CN117532625B - 焊接机器人的路径优化方法及系统 - Google Patents
焊接机器人的路径优化方法及系统 Download PDFInfo
- Publication number
- CN117532625B CN117532625B CN202410036340.3A CN202410036340A CN117532625B CN 117532625 B CN117532625 B CN 117532625B CN 202410036340 A CN202410036340 A CN 202410036340A CN 117532625 B CN117532625 B CN 117532625B
- Authority
- CN
- China
- Prior art keywords
- welding
- target
- robot
- pose
- optimization
- 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
- 238000003466 welding Methods 0.000 title claims abstract description 558
- 238000005457 optimization Methods 0.000 title claims abstract description 304
- 238000000034 method Methods 0.000 title claims abstract description 77
- 239000002245 particle Substances 0.000 claims abstract description 286
- 230000008859 change Effects 0.000 claims abstract description 127
- 230000007613 environmental effect Effects 0.000 claims abstract description 80
- 238000004458 analytical method Methods 0.000 claims abstract description 40
- 238000012544 monitoring process Methods 0.000 claims abstract description 34
- 230000004927 fusion Effects 0.000 claims abstract description 33
- 238000004364 calculation method Methods 0.000 claims abstract description 26
- 238000002347 injection Methods 0.000 claims abstract description 14
- 239000007924 injection Substances 0.000 claims abstract description 14
- 238000013507 mapping Methods 0.000 claims abstract description 12
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 27
- 230000009466 transformation Effects 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 13
- 238000013433 optimization analysis Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 42
- 230000006870 function Effects 0.000 description 26
- 239000000243 solution Substances 0.000 description 7
- 230000007547 defect Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002513 implantation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012932 thermodynamic analysis Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K31/00—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups
- B23K31/02—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups relating to soldering or welding
-
- 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
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Robotics (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Manipulator (AREA)
Abstract
本申请涉及人工智能技术领域,公开了一种焊接机器人的路径优化方法及系统。所述方法包括:创建目标焊接机器人的多个第一焊接路径优化粒子;进行位姿变化计算并进行粒子权重更新,得到多个第二焊接路径优化粒子;进行环境变化监测并进行粒子注入分析,得到多个目标焊接路径优化粒子;进行全局优化结果关联,得到全局优化结果;进行像素坐标映射和机器人焊接执行位置估计,得到目标机器人焊接执行位置;进行位姿估计和位姿融合,得到目标机器人焊接执行位姿,并根据目标机器人焊接执行位置和目标机器人焊接执行位姿生成目标焊接机器人的目标焊接执行策略,本申请提高了焊接机器人的路径优化准确率。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种焊接机器人的路径优化方法及系统。
背景技术
传统的焊接路径优化方法通常基于预定义的路径,这会导致焊接过程中的不必要的停顿和多余的焊接时间,从而影响生产效率。此外,焊接过程中环境因素的变化,如工件形状、材料特性以及焊接温度等,也经常引起焊接质量不稳定的问题。其次,现有的焊接路径优化方法往往没有充分考虑机器人的位姿和速度调整,导致焊接过程中出现碰撞或者焊接不均匀的情况。这些问题不仅会影响焊接质量,还损坏焊接设备。焊接机器人路径优化方法的实时性和自适应性也是研究的难点。在实际生产中,焊接任务和环境条件会随时发生变化,需要路径规划方法能够迅速适应这些变化,以确保焊接任务的高效完成。
发明内容
本申请提供了一种焊接机器人的路径优化方法及系统,本申请提高了焊接机器人的路径优化准确率。
第一方面,本申请提供了一种焊接机器人的路径优化方法,所述焊接机器人的路径优化方法包括:
通过预置的路径优化算法创建目标焊接机器人的第一焊接路径优化粒子集群,并对所述第一焊接路径优化粒子集群中的多个初始化焊接路径优化粒子进行粒子权重初始化,得到多个第一焊接路径优化粒子;
对所述目标焊接机器人进行位姿变化计算,得到位姿变化数据,并根据所述位姿变化数据对所述多个第一焊接路径优化粒子进行粒子权重更新,得到多个第二焊接路径优化粒子;
对所述目标焊接机器人进行环境变化监测,得到环境变化监测数据,并根据所述环境变化监测数据对所述多个第二焊接路径优化粒子进行粒子注入分析,得到第二焊接路径优化粒子集群,所述第二焊接路径优化粒子集群包括多个目标焊接路径优化粒子;
分别对所述多个目标焊接路径优化粒子进行局部优化结果分析,得到每个目标焊接路径优化粒子的局部优化结果,并对所述局部优化结果进行全局优化结果关联,得到所述第二焊接路径优化粒子集群的全局优化结果;
对所述全局优化结果进行像素坐标映射和机器人焊接执行位置估计,得到目标机器人焊接执行位置;
通过预置的位姿估计模型集,对所述多个目标焊接路径优化粒子进行位姿估计和位姿融合,得到目标机器人焊接执行位姿,并根据所述目标机器人焊接执行位置和所述目标机器人焊接执行位姿生成所述目标焊接机器人的目标焊接执行策略。
第二方面,本申请提供了一种焊接机器人的路径优化系统,所述焊接机器人的路径优化系统包括:
创建模块,用于通过预置的路径优化算法创建目标焊接机器人的第一焊接路径优化粒子集群,并对所述第一焊接路径优化粒子集群中的多个初始化焊接路径优化粒子进行粒子权重初始化,得到多个第一焊接路径优化粒子;
更新模块,用于对所述目标焊接机器人进行位姿变化计算,得到位姿变化数据,并根据所述位姿变化数据对所述多个第一焊接路径优化粒子进行粒子权重更新,得到多个第二焊接路径优化粒子;
分析模块,用于对所述目标焊接机器人进行环境变化监测,得到环境变化监测数据,并根据所述环境变化监测数据对所述多个第二焊接路径优化粒子进行粒子注入分析,得到第二焊接路径优化粒子集群,所述第二焊接路径优化粒子集群包括多个目标焊接路径优化粒子;
关联模块,用于分别对所述多个目标焊接路径优化粒子进行局部优化结果分析,得到每个目标焊接路径优化粒子的局部优化结果,并对所述局部优化结果进行全局优化结果关联,得到所述第二焊接路径优化粒子集群的全局优化结果;
处理模块,用于对所述全局优化结果进行像素坐标映射和机器人焊接执行位置估计,得到目标机器人焊接执行位置;
生成模块,用于通过预置的位姿估计模型集,对所述多个目标焊接路径优化粒子进行位姿估计和位姿融合,得到目标机器人焊接执行位姿,并根据所述目标机器人焊接执行位置和所述目标机器人焊接执行位姿生成所述目标焊接机器人的目标焊接执行策略。
本申请提供的技术方案中,通过随机因子的自适应调整,能够根据实际焊接速度和温度参数动态地优化焊接路径。这意味着焊接机器人能够根据不同焊接条件自动调整路径,从而避免了常规规划方法中的不必要的停顿和焊接速度不匹配问题。更高效的焊接过程和更短的生产周期。通过监测环境变化并动态调整随机因子,可以感知焊接环境的变化,并及时作出反应。这有助于减轻焊接过程中环境变化对焊接质量和设备的负面影响,提高了焊接稳定性和一致性。通过局部和全局优化分析,能够将焊接路径优化到一个更高水平。局部优化结果的仿射模板匹配和融合确保了焊接路径的平滑和连续性,从而提高了焊接质量。全局优化结果的生成保证了焊接路径的最佳性,有助于减少焊接时间和材料浪费。通过位姿估计和融合技术,能够生成精确的机器人焊接执行位姿,从而确保焊接过程的准确性和可控性。这有助于降低焊接缺陷的发生率,提高了焊接机器人的路径优化准确率,进而提高了焊接质量。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以基于这些附图获得其他的附图。
图1为本申请实施例中焊接机器人的路径优化方法的一个实施例示意图;
图2为本申请实施例中焊接机器人的路径优化系统的一个实施例示意图。
具体实施方式
本申请实施例提供了一种焊接机器人的路径优化方法及系统。本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必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,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本申请实施例的具体流程进行描述,请参阅图1,本申请实施例中焊接机器人的路径优化方法的一个实施例包括:
步骤101、通过预置的路径优化算法创建目标焊接机器人的第一焊接路径优化粒子集群,并对第一焊接路径优化粒子集群中的多个初始化焊接路径优化粒子进行粒子权重初始化,得到多个第一焊接路径优化粒子;
可以理解的是,本申请的执行主体可以为焊接机器人的路径优化系统,还可以是终端或者服务器,具体此处不做限定。本申请实施例以服务器为执行主体为例进行说明。
具体的,通过预置的路径优化算法创建目标焊接机器人的第一焊接路径优化粒子集群。生成多个初始化焊接路径优化粒子,每个粒子代表一种的焊接路径。在此基础上,对这些初始化粒子进行自适应随机因子初始化,为每个粒子赋予一个基础随机因子,引入必要的随机性,从而使粒子能够探索更多的焊接路径。获取目标焊接机器人的焊接速度参数数据和焊接温度参数数据。这些数据直接影响焊接的效率和质量。根据参数数据,通过预设的随机因子调整函数,调整每个粒子的基础随机因子,从而获得每个粒子的目标随机因子。根据目标随机因子,对每个初始化焊接路径优化粒子进行粒子权重的初始化。根据初始权重数据,生成对应的多个第一焊接路径优化粒子。通过计算和参数调整,为焊接机器人提供一系列经过优化的焊接路径方案,从而提高焊接效率和焊接质量。
步骤102、对目标焊接机器人进行位姿变化计算,得到位姿变化数据,并根据位姿变化数据对多个第一焊接路径优化粒子进行粒子权重更新,得到多个第二焊接路径优化粒子;
具体的,通过预设的位姿偏差函数计算焊接机器人的位姿变化。这个函数利用连续时间点的坐标差值,计算出位姿变化数据。位姿变化数据直接影响了焊接机器人在实际操作中的移动和定位精度。根据位姿变化数据,计算位姿更新频率。这个频率决定了焊接机器人对环境变化的响应速度,是优化粒子权重时的一个重要参考。位姿更新频率的调整,反映了机器人在不同焊接环境下的灵活性和适应性。利用更新频率数据对焊接机器人的速度和角度进行分析,得到速度调整数据和角度变化数据。这两个数据有助于精确控制焊接过程中的机器人运动。速度调整数据确保焊接速度与焊接质量之间的平衡,而角度变化数据则关乎焊缝的均匀性和精度。根据速度调整数据和角度变化数据,对第一焊接路径优化粒子进行权重更新,生成第二焊接路径优化粒子。每个粒子的权重更新反映了其对应路径在实际焊接条件下的适应性和效率。通过这种方式,可以确保最终选择的焊接路径不仅理论上可行,而且在实际操作中高效可靠。
步骤103、对目标焊接机器人进行环境变化监测,得到环境变化监测数据,并根据环境变化监测数据对多个第二焊接路径优化粒子进行粒子注入分析,得到第二焊接路径优化粒子集群,第二焊接路径优化粒子集群包括多个目标焊接路径优化粒子;
具体的,对焊接机器人所处的环境进行实时监测,收集环境变化数据。这些数据反映了机器人工作环境的动态变化,如温度、光照、障碍物位置等因素的变动。环境监测得到的数据通过预置的环境变化度量函数进行处理,该函数计算出一个环境变化度量参数,该参数是当前环境状态与先前状态之间差异的量化表示。具体地,环境变化度量函数按照定义计算出时间点t的环境状态与时间点t-1的环境状态之间的差异,这个差异量化为环境变化度量参数。根据环境变化度量参数,通过预置的动态因子调整函数对目标随机因子进行动态调整。这个调整过程是自适应的,随着环境变化度量参数的变化,随机因子也会相应调整,保证焊接机器人的响应更加灵敏和准确。动态因子调整函数根据环境变化度量参数和一个预定的调整系数来调整随机因子,以此反映环境变化对焊接路径优化的影响。通过比较调整后的动态随机因子与预设的目标阈值,决定是否触发粒子的重新注入。如果动态随机因子超过了目标阈值,这表明环境变化对焊接路径有显著影响,需要通过重新注入粒子来调整焊接路径优化策略。这一步骤涉及到对第二焊接路径优化粒子集群的重新构建,其中包括多个目标焊接路径优化粒子的更新和调整。这样的机制确保了焊接机器人能够动态适应环境变化,优化其焊接路径,从而提高焊接质量和效率。
步骤104、分别对多个目标焊接路径优化粒子进行局部优化结果分析,得到每个目标焊接路径优化粒子的局部优化结果,并对局部优化结果进行全局优化结果关联,得到第二焊接路径优化粒子集群的全局优化结果;
具体的,分别对多个目标焊接路径优化粒子进行局部优化结果分析,评估和优化每个粒子代表的焊接路径。局部优化结果是基于每个粒子当前的状态和环境反馈来确定的,它涵盖了焊接路径的各个方面,如路径长度、焊接角度、障碍物避让等。这些局部优化结果是个别焊接路径优化粒子性能的反映。对每个目标焊接路径优化粒子的局部优化结果进行模板匹配相似度计算。模板匹配是一种计算方法,用于评估每个粒子的焊接路径与一组预定义的理想焊接路径模板之间的相似性。通过这种相似度计算,可以得到每个粒子与特定目标仿射模板之间的匹配程度。这为每个粒子提供了一个明确的方向性指标,指明了其路径优化的方向和程度。根据这些目标仿射模板,对每个目标焊接路径优化粒子进行仿射变换。仿射变换是一种几何变换技术,可以改变粒子的位置和方向,而不改变其形状。通过这种变换,每个粒子的焊接路径被调整以更接近其对应的目标仿射模板,从而提高了路径的优化水平。根据这些仿射变换结果,对所有局部优化结果进行全局优化结果关联,考虑所有粒子优化结果的综合效应。通过这种关联,可以生成一个全局优化的焊接路径方案,这个方案综合了所有粒子的优化结果和相互作用。这种全局优化结果是粒子群优化算法的核心,它确保了焊接机器人在整体上实现最优的焊接路径。
步骤105、对全局优化结果进行像素坐标映射和机器人焊接执行位置估计,得到目标机器人焊接执行位置;
具体的,对全局优化结果进行像素坐标映射,将复杂的路径优化结果转换成一种更易于处理和理解的形式,即像素坐标。通过这种映射,焊接路径被表示为一系列像素点,每个点对应机器人在实际操作空间中的一个特定位置。进行像素坐标插值,提高坐标的精度和连续性。像素坐标插值是一种数学技术,它通过在已知像素点之间插入额外的点来细化和平滑路径。这样可以得到更细致、更连续的目标全局优化像素坐标,这些目标全局优化像素坐标更精确地反映了机器人应该遵循的最佳焊接路径。根据目标全局优化像素坐标进行全局位置估计,以确定初始机器人焊接执行位置。通过将像素坐标转换回机器人的物理坐标系统,估算出机器人在三维空间中的具体位置。这个位置估计考虑了机器人的尺寸、形状和工作范围,以确保估计的位置是机器人能够实际到达和操作的。进行位置误差补偿。由于各种因素如机器人的机械误差、系统误差或环境因素等导致位置偏差,通过分析这些潜在的误差源,并对初始机器人焊接执行位置进行相应的调整,可以得到更准确的目标机器人焊接执行位置。这种补偿确保了焊接操作的准确性和可靠性,减少了由于位置误差导致的焊接缺陷。
步骤106、通过预置的位姿估计模型集,对多个目标焊接路径优化粒子进行位姿估计和位姿融合,得到目标机器人焊接执行位姿,并根据目标机器人焊接执行位置和目标机器人焊接执行位姿生成目标焊接机器人的目标焊接执行策略。
具体的,通过预置的位姿估计模型集中的多个位姿估计模型,分别对多个目标焊接路径优化粒子进行位姿估计,确定机器人在空间中的精确位置和姿态,这是确保焊接精度的基础。每个焊接路径优化粒子都代表了一种的焊接执行位姿,通过位姿估计模型,可以得到这些粒子的子机器人焊接执行位姿集合。这个集合包含了各种的位姿,这些位姿代表了不同的焊接角度、位置和方向。随后,对这些子机器人焊接执行位姿集合进行集合融合分析。从众多的位姿中提炼出最优的位姿组合。集合融合分析涉及到比较、评估和合成不同位姿的优劣,以确定最佳的焊接执行位姿。这个融合过程考虑了各种操作参数,如焊接效率、可达性、安全性等,以确保选出的位姿是实际操作中可行且高效的。随后,对融合后的机器人焊接执行位姿集合进行位姿融合,以得到初始机器人焊接执行位姿。位姿融合需要综合考虑所有候选位姿的特点,以产生一个综合的、最优的焊接执行位姿。这个初始机器人焊接执行位姿代表了在当前条件下,基于所有可行位姿分析得出的最佳焊接姿态和位置。进行位姿优化分析,调整和微调初始位姿,进一步提高焊接精度和效率。位姿优化分析通过使用各种算法和技术来细化位姿,确保它能够在实际焊接操作中提供最佳的性能。这个步骤涉及到对机器人动态行为的模拟、焊接过程的热力学分析等计算。通过这些优化分析,可以得到目标机器人的焊接执行位姿,这个位姿是针对特定焊接任务定制的,旨在提供最高的焊接质量和效率。基于所得到的目标机器人焊接执行位置和目标机器人焊接执行位姿,生成目标焊接机器人的焊接执行策略。这个策略是综合考虑了机器人的运动学、动力学特性,以及焊接过程的特点所制定的。它不仅包括焊接的路径和位姿,还涵盖了焊接参数的设置,如焊接速度、电流、电压等。这个策略确保焊接机器人在执行焊接任务时能够以最优的方式进行操作,从而保证焊接过程的稳定性、效率和质量。
本申请实施例中,通过随机因子的自适应调整,能够根据实际焊接速度和温度参数动态地优化焊接路径。这意味着焊接机器人能够根据不同焊接条件自动调整路径,从而避免了常规规划方法中的不必要的停顿和焊接速度不匹配问题。更高效的焊接过程和更短的生产周期。通过监测环境变化并动态调整随机因子,可以感知焊接环境的变化,并及时作出反应。这有助于减轻焊接过程中环境变化对焊接质量和设备的负面影响,提高了焊接稳定性和一致性。通过局部和全局优化分析,能够将焊接路径优化到一个更高水平。局部优化结果的仿射模板匹配和融合确保了焊接路径的平滑和连续性,从而提高了焊接质量。全局优化结果的生成保证了焊接路径的最佳性,有助于减少焊接时间和材料浪费。通过位姿估计和融合技术,能够生成精确的机器人焊接执行位姿,从而确保焊接过程的准确性和可控性。这有助于降低焊接缺陷的发生率,提高了焊接机器人的路径优化准确率,进而提高了焊接质量。
在一具体实施例中,执行步骤101的过程可以具体包括如下步骤:
(1)通过预置的路径优化算法创建目标焊接机器人的第一焊接路径优化粒子集群,其中,第一焊接路径优化粒子集群包括多个初始化焊接路径优化粒子;
(2)分别对多个初始化焊接路径优化粒子进行自适应随机因子初始化,得到每个初始化焊接路径优化粒子的基础随机因子;
(3)获取目标焊接机器人的焊接速度参数数据以及焊接温度参数数据,并通过预置的随机因子调整函数,根据焊接速度参数数据以及焊接温度参数数据对基础随机因子进行调整,得到每个初始化焊接路径优化粒子的目标随机因子,随机因子调整函数为:,/>表示基础随机因子,/>表示目标随机因子,表示调整系数,/>表示时间t时刻焊接速度参数数据的变化,/>表示时间t时刻焊接温度参数数据的变化;
(4)根据目标随机因子,分别对每个初始化焊接路径优化粒子进行粒子权重初始化,得到每个初始化焊接路径优化粒子的初始权重数据,其中,粒子权重初始化公式为:,/>表示初始化焊接路径优化粒子i的初始权重数据,/>表示调整系数,/>表示微小偏差,用于防止零除错误,/>表示初始化焊接路径优化粒子i与初始点的距离,/>,/>表示初始化焊接路径优化粒子i的横坐标,/>表示初始化焊接路径优化粒子i的纵坐标,/>表示初始坐标的横坐标,/>表示初始坐标的纵坐标;
(5)根据初始权重数据生成第一焊接路径优化粒子集群对应的多个第一焊接路径优化粒子。
具体的,通过预置的路径优化算法创建目标焊接机器人的第一焊接路径优化粒子集群,这个集群包含了多个初始化的焊接路径优化粒子。每个粒子代表了一种的焊接路径方案。随后,对这些初始化焊接路径优化粒子进行自适应随机因子初始化,确保粒子能够以更灵活的方式响应环境变化和任务需求。自适应随机因子初始化许粒子在搜索最优路径的过程中具有一定的随机性和灵活性,这有助于避免粒子陷入局部最优而忽视更好的解决方案。通过这种初始化,每个粒子被赋予了一个基础随机因子,为它们在焊接路径搜索过程中提供了初步的导向。获取目标焊接机器人的焊接速度参数数据和焊接温度参数数据,这些数据是影响焊接质量和效率的重要因素。通过预置的随机因子调整函数,根据这些焊接速度和温度参数数据对基础随机因子进行调整,以此来得到每个初始化焊接路径优化粒子的目标随机因子。这个调整函数考虑了焊接速度和温度的变化,通过调整系数α和β来调整随机因子,使得粒子的搜索行为能够更好地适应焊接过程中的实际情况。根据所得到的目标随机因子,对每个初始化焊接路径优化粒子进行粒子权重初始化。确定每个粒子在搜索过程中的重要性或优先级,通过权重初始化公式,考虑粒子与初始点的距离,以及其他因素如调整系数γ和微小偏差ε,后者用于防止计算中出现零除错误。权重越大的粒子在搜索过程中越重要,这意味着它们代表的焊接路径方案更有被选为最优解。根据这些初始权重数据,生成第一焊接路径优化粒子集群对应的多个第一焊接路径优化粒子。基于初始权重对粒子进行排序和选择,确保粒子集群反映了所有的最优焊接路径。
在一具体实施例中,执行步骤102的过程可以具体包括如下步骤:
(1)通过预置的位姿偏差函数对目标焊接机器人进行位姿变化计算,得到位姿变化数据,位姿偏差函数为:,/>表示时间t的位姿变化数据,/>表示时间t的横坐标,/>表示时间t的纵坐标,/>表示时间t-1的横坐标,/>表示时间t-1的纵坐标;
(2)根据位姿变化数据计算目标焊接机器人的位姿更新频率数据,其中,位姿更新频率计算公式为:,/>表示基础更新频率,f(t)表示位姿更新频率数据,δ表示调整系数,Δp(t)表示位姿变化数据;
(3)根据位姿更新频率数据对目标焊接机器人进行速度和角度分析,得到速度调整数据以及角度变化数据;
(4)根据速度调整数据以及角度变化数据,对多个第一焊接路径优化粒子进行粒子权重更新,得到多个第二焊接路径优化粒子。
具体的,通过预置的位姿偏差函数对目标焊接机器人进行位姿变化计算,得到位姿变化数据。位姿偏差函数通过计算连续两个时间点的位置坐标差异来确定位姿的变化。具体来说,位姿偏差函数计算时间点t和t−1之间的横纵坐标变化,并通过这些变化数据来确定位姿的整体变化。这种计算提供了关于焊接机器人移动和转向的重要信息,这些信息是优化焊接路径的基础。根据得到的位姿变化数据,计算目标焊接机器人的位姿更新频率数据。位姿更新频率的计算旨在调整焊接机器人的反应速度,使其能够更灵活地应对路径上的变化。更新频率的调整是基于位姿变化的大小进行,位姿变化越大,更新频率就越高。根据位姿更新频率数据对目标焊接机器人进行速度和角度分析,得到速度调整数据和角度变化数据,确保机器人的移动速度和转向角度与优化后的路径保持一致。速度和角度的分析考虑了焊接任务的特定要求,如焊缝的形状、长度和方向,以及避免障碍物的需求。速度调整数据和角度变化数据是根据机器人的实时性能和预定的焊接路径来计算的,目的是确保焊接过程的连续性和精确性。根据速度调整数据和角度变化数据,对第一焊接路径优化粒子集群中的粒子进行权重更新,从而得到第二焊接路径优化粒子集群。这个权重更新的过程是根据每个粒子所代表的路径方案与实际焊接条件的匹配程度来进行的。权重较高的粒子代表了更适合当前焊接条件的路径方案,因此在后续的优化过程中会被给予更多的考虑。通过这样的权重更新,可以确保焊接路径的优化更加贴近实际焊接过程的需求,提高焊接质量和效率。
在一具体实施例中,执行步骤103的过程可以具体包括如下步骤:
(1)对目标焊接机器人进行环境变化监测,得到环境变化监测数据;
(2)通过预置的环境变化度量函数,根据环境变化监测数据对目标焊接机器人进行环境变化度量计算,得到环境变化度量参数,环境变化度量函数为:,S(t)表示时间t的环境状态,S(t-1)表示时间t-1的环境状态,Δenv(t)表示环境变化度量参数;
(3)通过预置的动态因子调整函数,根据环境变化度量参数对目标随机因子进行动态调整,得到动态随机因子,动态因子调整函数为:,表示动态随机因子,/>表示目标随机因子,/>为调整系数,/>表示环境变化度量参数;
(4)对动态随机因子与预置的目标阈值进行比较,若动态随机因子大于目标阈值,则确定触发粒子的重新注入,并对多个第二焊接路径优化粒子进行粒子注入分析,得到第二焊接路径优化粒子集群,第二焊接路径优化粒子集群包括多个目标焊接路径优化粒子。
具体的,首先。对目标焊接机器人进行环境变化监测,这个监测过程是通过各种传感器来完成的,包括温度传感器、湿度传感器、光学传感器以及其他受到环境变化影响的传感器。这些传感器收集的数据反映了焊接环境的当前状态,例如温度的变化、湿度的波动、光照条件的改变等,这些都是影响焊接质量和效率的重要因素。通过预置的环境变化度量函数,根据收集到的环境变化监测数据对目标焊接机器人的环境变化进行度量计算。这个度量函数是设计来量化环境状态变化的,它通过计算连续两个时间点的环境状态之间的差异来得到环境变化度量参数。例如,如果在时间t和t−1之间,温度有显著变化,这个变化就会通过函数中的绝对值项被捕捉并量化。环境变化度量参数是一种数值表示,它反映了环境变化的大小和速度,是后续决策过程的重要依据。通过预置的动态因子调整函数,根据环境变化度量参数对目标随机因子进行动态调整。这个调整是为了使焊接机器人能够适应环境的变化,并据此调整其行为。动态因子调整函数通过考虑环境变化的大小来调整随机因子,使得机器人在面对快速变化或不稳定的环境时能够更加灵活和自适应。例如,如果环境变化度量参数表明温度或光照条件发生了显著变化,动态因子调整函数将相应地增加或减少随机因子的值。这种调整确保了机器人在面对不断变化的环境时,其路径选择和行为调整能够更加灵敏和有效。动态随机因子是焊接路径优化过程中的关键参数,它决定了机器人在探索新路径时的随机性和灵活性。随后,将动态随机因子与预置的目标阈值进行比较。如果动态随机因子大于目标阈值,这意味着环境变化足够大,足以影响机器人的焊接路径选择。在这种情况下,会触发粒子的重新注入过程。粒子重新注入是指在原有的焊接路径优化粒子集群中引入新的粒子,或对现有粒子的位置和参数进行调整,以更好地适应新的环境条件。对原有粒子集群进行分析和调整,确保新的集群能够反映环境变化对焊接路径的影响。粒子注入分析后,得到的第二焊接路径优化粒子集群包括了多个调整后的目标焊接路径优化粒子。这些粒子代表了在新的环境条件下的最优焊接路径。通过这种方式,焊接机器人的路径优化系统能够动态地适应环境变化,提高焊接过程的灵活性和有效性。
在一具体实施例中,执行步骤104的过程可以具体包括如下步骤:
(1)分别对多个目标焊接路径优化粒子进行局部优化结果分析,得到每个目标焊接路径优化粒子的局部优化结果;
(2)对每个目标焊接路径优化粒子的局部优化结果进行模板匹配相似度计算,得到每个目标焊接路径优化粒子的目标仿射模板;
(3)根据目标仿射模板,分别对每个目标焊接路径优化粒子进行仿射变换,得到每个目标焊接路径优化粒子的仿射变换结果;
(4)根据仿射变换结果对局部优化结果进行全局优化结果关联,得到第二焊接路径优化粒子集群的全局优化结果。
具体的,分别对多个目标焊接路径优化粒子进行局部优化结果分析。对每个粒子所代表的潜在焊接路径进行详细评估,以确定它们的效率和实用性。局部优化结果的分析是基于一系列的参数和条件进行的,包括焊接路径的长度、复杂性、遇到的障碍物、以及焊接质量的预期。通过这种分析,可以确定每个粒子所代表的路径的优势和劣势,并据此得到每个粒子的局部优化结果。对每个目标焊接路径优化粒子的局部优化结果进行模板匹配相似度计算。通过比较每个粒子的局部优化结果与一系列预定义的理想焊接路径模板来评估它们的相似度。模板匹配相似度计算是一种强大的工具,它可以量化每个粒子的路径与理想路径之间的差异,并据此确定每个粒子的目标仿射模板。目标仿射模板是基于最优焊接路径特征的一种模型,它代表了在特定条件下理想的焊接路径形态。通过这种方式,可以为每个粒子指定一个参考标准,以指导其后续的优化和调整。根据目标仿射模板,分别对每个目标焊接路径优化粒子进行仿射变换。仿射变换是一种数学变换方法,它可以改变一个对象的位置、尺寸和方向,但不改变其形状。通过对每个粒子应用相应的仿射变换,可以调整它们所代表的焊接路径,使其更接近理想的模板。这种变换考虑了粒子原始路径的特点和目标模板的要求,并据此进行必要的平移、旋转和缩放。通过仿射变换,每个粒子的路径被优化和调整,以更好地适应焊接任务的要求。根据仿射变换结果,对局部优化结果进行全局优化结果关联。将每个粒子的局部优化结果整合成一个全局的优化方案。全局优化结果关联涉及到评估和综合所有粒子的优化结果,以确定整个粒子集群的最优焊接路径。这种关联考虑了每个粒子的贡献和相互作用,以确保最终确定的焊接路径不仅在局部上有效,而且在全局上也是最优的。
在一具体实施例中,执行步骤105的过程可以具体包括如下步骤:
(1)对全局优化结果进行像素坐标映射,得到初始全局优化像素坐标;
(2)对初始全局优化像素坐标进行像素坐标插值,得到目标全局优化像素坐标;
(3)根据目标全局优化像素坐标,对目标焊接机器人进行全局位置估计,得到初始机器人焊接执行位置;
(4)对初始机器人焊接执行位置进行位置误差补偿,得到目标机器人焊接执行位置。
具体的,对全局优化结果进行像素坐标映射。像素坐标映射将优化路径转换为二维图像坐标,这将复杂的路径优化结果可视化,并以一种更直观的方式表示。在这个映射过程中,焊接路径被转换为一系列的像素点,这些点在图像坐标系统中表示了机器人应当遵循的路径。对初始全局优化像素坐标进行像素坐标插值,以提高坐标的精度和连续性。像素坐标插值是在已知像素点之间添加额外的点,这个过程可以增加路径的细节,使其更加平滑和精确。这种细化后的目标全局优化像素坐标更好地反映了机器人在焊接过程中应遵循的实际路径,有助于提高焊接操作的精度和效率。基于目标全局优化像素坐标,对目标焊接机器人进行全局位置估计。将像素坐标转换回机器人的物理坐标系统,以估算机器人在三维空间中的具体位置。这个位置估计考虑了机器人的尺寸、形状和工作范围,以确保估计的位置是机器人能够实际到达和操作的。对初始机器人焊接执行位置进行位置误差补偿。通过分析潜在的误差源,并对初始机器人焊接执行位置进行相应的调整,可以得到更准确的目标机器人焊接执行位置。这种补偿确保了焊接操作的准确性和可靠性,减少了由于位置误差导致的焊接缺陷。
在一具体实施例中,执行步骤106的过程可以具体包括如下步骤:
(1)通过预置的位姿估计模型集中的多个位姿估计模型,分别对多个目标焊接路径优化粒子进行位姿估计,得到每个目标焊接路径优化粒子的子机器人焊接执行位姿集合;
(2)对子机器人焊接执行位姿集合进行集合融合分析,得到融合机器人焊接执行位姿集合;
(3)对融合机器人焊接执行位姿集合进行位姿融合,得到初始机器人焊接执行位姿;
(4)对初始机器人焊接执行位姿进行位姿优化分析,得到目标机器人焊接执行位姿;
(5)根据目标机器人焊接执行位置和目标机器人焊接执行位姿生成目标焊接机器人的目标焊接执行策略。
具体的,通过预置的位姿估计模型集对多个目标焊接路径优化粒子进行位姿估计。每个焊接路径优化粒子代表了一种的焊接执行方案,包括机器人在特定任务中的特定位置和姿态。位姿估计模型集是一组算法和技术的组合,用于分析和预测机器人在执行焊接任务时的最佳位姿。这些模型考虑了各种因素,如焊接机器人的物理特性、焊接任务的特点以及工作环境的条件。通过这些模型的应用,可以为每个粒子生成一组子机器人焊接执行位姿,这些位姿代表了在给定条件下的最优焊接姿态。对这些子机器人焊接执行位姿集合进行集合融合分析。集合融合分析是一个集成和综合的过程,旨在从所有子机器人焊接执行位姿中提取出最合适的组合。比较不同位姿的优劣,分析它们如何互相补充,以及它们在实际焊接任务中的表现。通过这种分析,可以确定一组融合机器人焊接执行位姿,这组位姿综合了各个子位姿的优点,同时弥补了它们的不足。对这个融合机器人焊接执行位姿集合进行进一步的位姿融合。位姿融合是一个优化过程,它通过调整和微调融合位姿集合中的各个位姿来得到一个初始机器人焊接执行位姿。这个初始位姿是基于综合分析和融合结果得出的,它代表了在当前分析和可用数据下机器人的最佳姿态和位置。对初始机器人焊接执行位姿进行位姿优化分析,进一步提高焊接精度和效率。通过算法和技术来调整初始位姿,确保它能够在实际焊接操作中提供最佳的性能。这包括考虑焊接过程中的动态因素,如焊接速度、焊接热影响区域的变化,以及焊接材料的特性。通过这些优化分析,可以得到目标机器人的焊接执行位姿,这个位姿是针对特定焊接任务定制的,旨在提供最高的焊接质量和效率。根据目标机器人焊接执行位置和目标机器人焊接执行位姿生成目标焊接机器人的目标焊接执行策略。这个策略是焊接任务的最终输出,它不仅包括焊接路径的指导,还包括焊接参数的设置,如焊接速度、电流、电压等。这个策略确保焊接机器人在执行焊接任务时能够以最优的方式进行操作,从而保证焊接过程的稳定性、效率和质量。
上面对本申请实施例中焊接机器人的路径优化方法进行了描述,下面对本申请实施例中焊接机器人的路径优化系统进行描述,请参阅图2,本申请实施例中焊接机器人的路径优化系统一个实施例包括:
创建模块201,用于通过预置的路径优化算法创建目标焊接机器人的第一焊接路径优化粒子集群,并对所述第一焊接路径优化粒子集群中的多个初始化焊接路径优化粒子进行粒子权重初始化,得到多个第一焊接路径优化粒子;
更新模块202,用于对所述目标焊接机器人进行位姿变化计算,得到位姿变化数据,并根据所述位姿变化数据对所述多个第一焊接路径优化粒子进行粒子权重更新,得到多个第二焊接路径优化粒子;
分析模块203,用于对所述目标焊接机器人进行环境变化监测,得到环境变化监测数据,并根据所述环境变化监测数据对所述多个第二焊接路径优化粒子进行粒子注入分析,得到第二焊接路径优化粒子集群,所述第二焊接路径优化粒子集群包括多个目标焊接路径优化粒子;
关联模块204,用于分别对所述多个目标焊接路径优化粒子进行局部优化结果分析,得到每个目标焊接路径优化粒子的局部优化结果,并对所述局部优化结果进行全局优化结果关联,得到所述第二焊接路径优化粒子集群的全局优化结果;
处理模块205,用于对所述全局优化结果进行像素坐标映射和机器人焊接执行位置估计,得到目标机器人焊接执行位置;
生成模块206,用于通过预置的位姿估计模型集,对所述多个目标焊接路径优化粒子进行位姿估计和位姿融合,得到目标机器人焊接执行位姿,并根据所述目标机器人焊接执行位置和所述目标机器人焊接执行位姿生成所述目标焊接机器人的目标焊接执行策略。
通过上述各个组成部分的协同合作,通过随机因子的自适应调整,能够根据实际焊接速度和温度参数动态地优化焊接路径。这意味着焊接机器人能够根据不同焊接条件自动调整路径,从而避免了常规规划方法中的不必要的停顿和焊接速度不匹配问题。更高效的焊接过程和更短的生产周期。通过监测环境变化并动态调整随机因子,可以感知焊接环境的变化,并及时作出反应。这有助于减轻焊接过程中环境变化对焊接质量和设备的负面影响,提高了焊接稳定性和一致性。通过局部和全局优化分析,能够将焊接路径优化到一个更高水平。局部优化结果的仿射模板匹配和融合确保了焊接路径的平滑和连续性,从而提高了焊接质量。全局优化结果的生成保证了焊接路径的最佳性,有助于减少焊接时间和材料浪费。通过位姿估计和融合技术,能够生成精确的机器人焊接执行位姿,从而确保焊接过程的准确性和可控性。这有助于降低焊接缺陷的发生率,提高了焊接机器人的路径优化准确率,进而提高了焊接质量。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,系统和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (8)
1.一种焊接机器人的路径优化方法,其特征在于,所述焊接机器人的路径优化方法包括:
通过预置的路径优化算法创建目标焊接机器人的第一焊接路径优化粒子集群,并对所述第一焊接路径优化粒子集群中的多个初始化焊接路径优化粒子进行粒子权重初始化,得到多个第一焊接路径优化粒子;
对所述目标焊接机器人进行位姿变化计算,得到位姿变化数据,并根据所述位姿变化数据对所述多个第一焊接路径优化粒子进行粒子权重更新,得到多个第二焊接路径优化粒子;
对所述目标焊接机器人进行环境变化监测,得到环境变化监测数据,并根据所述环境变化监测数据对所述多个第二焊接路径优化粒子进行粒子注入分析,得到第二焊接路径优化粒子集群,所述第二焊接路径优化粒子集群包括多个目标焊接路径优化粒子;
分别对所述多个目标焊接路径优化粒子进行局部优化结果分析,得到每个目标焊接路径优化粒子的局部优化结果,并对所述局部优化结果进行全局优化结果关联,得到所述第二焊接路径优化粒子集群的全局优化结果;
对所述全局优化结果进行像素坐标映射和机器人焊接执行位置估计,得到目标机器人焊接执行位置;
通过预置的位姿估计模型集,对所述多个目标焊接路径优化粒子进行位姿估计和位姿融合,得到目标机器人焊接执行位姿,并根据所述目标机器人焊接执行位置和所述目标机器人焊接执行位姿生成所述目标焊接机器人的目标焊接执行策略。
2.根据权利要求1所述的焊接机器人的路径优化方法,其特征在于,所述通过预置的路径优化算法创建目标焊接机器人的第一焊接路径优化粒子集群,并对所述第一焊接路径优化粒子集群中的多个初始化焊接路径优化粒子进行粒子权重初始化,得到多个第一焊接路径优化粒子,包括:
通过预置的路径优化算法创建目标焊接机器人的第一焊接路径优化粒子集群,其中,所述第一焊接路径优化粒子集群包括多个初始化焊接路径优化粒子;
分别对所述多个初始化焊接路径优化粒子进行自适应随机因子初始化,得到每个初始化焊接路径优化粒子的基础随机因子;
获取所述目标焊接机器人的焊接速度参数数据以及焊接温度参数数据,并通过预置的随机因子调整函数,根据所述焊接速度参数数据以及所述焊接温度参数数据对所述基础随机因子进行调整,得到每个初始化焊接路径优化粒子的目标随机因子,所述随机因子调整函数为:,/>表示基础随机因子,/>表示目标随机因子,表示调整系数,/>表示时间t时刻焊接速度参数数据的变化,/>表示时间t时刻焊接温度参数数据的变化;
根据所述目标随机因子,分别对每个初始化焊接路径优化粒子进行粒子权重初始化,得到每个初始化焊接路径优化粒子的初始权重数据,其中,粒子权重初始化公式为:,/>表示初始化焊接路径优化粒子i的初始权重数据,/>表示调整系数,/>表示微小偏差,用于防止零除错误,/>表示初始化焊接路径优化粒子i与初始点的距离,/>,
表示初始化焊接路径优化粒子i的横坐标,/>表示初始化焊接路径优化粒子i的纵坐标,/>表示初始坐标的横坐标,/>表示初始坐标的纵坐标;
根据所述初始权重数据生成所述第一焊接路径优化粒子集群对应的多个第一焊接路径优化粒子。
3.根据权利要求2所述的焊接机器人的路径优化方法,其特征在于,所述对所述目标焊接机器人进行位姿变化计算,得到位姿变化数据,并根据所述位姿变化数据对所述多个第一焊接路径优化粒子进行粒子权重更新,得到多个第二焊接路径优化粒子,包括:
通过预置的位姿偏差函数对所述目标焊接机器人进行位姿变化计算,得到位姿变化数据,所述位姿偏差函数为:,/>表示时间t的位姿变化数据,/>表示时间t的横坐标,/>表示时间t的纵坐标,/>表示时间/>的横坐标,表示时间/>的纵坐标;
根据所述位姿变化数据计算所述目标焊接机器人的位姿更新频率数据,其中,位姿更新频率计算公式为:,/>表示基础更新频率,/>表示位姿更新频率数据,/>表示调整系数,/>表示位姿变化数据;
根据所述位姿更新频率数据对所述目标焊接机器人进行速度和角度分析,得到速度调整数据以及角度变化数据;
根据所述速度调整数据以及所述角度变化数据,对所述多个第一焊接路径优化粒子进行粒子权重更新,得到多个第二焊接路径优化粒子。
4.根据权利要求3所述的焊接机器人的路径优化方法,其特征在于,所述对所述目标焊接机器人进行环境变化监测,得到环境变化监测数据,并根据所述环境变化监测数据对所述多个第二焊接路径优化粒子进行粒子注入分析,得到第二焊接路径优化粒子集群,所述第二焊接路径优化粒子集群包括多个目标焊接路径优化粒子,包括:
对所述目标焊接机器人进行环境变化监测,得到环境变化监测数据;
通过预置的环境变化度量函数,根据所述环境变化监测数据对所述目标焊接机器人进行环境变化度量计算,得到环境变化度量参数,所述环境变化度量函数为:,/>表示时间t的环境状态,/>表示时间t-1的环境状态,表示环境变化度量参数;
通过预置的动态因子调整函数,根据所述环境变化度量参数对所述目标随机因子进行动态调整,得到动态随机因子,所述动态因子调整函数为:,表示动态随机因子,/>表示目标随机因子,/>为调整系数,/>表示环境变化度量参数;
对所述动态随机因子与预置的目标阈值进行比较,若动态随机因子大于目标阈值,则确定触发粒子的重新注入,并对所述多个第二焊接路径优化粒子进行粒子注入分析,得到第二焊接路径优化粒子集群,所述第二焊接路径优化粒子集群包括多个目标焊接路径优化粒子。
5.根据权利要求1所述的焊接机器人的路径优化方法,其特征在于,所述分别对所述多个目标焊接路径优化粒子进行局部优化结果分析,得到每个目标焊接路径优化粒子的局部优化结果,并对所述局部优化结果进行全局优化结果关联,得到所述第二焊接路径优化粒子集群的全局优化结果,包括:
分别对所述多个目标焊接路径优化粒子进行局部优化结果分析,得到每个目标焊接路径优化粒子的局部优化结果;
对每个目标焊接路径优化粒子的局部优化结果进行模板匹配相似度计算,得到每个目标焊接路径优化粒子的目标仿射模板;
根据所述目标仿射模板,分别对每个目标焊接路径优化粒子进行仿射变换,得到每个目标焊接路径优化粒子的仿射变换结果;
根据所述仿射变换结果对所述局部优化结果进行全局优化结果关联,得到所述第二焊接路径优化粒子集群的全局优化结果。
6.根据权利要求1所述的焊接机器人的路径优化方法,其特征在于,所述对所述全局优化结果进行像素坐标映射和机器人焊接执行位置估计,得到目标机器人焊接执行位置,包括:
对所述全局优化结果进行像素坐标映射,得到初始全局优化像素坐标;
对所述初始全局优化像素坐标进行像素坐标插值,得到目标全局优化像素坐标;
根据所述目标全局优化像素坐标,对所述目标焊接机器人进行全局位置估计,得到初始机器人焊接执行位置;
对所述初始机器人焊接执行位置进行位置误差补偿,得到目标机器人焊接执行位置。
7.根据权利要求1所述的焊接机器人的路径优化方法,其特征在于,所述通过预置的位姿估计模型集,对所述多个目标焊接路径优化粒子进行位姿估计和位姿融合,得到目标机器人焊接执行位姿,并根据所述目标机器人焊接执行位置和所述目标机器人焊接执行位姿生成所述目标焊接机器人的目标焊接执行策略,包括:
通过预置的位姿估计模型集中的多个位姿估计模型,分别对多个目标焊接路径优化粒子进行位姿估计,得到每个目标焊接路径优化粒子的子机器人焊接执行位姿集合;
对所述子机器人焊接执行位姿集合进行集合融合分析,得到融合机器人焊接执行位姿集合;
对所述融合机器人焊接执行位姿集合进行位姿融合,得到初始机器人焊接执行位姿;
对所述初始机器人焊接执行位姿进行位姿优化分析,得到目标机器人焊接执行位姿;
根据所述目标机器人焊接执行位置和所述目标机器人焊接执行位姿生成所述目标焊接机器人的目标焊接执行策略。
8.一种焊接机器人的路径优化系统,其特征在于,所述焊接机器人的路径优化系统包括:
创建模块,用于通过预置的路径优化算法创建目标焊接机器人的第一焊接路径优化粒子集群,并对所述第一焊接路径优化粒子集群中的多个初始化焊接路径优化粒子进行粒子权重初始化,得到多个第一焊接路径优化粒子;
更新模块,用于对所述目标焊接机器人进行位姿变化计算,得到位姿变化数据,并根据所述位姿变化数据对所述多个第一焊接路径优化粒子进行粒子权重更新,得到多个第二焊接路径优化粒子;
分析模块,用于对所述目标焊接机器人进行环境变化监测,得到环境变化监测数据,并根据所述环境变化监测数据对所述多个第二焊接路径优化粒子进行粒子注入分析,得到第二焊接路径优化粒子集群,所述第二焊接路径优化粒子集群包括多个目标焊接路径优化粒子;
关联模块,用于分别对所述多个目标焊接路径优化粒子进行局部优化结果分析,得到每个目标焊接路径优化粒子的局部优化结果,并对所述局部优化结果进行全局优化结果关联,得到所述第二焊接路径优化粒子集群的全局优化结果;
处理模块,用于对所述全局优化结果进行像素坐标映射和机器人焊接执行位置估计,得到目标机器人焊接执行位置;
生成模块,用于通过预置的位姿估计模型集,对所述多个目标焊接路径优化粒子进行位姿估计和位姿融合,得到目标机器人焊接执行位姿,并根据所述目标机器人焊接执行位置和所述目标机器人焊接执行位姿生成所述目标焊接机器人的目标焊接执行策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410036340.3A CN117532625B (zh) | 2024-01-10 | 2024-01-10 | 焊接机器人的路径优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410036340.3A CN117532625B (zh) | 2024-01-10 | 2024-01-10 | 焊接机器人的路径优化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117532625A CN117532625A (zh) | 2024-02-09 |
CN117532625B true CN117532625B (zh) | 2024-03-29 |
Family
ID=89794280
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410036340.3A Active CN117532625B (zh) | 2024-01-10 | 2024-01-10 | 焊接机器人的路径优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117532625B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106557844A (zh) * | 2016-11-23 | 2017-04-05 | 华东理工大学 | 一种焊接机器人路径规划方法 |
CN107150341A (zh) * | 2017-06-13 | 2017-09-12 | 南京理工大学 | 一种基于离散粒子群算法的焊接机器人焊接路径规划方法 |
CN108364069A (zh) * | 2018-01-23 | 2018-08-03 | 广东工业大学 | 一种基于遗传算法的机器人焊接路径规划方法 |
CN109732252A (zh) * | 2019-01-31 | 2019-05-10 | 大族激光科技产业集团股份有限公司 | 一种机器人焊接路径的优化方法 |
CN115570565A (zh) * | 2022-09-27 | 2023-01-06 | 华中科技大学 | 基于改进粒子群算法的工业机器人多目标轨迹优化方法 |
CN116352697A (zh) * | 2022-12-06 | 2023-06-30 | 四川大学锦江学院 | 基于改进多目标pso算法的机械臂轨迹优化获取方法 |
CN116604244A (zh) * | 2023-06-28 | 2023-08-18 | 长春工业大学 | 一种分步优化的白车身多机器人点焊作业路径规划方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210287556A1 (en) * | 2020-03-13 | 2021-09-16 | Electronics And Telecommunications Research Institute | Method and apparatus for generating optimal path for an unmanned aerial vehicle |
-
2024
- 2024-01-10 CN CN202410036340.3A patent/CN117532625B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106557844A (zh) * | 2016-11-23 | 2017-04-05 | 华东理工大学 | 一种焊接机器人路径规划方法 |
CN107150341A (zh) * | 2017-06-13 | 2017-09-12 | 南京理工大学 | 一种基于离散粒子群算法的焊接机器人焊接路径规划方法 |
CN108364069A (zh) * | 2018-01-23 | 2018-08-03 | 广东工业大学 | 一种基于遗传算法的机器人焊接路径规划方法 |
CN109732252A (zh) * | 2019-01-31 | 2019-05-10 | 大族激光科技产业集团股份有限公司 | 一种机器人焊接路径的优化方法 |
CN115570565A (zh) * | 2022-09-27 | 2023-01-06 | 华中科技大学 | 基于改进粒子群算法的工业机器人多目标轨迹优化方法 |
CN116352697A (zh) * | 2022-12-06 | 2023-06-30 | 四川大学锦江学院 | 基于改进多目标pso算法的机械臂轨迹优化获取方法 |
CN116604244A (zh) * | 2023-06-28 | 2023-08-18 | 长春工业大学 | 一种分步优化的白车身多机器人点焊作业路径规划方法 |
Non-Patent Citations (1)
Title |
---|
基于改进粒子群算法的时间最优机械臂轨迹规划;黄超等;上海工程技术大学学报;20200930;第第34卷卷(第第3期期);第238-246页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117532625A (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110462531B (zh) | 用于控制机器操作的模型预测控制系统和方法 | |
KR101846793B1 (ko) | 제조 장비에서 수집된 데이터의 분석을 이용한 제조 공정 계획 방법 및 이를 이용한 제조 공정 계획 시스템 | |
JP2019139755A (ja) | 研磨工具摩耗量予測装置、機械学習装置及びシステム | |
CN112388628B (zh) | 用于训练高斯过程回归模型的设备和方法 | |
CN111752151A (zh) | 一种工业叶片磨抛加工自适应力跟踪与补偿方法及系统 | |
WO2019086760A1 (en) | Generation of a control system for a target system | |
CN108972546A (zh) | 一种基于强化学习的机器人恒力曲面跟踪方法 | |
CN111076724B (zh) | 三维激光定位方法及系统 | |
Rastegarpanah et al. | Vision-guided mpc for robotic path following using learned memory-augmented model | |
CN114193443A (zh) | 用于控制机器人设备的设备和方法 | |
CN117592542A (zh) | 用于机器学习模型的具有对比损失的专家引导半监督的系统和方法 | |
CN113910001B (zh) | 一种数控机床空间误差辨识方法 | |
CN112857379B (zh) | 一种基于改进的Gmapping-SLAM地图更新方法及系统 | |
CN117532625B (zh) | 焊接机器人的路径优化方法及系统 | |
CN118192447A (zh) | 一种面向智能制造加工过程中的控制优化方法和系统 | |
JP7353245B2 (ja) | 付加製造装置および付加製造方法 | |
Bedoui et al. | Representation and control of time delay system: Multimodel approach | |
Zhang et al. | An online prediction and compensation method for robot position errors embedded with error-motion correlation | |
WO2021256215A1 (ja) | 制御装置、上位コントローラ、制御方法、及び制御プログラム | |
EP4060546A1 (en) | Method and system for controlling a production plant to manufacture a product | |
JP7396517B2 (ja) | 意図検出装置、意図検出方法及びプログラム | |
CN118334087B (zh) | 视觉对位校准方法、装置、设备及存储介质 | |
JP2019184575A (ja) | 測定動作パラメータ調整装置、機械学習装置及びシステム | |
Biermann et al. | Modeling and optimization of machining problems | |
Cheng et al. | MLP Neural Network-Based Precise Localization of Robot Assembly Parts |
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 |