一种基于DMSPSO-CIL算法的七自由度机械臂解析解优化方法技术

本发明专利技术提供了一种基于DMSPSO

【技术实现步骤摘要】
一种基于DMSPSO
‑
CIL算法的七自由度机械臂解析解优化方法


[0001]本专利技术涉及人机交互
，具体为一种基于DMSPSO
‑
CIL算法的七自由度机械臂解析解优化方法。

技术介绍

[0002]医疗机器人是指用于医院、诊所、康复中心等医疗场景下进行医疗操作或辅助医疗的机器人。医疗机器人能够辅助医生，扩展医生的能力，具有医用性、临床适应性以及良好交互性三大特性。近年来，众多研究机构和商业公司致力于医疗机器人系统的研究和实践，对遥操式机器人在医疗行业中的应用进行了深入研究。在实际机器人作业场景中，6自由度机器人可以在三维空间中，进行绕轴的自由移动或者旋转，可以满足大部分场景的操作需求，然而在复杂非结构化应用场景中，七自由度冗余机器人多出一个额外的自由度可以允许机械臂躲避特定障碍，便于末端执行器到达指定位置，具有更全面的灵活性。例如，在进行超声诊断时，为了全方位的识别病灶，超声探头需要有灵活的多角度旋转特性。然而，灵活性的提高必将会带来机械臂结构的复杂化，从而导致逆运动学解的多样性。在三维空间中，对于给定的末端执行器位姿，自由度的冗余将会产生无穷解。我们将所有无穷解的集合称作封闭解。在机械臂实际应用中，封闭解对于解决关节受限、主动避障、奇异配置、机械臂动力学优化等问题起到了关键的作用。
[0003]求解机械臂逆运动学解是一项困难且颇具挑战性的工作。利用雅可比矩阵的数值迭代法求机械臂运动学逆解是最为常见的方法。然而，由于该方法需要先计算逆雅克比矩阵，这是一个非常复杂的过程。特别对于冗余臂而言，雅克比矩阵非方阵，这无疑会增加求解难度。基于此，研究者们还探索了其他不依赖于雅克比矩阵的数值迭代方法，然而这些方法仍然不能避免繁杂的迭代带来的求解速度慢，收敛精度低等问题。因此，寻找另一种求解方法(即封闭形式的解析解)便成为解决机械臂逆运动学问题的研究热点。

技术实现思路

[0004]本专利技术的目的是针对七自由度机械臂求逆解复杂的问题、传统粒子群存在的收敛速度慢，搜索精度低的问题。
[0005]提出一种新型的粒子群优化算法DMSPSO
‑
CIL来进行改进的收敛速度慢，搜索精度低的问题。它主要包括两个策略：第一，动态多子群策略(DMS)。在DMS中，种群数量随着算法迭代过程的进行按照既定的规则逐渐减小直至为一，以此达到平衡种群的全局和局部搜索能力，增强搜索多样性的目的；第二，全面互动学习策略(CIL)。该策略通过采用四种交互学习模式：子群内学习(INTRA
‑
SL)，子群间学习(INTER
‑
SL)，最佳学习(OL)和快速收敛(FC)，允许每个子群中的粒子相互学习，从其他子群中的粒子学习或从整个子群中的最优子群学习。从而进一步增强了种群的局部搜索和全局搜索能力，同时加快收敛速度。
[0006]针对七自由度机械臂求逆解复杂的问题，与传统的利用数值迭代法对六自由度机械臂求逆解方法不同，我们采用基于ASIK
‑
RMLO的几何解析法分析并求解了Barrett WAM七
自由度机器人逆运动学问题。其次，对于冗余机器人存在无穷多逆解的情况，我们基于“关节角变化量最小”这一系统需求，建立了相应的目标函数，采用提出的DMSPSO
‑
CIL算法对该实际问题进行求解优化。
[0007]为实现上述目的，本专利技术提供如下技术方案：一种基于DMSPSO
‑
CIL算法的七自由度机械臂解析解优化方法，包括以下步骤：
[0008]步骤s1：获取当前机械臂关节角信息θ
cur
，机械臂下一时刻位姿信息P
T
,R
T
；
[0009]步骤s2：将当前位姿信息输入逆运动学解算器得到冗余圆和冗余角
[0010]步骤s3：将作为新型的粒子群优化算法DMSPSO
‑
CIL算法中粒子的位置，进行更新迭代；DMSPSO
‑
CIL包括两个策略：动态多子群策略DMS和全面互动学习策略CIL；在DMS中，种群数量随着算法迭代过程的进行按照既定的规则逐渐减小直至为一；CIL通过采用四种交互学习模式：子群内学习INTRA
‑
SL，子群间学习INTER
‑
SL，最佳学习OL和快速收敛FC，允许每个子群中的粒子相互学习，从其他子群中的粒子学习或从整个子群中的最优子群学习；
[0011]步骤s4：给出最优解及其对应的机械臂关节角值θ
nest
；
[0012]将最优解定义为解集中与上一个解关节角之差最小者，具体的数学模型阐述如下：
[0013][0014]其中，是冗余圆冗余角参数，θ
nest
,θ
cur
分别为当前时刻机械臂关节角值和下一时刻的关节角可行解，P
T
和R
T
为机械臂下一时刻的手部期望位姿，即是带连杆偏移的冗余机械臂逆运动学封闭解方法的公式表示。
[0015]进一步的，DMSPSO
‑
CIL算法：
[0016]s301:在DMSPSO
‑
CIL中，首先随机初始化所有N个粒子的速度和位置，并评估其相应的适应度值，同时gbest也被初始化，N个粒子被分成n个子群，每个子群对应的gbestj也会被初始化，将最大迭代次数设置为t
max
，分为m个阶段，每个阶段包括次迭代，m定义为m＝log2
n
+1；
[0017]s302:阶段l，l∈[1,m]，包括t次迭代，阶段l第t次迭代，整个群体包括个子群，对于子群j，有个粒子；
[0018]s303：对于子群j的粒子i，其速度更新根据INTRA
‑
SL，INTER
‑
SL和OL模式，如果且p<r都成立，则每个粒子都根据INTRA
‑
SL进行速度更新，如果满足且p≥r，则每个粒子速度更新执行INTEA
‑
SL，如果则每个粒子根据FC模式进行速度更新，然后，更新每个粒子的位置，pbesti以及子群j中的gbestj；
[0019]s304：如果子群j中的gbestj在连续ρ次迭代中没有变化，且整个群中子群的数量大于1，即则为gbestj执行OL模式；
[0020]s305：对于阶段l的第t次迭代，将更新整个群体中的gbest；
[0021]s306：判断是否满足终止条件，满足则跳到步骤s4，否则循环执行步骤s302～s305。
[0022]进一步的，DMS机制的过程如下：
[0023]s3011:整个种群包含N个粒子{X1,X2,
…
,X
N
}；将N个粒子分为n个子群{S1,S2,
…
,S
n
}，每个子群由N/n个粒子组成；对于j∈[1,n本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于DMSPSO
‑
CIL算法的七自由度机械臂解析解优化方法，其特征在于：包括以下步骤：步骤s1：获取当前机械臂关节角信息θ
cur
，机械臂下一时刻位姿信息P
T
,R
T
；步骤s2：将当前位姿信息输入逆运动学解算器得到冗余圆和冗余角步骤s3：将作为新型的粒子群优化算法DMSPSO
‑
CIL算法中粒子的位置，进行更新迭代；DMSPSO
‑
CIL包括两个策略：动态多子群策略DMS和全面互动学习策略CIL；在DMS中，种群数量随着算法迭代过程的进行按照既定的规则逐渐减小直至为一；CIL通过采用四种交互学习模式：子群内学习INTRA
‑
SL，子群间学习INTER
‑
SL，最佳学习OL和快速收敛FC，允许每个子群中的粒子相互学习，从其他子群中的粒子学习或从整个子群中的最优子群学习；步骤s4：给出最优解及其对应的机械臂关节角值θ
nest
；将最优解定义为解集中与上一个解关节角之差最小者，具体的数学模型阐述如下：其中，是冗余圆冗余角参数，θ
nest
,θ
cur
分别为当前时刻机械臂关节角值和下一时刻的关节角可行解，P
T
和R
T
为机械臂下一时刻的手部期望位姿，即是带连杆偏移的冗余机械臂逆运动学封闭解方法的公式表示。2.根据权利要求1所述的一种基于DMSPSO
‑
CIL算法的七自由度机械臂解析解优化方法，其特征在于：DMSPSO
‑
CIL算法：s301:在DMSPSO
‑
CIL中，首先随机初始化所有N个粒子的速度和位置，并评估其相应的适应度值，同时gbest也被初始化，N个粒子被分成n个子群，每个子群对应的gbestj也会被初始化，将最大迭代次数设置为t
max
，分为m个阶段，每个阶段包括次迭代，m定义为m＝log2
n
+1；s302:阶段l，l∈[1,m]，包括t次迭代，阶段l第t次迭代，整个群体包括个子群，对于子群j，有个粒子；s303：对于子群j的粒子i，其速度更新根据INTRA
‑
SL，INTER
‑
SL和OL模式，如果且p＜r都成立，则每个粒子都根据INTRA
‑
SL进行速度更新，如果满足且p≥r，则每个粒子速度更新执行INTEA
‑
SL，如果则每个粒子根据FC模式进行速度更新，然后，更新每个粒子的位置，pbesti以及子群j中的gbestj；s304：如果子群j中的gbestj在连续ρ次迭代中没有变化，且整个群中子群的数量大于1，即则为gbestj执行OL模式；s305：对于阶段l的第t次迭代，将更新整个群体中的gbest；s306：判断是否满足终止条件，满足则跳到步骤s4，否则循环执行步骤s302～s305。3.根据权利要求1所述的一种基于DMSPSO
‑
CIL算法的七自由度机械臂解析解优化方法，其特征在于：DMS机制的过程如下：
s3011:整个种群包含N个粒子{X1,X2,
…
,X
N
}；将N个粒子分为n个子群{S1,S2,
…
,S
n
}，每个子群由N/n个粒子组成；对于j∈[1,n]，S
j
表示为S
j
＝{X
(j
‑
1)N/n+1
,X
(j
‑
1)N/n+2
,
…
...

【专利技术属性】
技术研发人员：李春泉，陈义洁，姚凯文，江逸冰，陈利民，刘小平，
申请(专利权)人：南昌大学，
类型：发明
国别省市：