【技术实现步骤摘要】
本专利技术涉及机器人标定计算领域，尤其涉及基于改进灰狼算法的并联机器人运动学标定方法及设备。
技术介绍
1、随着工业自动化的发展，机器人加工技术越来越多地被应用于航空航天、电子制造等高端制造领域中的制孔、焊接等工艺。在机器人的定位控制方面，工业机器人定位精度低限制了其自身发展及其在高精制造业中的进一步应用；如何解决定位系统中高精度问题，己成为当今前沿科学急需解决的瓶颈问题之一；因此，开展精度补偿技术研究对提高机器人定位精度十分重要。
2、目前，解决误差问题最直接的方法就是对机器人进行标定，传统运动学标定的几何标定方法虽可以通过标定几何参数来提高机器人的位姿精度，但未能解决非几何误差和测量噪声的影响，而且对于复杂机器机构标定困难，公式计算繁琐，甚至达不到高精度辨识和补偿标准。因此，在运动学标定中引入群体智能优化算法，由于算法具有求解效率高，自适应性强，鲁棒性差等优点，可以简化对并联机器人的标定流程，对运动参数进行高效辨识，对误差进行精确补偿，提高机器人机构末端平台定位精度。
3、其中，灰狼优化算法主要模仿了自然界中灰狼群体的捕食过程。它们的种群内部存在严格的等级制度，灰狼群体内部主要分为4个等级，它的独特之处在于一小部分拥有绝对话语权的灰狼带领一群灰狼向猎物前进。灰狼算法结构简单、自适应强，在对问题的求解精度方面有良好的性能。但对复杂问题时存在着易早熟陷入局部收敛，收敛速度不够快等缺陷。
技术实现思路
1、本专利技术所要解决的技术问题在于，提供一种基于改进灰狼
2、为了解决上述技术问题，本专利技术提供了一种基于改进灰狼算法的并联机器人运动学标定方法，包括构建并联机器人的运动学模型；根据所述运动学模型启动所述并联机器人，并采集所述并联机器人的末端平台的实际位姿坐标；根据预设的目标位姿坐标、所述实际位姿坐标及运动学模型，生成改进灰狼优化算法的适应度函数；初始化所述改进灰狼算法的基准参数及狼群初始位置；根据所述改进灰狼算法迭代求解所述并联机器人的最佳个体位置；根据所述最佳个体位置补偿所述运动学模型，以对所述并联机器人进行运动学标定。
3、作为上述方案的改进，所述构建并联机器人的运动学模型的步骤包括：定义所述并联机器人的运动学参数，所述运动学参数包括驱动输入、关节转角、从动杆长度、固定平台安装角度、固定平台外接圆半径、末端平台安装角度、末端平台外接圆半径及末端平台中心坐标；根据闭环矢量法构建所述运动学参数的向量关系，以生成所述并联机器人的运动学模型。
4、作为上述方案的改进，所述并联机器人的运动学模型为：
5、
6、
7、其中，li为驱动输入，θi为关节转角，si为从动杆长度，αi为固定平台安装角度，r为固定平台外接圆半径，βi为末端平台安装角度，r为末端平台外接圆半径，为末端平台中心坐标。
8、作为上述方案的改进，所述根据闭环矢量法构建所述运动学参数的向量关系，以生成所述并联机器人的运动学模型的步骤包括：
9、通过闭环矢量法，构建所述并联机器人的运动学模型：
10、x＝licosαi+sicosθi+r cos(γi)-r cosαi
11、y＝lisinαi+sisinθi+r sin(γi)-r sinαi
12、
13、根据所述运动学模型求解驱动输入li：
14、
15、
16、
17、将所述驱动输入作为误差函数指标：
18、
19、其中，li为驱动输入，θi为关节转角，si为从动杆长度，αi为固定平台安装角度，r为固定平台外接圆半径，βi为末端平台安装角度，r为末端平台外接圆半径，为末端平台中心坐标，e为预设的目标位姿坐标与实际位姿坐标的误差，(x,y)为末端平台的中心点坐标。
20、作为上述方案的改进，所述根据所述运动学模型启动所述并联机器人，并采集所述并联机器人的末端平台的实际位姿坐标的步骤包括：将激光跟踪仪的靶球放置于所述并联机器人的末端平台的中心位置；根据所述运动学模型，计算出所述末端平台运行至预设的目标位姿坐标所需的驱动输入；根据所述驱动输入启动机器人，以将所述末端平台运行至所述目标位姿坐标；通过激光跟踪仪测量所述末端平台的实际位姿坐标。
21、作为上述方案的改进，所述改进灰狼优化算法的适应度函数为：
22、
23、
24、
25、其中，li为驱动输入，si为从动杆长度，αi为固定平台安装角度，βi为末端平台安装角度，r为末端平台外接圆半径，为末端平台中心坐标，(x,y)为末端平台的中心点坐标。
26、作为上述方案的改进，所述根据预设的目标位姿坐标、所述实际位姿坐标及运动学模型，生成改进灰狼优化算法的适应度函数的步骤包括：
27、根据所述运动学模型，计算预设的目标位姿坐标与实际位姿坐标的误差e；
28、根据所述误差及误差函数指标生成改进灰狼优化算法的适应度函数：
29、
30、其中，n为标定时所选取的并联平台位形数目。
31、作为上述方案的改进，所述初始化所述改进灰狼算法的基准参数及狼群初始位置的步骤包括：
32、初始化维度、最大迭代次数及收敛因子；
33、利用帐篷映射初始化种群：
34、
35、其中，xi为初始位置，i为当前迭代次数，
36、作为上述方案的改进，所述根据所述改进灰狼算法迭代求解所述并联机器人的最佳个体位置的步骤包括：
37、非线性调整收敛因子a：
38、
39、其中，as为收敛因子起始值、ae为收敛因子终止值，λ1及λ2均为非线性调节系数，a(1)为第1次迭代的收敛因子，1为迭代次数，maxiter为最大迭代次数；
40、初始化最佳位置α、次佳位置β及第三佳位置δ；
41、构建动态权重因子b：
42、b(i)＝bf－(i/maxiter)(bf－bs)
43、其中，bs为权重因子的初值，bf为权重因子的终值，b(i)为第1次迭代的权值因子；
44、构建适应度比例系数：
45、
46、其中，v1为α的适应度比例系数，v2为β的适应度比例系数，v3为δ的适应度比例系数，fα为α的适应度值，fβ为β的适应度值，fδ为δ的适应度值；
47、更新灰狼位置:
48、x(i+1)＝b(i)r4(v1x1+v2x2+v3x3)
49、其中，r4为随机向量；
50、更新适应度值；
51、判断当前迭代次数是否为最大迭代次数，判断为是时，则将当前的最佳位置作为最佳个体位置，判断为否时，则继续进行迭代。
52、相应本文档来自技高网...
【技术保护点】
1.一种基于改进灰狼算法的并联机器人运动学标定方法，其特征在于，包括：
2.如权利要求1所述的基于改进灰狼算法的并联机器人运动学标定方法，其特征在于，所述构建并联机器人的运动学模型的步骤包括：
3.如权利要求2所述的基于改进灰狼算法的并联机器人运动学标定方法，其特征在于，所述并联机器人的运动学模型为：
4.如权利要求2所述的基于改进灰狼算法的并联机器人运动学标定方法，其特征在于，所述根据闭环矢量法构建所述运动学参数的向量关系，以生成所述并联机器人的运动学模型的步骤包括：
5.如权利要求1或4所述的基于改进灰狼算法的并联机器人运动学标定方法，其特征在于，所述根据所述运动学模型启动所述并联机器人，并采集所述并联机器人的末端平台的实际位姿坐标的步骤包括：
6.如权利要求1所述的基于改进灰狼算法的并联机器人运动学标定方法，其特征在于，所述改进灰狼优化算法的适应度函数为：
7.如权利要求1或4所述的基于改进灰狼算法的并联机器人运动学标定方法，其特征在于，所述根据预设的目标位姿坐标、所述实际位姿坐标及运动学模型，生成改进
8.如权利要求1所述的基于改进灰狼算法的并联机器人运动学标定方法，其特征在于，所述初始化所述改进灰狼算法的基准参数及狼群初始位置的步骤包括：
9.如权利要求1所述的基于改进灰狼算法的并联机器人运动学标定方法，其特征在于，所述根据所述改进灰狼算法迭代求解所述并联机器人的最佳个体位置的步骤包括：
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至9中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种基于改进灰狼算法的并联机器人运动学标定方法，其特征在于，包括：
2.如权利要求1所述的基于改进灰狼算法的并联机器人运动学标定方法，其特征在于，所述构建并联机器人的运动学模型的步骤包括：
3.如权利要求2所述的基于改进灰狼算法的并联机器人运动学标定方法，其特征在于，所述并联机器人的运动学模型为：
4.如权利要求2所述的基于改进灰狼算法的并联机器人运动学标定方法，其特征在于，所述根据闭环矢量法构建所述运动学参数的向量关系，以生成所述并联机器人的运动学模型的步骤包括：
5.如权利要求1或4所述的基于改进灰狼算法的并联机器人运动学标定方法，其特征在于，所述根据所述运动学模型启动所述并联机器人，并采集所述并联机器人的末端平台的实际位姿坐标的步骤包括：
6.如权利要求1所述的基于改进灰狼算法的并...
【专利技术属性】
技术研发人员：张清华，余华明，卢清华，陈为林，
申请(专利权)人：佛山科学技术学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。