CN117961898A - 一种基于目标路径的地轨式七轴机械臂多目标优化方法 - Google Patents

Abstract

本发明提供了一种基于目标路径的地轨式七轴机械臂多目标优化算法，包括以下步骤：步骤一，对已知目标路径信息离散化，得到一组任务空间序列点；步骤二，基于机械臂运动学参数设置包含关节极限、奇异位形、障碍物距离信息的适应度函数；步骤三，基于生成的序列点位姿，利用群体智能优化算法求取作业轨迹所对应的最优地轨位置及关节角序列，保证作业的连续性。本发明通过利用地轨式七轴机械臂能通过地轨移动机械臂至合适位置的优点，通过自动求取导轨最优位置及相应的机械臂关节角序列，解决了传统机械臂可能遇到的由关节极限、奇异位和障碍物导致作业任务失败的问题。

Description

一种基于目标路径的地轨式七轴机械臂多目标优化方法

技术领域

本发明涉及机器人领域，具体涉及一种基于目标路径的地轨式七轴机械臂多目标优化方法。

背景技术

机器人自发明至今，对经济和社会的发展起到了重大作用。从工业生产的方面来看，机器人逐渐替代人类完成繁冗的工作，提高了生产效率和生产质量，降低了生产成本。因此，机器人的应用愈加广泛，受到越来越多人的追捧。

但是，传统的工业机械臂仅有六个自由度，无法保证在各种约束条件下完成作业任务。首先，环境障碍物约束的存在，会成为机械臂作业任务的阻碍，若不进行考虑，可能会导致机械臂与环境发生碰撞，造成不可挽回的损失。其次，由于奇异位的存在，机械臂末端的微小运动会导致关节空间的较快运动，极易造成危险或作业的终止。最后，机械臂自身关节极限的存在也会导致一些路径点的不可达，造成作业任务的失败。而加入地轨后，通过对地轨位置和机械臂构型的合适选取，能较好的避开障碍物与奇异位，从而保证作业任务的完成。

因此，对加装地轨的机械臂进行已知路径的多目标优化十分必要。

发明内容

本发明的目的在于基于已知目标路径信息，通过自动选取合适的地轨位置及机械臂构型，以完成避障和避奇异约束下的作业任务。

为解决上述技术问题，本发明所采取的技术方案是：步骤一，对已知目标路径信息离散化，得到一组任务空间序列点；步骤二，基于机械臂运动学参数设置包含关节极限、奇异位形、障碍物距离信息的适应度函数；步骤三，基于生成的序列点位姿，利用群体智能优化算法求取作业轨迹所对应的最优地轨位置及关节角序列，保证作业的连续性。

进一步地，步骤一包括：本发明基于已知目标路径信息进行离散化处理。过大的离散化间隔可能会导致遗漏一些超出关节极限、处于奇异位形或碰撞物体的位姿；过小的离散化间隔则会导致计算成本的几何性上升。因此，选取合适的离散化间隔，得到一组合理的任务空间序列点，能保证尽可能在较小的计算成本下无遗漏问题。

进一步地，步骤二包括：本发明的研究对象为地轨式七轴机械臂，利用机械臂参数进行运动学建模，并建立解析解公式。通过矢量积的方法建立机械臂的雅可比矩阵，利用奇异分离法获取机械臂的奇异条件。同时采用胶囊体包络法简化机械臂，求取障碍物与机械臂的最短距离。建立包含关节极限、奇异位形、障碍物距离信息的适应度函数。

进一步地，步骤三包括：基于步骤二建立的适应度函数，利用群体智能算法进行优化求解，求解出在步骤一中得到的序列点下的最优地轨位置及相应的关节角序列，以保证运动的连续性。

本发明的有益效果是提出了一种基于目标路径的地轨式七轴机械臂多目标优化方法，通过自动求取地轨最优位置及相应的机械臂关节角序列，解决了传统机械臂可能遇到的由关节极限、奇异位和障碍物导致作业任务失败的问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需使用的附图作简单地介绍，显而易见地，下面描述性中的附图仅仅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性的前提下，还可以根据这些附图获得其他附图。

图1为本发明流程图；

图2为本发明机械臂与障碍物距离示意图；

图3为本发明群体智能算法寻优流程图，以粒子群算法为例。

具体实施方式

参照图1，一种基于目标路径的地轨式七轴机械臂多目标优化方法，包括以下步骤：步骤一，对已知目标路径信息离散化，得到一组任务空间序列点；步骤二，基于机械臂运动学参数设置包含关节极限、奇异位形、障碍物距离信息的适应度函数；步骤三，基于生成的序列点位姿，利用群体智能优化算法求取作业轨迹所对应的最优地轨位置及关节角序列，保证作业的连续性；

步骤一包括：本发明基于已知目标路径信息进行离散化处理。过大的离散化间隔可能会导致遗漏一些超出关节极限、处于奇异位形或碰撞物体的位姿；过小的离散化间隔则会导致计算成本的几何性上升。因此，选取合适的离散化间隔，得到一组合理的任务空间序列点，能保证尽可能在较小的计算成本下无遗漏问题。

步骤二包括：本发明的研究对象为地轨式七轴机械臂，利用机械臂参数进行运动学建模，并建立解析解公式。通过建立机械臂的解析解，能提高算法运算速度的同时，保证运动的连续性。

依据各个关节靠近关节极限的距离设置关节极限代价函数limitation₁，limitation₂，…，limitation₆。其中并选取其中最大值设置为极限代价值value_lim。同时考虑value_lim≥1时，表明机械臂已超出关节极限，赋予value_lim一个较大的代价值。

通过矢量积的方法建立机械臂的雅可比矩阵，对机械臂雅可比矩阵进行奇异分离，即将6自由度的奇异回避问题分解为两个3自由度的问题：J₁₁和J₂₂。由于参考系的更改不会引起奇异性的变化，因此通过分别将J₁₁转换到关节3坐标系下、J₂₂转换到关节5坐标系下来简化子雅可比矩阵，通过分析/>和/>来分离处奇异参数θ_s、θ_e、θ_w，其中θ_s、θ_e、θ_w均为某个关节角或某几个关节角组成的表达式，数值在0附近是表明处于奇异位区域。设置奇异发生的阈值k_s、k_e、k_w，根据奇异参数分别设置代价函数为singular₁、singular₂和singular₃。其中/> 选取其中最大值来表示奇异代价值value_sin。同时考虑value_sin≥1时，表明机械臂进入到了奇异位区域，则赋予value_sin一个较大代价值。

参照图2，采用胶囊体包络法简化机械臂，障碍物采用球形包络，根据障碍物在机械臂杆件上的投影位置选取距离最近的标志点，计算求解出障碍物中心与机械臂标志点间的最小距离obs_distance，并根据最小距离设置距离代价函数其中r_m为机械臂包裹半径，r_o为障碍物包裹半径。同时考虑value_dis≥1时，表明已经发生碰撞，则赋予value_dis一个较大的值。

建立包含关节极限、奇异位形、障碍物距离信息的适应度函数。根据任务需求对三种指标代价值赋予不同权重并进行加和，建立某种构型下每个点的代价函数f＝w₁·value_lim+w₂·value_sin+w₃·value_dis。一般为了安全考虑，优先赋予value_dis以较大的权重，其次为value_sin，最后为value_lim。然后将全部序列点的代价函数加和作为当前构型下的代价函数：其中f_i表示当前构型第i个点的代价函数，n表示离散点数量。由于机械臂同一种位姿下最多存在8种构型，因此循环计算每个粒子位置下8种机械臂构型下的代价最小值，来代表当前位置的适应度函数/>其中f_{all_j}表示第j种构型下全部空间序列点的代价函数。

参照图3，步骤三包括：基于已生成的目标轨迹序列点位姿，通过群体智能优化算法进行寻优。以粒子群算法为例，初始化粒子群参数(种群大小、迭代次数、权重因子等)，初始化各个粒子位置，求得各个位置粒子的适应度。更新粒子已知的各自最优解与全局最优解，计算并更新下一时刻粒子的位置与速度。循环进行优化，直到迭代次数达到设定次数。经过群体智能优化算法求解出最优的地轨位置及相应的机械臂构型，逆解求出在最优地轨位置处的相应关节角序列。同时根据最优适应度大小判断是否大于步骤二中所设置的较大代价值，若大于，表明即使处于最优位置下仍无法完成关节极限内无奇异、无碰撞的规划任务，避免了直接作业存在的潜在风险。

本发明通过利用地轨式七轴机械臂能通过地轨移动机械臂至合适位置的优点，通过自动求取导轨最优位置及相应的机械臂关节角序列，解决了传统机械臂可能遇到的由关节极限、奇异位和障碍物导致作业任务失败的问题。

以上所述仅是本发明的优选实施例，应当指出，对于本技术领域的普通人员来说，能够进行各种改进而不会脱离本发明的保护范围。虽然通过以上实施例进行了较为详细的说明，但在不脱离本发明原理的前提下，还可以包含更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (8)

1.一种基于目标路径的地轨式七轴机械臂多目标优化方法，其特征在于，具体方法包括以下步骤：

步骤一，对已知目标路径信息离散化，得到一组任务空间序列点；

步骤二，基于机械臂运动学参数设置包含关节极限、奇异位形、障碍物距离信息的适应度函数；

步骤三，基于生成的序列点位姿，利用群体智能优化算法求取作业轨迹所对应的最优地轨位置及关节角序列，保证作业的连续性。

2.根据权利要求1所述的一种基于目标路径的地轨式七轴机械臂多目标优化方法，其特征在于：步骤一中，本发明基于已知目标路径信息进行离散化处理。选取合适的离散化间隔，得到一组合理的任务空间序列点，尽可能在较小的计算成本下保证无遗漏问题。

3.根据权利要求1所述的一种基于目标路径的地轨式七轴机械臂多目标优化方法，其特征在于：步骤二中，本发明的研究对象为地轨式七轴机械臂，利用机械臂参数进行运动学建模，并建立解析解公式，获取机械臂奇异条件。建立包含关节极限、奇异位形、障碍物距离信息的适应度函数。

4.根据权利要求3所述的一种基于目标路径的地轨式七轴机械臂多目标优化方法，其特征在于：步骤二中，依据各个关节靠近关节极限的距离设置关节极限代价函数，同时赋予超出关节极限的代价值一个较大值，并选取其中最大值设置为极限代价值。

5.根据权利要求3所述的一种基于目标路径的地轨式七轴机械臂多目标优化方法，其特征在于：步骤二中，通过对机械臂雅可比矩阵进行奇异分离，即将6自由度的奇异回避问题分解为两个3自由度的问题：J₁₁和J₂₂。对子矩阵进行不同参考系选取，简化子矩阵。然后分离出每个子问题中影响奇异的参数。根据奇异参数分别设置代价函数，同时根据奇异参数超出规定阈值的情况赋予奇异代价一个较大值，并选取其中最大值来表示奇异代价值。

6.根据权利要求3所述的一种基于目标路径的地轨式七轴机械臂多目标优化方法，其特征在于：步骤二中，采用胶囊体包络法简化机械臂，障碍物采用球形包络，求解出障碍物与机械臂间的最小距离，并根据最小距离设置距离代价函数，同时对代价函数小于阈值的情况赋予距离代价一个较大值。

7.根据权利要求3所述的一种基于目标路径的地轨式七轴机械臂多目标优化方法，其特征在于：步骤二中，对极限代价函数、奇异代价函数、距离代价函数分别根据自身需求及安全要求设置不同的权重，对步骤一中的全部序列点求和，共同构成适应度函数。

8.根据权利要求1所述的一种基于目标路径的地轨式七轴机械臂多目标优化方法，其特征在于：步骤三中，基于步骤二建立的适应度函数，依次求出机械臂8种构型的适应度，并选取最小值作为当前位置的适应度。利用群体智能算法进行优化求解，求解出最优地轨位置及相应的关节角序列，同时保证运动的连续性。