CN110053052B - 多层som异构焊接机器人的任务分配与路径规划方法 - Google Patents

Abstract

本发明公开的多层SOM异构焊接机器人的任务分配与路径规划方法，属于机器人控制领域。本发明实现方法为：建立第一层SOM神经网络模型，对第一层SOM神经网络模型进行训练，完成异构焊接机器人系统的任务粗分配，输出各类型异构焊接机器人所需焊接的任务点，提高异构焊接机器人系统的鲁棒性和通用性。进行第二层并行SOM网络异构焊接机器人的路径规划，使得多台异构机器人可以自组织地合理完成系统的各个任务，同时考虑焊接顺序约束和焊接机器人干涉约束，达到路径代价最优，输出任务分配与路径规划结果。根据输出的任务分配与路径规划结果，各异构焊接机器人根据规划结果执行焊接任务，提高异构焊接机器人系统的效率，满足工程应用需求。

Description

多层SOM异构焊接机器人的任务分配与路径规划方法

技术领域

本发明涉及一种多层SOM异构焊接机器人的任务分配与路径规划方法，属于机器人控制领域。

背景技术

箱梁、桁架等典型大型构件是港机制造中工作量最大的环节，但我国港机企业在其关键工序焊接、打磨和涂装上还完全依靠人工完成，存在效率低下、质量无法保证、作业环境恶劣等问题，而国外企业由于大量研发和使用了机器人等智能加工装备，在制造成本和周期上有较大优势。而异构焊接机器人系统作为其中的关键技术，目前研究焊接机器人系统主要集中在单任务焊接机器人系统的研究上，事实上异构焊接机器人系统更加贴近实际的工业环境，针对上述问题，本发明提出一种基于多层SOM异构焊接机器人系统的目标分配与路径规划方法，提高异构焊接机器人系统的自动化和智能化水平。

(1)异构焊接机器人系统

异构焊接机器人的任务分配和路径规划是指将不同类型的焊接任务分配给不同的焊接机器人，异构机器人根据系统的路径结果完成焊接任务，其中每个焊接机器人完成相应的焊接任务都会花费一定的时间或能量代价，异构焊接机器人系统的关键是在进行任务分配和路径规划时找到一种合理的方法，使得所有焊接任务被完成时系统所耗费的总代价最小。事实上焊接机器人系统比较主流的方法主要是蚁群算法、粒子群算法和遗传算法等群智能算法，而上述方法只考虑单一的焊接任务，主要聚焦在单一任务的分配和路径规划。

(2)SOM自组织神经网络

基于SOM自组织神经网络是神经网络的一种无监督的学习模型，主要由输入层和竞争层组成，该算法对于解决静态和动态环境中大量的目标任务和机器人有较好的鲁棒性。SOM神经网络方法基于结合竞争学习原理和拓扑神经元的结构，这些相邻神经元有类似权重向量的倾向。

发明内容

为解决现有技术中尚无异构焊接机器人的任务分配与路径规划方法，本发明公开的多层SOM异构焊接机器人的任务分配与路径规划方法要解决的技术问题是：提供一种基于多层SOM异构焊接机器人的任务分配与路径规划方法，使得多台异构机器人能够自组织地合理完成系统的各个任务，同时考虑焊接顺序约束和焊接机器人干涉约束，达到路径代价最优，且能够在有大量目标任务和机器人的静态或动态环境中有较好的鲁棒性。本发明还具有更好的通用性和可用性优点。

本发明的目的是通过下述技术方案实现的。

本发明公开的多层SOM异构焊接机器人的任务分配与路径规划方法，根据焊点的任务类型、焊点和焊接机器人的位置区域信息建立第一层SOM神经网络模型，对第一层SOM神经网络模型进行训练，完成异构焊接机器人系统的任务粗分配，输出各类型异构焊接机器人所需焊接的任务点，提高异构焊接机器人系统的鲁棒性和通用性。根据第一层SOM神经网络的任务粗分配结果，进行第二层并行SOM网络异构焊接机器人的路径规划，使得多台异构机器人可以自组织地合理完成系统的各个任务，同时考虑焊接顺序约束和焊接机器人干涉约束，达到路径代价最优，输出多层SOM异构焊接机器人的任务分配与路径规划结果。

根据输出的任务分配与路径规划结果，各异构焊接机器人根据规划结果执行焊接任务，提高异构焊接机器人系统的效率，满足工程应用需求。

本发明公开的多层SOM异构焊接机器人的任务分配与路径规划方法，包括如下步骤：

步骤一：根据焊点的任务类型、焊点和焊接机器人的位置区域信息建立第一层SOM神经网络模型，对第一层SOM神经网络模型进行训练，完成异构焊接机器人系统的任务粗分配，输出各类型异构焊接机器人所需焊接的任务点，提高异构焊接机器人系统的鲁棒性和通用性。

步骤1.1：根据焊接任务点和异构焊接机器人的坐标位置，将焊接任务点和异构焊接机器人进行区域划分。

步骤1.2：根据焊点的任务类型、焊点和焊接机器人的位置区域信息建立第一层SOM神经网络模型。

将区域信息和焊接任务点类型作为第一层SOM神经网络的一个输入数据集(A_i，B_i)，A_i代表第i个焊接任务点的区域信息，B_i代表第i个焊接任务点类型信息。输出神经元的个数即为异构焊接机器人类型个数，每个输出神经元的输出结果即为每种类型的焊接机器人所需焊接的任务点。即根据焊点的任务类型、焊点和焊接机器人的位置区域信息实现建立第一层SOM神经网络模型。

步骤1.3：根据焊点的任务类型、焊点和焊接机器人的位置区域信息初始化第一层SOM神经网络的每个输出神经元的权重向量w_ja。

步骤1.4：对第一层SOM神经网络模型进行训练，即通过迭代训练异构焊接机器人输出神经元和输入神经元之间的权重向量，在每次迭代中，所有任务顺序随机给出，并将随机给出的任务作为第一层SOM神经网络的输入。训练完成后第一层的SOM神经网络输出各类型异构焊接机器人所需焊接的任务点，完成异构焊接机器人系统的任务粗分配，提高异构焊接机器人系统的鲁棒性和通用性。

步骤1.4.1：当一个随机的任务作为神经网络的输入时，第一层的SOM神

经网络根据下式输出竞争获胜的神经元：

L＝min{L_ij}

其中L_ij是输入的第i个任务点和第一层SOM神经网络输出层的第j个神经元之间的评价函数值，a_i是输入的第i个任务点的焊接任务点的区域信息，w_ja是输入的第j个任务点与第一层SOM神经网络输出层的第a个神经元之间的权值，

为权值系数，用于提高焊点类型与焊接机器人的匹配度权重，以保证每个类型的焊点任务都能被分配到对应类型的焊接机器人上。

步骤1.4.2：基于步骤1.4.1输出的竞争获胜的神经元，进行邻域函数的确定，并在邻域函数内输出竞争获胜的神经元，邻域函数选取高斯函数：

G(t)＝(1-β)^tG₀

其中d_m表示第一层SOM神经网络输出层的第m个输出神经元与获胜神经元之间的欧氏距离；γ是邻域半径；t表示迭代次数；β是更新速率；G(t)是非线性函数。

步骤1.4.3：根据如下权值更新规则对异构焊接机器人第一层SOM神经网络输出层神经元和输入神经元之间的权重向量R_j进行更新：

R_j代表第j种异构焊接机器人输出神经元和输入神经元之间的权重向量；L_min代表任意两个输出神经元权重之间的最小距离；T_i代表输入焊接任务点的区域和任务类型；σ代表学习速率；一旦L_ij＜L_min，神经元的权重将被相应任务点的区域和任务类型取代。

步骤1.4.4：满足预设迭代次数后完成训练迭代，训练完成后第一层的SOM神经网络输出各类型异构焊接机器人所需焊接的任务点，完成异构焊接机器人系统的任务粗分配，提高异构焊接机器人系统的鲁棒性和通用性。

步骤二：根据第一层SOM神经网络的任务粗分配结果，进行第二层并行SOM网络异构焊接机器人的焊接顺序和路径规划，使得多台异构机器人可以自组织地合理完成系统的各个任务，同时考虑焊接顺序约束和焊接机器人干涉约束，达到路径代价最优，输出多层SOM异构焊接机器人的任务分配与路径规划结果。

步骤2.1：根据第一层SOM神经网络的任务粗分配结果和各焊接任务点和异构焊接机器人的位置坐标建立第二层并行SOM神经网络模型。

将各任务点的坐标信息作为第二层SOM神经网络的一个输入数据集(x_i，y_j)，所有任务点坐标作为子网络数据集集合。输出层的每个神经元代表每台焊接机器人的焊接顺序和路径规划结果。

步骤2.2：用各异构焊接机器人的坐标初始化第二层并行SOM神经网络的每个输出神经元与输入神经元之间的权重向量w_ij。

步骤2.3：对第二层并行SOM神经网络进行训练，即通过迭代训练第二层并行SOM神经网络中异构焊接机器人输出神经元和输入神经元之间的权重向量，在每次迭代中，各并行SOM神经网络的输入神经元由第一层SOM神经网络输出层所给得的焊点任务粗分配结果给出，顺序随机给出。训练结束后第二层SOM神经网络输出层为各异构焊接机器人所需焊接的任务焊点和焊接顺序，使得多台异构机器人可以自组织地合理完成系统的各个任务。

步骤2.3.1：当一个随机的任务作为第二层并行SOM神经网络神经网络的输入时，第二层并行SOM神经网络各子网络根据下式输出竞争获胜的神经元：

D＝min{D_ij}

其中D_ij是输入的第i个任务点和第二层并行SOM神经网络输出层的第j个神经元之间的欧式距离，(x_i，y_j)分别是输入的第i个任务点的焊接任务点的笛卡尔坐标位置，(w_jx，w_jy)是输入的第j个异构焊接机器人笛卡尔坐标位置。

步骤2.3.2：基于步骤2.3.1输出的竞争获胜的神经元，进行邻域函数的确定，并在邻域函数内输出竞争获胜的神经元，邻域函数选取高斯函数：

G(t)＝(1-β)^tG₀

其中d_m表示第二层并行SOM神经网络输出层的第m个输出神经元与获胜神经元之间的欧氏距离；γ是邻域半径；t表示迭代次数；β是更新速率；G(t)是一个非线性函数。

步骤2.3.3：根据如下权值更新规则对异构焊接机器人第二层并行SOM神经网络输出层神经元和输入神经元之间的权重向量R_j进行更新：

P_j代表第j种异构焊接机器人输出神经元和输入神经元之间的权重向量；D_min代表任意两个输出神经元权重之间的最小距离；T_i代表输入焊接任务点的笛卡尔坐标；σ代表学习速率；如果D_ij＜D_min，神经元的权重将被相应任务点的笛卡尔坐标取代。

步骤2.3.4：满足预设迭代次数后完成训练迭代，训练完成后第二层的并行SOM神经网络输出各类型异构焊接机器人所需焊接的任务点，第二层SOM神经网络输出层为各异构焊接机器人所需焊接的任务焊点和焊接顺序，使得多台异构机器人可以自组织地合理完成系统的各个任务，达到路径代价最优，输出多层SOM异构焊接机器人的任务分配与路径规划结果。

步骤三：根据步骤二输出的多层SOM异构焊接机器人的任务分配与路径规划结果，各异构焊接机器人根据规划结果执行焊接任务，提高异构焊接机器人系统的效率，满足工程应用需求。

有益效果：

1、目前任务分配和路径规划算法研究主要集中在多台单类型焊接机器人系统，尚无异构焊接机器人的任务分配与路径规划方法，本发明公开的多层SOM异构焊接机器人的任务分配与路径规划方法，基于多层SOM(Self-Organizing Feature Map)异构焊接机器人系统的目标分配与路径规划，使得多台异构机器人能够自组织地合理完成系统的各个任务，同时考虑焊接顺序约束和焊接机器人干涉约束，达到路径代价最优，且能够在有大量目标任务和机器人的静态或动态环境中有较好的鲁棒性。

2、本发明公开的多层SOM异构焊接机器人的任务分配与路径规划方法，根据焊点的任务类型、焊点和焊接机器人的位置区域信息建立第一层SOM神经网络模型，对第一层SOM神经网络模型进行训练，完成异构焊接机器人系统的任务粗分配，输出各类型异构焊接机器人所需焊接的任务点，提高异构焊接机器人系统的鲁棒性和通用性。

3、本发明公开的多层SOM异构焊接机器人的任务分配与路径规划方法，根据第一层SOM神经网络的任务粗分配结果，进行第二层SOM网络异构焊接机器人的路径规划，使得多台异构机器人可以自组织地合理完成系统的各个任务，同时考虑焊接顺序约束和焊接机器人干涉约束，达到路径代价最优，输出多层SOM异构焊接机器人的任务分配与路径规划结果。

4、本发明公开的多层SOM异构焊接机器人的任务分配与路径规划方法，根据输出的多层SOM异构焊接机器人的任务分配与路径规划结果，各异构焊接机器人根据规划结果执行焊接任务，提高异构焊接机器人系统的效率，满足工程应用需求。

附图说明

图1是多层SOM异构焊接机器人的任务分配与路径规划方法的网络结构图；

图2是多层SOM异构焊接机器人的任务分配与路径规划方法的系统流程图；

图3是第一层SOM神经网络权值更新流程图；

图4是第二层SOM神经网络权值更新流程图。

具体实施方式

为了更好的说明本发明的目的和优点，下面结合附图和实例对发明内容做进一步说明。

实施例1：

如图1、2所示，本实施例公开的多层SOM异构焊接机器人的任务分配与路径规划方法，具体实现步骤如下：

步骤一：根据焊点的任务类型、焊点和焊接机器人的位置区域信息建立第一层SOM神经网络模型，对第一层SOM神经网络模型进行训练，完成异构焊接机器人系统的任务粗分配，输出各类型异构焊接机器人所需焊接的任务点，提高异构焊接机器人系统的鲁棒性和通用性。

步骤1.1：根据焊接任务点和异构焊接机器人的坐标位置，将焊接任务点和异构焊接机器人进行区域划分。

表1焊接任务点

表2异构焊接机器人

步骤1.2：根据焊点的任务类型、焊点和焊接机器人的位置区域信息建立第一层SOM神经网络模型。

将区域信息和焊接任务点类型作为第一层SOM神经网络的一个输入数据集(A_i，B_i)，A_i代表第i个焊接任务点的区域信息，B_i代表第i个焊接任务点类型信息。输出神经元的个数即为异构焊接机器人类型个数，每个输出神经元的输出结果即为每种类型的焊接机器人所需焊接的任务点。即根据焊点的任务类型、焊点和焊接机器人的位置区域信息实现建立第一层SOM神经网络模型。

步骤1.3：根据焊点的任务类型、焊点和焊接机器人的位置区域信息初始化第一层SOM神经网络的每个输出神经元的权重向量w_ja。

步骤1.4：对第一层SOM神经网络模型进行训练，即通过迭代训练异构焊接机器人输出神经元和输入神经元之间的权重向量，在每次迭代中，所有任务顺序随机给出，并将随机给出的任务作为第一层SOM神经网络的输入。训练完成后第一层的SOM神经网络输出各类型异构焊接机器人所需焊接的任务点，完成异构焊接机器人系统的任务粗分配，提高异构焊接机器人系统的鲁棒性和通用性。

步骤1.4.1：当一个随机的任务作为神经网络的输入时，第一层的SOM神经网络根据下式输出竞争获胜的神经元：

L＝min{L_ij}

其中L_ij是输入的第i个任务点和第一层SOM神经网络输出层的第j个神经元之间的评价函数值，a_i是输入的第i个任务点的焊接任务点的区域信息，w_ja是输入的第j个任务点与第一层SOM神经网络输出层的第a个神经元之间的权值，

为权值系数，作用是将焊点类型与焊接机器人的匹配度权重提高，以保证每个类型的焊点任务都能被分配到对应类型的焊接机器人上。

步骤1.4.2：基于步骤1.4.1输出的竞争获胜的神经元，进行邻域函数的确定，并在邻域函数内输出竞争获胜的神经元，邻域函数选取高斯函数：

G(t)＝(1-β)^tG₀

其中d_m表示第一层SOM神经网络输出层的第m个输出神经元与获胜神经元之间的欧氏距离；γ是邻域半径；t表示迭代次数；β是更新速率；G(t)是一个非线性函数。

步骤1.4.3：根据如下权值更新规则对异构焊接机器人第一层SOM神经网络输出层神经元和输入神经元之间的权重向量R_j进行更新：

R_j代表第j种异构焊接机器人输出神经元和输入神经元之间的权重向量；L_min代表任意两个输出神经元权重之间的最小距离；T_i代表输入焊接任务点的区域和任务类型；σ代表学习速率；一旦L_ij＜L_min，神经元的权重将被相应任务点的区域和任务类型取代。

步骤1.4.4：满足预设迭代次数后完成训练迭代，训练完成后第一层的SOM神经网络输出各类型异构焊接机器人所需焊接的任务点，完成异构焊接机器人系统的任务粗分配，提高异构焊接机器人系统的鲁棒性和通用性。

根据第一层SOM神经网络输出各类型异构焊接机器人所需焊接的任务点结果如下：

表3任务粗分配结果

步骤二：根据第一层SOM神经网络的任务粗分配结果，进行第二层并行SOM网络异构焊接机器人的焊接顺序和路径规划，使得多台异构机器人可以自组织地合理完成系统的各个任务，同时考虑焊接顺序约束和焊接机器人干涉约束，达到路径代价最优，输出多层SOM异构焊接机器人的任务分配与路径规划结果。

步骤2.1：根据第一层SOM神经网络的任务粗分配结果和各焊接任务点和异构焊接机器人的位置坐标建立第二层并行SOM神经网络模型。

将各任务点的坐标信息作为第二层SOM神经网络的一个输入数据集(x_i，y_j),所有任务点坐标作为子网络数据集集合。输出层的每个神经元代表每台焊接机器人的焊接顺序和路径规划结果。

步骤2.2：用各异构焊接机器人的坐标初始化第二层并行SOM神经网络的每个输出神经元与输入神经元之间的权重向量w_ij。

步骤2.3：对第二层并行SOM神经网络进行训练，即通过迭代训练第二层并行SOM神经网络中异构焊接机器人输出神经元和输入神经元之间的权重向量，在每次迭代中，各并行SOM神经网络的输入神经元由第一层SOM神经网络输出层所给得的焊点任务粗分配结果给出，顺序随机给出。训练结束后第二层SOM神经网络输出层为各异构焊接机器人所需焊接的任务焊点和焊接顺序，使得多台异构机器人可以自组织地合理完成系统的各个任务。

步骤2.3.1：当一个随机的任务作为第二层并行SOM神经网络神经网络的输入时，第二层并行SOM神经网络各子网络根据下式输出竞争获胜的神经元：

D＝min{D_ij}

其中D_ij是输入的第i个任务点和第二层并行SOM神经网络输出层的第j个神经元之间的欧式距离，(x_i，y_j)分别是输入的第i个任务点的焊接任务点的笛卡尔坐标位置，(w_jx，w_jy)是输入的第j个异构焊接机器人笛卡尔坐标位置。

步骤2.3.2：基于步骤2.3.1输出的竞争获胜的神经元，进行邻域函数的确定，并在邻域函数内输出竞争获胜的神经元，邻域函数选取高斯函数：

G(t)＝(1-β)^tG₀

其中d_m表示第二层并行SOM神经网络输出层的第m个输出神经元与获胜神经元之间的欧氏距离；γ是邻域半径；t表示迭代次数；β是更新速率；G(t)是一个非线性函数。

步骤2.3.3：根据如下权值更新规则对异构焊接机器人第二层并行SOM神经网络输出层神经元和输入神经元之间的权重向量R_j进行更新：

P_j代表第j种异构焊接机器人输出神经元和输入神经元之间的权重向量；D_min代表任意两个输出神经元权重之间的最小距离；T_i代表输入焊接任务点的笛卡尔坐标；σ代表学习速率；如果D_ij＜D_min，神经元的权重将被相应任务点的笛卡尔坐标取代。

步骤2.3.4：满足预设迭代次数后完成训练迭代，训练完成后第二层的并行SOM神经网络输出各类型异构焊接机器人所需焊接的任务点，第二层SOM神经网络输出层为各异构焊接机器人所需焊接的任务焊点和焊接顺序，使得多台异构机器人可以自组织地合理完成系统的各个任务，达到路径代价最优，输出多层SOM异构焊接机器人的任务分配与路径规划结果。根据第二层并行SOM神经网络输出各异构焊接机器人所需焊接任务点和顺序如下：

表4机器人焊接顺序

步骤三：根据步骤二输出的多层SOM异构焊接机器人的任务分配与路径规划结果，各异构焊接机器人根据规划结果执行焊接任务，提高异构焊接机器人系统的效率，满足工程应用需求。

以上所述的具体描述，对发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.多层SOM异构焊接机器人的任务分配与路径规划方法，其特征在于：包括如下步骤，

步骤一：根据焊点的任务类型、焊点和焊接机器人的位置区域信息建立第一层SOM神经网络模型，对第一层SOM神经网络模型进行训练，完成异构焊接机器人系统的任务粗分配，输出各类型异构焊接机器人所需焊接的任务点，提高异构焊接机器人系统的鲁棒性和通用性；

步骤1.1：根据焊接任务点和异构焊接机器人的坐标位置，将焊接任务点和异构焊接机器人进行区域划分；

步骤1.2：根据焊点的任务类型、焊点和焊接机器人的位置区域信息建立第一层SOM神经网络模型；

将区域信息和焊接任务点类型作为第一层SOM神经网络的一个输入数据集(A_i，B_i)，A_i代表第i个焊接任务点的区域信息，B_i代表第i个焊接任务点类型信息；输出神经元的个数即为异构焊接机器人类型个数，每个输出神经元的输出结果即为每种类型的焊接机器人所需焊接的任务点；即根据焊点的任务类型、焊点和焊接机器人的位置区域信息实现建立第一层SOM神经网络模型；

步骤1.3：根据焊点的任务类型、焊点和焊接机器人的位置区域信息初始化第一层SOM神经网络的每个输出神经元的权重向量w_ja；

步骤1.4：对第一层SOM神经网络模型进行训练，即通过迭代训练异构焊接机器人输出神经元和输入神经元之间的权重向量，在每次迭代中，所有任务顺序随机给出，并将随机给出的任务作为第一层SOM神经网络的输入；训练完成后第一层的SOM神经网络输出各类型异构焊接机器人所需焊接的任务点，完成异构焊接机器人系统的任务粗分配，提高异构焊接机器人系统的鲁棒性和通用性；

步骤1.4实现方法为，

步骤1.4.1：当一个随机的任务作为神经网络的输入时，第一层的SOM神经网络根据下式输出竞争获胜的神经元：

L＝min{L_ij}

其中L_ij是输入的第i个任务点和第一层SOM神经网络输出层的第j个神经元之间的评价函数值，a_i是输入的第i个任务点的焊接任务点的区域信息，w_ja是输入的第j个任务点与第一层SOM神经网络输出层的第a个神经元之间的权值，

为权值系数，用于提高焊点类型与焊接机器人的匹配度权重，以保证每个类型的焊点任务都能被分配到对应类型的焊接机器人上；

步骤1.4.2：基于步骤1.4.1输出的竞争获胜的神经元，进行邻域函数的确定，并在邻域函数内输出竞争获胜的神经元，邻域函数选取高斯函数：

G(t)＝(1-β)^tG₀

其中d_m表示第一层SOM神经网络输出层的第m个输出神经元与获胜神经元之间的欧氏距离；γ是邻域半径；t表示迭代次数；β是更新速率；G(t)是非线性函数；

步骤1.4.3：根据如下权值更新规则对异构焊接机器人第一层SOM神经网络输出层神经元和输入神经元之间的权重向量R_j进行更新：

R_j代表第j种异构焊接机器人输出神经元和输入神经元之间的权重向量；L_min代表任意两个输出神经元权重之间的最小距离；T_i代表输入焊接任务点的区域和任务类型；σ代表学习速率；一旦L_ij＜L_min，神经元的权重将被相应任务点的区域和任务类型取代；

步骤1.4.4：满足预设迭代次数后完成训练迭代，训练完成后第一层的SOM神经网络输出各类型异构焊接机器人所需焊接的任务点，完成异构焊接机器人系统的任务粗分配，提高异构焊接机器人系统的鲁棒性和通用性；

步骤二：根据第一层SOM神经网络的任务粗分配结果，进行第二层并行SOM网络异构焊接机器人的焊接顺序和路径规划，使得多台异构机器人可以自组织地合理完成系统的各个任务，同时考虑焊接顺序约束和焊接机器人干涉约束，达到路径代价最优，输出多层SOM异构焊接机器人的任务分配与路径规划结果；

步骤2.1：根据第一层SOM神经网络的任务粗分配结果和各焊接任务点和异构焊接机器人的位置坐标建立第二层并行SOM神经网络模型；

将各任务点的坐标信息作为第二层SOM神经网络的一个输入数据集(x_i，y_j)，所有任务点坐标作为子网络数据集集合；输出层的每个神经元代表每台焊接机器人的焊接顺序和路径规划结果；

步骤2.2：用各异构焊接机器人的坐标初始化第二层并行SOM神经网络的每个输出神经元与输入神经元之间的权重向量w_ij；

步骤2.3：对第二层并行SOM神经网络进行训练，即通过迭代训练第二层并行SOM神经网络中异构焊接机器人输出神经元和输入神经元之间的权重向量，在每次迭代中，各并行SOM神经网络的输入神经元由第一层SOM神经网络输出层所给得的焊点任务粗分配结果给出，顺序随机给出；训练结束后第二层SOM神经网络输出层为各异构焊接机器人所需焊接的任务焊点和焊接顺序，使得多台异构机器人可以自组织地合理完成系统的各个任务；

步骤2.3实现方法为，

步骤2.3.1：当一个随机的任务作为第二层并行SOM神经网络神经网络的输入时，第二层并行SOM神经网络各子网络根据下式输出竞争获胜的神经元：

D＝min{D_ij}

其中D_ij是输入的第i个任务点和第二层并行SOM神经网络输出层的第j个神经元之间的欧式距离，(x_i，y_j)分别是输入的第i个任务点的焊接任务点的笛卡尔坐标位置，(w_jx，w_jy)是输入的第j个异构焊接机器人笛卡尔坐标位置；

步骤2.3.2：基于步骤2.3.1输出的竞争获胜的神经元，进行邻域函数的确定，并在邻域函数内输出竞争获胜的神经元，邻域函数选取高斯函数：

G(t)＝(1-β)^tG₀

其中d_m表示第二层并行SOM神经网络输出层的第m个输出神经元与获胜神经元之间的欧氏距离；γ是邻域半径；t表示迭代次数；β是更新速率；G(t)是一个非线性函数；

步骤2.3.3：根据如下权值更新规则对异构焊接机器人第二层并行SOM神经网络输出层神经元和输入神经元之间的权重向量R_j进行更新：

P_j代表第j种异构焊接机器人输出神经元和输入神经元之间的权重向量；D_min代表任意两个输出神经元权重之间的最小距离；T_i代表输入焊接任务点的笛卡尔坐标；σ代表学习速率；如果D_ij＜D_min，神经元的权重将被相应任务点的笛卡尔坐标取代；

步骤2.3.4：满足预设迭代次数后完成训练迭代，训练完成后第二层的并行SOM神经网络输出各类型异构焊接机器人所需焊接的任务点，第二层SOM神经网络输出层为各异构焊接机器人所需焊接的任务焊点和焊接顺序，使得多台异构机器人可以自组织地合理完成系统的各个任务，达到路径代价最优，输出多层SOM异构焊接机器人的任务分配与路径规划结果；

步骤三，根据步骤二输出的多层SOM异构焊接机器人的任务分配与路径规划结果，各异构焊接机器人根据规划结果执行焊接任务，提高异构焊接机器人系统的效率，满足工程应用需求。

Images