CN115713028A - 一种外骨骼动力辅助模型的优化方法 - Google Patents

一种外骨骼动力辅助模型的优化方法 Download PDF

Info

Publication number
CN115713028A
CN115713028A CN202211350311.1A CN202211350311A CN115713028A CN 115713028 A CN115713028 A CN 115713028A CN 202211350311 A CN202211350311 A CN 202211350311A CN 115713028 A CN115713028 A CN 115713028A
Authority
CN
China
Prior art keywords
population
algorithm
exoskeleton
optimization
model
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
Application number
CN202211350311.1A
Other languages
English (en)
Inventor
柳明贤
于虹
李继标
李凯
和学坤
和秦丽
和德刚
和润军
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.)
Lijiang Power Supply Bureau of Yunnan Power Grid Co Ltd)
Original Assignee
Lijiang Power Supply Bureau of Yunnan Power Grid Co Ltd)
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 Lijiang Power Supply Bureau of Yunnan Power Grid Co Ltd) filed Critical Lijiang Power Supply Bureau of Yunnan Power Grid Co Ltd)
Priority to CN202211350311.1A priority Critical patent/CN115713028A/zh
Publication of CN115713028A publication Critical patent/CN115713028A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例提供的一种外骨骼动力辅助模型的优化方法，包括：基于正运动学原理和MDH法构建出六自由度工业上肢外骨骼的多目标动力辅助优化模型；基于所述多目标动力辅助优化模型，采用基于种群分级、精英反向学习和遗传变异的改进金枪鱼优化算法对人体关节实际参数进行仿真实验，将所述改进金枪鱼优化算法与前沿智能算法进行横向对比，得到所述多目标动力辅助优化模型和所述改进金枪鱼优化算法对于解决外骨骼动力辅助问题的验证结果，进而提高外骨骼装置的性能，增大了装置的有效作业空间。

Description

一种外骨骼动力辅助模型的优化方法
技术领域
本申请涉及工业生产及外骨骼机器人动力辅助领域，尤其涉及一种外骨骼动力辅助模型的优化方法。
背景技术
外骨骼装置是一种可穿戴式的机电智能机器人。相较于军事、医疗康复等领域，外骨骼在工业方面的应用仍处于研发、商业化的初期。
现有的工业外骨骼借助其上的传感器、动力驱动装置以及刚性柔性等机械结构，可以为人员体力劳动提供助力、增加作业人员的力量和耐力，并可以辅助人员完成特定作业动作，进而提升使用者的生产或者作业效率。
但是在传统电网运维工作中，由于涉及大量重复性、长时间及高负荷的作业场景，由于外骨骼装置自重较大性能较弱，故对运维人员的身体素质要求较大；基于工业外骨骼装置的尺寸结构及性能等约束，装置有效作业空间较小，且运维作业危险系数高、专业性强，而人员的专业素养和安全意识不一，任何操作上的疏漏都容易导致安全事故的发生。
发明内容
本申请实施例提供了一种外骨骼动力辅助模型的优化方法，以解决现有外骨骼装置性能较弱、有效作业空间较小的技术问题。
本申请提供一种外骨骼动力辅助模型的优化方法，包括：
基于正运动学原理和MDH法构建出六自由度工业上肢外骨骼的多目标动力辅助优化模型；
基于所述多目标动力辅助优化模型，采用基于种群分级、精英反向学习和遗传变异的改进金枪鱼优化算法对人体关节实际参数进行仿真实验，将所述改进金枪鱼优化算法与前沿智能算法进行横向对比，得到所述多目标动力辅助优化模型和所述改进金枪鱼优化算法对于解决外骨骼动力辅助问题的验证结果。
在一些实施例中，构建所述多目标动力辅助优化模型的方法包括：
上肢外骨骼MDH模型的建立与分析，采用正向运动学方法进行计算，接着基于Matlab工具箱验证其正运动学解的正确性，利用MATLAB软件建立上肢外骨骼可视化模型；
基于上肢外骨骼可视化模型对外骨骼装置工作空间进行分析。
在一些实施例中，所述外对外骨骼装置工作空间进行分析的步骤包括：
工作空间分析；
构建外骨骼动力辅助优化模型；
约束条件分析。
在一些实施例中，所述约束条件分析包括：杆长限制、关节角度限制、外骨骼重量约束。
在一些实施例中，所述改进金枪鱼优化算法包括：
传统金枪鱼优化算法；
基于种群分级、精英反向学习和遗传变异的金枪鱼优化算法。
在一些实施例中，所述传统金枪鱼优化算法包括：
螺旋觅食算法；
抛物线觅食算法。
在一些实施例中，所述基于种群分级、精英反向学习和遗传变异的金枪鱼优化算法包括：
基于Tent混沌映射机制对种群进行初始化；
引入种群分级机制将金枪鱼种群根据适应度大小分为精英种群和劣势种群；
基于精英种群，采用精英反向学习策略来扩大优势个体的开发全面性，通过构造当前精英个体的反向个体来增加种群多样性，并保留其中适应度更大的个体作为新一代种群个体；
基于劣势种群，采用遗传算法中的交叉变异算子对其进行扰动，使算法更易跳出局部最优，加强算法后期搜索能力。
在一些实施例中，所述改进金枪鱼优化算法包括：
基于初始化参数，利用所述Tent混沌映射机制初始化种群，更新参数；
若rand＜0.5成立，则继续执行算法，否则执行所述抛物线觅食算法更新种群；
若t/T＜rand成立，参数则跟随参考点执行所述螺旋觅食算法，否则跟随最优解执行所述螺旋觅食算法然后执行种群分级机制，其中，t为种群当前迭代次数，T为种群最大迭代次数；
若fiti＞fitaverage成立，则判定为精英种群，进行精英反向学习，根据适应度值择优保留，否则判定为劣势种群，进行交叉变异操作，根据适应度值择优保留，其中fiti为种群的适合度，fitaverage为所有种群的平均适合度；
若种群达到最大迭代次数则算法结束，否则转到rand＜0.5。
在一些实施例中，所述前沿智能算法包括：
粒子群算法(PSO)、遗传算法(GA)、灰狼算法(GWO)、白鲸优化算法(BWO)、算术优化算法(AOA)。
在一些实施例中，所述仿真实验是利用Matlab软件进行的。
本申请实施例提供的一种外骨骼动力辅助模型的优化方法，包括：基于正运动学原理和MDH法构建出六自由度工业上肢外骨骼的多目标动力辅助优化模型；基于所述多目标动力辅助优化模型，采用基于种群分级、精英反向学习和遗传变异的改进金枪鱼优化算法对人体关节实际参数进行仿真实验，将所述改进金枪鱼优化算法与前沿智能算法进行横向对比，得到所述多目标动力辅助优化模型和所述改进金枪鱼优化算法对于解决外骨骼动力辅助问题的验证结果，进而提高外骨骼装置的性能，增大了装置的有效作业空间。
附图说明
图1为本申请实施例提供的优化方法的流程图；
图2为本申请实施例提供的运维上肢外骨骼物理模型示意图；
图3为本申请实施例提供的运维上肢外骨骼DH坐标系示意图；
图4为本申请实施例提供的运维上肢外骨骼可视化模型示意图；
图5为本申请实施例提供的运维上肢外骨骼工作空间一种角度下的示意图；
图6为本申请实施例提供的运维上肢外骨骼工作空间在XY平面上的投影示意图；
图7为本申请实施例提供的运维上肢外骨骼工作空间在YZ平面上的投影示意图；
图8为本申请实施例提供的运维上肢外骨骼工作空间在XY平面上的投影示意图；
图9为本申请实施例提供的运维上肢外骨骼工作空间投影面分析示意图；
图10为本申请实施例提供的种群分级机制示意图；
图11为本申请实施例提供的改进金枪鱼优化算法总体流程图；
图12为本申请实施例提供的权重比在6:4情况下算法的平均适应度迭代曲线示意图；
图13为本申请实施例提供的权重比在5:5情况下算法的平均适应度迭代曲线示意图；
图14为本申请实施例提供的权重比在4:6情况下算法的平均适应度迭代曲线示意图；
图15为本申请实施例提供的权重比在3:7情况下算法的平均适应度迭代曲线示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，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，所描述的实施例仅仅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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
由于在一些技术中，由于外骨骼装置自重较大性能较弱，故对运维人员的身体素质要求较高；基于工业外骨骼装置的尺寸结构及性能等约束，装置有效作业空间较小，且运维作业危险系数高、专业性强，而人员的专业素养和安全意识不一，任何操作上的疏漏都容易导致安全事故的发生，为了解决该技术问题，本申请提供了一种外骨骼动力辅助模型的优化方法，下面对该方法进行说明：
由图1可知，本申请提供的一种外骨骼动力辅助模型的优化方法，包括：
S110，基于正运动学原理和MDH法构建出六自由度工业上肢外骨骼的多目标动力辅助优化模型；所述六自由度工业上肢外骨骼为6轴串联式可穿戴机器人装置，具有2个带伺服电机动力自由度和4个欠驱动自由度，六个自由度均为旋转自由度。
S120，基于所述多目标动力辅助优化模型，采用基于种群分级、精英反向学习和遗传变异的改进金枪鱼优化算法对人体关节实际参数进行仿真实验，将所述改进金枪鱼优化算法与前沿智能算法进行横向对比，得到所述多目标动力辅助优化模型和所述改进金枪鱼优化算法对于解决外骨骼动力辅助问题的验证结果。
本申请实施例提供的一种外骨骼动力辅助模型的优化方法，包括：基于正运动学原理和MDH法构建出六自由度工业上肢外骨骼的多目标动力辅助优化模型；基于所述多目标动力辅助优化模型，采用基于种群分级、精英反向学习和遗传变异的改进金枪鱼优化算法对人体关节实际参数进行仿真实验，将所述改进金枪鱼优化算法与前沿智能算法进行横向对比，得到所述多目标动力辅助优化模型和所述改进金枪鱼优化算法对于解决外骨骼动力辅助问题的验证结果，进而提高外骨骼装置的性能，增大了装置的有效作业空间。
由图2至图9可知，构建所述多目标动力辅助优化模型的方法包括：
上肢外骨骼MDH模型的建立与分析，采用正向运动学方法进行计算，接着基于Matlab工具箱验证其正运动学解的正确性，利用Matlab软件建立上肢外骨骼可视化模型如图2所示；其中，所述MDH方法是由Craig提出的一种改进的DH连杆坐标系方法，而且MDH方法作为惯例被使用于外骨骼和机械臂等模型的运动学分析中，即由连杆组成的串联机器人通过坐标变换形成了它的运动学方程；Matlab软件也被广泛应用于动力学和运动学研究中；
基于上肢外骨骼可视化模型对外骨骼装置工作空间进行分析，工作空间是指外骨骼末端所能到达位置的集合，如图9所示，该外骨骼装置的工作空间主要受H2，L2，L3三个参数所影响。
在该实施例中，采用正向运动学方法进行计算，所述正向运动学是指采用一个机器人的运动方程，以从该关节参数指定的值计算所述端部执行器的位置；MDH方法是由Craig提出的一种改进的DH连杆坐标系方法，其以连杆前端关节作为固连坐标系；由于外骨骼装置左右臂对称，故本实施例只需对其中机械手臂的一侧进行分析；采用MDH方法建立其连杆坐标系，如图3所示，图中X1正方向指向平面外，Y2、Y3指向平面内。得到对应的D-H参数见下表。
Figure BDA0003918602680000051
在该实施例中，根据坐标系变换链式法则，从第i-1个坐标系到第i坐标系的变换矩阵可写为：
Figure BDA0003918602680000052
则该外骨骼装置相邻坐标系间的齐次变换矩阵为：
Figure BDA0003918602680000053
Figure BDA0003918602680000054
Figure BDA0003918602680000061
其中si表示sinθi；ci表示cosθi(i＝1,2,3)。
从而该装置的总齐次变换矩阵为：
Figure BDA0003918602680000062
其中P＝(px,py,pz)即为上肢外骨骼装置末端的位置向量。联立解得：
px＝H2 cosθ1 cosθ2-L3 sinθ1-L2 sinθ1
py＝L2 cosθ1+L3 cosθ1+H2 cosθ2 sinθ1
pz＝-H2 sinθ2
接着基于Matlab工具箱验证其正运动学解的正确性，利用Matlab工具箱建立上肢外骨骼可视化模型，其中设定初始关节角度参数θi为(0,0,0)，如图4所示此时上肢外骨骼为向前平举状态，与所建立的连杆坐标系相符合，验证了所建模型的正确性。
在该实施例中，所述外对外骨骼装置工作空间进行分析的步骤包括：
工作空间分析,首先利用Matlab基于蒙特卡洛算法求解出运维外骨骼装置单臂的工作空间。蒙特卡洛法是一种通过随机取样的方式来解决数学问题的方法，取得的样本可较好反映该装置末端可到达的区域。将H2，L2，L3三个参数的初始值设置为(150，200，250)mm；由于关节转动角度范围有限，故令θ1∈[-90°,90°]，θ2∈[-90°,90°]，θ3∈[0°,180°]。取随机数列N＝20000，得到该外骨骼装置工作空间及其各坐标面上的投影图如图5至图8所示；
在该实施例中，蒙特卡洛方法，也称统计模拟方法，是二十世纪四十年代中期由于科学技术的发展和电子计算机的发明，而被提出的一种以概率统计理论为指导的一类非常重要的数值计算方法。是指使用随机数(或更常见的伪随机数)来解决很多计算问题的方法。与它对应的是确定性算法。蒙特卡洛方法在金融工程学，宏观经济学，计算物理学(如粒子输运计算、量子热力学计算、空气动力学计算)等领域应用广泛。
构建外骨骼动力辅助优化模型，首先利用图解法对外骨骼的工作空间在XoY面上的投影进行分析，如图9所示，投影区域被划分为三个部分，其中A3为两臂工作空间的重合部分。为了优化外骨骼装置的工作空间，则需要求解出各杆长的最优参数，以使得工作空间的边界曲线范围最大。同时考虑到非必要的工作区域，应尽量减少两臂工作空间范围的重合部分，因此外骨骼动力辅助模型的有效工作空间的目标函数为：
max Z1＝2[S(A1)+S(A2)]
min Z2＝S(A3)
该数学模型为多目标优化模型，其中S为上肢外骨骼两肩间距，从而有：
Figure BDA0003918602680000071
Figure BDA0003918602680000072
Figure BDA0003918602680000073
Figure BDA0003918602680000074
式中各参数均由图9可见，由于工作空间中部分图形面积较难直接计算求得，因此可对其中部分图形做必要简化，从而有：
Figure BDA0003918602680000075
S(A2)＝π(R-r)2/4
S(A3)＝(2R-S)
×(R sinγ-Rsinβ)/2
为简化计算，通过引入权重值ω1与ω2(ω1+ω2＝1)，将多目标模型转化为单目标优化模型，因此总目标函数为：
maxZ＝2ω1[S(A1)+S(A2)]-ω2S(A3)
约束条件分析，确定模型中的约束条件，并根据约束条件将参数的范围进行限定。
在该实施例中，所述约束条件分析包括：杆长限制、关节角度限制、外骨骼重量约束。
在该实施例中，从杆长限制考虑到人体各关节实际结构及长度比例，外骨骼各连杆长度应有一定限制，从而外骨骼各连杆长度限制为：
0≤H2≤200(mm)，0≤L2≤400(mm)，0≤L3≤400(mm)；
从关节角度考虑由于人体上肢关节转动角度有限，该外骨骼双臂自然下垂，因此分析外骨骼工作空间时，将关节转角限制为：
θ1∈[-90°，90°]，θ2∈[-90°，90°]，θ3∈[0°，180°]；
从外骨骼重量考虑，考虑到工业外骨骼的动力辅助作用，为实现有效助力，系统各部分自重应尽量小，因此各连杆的总长度应当有一定限制，限制关系为：
0≤H2+L2+L3≤800(mm)。
在该实施例中，所述改进金枪鱼优化算法包括：
传统金枪鱼优化算法，金枪鱼优化算法是由Lei Xie等人于2021年提出的一种新型群体智能优化算法，其通过模拟金枪鱼群的追捕猎物行为来寻找问题的最优解。
基于种群分级、精英反向学习和遗传变异的金枪鱼优化算法，传统金枪鱼优化算法中，初始种群由随机初始化产生，金枪鱼个体i的位置更新受全局最优解和个体i+1的影响较大，且算法全局搜索能力会随着迭代次数的增加而减弱，由此导致了初始种群分布不均、算法全局寻优能力较弱、易陷入局部最优等问题。针对以上问题，本文引入了Tent混沌映射、种群分级机制、精英反向学习策略和遗传变异算子对算法进行改进，以提高初始种群多样性、提升算法全局寻优能力，使其能够快速跳出局部最优。
在该实施例中，所述传统金枪鱼优化算法包括：
螺旋觅食算法，金枪鱼群以螺旋阵型对猎物鱼群进行包围追捕，同时金枪鱼之间会相互交流信息，每条金枪鱼个体会跟随在前一条金枪鱼个体之后。在算法搜索初期，金枪鱼个体通过在搜索空间内随机产生一个位置作为自己螺旋更新的参考点；而随着迭代次数的增加，参考点从随机位置逐渐过渡到最优金枪鱼个体，以此完成算法从全局搜索到局部寻优的过渡。
基于螺旋觅食策略的个体i位置更新公式如下式所示。
Figure BDA0003918602680000081
Figure BDA0003918602680000082
Figure BDA0003918602680000083
β＝eb·l·cos(2πb)
l＝e3cos{[((T+1)/t-1]π}
其中，t为当前迭代次数，T为最大迭代次数，α1和α2为个体移动趋势的权重系数，a为表示初始阶段跟随程度的常数，b为(0，1)间的随机数。
抛物线觅食算法，除螺旋觅食外，金枪鱼群还有抛物线觅食策略，两种觅食方式的选择概率相同。以抛物线阵型合作觅食，此时金枪鱼以猎物鱼群为参照形成抛物线阵型，同时还会在周围区域搜索猎物。基于抛物线觅食策略的个体i位置更新公式如下式所示。
Figure BDA0003918602680000091
Figure BDA0003918602680000092
其中r是值为-1或1的随机数。
在该实施例中，所述基于种群分级、精英反向学习和遗传变异的金枪鱼优化算法包括：
基于Tent混沌映射机制对种群进行初始化，传统金枪鱼算法采用在搜索范围内随机初始化的方式生成初始种群，容易导致个体多样性较低，在迭代优化过程中易陷入局部最优。本文基于Tent混沌映射机制对种群进行初始化，扩大种群多样性，以得到高质量的初始可行解。基于Tent混沌映射的种群初始化定义如下：
Figure BDA0003918602680000093
引入种群分级机制将金枪鱼种群根据适应度大小分为精英种群和劣势种群在传统金枪鱼优化迭代后期，各个体由于更大程度上跟随全局最优解进行螺旋觅食，导致算法后期全局搜索能力衰弱，易陷入停滞。针对此问题本文引入种群分级机制，将金枪鱼种群根据适应度大小分为精英种群和劣势种群，并针对不同种群采用不同的扰动方法。根据精英个体包含更多适应度有效信息这一特点，在精英种群中采用精英反向学习策略来扩大优势个体的开发全面性，通过构造当前精英个体的反向个体来增加种群多样性，并保留其中适应度更大的个体作为新一代种群个体，其中反向个体的构造如下式所示：
Figure BDA0003918602680000094
而针对劣势种群，则采用遗传算法中的交叉变异算子对其进行扰动，使算法更易跳出局部最优，加强算法后期搜索能力。其中每个个体选择交叉和变异操作的概率相同，基于贪婪算法思想将操作后的个体适应度值与操作前的进行比对，保留适应度较大的个体加入新一代种群，种群分级机制示意图如图10所示。
基于精英种群，采用精英反向学习策略来扩大优势个体的开发全面性，通过构造当前精英个体的反向个体来增加种群多样性，并保留其中适应度更大的个体作为新一代种群个体；
基于劣势种群，采用遗传算法中的交叉变异算子对其进行扰动，使算法更易跳出局部最优，加强算法后期搜索能力。
由图11可知，所述改进金枪鱼优化算法包括：
基于初始化参数，利用所述Tent混沌映射机制初始化种群，更新参数；
若rand＜0.5成立，则继续执行算法，否则执行所述抛物线觅食算法更新种群；
若t/T＜rand成立，参数则跟随参考点执行所述螺旋觅食算法，否则跟随最优解执行所述螺旋觅食算法然后执行种群分级机制，其中，t为种群当前迭代次数，T为种群最大迭代次数；
若fiti＞fitaverage成立，则判定为精英种群，进行精英反向学习，根据适应度值择优保留，否则判定为劣势种群，进行交叉变异操作，根据适应度值择优保留，其中fiti为种群的适合度，fitaverage为所有种群的平均适合度；
若种群达到最大迭代次数则算法结束，否则转到rand＜0.5。
在该实施例中，所述前沿智能算法包括：粒子群算法(PSO)、遗传算法(GA)、灰狼算法(GWO)、白鲸优化算法(BWO)、算术优化算法(AOA)。
在该实施例中，所述仿真实验是利用Matlab软件进行的。
基于人体实际运动学参数，利用Matlab软件进行仿真求解，其中算法参数设置为：种群个体数100，最大迭代次数1000，交叉率0.8，变异率0.1，粒子学习率1.5，外骨骼装置肩宽S设置为500mm。将各算法在权重比ω1:ω2分别为6:4，5:5，4:6，3:7的四组条件下各运行50次。如图12至图15所示分别给出了六种算法在四组权重比条件下运行的平均适应度值迭代曲线对比，可见本文所设计的改进金枪鱼算法(ITSO)较其他算法有着出色的全局搜索能力和收敛速度。
各算法求解得到的外骨骼动力辅助模型的最优参数方案以及对应的工作空间面积如下表所示，结果显示当ω1:ω2＝6:4时H2，L2，L3三个参数的最优解为(0，400，400)mm，此时工作空间投影面积为2.0512×106mm；当ω1:ω2＝5:5时最优解为(0，400，400)mm，此时工作空间投影面积为2.0512×106mm；当ω1:ω2＝4:6时最优解为(0.0118，399.9882，400)mm，此时工作空间投影面积为2.0511×106mm；当ω1:ω2＝3:7时最优解为(126.9221，273.0779，400)mm，此时工作空间投影面积为1.5264×106mm。
下表为各算法所得最优参数方案及对应工作空间面积在ω1:ω2＝6:4时各参数情况：
Figure BDA0003918602680000101
下表为各算法所得最优参数方案及对应工作空间面积在ω1:ω2＝5:5时各参数情况：
Figure BDA0003918602680000111
下表为各算法所得最优参数方案及对应工作空间面积在ω1:ω2＝4:6时各参数情况：
Figure BDA0003918602680000112
下表为各算法所得最优参数方案及对应工作空间面积在ω1:ω2＝3:7时各参数情况：
Figure BDA0003918602680000113
由以上结果可见，本文所设计的改进金枪鱼优化算法(ITSO)与其他智能算法相比，在寻优能力和收敛速度上都具有较好表现。在迭代搜索的整个过程中，ITSO的各项性能指标都具有较好表现，且其求解精度明显高于其他同类优化算法，由此验证了该算法的可行性和适用性。
可以理解的是，将动力外骨骼装置应用于电网运维工作中，较传统作业方式有更高的作业效率及更可靠的安全保障性，可有效弥补人体机能的不足，协助人员完成运维作业。本实施例以运维上肢外骨骼动力辅助模型为研究对象，提出一种上肢外骨骼动力辅助模型的优化方法。根据上肢外骨骼装置实际物理结构及参数约束，基于正运动学法推导出其连杆模型，进一步建立了工作空间的多目标优化模型。最后针对所建模型设计了一种改进金枪鱼算法对其进行求解，并与PSO、GWO、BWO、AOA等智能算法进行仿真对比，验证了本文设计算法的有效性和鲁棒性，所述算法的鲁棒性为所述算法在其特性或参数发生摄动时仍可使品质指标保持不变的性能。
以上的具体实施方式，对本申请实施例的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本申请实施例的具体实施方式而已，并不用于限定本申请实施例的保护范围，凡在本申请实施例的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本申请实施例的保护范围之内。

Claims (10)

1.一种外骨骼动力辅助模型的优化方法，其特征在于，包括：
基于正运动学原理和MDH法构建出六自由度工业上肢外骨骼的多目标动力辅助优化模型；
基于所述多目标动力辅助优化模型，采用基于种群分级、精英反向学习和遗传变异的改进金枪鱼优化算法对人体关节实际参数进行仿真实验，将所述改进金枪鱼优化算法与前沿智能算法进行横向对比，得到所述多目标动力辅助优化模型和所述改进金枪鱼优化算法对于解决外骨骼动力辅助问题的验证结果。
2.根据权利要求1所述的一种外骨骼动力辅助模型的优化方法，其特征在于，构建所述多目标动力辅助优化模型的方法包括：
上肢外骨骼MDH模型的建立与分析，采用正向运动学方法进行计算，接着基于Matlab工具箱验证其正运动学解的正确性，利用MATLAB软件建立上肢外骨骼可视化模型；
基于上肢外骨骼可视化模型对外骨骼装置工作空间进行分析。
3.根据权利要求2所述的一种外骨骼动力辅助模型的优化方法，其特征在于，所述外对外骨骼装置工作空间进行分析的步骤包括：
工作空间分析；
构建外骨骼动力辅助优化模型；
约束条件分析。
4.根据权利要求3所述的一种外骨骼动力辅助模型的优化方法，其特征在于，所述约束条件分析包括：杆长限制、关节角度限制、外骨骼重量约束。
5.根据权利要求1所述的一种外骨骼动力辅助模型的优化方法，其特征在于，所述改进金枪鱼优化算法包括：
传统金枪鱼优化算法；
基于种群分级、精英反向学习和遗传变异的金枪鱼优化算法。
6.根据权利要求5所述的一种外骨骼动力辅助模型的优化方法，其特征在于，所述传统金枪鱼优化算法包括：
螺旋觅食算法；
抛物线觅食算法。
7.根据权利要求1所述的一种外骨骼动力辅助模型的优化方法，其特征在于，所述基于种群分级、精英反向学习和遗传变异的金枪鱼优化算法包括：
基于Tent混沌映射机制对种群进行初始化；
引入种群分级机制将金枪鱼种群根据适应度大小分为精英种群和劣势种群；
基于精英种群，采用精英反向学习策略来扩大优势个体的开发全面性，通过构造当前精英个体的反向个体来增加种群多样性，并保留其中适应度更大的个体作为新一代种群个体；
基于劣势种群，采用遗传算法中的交叉变异算子对其进行扰动，使算法更易跳出局部最优，加强算法后期搜索能力。
8.根据权利要求1所述的一种外骨骼动力辅助模型的优化方法，其特征在于，所述改进金枪鱼优化算法包括：
基于初始化参数，利用所述Tent混沌映射机制初始化种群，更新参数；
若rand＜0.5成立，则继续执行算法，否则执行所述抛物线觅食算法更新种群；
若t/T＜rand成立，参数则跟随参考点执行所述螺旋觅食算法，否则跟随最优解执行所述螺旋觅食算法然后执行种群分级机制，其中，t为种群当前迭代次数，T为种群最大迭代次数；
若fiti＞fitaverage成立，则判定为精英种群，进行精英反向学习，根据适应度值择优保留，否则判定为劣势种群，进行交叉变异操作，根据适应度值择优保留，其中fiti为种群的适合度，fitaverage为所有种群的平均适合度；
若种群达到最大迭代次数则算法结束，否则转到rand＜0.5。
9.根据权利要求1所述的一种外骨骼动力辅助模型的优化方法，其特征在于，所述前沿智能算法包括：
粒子群算法(PSO)、遗传算法(GA)、灰狼算法(GWO)、白鲸优化算法(BWO)、算术优化算法(AOA)。
10.根据权利要求1所述的一种外骨骼动力辅助模型的优化方法，其特征在于，所述仿真实验是利用Matlab软件进行的。
CN202211350311.1A 2022-10-31 2022-10-31 一种外骨骼动力辅助模型的优化方法 Pending CN115713028A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211350311.1A CN115713028A (zh) 2022-10-31 2022-10-31 一种外骨骼动力辅助模型的优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211350311.1A CN115713028A (zh) 2022-10-31 2022-10-31 一种外骨骼动力辅助模型的优化方法

Publications (1)

Publication Number Publication Date
CN115713028A true CN115713028A (zh) 2023-02-24

Family

ID=85231813

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211350311.1A Pending CN115713028A (zh) 2022-10-31 2022-10-31 一种外骨骼动力辅助模型的优化方法

Country Status (1)

Country Link
CN (1) CN115713028A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116187586A (zh) * 2023-04-24 2023-05-30 山东大学 一种综合能源系统的分布式规划求解方法及系统
CN116294286A (zh) * 2023-03-21 2023-06-23 淮阴工学院 一种新型化工企业废水回收的高效制冷调节器

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116294286A (zh) * 2023-03-21 2023-06-23 淮阴工学院 一种新型化工企业废水回收的高效制冷调节器
CN116294286B (zh) * 2023-03-21 2023-10-20 淮阴工学院 一种化工企业废水回收的高效制冷调节器
CN116187586A (zh) * 2023-04-24 2023-05-30 山东大学 一种综合能源系统的分布式规划求解方法及系统
CN116187586B (zh) * 2023-04-24 2023-07-21 山东大学 一种综合能源系统的分布式规划求解方法及系统

Similar Documents

Publication Publication Date Title
CN115713028A (zh) 一种外骨骼动力辅助模型的优化方法
Dereli et al. A meta-heuristic proposal for inverse kinematics solution of 7-DOF serial robotic manipulator: quantum behaved particle swarm algorithm
CN105956297B (zh) 一种冗余机器人运动灵活性能综合评价与优化方法
Köker Reliability-based approach to the inverse kinematics solution of robots using Elman's networks
CN113050640B (zh) 一种基于生成对抗网络的工业机器人路径规划方法和系统
CN112330719B (zh) 基于特征图分割和自适应融合的深度学习目标跟踪方法
CN109344477B (zh) 一种6自由度机械臂逆运动学求解方法
CN112605973A (zh) 一种机器人运动技能学习方法及系统
CN107685343A (zh) 一种机械臂运动学参数标定构型优化方法
Cao et al. Efficient grasp detection network with Gaussian-based grasp representation for robotic manipulation
CN104678766A (zh) 仿人机械臂飞行球体作业最优击球构型一种求取方法
Zhang et al. A heuristic tomato-bunch harvest manipulator path planning method based on a 3D-CNN-based position posture map and rapidly-exploring random tree
Zhao et al. Efficient inverse kinematics for redundant manipulators with collision avoidance in dynamic scenes
CN113011081B (zh) 一种基于元学习的无人机导航方法
CN114211490B (zh) 一种基于Transformer模型的机械臂抓手位姿预测方法
Cortes et al. Imitation learning based soft robotic grasping control without precise estimation of target posture
Driscoll Comparison of neural network architectures for the modeling of robot inverse kinematics
Chen et al. Dynamic gesture design and recognition for human-robot collaboration with convolutional neural networks
Li et al. Robotic Scene Segmentation with Memory Network for Runtime Surgical Context Inference
Jain et al. A neuro-symbolic approach for multimodal reference expression comprehension
Tan Applying an extension of estimation of distribution algorithm (EDA) for mobile robots to learn motion patterns from demonstration
Huang et al. Real-time Obstacle Avoidance in Robotic Manipulation Using Imitation Learning
Ho et al. Automating the learning of inverse kinematics for robotic arms with redundant dofs
Wu et al. Review of Modeling and Control Methods of Soft Robots Based on Machine Learning
Wang Continuum robot path planning based on improved genetic algorithm

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