CN107390684A - 一种多机器人协同的汽车零配件焊接最优路径规划方法 - Google Patents

Abstract

本发明公开了一种多机器人协同的汽车零配件焊接最优路径规划方法，包括步骤：焊点信息预处理步骤；基于协同进化的混合遗传‑粒子群优化算法的焊点路径规划步骤；焊点路径规划信息转化为焊接机器人的运动路径步骤。本发明方法将遗传算法和粒子群优化算法相结合，基于遗传算法的突变特点可以增加粒子群算法迭代过程中的粒子群多样性和全局搜索能力，能够解决汽车零配件生产过程中焊接路径最优规划问题。

Description

一种多机器人协同的汽车零配件焊接最优路径规划方法

技术领域

本发明涉及焊接路径规划技术领域，特别涉及一种多机器人协同的汽车零配件焊接最优路径规划方法。

背景技术

我国是汽车生产和销量的大国，汽车零配件是汽车行业中最具突破能力的行业，研究汽车零配件行业的生产装备问题具有广泛的应用前景。

焊接机器人是汽车零配件焊接生产线的关键执行结构，在获得焊接件的类型、焊接点布局和焊接点尺寸等信息后，由机器人选择合适的超声波焊接头完成焊接工作。焊接机器人合理的轨迹规划、机器人精准的定位技术是实现高精度汽车零配件超声焊接的关键技术难题。迫切需要针对机械手臂规划最优焊接策略，实现多机器人协同的多任务和高精度柔性焊接。

汽车零配件生产通常是由不同的饰件装配焊接而成。如附图1所示，以某汽车零配件前门内饰为例，一般由前门上本体总成、前门上本体加强件、前门下本体、前门地图袋、前门储物盒、前门内开手柄盒、前门吸能块等通过装配焊接而成。因此，焊接机器人需要在不同的曲面上进行焊接。由于不同的汽车零配件装配的饰件数量不同，往往需要进行加工焊接的焊点数目和种类很多，且焊点分布比较分散而无规律。在焊接生产线上，焊点数目多且焊点分布复杂导致焊接任务繁重，所以对汽车零配件生产过程中，焊接机器人焊接任务中的焊点进行合理规划就很有必要。由于焊接任务繁重，若由单台焊接机器人执行，往往不能满足生产需求，存在生产周期长、效率低下等问题，因此，汽车零配件生产由多台机器人协同完成焊接任务。一方面，多机器人协同焊接可以缩短生产周期，提高生产效率，另一方面，多台机器人相互合作可以完成单台焊接机器人无法实现的焊接任务。因此，提出一种多机器人协同的汽车零配件最优焊接路径对提高总体的生产效率以及经济效益有着重要的意义。

以往大多数都是通过技术人员依靠经验进行路径规划。路径规划根据焊接机器人、焊点数量及分布情况，结合生产工艺流程，依靠经验法则规划出焊接路径，并对焊接机器人进行现场示教，最终得出最优路径。依赖技术人员经验而得出的方法缺乏一定的科学性，且规划周期长，难以保证效率，缺乏柔性和适应性，规划出的路径往往不一定是最优路径。采用传统的方法虽然可以解决焊点数量较少且焊点布局简单的焊接任务，但是对于焊点数量很多且分布复杂的焊接任务，采用传统的方法不一定能获得令人满意的结果。对此，智能算法提供了一种有效的解决途径。

遗传算法和粒子群优化算法在路径规划问题方面有着广泛的应用。遗传算法(GA)是一类模拟生物进化过程的遗传机制的全局搜索和最优化方法。它模拟自然选择和自然遗传过程中发生的繁殖、交叉和基因突变现象，在每次迭代中都保留一些候选解，并按某种指标从粒子群中选取较优的个体。利用遗传算子，对这些个体进行遗传操作，产生新一代的粒子群。重复此过程，直到满足一定的收敛条件为止。遗传算法的组成主要包括遗传编码、适应度函数、遗传算子(选择、交叉、变异)、运行参数。遗传算法没有能够及时利用网络的反馈信息，故算法的搜索速度比较慢。

基本粒子群优化算法(PSO)源于鸟类的捕食行为，是一种基于迭代的优化方法。PSO算法通过随机初始化一定数量的粒子构成粒子群，然后通过迭代寻找最优解。在每次迭代过程中，粒子通过当前计算的个体最优位置(pbest)和全局最优位置(gbest)来更新自己的状态。PSO算法具有快速搜寻能力，但是容易陷入局部最优解，且经过若干次迭代后粒子群会失去多样性，造成“早熟收敛”现象，不能得到全局最优解。

发明内容

本发明的目的是为了解决多机器人协同的汽车零配件焊接路径规划技术中的缺陷，提出一种最优路径规划方法；该方法将改进的粒子群优化算法与遗传算法相结合，提出一种基于协同进化的混合遗传-粒子群(GA-PSO)优化算法，综合了GA的变异能力、全局搜索能力和PSO局部搜索能力，将该算法应用到多机器人协同焊接路径规划中。

本发明的目的通过以下的技术方案实现：

一种多机器人协同的汽车零配件焊接最优路径规划方法，包括以下步骤：

S1、焊点信息的预处理步骤；

S2、焊点路径规划步骤：在获得焊接任务的焊点信息之后，确认总体焊点信息C＝(c₁,c₂,c₃,…,c_n)，其中c_i表示不同焊点；根据焊接机器人的数量确定焊接任务T＝(T₁,T₂,T₃,…,T_n)，其中T_i为单台机器人的焊接任务；使用基于协同进化的混合遗传-粒子群优化算法，将焊接任务T的焊点信息作为输入的数据进行计算处理，经过迭代运算之后，得出满足要求的焊接路径；

S3、焊点路径规划转化为焊接机器人运动轨迹的步骤。

优选的，步骤S1中焊点信息的预处理步骤包括：首先采用视觉图像处理系统对所需要的焊接饰件进行图像识别和特征提取，将检测到的焊点数量和位置信息与预先设定的焊点数和位置信息进行比较，保证焊点总数和位置都是正确的。

优选的，步骤S2中，首先根据焊接任务确认路径规划的目标优化函数，建立适应度评价函数；其次是多机器人焊接任务的分配，将多台焊接机器人的路径规划问题分解成单台焊接机器人的路径规划子问题，对于每台焊接机器人进行路径规划，并将结果与其他机器人进行协同进化，最后合并所有子问题的解得到完整路径规划结果。

优选的，步骤S2具体包括：

S21、粒子群初始化：针对焊接任务T_i，初始化焊接机器人的粒子群，群体初始规模m，并对每台焊接机器人的焊接点进行编码，对每台焊接机器人，按焊接点编号的编码生成初始粒子群{θ₁,θ₂,θ₃,…,θ_m}，其中每个粒子θ_i代表一条焊接路径；

S22、对给定的焊接任务确定多目标优化函数，然后根据路径目标优化函数建立适应度评价函数；

S23、粒子群适应度评价：不同焊接机器人之间的路径由全局适应度函数评估，判断两台焊接机器人之间在运动过程发生干涉和焊点分配是否合理；对于任一粒子群，随机选择种群合作者，进行全局适应度评价，如果满足条件则输出结果，否则执行步骤S24；

S24、将初始化的所有粒子作为遗传算法的初始解，使用遗传算法获得一个全局最优解gabest；

S25、粒子群更新迭代操作，每台焊接机器人，对于每个粒子群，计算每个粒子θ_i的适应度，并根据适应度评价计算个体最优解pbest_i和全局最优解gbest；然后进行焊接机器人粒子群进化操作；

S26、更新得到新一代的粒子群，判断是否满足终止条件，若不满足终止条件，则返回步骤S24，否则跳转到步骤S23；

S27、综合每个子问题的解，综合每台焊接机器人的路径得到完整结果。

具体的，步骤S26中所述终止条件为达到预定的迭代次数或结果精度。

具体的，遗传运算包括操作：选择、交叉、变异。

具体的，步骤S25中焊接机器人粒子群进化操作包括：

对于每个粒子θ_i，与pbest_i进行交叉、变异操作得到新的粒子θ’_i，如果新粒子θ’_i的适应度更优则接受此操作，否则取消此次交叉、变异操作。

具体的，步骤S25中焊接机器人粒子群进化操作包括：

对于每个粒子θ_i，与gbest进行交叉、变异操作得到新的粒子θ’_i，如果新粒子θ’_i的适应度更优则接受此操作，否则取消此次交叉、变异操作。

具体的，步骤S25中焊接机器人粒子群进化操作包括：

对于每个粒子θ_i，与gabest进行交叉、变异操作得到新的粒子θ’_i，如果新粒子θ’_i的适应度更优则接受此操作，否则取消此次交叉、变异操作。

优选的，最优路径是基于不同的标准要求，包括路径最短、时间最少、能耗最低。

优选的，由多机器人协同并行完成焊接任务，需要确定每个焊接机器人焊接机械臂的工作区域范围。

本发明与现有技术相比，具有如下优点和有益效果：

1、本发明将遗传算法和粒子群优化算法相结合，基于遗传算法的突变特点可以增加粒子群算法迭代过程中的粒子群多样性和全局搜索能力，能够解决汽车零配件生产过程中焊接路径最优规划问题，在汽车零配件焊接生产线上应用智能算法针对不同的焊接饰件进行路径规划，实现自适应柔性焊接生产。

2、本发明在基于网络环境的机器视觉和多传感器融合技术下分配多机器人协同焊接，应用智能路径规划算法，能有效提高焊接速度、节能，提高生产效率。

附图说明

图1是一种汽车零配件前门内饰焊接示意图。

图2是一种汽车零配件前门内饰焊接生产中的焊点分布示意图。

图3是实施例中路径规划方法整体的流程图。

图4是实施例中路径规划方法具体的执行流程图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例

一种多机器人协同的汽车零配件焊接最优路径规划方法，该方法可针对不同的焊接饰件，对焊点信息进行分析，计算得到相应的焊接路径。该方法具体包括下列步骤：

S1、焊点信息的预处理步骤：首先采用视觉图像处理系统对所需要的焊接饰件进行图像识别和特征提取，并与预先设定的焊点信息比较，获取焊接点数量和分布情况。

在具体应用中，所述步骤S1具体包括：

S11、对应于原始的饰件，每个原始饰件所具有的焊点数和位置信息是已知的，通过图像处理技术将检测到的焊点数量和位置信息与原始设定的焊点数和位置信息进行比较，保证焊点总数和位置都是正确的，保证了后续步骤的进行。

S12、在识别出正确的焊点信息后，就可以将信息传输到机械臂，从而调用正确的焊头对饰件进行焊接。

S2、焊点路径规划步骤：在获得焊接任务的焊点信息之后，确认总体焊点信息C＝(c₁,c₂,c₃,…,c_n)，其中c_i表示不同焊点；根据焊接机器人的数量确定焊接任务T＝(T₁,T₂,T₃,…,T_n)，其中T_i为单台机器人的焊接任务。使用基于协同进化的混合遗传-粒子群优化算法，将焊接任务T的焊点信息作为输入的数据进行计算处理，经过算法的迭代运算之后，得出满足要求的焊接路径。

首先根据焊接任务确认路径规划的目标优化函数，建立适应度评价函数；其次是多机器人焊接任务的分配，将多台焊接机器人的路径规划问题分解成单台焊接机器人的路径规划子问题，对于每台焊接机器人进行路径规划，并将结果与其他机器人进行协同进化，最后合并所有子问题的解得到完整路径规划结果。执行流程图如附图3所示。

具体的，

S21、首先考虑到焊接任务是由多机器人协同并行完成焊接任务，因此需要确定每个焊接机器人焊接机械臂的工作区域范围。同时所谓的最优路径是基于不同的标准要求，例如路径最短、时间最少、能耗最低等。对给定的焊接任务确定多目标优化函数，然后根据路径目标优化函数建立适应度评价函数。

S22、粒子群初始化：针对焊接任务T_i，初始化焊接机器人的粒子群，群体初始规模m，并对每台焊接机器人的焊接点进行编码，对每台焊接机器人，按焊接点编号的编码生成初始粒子群{θ₁,θ₂,θ₃,…,θ_m}，其中每个粒子θ_i代表一条焊接路径。

S23、粒子群适应度评价：不同焊接机器人之间的路径由全局适应度函数评估，判断两台焊接机器人之间在运动过程发生干涉和焊点分配是否合理。对于粒子群1，随机选择种群合作者，进行全局适应度评价，如果满足条件则输出结果，否则执行步骤S24。

S24、将初始化的所有粒子作为遗传算法的初始解，使用遗传算法获得一个全局最优解gabest。

对每个粒子群，把所有粒子作为遗传算法的初始解，使用遗传算法可得到一个全局最优解gabest，遗传运算包括选择、交叉、变异等操作。

S25、粒子群更新迭代操作，每台焊接机器人，对于每个粒子群，计算每个粒子θ_i的适应度，并根据适应度评价计算个体最优解pbest_i和全局最优解gbest。

焊接机器人粒子群进化操作：

1)对于每个粒子θ_i，与pbest_i进行交叉、变异操作得到新的粒子θ’_i，如果新粒子θ’_i的适应度更优则接受此操作，否则取消此次交叉、变异操作；

2)对于每个粒子θ_i，与gbest进行交叉、变异操作得到新的粒子θ’_i，如果新粒子θ’_i的适应度更优则接受此操作，否则取消此次交叉、变异操作；

3)对于每个粒子θ_i，与gabest进行交叉、变异操作得到新的粒子θ’_i，如果新粒子θ’_i的适应度更优则接受此操作，否则取消此次交叉、变异操作。

S26、更新得到新一代的粒子群，判断是否满足终止条件，若不满足终止条件，则返回步骤S24，否则跳转到步骤S23。整个执行流程如附图4所示。

其中，所述终止条件为达到预定的迭代次数或结果精度。

S27、综合每个子问题的解，综合每台焊接机器人的路径得到完整结果。

S3、焊点路径规划转化为焊接机器人运动轨迹步骤，将以上求得的满足焊接要求的焊接路径应用于焊接机器人汽车饰件焊接过程中，使其按照设定的路径完成焊接任务。

将所述焊点路径作为焊接机器人的焊接次序，使每台机器人自动地依次对焊点进行协同焊接。

综上所述，本实施例中采用基于协同进化思想的混合遗传-粒子群优化算法，该算法结合了遗传算法在迭代过程中的粒子群多样性和全局搜索能力以及粒子群算法简单、收敛速度快的优点。粒子群之间采用协同进化的思想，解决多目标优化问题。可以将基于协同进化的混合遗传-粒子群优化算法应用于多机器人协同焊接路径规划中。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (10)

1.一种多机器人协同的汽车零配件焊接最优路径规划方法，其特征在于，包括以下步骤：

S1、焊点信息的预处理步骤；

S2、焊点路径规划步骤：在获得焊接任务的焊点信息之后，确认总体焊点信息C＝(c₁,c₂,c₃,…,c_n)，其中c_i表示不同焊点；根据焊接机器人的数量确定焊接任务T＝(T₁,T₂,T₃,…,T_n)，其中T_i为单台机器人的焊接任务；使用基于协同进化的混合遗传-粒子群优化算法，将焊接任务T的焊点信息作为输入的数据进行计算处理，经过迭代运算之后，得出满足要求的焊接路径；

S3、焊点路径规划转化为焊接机器人运动轨迹的步骤。

2.根据权利要求1所述的方法，其特征在于，步骤S1中焊点信息的预处理步骤包括：首先采用视觉图像处理系统对所需要的焊接饰件进行图像识别和特征提取，将检测到的焊点数量和位置信息与预先设定的焊点数和位置信息进行比较，保证焊点总数和位置都是正确的。

3.根据权利要求1所述的方法，其特征在于，步骤S2中，首先根据焊接任务确认路径规划的目标优化函数，建立适应度评价函数；其次分配多机器人焊接任务，将多台焊接机器人的路径规划问题分解成单台焊接机器人的路径规划子问题，对于每台焊接机器人进行路径规划，并将结果与其他机器人进行协同进化，最后合并所有子问题的解得到完整路径规划结果。

4.根据权利要求1所述的方法，其特征在于，步骤S2具体包括：

S21、粒子群初始化：针对焊接任务T_i，初始化焊接机器人的粒子群，群体初始规模m，并对每台焊接机器人的焊接点进行编码，对每台焊接机器人，按焊接点编号的编码生成初始粒子群{θ₁,θ₂,θ₃,…,θ_m}，其中每个粒子θ_i代表一条焊接路径；

S22、对给定的焊接任务确定多目标优化函数，然后根据路径目标优化函数建立适应度评价函数；

S23、粒子群适应度评价：不同焊接机器人之间的路径由全局适应度函数评估，判断两台焊接机器人之间在运动过程发生干涉和焊点分配是否合理；对于任一粒子群，随机选择种群合作者，进行全局适应度评价，如果满足条件则输出结果，否则执行步骤S24；

S24、将初始化的所有粒子作为遗传算法的初始解，使用遗传算法获得一个全局最优解gabest；

S25、粒子群更新迭代操作，每台焊接机器人，对于每个粒子群，计算每个粒子θ_i的适应度，并根据适应度评价计算个体最优解pbest_i和全局最优解gbest；然后进行焊接机器人粒子群进化操作；

S26、更新得到新一代的粒子群，判断是否满足终止条件，若不满足终止条件，则返回步骤S24，否则跳转到步骤S23；

S27、综合每个子问题的解，综合每台焊接机器人的路径得到完整结果。

5.根据权利要求4所述的方法，其特征在于，步骤S26中所述终止条件为达到预定的迭代次数或结果精度。

6.根据权利要求4所述的方法，其特征在于，步骤S25中焊接机器人粒子群进化操作包括：

对于每个粒子θ_i，与pbest_i进行交叉、变异操作得到新的粒子θ’_i，如果新粒子θ’_i的适应度更优则接受此操作，否则取消此次交叉、变异操作。

7.根据权利要求4所述的方法，其特征在于，步骤S25中焊接机器人粒子群进化操作包括：

对于每个粒子θ_i，与gbest进行交叉、变异操作得到新的粒子θ’_i，如果新粒子θ’_i的适应度更优则接受此操作，否则取消此次交叉、变异操作。

8.根据权利要求4所述的方法，其特征在于，步骤S25中焊接机器人粒子群进化操作包括：

对于每个粒子θ_i，与gabest进行交叉、变异操作得到新的粒子θ’_i，如果新粒子θ’_i的适应度更优则接受此操作，否则取消此次交叉、变异操作。

9.根据权利要求1所述的方法，其特征在于，最优路径可以基于不同的标准要求，包括路径最短、时间最少、能耗最低。

10.根据权利要求1所述的方法，其特征在于，由多机器人协同并行完成焊接任务，需要确定每个焊接机器人焊接机械臂的工作区域范围。