CN113343393A - 机械臂求解方法 - Google Patents

机械臂求解方法 Download PDF

Info

Publication number
CN113343393A
CN113343393A CN202110763817.4A CN202110763817A CN113343393A CN 113343393 A CN113343393 A CN 113343393A CN 202110763817 A CN202110763817 A CN 202110763817A CN 113343393 A CN113343393 A CN 113343393A
Authority
CN
China
Prior art keywords
function
mechanical arm
representing
preset
tar
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
Application number
CN202110763817.4A
Other languages
English (en)
Other versions
CN113343393B (zh
Inventor
何燕
楚电明
罗莎
白文娟
张明鉴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao University of Science and Technology
Original Assignee
Qingdao University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qingdao University of Science and Technology filed Critical Qingdao University of Science and Technology
Priority to CN202110763817.4A priority Critical patent/CN113343393B/zh
Publication of CN113343393A publication Critical patent/CN113343393A/zh
Application granted granted Critical
Publication of CN113343393B publication Critical patent/CN113343393B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • 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]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Feedback Control In General (AREA)
  • Manipulator (AREA)

Abstract

本申请公开了一种机械臂求解方法，所述机械臂求解方法基于多目标全求解粒子群算法，包括如下步骤：初始化每个粒子，采用限域均匀分布方法设计初始化粒子群；设计惯性权重对应的非线性函数；在设计学习因子中引入预设函数；在位置更新方程中，引入时间因子；在预设目标约束条件下，对多目标函数进行优化改进；根据所述预设目标中的至少一个预设要求，构建适应度函数。本申请的实施例可以实现机械臂的位置误差最小、姿态误差最小、关节角变化最小，进而实现对机械臂进行求解的效果。

Description

机械臂求解方法
技术领域
本申请属于多自由度机械臂技术领域，具体涉及一种机械臂求解方法。
背景技术
正、逆运动学是机器人运动学中最核心的问题，正运动学求解简单，而逆运动学具有多变量、非线性及多解问题，是机器人领域的难题。
现有技术中，尽管代数法、几何法、雅可比矩阵法等常规方法取得了一些成功的应用，但这些方法的有效性一般仅局限于满足特定构型的机器人，通用性不高，且方法的计算量大、效率低、求解困难。
以多自由度机械臂为例，常常会存在位置精度、姿态精度较低，机械臂运行也不够稳定。
发明内容
本申请实施例的目的是提供一种机械臂求解方法，能够解决现有技术中多自由度机械臂的位置精度和姿态精度较差的问题，同时可以保证机械臂运行过程中的稳定性。
为了解决上述技术问题，本申请是这样实现的：
本申请实施例提供了一种机械臂求解方法，所述机械臂求解方法基于多目标全求解粒子群算法，包括如下步骤：
初始化每个粒子，采用限域均匀分布方法设计初始化粒子群；
设计惯性权重对应的非线性函数；
在设计学习因子中引入预设函数；
在位置更新方程中，引入时间因子；
在预设目标约束条件下，对多目标函数进行优化改进；
根据所述预设目标中的至少一个预设要求，构建适应度函数。
可选地，所述初始化每个粒子，采用限域均匀分布方法设计初始化粒子群的步骤包括：
根据机械臂每个关节的角度限制，将每一维粒子群的初始值均匀分布在该范围内。
可选地，所述设计惯性权重对应的非线性函数的步骤包括：
评估每个粒子群，根据全局与局部搜索的特点，设计最优惯性权重非线性函数；
其中，在算法的迭代前期，通过全局搜索的方式锁定目标局部范围，此时，惯性权重处于第一预设值wmax的偏差范围内；
在算法的迭代后期，惯性权重缩小，不小于第二预设值wmin的情况下，变化实现局部精准定位，从而以较快的速度获得最佳惯性权重，
惯性权重非线性函数为随迭代步增加的单调递增凸函数，如公式：
Figure BDA0003150062560000021
其中，w表示惯性权重，w∈[wmin，wmax]，r表示当前算法的迭代次数，N表示算法总的迭代次数。
可选地，所述在设计学习因子中引入预设函数的步骤中：
所述预设函数c1是随迭代步增加的单调递增凸函数，所述预设函数c2是随迭代步增加的调递减凹函数，学习因子反映粒子在群体之间的信息交流程度，c1和c2函数分别反映自我认知和社会认知，所述预设使学习因子在迭代前期社会认知能力强，在迭代后期自我认知能力强，以通过非线性变化快速实现最佳学习因子；
其中，学习因子的函数组对应的公式如下：
Figure BDA0003150062560000022
其中，c1，c2表示学习因子，c1，c2∈[cmin，cmax]，r表示当前算法的迭代次数，N表示算法总的迭代次数。
可选地，所述在位置更新方程中，引入时间因子的步骤包括：
所述时间因子函数为随迭代步增加的线性递减函数。
构造随机时间因子公式：T＝1-r/2N，T表示时间因子，Xid表示当前粒子，vid表示当前粒子在粒子群中的速度，r表示当前算法的迭代次数，N表示算法总的迭代次数。
可选地，所述在预设目标约束条件下，对多目标函数进行优化改进的步骤包括：
在机械臂为n自由度的情况下，以位置误差最小、姿态误差最小以及各关节角度变化最小为目标，设计的多目标函数公式为：
Figure BDA0003150062560000031
其中，F表示多目标函数，f1(ptar)表示位置误差函数，f2(etar)表示姿态误差函数，f3(θi)表示关节角度变化函数，θimin，θimax表示关节角的θi变化范围，其中n为最大自由度数，i为[0,n]的正整数。
可选地，采用加权求和法设置关节角度变化函数，位置误差函数、姿态误差函数以及关节角度变化函数的数学描述如下：
Figure BDA0003150062560000032
其中，ptar，etar分别表示机械臂末端执行器的目标位置和姿态；qtar表示求解得到的机械臂各个关节角的角度值；θinit表示机器人各关节角的初始值；λi表示关节角θi的变化权重值，根据稳定性要求选取，一般选取λ1>λ2>λ3>λ4>λ5>λ6。
需要说明的是，本实施例中的λi各值的选取为在满足总和为1的条件下采用线性递减的方式。
可选地，所述根据所述预设目标中的至少一个预设要求，构建适应度函数的步骤包括：
至少一个预设要求包括机械臂的位置精度、姿态精度以及关节角度变化最小，建立位置精度、姿态精度和关节变化最小的适应度函数：
Figure BDA0003150062560000041
其中，ptar＝[px_tar,py_tar,pz_tar]，etar＝[ex_tar,ey_tar,ez_tar]分别表示机械臂目标位置和姿态信息，pcur＝[px_cur,py_cur,pz_cur]，exur＝[ex_xur,ey_cur,ez_cur]表示机械臂实际位置和姿态信息，θinit表示机器人各关节角的初始值；λi表示关节角θi的变化权重值。
可选地，基于多目标全参数粒子群优化算法的n自由度机械臂逆运动学求解模型公式包括：
Figure BDA0003150062560000042
其中，F表示多目标函数，f1(ptar)表示位置误差函数，f2(etar)表示姿态误差函数，f3(θi)表示关节角度变化函数，θimin，θimax表示关节角的θi变化范围；Xjd表示第j个粒子，Xid表示当前粒子，Pbest表示粒子的个体极值，gbest表示粒子的群体极值，vjd表示第j个粒子的速度，c1，c2表示学习因子，c1，c2∈[cmin，cmax]，w表示惯性权重，w∈[wmin，wmax]，r表示当前算法的迭代次数，N表示算法总的迭代次数；T表示时间因子，i表示自由度的数量。
在本申请实施例中，可以通过限域均匀分布的方式使初始状态下的粒子群更具有代表性，进而有利于快速所定最优解区域。通过非线性函数来对惯性权重这一参数进行选定，可以在迭代前期和迭代后期分别采用不同的惯性权重。学习因子在引入预设函数后，可以保证粒子的自我认知能力和社会认知能力。通过时间因子函数的引入，来提高粒子的搜索能力，具体通过时间因子来提高整个算法的收敛性，进而使粒子的搜索能力更强。通过预设目标约束调节的限定下，使多目标函数的针对性更强。至少一个预设要求就是本申请中机械臂的至少一个优化方向，至少一个预设要求可以包括机械臂的位置精度、姿态精度以及关节角度变化最小等中的至少一个，本申请不限于上述三个要求，也可以根据需要包括其他预设要求。
附图说明
图1是本申请实施例中机械臂求解方法的流程示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
下面结合附图，通过具体的实施例及其应用场景对本申请实施例提供的多目标全求解粒子群算法及多自由度机械臂进行详细地说明。
参见图1，本申请的实施例提供了一种机械臂求解方法，所述机械臂求解方法基于多目标全求解粒子群算法，包括如下步骤：
步骤S100：初始化每个粒子，采用限域均匀分布方法设计初始化粒子群；
上述步骤可以通过限域均匀分布的方式使初始状态下的粒子群更具有代表性，进而有利于快速所定最优解区域。
需要说明的是，初始化的选择将会直接影响到粒子群优化算法的搜索效率。理论上，在使用粒子群优化算法解决问题时，问题的最优解是未知的，所以如果随机产生初始种群，种群不具有代表性，这是影响粒子群搜索效率的一个重要因素。而且随着搜索空间维度的增大，随机产生的粒子群初始位置易导致算法陷入局部最优而无法跳出。如果在初始化时，粒子能均匀分布在搜索空间的可行域内，那么就可以保证算法的全局搜索能力，增加种群搜索到最优解的概率。针对这个问题，本申请提出了限域均匀分布初始化粒子群初始位置的方法，在应用到机械臂的逆运动学求解时，可以根据机械臂每个关节的角度进行限制，将每一维粒子群的初始值均匀分布在该范围内。也就是说限域均匀分布中的限域是指机械臂每个关节的活动区域，这样可以使初始状态下的粒子群更具有代表性，进而有利于快速所定最优解区域。
步骤S200：设计惯性权重对应的非线性函数；
上述步骤可以通过非线性函数来对惯性权重这一参数进行选定，可以在迭代前期和迭代后期分别采用不同的惯性权重。其中，在惯性权重较大时，整个算法的全局搜索能力将会较强，局部搜索能力较差，在惯性权重较小时，整个算法的全局搜索能力将会较差，而局部搜索能力较强；而在迭代前期，主要是针对全局搜索，快速实现局部精确定位，在迭代后期，则需要针对定位后的局部进行进一步搜索，更偏向局部搜索。因此，本申请此处的非线性函数，是一个迭代前期惯性权重较大，迭代后期惯性权重较小的非线性函数，具体函数参考下文。
需要说明的是，在PSO算法中，惯性权重是一个非常重要的参数，它是平衡整个算法全局搜索和局部搜索能力的关键。惯性权重过大，则全局搜索能力较强而局部搜索能力较差；惯性权重过小，则局部搜索能力较强而全局搜索能力较差。本申请根据全局与局部搜索的特点，设计了最优惯性权重非线性函数，在迭代前期迅速锁定范围，之后惯性权重小变化实现局部精准定位，从而以较快的速度获得最佳惯性权重。
步骤S300：在设计学习因子中引入预设函数；
上述步骤中学习因子在引入预设函数后，可以保证粒子的自我认知能力和社会认知能力。可以根据需要将预设函数来讲学习因子变成一个可以按照预设方式变化的可调节参数。可以通过调整学习因子，使前期社会认知能力强，迭代后期自我认知能力强，通过非线性变化快速实现最佳学习因子。学习因子的具体设置方式参考下文。
步骤S400：在位置更新方程中，引入时间因子；
上述步骤可以通过时间因子的引入，来提高粒子的搜索能力，具体通过时间因子来提高整个算法的收敛性，进而使粒子的搜索能力更强。
需要说明的是，在传统的算法中，位置更新策略是以初始位置为基础，加上当前的速度。从物理学角度来说，两个物理量相加要求量纲相同才能进行计算，也就是说位移与速度直接相加不符合物理学理论。所以传统的PSO算法中的位置更新公式隐含着时间因子，只是我们将这个时间因子默认为1，而这正是粒子在最优解附近震荡的一个重要因素。本申请根据迭代次数来改变粒子飞行时间，可以提高粒子搜索能力。
步骤S500：在预设目标约束条件下，对多目标函数进行优化改进；
上述步骤可以通过预设目标约束调节的限定下，使多目标函数的针对性更强。本申请通过前述步骤对粒子群算法进行相应的改进后，可以将针对机械臂逆运动学问题，对多目标函数进行优化改进，从而使多目标粒子群算法既具备完善的优化性能，又具有针对性。
步骤S600：根据所述预设目标中的至少一个预设要求，构建适应度函数。
上述步骤中的至少一个预设要求就是本申请中机械臂的至少一个优化方向，至少一个预设要求可以包括机械臂的位置精度、姿态精度以及关节角度变化最小等中的至少一个，本申请不限于上述三个要求，也可以根据需要包括其他预设要求。可以根据至少一个预设要求的条件下，构建出对应的适应度函数。
可选地，在本申请的实施例中，所述初始化每个粒子，采用限域均匀分布方法设计初始化粒子群的步骤包括：
根据机械臂每个关节的角度限制，将每一维粒子群的初始值均匀分布在该范围内。
在本申请实施例中，上述步骤可以将机械臂每个关节的角度限制作为每一维粒子群的限位区域，每一维的粒子群均匀分布在对应关节的角度限制区域内。
可选地，在本申请的实施例中，所述设计惯性权重对应的非线性函数的步骤包括：
评估每个粒子群，根据全局与局部搜索的特点，设计最优惯性权重非线性函数；
其中，在算法的迭代前期，通过全局搜索的方式锁定目标局部范围，此时，惯性权重处于第一预设值wmax的偏差范围内；
在算法的迭代后期，惯性权重缩小，不小于第二预设值wmin的情况下，变化实现局部精准定位，从而以较快的速度获得最佳惯性权重，
惯性权重非线性函数为随迭代步增加的单调递增凸函数，如公式：
Figure BDA0003150062560000081
其中，w表示惯性权重，w∈[wmin，wmax]，r表示当前算法的迭代次数，N表示算法总的迭代次数。
需要说明的是，惯性权重函数的性质为随迭代步增加的单调递增凸函数，且与迭代步相关，不限于上述实施例中的公式。
需要说明的是，所述迭代步是指程序运算的次数。
在本申请实施例中，上述公式可以对惯性权重根据不同的迭代次数进行非线性地改变，具体可以实现：在算法的迭代前期，惯性权重大于预设值，此时的惯性权重将会较大，整个算法的全局搜索能力将会较强，这样就可以通过全局搜索的方式锁定目标局部范围；在算法的迭代后期，惯性权重随着上述非线性函数而缩小，在小于或等于预设值的情况下，整个算法的局部搜索能力将会较强，可以通过局部搜索进行局部精准定位；上述非线性函数可以根据需要以较快的速度获得最佳惯性权重。
需要说明的是，上述的偏差范围是指惯性权重能够保证全局搜索能力较强时的范围，具体表现为惯性权重接近第一预设值wmax。
可选地，在本申请的实施例中，所述在设计学习因子中引入预设函数的步骤中：
所述预设函数c1是随迭代步增加的单调递增凸函数，所述预设函数c2是随迭代步增加的单调递减凹函数，学习因子反映粒子在群体之间的信息交流程度，c1和c2函数分别反映自我认知和社会认知，通过预设函数使学习因子在迭代前期社会认知能力强，在迭代后期自我认知能力强，以通过非线性变化快速实现最佳学习因子；
其中，学习因子的函数组对应的公式如下：
Figure BDA0003150062560000091
其中，c1，c2表示学习因子，c1，c2∈[cmin，cmax]，r表示当前算法的迭代次数，N表示算法总的迭代次数。
需要说明的是，所述预设函数c1，c2的函数分别为随迭代步增加的单调递增凸函数与单调递减凹函数，且与迭代相关，上述提供的学习因子的函数组仅为预设函数性质的一个实施例，不限于该公式。
在本申请实施例中，通过上述公式可以使学习因子在迭代前期粒子的社会认知能力较强，有利于全局搜索；迭代后期粒子的自我认知能力较强的特点，有利于局部的精确搜索，使整个算法更加快速准确。本申请的学习因子和上述的惯性权重可以更好地配合，进一步提高整个算法的精确度和收敛速度。
需要说明的是，在传统的算法中，学习因子一般设为常数，然而学习因子是影响粒子自我认知能力和社会认知能力的重要因素，影响着粒子的运行方向和位置，同时反映了整个群体中粒子间的信息交流程度。为了使算法达到全局搜索的目的，算法迭代初期，我们期望粒子更够进行较多的群体交流，也就是粒子的社会认知能力较强，有利于全局搜索；而在迭代后期，我们期望粒子的自我认知能力较强，以达到局部的精确搜索。通过上述学习因子的公式可以满足在迭代前期粒子的社会认知能力较强，迭代后期粒子的自我认知能力较强的特点，使整个算法更加快速准确。
可选地，在本申请的实施例中，所述在位置更新方程中，引入时间因子的步骤包括：
所述时间因子函数为随迭代步增加的线性递减函数。
构造随机时间因子公式：T＝1-r/2N，T表示时间因子，Xid表示当前粒子，vid表示当前粒子在粒子群中的速度，r表示当前算法的迭代次数，N表示算法总的迭代次数。
在本申请实施例中，上述步骤可以通过时间因子的加入，快速定位到最优解，减少粒子在最优解附近震荡的实际，提高算法的收敛性。
需要说明的是，时间因子函数的性质为随迭代步增加的线性递减函数，且与迭代步相关，不限于上述实施例中的公式。
可选地，在本申请的实施例中，所述在预设目标约束条件下，对多目标函数进行优化改进的步骤包括：
在机械臂为n自由度的情况下，以位置误差最小、姿态误差最小以及各关节角度变化最小为目标，设计的多目标函数公式为：
Figure BDA0003150062560000111
其中，F表示多目标函数，f1(ptar)表示位置误差函数，f2(etar)表示姿态误差函数，f3(θi)表示关节角度变化函数，θimin，θimax表示关节角的θi变化范围，其中n为最大自由度数，i为[0,n]的正整数。
在本申请实施例中，上述公式是以位置误差最小、姿态误差最小以及各关节角度变化最小为目标，设计的多目标函数公式，上述函数的设计可以使算法的针对性更强。上述公式是一个总括式的公式，公式里面包含了各个预设目标的对应的函数，具体包括位置误差函数、姿态误差函数和关节角度变化函数，当然，也可以根据需要设置对应的其他函数，每个函数对应一个目标。
可选地，在本申请的实施例中，采用加权求和法设置关节角度变化函数，位置误差函数、姿态误差函数以及关节角度变化函数的数学描述如下：
Figure BDA0003150062560000112
其中，ptar，etar分别表示机械臂末端执行器的目标位置和姿态；qtar表示求解得到的机械臂各个关节角的角度值；θinit表示机器人各关节角的初始值；λi表示关节角θi的变化权重值，其中，λi的权重值根据机械臂的稳定性选取。
在本申请实施例中，上述公式是以n自由度机械臂为对象设计的多目标函数，其中的i对应任意一个自由度。当然也可以根据需要以其他数量自由度的机械臂为对象，设计对应的多目标函数。本申请的上述多目标函数仅为示例性的描述。
可选地，在本申请的实施例中，所述根据所述预设目标中的至少一个预设要求，构建适应度函数的步骤包括：
至少一个预设要求包括机械臂的位置精度、姿态精度以及关节角度变化最小，建立位置精度、姿态精度和关节变化最小的适应度函数：
Figure BDA0003150062560000121
其中，ptar＝[px_tar,py_tar,pz_tar]，etar＝[ex_tar,ey_tar,ez_tar]分别表示机械臂目标位置和姿态信息，pcur＝[px_cur,py_cur,pz_cur]，exur＝[ex_xur,ey_cur,ez_cur]表示机械臂实际位置和姿态信息，θinit表示机器人各关节角的初始值；λi表示关节角θi的变化权重值。
在本申请实施例中，上述的适应度函数是针对时考虑位置、姿态精度最高和关节角变化最小这三个要求而设计的适应度函数，在存在其他要求的情况下，还可以根据需要设计更多的适应度函数。
可选地，在本申请的实施例中，基于多目标全参数粒子群优化算法的n自由度机械臂逆运动学求解模型公式包括：
Figure BDA0003150062560000122
其中，F表示多目标函数，f1(ptar)表示位置误差函数，f2(etar)表示姿态误差函数，f3(θi)表示关节角度变化函数，θimin，θimax表示关节角的θi变化范围；Xjd表示第j个粒子，Xid表示当前粒子，Pbest表示粒子的个体极值，gbest表示粒子的群体极值，vjd表示第j个粒子的速度，c1，c2表示学习因子，c1，c2∈[cmin，cmax]，w表示惯性权重，w∈[wmin，wmax]，r表示当前算法的迭代次数，N表示算法总的迭代次数；T表示时间因子，i表示自由度的数量。
在本申请实施例中，上述公式是基于多目标全参数粒子群优化算法的六自由度机械臂逆运动学求解模型的全部公式，可以通过上述公式对六自由度机械臂进行逆运动学求解，上述公式可以实现机械臂的位置误差最小、姿态误差最小、关节角变化最小，进而实现对机械臂进行求解的效果。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。

Claims (9)

1.一种机械臂求解方法，其特征在于，所述机械臂求解方法基于多目标全求解粒子群算法，包括如下步骤：
初始化每个粒子，采用限域均匀分布方法设计初始化粒子群；
设计惯性权重对应的非线性函数；
在设计学习因子中引入预设函数；
在位置更新方程中，引入时间因子；
在预设目标约束条件下，对多目标函数进行优化改进；
根据所述预设目标中的至少一个预设要求，构建适应度函数。
2.根据权利要求1所述的机械臂求解方法，其特征在于，所述初始化每个粒子，采用限域均匀分布方法设计初始化粒子群的步骤包括：
根据机械臂每个关节的角度限制，将每一维粒子群的初始值均匀分布在该范围内。
3.根据权利要求1所述的机械臂求解方法，其特征在于，所述设计惯性权重对应的非线性函数的步骤包括：
评估每个粒子群，根据全局与局部搜索的特点，设计最优惯性权重非线性函数；
其中，在算法的迭代前期，通过全局搜索的方式锁定目标局部范围，此时，惯性权重处于第一预设值wmax的偏差范围内；
在算法的迭代后期，惯性权重缩小，不小于第二预设值wmin的情况下，变化实现局部精准定位，从而以较快的速度获得最佳惯性权重，
惯性权重非线性函数为随迭代步增加的单调递增凸函数，如公式：
Figure FDA0003150062550000011
其中，w表示惯性权重，w∈[wmin，wmax]，r表示当前算法的迭代次数，N表示算法总的迭代次数。
4.根据权利要求1所述的机械臂求解方法，其特征在于，所述在设计学习因子中引入预设函数的步骤中：
所述预设函数c1是随迭代步增加的单调递增凸函数，所述预设函数C2是随迭代步增加的单调递减凹函数，学习因子反映粒子在群体之间的信息交流程度，c1和c2函数分别反映自我认知和社会认知，所述预设函数使学习因子在迭代前期社会认知能力强，在迭代后期自我认知能力强，以通过非线性变化快速实现最佳学习因子；
其中，学习因子的函数组对应的公式如下：
Figure FDA0003150062550000021
其中，c1，c2表示学习因子，c1，c2∈[cmin，cmax]，r表示当前算法的迭代次数，N表示算法总的迭代次数。
5.根据权利要求1所述的机械臂求解方法，其特征在于，所述在位置更新方程中，引入时间因子的步骤包括：
所述时间因子函数为随迭代步增加的线性递减函数。
如构造随机时间因子公式：T＝1-r/2N，T表示时间因子，Xid表示当前粒子，vid表示当前粒子在粒子群中的速度，r表示当前算法的迭代次数，N表示算法总的迭代次数。
6.根据权利要求1所述的机械臂求解方法，其特征在于，所述在预设目标约束条件下，对多目标函数进行优化改进的步骤包括：
在机械臂为n自由度的情况下，以位置误差最小、姿态误差最小以及各关节角度变化最小为目标，设计的多目标函数公式为：
Figure FDA0003150062550000022
其中，F表示多目标函数，f1(ptar)表示位置误差函数，f2(etar)表示姿态误差函数，f3(θi)表示关节角度变化函数，θimin，θimax表示关节角的θi变化范围，其中n为最大自由度数，i为[0,n]的正整数。
7.根据权利要求1所述的机械臂求解方法，其特征在于，采用加权求和法设置关节角度变化函数，位置误差函数、姿态误差函数以及关节角度变化函数的数学描述如下：
Figure FDA0003150062550000031
其中，ptar，etar分别表示机械臂末端执行器的目标位置和姿态；qtar表示求解得到的机械臂各个关节角的角度值；θinit表示机器人各关节角的初始值；λi表示关节角θi的变化权重值，其中，λi的权重值根据机械臂的稳定性选取。
8.根据权利要求1所述的机械臂求解方法，其特征在于，所述根据所述预设目标中的至少一个预设要求，构建适应度函数的步骤包括：
至少一个预设要求包括机械臂的位置精度、姿态精度以及关节角度变化最小，建立位置精度、姿态精度和关节变化最小的适应度函数：
Figure FDA0003150062550000032
其中，ptar＝[px_tar,py_tar,pz_tar]，etar＝[ex_tar,ey_tar,ez_tar]分别表示机械臂目标位置和姿态信息，pcur＝[px_cur,py_cur,pz_cur]，exur＝[ex_xur,ey_cur,ez_cur]表示机械臂实际位置和姿态信息，θinit表示机器人各关节角的初始值；λi表示关节角θi的变化权重值。
9.根据权利要求1所述的机械臂求解方法，其特征在于，基于多目标全参数粒子群优化算法的n自由度机械臂逆运动学求解模型公式包括：
Figure FDA0003150062550000041
其中，F表示多目标函数，f1(ptar)表示位置误差函数，f2(etar)表示姿态误差函数，f3(θi)表示关节角度变化函数，θimin，θimax表示关节角的θi变化范围；Xjd表示第j个粒子，Xid表示当前粒子，Pbest表示粒子的个体极值，gbest表示粒子的群体极值，vjd表示第j个粒子的速度，c1，c2表示学习因子，c1，c2∈[cmin，cmax]，w表示惯性权重，w∈[wmin，wmax]，r表示当前算法的迭代次数，N表示算法总的迭代次数；T表示时间因子，i表示自由度的数量。
CN202110763817.4A 2021-07-06 2021-07-06 机械臂求解方法 Active CN113343393B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110763817.4A CN113343393B (zh) 2021-07-06 2021-07-06 机械臂求解方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110763817.4A CN113343393B (zh) 2021-07-06 2021-07-06 机械臂求解方法

Publications (2)

Publication Number Publication Date
CN113343393A true CN113343393A (zh) 2021-09-03
CN113343393B CN113343393B (zh) 2023-04-18

Family

ID=77482687

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110763817.4A Active CN113343393B (zh) 2021-07-06 2021-07-06 机械臂求解方法

Country Status (1)

Country Link
CN (1) CN113343393B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114117593A (zh) * 2021-11-15 2022-03-01 武汉大学 岩体力学参数联合求解方法及装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103942612A (zh) * 2014-04-08 2014-07-23 河海大学 基于自适应粒子群优化算法的梯级水库优化调度方法
CN108326852B (zh) * 2018-01-16 2021-01-05 西北工业大学 一种多目标优化的空间机械臂轨迹规划方法
CN108656117B (zh) * 2018-05-21 2021-04-16 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
CN109361237B (zh) * 2018-11-30 2022-01-18 国家电网公司西南分部 基于改进混合粒子群算法的微电网容量优化配置方法
CN111859782B (zh) * 2020-06-17 2023-04-28 西安交通大学 一种基于遗传粒子群优化的汽轮机螺栓加热分析方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114117593A (zh) * 2021-11-15 2022-03-01 武汉大学 岩体力学参数联合求解方法及装置
CN114117593B (zh) * 2021-11-15 2023-04-18 武汉大学 岩体力学参数联合求解方法及装置

Also Published As

Publication number Publication date
CN113343393B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN111152212B (zh) 一种基于功率最优的机械臂移动轨迹规划方法及装置
CN109901397B (zh) 一种使用粒子群优化算法的机械臂逆运动学方法
Srisuk et al. Inverse kinematics solution using neural networks from forward kinematics equations
CN107685343B (zh) 一种机械臂运动学参数标定构型优化方法
CN109623818B (zh) 一种基于时间分组的机械臂关节轨迹优化方法
CN113343393B (zh) 机械臂求解方法
CN110076783A (zh) 一种基于模糊控制和李雅普诺夫函数的平面欠驱动机械臂位置控制方法
CN110861088A (zh) 一种冗余自由度机器人的运动优化方法
CN111308896A (zh) 基于可变误差的非线性系统自适应最优控制方法
CN112558470A (zh) 一种执行器饱和多智能体系统最优一致性控制方法和装置
Wang et al. Multi-objective trajectory planning method based on the improved elitist non-dominated sorting genetic algorithm
Sun et al. Iterative learning control based robust distributed algorithm for non-holonomic mobile robots formation
Huadong et al. A path planning method of robot arm obstacle avoidance based on dynamic recursive ant colony algorithm
CN111482969A (zh) 一种基于bas算法的六自由度偏置机器人逆解方法
Panda et al. Model reduction of linear systems by conventional and evolutionary techniques
Peters et al. Learning Operational Space Control.
CN113434982B (zh) 一种电力智能仿生攀爬机器人的运动学逆解方法
CN115700414A (zh) 一种机器人运动误差补偿方法
Jia et al. Autonomous mobile robot global path planning: A prior information-based particle swarm optimization approach
CN115122327A (zh) 基于对偶神经网络的危化品运输机械臂末端精确定位方法
Mandala et al. Optimization of two degree of freedom PID controller for quadrotor with stochastic fractal search algorithm
CN115256371A (zh) 一种基于神经网络的道路救援移动机械臂运动时间预设方法
Masajedi et al. Verification of bee algorithm based path planning for a 6DOF manipulator using ADAMS
Li et al. An integrated configuration optimization approach for 6-dof serial manipulators on performance indices
CN111958598A (zh) 多目标融合的冗余驱动并联机器人内力优化方法及系统

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