CN114654463A - 基于遗传算法的并联机器人分拣方法 - Google Patents
基于遗传算法的并联机器人分拣方法 Download PDFInfo
- Publication number
- CN114654463A CN114654463A CN202210247779.1A CN202210247779A CN114654463A CN 114654463 A CN114654463 A CN 114654463A CN 202210247779 A CN202210247779 A CN 202210247779A CN 114654463 A CN114654463 A CN 114654463A
- Authority
- CN
- China
- Prior art keywords
- sorting
- end effector
- genetic algorithm
- acceleration
- point
- 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.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 42
- 230000002068 genetic effect Effects 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 30
- 239000012636 effector Substances 0.000 claims abstract description 56
- 230000001133 acceleration Effects 0.000 claims abstract description 39
- 230000007704 transition Effects 0.000 claims abstract description 21
- 230000008859 change Effects 0.000 claims abstract description 18
- 238000012937 correction Methods 0.000 claims abstract description 7
- 210000000349 chromosome Anatomy 0.000 claims description 15
- 230000001174 ascending effect Effects 0.000 claims description 11
- 230000009471 action Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 235000019801 trisodium phosphate Nutrition 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- B25J9/1628—Programme controls characterised by the control loop
- B25J9/1651—Programme controls characterised by the control loop acceleration, rate control
-
- 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
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
-
- 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
- B25J9/1679—Programme controls characterised by the tasks executed
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Manipulator (AREA)
Abstract
本发明涉及一种基于遗传算法的并联机器人分拣方法,包括:设置末端执行器在抓取点与放置点之间的轨迹为半门型轨迹;采用多项式修正梯形加速度算法修正末端执行器的运动加速度变化;将末端执行器的分拣时序转化为分拣总路程,利用遗传算法优化分拣总路程;捕捉待分拣工件的位置,利用优化的分拣时序进行工件的抓取。上述基于遗传算法的并联机器人分拣方法,对末端执行器的运动轨迹进行规划,利用半门型轨迹,引入超椭圆过渡曲线,避免竖直方向到水平方向的速度与加速度突变,运行平稳。同时,引用多项式修正梯形加速度算法,其加加速度变化平稳,改善了末端执行器加速度突变的问题。在改进遗传算法下,有效缩短分拣总路程,提高分拣效率。
Description
技术领域
本发明涉及工业分拣技术领域,特别是涉及一种基于遗传算法的并联机器人分拣方法。
背景技术
汽车启动夹的构成分为两个部分,其中一部分带有圆孔,另一部分带有突起,需要将这两部分进行分拣进入下一工位,此类分拣传统使用人工分拣的方法,但是工作效率并不高,且会存在分拣错误,随着智能制造技术的发展,现阶段将机器人和机器视觉等技术引入工业生产中,逐步取代人工分拣,以提高生产效率。很多行业都开始将工业机器人作为企业的核心工作者。但传统的分拣方法多以随机分拣和固定纵向分拣为主。
但是,随着机器人的广泛应用,传统的分拣方法的分拣速度已经难以满足企业的需求,同时,在传送带的高速运行下,要求机器人也高速运行,在高速运作下,机器人会出现抓取精度降低、抖动剧烈、机械结构磨损较大等一系列问题,会破坏系统运行的稳定性,导致机器人的使用寿命减短。另外,机器人的分拣时序通常采用固定纵向顺序进行分拣工作,即并联机器人始终以传送带运行的方向,按顺序对工件进行分拣,分拣效率有待提高。
发明内容
基于此,有必要针对上述技术问题,提供一种运行较平稳、分拣效率较高的基于遗传算法的并联机器人分拣方法。
一种基于遗传算法的并联机器人分拣方法,所述方法包括:
设置末端执行器在抓取点与放置点之间的轨迹为半门型轨迹;
采用多项式修正梯形加速度算法修正末端执行器的运动加速度变化;
将末端执行器的分拣时序转化为分拣总路程,利用遗传算法优化所述分拣总路程,以缩短所述分拣总路程;
捕捉待分拣工件的位置,利用优化的分拣时序进行工件的抓取。
进一步的,所述设置末端执行器在抓取点与放置点之间的轨迹为半门型轨迹,包括:
将抓取点与放置点之间的轨迹分为上升段、上升与平面过渡段、平面段、平面与下降过渡段以及下降段;
所述上升段、平面段与下降段进行直线插值,上升与平面过渡段以及平面与下降过渡段进行圆弧插值,插值后连接形成所述半门型轨迹。
进一步的,所述多项式为高阶导数光滑连续的多项式。
进一步的,所述多项式的表达式为:
进一步的,所述将末端执行器的分拣时序转化为分拣总路程,包括:
将所述分拣时序转换成旅行商问题,将传送带上的工件和放置点视为两大城市群,末端执行器为旅行商,工件城市群在动态变化,末端执行器在两大城市群交替穿梭;
式中,v为传送带运动速度,表示末端执行器从放置点O点到工件Bi点的时间,表示工件从B′i到Bi的距离,表示末端执行器从O点到Bi点的距离,表示工件从B′i到Bi的时间,amax为并联机器人末端执行器的最大加速度。
进一步的,所述利用遗传算法优化所述分拣总路程,包括:
采用遗传算法将分拣总路程问题的参数编码成染色体,采用选择包括交叉和变异的方式运算,交换种群中染色体的信息,生成满足优化目标的最终染色体,即为最好的分拣时序。
上述基于遗传算法的并联机器人分拣方法,对末端执行器的运动轨迹进行规划,利用半门型轨迹,引入超椭圆过渡曲线,避免竖直方向到水平方向的速度与加速度突变,运行平稳,也减少末端执行器的运动轨迹路程。同时,引用多项式修正梯形加速度算法,其加加速度变化平稳,防止应加速度突变而引起的抖动,改善了末端执行器加速度突变的问题。在改进遗传算法下,将一个节拍的汽车启动夹进行抓取,对比传统分拣,有效缩短分拣总路程,提高分拣效率。
附图说明
图1为一个实施例的基于遗传算法的并联机器人分拣方法流程图;
图2为图1中实施例的分拣轨迹示意图;
图3为图1中实施例的分拣过程示意图;
图4为图1中实施例的遗传算法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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、完整地说明,显然,所描述的实施例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。
如图1所示,在一个实施例中,一种基于遗传算法的并联机器人分拣方法包括以下步骤:
步骤S110,设置末端执行器在抓取点与放置点之间的轨迹为半门型轨迹。在传送带的高速运行下,要求Delta并联机器人也高速运行,在外力和惯性力的作用下,会破坏系统运行的稳定性,减少机器人的寿命。为了保证平稳运行,将Delta并联机器人末端执行器的运动轨迹近似门形,引入超椭圆过渡曲线,实现竖直方向与水平方向之间的转变。参见图2,以右半部分为例,将抓取点与放置点之间的轨迹分为5部分,上升段P1-P2、上升与平面过渡段P2-P3、平面段P3-P4、平面与下降过渡段P4-P5以及下降段P4-P5。其中,P1-P2、P3-P4、P5-P6采用直线插值,P2-P3、P4-P5采用圆弧插值,插值后连接形成半门型轨迹,总的行程用St表示。
步骤S120,采用多项式修正梯形加速度算法修正末端执行器的运动加速度变化。引用了一种修正梯形加速度变化方法,具有较为快速的加速度特性,但四阶导数不连续,末端执行器的容易产生惯性冲击,使用高阶导数光滑连续的多项式作为过渡段来改正修正梯形加速度,减小振动和冲击,其规划如下:
式中,amax为并联机器人的末端执行器的最大加速度,t为加、减速度表达式的时间自变量,T为加、减速度阶段时间总和,S为末端执行器的位移。经过仿真实验可得到加加速度的变化平稳,可防止加速度突变而引起抖动。
步骤S130,将末端执行器的分拣时序转化为分拣总路程,利用遗传算法优化分拣总路程,以缩短分拣总路程。
如今大多采用的分拣时序相对单一,针对整体分拣路径进行优化,提高效率。寻求分拣的最短路径,此问题类似于旅行商(TSP)问题。将传送带上的工件和放置点视为两大城市群,末端执行器为旅行商,工件城市群在动态变化,末端执行器在两大城市群交替穿梭。很多关于TSP的问题都是针对静止的城市群分布进行规划,结合末端执行器的轨迹规划,利用改进遗传算法对动态工件分拣的路径进行规划。参见图3,以右部工件分拣为例,放置点O点为末端执行器起始位置,抓取顺序为O→Bi→Bi+1→Bi+2,在末端执行器抓取的过程中,传送带也保持着匀速运动状态,理想状况下,末端执行器与待抓取工件同时到达同一位置。当末端执行器在O点时,此时第i个工件位于坐标B′1处,第i+1个工件在B′i+1处,在抓取第i个工件时,末端执行器应和工件i同时到达B1处,当第i个工件抓取完成并放置,第i+1个工件位置由B″i+1变为B′i+1,末端执行器运动过程中,工件由B′i+1变为Bi+1,以此类推。工件的运动时间应和末端执行器的运动时间相等,即其中:
式中,v为传送带运动速度,表示末端执行器从O点到Bi点的时间,表示工件从B′i到Bi的距离,表示末端执行器从O点到Bi点的距离,表示工件从B′i到Bi的时间,amax为并联机器人末端执行器的最大加速度。
采用遗传算法,将分拣总路程问题的参数编码成染色体,采用选择交叉和变异等方式运算,交换种群中染色体的信息,生成满足优化目标的染色体。
如图4所示,工件被放置的点为编号O,将传送带上待分拣的工件进行编号(1-n),工件被抓取的位置为(B1-Bn),工件的初始位置由工业相机采集得到,将染色体定义为一个线性序列,随机排列一条路径编码(O→B1→O→B2→…→O→Bi→O),将编码中交替出现的编号O和B利用染色体分裂,按照奇偶分裂成两条编码,分别为(B1→B2→…→Bi)和O。
对于整体路径规划的目标函数为总时间最短,可转换为总路径最短,因此将分拣路径长度的倒数作为适应度函数,得到适应度函数为:
根据个体适应度值的大小,采用优胜劣汰的操作,产生新的群体,采用轮盘赌选择的方法,每个染色体适应度除以适应度的总和,作为每个染色体的选择概率;对两个相互配对的染色体相互交换部分基因,形成两个新个体;以较小的概率对个体编码串上的某些位值进行改变,形成新个体。
经过遗传算子改进后的群体,重复上述步骤,直到满足终止条件。在满足每个节拍计算的实时性条件下,采用达到预定的迭代次数为终止条件,输出合并后为最终染色体,即最好的分拣时序。
步骤S140,捕捉待分拣工件的位置,利用优化的分拣时序进行工件的抓取。采用改进的并联机器人末端执行器的轨迹,按照改进遗传算法优化的分拣时序,进行抓取工件,分拣经过的总路程会比传统分拣的路径有所缩短,效率有所提高。
上述基于遗传算法的并联机器人分拣方法,结合抓取的实际情况,对末端执行器的运动轨迹进行规划,为提高末端执行器的抓取效率,利用半门型轨迹,引入超椭圆过渡曲线,避免竖直方向到水平方向的速度与加速度突变,运行平稳,也减少末端执行器的运动轨迹路程。同时,引用多项式修正梯形加速度算法,其加加速度变化平稳,防止应加速度突变而引起的抖动,改善了末端执行器加速度突变的问题。
另外,对整体的分拣路径进行规划,将分拣时序问题转化为旅行商问题,传统的旅行商问题为旅行商在静态城市群穿梭的问题,将它引入到其中,成为旅行商在动态的城市群之间穿梭,提出基于改进遗传算法的分拣时序优化法。在改进遗传算法下,将一个节拍的汽车启动夹进行抓取,对比传统分拣,有效缩短分拣总路程,提高分拣效率。采用遗传算法将分拣时序进行设计优化,结合分拣轨迹和分拣时序进行实验验证,我们可以得到相较于常见的分拣策略,该方法能将机器人的分拣效率提高5%~10%,效果良好,也符合实际情况。
本发明与传统的分拣方法相对比,有效地缩短了分拣经过的总路径,提高分拣的效率,提高企业的生产力。采用改进的并联机器人末端执行器的轨迹,按照改进遗传算法优化的分拣时序,进行抓取工件的实验。设定传送带速度为50mm/s,一个节拍分拣数量为12,初始种群数为100,迭代次数200,结果如下表所示。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (6)
1.一种基于遗传算法的并联机器人分拣方法,其特征在于,所述方法包括:
设置末端执行器在抓取点与放置点之间的轨迹为半门型轨迹;
采用多项式修正梯形加速度算法修正末端执行器的运动加速度变化;
将末端执行器的分拣时序转化为分拣总路程,利用遗传算法优化所述分拣总路程,以缩短所述分拣总路程;
捕捉待分拣工件的位置,利用优化的分拣时序进行工件的抓取。
2.根据权利要求1所述的基于遗传算法的并联机器人分拣方法,其特征在于,所述设置末端执行器在抓取点与放置点之间的轨迹为半门型轨迹,包括:
将抓取点与放置点之间的轨迹分为上升段、上升与平面过渡段、平面段、平面与下降过渡段以及下降段;
所述上升段、平面段与下降段进行直线插值,上升与平面过渡段以及平面与下降过渡段进行圆弧插值,插值后连接形成所述半门型轨迹。
3.根据权利要求1所述的基于遗传算法的并联机器人分拣方法,其特征在于,所述多项式为高阶导数光滑连续的多项式。
6.根据权利要求5所述的基于遗传算法的并联机器人分拣方法,其特征在于,所述利用遗传算法优化所述分拣总路程,包括:
采用遗传算法将分拣总路程问题的参数编码成染色体,采用选择包括交叉和变异的方式运算,交换种群中染色体的信息,生成满足优化目标的最终染色体,即为最好的分拣时序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210247779.1A CN114654463A (zh) | 2022-03-14 | 2022-03-14 | 基于遗传算法的并联机器人分拣方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210247779.1A CN114654463A (zh) | 2022-03-14 | 2022-03-14 | 基于遗传算法的并联机器人分拣方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114654463A true CN114654463A (zh) | 2022-06-24 |
Family
ID=82029430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210247779.1A Pending CN114654463A (zh) | 2022-03-14 | 2022-03-14 | 基于遗传算法的并联机器人分拣方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114654463A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115922721A (zh) * | 2022-12-21 | 2023-04-07 | 北京工业大学 | 并联Delta机器人不同拾放高度的轨迹规划方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140297031A1 (en) * | 2013-03-28 | 2014-10-02 | Denso Wave Incorporated | Method of generating path of multiaxial robot and control apparatus for the multiaxial robot |
CN106598043A (zh) * | 2016-11-08 | 2017-04-26 | 中国科学院自动化研究所 | 面向多个动态目标的并联机器人高速拾取路径优化方法 |
CN107139173A (zh) * | 2017-06-15 | 2017-09-08 | 华南理工大学 | 一种工业机器人门型轨迹插补方法 |
CN110308699A (zh) * | 2019-04-28 | 2019-10-08 | 威海印刷机械有限公司 | 一种轨迹规划方法 |
CN112965397A (zh) * | 2021-02-18 | 2021-06-15 | 南京工程学院 | 一种基于模型的本地有线/远程无线硬件在环实时控制装置及方法 |
-
2022
- 2022-03-14 CN CN202210247779.1A patent/CN114654463A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140297031A1 (en) * | 2013-03-28 | 2014-10-02 | Denso Wave Incorporated | Method of generating path of multiaxial robot and control apparatus for the multiaxial robot |
CN106598043A (zh) * | 2016-11-08 | 2017-04-26 | 中国科学院自动化研究所 | 面向多个动态目标的并联机器人高速拾取路径优化方法 |
CN107139173A (zh) * | 2017-06-15 | 2017-09-08 | 华南理工大学 | 一种工业机器人门型轨迹插补方法 |
CN110308699A (zh) * | 2019-04-28 | 2019-10-08 | 威海印刷机械有限公司 | 一种轨迹规划方法 |
CN112965397A (zh) * | 2021-02-18 | 2021-06-15 | 南京工程学院 | 一种基于模型的本地有线/远程无线硬件在环实时控制装置及方法 |
Non-Patent Citations (2)
Title |
---|
FEIZE XIA等: "Sorting path optimization of parallel robot based on improved Genetic Algorithm", JOURNAL OF PHYSICS: CONFERENCE SERIES, no. 2121, pages 1 - 6 * |
王云飞;郎需林;张承瑞;张德辉: "高速并联机械手最优加减速控制算法研究", 机械设计与制造, no. 011, pages 85 - 88 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115922721A (zh) * | 2022-12-21 | 2023-04-07 | 北京工业大学 | 并联Delta机器人不同拾放高度的轨迹规划方法及系统 |
CN115922721B (zh) * | 2022-12-21 | 2024-05-24 | 北京工业大学 | 并联Delta机器人不同拾放高度的轨迹规划方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111113409B (zh) | 一种基于分步优化的多机器人多工位协作点焊规划方法 | |
CN111311077B (zh) | 一种基于天牛须搜索的粒子群算法求解柔性作业车间调度的方法 | |
CN106610654A (zh) | 针对柔性作业车间调度的改进遗传算法 | |
CN111325443A (zh) | 一种基于灾变机制的改进遗传算法求解柔性作业车间调度的方法 | |
CN114654463A (zh) | 基于遗传算法的并联机器人分拣方法 | |
CN106611230A (zh) | 结合关键工序的遗传局部搜索算法求解柔性作业车间调度 | |
CN107450498A (zh) | 基于改进人工蜂群算法的生产调度方法及系统 | |
CN110874697B (zh) | 一种带起重机的柔性车间调度方法及系统 | |
CN112257296A (zh) | 基于改进遗传算法的带有缓存约束的作业车间调度方法 | |
CN111798120A (zh) | 基于改进人工蜂群算法的柔性作业车间调度方法 | |
CN112070412A (zh) | 一种立体库多提升机的配置方案及任务调度方法 | |
CN101976308A (zh) | 一种非圆曲线工艺设计及数控加工方法 | |
JP2014184498A (ja) | 経路探索装置、移動体、経路探索方法及びプログラム | |
CN111382915A (zh) | 一种共融agv的柔性作业车间调度方法 | |
CN108015772B (zh) | 一种基于时间节拍的时基跳跃运动指令系统及算法 | |
CN117035364A (zh) | 基于改进混合模因算法的分布式异构流水车间调度方法 | |
CN113960971B (zh) | 一种基于行为决策网络粒子群优化的柔性车间调度方法 | |
CN109034540B (zh) | 一种基于在制品工序流的机床序列编排动态预测方法 | |
CN104772755A (zh) | 3-prs并联机构速度优化方法 | |
CN110135752A (zh) | 一种具有切换时间的成套订单的调度方法 | |
CN113821972A (zh) | 一种考虑能效的多机器人协同装配线平衡方法 | |
CN116604244A (zh) | 一种分步优化的白车身多机器人点焊作业路径规划方法 | |
JPH11235646A (ja) | 加工工程の決定方法 | |
CN116757411A (zh) | 一种面向航天复杂构件的双资源柔性作业车间调度方法 | |
CN117077975A (zh) | 基于混合初始化模因算法的分布式异构流水车间调度方法 |
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 |