CN112428267A - 一种快速求解冗余自由度机器人逆解的方法 - Google Patents
一种快速求解冗余自由度机器人逆解的方法 Download PDFInfo
- Publication number
- CN112428267A CN112428267A CN202011251399.2A CN202011251399A CN112428267A CN 112428267 A CN112428267 A CN 112428267A CN 202011251399 A CN202011251399 A CN 202011251399A CN 112428267 A CN112428267 A CN 112428267A
- Authority
- CN
- China
- Prior art keywords
- robot
- joint
- particle swarm
- inverse solution
- formula
- 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.)
- Granted
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Abstract
本发明公开了一种快速求解冗余自由度机器人逆解的方法,采用D‑H法建立机器人的正运动学模型;确定机器人各关节的角度范围;改进量子粒子群算法;建立机器人逆解评价指标;将机器人逆解评价指标作为优化目标,采用改进量子粒子群算法求解冗余自由度机器人逆解。本发明一种快速求解冗余自由度机器人逆解的方法,解决了冗余自由度机器人逆解求解时速度慢,准确性不高的问题。
Description
技术领域
本发明属于机器人运动求解技术领域,具体涉及一种快速求解冗余自由度机器人逆解的方法。
背景技术
为了更好地对冗余自由度机器人进行位置控制,需要快速求解冗余自由度机器人逆解。目前,求解冗余自由度机器人逆解的方法主要有几何解析法,伪逆法,智能算法等,但是,几何解析法需要满足特殊构型,伪逆法存在累积误差,传统的智能算法收敛速度不够快。传统的粒子群算法虽然应用广泛,但是存在收敛速度慢、易陷入局部极值的缺陷,所以,研究一种求解机器人运动学逆解的方法是很有必要的。
发明内容
本发明的目的是提供一种快速求解冗余自由度机器人逆解的方法,解决了冗余自由度机器人逆解求解时速度慢,准确性不高的问题。
本发明所采用的技术方案是一种快速求解冗余自由度机器人逆解的方法,具体按照以下步骤实施:
步骤1,采用D-H法建立机器人的正运动学模型;
步骤2,确定机器人各关节的角度范围;
步骤3,改进量子粒子群算法;
步骤4,建立机器人逆解评价指标;
步骤5,将机器人逆解评价指标作为优化目标,采用改进量子粒子群算法求解冗余自由度机器人逆解。
本发明的特点还在于:
步骤1具体为:
通过式(2)构建正运动学模型。
步骤2具体为:
根据工作空间的限制和工作任务的要求,确定机器人各关节的角度范围。
步骤3具体为:
步骤3.1,初始化量子粒子群中M个粒子的位置向量,并计算各个粒子的适应度,设置最大迭代次数为T;
步骤3.2,给粒子个体极值pbest及全局极值gbest赋初值;
步骤3.3,设定自适应收缩-扩张系数β,
β=λ1×rate+λ2×ag+λ3 (3),
式(3)中,λ1<0,λ2>0,λ3=1,rate=f(mbestt)/f(mbestt-1),表示量子粒子群算法在运行过程中全局最优值的变化速率,表示量子粒子群的当前聚集度,t为当前迭代次数;β是一个小于1.782的常数;
步骤3.4,根据式(4)计算量子粒子群平均最优位置:
式(4)中,mbestd为量子粒子群平均最优位置,pbestid为粒子最优位置;
步骤3.5,计算粒子的当前适应度值,并与前一代的适应度值进行比较,如果当前适应度值小于前一代适应度值,则将粒子位置更新为粒子当前的位置;
步骤3.6,计算量子粒子群当前的全局最优位置,比较当前的全局最优位置与前一代全局最优位置,如果当前的全局最优位置适应度值好,则将量子粒子群的最优位置更新为当前的全局最优位置;
步骤3.7,根据式(5)计算粒子的每一维,得到一个随机点的位置;
步骤3.8,根据式(6)得到粒子的新位置;
式(6)中,u=rand(0,1),xid(t+1)为粒子的新位置,gid为一个随机点的位置,mbestd为量子粒子群平均最优位置,t为当前迭代次数;
步骤3.9,若没有达到最大迭代次数T,则重复步骤3.4~3.8,否则结束。
机器人逆解评价指标的适应度函数为:
θ∈Rn|θk,min≤θk≤θk,max,k=1,2,3...n (8),
式(7)、(8)中,(x1,y1,z1)为机器人末端的位置,(x2,y2,z2)为机器人末端的实际位置,θk为机器人的关节角度,θk,min、θk,max分别为机器人的关节所能到达的最小、最大角度,R为任意实数。
步骤5具体为:
步骤5.1,初始化量子粒子群
初始化机器人中M个关节的位置向量,在机器人各关节的角度范围内随机产生关节角度;
步骤5.2,将M自由度的机器人代入式(4)中求解机器人各关节的平均角度;
步骤5.3,计算适应度值
根据正运动学模型求解出期待位置,计算各关节的位置,代入式(7)求解出各关节的位置误差;
步骤5.4,如果机器人各关节转角超过受限的关节范围,淘汰这个解,并用上一代的解代替;
步骤5.5,利用改进量子粒子群算法迭代产生新的解,更新机器人各关节角度,达到最大迭代次数T后结束,否则返回步骤5.2。
本发明的有益效果是:
本发明一种快速求解冗余自由度机器人逆解的方法,提高了全局优化能力及粒子群算法的收敛速度,提升了粒子群算法的性能;本发明一种快速求解冗余自由度机器人逆解的方法,将改进后的粒子群算法应用到了冗余自由度机器人逆解的求解,解决了冗余自由度机器人逆解求解时速度慢,准确性不高的问题。
附图说明
图1是本发明一种快速求解冗余自由度机器人逆解的方法的流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种快速求解冗余自由度机器人逆解的方法,如图1所示,具体按照以下步骤实施:
步骤1,采用D-H法建立机器人的正运动学模型;
步骤2,确定机器人各关节的角度范围;
步骤3,改进量子粒子群算法;
步骤4,建立机器人逆解评价指标;
步骤5,将机器人逆解评价指标作为优化目标,采用改进量子粒子群算法求解冗余自由度机器人逆解。
步骤1具体为:
通过式(2)构建正运动学模型。
步骤2具体为:
根据工作空间的限制和工作任务的要求,确定机器人各关节的角度范围。
步骤3具体为:
步骤3.1,初始化量子粒子群中M个粒子的位置向量,并计算各个粒子的适应度,设置最大迭代次数为T;
步骤3.2,给粒子个体极值pbest及全局极值gbest赋初值;
步骤3.3,设定自适应收缩-扩张系数β,
β=λ1×rate+λ2×ag+λ3 (3),
式(3)中,λ1<0,λ2>0,λ3=1,rate=f(mbestt)/f(mbestt-1),表示量子粒子群算法在运行过程中全局最优值的变化速率,表示量子粒子群的当前聚集度,t为当前迭代次数;β是一个小于1.782的常数;
当粒子群进化速度较小的时候,应减小β值,使得量子粒子群算法能够在小范围内寻优,以便尽快逼近全局最优点;当粒子群聚集程度过大时,此时,量子粒子群算法容易陷入局部最优,应该增大β,使得量子粒子群算法能够跳出局部最优点,保持粒子群的多样性;综上所述,β值与变化速率rate呈负相关关系,与聚集度ag呈正相关关系;
步骤3.4,根据式(4)计算量子粒子群平均最优位置:
式(4)中,mbestd为量子粒子群平均最优位置,pbestid为粒子最优位置;
步骤3.5,计算粒子的当前适应度值,并与前一代的适应度值进行比较,如果当前适应度值小于前一代适应度值,则将粒子位置更新为粒子当前的位置;
步骤3.6,计算量子粒子群当前的全局最优位置,比较当前的全局最优位置与前一代全局最优位置,如果当前的全局最优位置适应度值好,则将量子粒子群的最优位置更新为当前的全局最优位置;
步骤3.7,根据式(5)计算粒子的每一维,得到一个随机点的位置;
步骤3.8,根据式(6)得到粒子的新位置;
式(6)中,u=rand(0,1),xid(t+1)为粒子的新位置,gid为一个随机点的位置,mbestd为量子粒子群平均最优位置,t为当前迭代次数;
步骤3.9,若没有达到最大迭代次数T,则重复步骤3.4~3.8,否则结束。
机器人逆解评价指标的适应度函数为:
θ∈Rn|θk,min≤θk≤θk,max,k=1,2,3...n (8),
式(7)、(8)中,(x1,y1,z1)为机器人末端的位置,(x2,y2,z2)为机器人末端的实际位置,θk为机器人的关节角度,θk,min、θk,max分别为机器人的关节所能到达的最小、最大角度,R为任意实数。
步骤5具体为:
步骤5.1,初始化量子粒子群
初始化机器人中M个关节的位置向量,在机器人各关节的角度范围内随机产生关节角度;
步骤5.2,将M自由度的机器人代入式(4)中求解机器人各关节的平均角度;
步骤5.3,计算适应度值
根据正运动学模型求解出期待位置,计算各关节的位置,代入式(7)求解出各关节的位置误差;
步骤5.4,如果机器人各关节转角超过受限的关节范围,淘汰这个解,并用上一代的解代替;
步骤5.5,利用改进量子粒子群算法迭代产生新的解,更新机器人各关节角度,达到最大迭代次数T后结束,否则返回步骤5.2。
本发明一种快速求解冗余自由度机器人逆解的方法,其优点在于:
采用混合量子行为的量子粒子群方法来求解逆解,并且通过自适应收缩-扩张系数替换原有线性递减的收缩-扩张系数的方式使粒子群算法的收敛速度和全局最优性提高;与传统的粒子群算法相比,基于量子行为的粒子群算法取消了粒子的移动方向属性,粒子位置的更新和该粒子之前的运动没有任何关系,这样就增加了粒子位置的随机性,由于量子系统是一个多态、不确定性系统,且粒子没有一个确定的轨迹,因此QPSO能够克服一般粒子群算法在收敛性能上的缺陷。
Claims (6)
1.一种快速求解冗余自由度机器人逆解的方法,其特征在于,具体按照以下步骤实施:
步骤1,采用D-H法建立机器人的正运动学模型;
步骤2,确定机器人各关节的角度范围;
步骤3,改进量子粒子群算法;
步骤4,建立机器人逆解评价指标;
步骤5,将所述机器人逆解评价指标作为优化目标,采用改进量子粒子群算法求解冗余自由度机器人逆解。
3.如权利要求2所述的一种快速求解冗余自由度机器人逆解的方法,其特征在于,步骤2具体为:
根据工作空间的限制和工作任务的要求,确定机器人各关节的角度范围。
4.如权利要求3所述的一种快速求解冗余自由度机器人逆解的方法,其特征在于,步骤3具体为:
步骤3.1,初始化量子粒子群中M个粒子的位置向量,并计算各个粒子的适应度,设置最大迭代次数为T;
步骤3.2,给粒子个体极值pbest及全局极值gbest赋初值;
步骤3.3,设定自适应收缩-扩张系数β,
β=λ1×rate+λ2×ag+λ3 (3),
式(3)中,λ1<0,λ2>0,λ3=1,rate=f(mbestt)/f(mbestt-1),表示量子粒子群算法在运行过程中全局最优值的变化速率,表示量子粒子群的当前聚集度,t为当前迭代次数;β是一个小于1.782的常数;
步骤3.4,根据式(4)计算量子粒子群平均最优位置:
式(4)中,mbestd为量子粒子群平均最优位置,pbestid为粒子最优位置;
步骤3.5,计算粒子的当前适应度值,并与前一代的适应度值进行比较,如果当前适应度值小于前一代适应度值,则将粒子位置更新为粒子当前的位置;
步骤3.6,计算量子粒子群当前的全局最优位置,比较当前的全局最优位置与前一代全局最优位置,如果当前的全局最优位置适应度值好,则将量子粒子群的最优位置更新为当前的全局最优位置;
步骤3.7,根据式(5)计算粒子的每一维,得到一个随机点的位置;
步骤3.8,根据式(6)得到粒子的新位置;
式(6)中,u=rand(0,1),xid(t+1)为粒子的新位置,gid为一个随机点的位置,mbestd为量子粒子群平均最优位置,t为当前迭代次数;
步骤3.9,若没有达到最大迭代次数T,则重复步骤3.4~3.8,否则结束。
6.如权利要求5所述的一种快速求解冗余自由度机器人逆解的方法,其特征在于,所述步骤5具体为:
步骤5.1,初始化量子粒子群
初始化机器人中M个关节的位置向量,在机器人各关节的角度范围内随机产生关节角度;
步骤5.2,将M自由度的机器人代入式(4)中求解机器人各关节的平均角度;
步骤5.3,计算适应度值
根据正运动学模型求解出期待位置,计算各关节的位置,代入式(7)求解出各关节的位置误差;
步骤5.4,如果机器人各关节转角超过受限的关节范围,淘汰这个解,并用上一代的解代替;
步骤5.5,利用改进量子粒子群算法迭代产生新的解,更新机器人各关节角度,达到最大迭代次数T后结束,否则返回步骤5.2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011251399.2A CN112428267B (zh) | 2020-11-09 | 2020-11-09 | 一种快速求解冗余自由度机器人逆解的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011251399.2A CN112428267B (zh) | 2020-11-09 | 2020-11-09 | 一种快速求解冗余自由度机器人逆解的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112428267A true CN112428267A (zh) | 2021-03-02 |
CN112428267B CN112428267B (zh) | 2022-07-22 |
Family
ID=74699773
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011251399.2A Active CN112428267B (zh) | 2020-11-09 | 2020-11-09 | 一种快速求解冗余自由度机器人逆解的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112428267B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112959326A (zh) * | 2021-03-29 | 2021-06-15 | 深圳市优必选科技股份有限公司 | 机器人正运动学求解方法、装置、可读存储介质及机器人 |
CN114265364A (zh) * | 2021-12-21 | 2022-04-01 | 江苏师范大学 | 一种工业物联网的监测数据处理系统及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105676642A (zh) * | 2016-02-26 | 2016-06-15 | 同济大学 | 一种六自由度机器人工位布局与运动时间协同优化方法 |
CN107662211A (zh) * | 2017-10-16 | 2018-02-06 | 西北工业大学 | 一种基于量子粒子群算法的空间机器人预测控制方法 |
CN107798379A (zh) * | 2017-11-23 | 2018-03-13 | 东北大学 | 改进量子粒子群优化算法的方法及基于改进算法的应用 |
CN108121833A (zh) * | 2016-11-29 | 2018-06-05 | 沈阳新松机器人自动化股份有限公司 | 一种冗余自由度机器人逆解方法 |
CN108656117A (zh) * | 2018-05-21 | 2018-10-16 | 武汉理工大学 | 一种多约束条件下最优时间的机械臂空间轨迹优化方法 |
CN108932216A (zh) * | 2018-06-22 | 2018-12-04 | 上海工程技术大学 | 一种基于粒子群优化算法的机器人逆运动学求解方法 |
US20190184560A1 (en) * | 2017-01-19 | 2019-06-20 | Beijing University Of Technology | A Trajectory Planning Method For Six Degree-of-Freedom Robots Taking Into Account of End Effector Motion Error |
CN111152212A (zh) * | 2019-12-05 | 2020-05-15 | 北京蒂斯科技有限公司 | 一种基于功率最优的机械臂移动轨迹规划方法及装置 |
-
2020
- 2020-11-09 CN CN202011251399.2A patent/CN112428267B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105676642A (zh) * | 2016-02-26 | 2016-06-15 | 同济大学 | 一种六自由度机器人工位布局与运动时间协同优化方法 |
CN108121833A (zh) * | 2016-11-29 | 2018-06-05 | 沈阳新松机器人自动化股份有限公司 | 一种冗余自由度机器人逆解方法 |
US20190184560A1 (en) * | 2017-01-19 | 2019-06-20 | Beijing University Of Technology | A Trajectory Planning Method For Six Degree-of-Freedom Robots Taking Into Account of End Effector Motion Error |
CN107662211A (zh) * | 2017-10-16 | 2018-02-06 | 西北工业大学 | 一种基于量子粒子群算法的空间机器人预测控制方法 |
CN107798379A (zh) * | 2017-11-23 | 2018-03-13 | 东北大学 | 改进量子粒子群优化算法的方法及基于改进算法的应用 |
CN108656117A (zh) * | 2018-05-21 | 2018-10-16 | 武汉理工大学 | 一种多约束条件下最优时间的机械臂空间轨迹优化方法 |
CN108932216A (zh) * | 2018-06-22 | 2018-12-04 | 上海工程技术大学 | 一种基于粒子群优化算法的机器人逆运动学求解方法 |
CN111152212A (zh) * | 2019-12-05 | 2020-05-15 | 北京蒂斯科技有限公司 | 一种基于功率最优的机械臂移动轨迹规划方法及装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112959326A (zh) * | 2021-03-29 | 2021-06-15 | 深圳市优必选科技股份有限公司 | 机器人正运动学求解方法、装置、可读存储介质及机器人 |
CN114265364A (zh) * | 2021-12-21 | 2022-04-01 | 江苏师范大学 | 一种工业物联网的监测数据处理系统及方法 |
CN114265364B (zh) * | 2021-12-21 | 2023-10-03 | 江苏师范大学 | 一种工业物联网的监测数据处理系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112428267B (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108932216B (zh) | 一种基于粒子群优化算法的机器人逆运动学求解方法 | |
CN112428267B (zh) | 一种快速求解冗余自由度机器人逆解的方法 | |
CN110450155B (zh) | 一种多自由度机械臂系统的控制器的优化设计方法 | |
CN110561440B (zh) | 一种冗余度机械臂加速度层多目标规划方法 | |
CN106844985B (zh) | 一种高自由度机器人逆运动学的快速求解方法及系统 | |
CN109344477B (zh) | 一种6自由度机械臂逆运动学求解方法 | |
CN111673733B (zh) | 未知环境下机器人的智能自适应柔顺控制方法 | |
CN105354433B (zh) | 一种空间机械臂参数对运动可靠性影响比重的确定方法 | |
CN107538493A (zh) | 一种避免线缆干涉约束的工业机器人轨迹规划方法 | |
CN110695994B (zh) | 一种面向双臂机械手协同重复运动的有限时间规划方法 | |
CN113352327B (zh) | 五自由度机械臂关节变量确定方法 | |
CN112433507A (zh) | 基于lso-lssvm的五轴数控机床热误差综合建模方法 | |
Gao et al. | Time-optimal trajectory planning of industrial robots based on particle swarm optimization | |
CN109366486B (zh) | 柔性机器人逆运动学求解方法、系统、设备、存储介质 | |
CN111515954B (zh) | 一种机械臂高质量运动路径生成方法 | |
CN116690557A (zh) | 基于点云的仿人三维扫描运动控制方法及装置 | |
CN113110412A (zh) | 一种基于Voronoi-APF算法的群组机器人路径规划方法 | |
CN114986514A (zh) | 一种考虑关节摩擦的并联机构轨迹规划方法 | |
CN111546379A (zh) | 一种工业机器人运行状态监测的传感器布局方法 | |
CN116276990A (zh) | 基于神经网络训练的两自由度并联结构运动学正解方法 | |
CN113434982B (zh) | 一种电力智能仿生攀爬机器人的运动学逆解方法 | |
Yu et al. | Time-optimal trajectory planning of robot based on improved adaptive genetic algorithm | |
CN111716046B (zh) | 一种应用于焊装线的机器人工位设计方法 | |
CN108555904B (zh) | 一种表面改性机器人操作性能的优化方法 | |
CN114670190B (zh) | 一种基于解析数值混合法的冗余机械臂逆运动学方法 |
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 |