基于改进多目标PSO算法的机械臂轨迹优化获取方法技术

本发明专利技术涉及机械臂轨迹优化领域，基于改进多目标PSO算法的机械臂轨迹优化获取方法，其特征在于，包括以下步骤：SA：构建目标机械臂的每个关节关于角度和时间的关节轨迹，将关节轨迹作为待优化对象；SB：采用改进多目标PSO算法对关节轨迹进行优化获得最优解集，获得最优解集所对应的关节轨迹。本发明专利技术以角度为目标拟合出的关节路径再获得的最优关节路径，可以使得每个关节的运行时间更短，关节空间中的轨迹更平滑。平滑。平滑。

【技术实现步骤摘要】
基于改进多目标PSO算法的机械臂轨迹优化获取方法


[0001]本专利技术涉及机械臂轨迹获取
，具体涉及基于改进多目标PSO算法的机械臂轨迹优化获取方法。

技术介绍

[0002]在实际应用中，机械臂(机器手或机器人)往往需要在多个指标上实现全面优化。在关节角度、速度和加速度的约束下，轨迹优化对于不同的任务有不同的目标。因此，在机器人轨迹优化过程中，传统明显简单的轨迹拟合方法、单目标优化或单约束优化明显不足。此外，优化目标的数量级和维数有规律地不同，这使得难以合理分配权重系数，因此很容易陷入局部最优解，特别是当帕累托最优前表面是时。
[0003]因此，为了解决机械臂轨迹优化中的轨迹拟合方法、多目标、多约束和优化算法复杂性等问题，为了提高机械臂的操作效率和机械性能。
[0004]特此提出本专利技术。

技术实现思路

[0005]本专利技术的目的在于提供基于改进多目标PSO算法的机械臂轨迹优化获取方法。采用本专利技术所获得的轨迹，可以使得机械臂的操作效率、机械性能得到较高提升。
[0006]为实现上述目的，本专利技术采用了以下方案：
[0007]基于改进多目标PSO算法的机械臂轨迹优化获取方法，包括以下步骤：
[0008]SA：构建目标机械臂的每个关节关于角度和时间的关节轨迹，将关节轨迹作为待优化对象；
[0009]SB：采用改进多目标PSO算法对关节轨迹进行优化获得最优解集，获得最优解集所对应的关节轨迹。
[0010]优选的，
[0011]SA具体为：
[0012]SA1：建立目标机械臂仿真模型，所述目标机械臂仿真模型为空间类仿真模型；
[0013]SA2：对目标机械臂仿真模型的每个关节的路径点轨迹进行逆计算，获得每个关节的角度值；
[0014]SA3：根据每个关节的角度值，采用NURBS曲线进行关节轨迹规划，获得每个关节所对应的关节轨迹，关节轨迹是用NURBS曲线对关节在空间中的角度值拟合所得；
[0015]SA4：根据关节轨迹获取优化所需的每个关节的运动基础参数。
[0016]优选的，
[0017]SB具体为：
[0018]SB1、基于关节轨迹构建每个关节相关于角度和时间的初始粒子群P
i
；
[0019]SB2、采用单个最佳的评估和选择方法对初始粒子群P
i
的每个关节进行评估和选择，获得初始的个体帕累托解集及其对应的适应度，记为pBest
i
和pF
i
；采用全局最优的评估
和选择方法对初始粒子群P
i
的每个关节进行评估和选择，获得初始的全局帕累托解集及其对应的适应度，记为gBest
i
和gF
i
；
[0020]SB3、更新粒子的速度和位置、变异粒子群获得新的粒子群，新的粒子群记
[0021]为P
i+1
；
[0022]SB4、采用单个最佳的评估和选择方法对粒子群P
i+1
的每个关节的每个粒子进行评估和选择，获得初始的个体帕累托解集及其对应的适应度，记为pBest
i+1
和pF
i+1
；采用全局最优的评估和选择方法对粒子群P
i+1
的每个关节的进行评估和选择，获得初始的全局帕累托解集及其对应的适应度，记为gBest i+1
和gF i+1
；
[0023]SB5、执行循环判定操作，若符合pBest
i+1
<pBest
i
和gBest
i+1
<gBest
i
，则重复SB3至SB5，否则，输出gBest＝gBest
i+1
和gF i+1
。
[0024]优选的，
[0025]单个最佳的评估和选择方法具体包括：
[0026]个体评估：以f
(i,j)
，g
(i,j)
，h
(i,j)
作为第一个改进的多目标，获得每个关节f
(i,j)
，g
(i,j)
，h
(i,j)
的评估值，f
(i,j)
，g
(i,j)
，h
(i,j)
的目标函数为：
[0027][0028]其中，f
(i,j)
是每个关节的总时间，用于评估关节的效率；g
(i,j)
是每个关节的平均跳动，用于评估关节力的脉动指标；h
(i,j)
是每个关节的平均加速度，用于评估关节能耗的指标；
[0029]其中，t
(i,j)
是每个关节的每个阶跃时刻，Δt
(i,j)
为每个关节的每一步时间，T
j
是每个关节的总时间，a
(i,j)
是每个关节的加速度,J
(i,j)
每个关节的角加速度的越度，M为路径点的数量，j为关节编号；
[0030]t
(i,j)
、a
(i,j)
、J
(i,j)
为根据关节轨迹获取优化所需的每个关节的运动基础参数；
[0031]以f
(i,j)
，g
(i,j)
，h
(i,j)
为目标函数所获得的解为本次评估所获得的非支配解；
[0032]个体选择：
[0033]采用循环拥挤排序算法根据拥塞距离从非支配解中过滤获得保留解作为个体帕累托解集；
[0034]全局最优的评估和选择方法具体包括：
[0035]全局评估：以f1，f2，f3作为第二个改进的多目标，f1，f2，f3的目标函数为：
[0036][0037]其中，f1为机械臂效率评估的总时间，f2为评估关节应力状态的总平均关节扭矩，f3为评估关节力脉动指数；
[0038]其中，T
j
是每个关节的总时间，T是所有关节的总时间，τ
(i,j)
是每个关节的扭矩,J
(i,j)
每个关节的角加速度的越度，N为关节数，M为路径点的数量；
[0039]τ
(i,j)
、J
(i,j)
为根据关节轨迹获取优化所需的每个关节的运动基础参数；
[0040]以f1，f2，f3为目标函数所获得的解为本次评估所获得的非支配解；
[0041]全局选择：
[0042]采用循环拥挤排序算法根据拥塞距离从非支配解中过滤获得保留解作为全局帕累托解集。
[0043]优选的，
[0044]个体选择之前还包括对非支配解f
(i,j)
，g
(i,j)
，h
(i,j)
进行归一化处理。
...

【技术保护点】

【技术特征摘要】
1.基于改进多目标PSO算法的机械臂轨迹优化获取方法，其特征在于，包括以下步骤：SA：构建目标机械臂的每个关节关于角度和时间的关节轨迹，将关节轨迹作为待优化对象；SB：采用改进多目标PSO算法对关节轨迹进行优化获得最优解集，获得最优解集所对应的关节轨迹。2.根据权利要求1所述的基于改进多目标PSO算法的机械臂轨迹优化获取方法，其特征在于，SA具体为：SA1：建立目标机械臂仿真模型，所述目标机械臂仿真模型为空间类仿真模型；SA2：对目标机械臂仿真模型的每个关节的路径点轨迹进行逆计算，获得每个关节的角度值；SA3：根据每个关节的角度值，采用NURBS曲线进行关节轨迹规划，获得每个关节所对应的关节轨迹，关节轨迹是用NURBS曲线对关节在空间中的角度值拟合所得；SA4：根据关节轨迹获取优化所需的每个关节的运动基础参数。3.根据权利要求1所述的基于改进多目标PSO算法的机械臂轨迹优化获取方法，其特征在于，SB具体为：SB1、基于关节轨迹构建每个关节相关于角度和时间的初始粒子群P
i
；SB2、采用单个最佳的评估和选择方法对初始粒子群P
i
的每个关节进行评估和选择，获得初始的个体帕累托解集及其对应的适应度，记为pBest
i
和pF
i
；采用全局最优的评估和选择方法对初始粒子群P
i
的每个关节进行评估和选择，获得初始的全局帕累托解集及其对应的适应度，记为gBest
i
和gF
i
；SB3、更新粒子的速度和位置、变异粒子群获得新的粒子群，新的粒子群记为P
i+1
；SB4、采用单个最佳的评估和选择方法对粒子群P
i+1
的每个关节的每个粒子进行评估和选择，获得初始的个体帕累托解集及其对应的适应度，记为pBest
i+1
和pF
i+1
；采用全局最优的评估和选择方法对粒子群P
i+1
的每个关节的进行评估和选择，获得初始的全局帕累托解集及其对应的适应度，记为gBest
i+1
和gF
i+1
；SB5、执行循环判定操作，若符合pBest
i+1
<pBest
i
和gBest
i+1
<gBest
i
，则重复SB3至SB5，否则，输出gBest＝gBest
i+1
和gF
i+1
。4.根据权利要求3所述的基于改进多目标PSO算法的机械臂轨迹优化获取方法，其特征在于，单个最佳的评估和选择方法具体包括：个体评估：以f
(i,j)
，g
i(j,，)
h
i(j,
作为第一个改进的多目标，获得每个关节f
(i,j)
，g
i(j,，)
h
i(j,
的评估值，f
(i,j)
，g
(i,j)
，h
(i,j)
的目标函数为：
其中，f
(i,j)
是每个关节的总时间，用于评估关节的效率；g
(i,j)
是每个关节的平均跳动，用于评估关节力的脉动指标；h
(i,j)
是每个关节的平均加速度，用于评估关节能耗的指标；其中，t
(i,j)
是每个关节的每个阶跃时刻，Δt
(i,j)
为每个关节的每一步时间，T
j
是每个关节的总时间，a
(i,j)
是每个关节的加速度,J
(i,j)
每个关节的角加速度的...

【专利技术属性】
技术研发人员：何政洋，段晨旭，唐小洁，贾成芬，申勤，
申请(专利权)人：四川大学锦江学院，
类型：发明
国别省市：