CN112743574B - 机械臂设计的优化方法、装置和设备 - Google Patents

Abstract

本申请属于机器人领域，提出了一种机械臂设计的优化方法、装置和设备，该方法包括：确定机械臂设计中的设计变量、限制条件和优化目标；建立参数化的联合仿真模型，根据所述联合仿真模型确定设计变量对优化目标的影响，以及确定设计变量对限制条件的影响；根据所确定的影响关系，结合预先设定的目标优化算法，通过迭代获得满足所述限制条件的优化目标所对应的设计变量。通过联合仿真模型确定设计变量与优化目标和限制条件的影响关系，从而有效的减少不同算法的壁垒的影响，降低分析复杂度，减少计算量，降低协同优化难度。

Description

机械臂设计的优化方法、装置和设备

技术领域

本申请属于机器人设计领域，尤其涉及机械臂设计的优化方法、装置及设备。

背景技术

对用于人机协作的机器人的机械臂，对安全性和操作性的需求较高。包括如动力学性能、操作空间、可靠性、轻量化、灵敏度、安全性等方面，和一般的机械臂相比具有更高的要求。在设计过程中，通常以实现基本功能的基础上，进一步进行优化设计。

基于数学模型的优化方法，在服务机器人的机械臂设计方面有广泛的应用。比如，采用优化算法分配关节长度实现操作空间最大化，或者采用拓扑优化实现减重等。然而，由于不同方面的优化所使用的算法不同，单方面的优化算法对其它方面可能无效，甚至可能对其它方面不利。而协同分析方面会存在不同优化算法之间的壁垒，使得全方位分析和优化计算量大，复杂度高，协同优化难度大。

发明内容

有鉴于此，本申请实施例提供了一种机械臂设计的优化方法、装置及设备，以解决现有技术中对机械臂设计进行优化时，协同优化时存在不同算法的壁垒，使得计算量大，复杂度高，协同优化难度大的问题。

本申请实施例的第一方面提供了一种机械臂设计的优化方法，所述方法包括：

确定机械臂设计中的设计变量、限制条件和优化目标；

建立参数化的联合仿真模型，根据所述联合仿真模型确定设计变量对优化目标的影响，以及确定设计变量对限制条件的影响；

根据所确定的影响关系，结合预先设定的目标优化算法，通过迭代获得满足所述限制条件的优化目标所对应的设计变量。

结合第一方面，在第一方面的第一种可能实现方式中，所述设计变量包括关节长度、结构尺寸和电机型号、减速器型号中的一项或者多项，所述限制条件包括关节力矩要求、关节速度要求、关节寿命要求、结构总刚度要求、关节驱动器安装空间要求、关节总长度要求和可折叠性要求中的一项或者多项，所述优化目标包括操作空间最大化要求、质量最小化要求中的一项或者两项。

结合第一方面或第一方面的第一种可能实现方式，在第一方面的第二种可能实现方式中，建立参数化的联合仿真模型，根据所述联合仿真模型确定设计变量对优化目标的影响，以及确定设计变量对限制条件的影响，包括：

建立参数化的运动学模型，通过逆运动学求解和碰撞检测，确定关节长度的变化对操作空间的影响；

建立参数化的几何模型，确定设计变量的变化对关节质量、关节质心和转动惯量的影响；

建立动力学模型，根据所述运动学模型、关节质量、关节质心、转动惯量以及关节运动轨迹，通过逆动力学求解，确定设计变量对关节力矩和关节速度的影响；

建立参数化的有限元模型，结合几何模型、载荷工况，确定设计变量对结构总刚度的影响。

结合第一方面的第二种可能实现方式，在第一方面的第三种可能实现方式中，建立参数化的运动学模型，通过逆运动学求解和碰撞检测，确定关节长度的变化对操作空间的影响，包括：

根据机械臂功能需求定义操作空间的搜索范围，采用解析逆运动学进行求解的方式，确定关节长度的变化对操作空间的影响；

或者，建立各关节和环境物体的包络模型，判断各模型是否存在相交的方式进行碰撞检测。

结合第一方面的第二种可能实现方式，在第一方面的第四种可能实现方式中，建立动力学模型，根据所述运动学模型、关节质量、关节质心、转动惯量以及关节运动轨迹，通过逆动力学求解，确定设计变量对关节力矩和关节速度的影响之后，所述方法还包括：

关节电机的额定力矩小于计算所需的平均力矩，关节电机的峰值力矩小于计算所需的最大力矩，减速器的额定力矩小于计算所需的平均力矩，减速器的允许最大力矩小于计算所需的最大力矩。

结合第一方面，在第一方面的第五种可能实现方式中，所述目标优化算法为非梯度的多目标优化算法。

结合第一方面的第五种可能实现方式，在第一方面的第一种可能实现方式中，所述非梯度的多目标优化算法包括多目标遗传算法、多目标粒子群算法、加权目标函数的复合形法中的一项或者多项。

本申请实施例的第二方面提供了一种机械臂设计的优化装置，所述装置包括：

参数确定单元，用于确定机械臂设计中的设计变量、限制条件和优化目标；

影响关系确定单元，用于建立参数化的联合仿真模型，根据所述联合仿真模型确定设计变量对优化目标的影响，以及确定设计变量对限制条件的影响；

设计变量优化单元，用于根据所确定的影响关系，结合预先设定的目标优化算法，通过迭代获得满足所述限制条件的优化目标所对应的设计变量。

本申请实施例的第三方面提供了一种机械臂设计的优化设备，包括存储器、处理器以及存储在所述存储器中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如第一方面任一项所述方法的步骤。

本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项所述方法的步骤。

本申请实施例与现有技术相比存在的有益效果是：本申请通过确定机械臂设计中包括的设计变量、限制条件和优化目标，通过建立参数化的联合仿真模型，确定设计变量对优化目标，以及限制条件的影响，根据所确定的影响关系，结合预先设定的目标优化算法，通过迭代获得满足所设定的限制条件的优化目标所对应的设计变量，从而在能够实现多方面协同的前提下，通过联合仿真模型确定设计变量与优化目标和限制条件的影响，并通过目标优化算法进行迭代，获得满足条件的设计变量。通过联合仿真模型确定设计变量与优化目标和限制条件的影响关系，从而有效的减少不同算法的壁垒的影响，降低分析复杂度，减少计算量，降低协同优化难度。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的一种机械臂设计的优化方法的实现流程示意图；

图2是本申请实施例提供的联合仿真模型示意图；

图3是本申请实施例提供的建立联合仿真模型方法的实现流程示意图；

图4是本申请实施例提供的机械臂结构示意图；

图5是本申请实施例提供的操作空间对比示意图；

图6为本申请实施例提供的机械臂设计的优化装置示意图；

图7是本申请实施例提供的机械臂设计的优化设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。

对用于人机协作的机器人的机械臂设计时，对机械臂的安全性和操作性提出了较高的需求，对于机械臂的动力学性能、操作空间、可靠性、灵敏度、轻量化和安全性等方面，与一般机械臂相比有更高的要求。使用基于数学模型的优化方法进行机械臂优化设计时，包括使用优化算法分配关节长度实现操作空间最大化，采用拓扑优化实现减重等。这种单方面优化可能对其它方面无效，甚至对其它方面不利。

对于不同方面的优化，比如，动力学仿真、有限元仿真、运动规划与控制等，由于所使用的算法不同，在协同分析方面存在一定的壁垒，全方位的分析计算和优化的计算量大，复杂度高，协同优化难度大。

目前已有的全局优化方法多用于结构简单、自由度少的机器人，以便于采用理论分析和减少计算量，很少能够落地到实际机器人产品中，难以作为通用方法直接在其它机器人应用。

为了解决上述问题，本申请提出了一种机械臂的多目标全局优化方法，包括对机械臂关节力矩、关节速度、关节刚度、关节驱动器、结构尺寸和动力学性能等多个方面，建立了设计参数与性能之间的联系，整体提升机器人的机械臂性能到理论上的相对最优，避免人为的经验主义和主观性的影响，解决计算量大、复杂度高、效率低的问题，从而得到服务机器人的全局优化的完整通用的框架，具有广泛的适用性和可推广性。

图1为本申请实施例提出的一种机械臂设计的优化方法的实现流程示意图，该方法包括：

在S101中，确定机械臂设计中的设计变量、限制条件和优化目标。

具体的，本申请实施例中所述的设计变量，可以为机器人的机械臂（比如串联机械臂等）设计时所需要的变量。

该设计变量可以包括如关节长度、结构尺寸等。其中，关节长度包括但不限于连杆的长度、关节轴的偏距等。其中，关节轴的偏距可以采用DH坐标描述。所述DH坐标，是指在机械臂的每个连上所设置的坐标系对应的坐标。

所述结构尺寸，可以包括但不限于各连杆的内径等对结构质量和刚度影响较大的尺寸参数。比如，连杆的内径越小，则结构质量越大，但结构的刚度越大。

所述限制条件可以包括驱动性能要求、结构总刚度要求、关节长度要求和关节驱动器安装空间要求等、关节总长度和可折叠性要求等。

所述驱动性能要求可以包括电机要求和减速器要求。比如，电机和减速器要求可以包括如关节力矩要求、关节速度要求、关节寿命要求等。

所述结构总刚度要求，可以为机械臂在各个较差工况姿态、且在带载情况下的最大变形小于给定的变形值。

所述优化目标可以包括操作空间最大化的目标，以及总质量最小的目标、安全性最佳的目标等。

所述操作空间最大化，可以根据机械臂功能进行定义，定义所述操作空间为给定空间范围内的可到达率。

所述总质量最小，包括机械臂的骨架结构和关节驱动器的总质量。

在S102中，建立参数化的联合仿真模型，根据所述联合仿真模型确定设计变量对优化目标的影响，以及确定设计变量对限制条件的影响。

在可能的实现方式中，本申请实施例中的联合仿真模型，可以如图2所示，包括运动学模型、几何模型、动力学模型和有限元模型等。其中，建立参数化的联合仿真模型，确定设计变量对优化目标和限制条件的影响的步骤，可以如图3所示，包括：

在S301中，建立参数化的运动学模型，通过逆运动学求解和碰撞检测，确定关节长度的变化对操作空间的影响。

其中，可以通过逆运动学在给定空间内均匀取点，分析所取的点的可到达性，来确定所述操作空间。

在只需要改变连杆的长度的情况下，不需要改变机械臂构型，可以采用参数化的DH坐标变换方法，得到解析逆运动学的解。通过解析逆运动学进行求解，能够减少计算复杂度，提升计算效率。操作空间的搜索范围按照机械臂功能的需求进行定义，不需要遍历所有的空间点，可以极大的减小计算量，保证优化过程的快速推进。

在碰撞检测中，只有不与自身结构或者环境物体碰撞的姿态，才是能够达到的姿态。可以通过建立简化包络模型的方式，来描述关节和环境物体。其中，包络模型可以由点集定义三角面片形成凸多面体，环境物体可以根据圆柱、球和长方体等形状进行简化。通过判断各自是否存在相交的方式，确定是否发生碰撞，保证优化过程的快速推进。

在S302中，建立参数化的几何模型，确定设计变量的变化对关节质量、关节质心和转动惯量的影响。

由于机械臂结构相对于较为复杂，在对几何模型参数化时，可以选择对质量和刚度影响较为显著的关节长度等设计变量，包括如关节直径、关节长度等。在建立参数化模型时，可以保持几何拓扑结构不变，保证面的数量恒定，以避免模型自动更新中发生错误，对结构进行拆解，复杂部分可以由机械设计软件进行计算，简单部分可以直接进行理论计算，然后通过叠加的方式来提升计算效率，保证优化过程的快速推进。

在S303中，建立动力学模型，根据所述运动学模型、关节质量、关节质心、转动惯量以及关节运动轨迹，通过逆动力学求解，确定设计变量对关节力矩和关节速度的影响。

如图2所示，根据运动学模型、转动惯性、关节质量和关节质心，采用动力学模型，结合运动轨迹，通过逆动力学求解的方式，评估关节对劲器是否满足关节力矩需求。

为了保证可靠性，关节电机的额定力矩和峰值力矩，需要分别小于所需的平均力矩和最大力矩，减速器的额定力矩和允许最大力矩，需要分别小于所需的平均力矩和最大力矩。

在S304中，建立参数化的有限元模型，结合几何模型、载荷工况，确定设计变量对结构总刚度的影响。

如图2所示，将几何模型输出的关节质量、关节质心、几何模型和载荷工况输入到有限元模型，对有限元模型进行求解，得到设计变更对结构总刚度的影响。

在调用有限元求解器进行求解时，可以输入更新后的几何模型，以相同的载荷和网格划分规则进行求解。由于有限元求解的计算复杂度高于其它所有模块的计算复杂度，因此，有限元的计算效率是本方法能否实现的基础。当机械臂为复杂机械臂时，可以通过简化模型的方式，或者采用超级计算机集群的方式进行计算。

在S103中，根据所确定的影响关系，结合预先设定的目标优化算法，通过迭代获得满足所述限制条件的优化目标所对应的设计变量。

本申请实施例可以采用非梯度的多目标优化算法，包括但不限于多目标遗传算法、多目标粒子群算法、加权目标函数的复合形法等。由于限制条件较多且多非线性，在不满足限制条件时难以通过参数进行简单判断，可以还原后按照算法准则进行重新迭代计算。

由于常见类型的机器人的主要设计大多包括自由度配置、关节长度、运动范围、结构设计、关节驱动器设计等，性能指标大多包括质量、操作空间、安全性、动力学性能、刚度和运动速度等。因此，在本申请中，可以将计算上述性能指标的模型模块化，通过标准的数据接口对模块化的模型进行连接，从而建立优化闭环模型。通过对模块的增删操作，可以针对不同的机器人进行自定义的优化。面对不同的机器人，还可以按照本申请实施例所述优化方法建立分析模型，然后实现多目标优化。

在具体的实现过程中，如图4为本申请实施例提供的一种串联机械臂的示意图。如图4所示，该串联型机械臂包括的设计变量包括：关节长度（可以包括关节长度的相对位置）、结构尺寸（可以包括各关节骨架内径）、各关节驱动器的型号等设计变量。限制条件可以包括：三个较差工况下的刚度不比预先设定的刚度差，并且具有可折叠性，并节驱动器的力矩和速度能够预定的要求。优化目标包括操作空间最大，以及总质量最小。

通过本申请实施例中所述的机械臂设计的优化方法，如图5所示的操作空间比较示意图中，在当前人工充分优化的基础上，进一步实现了操作空间的提升（提升约25%），同时总质量减小了约10%，进一步提升了机器人的性能。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

图6为本申请实施例提供的一种机械臂设计的优化装置的示意图，如图6所示，该装置包括：

参数确定单元601，用于确定机械臂设计中的设计变量、限制条件和优化目标；

影响关系确定单元602，用于建立参数化的联合仿真模型，根据所述联合仿真模型确定设计变量对优化目标的影响，以及确定设计变量对限制条件的影响；

设计变量优化单元603，用于根据所确定的影响关系，结合预先设定的目标优化算法，通过迭代获得满足所述限制条件的优化目标所对应的设计变量。

图6所示的机械臂设计的优化装置，与图1所示的机械臂设计的优化方法对应。

图7是本申请一实施例提供的机械臂设计的优化设备的示意图。如图7所示，该实施例的机械臂设计的优化设备7包括：处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72，例如机械臂设计的优化程序。所述处理器70执行所述计算机程序72时实现上述各个机械臂设计的优化方法实施例中的步骤。或者，所述处理器70执行所述计算机程序72时实现上述各装置实施例中各模块/单元的功能。

示例性的，所述计算机程序72可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器71中，并由所述处理器70执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序72在所述机械臂设计的优化设备7中的执行过程。

所述机械臂设计的优化设备可包括，但不仅限于，处理器70、存储器71。本领域技术人员可以理解，图7仅仅是机械臂设计的优化设备7的示例，并不构成对机械臂设计的优化设备7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述机械臂设计的优化设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器70可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器71可以是所述机械臂设计的优化设备7的内部存储单元，例如机械臂设计的优化设备7的硬盘或内存。所述存储器71也可以是所述机械臂设计的优化设备7的外部存储设备，例如所述机械臂设计的优化设备7上配备的插接式硬盘，智能存储卡（SmartMedia Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）等。进一步地，所述存储器71还可以既包括所述机械臂设计的优化设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述机械臂设计的优化设备所需的其他程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，RandomAccess Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (8)

1.一种机械臂设计的优化方法，其特征在于，所述方法包括：

确定机械臂设计中的设计变量、限制条件和优化目标；

建立参数化的联合仿真模型，根据所述联合仿真模型确定设计变量对优化目标的影响，以及确定设计变量对限制条件的影响；

根据所确定的影响关系，结合预先设定的目标优化算法，通过迭代获得满足所述限制条件的优化目标所对应的设计变量；

所述设计变量包括关节长度、结构尺寸和电机型号、减速器型号中的一项或者多项，所述限制条件包括关节力矩要求、关节速度要求、关节寿命要求、结构总刚度要求、关节驱动器安装空间要求、关节总长度要求和可折叠性要求中的一项或者多项，所述优化目标包括操作空间最大化要求、质量最小化要求中的一项或者两项，建立参数化的联合仿真模型，根据所述联合仿真模型确定设计变量对优化目标的影响，以及确定设计变量对限制条件的影响，包括：

建立参数化的运动学模型，通过逆运动学求解和碰撞检测，确定关节长度的变化对操作空间的影响；

建立参数化的几何模型，确定设计变量的变化对关节质量、关节质心和转动惯量的影响；

建立动力学模型，根据所述运动学模型、关节质量、关节质心、转动惯量以及关节运动轨迹，通过逆动力学求解，确定设计变量对关节力矩和关节速度的影响；

建立参数化的有限元模型，结合几何模型、载荷工况，确定设计变量对结构总刚度的影响。

2.根据权利要求1所述的方法，其特征在于，建立参数化的运动学模型，通过逆运动学求解和碰撞检测，确定关节长度的变化对操作空间的影响，包括：

根据机械臂功能需求定义操作空间的搜索范围，采用解析逆运动学进行求解的方式，确定关节长度的变化对操作空间的影响；

或者，建立各关节和环境物体的包络模型，判断各模型是否存在相交的方式进行碰撞检测。

3.根据权利要求1所述的方法，其特征在于，建立动力学模型，根据所述运动学模型、关节质量、关节质心、转动惯量以及关节运动轨迹，通过逆动力学求解，确定设计变量对关节力矩和关节速度的影响之后，所述方法还包括：

关节电机的额定力矩小于计算所需的平均力矩，关节电机的峰值力矩小于计算所需的最大力矩，减速器的额定力矩小于计算所需的平均力矩，减速器的允许最大力矩小于计算所需的最大力矩。

4.根据权利要求1所述的方法，其特征在于，所述目标优化算法为非梯度的多目标优化算法。

5.根据权利要求4所述的方法，其特征在于，所述非梯度的多目标优化算法包括多目标遗传算法、多目标粒子群算法、加权目标函数的复合形法中的一项或者多项。

6.一种机械臂设计的优化装置，其特征在于，所述装置包括：

参数确定单元，用于确定机械臂设计中的设计变量、限制条件和优化目标；

影响关系确定单元，用于建立参数化的联合仿真模型，根据所述联合仿真模型确定设计变量对优化目标的影响，以及确定设计变量对限制条件的影响；

设计变量优化单元，用于根据所确定的影响关系，结合预先设定的目标优化算法，通过迭代获得满足所述限制条件的优化目标所对应的设计变量；

所述设计变量包括关节长度、结构尺寸和电机型号、减速器型号中的一项或者多项，所述限制条件包括关节力矩要求、关节速度要求、关节寿命要求、结构总刚度要求、关节驱动器安装空间要求、关节总长度要求和可折叠性要求中的一项或者多项，所述优化目标包括操作空间最大化要求、质量最小化要求中的一项或者两项，所述影响关系确定单元包括：

操作空间影响单元，用于建立参数化的运动学模型，通过逆运动学求解和碰撞检测，确定关节长度的变化对操作空间的影响；

第一关节影响单元，用于建立参数化的几何模型，确定设计变量的变化对关节质量、关节质心和转动惯量的影响；

第二关节影响单元，用于建立动力学模型，根据所述运动学模型、关节质量、关节质心、转动惯量以及关节运动轨迹，通过逆动力学求解，确定设计变量对关节力矩和关节速度的影响；

刚度影响单元，用于建立参数化的有限元模型，结合几何模型、载荷工况，确定设计变量对结构总刚度的影响。

7.一种机械臂设计的优化设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述方法的步骤。

8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。

Images