CN111152212A - 一种基于功率最优的机械臂移动轨迹规划方法及装置 - Google Patents

Abstract

本发明实施例公开了一种基于功率最优的机械臂移动轨迹规划方法及装置，包括：获取机械臂连接关节空间中的关键点，采用五次多项式与波动函数对所述关键点进行拟合，得到角度关于时间的轨迹曲线方程；对所述关键点采用D‑H算法建立机械臂的运动学模型并结合所述轨迹曲线方程得到力矩方程；基于关节电机相关参数与所述力矩方程，建立以机械臂功率为参数的优化目标函数模型；基于功率目标函数，加入约束条件，采用基于粒子群的优化算法求解机械臂移动轨迹规划最优值。本发明采用五次多项式与波动函数拟合机械臂移动轨迹曲线，保证机械臂移动轨迹的平滑与稳定，以减小关节之间的摩擦，提升能源的转换率与生产的效率，延长机械的寿命。

Description

一种基于功率最优的机械臂移动轨迹规划方法及装置

技术领域

本发明实施例涉及机械臂移动轨迹规划技术领域，具体涉及一种基于功率 最优的机械臂移动轨迹规划方法及装置。

背景技术

随着工业技术的不断发展，工业机器人已经成为工业领域中不可或缺的一 部分，其中包括在货物搬运、加工焊接、汽车制造及航天制造等领域承担着重 要角色，一定程度上降低了人力成本和提升生产效率。而作为工业机器人重要 部件的机械臂，其工作特性会直接影响到工业生产的效率与安全，对于机械臂 性能的评价，在考虑其可靠性、安全性的同时，其生产过程中消耗的资源也是 一个重要的衡量指标。

目前，针对机械臂的资源优化问题上，主要考虑其轨迹规划，通过寻求最 优轨迹以实现功率最小，对外做功最大。然而，当前传统的轨迹规划方法并没 有实现机械臂的功率最优，并且对于运行轨迹的平滑度也没有达到要求。因此， 一种有效方法的提出在机器人轨迹规划研究中有着重要的参考价值。

当今技术不断地更新迭代，也产生了许多优化算法模型用于解决最优问 题，常用的优化算法有遗传算法、粒子群算法、蚁群算法等，而在机器人轨迹 规划求解问题上这些技术也得到了相应的应用。本发明在保证轨迹平滑条件下 定义了机械臂轨迹规划曲线，通过结合轨迹运动学与动力学模型，使用优化算 法模型给出功率最小情况下的最优移动轨迹规划值。

发明内容

为此，本发明实施例提供一种基于功率最优的机械臂移动轨迹规划方法及 装置，以解决现有技术中由于现有技术中机械臂功率损耗较大且机械臂的平滑 度较低而导致的机械臂工作效率低的问题。

为了实现上述目的，本发明实施例提供如下技术方案：

根据本发明实施例的第一方面提供一种基于功率最优的机械臂移动轨迹 规划方法，包括步骤：

S1.获取机械臂连接关节空间中的关键点，采用五次多项式与波动函数对 所述关键点进行拟合，得到角度关于时间的轨迹曲线方程；

S2.对所述关键点采用D-H算法建立机械臂的运动学模型并结合所述轨迹 曲线方程得到力矩方程；

S3.基于关节电机相关参数与所述力矩方程，建立以机械臂功率为参数的 优化目标函数模型；

S4.基于功率目标函数，加入约束条件，采用基于粒子群的优化算法求解 机械臂移动轨迹规划最优值。

进一步地，以角度为变量参数对所述轨迹曲线方程分别进行三次微分计算 得到角速度、角加速度和二次角加速度，根据给定的角速度和角加速度初始值， 计算得到所述轨迹曲线方程的系数；

其中，所述轨迹曲线方程的数学表达式设为：

θ_i(t)＝c_i0+c_i1t+c_i2r²+c_i3t³+c_i4r⁴+c_i5t⁵+δS(t)

式中，i为关节编号，i＝1，2，...，n，(n为关节数)，c_ik为待定系数，k＝1，2，...，5，t为关节空间中起点与当前经过的关键点的时间差，S为波动函数，δ为波动系 数；所述波动函数为正弦函数。

进一步地，所述S2具体包括步骤：

S21.在笛卡尔空间内，在机械臂的各连接杆关节处固定设置三维坐标系；

S22.采用D-H齐次变换矩阵构建相邻两个连接杆之间的空间关系；

S23.对得到D-H齐次变换矩阵进行多次矩阵变换，得到运动学模型；

S24.对所述角度、角速度、角加速度结合所述运动学模型、惯性矩阵、 离心力和科式力和重力矩阵进行累计求和运算，得到力矩方程。

进一步地，所述S3具体包括步骤：

S31.获取所述机械臂各关节电机相关参数，计算各关节在预定时刻所消 耗的功率；其中，所述参数包括关节对应的驱动效率、关节电机电枢绕组的电 阻、电机的力矩常数、关节对应的减速比；

S32.计算各关节电机在预定时间段内的功率和，以所述功率和作为目标 函数模型。

进一步地，所述约束条件包括：在预设范围内的角度、角速度、角加速度、 二次角加速度、关节力和力矩；所述基于粒子群的优化算法采用量子粒子群与 混沌粒子群的混合算法。

进一步地，采用量子粒子群与混沌粒子群的混合算法求解机械臂移动轨迹 规划最优值，具体包括步骤：

初始化种群粒子位置；

使用目标函数评价每个粒子的适应度，根据适应度，计算种群的个体最优 位置及全局最优位置；

通过量子粒子群算法更新粒子位置，并利用混沌搜索算法得到局部最优解 向量和其对应的适应度，从而与全局最优位置的适应度进行比较以决定是否更 新全局最优位置，最终根据终止条件判断是否继续进行迭代寻优。

根据本发明实施例的第二方面提供一种基于功率最优的机械臂移动轨迹 规划装置，包括关键点拟合模块、力矩方程建立模块、目标函数模型建立模块 和机械臂移动轨迹规划最优值计算模块；

其中，所述关键点拟合模块用于获取机械臂连接关节空间中的关键点，采 用五次多项式与波动函数对所述关键点进行拟合，得到角度关于时间的轨迹曲 线方程；

所述力矩方程建立模块用于对所述关键点采用D-H算法建立机械臂的运 动学模型并结合所述轨迹曲线方程得到力矩方程；

所述目标函数模型建立模块用于基于关节电机相关参数与所述力矩方程， 建立以机械臂功率为参数的优化目标函数模型；

所述机械臂移动轨迹规划最优值计算模块用于基于功率目标函数，加入约 束条件，采用基于粒子群的优化算法求解机械臂移动轨迹规划最优值。

进一步地，以角度为变量参数对所述轨迹曲线方程分别进行三次微分计算 得到角速度、角加速度和二次角加速度，根据给定的角速度和角加速度初始值， 计算得到所述轨迹曲线方程的系数；

其中，所述轨迹曲线方程的数学表达式设为：

θ_i(t)＝c_i0+c_i1t+c_i2r²+c_i3r³+c_i4t⁴+c_i5t⁵+δS(t)

式中，i为关节编号，i＝1，2，...，n，(n为关节数)，c_ik为待定系数，k＝1，2，...，5，t为关节空间中起点与当前经过的关键点的时间差，S为波动函数，δ为波动系 数；所述波动函数为正弦函数。

进一步地，所述力矩方程建立模块具体包括：三维坐标系设置模块、空间 关系构建模块、运动学模型计算模块和力矩方程建立模块；其中，所述三维坐 标系设置模块用于在笛卡尔空间内，在机械臂的各连接杆关节处固定设置三维 坐标系；

所述空间关系构建模块用于采用D-H齐次变换矩阵构建相邻两个连接杆 之间的空间关系；

所述运动学模型计算模块用于对得到D-H齐次变换矩阵进行多次矩阵变 换，得到运动学模型；

所述力矩方程建立模块用于对所述角度、角速度、角加速度结合所述运动 学模型、惯性矩阵、离心力和科式力和重力矩阵进行累计求和运算，得到力矩 方程。

进一步地，所述目标函数模型建立模块具体包括：

关节电机功率计算模块，用于获取所述机械臂各关节电机相关参数，计算 各关节在预定时刻所消耗的功率；其中，所述参数包括关节对应的驱动效率、 关节电机电枢绕组的电阻、电机的力矩常数、关节对应的减速比；

目标函数模型构建模块，用于计算各关节电机在预定时间段内的功率和， 以所述功率和作为目标函数模型。

进一步地，所述约束条件包括：在预设范围内的角度、角速度、角加速度、 二次角加速度、关节力和力矩；

所述机械臂移动轨迹规划最优值计算模块包括混合算法模块，用于采用量 子粒子群与混沌粒子群的混合算法求解机械臂移动轨迹规划最优值。

进一步地，所述混合算法模块包括：

初始化模块，用于初始化种群粒子位置；

适应度模块，用于使用目标函数评价每个粒子的适应度，根据适应度，计 算种群的个体最优位置及全局最优位置；

寻优模块，用于通过量子粒子群算法更新粒子位置，并利用混沌搜索算法 得到局部最优解向量和其对应的适应度，从而与全局最优位置的适应度进行比 较以决定是否更新全局最优位置，最终根据终止条件判断是否继续进行迭代寻 优。

本发明实施例具有如下优点：

本发明实施例1提供的一种基于功率最优的机械臂移动轨迹规划方法，采 用五次多项式与波动函数拟合机械臂移动轨迹曲线，保证机械臂移动轨迹的平 滑与稳定，以减小关节之间的摩擦，提升能源的转换率与生产的效率，并延长 机械的寿命；

基于轨迹曲线方程与运动学方程建立动力学模型，较好地反映机械臂的工 作状态，并保证模型的适用性及鲁棒性；

通过采用量子粒子群与混沌搜索算法的混合策略求解功率最小条件下的 最优轨迹规划值，对于算法的计算效率与性能都有很大的提升，并在问题求解 时尽可能避免陷入局部最优以最大化得到的解为全局最优，进而实现机械臂能 耗的降低，提升机器人的工作效率与自身性能。

附图说明

为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对 实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下 面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创 造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。

本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内 容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条 件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调 整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明 所揭示的技术内容能涵盖的范围内。

图1为本发明实施例1提供的一种基于功率最优的机械臂移动轨迹规划方 法流程框图；

图2为本发明实施例1提供的运动学方程求解方法的坐标系示意图；

图3为本发明实施例1提供的采用量子粒子群与混沌搜索混合策略方法的 实现流程图。

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由 本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的 实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例， 本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例， 都属于本发明保护的范围。

参见图1为本发明实施例1提供的一种基于功率最优的机械臂移动轨迹规 划方法流程框图，包括：

S1.获取机械臂连接关节空间中的关键点，采用五次多项式与波动函数对 所述关键点进行拟合，得到角度关于时间的轨迹曲线方程；

S2.对所述关键点采用D-H算法建立机械臂的运动学模型并结合所述轨迹 曲线方程得到力矩方程；

S3.基于关节电机相关参数与所述力矩方程，建立以机械臂功率为参数的 优化目标函数模型；

S4.基于功率目标函数，加入约束条件，采用基于粒子群的优化算法求解 机械臂移动轨迹规划最优值。

上述步骤S1中机械臂移动轨迹曲线方程的拟合，以角度为变量参数对所 述轨迹曲线方程分别进行三次微分计算得到角速度、角加速度和二次角加速 度，根据给定的角速度和角加速度初始值，计算得到所述轨迹曲线方程的系数；

其中，所述轨迹曲线方程的数学表达式设为：

θ_i(t)＝c_i0+c_i1t+c_i2t²+c_i3t³+c_i4t⁴+c_i5t⁵+δS(t)

式中，i为关节编号，i＝1，2，...，n，(n为关节数)，c_ik为待定系数，k＝1，2，...，5，t为关节空间中起点与当前经过的关键点的时间差，S为波动函数，δ为波动系 数；所述波动函数为正弦函数。

具体来说，包括如下内容：

在关节空间，采用五次多项式连接起点与终止点中的m个关键点，令经过 这些关键点的时间为t_j，j＝1，2，3，…，m，建立角度关于时间的轨迹曲线方程：

θ_i(t)＝c_i0+c_i1t+c_i2t²+c_i3t³+c_i4t⁴+c_i5t⁵+δS(t) (1)

式中，i为关节编号，i＝1，2，…，n，n为关节数，c_ik为待定系数，k＝1，2，...，5， t为关节空间中起点与当前经过的关键点的时间差，S为波动函数，这里取 S(t)＝sin(t)，δ为波动系数。

通过(1)式，进行微分分别得到角速度、角加速度、二次角加速度的连续 曲线：

角速度：

角加速度：

二次角加速度：

假定关节空间中各关节移动的起点与终止点的角度已给出，其对应的关键 点处的角速度、角加速度都为0，可以进一步求解得到五次多项式的待定系数。

上述步骤S2：对所述关键点采用D-H算法建立机械臂的运动学模型并结 合所述轨迹曲线方程得到力矩方程，具体包括如下步骤：

S21.在笛卡尔空间内，在机械臂的各连接杆关节处固定设置三维坐标系；

S22.采用D-H齐次变换矩阵构建相邻两个连接杆之间的空间关系；

S23.对得到D-H齐次变换矩阵进行多次矩阵变换，得到运动学模型；

S24.对所述角度、角速度、角加速度结合所述运动学模型、惯性矩阵、 离心力和科式力和重力矩阵进行累计求和运算，得到力矩方程。

其具体推导过程内容如下所述：

s21.在笛卡尔空间内，在机械臂的各连接杆关节处都固定一个三维坐标 系(参见图2，为本发明实施例1提供的运动学方程求解方法的坐标系示意图)， 然后采用4×4的D-H齐次变换矩阵

来描述i连接杆与i+1连接杆的空间关 系(位置与方向)，通过依次变换可最终推导出末端执行器相对基坐标系的运 动学关系模型

s22.结合计算得到的运动学关系模型和步骤s1中得到轨迹曲线方程，得 到力矩关于关节角度、角速度与角加速度的连续曲线：

式中，n为关节数，θ、

分别为角度、角速度、角加速度，T为关节运 动学，D-H齐次变换矩阵，V(θ，T)为惯性矩阵项，W(θ，T)为离心力和科式力矩 阵项，G(θ，T)为重力矩阵项。

上述S3基于关节电机相关参数与所述力矩方程，建立以机械臂功率为参数 的优化目标函数模型，具体包括如下步骤：

S31.获取所述机械臂各关节电机相关参数，计算各关节在预定时刻所消 耗的功率；其中，所述参数包括关节对应的驱动效率、关节电机电枢绕组的电 阻、电机的力矩常数、关节对应的减速比；

S32.计算各关节电机在预定时间段内的功率和，以所述功率和作为目标 函数模型。

具体推导过程如下：

以机械臂功率为优化目标的函数模型构建，具体步骤为：

根据上述步骤得到的结果，结合驱动电机等相关控制参数，形成机械臂以 功率为优化目标的函数模型：

式中，n为关节数，

为角速度，τ_i为i关节的力矩，η 是关节对应的驱动效率，R是关节电机电枢绕组的电阻，k_M是电机的力矩常 数，N是关节对应的减速比，P_i(t)是i关节在t时刻所消耗的总功率。

上述S4.基于功率目标函数，加入约束条件，采用基于粒子群的优化算法 求解机械臂移动轨迹规划最优值，所述约束条件包括：在预设范围内的角度、 角速度、角加速度、二次角加速度、关节力和力矩；所述基于粒子群的优化算 法采用量子粒子群与混沌粒子群的混合算法。

上述采用量子粒子群与混沌粒子群的混合算法求解机械臂移动轨迹规划 最优值，具体包括步骤：

初始化种群粒子位置；

使用目标函数评价每个粒子的适应度，根据适应度，计算种群的个体最优 位置及全局最优位置；

通过量子粒子群算法更新粒子位置，并利用混沌搜索算法得到局部最优解 向量和其对应的适应度，从而与全局最优位置的适应度进行比较以决定是否更 新全局最优位置，最终根据终止条件判断是否继续进行迭代寻优。

求解功率最小的移动轨迹规划最优值的公式推导过程，具体为：

基于功率目标函数，加入相关约束(包括角度

角速度

角加速度

二次角加速度

关节力或力矩

其中，

分别为i关节的角度、角速度、角 加速度、二次角加速度和力矩的约束)，然后采用量子粒子群与混沌搜索的混 合策略方法求解机械臂移动轨迹规划最优值(参见图3为本发明实施例1提供 的采用量子粒子群与混沌搜索混合策略方法的实现流程图)，具体实施方式为：

s41.初始化种群粒子位置X_i＝(x_i1，x_i2，...，x_in)(M为群体粒子规模)；

s42.使用目标函数(式(6))评价每个粒子的适应度；

s43.每个粒子的适应值与粒子个体最好位置pi比较P_i＝(p_i1，p_i2，...，p_in))， 如果前者较好，则将其作为当前个体的最好位置；

s44.每个粒子的适应值与全局最好位置p_g(P_g＝(p_g1，p_g2，...，p_gn))，如 果前者较好，则将其作为全局最好位置；

s45.利用量子粒子群算法更新粒子的位置，即通过以下式子进行位置更 新：

式中，k为迭代次数，β为收缩扩张系数(β随迭代次数k从1.0到0.5线性 减小)，u为[0,1]范围内变化的随机数，mbest为所有粒子的最好位置的均值， 即：

s46.利用混沌搜索得到局部最优解向量及其对应的适应度：

计算种群的适应度的方差，即：

式中，Q为目标函数(式(6))，Q_i为粒子i的适应度，Q_avg为所有粒子适应 度的均值，q为归一化定标因子，q的取值为：

q＝max{1，max{|Q_i-Q_avg}}，i∈[1，M]

通过σ²与算法早熟临界值C进行比较，如果^σ2＜C，则根据式(10)与混沌 Logistic方程(式(12))进行n次混沌搜索：

y_i＝p_gi±λ×z_i，i＝1，2，...，n (10)

式中，

λ＝λ×α (11)

其中，λ的初始值为1，α＝0.5；

z_i＝μz_i-1(1-z_i-1)，i＝1，2，3，...，μ∈(2，4] (12)

其中，μ为控制参量，当μ＝4，0≤z₀≤1，Logistic完全处于混沌状态；

根据进行n次混沌搜索的局部最优位置Y＝(y₁，y₂，...，y_n)，求解其适应度 Q(Y)；

s47.若Q(Y)＜Q(P_g)，则P_g＝Y；

s48.若未达到终止条件，则返回步骤s52；否则，寻优步骤结束；

s49.输出解功率最小的移动轨迹规划最优值P_g与其对应的最小功率值 Q(P_g)。

本发明实施例具有如下优点：

本发明实施例1提供的一种基于功率最优的机械臂移动轨迹规划方法，采 用五次多项式与波动函数拟合机械臂移动轨迹曲线，保证机械臂移动轨迹的平 滑与稳定，以减小关节之间的摩擦，提升能源的转换率与生产的效率，并延长 机械的寿命；

基于轨迹曲线方程与运动学方程建立动力学模型，较好地反映机械臂的工 作状态，并保证模型的适用性及鲁棒性；

通过采用量子粒子群与混沌搜索算法的混合策略求解功率最小条件下的 最优轨迹规划值，对于算法的计算效率与性能都有很大的提升，并在问题求解 时尽可能避免陷入局部最优以最大化得到的解为全局最优，进而实现机械臂能 耗的降低，提升机器人的工作效率与自身性能。

根据本发明实施例的第二方面提供一种基于功率最优的机械臂移动轨迹 规划装置，包括关键点拟合模块、力矩方程建立模块、目标函数模型建立模块 和机械臂移动轨迹规划最优值计算模块；

其中，所述关键点拟合模块用于获取机械臂连接关节空间中的关键点，采 用五次多项式与波动函数对所述关键点进行拟合，得到角度关于时间的轨迹曲 线方程；

所述力矩方程建立模块用于对所述关键点采用D-H算法建立机械臂的运 动学模型并结合所述轨迹曲线方程得到力矩方程；

所述目标函数模型建立模块用于基于关节电机相关参数与所述力矩方程， 建立以机械臂功率为参数的优化目标函数模型；

所述机械臂移动轨迹规划最优值计算模块用于基于功率目标函数，加入约 束条件，采用基于粒子群的优化算法求解机械臂移动轨迹规划最优值。

进一步地，以角度为变量参数对所述轨迹曲线方程分别进行三次微分计算 得到角速度、角加速度和二次角加速度，根据给定的角速度和角加速度初始值， 计算得到所述轨迹曲线方程的系数；

其中，所述轨迹曲线方程的数学表达式设为：

θ_i(t)＝c_i0+c_i1t+c_i2t²+c_i3t³+c_i4t⁴+c_i5t⁵+δS(t)

式中，i为关节编号，i＝1，2，...，n，(n为关节数)，c_ik为待定系数，k＝1，2，...，5，t为关节空间中起点与当前经过的关键点的时间差，S为波动函数，δ为波动系 数；所述波动函数为正弦函数。

进一步地，所述力矩方程建立模块具体包括：三维坐标系设置模块、空间 关系构建模块、运动学模型计算模块和力矩方程建立模块；其中，所述三维坐 标系设置模块用于在笛卡尔空间内，在机械臂的各连接杆关节处固定设置三维 坐标系；

所述空间关系构建模块用于采用D-H齐次变换矩阵构建相邻两个连接杆 之间的空间关系；

所述运动学模型计算模块用于对得到D-H齐次变换矩阵进行多次矩阵变 换，得到运动学模型；

所述力矩方程建立模块用于对所述角度、角速度、角加速度结合所述运动 学模型、惯性矩阵、离心力和科式力和重力矩阵进行累计求和运算，得到力矩 方程。

进一步地，所述目标函数模型建立模块具体包括：

关节电机功率计算模块，用于获取所述机械臂各关节电机相关参数，计算 各关节在预定时刻所消耗的功率；其中，所述参数包括关节对应的驱动效率、 关节电机电枢绕组的电阻、电机的力矩常数、关节对应的减速比；

目标函数模型构建模块，用于计算各关节电机在预定时间段内的功率和， 以所述功率和作为目标函数模型。

进一步地，所述约束条件包括：在预设范围内的角度、角速度、角加速度、 二次角加速度、关节力和力矩；

所述机械臂移动轨迹规划最优值计算模块包括混合算法模块，用于采用量 子粒子群与混沌粒子群的混合算法求解机械臂移动轨迹规划最优值。

进一步地，所述混合算法模块包括：

初始化模块，用于初始化种群粒子位置；

适应度模块，用于使用目标函数评价每个粒子的适应度，根据适应度，计 算种群的个体最优位置及全局最优位置；

寻优模块，用于通过量子粒子群算法更新粒子位置，并利用混沌搜索算法 得到局部最优解向量和其对应的适应度，从而与全局最优位置的适应度进行比 较以决定是否更新全局最优位置，最终根据终止条件判断是否继续进行迭代寻 优。

上述二次角加速度是指对角加速度进行一次微分算法处理得到的物理量。

虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述， 但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是 显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均 属于本发明要求保护的范围。

Claims (10)

1.一种基于功率最优的机械臂移动轨迹规划方法，其特征在于，包括步骤：

S1.获取机械臂连接关节空间中的关键点，采用五次多项式与波动函数对所述关键点进行拟合，得到角度关于时间的轨迹曲线方程；

S2.对所述关键点采用D-H算法建立机械臂的运动学模型并结合所述轨迹曲线方程得到力矩方程；

S3.基于关节电机相关参数与所述力矩方程，建立以机械臂功率为参数的优化目标函数模型；

S4.基于功率目标函数，加入约束条件，采用基于粒子群的优化算法求解机械臂移动轨迹规划最优值。

2.根据权利要求1所述的基于功率最优的机械臂移动轨迹规划方法，其特征在于，以角度为变量参数对所述轨迹曲线方程分别进行三次微分计算得到角速度、角加速度和二次角加速度，根据给定的角速度和角加速度初始值，计算得到所述轨迹曲线方程的系数；

其中，所述轨迹曲线方程的数学表达式设为：

θ_i(t)＝c_i0+c_i1t+c_i2t²+c_i3t³+c_i4t⁴+c_i5t⁵+δS(t)

式中，i为关节编号，i＝1，2，...，n，(n为关节数)，c_ik为待定系数，k＝1，2，...，5，t为关节空间中起点与当前经过的关键点的时间差，S为波动函数，δ为波动系数；所述波动函数为正弦函数。

3.根据权利要求2所述的基于功率最优的机械臂移动轨迹规划方法，其特征在于，所述S2具体包括步骤：

S21.在笛卡尔空间内，在机械臂的各连接杆关节处固定设置三维坐标系；

S22.采用D-H齐次变换矩阵构建相邻两个连接杆之间的空间关系；

S23.对得到D-H齐次变换矩阵进行多次矩阵变换，得到运动学模型；

S24.对所述角度、角速度、角加速度结合所述运动学模型、惯性矩阵、离心力和科式力和重力矩阵进行累计求和运算，得到力矩方程。

4.根据权利要求1所述的基于功率最优的机械臂移动轨迹规划方法，其特征在于，所述S3具体包括步骤：

S31.获取所述机械臂各关节电机相关参数，计算各关节在预定时刻所消耗的功率；其中，所述参数包括关节对应的驱动效率、关节电机电枢绕组的电阻、电机的力矩常数、关节对应的减速比；

S32.计算各关节电机在预定时间段内的功率和，以所述功率和作为目标函数模型。

5.根据权利要求1所述的基于功率最优的机械臂移动轨迹规划方法，其特征在于，所述约束条件包括：在预设范围内的角度、角速度、角加速度、二次角加速度、关节力和力矩；所述基于粒子群的优化算法采用量子粒子群与混沌粒子群的混合算法。

6.根据权利要求5所述的基于功率最优的机械臂移动轨迹规划方法，其特征在于，采用量子粒子群与混沌粒子群的混合算法求解机械臂移动轨迹规划最优值，具体包括步骤：

初始化种群粒子位置；

使用目标函数评价每个粒子的适应度，根据适应度，计算种群的个体最优位置及全局最优位置；

通过量子粒子群算法更新粒子位置，并利用混沌搜索算法得到局部最优解向量和其对应的适应度，从而与全局最优位置的适应度进行比较以决定是否更新全局最优位置，最终根据终止条件判断是否继续进行迭代寻优。

7.一种基于功率最优的机械臂移动轨迹规划装置，其特征在于，包括关键点拟合模块、力矩方程建立模块、目标函数模型建立模块和机械臂移动轨迹规划最优值计算模块；

其中，所述关键点拟合模块用于获取机械臂连接关节空间中的关键点，采用五次多项式与波动函数对所述关键点进行拟合，得到角度关于时间的轨迹曲线方程；

所述力矩方程建立模块用于对所述关键点采用D-H算法建立机械臂的运动学模型并结合所述轨迹曲线方程得到力矩方程；

所述目标函数模型建立模块用于基于关节电机相关参数与所述力矩方程，建立以机械臂功率为参数的优化目标函数模型；

所述机械臂移动轨迹规划最优值计算模块用于基于功率目标函数，加入约束条件，采用基于粒子群的优化算法求解机械臂移动轨迹规划最优值。

8.根据权利要求7所述的装置，其特征在于，以角度为变量参数对所述轨迹曲线方程分别进行三次微分计算得到角速度、角加速度和二次角加速度，根据给定的角速度和角加速度初始值，计算得到所述轨迹曲线方程的系数；

其中，所述轨迹曲线方程的数学表达式设为：

θ_i(t)＝c_i0+c_i1t+c_i2t²+c_i3t³+c_i4t⁴+c_i5y⁵+δS(t)

式中，i为关节编号，i＝1，2，...，n，(n为关节数)，c_ik为待定系数，k＝1，2，...，5，t为关节空间中起点与当前经过的关键点的时间差，S为波动函数，δ为波动系数；所述波动函数为正弦函数。

9.根据权利要求8所述的装置，其特征在于，所述力矩方程建立模块具体包括：三维坐标系设置模块、空间关系构建模块、运动学模型计算模块和力矩方程建立模块；其中，所述三维坐标系设置模块用于在笛卡尔空间内，在机械臂的各连接杆关节处固定设置三维坐标系；

所述空间关系构建模块用于采用D-H齐次变换矩阵构建相邻两个连接杆之间的空间关系；

所述运动学模型计算模块用于对得到D-H齐次变换矩阵进行多次矩阵变换，得到运动学模型；

所述力矩方程建立模块用于对所述角度、角速度、角加速度结合所述运动学模型、惯性矩阵、离心力和科式力和重力矩阵进行累计求和运算，得到力矩方程。

10.根据权利要求7所述的装置，其特征在于，所述目标函数模型建立模块具体包括：

关节电机功率计算模块，用于获取所述机械臂各关节电机相关参数，计算各关节在预定时刻所消耗的功率；其中，所述参数包括关节对应的驱动效率、关节电机电枢绕组的电阻、电机的力矩常数、关节对应的减速比；

目标函数模型构建模块，用于计算各关节电机在预定时间段内的功率和，以所述功率和作为目标函数模型。

Images