公式为：

v_i,j(k+1)＝γ[v_i,j(k)+c₁r₁(p_i,j(k)-x_i,j(k))+c₂r₂(p'_i,j(k)-x_i,j(k))]

x_i,j(k+1)＝x_i,j(k)+v_i,j(k+1) j＝1,...,n

上述粒子群速度和位置更新式中c₁、c₂表示学习因子，r₁、r₂为相互独立的伪随机数，在[0,1]上服从均匀分布，x，v分别代表粒子群各粒子的位置和速度，γ为压缩因子；

(4)计算汽车驾驶机器人换挡机械手选挡优化过程和挂挡优化过程各微粒新的目标值，更新各微粒的局部极小值Pbest及群体的全局极小值Gbest；

(5)进行退温操作，若满足停止条件，搜索停止，输出结果，否则返回(2)继续搜索。

5.根据权利要求4所述的汽车驾驶机器人换挡机械手尺寸的智能优化方法，其特征在于：步骤(5)所述的停止条件为预设的运算精度或迭代次数。