CN113434982B - 一种电力智能仿生攀爬机器人的运动学逆解方法 - Google Patents
一种电力智能仿生攀爬机器人的运动学逆解方法 Download PDFInfo
- Publication number
- CN113434982B CN113434982B CN202110766428.7A CN202110766428A CN113434982B CN 113434982 B CN113434982 B CN 113434982B CN 202110766428 A CN202110766428 A CN 202110766428A CN 113434982 B CN113434982 B CN 113434982B
- Authority
- CN
- China
- Prior art keywords
- longicorn
- coordinate system
- iteration
- optimal
- whisker
- 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
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Feedback Control In General (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了一种电力智能仿生攀爬机器人的运动学逆解算法,构建机器人的模型,分别建立基坐标系和各个关节坐标系;将机器人的各个关节转角所构成的向量作为天牛的位置x,构建适应度函数F(x),得到天牛的位置x的适应度值为fx;经天牛须算法的迭代后,得到的天牛的最优位置xbest,即得到机器人的各个关节转角的最优值;改进天牛须算法基于以负指数次幂衰减的变步长stept进行搜索,且随着迭代次数的增多,变步长stept逐渐归为基本分辨率step′,天牛的下一次迭代的位置更新参考全局最优的左、右须适应度值,引入了接受概率p,以适当的接受概率p接受一个较劣解。本发明的基于改进天牛须算法的机器人运动学逆解方法的可靠性更强、精度更高、收敛速度更快。
Description
技术领域
本发明涉及机器人运动学逆解的技术领域,尤其是一种电力智能仿生攀爬机器人的运动学逆解方法。
背景技术
目前采用工业机器人代替人工完成危险的巡检任务已经成为一大热门,例如,六自由度结构的电力智能仿生攀爬机器人。
工业机器人的运动学逆解是指通过给定的目标机器人末端位姿参数计算出各关节角,对机器人的轨迹规划动态性能分析等有着重要的研究意义。目前,工业机器人的运动学逆解方法,即逆运行方程的求解方法主要是几何法、解析法和数值法。针对几何法,徐文福等提出一种改进的模态方法,使用模式函数描述机器人结构框架表示几何形状,求取应用轨道服务的机械臂逆解,几何法局限于机械构型,一般要求前三轴以几何形式存在解。针对解析法,Yuchuang Tong等提出一种冗余滑动机械臂的逆运动学参数分析方法,通过关节角度参数化方法求取解析解,解析法高度依赖配置,若应用对象为多关节机械臂时,计算量较大且求解过程复杂。针对数值法,韩磊等提出一种使用牛顿迭代算法求机械臂逆解的方法,数值法求解解稳定性无法保障。J.K.Parker等提出使用遗传算法(GA)求逆解,最大程度减少关节位移,但该方法求解精度有限。王宸,向长峰等提出一种变步长的改进天牛须算法在一定程度上可以提高天牛搜索优化速度,但由于并没有设置步长基本分辨率,会导致后期迭代出现无效迭代的情况。卢光辉、滕欢等对天牛须算法引入模拟退火算法中的蒙特卡洛法则,使得算法稳定性提高并应用于分布式电源选址定容问题验证了在应用于电源选址问题求解中的高效性,但是针对处理类似六自由度关节机器人这种高维度、非线性、强耦合的问题时,求解精度有限。
发明内容
为了克服上述现有技术中的缺陷,本发明提供一种电力智能仿生攀爬机器人的运动学逆解方法,可靠性更强、精度更高、收敛速度更快。
为实现上述目的,本发明采用以下技术方案,包括:
一种电力智能仿生攀爬机器人的运动学逆解方法,包括以下步骤:
S1,构建机器人的模型,分别建立基坐标系和各个关节坐标系;其中,坐标系0为基座标系;坐标系i为第i个关节坐标系,i=1,2,…,I,I为关节总数量;
S2,将机器人的各个关节转角所构成的向量作为天牛的位置x,构建适应度函数F(x),得到天牛的位置x的适应度值为fx;
S3,经天牛须算法的迭代后,得到的天牛的最优位置xbest,即得到机器人的各个关节转角的最优值。
步骤S3中,具体过程如下所示:
天牛的最优位置xbest所对应的最优适应度值为fxbest,天牛的左须最优位置fxlbest所对应的左须最优适应度值为fxlbest,天牛的右须最优位置xrbest所对应的右须最优适应度值为fxrbest;
S32,进行第t次迭代,根据天牛的第t次迭代的位置xt,得到天牛的第t次迭代的左须位置天牛的第t次迭代的右须位置天牛的第t次迭代的适应度值为fxt,天牛的第t次迭代的右须适应度值为天牛的第t次迭代的左须适应度值为
S33,比较天牛的第t次迭代的左须适应度值和天牛的左须最优适应度值之间fxlbest的大小,若小于fxlbest,则对天牛的左须最优位置xlbest和左须最优适应度值fxlbest分别进行更新,将天牛的左须最优位置xlbest的值更新为的值,将天牛的左须最优适应度值fxlbest更新为
比较天牛的第t次迭代的右须适应度值的和天牛的右须最优适应度值fxrbest之间的大小,若小于fxrbest,则对天牛的右须最优位置xrbest和右须最优适应度值fxrbest分别进行更新,将天牛的右须最优位置xrbest的值更新为的值,将天牛的右须最优适应度值fxrbest更新为
S34,将步骤S33更新得到的天牛的左须最优位置xlbest和右须最优位置xrbest代入如下公式进行计算,得到天牛的第t次迭代的位置偏量Gt:
Gt=clrd(xlbest-xt)+crrd(xrbest-xt);
其中,rd为0~1之间的随机常数;Gt为天牛的第t次迭代的位置偏量;cr为右须系数;cl为左须系数;
λ为设定的常数,λ的取值为0和1之间;
S35,根据天牛的第t次迭代的位置偏量Gt与天牛的第t次迭代的位置xt,计算天牛的下一次迭代即第t+1次迭代的位置xt+1,具体如下所示:
根据天牛的下一次迭代即第t+1次迭代的位置xt+1和适应度函数F(x),得到对应的第t+1次迭代的适应度值为fxt+1;
S36,计算接受概率p,并根据接受概率p,判断是否对天牛的最优位置xbest和最优适应度值fxbest进行更新:
若fxt+1<fxbest,则p=1,且将天牛的最优位置xbest更新为天牛的第t+1次迭代的位置xt+1,将天牛的最优适应度值fxbest更新为天牛的第t+1次迭代的适应度值fxt+1;
若fxt+1≥fxbest,则T的取值为1t,此时,若rand<p,则将天牛的最优位置xbest更新为天牛的第t+1次迭代的位置xt+1,将天牛的最优适应度值fxbest更新为天牛的第t+1次迭代的适应度值fxt+1;若rand≥p,则不对天牛的最优位置xbest和最优适应度值fxbest进行更新;其中,rand为0~1之间的随机常数;
S37,判断第t次迭代是否达到设定条件,若达到,则迭代结束,输出天牛的最优位置xbest和最优适应度值fxbest的值;;若未达到,则跳转步骤S32,将步骤S35计算得到天牛的下一次迭代即第t+1次迭代的位置xt+1带入步骤S32中,继续进行下一次迭代即第t+1次迭代。
步骤S1中,坐标系0即基坐标系即基座坐标系中包括X0轴、Y0轴、Z0轴;坐标系1到坐标系I依次为从基座到末端执行器的I个旋转关节的关节坐标系;坐标系i即第i个关节坐标系中包括Xi轴、Yi轴、Zi轴;第i个关节的关节转角θi为坐标系i中的Xi轴与坐标系i-1中的Xi-1轴的夹角。
步骤S2中,包括以下具体步骤:
其中,连杆扭角αi为Zi-1轴和Zi轴的夹角;连杆长度bi为坐标系i和坐标系i-1的公垂线的线段距离;连杆距离di为坐标系i的原点在坐标系i-1的Zi-1轴上的投影与坐标系i-1的原点之间的距离;θi为第i个关节的关节转角即第i个关节转角;
S22,适应度函数F(x)为:
其中,x为各个关节转角所构成的向量,即x=[θi|i=1,2,…,I];
nx、ny、nz分别为坐标系I的XI轴与坐标系0的X0轴、Y0轴、Z0轴的夹角余弦值;ox、oy、oz分别为坐标系I的YI轴与坐标系0的X0轴、Y0轴、Z0轴的夹角余弦值;ax、ay、az分别为坐标系I的ZI轴与坐标系0的X0轴、Y0轴、Z0轴的夹角余弦值;px、py、pz为坐标系I的原点在坐标系0中的笛卡尔坐标值。
步骤S2中,适应度值为fx采用2-范数进行表示,即fx=||F(x)||2。
步骤S32中,stept为变步长,变步长stept=stept-1*e-kt+step′,step′为基本分辨率,k为衰减率。
步骤S38中,判断第t次迭代是否达到设定条件为:判断迭代次数t是否达到设定的迭代总次数。
本发明的优点在于:
(1)基于以负指数次幂衰减的变步长stept进行搜索,由于天牛的初始位置往往距离真实解较远,故迭代初期的变步长stept设置较大,随着天牛的前进,变步长stept逐渐缩小,由于变步长stept和天牛个体大小d即为天牛的左右须距离d成正比,在迭代初期变步长stept设置较大能够提高全局搜索能力,在迭代后期变步长stept逐渐缩小能够提高局部搜索能力。
(2)随着迭代次数的增多,指数衰减逐渐趋于0,不利于高迭代次数下的局部搜索,因此采用基本分辨率step′,随着迭代次数的增多,变步长stept逐渐归为基本分辨率step′,保障了高迭代次数下的局部搜索。
(3)借鉴粒子群算法中全局信息的概念,记录天牛运动过程中的天牛左须位置和右须位置的最优适应度值,令天牛的下一次迭代的位置更新参考全局最优的左、右须适应度值,从而加快天牛搜索速度。
(4)引入了接受概率p,以适当的接受概率p接受一个较劣解,从而减小陷入局部最优的概率,且随着迭代次数的不断增加,||F(xt+1)||2和||F(xbest)||2的差值波动较小,随着迭代的进行,接受较劣解的接受概率p会逐步降低。
(5)在MATLAB环境下对本发明进行仿真,将本发明的基于改进天牛须算法即IBAS算法的机器人运动学逆解方法与传统的天牛须算法即BAS算法、遗传算法即MPGA算法、粒子群算法即SAEPSO算法进行对比,对每种算法分别进行独立运算100次,并对各种算法每次最优适应度进行统计,带入位置误差和姿态误差公式,将位置误差和姿态误差的均值作为统计对象,分别统计各种算法运行100次的最优、最差、平均值和标准差,从而可知IBAS算法的四个评价指标均比其他3种算法好,其中,相比于传统BAS算法,IBAS算法的平均值高2个数量级,故IBAS算法的精度高,且IBAS算法的标准差相对较小,因此本发明的基于改进天牛须算法的机器人运动学逆解方法可靠性更强、精度更高、收敛速度更快。
附图说明
图1为本发明的基于改进天牛须算法即IBAS算法的机器人运动学逆解方法的流程图。
图2为本实施例的机器人的模型和坐标系示意图。
图3为IBAS算法、BAS算法、MPGA算法、SAEPSO算法之间对比图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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。
由图2所示,本实施例的机器人为可用于电力铁塔攀爬的六自由度机器人,包括基座、5个连杆、6个关节即旋转关节。
由图1所示,本实施例的机器人的运动学逆解方法,包括以下步骤:
S1,构建机器人的mdh模型:基于DH参数法分别建立基坐标系和各个关节坐标系。由图2所示,坐标系0为基座标系;坐标系i为第i个关节坐标系,i=1,2,…,6。
坐标系i即第i个关节坐标系中包括Xi轴、Yi轴、Zi轴;坐标系0即基坐标系即基座坐标系中包括X0轴、Y0轴、Z0轴;
第i个关节的关节转角θi为坐标系i中的Xi轴与坐标系i-1中的Xi-1轴的夹角;
第1个关节至第6个关节依次为从基座到末端执行器的6个旋转关节;坐标系6即第6个关节坐标系为末端执行器坐标系。
步骤S1中,基坐标系和各个关节坐标系的建立方式,具体如下所示:
S11,建立坐标系0,坐标系0的选择是任意的,可以选择将坐标系0的原点放置在基座关节轴线Z0轴的任意位置,由图2所示,坐标系0的原点放置于最下方。
S12,从第1个关节至第6个关节,依次建立坐标系i,i=1,2,…,6;其中,坐标系i的建立方式为:
首先确定坐标系i中的Zi轴方向,Zi轴方向与第i个关节的轴线方向保持一致;
然后确立坐标系i中的Xi轴方向,当坐标系i-1中的Zi-1轴和坐标系i中的Zi轴不共面时,Zi-1轴和Zi轴的公垂线定义为Xi轴,Xi轴与Zi轴的交点即为坐标系i的原点;当Zi-1轴平行于Zi轴时,Zi-1轴和Zi轴之间存在无穷多个共同法线,将穿过坐标系i-1的原点的法线定义为Xi轴,坐标系i的原点是该法线与Zi轴的交点;当Zi-1轴和Zi轴相交时,Xi轴为垂直于Zi-1轴和Zi轴的交点,且Zi轴上的任意一点都可作为坐标系i的原点;
最后确立坐标系i中的Yi轴方向,Yi轴方向由Zi轴和Xi轴确定,以Zi轴为右手拇指,依据右手定则确定。
由图2所示,L1到L7依次为坐标系0至坐标系6中依次相邻的两个坐标系的原点的距离。
S2,将机器人的各个关节的关节转角所构成的向量作为天牛的位置x,即x=[θ1 θ2θ3 θ4 θ5 θ6],构建适应度函数F(x)。
步骤S2中,包括以下具体步骤:
其中,连杆扭角αi为Zi-1轴和Zi轴的夹角;连杆长度bi为坐标系i和坐标系i-1的公垂线的线段距离;连杆距离di为坐标系i的原点在坐标系i-1的Zi-1轴上的投影与坐标系i-1的原点之间的距离;θi为第i个关节的关节转角。
本实施例中,所选用的mdh参数如表1所示:
i | θ<sub>i</sub> | α<sub>i-1</sub> | d<sub>i</sub> | b<sub>i-1</sub> | offset<sub>i</sub> |
1 | θ<sub>1</sub>(0°) | 0° | 0 | 0 | 0 |
2 | θ<sub>1</sub>(0°) | -90° | 0 | 0 | pi/2 |
3 | θ<sub>1</sub>(0°) | 0° | 0 | 0.5 | 0 |
4 | θ<sub>1</sub>(0°) | 0° | 0 | 0.6 | 0 |
5 | θ<sub>1</sub>(0°) | 0° | 0 | 0.5 | pi/2 |
6 | θ<sub>1</sub>(0°) | -90° | 0 | 0 | 0 |
表1
offseti为初始时刻时,机器人的各个关节转角的初始值。
S22,适应度函数F(x)为:
其中,x为各个关节的关节转角所构成的向量,即x=[θ1 θ2 θ3 θ4 θ5 θ6];
nx、ny、nz分别为坐标系6的X6轴与坐标系0的X0轴、Y0轴、Z0轴的夹角余弦值;ox、oy、oz分别为坐标系6的Y6轴与坐标系0的X0轴、Y0轴、Z0轴的夹角余弦值;ax、ay、az分别为坐标系6的Z6轴与坐标系0的X0轴、Y0轴、Z0轴的夹角余弦值;px、py、pz为坐标系6的原点在坐标系0中的笛卡尔坐标值。
S3,基于改进天牛须算法对机器人进行运动学逆解,具体如下所示:
定义stept为变步长,每步迭代中步长以负指数次幂衰减,变步长stept=stept-1*e-kt+step′,step′为基本分辨率,优选step′=0.008;k为衰减率,优选k=-ln0.93;step0=1;
根据适应度函数F(x)可知,由于适应度函数F(x)是非线性方程组,因此定义适应度值采用2-范数的形式。
根据适应度函数F(x)可知,天牛的最优位置xbest所对应的最优适应度值为||F(xbest)||2,天牛的左须最优位置xlbest所对应的左须最优适应度值为||F(xlbest)||2,天牛的右须最优位置xrbest所对应的右须最优适应度值为||F(xrbest)||2;
S32,进行第t次迭代,根据天牛的第t次迭代的位置xt,得到天牛的第t次迭代的左须位置天牛的第t次迭代的右须位置天牛的第t次迭代的适应度值||F(xt)||2,天牛的第t次迭代的右须适应度值天牛的第t次迭代的左须适应度值
其中,dt为天牛的第t次迭代的左右须距离,dt=stept/c0,stept为步长,c0为比例系数;step0=1;c0=2;
S33,比较天牛的第t次迭代的左须适应度值和天牛的左须最优适应度值||F(xlbest)||2之间的大小,若小于||F(xlbest)||2,则对天牛的左须最优位置xlbest和左须最优适应度值||F(xlbest)||2的值分别进行更新,将天牛的左须最优位置xlbest的值更新为的值,将天牛的左须最优适应度值||F(xlbest)||2的值更新为的值;
比较天牛的第t次迭代的右须适应度值和天牛的右须最优适应度值||F(xrbest)||2之间的大小,若小于||F(xrbest)||2,则对天牛的右须最优位置xrbest和右须最优适应度值||F(xrbest)||2的值分别进行更新,将天牛的右须最优位置xrbest的值更新为的值,将天牛的右须最优适应度值||F(xrbest)||2更新为的值;
S34,将步骤S33更新得到的天牛的左须最优位置xlbest和右须最优位置xrbest代入如下公式进行计算,得到天牛的第t次迭代的位置偏量Gt:
Gt=clrd(xlbest-xt)+crrd(xrbest-xt);
其中,rd为0~1之间的随机常数;Gt为天牛的第t次迭代的位置偏量;cr为右须系数;cl为左须系数;
λ为设定的常数,λ的取值为0和1之间;本实施例中,λ取值为0.857;
S35,根据天牛的第t次迭代的位置偏量Gt与天牛的第t次迭代的位置xt,计算天牛的下一次迭代即第t+1次迭代的位置xt+1,具体如下所示:
根据天牛的下一次迭代即第t+1次迭代的位置xt+1和适应度函数F(x),得到对应的第t+1次迭代的适应度值为||F(xt+1)||2。
S36,计算接受概率p,并根据接受概率p,判断是否对天牛的最优位置xbest和最优适应度值||F(xbest)||2的值进行更新:
若||F(xt+1)||2<||F(xbest)||2,则p=1,将天牛的最优位置xbest更新为天牛的第t+1次迭代的位置xt+1,将天牛的最优适应度值||F(xbest)||2的值更新为天牛的第t+1次迭代的适应度值||F(xt+1)||2,输出天牛的最优位置xbest和最优适应度值fxbest的值;
若||F(xt+1)||2≥||F(xbest)||2,则T的取值为1/t,此时,若rand<p,则将天牛的最优位置xbest更新为天牛的第t+1次迭代的位置xt+1,将天牛的最优适应度值||F(xbest)||2更新为天牛的第t+1次迭代的适应度值||F(xt+1)||2,输出天牛的最优位置xbest和最优适应度值fxbest的值;若rand≥p,则不对天牛的最优位置xbest和最优适应度值||F(xbest)||2的值进行更新,输出天牛的最优位置xbest和最优适应度值fxbest的值;其中,rand为0~1之间的随机常数;
S37,判断第t次迭代是否达到设定条件,即判断当前迭代次数t是否达到设定的迭代总次数,若达到,则迭代结束;若未达到,则跳转步骤S32,将步骤S35计算得到天牛的下一次迭代即第t+1次迭代的位置xt+1带入步骤S32中,继续进行下一次迭代即第t+1次迭代。
在本发明的改进天牛须算法中:
基于以负指数次幂衰减的变步长stept进行搜索,由于天牛的初始位置往往距离真实解较远,故迭代初期的变步长stept设置较大,随着天牛的前进,变步长stept逐渐缩小,由于变步长stept和天牛个体大小d即为天牛的左右须距离d成正比,在迭代初期变步长stept设置较大能够提高全局搜索能力,在迭代后期变步长stept逐渐缩小能够提高局部搜索能力。
随着迭代次数的增多,指数衰减逐渐趋于0,不利于高迭代次数下的局部搜索,因此采用基本分辨率step′,随着迭代次数的增多,变步长stept逐渐归为基本分辨率step′,保障了高迭代次数下的局部搜索。
借鉴粒子群算法中全局信息的概念,记录天牛运动过程中的天牛左须位置和右须位置的最优适应度值,令天牛的下一次迭代的位置更新参考全局最优的左、右须适应度值,从而加快天牛搜索速度。
引入了接受概率p,以适当的接受概率p接受一个较劣解,从而减小陷入局部最优的概率,且随着迭代次数的不断增加,||F(xt+1)||2和||F(xbest)||2的差值波动较小,随着迭代的进行,接受较劣解的接受概率p会逐步降低。
在MATLAB环境下对本发明进行仿真,将本发明的基于改进天牛须算法的机器人运动学逆解方法与传统的天牛须算法、遗传算法、粒子群算法进行对比;根据实际设计需要,L2=0.5m,L3=0.6m,L4=0.5m;设置各个算法的参数,
本发明的改进天牛须算法即IBAS算法中,天牛步长和天牛个体大小d成正比,d=step/c0,c0为比例系数,c0=2,变步长stept=stept-1*e-kt+step0,衰减率k=-ln0.93,初始步长step0=1,基本分辨率step′=0.006,最大迭代次数为140次;传统的天牛须算法即BAS算法中,令步长δ=1;IBAS算法和BAS算法中,天牛的初始位置x0初始角设置为机器人的各个关节的关节转角θi的当前值所构成的向量,初始时刻时,机器人的各个关节转角的初始值依次为0、pi/2、0、0、pi/2、0。
传统的遗传算法即MPGA算法中,种群规模取值为30,交叉概率取值为0.8,变异概率取值为0.001到0.05之间的随机数;传统的粒子群算法即SAEPSO算法中,学习因子取值为1.7、1.5,近似度取值为10-6,弹射概率取值为0.2,弹射选择系数取值为0.2,惯性权重取值为0.3,种群规模取值为30;传统的遗传算法和粒子群算法中初始值均采用混沌初始化的算法进行初始化各种群个体初值,给定每种算法的最大迭代次数为140。
由图3所示,迭代前期IBAS算法由于按照一定的接受概率接受坏值和大步长参数的设置,所以IBAS算法的前40次迭代过程中出现最优适应度值大于BAS算法的现象,有利于天牛个体在机器人逆解寻解过程中跳出局部最优值。MPGA算法和SAEPSO算法也分别以基于动态变异率的变异算子和弹射概率的参数设置进行全局寻优,但相比IBAS算法,SAEPSO算法和MPGA算法前期下降速度较快,不利于全局寻优,因此IBAS算法的跳出全局的局部搜索能力强。在经过40次迭代后,SAEPSO算法少部分点的适应度值和IBAS算法相同或者更好,但SAEPSO算法适应度值波动较大,稳定性差,IBAS算法后期由于和目标解较近,所以设置步长的衰减使得天牛逐渐变为小天牛进行精细搜索快速收敛,从而找到最优解。
对每种算法分别进行独立运算100次,并对各种算法每次最优适应度进行统计,带入位置误差和姿态误差公式,将位置误差和姿态误差的均值作为统计对象,分别统计各种算法运行100次的最优、最差、平均值和标准差,统计结果如下表2所示,从而可知IBAS算法的四个评价指标均比其他3种算法好,其中,相比于传统BAS算法,IBAS算法的平均值高2个数量级,故IBAS算法的精度高,且IBAS算法的标准差相对较小,因此本发明的基于改进天牛须算法的机器人运动学逆解方法可靠性更强、精度更高、收敛速度更快。
算法 | BAS | IBAS | MPGA | SAEPSO |
最差 | 8.346×10<sup>-2</sup> | 4.154×10<sup>-3</sup> | 9.147×10<sup>-1</sup> | 2.133×10<sup>-2</sup> |
最优 | 2.812×10<sup>-3</sup> | 6.915×10<sup>-5</sup> | 3.766×10<sup>-3</sup> | 7.315×10<sup>-4</sup> |
平均值 | 3.538×10<sup>-2</sup> | 2.336×10<sup>-4</sup> | 5.288×10<sup>-2</sup> | 5.699×10<sup>-3</sup> |
标准差 | 6.127×10<sup>-2</sup> | 5.461×10<sup>-4</sup> | 2.439×10<sup>-1</sup> | 4.521×10<sup>-3</sup> |
表2
以上仅为本发明创造的较佳实施例而已,并不用以限制本发明创造,凡在本发明创造的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明创造的保护范围之内。
Claims (5)
1.一种电力智能仿生攀爬机器人的运动学逆解方法,其特征在于,包括以下步骤:
S1,构建机器人的模型,分别建立基坐标系和各个关节坐标系;其中,坐标系0为基座标系;坐标系i为第i个关节坐标系,i=1,2,…,I,I为关节总数量;
S2,将机器人的各个关节转角所构成的向量作为天牛的位置x,构建适应度函数F(x),得到天牛的位置x的适应度值为fx;
S3,经天牛须算法的迭代后,得到的天牛的最优位置xbest,即得到机器人的各个关节转角的最优值;
步骤S3中,具体过程如下所示:
天牛的最优位置xbest所对应的最优适应度值为fxbest,天牛的左须最优位置fxlbest所对应的左须最优适应度值为fxlbest,天牛的右须最优位置xrbest所对应的右须最优适应度值为fxrbest;
S32,进行第t次迭代,根据天牛的第t次迭代的位置xt,得到天牛的第t次迭代的左须位置天牛的第t次迭代的右须位置天牛的第t次迭代的适应度值为fxt,天牛的第t次迭代的右须适应度值为天牛的第t次迭代的左须适应度值为
S33,比较天牛的第t次迭代的左须适应度值和天牛的左须最优适应度值之间fxlbest的大小,若小于fxlbest,则对天牛的左须最优位置xlbest和左须最优适应度值fxlbest分别进行更新,将天牛的左须最优位置xlbest的值更新为的值,将天牛的左须最优适应度值fxlbest更新为
比较天牛的第t次迭代的右须适应度值的和天牛的右须最优适应度值fxrbest之间的大小,若小于fxrbest,则对天牛的右须最优位置xrbest和右须最优适应度值fxrbest分别进行更新,将天牛的右须最优位置xrbest的值更新为的值,将天牛的右须最优适应度值fxrbest更新为
S34,将步骤S33更新得到的天牛的左须最优位置xlbest和右须最优位置xrbest代入如下公式进行计算,得到天牛的第t次迭代的位置偏量Gt:
Gt=clrd(xlbest-xt)+crrd(xrbest-xt);
其中,rd为0~1之间的随机常数;Gt为天牛的第t次迭代的位置偏量;cr为右须系数;cl为左须系数;
λ为设定的常数,λ的取值为0和1之间;
S35,根据天牛的第t次迭代的位置偏量Gt与天牛的第t次迭代的位置xt,计算天牛的下一次迭代即第t+1次迭代的位置xt+1,具体如下所示:
根据天牛的下一次迭代即第t+1次迭代的位置xt+1和适应度函数F(x),得到对应的第t+1次迭代的适应度值为fxt+1;
S36,计算接受概率p,并根据接受概率p,判断是否对天牛的最优位置xbest和最优适应度值fxbest进行更新:
若fxt+1<fxbest,则p=1,且将天牛的最优位置xbest更新为天牛的第t+1次迭代的位置xt +1,将天牛的最优适应度值fxbest更新为天牛的第t+1次迭代的适应度值fxt+1;
若fxt+1≥fxbest,则T的取值为1/t,此时,若rand<p,则将天牛的最优位置xbest更新为天牛的第t+1次迭代的位置xt+1,将天牛的最优适应度值fxbest更新为天牛的第t+1次迭代的适应度值fxt+1;若rand≥p,则不对天牛的最优位置xbest和最优适应度值fxbest进行更新;其中,rand为0~1之间的随机常数;
S37,判断第t次迭代是否达到设定条件,若达到,则迭代结束,输出天牛的最优位置xbest和最优适应度值fxbest的值;;若未达到,则跳转步骤S32,将步骤S35计算得到天牛的下一次迭代即第t+1次迭代的位置xt+1带入步骤S32中,继续进行下一次迭代即第t+1次迭代;
步骤S32中,stept为变步长,变步长stept=stept-1*e-kt+step′,step′为基本分辨率,k为衰减率。
2.根据权利要求1所述的一种电力智能仿生攀爬机器人的运动学逆解方法,其特征在于,步骤S1中,坐标系0即基坐标系即基座坐标系中包括X0轴、Y0轴、Z0轴;坐标系1到坐标系I依次为从基座到末端执行器的I个旋转关节的关节坐标系;坐标系i即第i个关节坐标系中包括Xi轴、Yi轴、Zi轴;第i个关节的关节转角θi为坐标系i中的Xi轴与坐标系i-1中的Xi-1轴的夹角。
3.根据权利要求2所述的一种电力智能仿生攀爬机器人的运动学逆解方法,其特征在于,步骤S2中,包括以下具体步骤:
其中,连杆扭角αi为Zi-1轴和Zi轴的夹角;连杆长度bi为坐标系i和坐标系i-1的公垂线的线段距离;连杆距离di为坐标系i的原点在坐标系i-1的Zi-1轴上的投影与坐标系i-1的原点之间的距离;θi为第i个关节的关节转角即第i个关节转角;
S22,适应度函数F(x)为:
其中,x为各个关节转角所构成的向量,即x=[θi|i=1,2,…,I];
nx、ny、nz分别为坐标系I的XI轴与坐标系0的X0轴、Y0轴、Z0轴的夹角余弦值;ox、oy、oz分别为坐标系I的YI轴与坐标系0的X0轴、Y0轴、Z0轴的夹角余弦值;ax、ay、az分别为坐标系I的ZI轴与坐标系0的X0轴、Y0轴、Z0轴的夹角余弦值;px、py、pz为坐标系I的原点在坐标系0中的笛卡尔坐标值。
4.根据权利要求3所述的一种电力智能仿生攀爬机器人的运动学逆解方法,其特征在于,步骤S2中,适应度值为fx采用2-范数进行表示,即fx=||F(x)||2。
5.根据权利要求1所述的一种电力智能仿生攀爬机器人的运动学逆解方法,其特征在于,步骤S38中,判断第t次迭代是否达到设定条件为:判断迭代次数t是否达到设定的迭代总次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110766428.7A CN113434982B (zh) | 2021-07-07 | 2021-07-07 | 一种电力智能仿生攀爬机器人的运动学逆解方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110766428.7A CN113434982B (zh) | 2021-07-07 | 2021-07-07 | 一种电力智能仿生攀爬机器人的运动学逆解方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113434982A CN113434982A (zh) | 2021-09-24 |
CN113434982B true CN113434982B (zh) | 2022-09-27 |
Family
ID=77759351
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110766428.7A Active CN113434982B (zh) | 2021-07-07 | 2021-07-07 | 一种电力智能仿生攀爬机器人的运动学逆解方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113434982B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113997284A (zh) * | 2021-10-25 | 2022-02-01 | 东南大学 | 一种基于天牛须算法的双臂协作机器人逆解优化方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6236956B1 (en) * | 1996-02-16 | 2001-05-22 | Avant! Corporation | Component-based analog and mixed-signal simulation model development including newton step manager |
CN109244810A (zh) * | 2018-10-23 | 2019-01-18 | 山东理工大学 | 一种基于天牛群优化算法的激光谐振腔设计方法 |
CN110167204A (zh) * | 2019-05-08 | 2019-08-23 | 燕山大学 | 一种基于ms-bas算法的中继传输策略选择和功率分配方法 |
CN111482969A (zh) * | 2020-06-28 | 2020-08-04 | 纳博特南京科技有限公司 | 一种基于bas算法的六自由度偏置机器人逆解方法 |
CN111814839A (zh) * | 2020-06-17 | 2020-10-23 | 合肥工业大学 | 基于自适应变异的天牛群优化算法的模板匹配方法 |
CN111844023A (zh) * | 2020-06-28 | 2020-10-30 | 合肥工业大学 | 一种基于天牛须算法的六自由度机器人逆解算法 |
CN112564125A (zh) * | 2020-12-14 | 2021-03-26 | 辽宁电能发展股份有限公司 | 一种基于变步长天牛须算法的配电网动态无功优化方法 |
CN112598153A (zh) * | 2020-11-23 | 2021-04-02 | 南京邮电大学 | 一种基于天牛须搜索算法的旅行商问题求解方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107685330B (zh) * | 2017-10-18 | 2018-12-18 | 佛山华数机器人有限公司 | 一种六自由度手腕偏置串联机器人的运动学逆解求解方法 |
CN110766137A (zh) * | 2019-10-18 | 2020-02-07 | 武汉大学 | 基于天牛须优化深度置信网络算法的电力电子电路故障诊断方法 |
-
2021
- 2021-07-07 CN CN202110766428.7A patent/CN113434982B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6236956B1 (en) * | 1996-02-16 | 2001-05-22 | Avant! Corporation | Component-based analog and mixed-signal simulation model development including newton step manager |
CN109244810A (zh) * | 2018-10-23 | 2019-01-18 | 山东理工大学 | 一种基于天牛群优化算法的激光谐振腔设计方法 |
CN110167204A (zh) * | 2019-05-08 | 2019-08-23 | 燕山大学 | 一种基于ms-bas算法的中继传输策略选择和功率分配方法 |
CN111814839A (zh) * | 2020-06-17 | 2020-10-23 | 合肥工业大学 | 基于自适应变异的天牛群优化算法的模板匹配方法 |
CN111482969A (zh) * | 2020-06-28 | 2020-08-04 | 纳博特南京科技有限公司 | 一种基于bas算法的六自由度偏置机器人逆解方法 |
CN111844023A (zh) * | 2020-06-28 | 2020-10-30 | 合肥工业大学 | 一种基于天牛须算法的六自由度机器人逆解算法 |
CN112598153A (zh) * | 2020-11-23 | 2021-04-02 | 南京邮电大学 | 一种基于天牛须搜索算法的旅行商问题求解方法 |
CN112564125A (zh) * | 2020-12-14 | 2021-03-26 | 辽宁电能发展股份有限公司 | 一种基于变步长天牛须算法的配电网动态无功优化方法 |
Non-Patent Citations (5)
Title |
---|
Particle swarm optimization algorithm based on Beetle Antennae Search algorithm to solve path planning problem;Bin Zhang等;《2020 IEEE 4th Information Technology, Networking, Electronic and Automation Control Conference (ITNEC)》;20201231;第1卷;第1586-1589页 * |
基于改进天牛须算法的主汽温控制系统PID参数优化;基于改进天牛须算法的主汽温控制系统PID参数优化;《仪器仪表用户》;20210331;第28卷(第3期);第93-96页 * |
基于改进天牛须算法的应急资源调度优化;王付宇等;《安全与环境学报》;20201231;第20卷(第06期);第2278-2285页 * |
基于改进牛顿迭代法的手腕偏置型六自由度关节机器人逆解算法;韩磊等;《机械传动》;20170131;第41卷(第01期);第127-130、150页 * |
基于量子天牛群算法的高桩码头横向排架结构损伤识别;胥松奇等;《水运工程》;20201231(第08期);第101-109页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113434982A (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109895101B (zh) | 一种关节型机械臂逆运动学数值唯一解求取方法 | |
Yiyang et al. | A general robot inverse kinematics solution method based on improved PSO algorithm | |
CN105159096B (zh) | 一种基于粒子群算法的冗余度空间机械臂关节力矩优化方法 | |
CN105676636B (zh) | 一种基于nsga-ii算法的冗余度空间机械臂多目标优化方法 | |
Mao et al. | A hybrid differential evolution and particle swarm optimization algorithm for numerical kinematics solution of remote maintenance manipulators | |
CN107160401B (zh) | 一种解决冗余度机械臂关节角偏移问题的方法 | |
CN103984230B (zh) | 一种空间机械臂基座零扰动优化控制方法 | |
Zhang et al. | A 6-DOF robot-time optimal trajectory planning based on an improved genetic algorithm | |
CN113414761B (zh) | 一种冗余机械臂运动轨迹优化的方法 | |
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 | |
CN113434982B (zh) | 一种电力智能仿生攀爬机器人的运动学逆解方法 | |
CN111482969A (zh) | 一种基于bas算法的六自由度偏置机器人逆解方法 | |
CN109366486B (zh) | 柔性机器人逆运动学求解方法、系统、设备、存储介质 | |
CN113043278B (zh) | 一种基于改进型鲸鱼搜索方法的机械臂轨迹规划方法 | |
CN111660296A (zh) | 一种基于全域空间条件数的优化机器人灵活度的方法 | |
CN114147720A (zh) | 一种多自由度机械臂的逆运动学通用求解方法及装置 | |
CN111958602B (zh) | 一种手腕偏置型6轴机器人实时逆解算法 | |
CN111482968A (zh) | 一种基于bfs算法的六自由度偏置机器人逆解方法 | |
Sui et al. | Genetic algorithm for solving the inverse kinematics problem for general 6r robots | |
CN111890364A (zh) | 机器人的运动控制方法、装置、电子设备及存储介质 | |
Gravagne et al. | Properties of minimum infinity-norm optimization applied to kinematically redundant robots | |
Niu et al. | Shape-controllable inverse kinematics of hyper-redundant robots based on the improved FABRIK method | |
Jin et al. | Scapso-based inverse kinematics method and its application to industrial robotic manipulator | |
Xu et al. | An improved GA-based inverse kinematics solution algorithm for underwater manipulators | |
CN117733872B (zh) | 一种基于方向性能的串联机器人逆运动学控制方法 |
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 |