CN111982118B - 机器人行走轨迹确定方法、装置、计算机设备及存储介质 - Google Patents
机器人行走轨迹确定方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111982118B CN111982118B CN202010838843.4A CN202010838843A CN111982118B CN 111982118 B CN111982118 B CN 111982118B CN 202010838843 A CN202010838843 A CN 202010838843A CN 111982118 B CN111982118 B CN 111982118B
- Authority
- CN
- China
- Prior art keywords
- bee
- point time
- time sequence
- adjacent point
- following
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Feedback Control In General (AREA)
- Manipulator (AREA)
Abstract
本发明适用于计算机技术领域,提供了一种机器人行走轨迹确定方法、装置、计算机设备及存储介质,所述方法包括:获取机器人行走轨迹规划模型;根据机器人行走轨迹规划模型以及改进人工蜂群算法确定最优相邻点时间序列,根据最优相邻点时间序列确定机器人行走轨迹。本发明利用改进的人工蜂群算法来确定最优相邻点时间序列,由于改进人工蜂群算法在雇佣蜂优化步骤和/或跟随蜂优化步骤中与当前较优相邻点时间序列相关联,扩展了人工蜂群算法所采用的搜索方式,在不影响全局搜索能力的同时,有效增强了对潜在重点区域的局部开发能力。
Description
技术领域
本发明属于计算机技术领域,尤其涉及一种机器人行走轨迹确定方法、装置、计算机设备及存储介质。
背景技术
工业机器人诞生于20世纪60年代,机器人最初主要应用于劳动密集型产业和人类难以忍受的恶劣工作环境,用来代替人类执行高强度、高危险性的工作任务,减轻工人工作强度,提升生产效率。经过50余年的发展,机器人各项技术日趋成熟,工业机器人已经成为现代化车间的重要设备。现有技术通常都是基于PTP(point to point)轨迹来实现机器人的行走轨迹规划,通过提出了时间-能量最优轨迹规划问题的数学模型,采用智能优化算法来处理时间-能量最优轨迹规划问题。
现有的智能优化算法有多种,广泛用于处理机器人行走轨迹规划的算法主要是人工蜂群算法,人工蜂群算法融合了遗传算法的信息共享机制以及粒子群算法的记忆机制,在工程应用中比遗传算法和粒子群算法等更具优势。然而标准的人工蜂群算法所采用的搜索方式单一,全局搜索能力强而局部开发能力不足,在用于处理机器人行走轨迹规划问题时还存在着收敛不够迅速、精度较低的技术问题。
可见,现有的机器人行走轨迹规划还存在着求解速率慢、求解结果的效果不够理想的技术问题。
发明内容
本发明实施例的目的在于提供一种机器人行走轨迹确定方法、装置、计算机设备及存储介质,旨在解决现有的机器人行走轨迹规划还存在的求解速率慢、求解结果的效果不够理想的技术问题。
本发明实施例是这样实现的,一种机器人行走轨迹确定方法,包括:
获取机器人行走轨迹规划模型;所述机器人行走轨迹规划模型包括机器人关节在起点、终点和多个中间关键点的位置信息、速度信息、加速度信息以及相邻点时间序列与行走轨迹时间-能量值的关系;
根据所述机器人行走轨迹规划模型以及改进人工蜂群算法确定最优相邻点时间序列;
根据所述最优相邻点时间序列以及所述位置信息、速度信息以及加速度信息确定机器人行走轨迹;
其中,所述改进人工蜂群算法包括雇佣蜂优化步骤和跟随蜂优化步骤,所述雇佣蜂优化步骤和/或跟随蜂优化步骤中的相邻点时间序列包括当前较优相邻点时间序列。
本发明实施例的另一目的在于提供一种机器人行走轨迹确定装置,其特征在于,包括:
机器人行走轨迹规划模型获取单元,用于获取机器人行走轨迹规划模型;所述机器人行走轨迹规划模型包括机器人关节在起点、终点和多个中间关键点的位置信息、速度信息、加速度信息以及相邻点时间序列与行走轨迹时间-能量值的关系;
最优相邻点时间序列确定单元,用于根据所述机器人行走轨迹规划模型以及改进人工蜂群算法确定最优相邻点时间序列;
机器人行走轨迹确定单元,用于根据所述最优相邻点时间序列以及所述位置信息、速度信息以及加速度信息确定机器人行走轨迹;
其中,所述改进人工蜂群算法包括雇佣蜂优化步骤和跟随蜂优化步骤,所述雇佣蜂优化步骤和/或跟随蜂优化步骤中的相邻点时间序列包括当前较优相邻点时间序列。
本发明实施例的另一目的在于提供一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如上述所述机器人行走轨迹确定方法的步骤。
本发明实施例的另一目的在于提供一种可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如上述所述机器人行走轨迹确定方法的步骤。
本发明实施例提供的一种机器人行走轨迹确定方法,通过在获取机器人行走轨迹规划模型后,是利用改进的人工蜂群算法来确定最优相邻点时间序列,从而确定出机器人行走轨迹,其中,由于改进的人工蜂群算法相比于现有的人工蜂群算法在雇佣蜂优化步骤和/或跟随蜂优化步骤进行了调整,使得雇佣蜂优化步骤和/或跟随蜂优化步骤中的相邻点时间序列与当前较优相邻点时间序列相关联,扩展了人工蜂群算法所采用的搜索方式,从而在不丧失原有的人工蜂群算法所具有的全局搜索能力的同时,有效增强了对当前较优相邻点时间序列邻域也就是潜在重点区域的局部开发能力,在提高了算法的收敛速度的同时,还有效提高了算法运算结果的实际效果。
附图说明
图1为本发明实施例提供的一种机器人行走轨迹确定方法的步骤流程图;
图2为本发明实施例提供的一种雇佣蜂优化步骤的流程图;
图3为本发明实施例提供的另一种雇佣蜂优化步骤的流程图;
图4为本发明实施例提供的又一种雇佣蜂优化步骤的流程图;
图5为本发明实施例提供的一种跟随蜂优化步骤的流程图;
图6为本发明实施例提供的一种基于灰狼算法对相邻点时间序列进行调整的步骤流程图;
图7为本发明实施例提供的一种机器人行走轨迹确定装置的结构示意图;
图8为本发明实施例提供的一种执行机器人行走轨迹确定方法的计算机设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
为了解决现有的人工蜂群算法在求解机器人行走轨迹过程中还存在的收敛速率差、求解精度低的技术问题,本发明对现有人工蜂群算法的雇佣蜂优化步骤和/或跟随蜂优化步骤进行了优化改进。具体的,现有人工蜂群算法的雇佣蜂优化步骤都是在雇佣蜂的邻域附近进行搜索较优解,在现有人工蜂群算法的跟随蜂优化步骤中,跟随蜂也同样是在给定雇佣蜂的邻域附近进行搜索,这样的算法虽然保证了一定的全局搜索能力,然而其开发能力较弱,尤其是缺少对重点区域的开发能力,在初始雇佣蜂不够理想时,收敛速度较为缓慢,最终确定的精度也不够理想。而本发明提供的改进人工蜂群算法,在雇佣蜂优化步骤和/或跟随蜂优化步骤中,不再局限于在随机给定的雇佣蜂的邻域附近进行搜索较优解,而是提高了当前效果最优的雇佣蜂的影响,即提高了精英个体的引导能力,使得部分雇佣蜂以及跟随蜂能够快速集中于较优解附近进行重点搜索,从而有效地提高了算法的收敛速度以及运算结果的效果。
在本发明中,首先对机器人的PTP轨迹规划进行说明:PTP轨迹规划是指基于工作的需要在机器人的关节空间内确定多个起点、终点和多个中间关键点,并给定在达到每一关键点时关节的速度和加速度,此时,利用多项式(通常是五次多项式)对相邻关键点进行连接,就可以得到多段点到点轨迹组成的完整工作轨迹,此时具体的工作轨迹则由各段PTP轨迹的运动时间唯一确定,也就是说,在知晓了相邻关键点的关节位置、关节速度以及加速度之后,一旦确定了关节在相邻关键点之间的运动时间,则利用五次多项式连接相邻关键点所得到的轨迹是唯一确定的。而在得知具体的工作轨迹后,结合常规动力学模型就可以分析出各个关节的力矩以及位移等信息,从而可以确定出机器人在该工作轨迹上的能量消耗。
结合前述分析可知,在给定了相邻关键点之间的运动时间之后,则机器人在工作轨迹上的总运动时间(即各相邻关键点之间的运动时间之和)以及能量消耗也就唯一确定。通常意义上来讲,相邻关键点之间的运动时间越短,即机器人行走时间越少,机器人在该工作轨迹上的能量消耗也就越高,而如何权衡行走时间与能量损耗的比重来描述某一相邻点时间序列的优劣值,也就是机器人行走轨迹规划模型的关键,显然,在行走时间与能量损耗权衡不同的机器人行走轨迹规划模型中,最优相邻点时间序列显然不同。而在机器人行走轨迹规划模型的辅助下,快速而精确的得到最优相邻点时间序列也同样关键,本发明也正是对现有的人工蜂群算法进行改进,利用改进后的人工蜂群算法来快速而精确的确定最优相邻点时间序列。其中,需要强调的一点是,构建机器人行走轨迹规划模型时,显然还需要考虑是够符合实际情况,例如需要受到关节活动的限制,最大关节速度、最大关节加速度和最大关节力矩不能超过给定的约束条件。
在前述的步骤中,一些关键参数、公式具体如下。
假定起点为P0,终点为Pn,则P1、P2、...Pn-1依次表示n-1个中间关键点,相邻关键点Pi-1与Pi之间的PTP轨迹的运动时间记为ti,则运动时间序列{t1,t2,...,tn}即为前述的相邻点时间序列,进一步的,在机器人行走轨迹规划模型所包含的相邻点时间序列与行走轨迹时间-能量值的关系中,行走轨迹时间-能量值可以理解为一个目标值Z,其具体函数公式为:
其中,tf表示行走轨迹时间,即相邻关键点时间之和,表示行走轨迹能量损耗的计算公式,τi为关节力矩,qt表示关节角速度,上述参数可以利用动力学模型对行走轨迹进行分析所确定,弹性系数η预先给定的,用于平衡运动时间和能量损耗的数量级,ξ1为行走轨迹时间的权因子,ξ2为行走轨迹能量的权因子,且ξ1+ξ2=1,通过调整ξ1与ξ2可以调整机器人行走轨迹规划模型对时间-能量损耗的衡量关系。而在相邻点时间序列确定后,基于给定的机器人行走轨迹规划模型就可以计算得到Z值,能够用于评估相邻点时间序列的优劣程度,在默认Z值越小的相邻点时间序列越优的情况下,显然,ξ1越接近于1,最终确定的最优相邻点时间序列倾向于使机器人运动时间更短,ξ2越接近于1,最终确定的最优相邻点时间序列倾向于使机器人能量损耗更短。上述行走轨迹时间-能量值的计算公式在利用改进人工蜂群算法确定最优相邻点时间序列的过程中需要频繁使用,后续将不再对上述过程重复论述。
需要说明的一点是,PTP轨迹规划算法属于本领域技术人员的常规技术手段,前述论述是为了便于对后续如何确定最优相邻点时间序列的过程的理解,对于前述过程中可能存在的遗漏的说明,对本领域技术人员而言也是可以知晓的,不应当构成对本发明的限制。下面将对本发明的技术方案进行具体的说明。
如图1所示,为本发明实施例提供的一种机器人行走轨迹确定方法的步骤流程图,具体包括以下步骤:
步骤S102,获取机器人行走轨迹规划模型。
在本发明实施例中,机器人行走轨迹规划模型包括机器人关节在起点、终点和多个中间关键点的位置信息、速度信息、加速度信息以及相邻点时间序列与行走轨迹时间-能量值的关系。
在本发明实施例中,结合前述可以知晓,在确定最优相邻点时间序列之前,需要先根据规划需求,确定机器人关节在起点、终点和多个中间关键点的位置信息、速度信息、加速度信息,在给定上述信息之后,一旦确定了相邻关键点之间的运动时间,则机器人关节的行走轨迹将唯一确定,并且配合动力学模型的分析,可以进一步得到关节的力矩以及角速度,从而可以确定出机器人的能量损耗。进一步的,一旦给定前述目标函数Z中的各参数系数,则相邻点时间序列与行走轨迹时间-能量值之间的关系将唯一确定。此时对于具体的一组相邻点时间序列{t1,t2,...,tn},就可以根据其行走轨迹时间-能量值Z来判断其优劣程度,结合后续的人工蜂群算法就可以快速确定最优相邻点时间序列。
在本发明实施例中,需要强调的一点是,所获取的机器人行走轨迹规划模型应当符合实际情况,即机器人关节活动的参数在最大关节速度、最大关节加速度和最大关节力矩的约束条件内。
步骤S104,根据所述机器人行走轨迹规划模型以及改进人工蜂群算法确定最优相邻点时间序列。
在本发明实施例中,所述改进人工蜂群算法包括雇佣蜂优化步骤和跟随蜂优化步骤,所述雇佣蜂优化步骤和/或跟随蜂优化步骤中的相邻点时间序列包括当前较优相邻点时间序列,也就是本发明提供的根据所述机器人行走轨迹规划模型以及改进人工蜂群算法确定最优相邻点时间序列的步骤是在现有的常规的人工蜂群算法进行了改进所确定的。
在本发明实施例中,常规的人工蜂群算法同样也包括雇佣蜂优化步骤以及跟随蜂优化步骤,当然,还包括了侦查蜂步骤以及迭代结束判断条件。但由于本发明提供的改进人工蜂群算法主要改进点在于雇佣蜂步骤和跟随蜂步骤上,对于侦查蜂步骤以及迭代结束判断条件采用常规的步骤,本发明将不在赘述这两个阶段的内容。当然,为便于理解,下面将简单用文字说明的方式描述常规人工蜂群算法的完整过程。而本发明所提供的改进人工蜂群算法在雇佣蜂优化步骤和跟随蜂优化步骤的具体步骤也将在后续图2~图6中与常规人工蜂群算法进行对比,并具体说明区别点,具体可以参阅后续图2~图7的内容。具体的,雇佣蜂优化步骤可以参阅图2及其解释说明,跟随蜂优化步骤可以参阅图5及其解释说明。
在本发明实施例中,常规的人工蜂群算法的步骤如下:
初始化种群,也就是生成多个雇佣蜂个体,而具体结合到机器人行走轨迹的优化算法中,每一个个体都可以理解为一组相邻点时间序列,即先随机生成SN个初始可行相邻点时间序列Xi=(t1,t2,...,tn),i=1,2,...,SN作为雇佣蜂相邻点时间序列。然后进入雇佣蜂优化步骤,对于每个雇佣蜂,在其相邻点时间序列的邻域上按照预设的方式生成一个候选的雇佣蜂相邻点时间序列,也就是说候选的雇佣蜂相邻点时间序列与原始的雇佣蜂相邻点时间序列较为接近,然后根据原始的雇佣蜂相邻点时间序列和候选的雇佣蜂相邻点时间序列的行走轨迹时间-能量值来选择较优的个体(行走轨迹时间-能量值由机器人行走轨迹规划模型直接确定)作为新的雇佣蜂相邻点时间序列。在每个雇佣蜂相邻点时间序列完成更新后,进入到跟随蜂优化步骤。
对于跟随蜂优化阶段,首先跟随蜂依据轮盘赌机制选择雇佣蜂,并在其周围选择更好的蜜源,也就是先根据轮盘赌机制以及雇佣蜂相邻点时间序列确定初始化的跟随蜂相邻点时间序列,其中轮盘赌机制与雇佣蜂相邻点时间序列的行走轨迹时间-能量值关联,也就是说,越优的雇佣蜂相邻点时间序列会吸引更多的跟随蜂相邻点时间序列。在所有跟随蜂相邻点时间序列被确定后,在跟随蜂相邻点时间序列的邻域附近选择候选的跟随蜂相邻点时间序列,然后根据机器人行走轨迹规划模型计算行走轨迹时间-能量值并选择较优的相邻点时间序列,当候选的跟随蜂相邻点时间序列由于初始跟随蜂相邻点时间序列时,此时跟随蜂将转化为雇佣蜂,并用于下一次的迭代过程。
在雇佣蜂优化步骤与跟随蜂优化步骤结束时候,还需要经过侦查蜂步骤,即通过判断某个相邻点时间序列周围优化的次数达到一定次数而仍然没有找到更好的位置时,则表明该位置可能陷入了局部最优,将舍弃该相邻点时间序列,重新初始化新的相邻点时间序列。
当经过一次完整的雇佣蜂优化步骤、跟随蜂优化步骤以及侦查蜂步骤,表明进行了一次迭代,当迭代次数没有达到给定的阈值时,将重新返回至雇佣蜂优化步骤,也就是继续进一步对相邻点时间序列的优化,此时相较于上一轮的相邻点时间序列相邻点时间序列,相邻点时间序列得到了进一步的优化。通过循环雇佣蜂优化步骤、跟随蜂优化步骤以及侦查蜂步骤,不断优化相邻点时间序列,直至满足预设的条件后,确定出最优相邻点时间序列。
步骤S106,根据所述最优相邻点时间序列以及所述位置信息、速度信息以及加速度信息确定机器人行走轨迹。
在本发明实施例中,在给定机器人关节在各个点上的位置信息、速度信息以及加速度信息后,一旦确定了相邻节点的行走时间,通过五次多项式拟合的方式就能唯一确定一条机器人行走轨迹,由于所述最优相邻点时间序列是经过改进人工蜂群算法智能学习得到的,该行走轨迹也是在行走轨迹时间-能量综合指标性能最优的行走轨迹。
本发明实施例提供的一种机器人行走轨迹确定方法,通过在获取机器人行走轨迹规划模型后,是利用改进的人工蜂群算法来确定最优相邻点时间序列,从而确定出机器人行走轨迹,其中,由于改进的人工蜂群算法相比于现有的人工蜂群算法在雇佣蜂优化步骤和/或跟随蜂优化步骤进行了调整,使得雇佣蜂优化步骤和/或跟随蜂优化步骤中的相邻点时间序列与当前较优相邻点时间序列相关联,扩展了人工蜂群算法所采用的搜索方式,从而在不丧失原有的人工蜂群算法所具有的全局搜索能力的同时,有效增强了对当前较优相邻点时间序列邻域也就是潜在重点区域的局部开发能力,在提高了算法的收敛速度的同时,还有效提高了算法运算结果的实际效果。
如图2所示,为本发明实施例提供的一种雇佣蜂优化步骤的流程图,具体包括以下步骤:
步骤S202,确定雇佣蜂相邻点时间序列。
在本发明实施例中,结合前述对人工蜂群算法的论述可知,在首次雇佣蜂优化步骤过程中,雇佣蜂相邻点时间序列是随机生成的,而在后续的雇佣蜂优化步骤过程中,雇佣蜂相邻点时间序列是在上一轮优化过程中确定的,也就是更优的相邻点时间序列将会被确定为下一轮的雇佣蜂相邻点时间序列。
步骤S204,根据多个当前较优相邻点时间序列对所述雇佣蜂相邻点时间序列进行引导调整,生成引导候选雇佣蜂相邻点时间序列。
在本发明实施例中,现有的雇佣蜂相邻点时间序列的调整策略是在其邻域上选择,具体的,对于第i个雇佣蜂相邻点时间序列Xi而言,其引导候选雇佣蜂相邻点时间序列Xi′的计算公式具体为:然而,在本发明公开的技术方案中,引导候选雇佣蜂相邻点时间序列Xi′的计算公式具体为:其中Xbest表示若干个当前较优相邻点时间序列的平均值,需要说明的是由于在确定相邻点时间序列后,其行走轨迹时间-能量值也可以随之确定,因此可以随之确定各个相邻点时间序列的优劣性,并将当前较优的多个相邻点时间序列确定为当前较优相邻点时间序列,通常当前较优相邻点时间序列的个数选定为3个。
在本发明实施例中,事实上,通过在引导候选雇佣蜂相邻点时间序列的计算公式引入若干个当前较优相邻点时间序列的平均值,增强了较优相邻点时间序列的引导力,通过精英个体的引导在一定程度上减小了搜索的随机性,增强算法的开发能力。事实上,也可以随机让部分雇佣蜂相邻点时间序列按照本发明提供的调整策略确定引导候选雇佣蜂相邻点时间序列,而让另一部分按照原始的调整策略确定引导候选雇佣蜂相邻点时间序列,此时,就可以在保留原有算法的全局搜索的能力上,增强算法的开发能力,而选择两种策略的雇佣蜂相邻点时间序列各自占的比例能够协调种群的探索和开发能力,因此可以根据实际需求调整,通常设置为各占50%。此时,可以通过随机数与阈值的方式来确定雇佣蜂相邻点时间序列所选择的调整策略,具体请参阅图3及其解释说明。
在本发明实施例中,通过在引导候选雇佣蜂相邻点时间序列Xi′的计算公式中引入了多个当前较优相邻点时间序列可以增强算法的开发能力,但同时,还可以进一步引入随机干扰项来增加种群的多样性,减小陷入局部最优的可能性。具体步骤可以参阅图4及其解释说明的内容。
步骤S206,根据所述机器人行走轨迹规划模型计算所述雇佣蜂相邻点时间序列以及所述引导候选雇佣蜂相邻点时间序列的行走轨迹时间-能量值。
在本发明实施例中,结合前述可知,根据机器人行走轨迹规划模型计算行走轨迹时间-能量值的过程是显而易见的,在此不再赘述,具体可以参阅前述的内容。
在本发明实施例中,需要说明的一点是,事实上,在确定相邻点时间序列后,其行走轨迹时间-能量值也随之确定,也就是说上述步骤的发生并非一定要在雇佣蜂相邻点时间序列完成调整之后,通常情况下,在确定初始雇佣蜂相邻点时间序列后,就可以得到初始雇佣蜂相邻点时间序列的行走轨迹时间-能量值。
步骤S208,根据所述行走轨迹时间-能量值确定优化后的雇佣蜂相邻点时间序列。
在本发明实施例中,基于行走轨迹时间-能量值可以确定引导候选雇佣蜂相邻点时间序列与先前的雇佣蜂相邻点时间序列的优劣程度,显然,当引导候选雇佣蜂相邻点时间序列优于先前的雇佣蜂相邻点时间序列时,此时将引导候选雇佣蜂相邻点时间序列作为新的雇佣蜂相邻点时间序列,而当引导候选雇佣蜂相邻点时间序列劣于先前的雇佣蜂相邻点时间序列时,保留原雇佣蜂相邻点时间序列,人工蜂群算法也正是基于多轮相邻点时间序列的优化,从而一步步确定最优相邻点时间序列。
本发明实施例提供的改进雇佣蜂优化步骤,通过在引导候选雇佣蜂相邻点时间序列的计算公式中引入了若干个当前较优相邻点时间序列的平均值,增强了较优相邻点时间序列的引导力,通过精英个体的引导在一定程度上减小了搜索的随机性,增强算法的开发能力。
如图3所示,为本发明实施例提供的另一种雇佣蜂优化步骤的流程图,详述如下。
在本发明实施例中,与图2所示出一种雇佣蜂优化步骤的流程图的区别在于,在所述步骤S202的步骤之后,还包括:
步骤S302,根据预设的调整策略选择规则确定所述雇佣蜂相邻点时间序列的调整策略。
在本发明实施例中,结合前述图2的论述可知,可以随机让部分雇佣蜂相邻点时间序列按照本发明提供的调整策略确定引导候选雇佣蜂相邻点时间序列,而让另一部分按照原始的调整策略确定引导候选雇佣蜂相邻点时间序列,此时,就可以在保留原有算法的全局搜索的能力上,增强算法的开发能力。也就是说需要利用两种或者两种以上的调整策略。此时在对雇佣蜂相邻点时间序列进行调整之前,需要先根据预设的调整策略选择规则确定所述雇佣蜂相邻点时间序列的调整策略。
在本发明实施例中,通常情况下,可以利用阈值与随机数确定雇佣蜂相邻点时间序列的调整策略,例如当确定采用本发明提供的调整策略的雇佣蜂相邻点时间序列的比例为60%时,可以将阈值设置为0.6,随机数在0-1之间随机生成,当雇佣蜂相邻点时间序列的随机数小于阈值0.6时,按照本发明提供的调整策略对雇佣蜂相邻点时间序列进行调整,当不小于阈值0.6时,则按照其他方式对雇佣蜂相邻点时间序列进行调整。
所述步骤S204的步骤具体为:
步骤S304,当判断所述雇佣蜂相邻点时间序列的调整策略为引导调整策略时,根据多个当前较优相邻点时间序列对所述雇佣蜂相邻点时间序列进行引导调整,生成引导候选雇佣蜂相邻点时间序列。
在本发明实施例中,当判断所述雇佣蜂相邻点时间序列的调整策略不是引导调整策略时,可以按照预设的其他调整策略对所述雇佣蜂相邻点时间序列进行调整,通常是选择常规的调整策略。
本发明实施例提供的一种雇佣蜂优化步骤,通过利用多种不同的调整策略对雇佣蜂相邻点时间序列进行调整,能够平衡算法的探索和开发能力,即在不影响原始算法探索能力的基础上,增强算法的开发能力。
如图4所示,为本发明实施例提供的又一种雇佣蜂优化步骤的流程图,详述如下。
在本发明实施例中,与图2所示出一种雇佣蜂优化步骤的流程图的区别在于,所述步骤S204具体包括:
步骤S402,根据多个当前较优相邻点时间序列以及随机获取的干扰雇佣蜂相邻点时间序列对所述雇佣蜂相邻点时间序列进行引导调整,生成引导候选雇佣蜂相邻点时间序列。
在本发明实施例中,结合前述图2的论述可知,可以进一步引入随机干扰项来增加种群的多样性,减小陷入局部最优的可能性。此时引导候选雇佣蜂相邻点时间序列Xi′的计算公式具体为:
其中,Xk、Xs、Xp为不同于Xi的其他雇佣蜂相邻点时间序列,F为随机干扰系数,F越大,随机干扰项越强,则对种群的多样性影响越大,但反之会降低算法的收敛速率,因此,具体的F值可以基于实际需求自行调整。当然,如果存在多种调整策略,随机干扰项也可以引入到其他调整策略当中,同样可以增强种群的多样性。
本发明实施例提供的又一种雇佣蜂优化步骤,通过在得到引导候选雇佣蜂相邻点时间序列的过程中引入了随机干扰项,可以有效提高种群的多样性,减小陷入局部最优的可能性,进一步提高了算法的性能。
如图5所示,为本发明实施例提供的一种跟随蜂优化步骤的流程图,具体包括以下步骤:
步骤S502,根据多个雇佣蜂相邻点时间序列并按照轮盘赌机制生成多个跟随蜂相邻点时间序列。
在本发明实施例中,所述轮盘赌机制是基于雇佣蜂相邻点时间序列的优劣程度(也就是雇佣蜂相邻点时间序列的行走轨迹时间-能量值)来确定跟随蜂相邻点时间序列的选择概率,具体的,对于效果越优的雇佣蜂相邻点时间序列,其在轮盘赌机制中被选择的概率也就越大,也就是说,有更多的跟随蜂相邻点时间序列将会选择该雇佣蜂相邻点时间序列,并选择在该雇佣蜂相邻点时间序列附近搜索。通过轮盘赌机制,能够保证迭代的正向反馈,即较优的雇佣蜂相邻点时间序列会有更多的跟随蜂相邻点时间序列进行搜索。
步骤S504,按照预设的搜索策略选择规则确定所述跟随蜂相邻点时间序列的搜索策略。
在本发明实施例中,现有的跟随蜂相邻点时间序列的搜索策略较为单一,通常都是在雇佣蜂相邻点时间序列邻域上进行搜索,且搜索方式较为盲目,利于开发更好的搜索方向和算法的收敛。本发明也正是在现有的跟随蜂相邻点时间序列的搜索策略进行改进,提供了一种基于灰狼算法改进的搜索策略与常规搜索策略融合的复合搜索策略。具体的,灰狼算法是一种模拟狼群等级制度和群体捕食行为的元启发式算法,整个狼群在多个头狼的带领快速的向猎物前进,迅速缩小包围圈直至捕获猎物,搜索的目的性强,算法收敛迅速,而近一步为了起到更好的效果,在不同的迭代阶段,选择基于灰狼算法改进的搜索策略与选择常规搜索策略的跟随蜂相邻点时间序列比例会不断彼岸花,具体的,在迭代前期,以灰狼算法的搜索策略为主导,能够使种群迅速集中到最优解附近,也就是选择基于灰狼算法改进的搜索策略的比例相对较高,而在迭代后期,增加常规搜索策略的比例,利于在收敛阶段让种群仍然保持一定的多样性,同时也可以帮助算法跳出局部最优解。而具体搜索策略选择规则也可以与前述步骤S302相似,通过随机数与阈值来实现,在本发明在此不在赘述。
步骤S506,当判断初始跟随蜂相邻点时间序列的搜索策略为引导搜索策略时,根据多个当前较优相邻点时间序列并按照灰狼算法确定对所述跟随蜂相邻点时间序列进行调整,生成引导候选跟随蜂相邻点时间序列。
在本发明实施例中,基于灰狼算法同样需要利用多个当前较优相邻点时间序列,其具体实现步骤可以参阅图6及其解释说明。
在本发明实施例中,由于改进点在于还引入了基于灰狼算法改进的搜索策略,本发明对常规的搜索策略不再赘述,事实上,在跟随蜂优化步骤中,常规跟随蜂的优化公式与擦钢轨雇佣蜂的优化公式相同。
步骤S508,根据所述机器人行走轨迹规划模型计算所述跟随蜂相邻点时间序列以及所述引导候选跟随蜂相邻点时间序列的行走轨迹时间-能量值。
在本发明实施例中,行走轨迹时间-能量值是在确定相邻点时间序列后由机器人行走轨迹规划模型直接确定,因此,与步骤S206类似,不局限于在确定引导候选跟随蜂相邻点时间序列之后,再去计算行走轨迹时间-能量值。
步骤S510,根据所述行走轨迹时间-能量值确定优化后的跟随蜂相邻点时间序列。
在本发明实施例中,与步骤S208类似,实现了对跟随蜂相邻点时间序列的优化,需要说明的是,当引导候选跟随蜂相邻点时间序列优于初始跟随蜂相邻点时间序列时,此时引导候选跟随蜂相邻点时间序列将作为下轮优化过程中的雇佣蜂相邻点时间序列。通过循环对雇佣蜂相邻点时间序列和跟随蜂相邻点时间序列优化,最终确定最优相邻点时间序列优化。
如图6所示,为本发明实施例中提供的一种基于灰狼算法对相邻点时间序列进行调整的步骤流程图,具体包括以下步骤:
步骤S602,确定所述跟随蜂相邻点时间序列与所述多个当前较优相邻点时间序列之间的距离。
在本发明实施例中,通常情况下确定的当前较优相邻点时间序列为3个,因此,下面将以当前较优相邻点时间序列为例,具体说明跟随蜂相邻点时间序列的调整过程。
在本发明实施例中,假定三个当前较优相邻点时间序列依次为Xα、Xβ和Xδ,则,当前跟随蜂相邻点时间序列为X,则所述跟随蜂相邻点时间序列与所述多个当前较优相邻点时间序列之间的距离具体为:
Dα=C1Xα-X
Dβ=C2Xβ-X
Dδ=C3Xδ-X
其中,Dα、Dβ和Dδ分别表示跟随蜂相邻点时间序列距离三个当前较优相邻点时间序列Xα、Xβ和Xδ的距离,其中,C1、C2和C3为三个随机数,可以理解为跟随蜂相邻点时间序列受到三个当前较优相邻点时间序列的随机影响因子。
步骤S604,根据所述距离以及预设的步进规则对所述当前较优相邻点时间序列进行调整,生成多个调整后的跟随蜂相邻点时间序列。
在本发明实施例中,跟随蜂相邻点时间序列在受到三个当前较优相邻点时间序列的引导下,具体的步进公式为:
X1=Xα-A1Dα
X2=Xβ-A2Dβ
X3=Xδ-A3Dδ
其中,A=2a·rand(0,1)-a,a是一个随迭代次数增加逐渐由2递减到0的变量,rand(0,1)表示0-1之间的随机数,此时,确定了跟随蜂相邻点时间序列在受到三个当前较优相邻点时间序列的引导所得到的调整后的跟随蜂相邻点时间序列,也就是说随着迭代次数增加,头狼也就是较优相邻点时间序列对其他跟随蜂相邻点时间序列的引导力将会逐渐降低,从而进一步保证种族的多样性。
步骤S606,根据所述多个调整后的跟随蜂相邻点时间序列确定引导候选跟随蜂相邻点时间序列。
在本发明实施例中,通过多个调整后的跟随蜂相邻点时间序列最终确定引导候选跟随蜂相邻点时间序列,通常情况下,将多个调整后的跟随蜂相邻点时间序列的平均值确定为引导候选跟随蜂相邻点时间序列,也就是X′=(X1+X2+X3)/3。
本发明实施例提供了基于灰狼算法对跟随蜂相邻点时间序列进行调整的过程,其中跟随蜂相邻点时间序列受到多个头狼也就是较优相邻点时间序列的影响,向较优相邻点时间序列的方向靠近,搜索目的性强,算法收敛迅速,且同时随着迭代次数增加,降低较优相邻点时间序列对跟随蜂相邻点时间序列的引导力,进一步保证了种群多样性。
图7为本发明实施例提供的一种机器人行走轨迹确定装置的结构示意图,详述如下。
在本发明实施例中,所述机器人行走轨迹确定装置包括:
机器人行走轨迹规划模型获取单元710,用于获取机器人行走轨迹规划模型。
在本发明实施例中,机器人行走轨迹规划模型包括机器人关节在起点、终点和多个中间关键点的位置信息、速度信息、加速度信息以及相邻点时间序列与行走轨迹时间-能量值的关系。
在本发明实施例中,结合前述可以知晓,在确定最优相邻点时间序列之前,需要先根据规划需求,确定机器人关节在起点、终点和多个中间关键点的位置信息、速度信息、加速度信息,在给定上述信息之后,一旦确定了相邻关键点之间的运动时间,则机器人关节的行走轨迹将唯一确定,并且配合动力学模型的分析,可以进一步得到关节的力矩以及角速度,从而可以确定出机器人的能量损耗。进一步的,一旦给定前述目标函数Z中的各参数系数,则相邻点时间序列与行走轨迹时间-能量值之间的关系将唯一确定。此时对于具体的一组相邻点时间序列{t1,t2,...,tn},就可以根据其行走轨迹时间-能量值Z来判断其优劣程度,结合后续的人工蜂群算法就可以快速确定最优相邻点时间序列。
在本发明实施例中,需要强调的一点是,所获取的机器人行走轨迹规划模型应当符合实际情况,即机器人关节活动的参数在最大关节速度、最大关节加速度和最大关节力矩的约束条件内。
最优相邻点时间序列确定单元720,用于根据所述机器人行走轨迹规划模型以及改进人工蜂群算法确定最优相邻点时间序列。
在本发明实施例中,所述改进人工蜂群算法包括雇佣蜂优化步骤和跟随蜂优化步骤,所述雇佣蜂优化步骤和/或跟随蜂优化步骤中的相邻点时间序列包括当前较优相邻点时间序列,也就是本发明提供的根据所述机器人行走轨迹规划模型以及改进人工蜂群算法确定最优相邻点时间序列的步骤是在现有的常规的人工蜂群算法进行了改进所确定的。
在本发明实施例中,常规的人工蜂群算法同样也包括雇佣蜂优化步骤以及跟随蜂优化步骤,当然,还包括了侦查蜂步骤以及迭代结束判断条件。但由于本发明提供的改进人工蜂群算法主要改进点在于雇佣蜂步骤和跟随蜂步骤上,对于侦查蜂步骤以及迭代结束判断条件采用常规的步骤,本发明将不在赘述这两个阶段的内容。
机器人行走轨迹确定单元730,用于根据所述最优相邻点时间序列以及所述位置信息、速度信息以及加速度信息确定机器人行走轨迹。
在本发明实施例中,在给定机器人关节在各个点上的位置信息、速度信息以及加速度信息后,一旦确定了相邻节点的行走时间,通过五次多项式拟合的方式就能唯一确定一条机器人行走轨迹,由于所述最优相邻点时间序列是经过改进人工蜂群算法智能学习得到的,该行走轨迹也是在行走轨迹时间-能量综合指标性能最优的行走轨迹。
本发明实施例提供的一种机器人行走轨迹确定装置,通过在获取机器人行走轨迹规划模型后,是利用改进的人工蜂群算法来确定最优相邻点时间序列,从而确定出机器人行走轨迹,其中,由于改进的人工蜂群算法相比于现有的人工蜂群算法在雇佣蜂优化步骤和/或跟随蜂优化步骤进行了调整,使得雇佣蜂优化步骤和/或跟随蜂优化步骤中的相邻点时间序列与当前较优相邻点时间序列相关联,扩展了人工蜂群算法所采用的搜索方式,从而在不丧失原有的人工蜂群算法所具有的全局搜索能力的同时,有效增强了对当前较优相邻点时间序列邻域也就是潜在重点区域的局部开发能力,在提高了算法的收敛速度的同时,还有效提高了算法运算结果的实际效果。
图8示出了一个实施例中计算机设备的内部结构图。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现机器人行走轨迹确定方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行机器人行走轨迹确定方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,本申请提供的机器人行走轨迹确定装置可以实现为一种计算机程序的形式,计算机程序可在如图8所示的计算机设备上运行。计算机设备的存储器中可存储组成该机器人行走轨迹确定装置的各个程序模块,比如,图7所示的机器人行走轨迹规划模型获取单元710、最优相邻点时间序列确定单元720以及机器人行走轨迹确定单元730。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的机器人行走轨迹确定方法中的步骤。
例如,图8所示的计算机设备可以通过如图7所示的机器人行走轨迹确定装置中的机器人行走轨迹规划模型获取单元710执行步骤S102;计算机设备可通过最优相邻点时间序列确定单元执行步骤S104;计算机设备可通过机器人行走轨迹确定单元执行步骤S106。
在一个实施例中,提出了一种计算机设备,所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取机器人行走轨迹规划模型;所述机器人行走轨迹规划模型包括机器人关节在起点、终点和多个中间关键点的位置信息、速度信息、加速度信息以及相邻点时间序列与行走轨迹时间-能量值的关系;
根据所述机器人行走轨迹规划模型以及改进人工蜂群算法确定最优相邻点时间序列;
根据所述最优相邻点时间序列以及所述位置信息、速度信息以及加速度信息确定机器人行走轨迹;
其中,所述改进人工蜂群算法包括雇佣蜂优化步骤和跟随蜂优化步骤,所述雇佣蜂优化步骤和/或跟随蜂优化步骤中的相邻点时间序列包括当前较优相邻点时间序列。
在一个实施例中,提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时,使得处理器执行以下步骤:
获取机器人行走轨迹规划模型;所述机器人行走轨迹规划模型包括机器人关节在起点、终点和多个中间关键点的位置信息、速度信息、加速度信息以及相邻点时间序列与行走轨迹时间-能量值的关系;
根据所述机器人行走轨迹规划模型以及改进人工蜂群算法确定最优相邻点时间序列;
根据所述最优相邻点时间序列以及所述位置信息、速度信息以及加速度信息确定机器人行走轨迹;
其中,所述改进人工蜂群算法包括雇佣蜂优化步骤和跟随蜂优化步骤,所述雇佣蜂优化步骤和/或跟随蜂优化步骤中的相邻点时间序列包括当前较优相邻点时间序列。
应该理解的是,虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种机器人行走轨迹确定方法,其特征在于,包括:
获取机器人行走轨迹规划模型;所述机器人行走轨迹规划模型包括机器人关节在起点、终点和多个中间关键点的位置信息、速度信息、加速度信息以及相邻点时间序列与行走轨迹时间-能量值的关系;
根据所述机器人行走轨迹规划模型以及改进人工蜂群算法确定最优相邻点时间序列;
根据所述最优相邻点时间序列以及所述位置信息、速度信息以及加速度信息确定机器人行走轨迹;
其中,所述改进人工蜂群算法包括雇佣蜂优化步骤和跟随蜂优化步骤,所述雇佣蜂优化步骤和/或跟随蜂优化步骤中的相邻点时间序列包括当前较优相邻点时间序列;
所述雇佣蜂优化步骤具体包括:
确定雇佣蜂相邻点时间序列;
根据多个当前较优相邻点时间序列对所述雇佣蜂相邻点时间序列进行引导调整,生成引导候选雇佣蜂相邻点时间序列;
根据所述机器人行走轨迹规划模型计算所述雇佣蜂相邻点时间序列以及所述引导候选雇佣蜂相邻点时间序列的行走轨迹时间-能量值;
根据所述行走轨迹时间-能量值确定优化后的雇佣蜂相邻点时间序列;
所述跟随蜂优化步骤具体包括:
根据多个雇佣蜂相邻点时间序列并按照轮盘赌机制生成多个跟随蜂相邻点时间序列;
按照预设的搜索策略选择规则确定所述跟随蜂相邻点时间序列的搜索策略;
当判断初始跟随蜂相邻点时间序列的搜索策略为引导搜索策略时,根据多个当前较优相邻点时间序列并按照灰狼算法确定对所述跟随蜂相邻点时间序列进行调整,生成引导候选跟随蜂相邻点时间序列;
根据所述机器人行走轨迹规划模型计算所述跟随蜂相邻点时间序列以及所述引导候选跟随蜂相邻点时间序列的行走轨迹时间-能量值;
根据所述行走轨迹时间-能量值确定优化后的跟随蜂相邻点时间序列。
2.根据权利要求1所述的机器人行走轨迹确定方法,其特征在于,在所述确定雇佣蜂相邻点时间序列的步骤之后,还包括:
根据预设的调整策略选择规则确定所述雇佣蜂相邻点时间序列的调整策略;
所述根据多个当前较优相邻点时间序列对所述雇佣蜂相邻点时间序列进行引导调整,生成引导候选雇佣蜂相邻点时间序列的步骤,具体为:
当判断所述雇佣蜂相邻点时间序列的调整策略为引导调整策略时,根据多个当前较优相邻点时间序列对所述雇佣蜂相邻点时间序列进行引导调整,生成引导候选雇佣蜂相邻点时间序列。
3.根据权利要求2所述的机器人行走轨迹确定方法,其特征在于,根据多个当前较优相邻点时间序列对所述雇佣蜂相邻点时间序列进行引导调整的步骤,具体包括:
根据多个当前较优相邻点时间序列以及随机获取的干扰雇佣蜂相邻点时间序列对所述雇佣蜂相邻点时间序列进行引导调整,生成引导候选雇佣蜂相邻点时间序列。
4.根据权利要求1所述的一种机器人行走轨迹确定方法,其特征在于,根据多个当前较优相邻点时间序列并按照灰狼算法确定对所述初始跟随蜂相邻点时间序列进行调整,生成引导候选雇佣蜂相邻点时间序列的步骤具体包括:
确定所述跟随蜂相邻点时间序列与所述多个当前较优相邻点时间序列之间的距离;
根据所述距离以及预设的步进规则对所述当前较优相邻点时间序列进行调整,生成多个调整后的跟随蜂相邻点时间序列;
根据所述多个调整后的跟随蜂相邻点时间序列确定引导候选跟随蜂相邻点时间序列。
5.根据权利要求4所述的一种机器人行走轨迹确定方法,其特征在于,所述根据所述多个调整后的跟随蜂相邻点时间序列确定引导候选跟随蜂相邻点时间序列的步骤,具体为:
根据所述多个调整后的跟随蜂相邻点时间序列的平均值确定候选跟随蜂相邻点时间序列。
6.一种机器人行走轨迹确定装置,其特征在于,包括:
机器人行走轨迹规划模型获取单元,用于获取机器人行走轨迹规划模型;所述机器人行走轨迹规划模型包括机器人关节在起点、终点和多个中间关键点的位置信息、速度信息、加速度信息以及相邻点时间序列与行走轨迹时间-能量值的关系;
最优相邻点时间序列确定单元,用于根据所述机器人行走轨迹规划模型以及改进人工蜂群算法确定最优相邻点时间序列;
机器人行走轨迹确定单元,用于根据所述最优相邻点时间序列以及所述位置信息、速度信息以及加速度信息确定机器人行走轨迹;
其中,所述改进人工蜂群算法包括雇佣蜂优化步骤和跟随蜂优化步骤,所述雇佣蜂优化步骤和/或跟随蜂优化步骤中的相邻点时间序列包括当前较优相邻点时间序列;
所述雇佣蜂优化步骤具体包括:
确定雇佣蜂相邻点时间序列;
根据多个当前较优相邻点时间序列对所述雇佣蜂相邻点时间序列进行引导调整,生成引导候选雇佣蜂相邻点时间序列;
根据所述机器人行走轨迹规划模型计算所述雇佣蜂相邻点时间序列以及所述引导候选雇佣蜂相邻点时间序列的行走轨迹时间-能量值;
根据所述行走轨迹时间-能量值确定优化后的雇佣蜂相邻点时间序列;
所述跟随蜂优化步骤具体包括:
根据多个雇佣蜂相邻点时间序列并按照轮盘赌机制生成多个跟随蜂相邻点时间序列;
按照预设的搜索策略选择规则确定所述跟随蜂相邻点时间序列的搜索策略;
当判断初始跟随蜂相邻点时间序列的搜索策略为引导搜索策略时,根据多个当前较优相邻点时间序列并按照灰狼算法确定对所述跟随蜂相邻点时间序列进行调整,生成引导候选跟随蜂相邻点时间序列;
根据所述机器人行走轨迹规划模型计算所述跟随蜂相邻点时间序列以及所述引导候选跟随蜂相邻点时间序列的行走轨迹时间-能量值;
根据所述行走轨迹时间-能量值确定优化后的跟随蜂相邻点时间序列。
7.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行权利要求1至5中任一项权利要求所述机器人行走轨迹确定方法的步骤。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行权利要求1至5中任一项权利要求所述机器人行走轨迹确定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010838843.4A CN111982118B (zh) | 2020-08-19 | 2020-08-19 | 机器人行走轨迹确定方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010838843.4A CN111982118B (zh) | 2020-08-19 | 2020-08-19 | 机器人行走轨迹确定方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111982118A CN111982118A (zh) | 2020-11-24 |
CN111982118B true CN111982118B (zh) | 2023-05-05 |
Family
ID=73434773
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010838843.4A Active CN111982118B (zh) | 2020-08-19 | 2020-08-19 | 机器人行走轨迹确定方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111982118B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11769033B2 (en) | 2021-06-02 | 2023-09-26 | Imam Abdulrahman Bin Faisal University | System, computer readable storage medium, and method for segmentation and enhancement of brain MRI images |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104808665A (zh) * | 2015-04-16 | 2015-07-29 | 上海大学 | 基于多目标人工蜂群算法的多机器人路径规划方法 |
CN106502963A (zh) * | 2016-10-20 | 2017-03-15 | 燕山大学 | 基于自适应变步长混沌狼群寻优算法的非线性函数求解方法 |
CN106650917A (zh) * | 2017-01-03 | 2017-05-10 | 华南理工大学 | 一种基于并行化混沌蜂群算法的机械臂逆运动学求解方法 |
WO2017215044A1 (zh) * | 2016-06-14 | 2017-12-21 | 广东技术师范学院 | 一种移动机器人的自动规划路径方法及移动机器人 |
CN108629400A (zh) * | 2018-05-15 | 2018-10-09 | 福州大学 | 一种基于Levy搜索的混沌人工蜂群算法 |
CN108875896A (zh) * | 2018-06-08 | 2018-11-23 | 福州大学 | 一种全局最优引导的自扰动混沌人工蜂群算法 |
CN110926477A (zh) * | 2019-12-17 | 2020-03-27 | 湘潭大学 | 一种无人机航路规划及避障方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180240018A1 (en) * | 2016-05-19 | 2018-08-23 | Jiangnan University | Improved extreme learning machine method based on artificial bee colony optimization |
JP6857145B2 (ja) * | 2018-03-09 | 2021-04-14 | 株式会社日立製作所 | 軌道計画装置、軌道計画方法、及び生産システム |
-
2020
- 2020-08-19 CN CN202010838843.4A patent/CN111982118B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104808665A (zh) * | 2015-04-16 | 2015-07-29 | 上海大学 | 基于多目标人工蜂群算法的多机器人路径规划方法 |
WO2017215044A1 (zh) * | 2016-06-14 | 2017-12-21 | 广东技术师范学院 | 一种移动机器人的自动规划路径方法及移动机器人 |
CN106502963A (zh) * | 2016-10-20 | 2017-03-15 | 燕山大学 | 基于自适应变步长混沌狼群寻优算法的非线性函数求解方法 |
CN106650917A (zh) * | 2017-01-03 | 2017-05-10 | 华南理工大学 | 一种基于并行化混沌蜂群算法的机械臂逆运动学求解方法 |
CN108629400A (zh) * | 2018-05-15 | 2018-10-09 | 福州大学 | 一种基于Levy搜索的混沌人工蜂群算法 |
CN108875896A (zh) * | 2018-06-08 | 2018-11-23 | 福州大学 | 一种全局最优引导的自扰动混沌人工蜂群算法 |
CN110926477A (zh) * | 2019-12-17 | 2020-03-27 | 湘潭大学 | 一种无人机航路规划及避障方法 |
Non-Patent Citations (5)
Title |
---|
基于单纯形的改进精英人工蜂群算法;金叶等;《郑州大学学报(工学版)》;20180904(第06期);全文 * |
基于改进灰狼优化算法的自动导引小车路径规划及其实现原型平台;刘二辉等;《计算机集成制造系统》;20181115(第11期);全文 * |
复合形引导蜂群寻优的无人机航迹多目标规划;刘刚 等;《机械设计与制造》;20200430(第4期);全文 * |
工业机器人时间-能量最优轨迹规划;浦玉学 等;《计算机工程与应用》;20191231;第55卷(第22期);正文第1-5节 * |
工业机器人的最优时间与最优能量轨迹规划;徐海黎 等;《机械工程学报》;20100531;第46卷(第9期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111982118A (zh) | 2020-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109271933B (zh) | 基于视频流进行三维人体姿态估计的方法 | |
Duan et al. | Template matching using chaotic imperialist competitive algorithm | |
Whitney et al. | Dynamics-aware embeddings | |
WO2019037498A1 (zh) | 主动跟踪方法、装置及系统 | |
JP7263216B2 (ja) | ワッサースタイン距離を使用する物体形状回帰 | |
CN109940614B (zh) | 一种融合记忆机制的机械臂多场景快速运动规划方法 | |
CN111626500A (zh) | 一种基于改进人工蜂群算法的路径规划方法 | |
CN111598213B (zh) | 网络训练方法、数据识别方法、装置、设备和介质 | |
CN107844460B (zh) | 一种基于p-maxq的多水下机器人的围捕方法 | |
CN107169983B (zh) | 基于交叉变异人工鱼群算法的多阈值图像分割方法 | |
CN111982118B (zh) | 机器人行走轨迹确定方法、装置、计算机设备及存储介质 | |
JP2010287027A5 (zh) | ||
CN112084914A (zh) | 一种融合空间运动和表观特征学习的多目标跟踪方法 | |
JP2018073293A (ja) | 情報処理装置、情報処理方法及びプログラム | |
CN112749726A (zh) | 目标检测模型的训练方法、装置、计算机设备和存储介质 | |
CN107169594B (zh) | 一种车辆路径问题的优化方法及装置 | |
CN113848889A (zh) | 一种基于鲸鱼优化算法和人工势场法结合的路径规划方法 | |
CN114116944A (zh) | 一种基于时间注意力卷积网络的轨迹预测方法及装置 | |
Sun et al. | Active learning for image classification: A deep reinforcement learning approach | |
CN115391745B (zh) | 一种基于概率匹配平均法的降水预报订正方法及系统 | |
CN112711259B (zh) | 动态生成脚印集方法、装置、存储介质及双足机器人 | |
CN116861962A (zh) | 一种数据处理方法及装置 | |
CN104570759B (zh) | 控制系统中点定位问题的快速二叉树法 | |
CN112836582A (zh) | 基于动态稀疏子空间的高维流系统结构变点在线检测方法 | |
Zheng et al. | Variance reduction based partial trajectory reuse to accelerate policy gradient optimization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |