申请/专利权人：福州大学

申请日：2022-11-15

公开（公告）日：2024-06-14

公开（公告）号：CN115741688B

主分类号：B25J9/16

分类号：B25J9/16

优先权：

专利状态码：有效-授权

法律状态：2024.06.14#授权;2023.03.24#实质审查的生效;2023.03.07#公开

摘要：本发明涉及一种基于改进遗传算法的六自由度机械臂轨迹优化方法,包括：步骤S1:获得六自由度机械臂末端执行器起始点和目标点位姿；步骤S2:在起始点与目标点之间，通过路径规划得到机械臂各个关节的路径点；步骤S3:采用三次样条插值算法在机械臂每个关节的相邻两个路径点间构建运动轨迹,获取轨迹曲线多项式；步骤S4:基于轨迹曲线多项式，构建关节的子目标函数；步骤S5:基于改进遗传算法对机械臂关节轨迹进行优化；步骤S6:对得到的每一段曲线轨迹，在所有关节的最优个体中选择最长时间作为该段轨迹的最佳时间；步骤S7:基于轨迹的最佳时间，利用三次样条插值算法确定出每个关节路径点所对应的速度和加速度，得到六自由度机械臂的整条运行轨迹的所有信息。

主权项：1.一种基于改进遗传算法的六自由度机械臂轨迹优化方法，其特征在于，包括以下步骤：步骤S1:获得六自由度机械臂末端执行器起始点和目标点位姿；步骤S2:在起始点与目标点之间，通过路径规划得到机械臂各个关节的路径点；步骤S3:采用三次样条插值算法在机械臂每个关节的相邻两个路径点间构建运动轨迹，获取轨迹曲线多项式；步骤S4:基于轨迹曲线多项式，以时间最少、能耗最小作为优化目标，在满足预设约束条件下，构建关节的子目标函数；步骤S5:基于改进遗传算法对机械臂关节轨迹进行优化；步骤S6:对得到的每一段曲线轨迹，在所有关节的最优个体中选择最长时间作为该段轨迹的最佳时间；步骤S7:基于轨迹的最佳时间，利用三次样条插值算法确定出每个关节路径点所对应的速度和加速度，最终得到六自由度机械臂的整条运行轨迹的所有信息；所述步骤S2中，设各关节从起始点运动到各路径点的时刻为tn，n＝0,1,2,...,N，则第l个关节的所有路径点描述为 其中，表示机械臂关节l在tn时刻的实际位置；所述步骤S3中，机械臂第l个关节两相邻路径点和j＝0,1,…,N-1之间的轨迹曲线为: lhjt＝laj+lbjt-tj+lcjt-tj2+ldjt-tj3 其中，lhjt为机械臂第l个关节第j段的三次样条曲线，laj、lbj、lcj、ldj为三次样条曲线系数，分别为lhjt的一阶、二阶导数，即为机械臂第l个关节在t时刻的速度、加速度；所述步骤S4中，预设约束为： 其中，分别为lhjt的一阶、二阶导数，即为机械臂第l个关节在t时刻的速度、加速度；lvmax为机械臂第l个关节的最大速度值，lamax为机械臂第l个关节的最大加速度值，lxj＝tj+1-tj为机械臂第l个关节第j段轨迹的运行时间，分别为机械臂第l个关节第j段轨迹运行时间的最大值和最小值；构建第l个关节的子目标函数： 其中，lf1表示机械臂运行总时间，lf2表示关节l的平均加速度；采用权重法和罚函数构建改进遗传算法的适应度函数： 其中，ε1、ε2分别为用于调节机械臂运行总时间和能耗的比例因子；Φ为惩罚因子；所述步骤S5具体为：S5.1：初始化遗传算法各基本参数，包括初始化种群规模的大小pops，种群个体的维度N，算法的最大迭代代数Gmax；S5.2：初始化种群pop，将种群中第i个个体的第j维数值，即机械臂第l个关节第j段轨迹的运行时间，初始化为： 其中，rand0,1表示[0,1]之间的随机数；然后，计算每个个体的适应度值；S5.3：对种群pop，利用轮盘赌策略选择pops个个体组成新种群pop1，并对种群pop1使用反向学习机制继续产生新种群pop2；S5.4：对种群pop2进行交叉操作，待种群pop2交叉结束后得到新种群pop3；S5.5：对种群pop3进行变异操作，当种群pop3变异结束后得到新种群pop4；S5.6：计算种群pop4中每一个个体的适应度值，找出种群pop4中个体适应度最大的个体然后对种群pop4进行全局寻优操作，产生新个体且 其中，r1、r2为0,1之间的随机数，Gnow为当前迭代代数，Gmax为迭代代数最大值；计算出新个体的适应度值，把新个体的适应度值和原先个体的适应度值做比较，若原先个体的适应度值优于新个体的适应度值，则保留原先个体；若新个体的适应度值优于原先个体则保留新个体待遍历完种群pop4的每一个个体后得到新种群pop5，然后采用最佳个体保存策略将种群pop5中最差的个体用最优个体代替；S5.7：判断算法是否达到最大迭代次数Gmax；若达到，则算法结束，输出最优个体，否则将跳转至步骤S5.3，将种群pop5作为种群pop开始新的算法迭代；S5.8：重复S5.1到S5.7，直到求解出所有关节的最优时间个体后转至步骤S6；所述步骤S5.3具体为：对种群pop1中的每个个体由反向学习机制产生其反向个体且其中i＝1,2,...pops,j＝0,1,2,...N-1；然后，再计算出原个体和反向个体的适应度值；把反向个体的适应度值和原先个体的适应度值做比较，若原个体的适应度值优于反向个体的适应度值，则保留原个体；若反向个体的适应度值优于原个体，则保留反向个体；遍历完种群pop1的每一个个体后得到新种群pop2；所述步骤S5.4具体为：若交叉概率Pcrand小于自适应交叉概率Pc，则个体进行拉普拉斯交叉；反之，则直接遗传到下一代种群,其中Pcrand为0,1之间的随机数，自适应交叉概率Pc表示为： 其中，Pcmax为交叉概率的最大值，Pcmin为交叉概率的最小值，fc为两个交叉个体中较大的适应度值，fcmax为种群pop2中个体的最大适应度值，cfavg为种群pop2中个体的平均适应度值；设种群pop2中个体通过拉普拉斯交叉得到的新个体分别为 其中，a∈R为位置参数，b＞0为尺度参数，u由服从[0,1]均匀分布的随机数rand0,1得；所述步骤S5.5具体为：若变异概率Pmrand小于自适应变异概率Pm，则个体进行变异；反之，则直接遗传到下一代种群，Pmrand为0,1之间的随机数，自适应变异概率Pm表示为： 其中，Pmmax为变异概率的最大值，Pmmin为变异概率的最小值，fm为当前变异个体的适应度值，fmmax为种群pop3中个体的最大适应度值，mfavg为种群pop3中个体的平均适应度值；对当前迭代代数Gnow进行判断，若Gnow为奇数时，则该代选择非均匀变异，产生的变异个体为且 其中，k是非均匀变异的一个常数，取值为0,1]，r为0,1之间的随机数，rand为随机整数，％表示求余操作；若Gnow为偶数时，则该代选择高斯变异，产生的变异个体为g为高斯变异的幅度大小，Gaussian0,1为满足高斯正态分布的随机数。

全文数据：

权利要求：

百度查询： 福州大学 基于改进遗传算法的六自由度机械臂轨迹优化方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD