一种结合多级优化模型的机器人高性能轨迹自动生成方法技术

本发明专利技术涉及一种结合多级优化模型的机器人高性能轨迹自动生成方法，该方法包括：S1、确定轨迹关键点坐标、以及相邻两个轨迹关键点之间的轨迹曲线模型；S2、搭建性能指标库，构建多级优化模型；S3、获取性能指标的权重因子，确定优化目标函数；S4、基于优化目标函数，采用改进的遗传粒子群混合优化算法对各段轨迹的运动时间进行优化；S5、基于轨迹曲线模型和各段轨迹的运动时间确定轨迹曲线模型参数，获取各段轨迹曲线。与现有技术相比，本发明专利技术轨迹生成方法可满足用户自定义性能需求，保证轨迹的绝对平滑连续。平滑连续。平滑连续。

【技术实现步骤摘要】
一种结合多级优化模型的机器人高性能轨迹自动生成方法


[0001]本专利技术涉一种机器人轨迹规划方法，尤其是涉及一种结合多级优化模型的机器人高性能轨迹自动生成方法。

技术介绍

[0002]轨迹规划作为机器人运动控制的重要一环，它决定着机器人在实际生产应用时性能的优劣，尤其对于工业机器人，一个高性能轨迹不仅能够保证机器人运动时的平稳高效，而且对于满足用户需求、提高产品质量也有重要意义。另外，目前随着机器人应用领域的不断推广，根据不同场景的用户性能需求，给出高性能轨迹的自动生成方法更是极具意义。
[0003]目前一般的机器人轨迹规划方法有两种，一种是常规轨迹规划，它主要根据预设的轨迹曲线模型，在给定系列运动参数情况下，通过联合约束方程求解出模型参数，进而生成相应的运动轨迹。该方法因为直观简单，目前被广泛的使用，但其存在几个关键不足：一是在实际生产使用时，对于多点规划，会带来参数设置繁琐，用户交互性差，无法考虑全局性能等问题，造成效率的低下；另一个是人为设置运动参数，不能充分发挥机器人的运动性能，更无法保证轨迹的综合性能需求，这与现今不同任务可能需要的不同轨迹性能显然是不匹配的。另一种方法是结合优化迭代算法，从性能指标优化的角度进行轨迹的自动生成，该方法相比常规规划，虽然实时性较低，但可以有效避免参数设置繁琐及性能量化问题，在现今智能化时代更具价值，但目前该方法的研究应用也存在两个问题：一个是当前大部分方法都只是针对特定的优化目标，无法供用户根据自身任务需求进行自定义设置，缺乏一定的调节适应性；另一个是算法的通用性和效率不足，在收敛速度和迭代时间上有待进一步提高改善。
[0004]因此，针对这些现有技术不足，设计一种可满足用户自定义性能需求的轨迹生成方法，无论对于提高用户交互体验，保证轨迹生成的稳定高效，还是提高机器人轨迹的性能适应性，都具有重要意义。

技术实现思路

[0005]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种结合多级优化模型的机器人高性能轨迹自动生成方法。
[0006]本专利技术的目的可以通过以下技术方案来实现：
[0007]一种结合多级优化模型的机器人高性能轨迹自动生成方法，该方法包括：
[0008]S1、确定轨迹关键点坐标、以及相邻两个轨迹关键点之间的轨迹曲线模型；
[0009]S2、搭建性能指标库，构建多级优化模型；
[0010]S3、获取性能指标的权重因子，确定优化目标函数；
[0011]S4、基于优化目标函数，采用改进的遗传粒子群混合优化算法对各段轨迹的运动时间进行优化；
[0012]S5、基于轨迹曲线模型和各段轨迹的运动时间确定轨迹曲线模型参数，获取各段
轨迹曲线。
[0013]优选地，所述的轨迹曲线模型包括五次样条曲线，表示为：
[0014]p(t)＝a0+a1t+a2t2+a3t3+a4t4+a5t5[0015]其中，t表示运动时刻，p(t)表示t时刻的轨迹位置，a0、a1、a2、a3、a4、a5为待确定的轨迹曲线模型参数。
[0016]优选地，所述的多级优化模型为：
[0017]f＝ω1·
f_time+ω2·
f_len+ω3·
f_η+ω4·
f_vel+ω5·
f_acc
[0018][0019][0020][0021][0022][0023]其中，f多级优化模型性能指标加权和，f_time为运动时间性能指标，f_len为轨迹长度性能指标，f_η为相对能耗性能指标，f_vel为速度约束性能指标，f_acc为加速度约束性能指标，ω1、ω2、ω3、ω4、ω5为各性能指标的权重因子，tMin
i
为第i段轨迹的最短运动时间，t
i
为第i段轨迹的运动时间优化值，l
i
为第i段轨迹的长度，v
imax
为第i段轨迹的最大限幅速度，n为轨迹总段数，l
straight
为从起点到终止点间的路径最短长度，|s
i+1
‑
s
i
|为第i个轨迹关键点和第i+1个轨迹关键点之间的欧式距离，Q
i
、Q
i+1
分别为第i段、i+1段轨迹的起始角度，q
i
、q
i+1
分别为第i段、i+1段轨迹运动过程中运动体关节的转动角度，v表示运动过程中是实时速度，a表示运动过程中是实时加速度，v
max
表示最大限速，a
max
表示最大加速度。
[0024]优选地，步骤S4具体为：
[0025]S41、设定最大迭代次数和迭代终止条件；；
[0026]S42、初始化粒子群，设粒子群规模为N，每个粒子的维数为d，d＝n，n为轨迹总段数，以x
i
＝(x
i1
,x
i2
,...,x
id
)表示第i个粒子的空间位置，v
i
＝(v
i1
,v
i2
,...,v
id
)表示第i个粒子的速度，p
i
＝(p
i1
,p
i2
,...,p
id
)记录第i个粒子当前搜索的各维度空间位置最优值，p
g
＝(p
g1
,p
g2
,...,p
gd
)记录当前整个种群的粒子空间位置最优值，i＝1，2，
……
，N，所述的粒子的空间位置为待优化的各段轨迹的运动时间；
[0027]S43、采用参数改进后的粒子位置和速度更新公式更新粒子速度和位置；
[0028]S44、根据更新的粒子位置，基于轨迹曲线模型确定模型参数，计算优化目标函数的值作为粒子的适应度值；
[0029]S45、根据各粒子的适应度值更新最优粒子，使粒子种群朝着适应度值降低的方向收敛；
[0030]S46、采用遗传算法中的交叉变异技术，挑选种群中最优的两个粒子进行交叉遗传，并以概率对种群中某一随机粒子进行概率变异；
[0031]S47、返回步骤S43进行下一次循环计算，直至达到最大迭代次数k
max
或满足迭代终止条件，终止算法迭代，获取最优粒子。
[0032]优选地，所述的参数改进后的粒子位置和速度更新公式为：
[0033]v
ij
(k+1)＝ω(k)v
ij
(k)+c1(k)R1(p
ij
(k)
‑
x
ij
(k))+c2(k)R2(p
gj
(k)
‑
x
ij
(k))
[0034]x
ij
(k+1)＝x
ij
(k)+v
ij
(k+1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结合多级优化模型的机器人高性能轨迹自动生成方法，其特征在于，该方法包括：S1、确定轨迹关键点坐标、以及相邻两个轨迹关键点之间的轨迹曲线模型；S2、搭建性能指标库，构建多级优化模型；S3、获取性能指标的权重因子，确定优化目标函数；S4、基于优化目标函数，采用改进的遗传粒子群混合优化算法对各段轨迹的运动时间进行优化；S5、基于轨迹曲线模型和各段轨迹的运动时间确定轨迹曲线模型参数，获取各段轨迹曲线。2.根据权利要求1所述的一种结合多级优化模型的机器人高性能轨迹自动生成方法，其特征在于，所述的轨迹曲线模型包括五次样条曲线，表示为：p(t)＝a0+a1t+a2t2+a3t3+a4t4+a5t5其中，t表示运动时刻，p(t)表示t时刻的轨迹位置，a0、a1、a2、a3、a4、a5为待确定的轨迹曲线模型参数。3.根据权利要求1所述的一种结合多级优化模型的机器人高性能轨迹自动生成方法，其特征在于，所述的多级优化模型为：f＝ω1·
f_time+ω2·
f_len+ω3·
f_η+ω4·
f_vel+ω5·
f_accf_accf_accf_accf_acc其中，f多级优化模型性能指标加权和，f_time为运动时间性能指标，f_len为轨迹长度性能指标，f_η为相对能耗性能指标，f_vel为速度约束性能指标，f_acc为加速度约束性能指标，ω1、ω2、ω3、ω4、ω5为各性能指标的权重因子，tMin
i
为第i段轨迹的最短运动时间，t
i
为第i段轨迹的运动时间优化值，l
i
为第i段轨迹的长度，v
imax
为第i段轨迹的最大限幅速度，n为轨迹总段数，l
straight
为从起点到终止点间的路径最短长度，|s
i+1
‑
s
i
|为第i个轨迹关键点和第i+1个轨迹关键点之间的欧式距离，Q
i
、Q
i+1
分别为第i段、i+1段轨迹的起始角度，q
i
、q
i+1
分别为第i段、i+1段轨迹运动过程中运动体关节的转动角度，v表示运动过程中是实
时速度，a表示运动过程中是实时加速度，v
max
表示最大限速，a
max
表示最大加速度。4.根据权利要求1所述的一种结合多级优化模型的机器人高性能轨迹自动生成方法，其特征在于，步骤S4具体为：S41、设定最大迭代次数和迭代终止条件；；S42、初始化粒子群，设粒子群规模为N，每个粒子的维数为d，d＝n，n为轨迹总段数，以x
i
＝(x
i1
,x
i2
,...,x
id
)表示第i个粒子的空间位置，v
i
＝(v
i1
,v
i2
,...,v
id
)表示第i个粒子的速度，p
i
＝(p
i1
,p
i2
,...,p
id
)记录第i个粒子当前搜索的各维度空间位置最优值，p
g
＝(p
g1
,p
g2...

【专利技术属性】
技术研发人员：单磊，唐亮，刘成菊，陈启军，
申请(专利权)人：同济大学，
类型：发明
国别省市：