CN114043475A - 基于b-apf的多焊接机器人路径优化方法及系统 - Google Patents

Abstract

本发明公开了一种基于B‑APF的多焊接机器人路径优化方法及系统，提出了一种B‑APF算法。基于BOID模型原则引入焊接机器人的感知区域，当多机器人中存在陷入局部最小值点的机器人时，将该机器人停滞，同时感知其他机器人的位置坐标。当其他机器人到达目标点时，查找距离停滞机器人最近的机器人的路径，选取最近点为停滞机器人的虚拟目标点。等到停滞机器人到达虚拟目标点后，将停滞机器人的目标点换回其最初目标点。同时B‑APF算法可对多焊接机器人协同工作时进行队形结构控制优化，以提高整体路径规划效果。本发明使得在船舶建造工程中多焊接机器人对大型精密复杂零件更好地协同焊接，能够用于获得多焊接机器人在协同工作中的最优路径优化。

Description

基于B-APF的多焊接机器人路径优化方法及系统

技术领域

本发明属于焊接机器人应用技术领域，具体涉及到船舶建造过程中精密构件焊接的机器人路径优化问题，特别是一种基于B-APF的多焊接机器人路径优化方法及系统。

背景技术

随着电子技术、计算机技术、数控及机器人技术的发展，焊接机器人被广泛应用于船舶建造领域。焊接是船舶装备制造中的重要工艺环节，也是决定其装备质量的关键因素。尤其在船舶建造过程中，需要大量的精密构件，在这些构建制造过程中，存在零件结构复杂、尺寸形状各异、空间分布错综复杂、焊点数量巨大且密集、焊接工艺精细严格等因素，单个焊接机器人难以完成如此巨大的工作量，往往需要多个焊接机器人高效协同工作。这就需要对多个焊接机器人焊接路径进行合理规划，提高焊接效率。多焊接机器人系统接到某项特定的焊接任务时，需考虑如何组织多个机器人去完成各项任务，在确定机器人各自的关系和任务基础上，最主要的任务是保持多个机器人间运动的协调一致性，共同去完成一个或多个焊接任务，并在协同工作中如何获取最优路径已成为目前的一大研究热点。

目前，在船舶建造焊接上，使用传统的人工势场法规划出来的焊接路径可能陷入局部最优。有学者提出了极限环法(Limit Cycle)，使机器人走圆弧状路径环绕障碍物来避障；还有学者提出了沿墙跟踪法(Wall Tracking Method)来解决目标点无法到达的问题，以上方法在一定程度上缓解了局部最优问题，但是存在规划速度慢、避碰效果不理想等缺点，而且以上算法并未针对多机器人协同工作场景，未能达到多机器人协同焊接效果。综上，当前在多焊接机器人路径规划方面，存在易陷入局部路径最优、能量损耗较大、加工时间较长与难以满足生产节点需求等问题，路径规划性能指标表现有待提高。如何对多焊接机器人协同工作时的路径规划进行高效的优化，仍有很大的研究空间。

发明内容

本发明的目的在于解决多焊接机器人协同的船舶零构件焊接路径规划技术中的缺点，针对现阶段传统人工势场算法在多焊接机器人路径规划应用存在局部最小值和协同效果不佳的问题，提出一种基于BOID模型的人工势场优化算法(BOID ArtificialPotential Field,B-APF)。基于BOID模型原则引入焊接机器人的感知区域，当多机器人中存在陷入局部最小值点的机器人时，将该机器人停滞,同时感知到其他机器人的位置坐标。当其他机器人到达目标点时，查找距离停滞机器人最近的机器人的路径，选取最近点为停滞机器人的虚拟目标点。等到停滞机器人到达虚拟目标点后，将停滞机器人的目标点换回其最初目标点。

实现本发明目的的技术解决方案为：一种基于B-APF的多焊接机器人路径优化方法，所述方法包括以下步骤：

步骤1，采集焊接信息；

步骤2，基于B-APF算法和上述焊接信息，规划焊接机器人的运行轨迹；所述B-APF算法为基于BOID模型的人工势场优化算法；

步骤3，基于步骤2获取多焊接机器人协同作业运动轨迹。

进一步地，步骤1所述焊接信息包括：焊点的数量和位置分布，以及焊接任务，这些焊接任务分配给焊接机器人；全部焊点信息X＝(x₁,x₂,x₃,…,x_n)，其中x_j表示第j个焊点，j＝1,2,…,n，焊接任务Y＝(Y₁,Y₂,Y₃,…,Y_m)，Y_i表示第i个焊接机器人的焊接任务。

进一步地，步骤2所述基于B-APF算法和上述焊接信息，规划每个焊接机器人的运行轨迹，具体为：

第i个焊接机器人接收到焊接任务Y_i，基于BOID模型原则，在每一个时间步，第i个焊接机器人通过局部感知获得三个不重叠区域中其他焊接机器人的位置和方向，结合焊接任务以计算第i个焊接机器人的运动轨迹；

具体过程包括：

步骤2-1，建立第i个焊接机器人的感知区域，第i个焊接机器人能感知到出现在其感知区域内的其他焊接机器人；

步骤2-2，根据BOID模型建立第i个焊接机器人的反应区域，第i个焊接机器人根据其与出现在其感知区域内的其他焊接机器人之间的距离，控制其自身的运动方向；

步骤2-3，基于人工势场优化算法计算第i个焊接机器人的行为向量；

步骤2-4，判断当前第i个焊接机器人是否陷入局部最优，若是则选取第i个焊接机器人感知到的周围5个邻近焊接机器人中距离其最近的第j个焊接机器人的位置作为临时目标点，计算第i个焊接机器人受到的合力，将第j个焊接机器人的路径作为其临时虚拟路径，将第i个焊接机器人成功导出局部最优后，下一时刻更新第i个焊接机器人的新位置坐标；若未陷入局部最优，则直接更新位置坐标；

重复执行步骤2-3至步骤2-4，直至第i个焊接机器人到达预设的终点，由此获得第i个焊接机器人的运行轨迹。

进一步地，步骤2-1所述建立第i个焊接机器人的感知区域，具体为：

感知区域以第i个焊接机器人为中心，包括前向区、侧向区、后向区，其中所述前向区包括左前区和右前区，侧向区包括左侧区和右侧区；所述右前区的区域范围为

左前区的区域范围为

左侧区的区域范围为

后向区的区域范围为

右侧区的区域范围为

前向区、侧向区、后向区分别设置权值w_f、w_l、w_r，表示各区对焊接机器人行为影响的重要程度。

进一步地，步骤2-2所述根据BOID模型建立第i个焊接机器人的反应区域，第i个焊接机器人根据其与出现在其感知区域内的其他焊接机器人之间的距离，控制其自身的运动方向，具体为：

根据BOID模型建立第i个焊接机器人的反应区域，该反应区域包括以第i个焊接机器人为中心的三个同心圆环，从内至外分别作为排斥区、平行区和吸引区，半径分别为R_r、R_p、R_a；

令d表示第i个焊接机器人与第j个焊接机器人之间的距离，设第j个焊接机器人出现在第i个焊接机器人的感知区域内，若R_p≥d＞R_a，则第i个焊接机器人将执行吸引行为，第i个焊接机器人将使其运行方向朝向第j个焊接机器人；若R_a≥d≥R_r，则第i个焊接机器人将执行平行行为，第i个焊接机器人将使其运行方向与第j个焊接机器人的运行方向一致；若d≤R_r，则第i个焊接机器人将执行排斥行为，第i个焊接机器人将使其运行方向背离第j个焊接机器人。

进一步地，步骤2-3所述基于人工势场优化算法计算第i个焊接机器人的行为向量，具体包括：

第i个焊接机器人的行为向量V_s为：

V_s＝w_f(v_fl+v_fr)+w_l(v_ll+v_lr)+w_rv_r

其中，v_fl、v_fr、v_ll、v_lr、v_r分别为第i个焊接机器人左前区、右前区、左侧区、右侧区、后侧区内产生的行为向量；

行为向量的模取决于产生该向量的邻居所处的区域，处于吸引区及排斥区时，利用人工势场函数确定模值；处于平行区时，模值取常量M_p；所述邻居为位于第i个焊接机器人感知区域中的其他焊接机器人；

其中，所述人工势场函数设立过程如下：

第i个焊接机器人的矢量坐标是x(t)，目标点的矢量坐标是x_d，k为增益系数，k>0，得到目标点和焊接机器人的引力场函数为：

引力表达式为：

F_d＝-k(x-x_d)-ξx

式中，ξ为速度增益；

设斥力场的作用域曲线为f(x)＝0与f(x)＝C之间，斥力场函数为：

式中，C为常量，表示斥力场的最大作用边界，η为斥力增益系数；

斥力表达式为：

人工势场函数为：

U(x)＝U_d(x)+U₀(x)

第i个焊接机器人所受力：

F＝F_d+F₀。

进一步地，步骤3所述基于步骤2获取多焊接机器人协同作业运动轨迹，具体包括：

针对每个焊接机器人，同时执行步骤2，获得多焊接机器人协同作业的最优运行轨迹集合Path＝(p₁,p₂,…,p_n)，p_i为第i个焊接机器人的运行轨迹；

所有焊接机器人按照所述最优运行轨迹集合执行焊接任务。

一种基于B-APF的多焊接机器人路径优化系统，所述系统包括：

信息采集模块，用于采集多焊接机器人焊接信息；

路径规划模块，用于基于B-APF算法和上述焊接信息，规划焊接机器人的运行轨迹；所述B-APF算法为基于BOID模型的人工势场优化算法；

协同作业模块，用于基于路径规划模块获取多焊接机器人协同作业运动轨迹。

一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：

步骤1，采集焊接信息；

步骤2，基于B-APF算法和上述焊接信息，规划焊接机器人的运行轨迹；所述B-APF算法为基于BOID模型的人工势场优化算法；

步骤3，基于步骤2获取多焊接机器人协同作业运动轨迹。

一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

步骤1，采集焊接信息；

步骤2，基于B-APF算法和上述焊接信息，规划焊接机器人的运行轨迹；所述B-APF算法为基于BOID模型的人工势场优化算法；

步骤3，基于步骤2获取多焊接机器人协同作业运动轨迹。

本发明与现有技术相比，其显著优点为：1)基于BOID模型，引入焊接机器人的感知区域，每个焊接机器人可感知到五个邻近焊接机器人的位置和方向，以此对多焊接机器人协同工作时进行队形结构控制优化，以提高整体路径规划效果；2)引入BIOD模型，摆脱了传统人工势场算法应用于路径规划时易陷入局部最优的缺点，增强了焊接机器人之间的信息交互和协作能力，以实现多焊接机器人协同工作时的路径规划，提高了局部寻优能力和多焊接机器人协同工作效率。

下面结合附图对本发明作进一步详细描述。

附图说明

图1为本发明基于B-APF的多焊接机器人路径优化方法的总体方案图。

图2为一个实施例中B-APF算法的流程图。

图3为一个实施例中反应区域示意图。

图4为一个实施例中感知区域示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

针对如何获取最优的多焊接机器人协同工作路径，本发明提出了一种基于BOID规则的人工势场优化算法。人工势场法路径规划是由Khatib提出的一种虚拟力法，它的基本思想是将机器人在周围环境中的运动，设计成一种抽象的人造引力场中的运动，目标点对移动机器人产生“引力”，障碍物对移动机器人产生“斥力”，最后通过求合力来控制移动机器人的运动。应用势场法规划出来的路径一般是比较平滑并且安全。传统人工势场法容易实现，计算量小，路径规划实时性高，缺点是存在局部最小值，且用于多机器人协同作业效果不佳。BOID模型由Reynolds提出，用于研究自然界中鸟类集群飞行、鱼类集群游动等现象。该模型成功再现了生物群体的协同现象，被广泛应用于生物群体行为研究。BOID模型是一种典型的研究集群行为的自组织模型，在BOID模型中，个体行为遵循如下基本规则：

(1)避免碰撞：避免与邻近个体发生碰撞；

(2)速度匹配：尽量与邻近个体的速度相匹配；

(3)中心聚集：尽量向附近的个体靠拢。

基于BOID模型引入焊接机器人的感知区域，每个机器人最多需考虑5个邻近焊接机器人的位置和方向，利用多机器人环境中可感知到其他机器人的位置信息来帮助单机器人摆脱局部最小值点。当单个机器人陷入局部最小值点时，其他机器人可能并没有陷入局部最小值点，将顺利到达自身目标点的移动机器人轨迹作为参考有利于其他机器人摆脱局部最小值点，可解决传统人工势场算法易于陷入局部最小值的缺点，同时BOID模型可以帮助控制多焊接机器人协同工作时的队形，基于BOID模型的人工势场算法(BOID ArtificialPotential Field,B-APF)能够较大程度有效提升多焊接机器人协同工作效率，实现整体路径规划、获取最优路径。

在一个实施例中，结合图1，提供了一种基于B-APF的多焊接机器人路径优化方法，在传统人工势场算法上对每个焊接机器人应用BOID原则，焊接机器人可局部感知到邻近机器人的位置和方向信息，获取每个焊接机器人的行为向量，最终获得每个焊接机器人的运动轨迹。所述方法包括以下步骤：

步骤1，采集焊接信息；所述焊接信息包括：焊点的数量和位置分布，以及焊接任务，这些焊接任务分配给焊接机器人；全部焊点信息X＝(x₁,x₂,x₃,…,x_n)，其中x_j表示第j个焊点，j＝1,2,…,n，焊接任务Y＝(Y₁,Y₂,Y₃,…,Y_m)，Y_i表示第i个焊接机器人的焊接任务。

步骤2，基于B-APF算法和上述焊接信息，规划焊接机器人的运行轨迹；所述B-APF算法为基于BOID模型的人工势场优化算法；

步骤3，基于步骤2获取多焊接机器人协同作业运动轨迹。

进一步地，在其中一个实施例中，步骤2所述基于B-APF算法和上述焊接信息，规划每个焊接机器人的运行轨迹，具体为：

第i个焊接机器人接收到焊接任务Y_i，基于BOID模型原则，在每一个时间步，第i个焊接机器人通过局部感知获得三个不重叠区域中其他焊接机器人的位置和方向，结合焊接任务以计算第i个焊接机器人的运动轨迹；

具体过程包括：

步骤2-1，建立第i个焊接机器人的感知区域，第i个焊接机器人能感知到出现在其感知区域内的其他焊接机器人；

步骤2-2，根据BOID模型建立第i个焊接机器人的反应区域，第i个焊接机器人根据其与出现在其感知区域内的其他焊接机器人之间的距离，控制其自身的运动方向；

步骤2-3，基于人工势场优化算法计算第i个焊接机器人的行为向量；

步骤2-4，判断当前第i个焊接机器人是否陷入局部最优，若是则选取第i个焊接机器人感知到的周围5个邻近焊接机器人中距离其最近的第j个焊接机器人的位置作为临时目标点，计算第i个焊接机器人受到的合力，将第j个焊接机器人的路径作为其临时虚拟路径，将第i个焊接机器人成功导出局部最优后，下一时刻更新第i个焊接机器人的新位置坐标；若未陷入局部最优，则直接更新位置坐标；

重复执行步骤2-3至步骤2-4，直至第i个焊接机器人到达预设的终点，由此获得第i个焊接机器人的运行轨迹。

进一步地，在其中一个实施例中，结合图4，步骤2-1所述建立第i个焊接机器人的感知区域(为实现焊接机器人在保持协同工作时的平稳转向，引入感知区域)，具体为：

感知区域以第i个焊接机器人为中心，包括前向区、侧向区、后向区，其中所述前向区包括左前区和右前区，侧向区包括左侧区和右侧区；所述右前区的区域范围为

左前区的区域范围为

左侧区的区域范围为

后向区的区域范围为

右侧区的区域范围为

前向区、侧向区、后向区分别设置权值w_f、w_l、w_r，表示各区对焊接机器人行为影响的重要程度。

进一步地，在其中一个实施例中，步骤2-2所述根据BOID模型建立第i个焊接机器人的反应区域，第i个焊接机器人根据其与出现在其感知区域内的其他焊接机器人之间的距离，控制其自身的运动方向，具体为：

根据BOID模型建立第i个焊接机器人的反应区域，结合图3，该反应区域包括以第i个焊接机器人为中心的三个同心圆环，从内至外分别作为排斥区、平行区和吸引区，半径分别为R_r、R_p、R_a；

令d表示第i个焊接机器人与第j个焊接机器人之间的距离，设第j个焊接机器人出现在第i个焊接机器人的感知区域内，若R_p≥d＞R_a，则第i个焊接机器人将执行吸引行为，第i个焊接机器人将使其运行方向朝向第j个焊接机器人；若R_a≥d≥R_r，则第i个焊接机器人将执行平行行为，第i个焊接机器人将使其运行方向与第j个焊接机器人的运行方向一致；若d≤R_r，则第i个焊接机器人将执行排斥行为，第i个焊接机器人将使其运行方向背离第j个焊接机器人。

进一步地，在其中一个实施例中，步骤2-3所述基于人工势场优化算法计算第i个焊接机器人的行为向量，具体包括：

第i个焊接机器人的行为向量V_s为：

V_s＝w_f(v_fl+v_fr)+w_l(v_ll+v_lr)+w_rv_r

其中，v_fl、v_fr、v_ll、v_lr、v_r分别为第i个焊接机器人左前区、右前区、左侧区、右侧区、后侧区内产生的行为向量；

行为向量的模取决于产生该向量的邻居所处的区域，处于吸引区及排斥区时，利用人工势场函数确定模值；处于平行区时，模值取常量M_p；所述邻居为位于第i个焊接机器人感知区域中的其他焊接机器人；

其中，所述人工势场函数设立过程如下：

第i个焊接机器人的矢量坐标是x(t)，目标点的矢量坐标是x_d，k为增益系数，k>0，得到目标点和焊接机器人的引力场函数为：

引力表达式为：

F_d＝-k(x-x_d)-ξx

式中，ξ为速度增益；

设斥力场的作用域曲线为f(x)＝0与f(x)＝C之间，斥力场函数为：

式中，C为常量，表示斥力场的最大作用边界，η为斥力增益系数；

斥力表达式为：

人工势场函数为：

U(x)＝U_d(x)+U₀(x)

第i个焊接机器人所受力：

F＝F_d+F₀。

进一步地，在其中一个实施例中，步骤3所述基于步骤2获取多焊接机器人协同作业运动轨迹，具体包括：

针对每个焊接机器人，同时执行步骤2，获得多焊接机器人协同作业的最优运行轨迹集合Path＝(p₁,p₂,…,p_n)，p_i为第i个焊接机器人的运行轨迹；

所有焊接机器人按照所述最优运行轨迹集合执行焊接任务。

一种基于B-APF的多焊接机器人路径优化系统，所述系统包括：

信息采集模块，用于采集多焊接机器人焊接信息；

路径规划模块，用于基于B-APF算法和上述焊接信息，规划焊接机器人的运行轨迹；所述B-APF算法为基于BOID模型的人工势场优化算法；

协同作业模块，用于基于路径规划模块获取多焊接机器人协同作业运动轨迹。

关于基于B-APF的多焊接机器人路径优化系统的具体限定可以参见上文中对于基于B-APF的多焊接机器人路径优化方法的限定，在此不再赘述。上述基于B-APF的多焊接机器人路径优化系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：

步骤1，采集焊接信息；

步骤2，基于B-APF算法和上述焊接信息，规划焊接机器人的运行轨迹；所述B-APF算法为基于BOID模型的人工势场优化算法；

步骤3，基于步骤2获取多焊接机器人协同作业运动轨迹。

关于每一步的具体限定可以参见上文中对于基于B-APF的多焊接机器人路径优化方法的限定，在此不再赘述。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

步骤1，采集焊接信息；

步骤2，基于B-APF算法和上述焊接信息，规划焊接机器人的运行轨迹；所述B-APF算法为基于BOID模型的人工势场优化算法；

步骤3，基于步骤2获取多焊接机器人协同作业运动轨迹。

关于每一步的具体限定可以参见上文中对于基于B-APF的多焊接机器人路径优化方法的限定，在此不再赘述。

本发明基于BOID模型提出了一种B-APF算法，使得在船舶建造工程中多焊接机器人对大型精密复杂零件更好地协同焊接，能够用于获得多焊接机器人在协同工作中的最优路径优化。

以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (10)

1.一种基于B-APF的多焊接机器人路径优化方法，其特征在于，所述方法包括以下步骤：

步骤1，采集焊接信息；

步骤2，基于B-APF算法和上述焊接信息，规划焊接机器人的运行轨迹；所述B-APF算法为基于BOID模型的人工势场优化算法；

步骤3，基于步骤2获取多焊接机器人协同作业运动轨迹。

2.根据权利要求1所述的基于B-APF的多焊接机器人路径优化方法，其特征在于，步骤1所述焊接信息包括：焊点的数量和位置分布，以及焊接任务，这些焊接任务分配给焊接机器人；全部焊点信息X＝(x₁,x₂,x₃,…,x_n)，其中x_j表示第j个焊点，j＝1,2,…,n，焊接任务Y＝(Y₁,Y₂,Y₃,…,Y_m)，Y_i表示第i个焊接机器人的焊接任务。

3.根据权利要求2所述的基于B-APF的多焊接机器人路径优化方法，其特征在于，步骤2所述基于B-APF算法和上述焊接信息，规划每个焊接机器人的运行轨迹，具体为：

第i个焊接机器人接收到焊接任务Y_i，基于BOID模型原则，在每一个时间步，第i个焊接机器人通过局部感知获得三个不重叠区域中其他焊接机器人的位置和方向，结合焊接任务以计算第i个焊接机器人的运动轨迹；

具体过程包括：

步骤2-1，建立第i个焊接机器人的感知区域，第i个焊接机器人能感知到出现在其感知区域内的其他焊接机器人；

步骤2-2，根据BOID模型建立第i个焊接机器人的反应区域，第i个焊接机器人根据其与出现在其感知区域内的其他焊接机器人之间的距离，控制其自身的运动方向；

步骤2-3，基于人工势场优化算法计算第i个焊接机器人的行为向量；

步骤2-4，判断当前第i个焊接机器人是否陷入局部最优，若是则选取第i个焊接机器人感知到的周围5个邻近焊接机器人中距离其最近的第j个焊接机器人的位置作为临时目标点，计算第i个焊接机器人受到的合力，将第j个焊接机器人的路径作为其临时虚拟路径，将第i个焊接机器人成功导出局部最优后，下一时刻更新第i个焊接机器人的新位置坐标；若未陷入局部最优，则直接更新位置坐标；

重复执行步骤2-3至步骤2-4，直至第i个焊接机器人到达预设的终点，由此获得第i个焊接机器人的运行轨迹。

4.根据权利要求3所述的基于B-APF的多焊接机器人路径优化方法，其特征在于，步骤2-1所述建立第i个焊接机器人的感知区域，具体为：

感知区域以第i个焊接机器人为中心，包括前向区、侧向区、后向区，其中所述前向区包括左前区和右前区，侧向区包括左侧区和右侧区；所述右前区的区域范围为

左前区的区域范围为

左侧区的区域范围为

后向区的区域范围为

右侧区的区域范围为

前向区、侧向区、后向区分别设置权值w_f、w_l、w_r，表示各区对焊接机器人行为影响的重要程度。

5.根据权利要求4所述的基于B-APF的多焊接机器人路径优化方法，其特征在于，步骤2-2所述根据BOID模型建立第i个焊接机器人的反应区域，第i个焊接机器人根据其与出现在其感知区域内的其他焊接机器人之间的距离，控制其自身的运动方向，具体为：

根据BOID模型建立第i个焊接机器人的反应区域，该反应区域包括以第i个焊接机器人为中心的三个同心圆环，从内至外分别作为排斥区、平行区和吸引区，半径分别为R_r、R_p、R_a；

令d表示第i个焊接机器人与第j个焊接机器人之间的距离，设第j个焊接机器人出现在第i个焊接机器人的感知区域内，若R_p≥d＞R_a，则第i个焊接机器人将执行吸引行为，第i个焊接机器人将使其运行方向朝向第j个焊接机器人；若R_a≥d≥R_r，则第i个焊接机器人将执行平行行为，第i个焊接机器人将使其运行方向与第j个焊接机器人的运行方向一致；若d≤R_r，则第i个焊接机器人将执行排斥行为，第i个焊接机器人将使其运行方向背离第j个焊接机器人。

6.根据权利要求5所述的基于B-APF的多焊接机器人路径优化方法，其特征在于，步骤2-3所述基于人工势场优化算法计算第i个焊接机器人的行为向量，具体包括：

第i个焊接机器人的行为向量V_s为：

V_s＝w_f(v_fl+v_fr)+w_l(v_ll+v_lr)+w_rv_r

其中，v_fl、v_fr、v_ll、v_lr、v_r分别为第i个焊接机器人左前区、右前区、左侧区、右侧区、后侧区内产生的行为向量；

行为向量的模取决于产生该向量的邻居所处的区域，处于吸引区及排斥区时，利用人工势场函数确定模值；处于平行区时，模值取常量M_p；所述邻居为位于第i个焊接机器人感知区域中的其他焊接机器人；

其中，所述人工势场函数设立过程如下：

第i个焊接机器人的矢量坐标是x(t)，目标点的矢量坐标是x_d，k为增益系数，k>0，得到目标点和焊接机器人的引力场函数为：

引力表达式为：

F_d＝-k(x-x_d)-ξx

式中，ξ为速度增益；

设斥力场的作用域曲线为f(x)＝0与f(x)＝C之间，斥力场函数为：

式中，C为常量，表示斥力场的最大作用边界，η为斥力增益系数；

斥力表达式为：

人工势场函数为：

U(x)＝U_d(x)+U₀(x)

第i个焊接机器人所受力：

F＝F_d+F₀。

7.根据权利要求3所述的基于B-APF的多焊接机器人路径优化方法，其特征在于，步骤3所述基于步骤2获取多焊接机器人协同作业运动轨迹，具体包括：

针对每个焊接机器人，同时执行步骤2，获得多焊接机器人协同作业的最优运行轨迹集合Path＝(p₁,p₂,…,p_n)，p_i为第i个焊接机器人的运行轨迹；

所有焊接机器人按照所述最优运行轨迹集合执行焊接任务。

8.一种基于B-APF的多焊接机器人路径优化系统，其特征在于，所述系统包括：

信息采集模块，用于采集多焊接机器人焊接信息；

路径规划模块，用于基于B-APF算法和上述焊接信息，规划焊接机器人的运行轨迹；所述B-APF算法为基于BOID模型的人工势场优化算法；

协同作业模块，用于基于路径规划模块获取多焊接机器人协同作业运动轨迹。

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在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权利要求1至7中任一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述方法的步骤。

Images