基于数据驱动的机器人能耗优化方法技术

本发明专利技术提供的一种基于数据驱动的机器人能耗优化方法，包括以下步骤：S1.获取目标机器人的关节轨迹；S2.将目标机器人的关节轨迹按时域均分为k个段，并对每一段关节轨迹进行变时间尺度缩放；S3.采用元启发算法搜索满足机器人运动约束及时间约束条件且使得矩阵A列满秩的n条缩放关节轨迹；S4.控制目标机器人按次序执行所述n条缩放轨迹，并采集每条缩放轨迹在每个时间段内的能耗值E

【技术实现步骤摘要】
基于数据驱动的机器人能耗优化方法


[0001]本专利技术涉及一种机器人能耗优化方法，尤其涉及一种基于数据驱动的机器人能耗优化方法。

技术介绍

[0002]现有技术中，机器人的能耗计算需要依靠其驱动系统的详细技术参数，包括永磁同步伺服电机、变频器以及整流器等。但是机器人用户往往无法获取相应的参数，且机器人技术参数会随着工况的变化而变化。同时，同一工作任务，采用不同进给速率，机器人能耗也存在较大的差异，从而难以准确地确定出机器人的能耗。
[0003]因此，为了解决上述技术问题，亟需提出一种新的技术手段。

技术实现思路

[0004]有鉴于此，本专利技术的目的是提供一种基于数据驱动的机器人能耗优化方法，通过机器人的关节轨迹以及执行关节轨迹的能耗值就能够对机器人的能耗进行优化确定，无需获取机器人的其他相关参数，在保证能耗计算准确性的同时有效提高能耗优化评估效率。
[0005]本专利技术提供的一种基于数据驱动的机器人能耗优化方法，包括以下步骤：
[0006]S1.获取目标机器人的预设关节轨迹q
r
(u)；其中，u为预设关节轨迹执行时间；
[0007]S2.将目标机器人的预设关节轨迹q
r
(u)按时域均分为k个段，并对每一段关节轨迹进行变时间尺度缩放；q
i,s
(t)＝q
i,r
(u)，1≤i≤k；其中，变时间尺度缩放函数为：
[0008][0009]其中：q
s
(t)为变时间尺度缩放后的关节轨迹，t为变时间尺度缩放后关节轨迹执行时间，C
i
均为变时间尺度缩放系数，在第i个时间段内为常数；
[0010]S3.采用元启发算法搜索满足机器人运动约束及时间约束条件下且满足矩阵A列满秩的n条缩放关节轨迹，其中，矩阵A为：
[0011][0012]其中：
[0013]S4.控制目标机器人按次序执行所述n条缩放轨迹，并采集每条缩放轨迹在每个时间段内的能耗值E
i,m
，其中：1≤i≤k，1≤m≤n；
[0014]S5.构建机器人能耗特性参数计算模型：
[0015]b＝(A
T
A)
‑1A
T
E，其中：b＝[b
i,1 b
i,2
ꢀ…ꢀ
b
i,12
]T
为机器人能耗特性参数，E＝[E
i,1 E
i,2
ꢀ…ꢀ
E
i,m
ꢀ…ꢀ
E
i,n
]T
；
[0016]S6.构建能耗优化计算模型：
[0017][0018]；采用动态规划算法，结合如下时间缩放状态空间表达式对缩放参数进行搜索，并基于能耗优化计算模型及状态转移方程对关节轨迹能耗进行迭代计算，最终得到满足指定条件的能耗最优缩放轨迹及最优能耗值：
[0019][0020]其中：
△
＝u
i+1
‑
u
i
，
△
为常数；指定条件为机器人在指定时间段上的位置约束、速度约束、加速度约束以及缩放后整段轨迹执行时间；
[0021]另外，动态规划算法的状态转移方程为：
[0022][0023]其中：L
i
表示前i
‑
1个时间段上最低关节轨迹能耗，E
i
表示机器人从状态转移到由能耗优化计算模型计算得到的关节轨迹能耗。
[0024]进一步，所述的机器人运动约束包括位置约束、速度约束以及加速度约束。
[0025]进一步，时间约束为机器人执行步骤S2中缩放后的整条关节轨迹最大允许时间。
[0026]进一步，元启发算法包括但不限于禁忌搜索算法、模拟退火算法、遗传算法、蚁群优化算法、粒子群优化算法、人工鱼群算法、人工蜂群算法、人工神经网络算法。
[0027]本专利技术的有益效果：通过本专利技术，通过机器人的关节轨迹以及执行关节轨迹所得的能耗值就能够对机器人的能耗进行优化确定，无需获取机器人的其他相关参数，在保证能耗准确性的同时有效提高能耗优化评估效率。
附图说明
[0028]下面结合附图和实施例对本专利技术作进一步描述：
[0029]图1为本专利技术的流程图。
具体实施方式
[0030]以下进一步对本专利技术做出说明：
[0031]本专利技术提供的一种基于数据驱动的机器人能耗优化方法，包括以下步骤：
[0032]S1.获取目标机器人的预设关节轨迹q
r
(u)；其中，u为预设关节轨迹执行时间；
[0033]S2.将目标机器人的预设关节轨迹q
r
(u)按时域均分为k个段，并对每一段关节轨
迹进行变时间尺度缩放；q
i,s
(t)＝q
i,r
(u)，1≤i≤k；其中，变时间尺度缩放函数为：
[0034][0035]其中：q
s
(t)为变时间尺度缩放后的关节轨迹，t为变时间尺度缩放后关节轨迹执行时间，C
i
均为变时间尺度缩放系数，在第i个时间段内为常数；
[0036]S3.采用元启发算法搜索满足机器人运动约束及时间约束条件下且满足矩阵A列满秩的n条缩放关节轨迹，其中，矩阵A为：
[0037][0038]其中：其中：所述的机器人运动约束包括位置约束、速度约束、加速度约束，即是说：机器人的运动必须满足位置关系、指定的运行速度以及加速度；时间约束为机器人执行步骤S2中缩放后的整条关节轨迹最大允许时间；元启发算法包括但不限于禁忌搜索算法、模拟退火算法、遗传算法、蚁群优化算法、粒子群优化算法、人工鱼群算法、人工蜂群算法、人工神经网络算法，上述中的算法任意选择其中一种即可，且上述算法均为现有算法，在此不进行赘述；
[0039]S4.控制目标机器人按次序执行所述n条缩放轨迹，并采集每条缩放轨迹在每个时间段内的能耗值E
i,m
，其中：1≤i≤k，1≤m≤n；
[0040]S5.构建机器人能耗特性参数计算模型：
[0041]b＝(A
T
A)
‑1A
T
E，其中：b＝[b
i,1 b
i,2
ꢀ…ꢀ
b
i,12
]T
为机器人能耗特性参数，E＝[E
i,1 E
i,2
ꢀ…ꢀ
E
i,m
ꢀ…ꢀ
E
i,n
]T
；
[0042]S6.构建能耗优化计算模型：
[0043][0044]；采用动态规划算法，结合如下时间缩放状态空间表达式对缩放参数进行搜索，并基于能耗优化计算模型及状态转移方程对关节轨迹能耗进行迭代计算，最终得到满足指定条件的能耗最优缩放轨迹及最优能耗值：
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据驱动的机器人能耗优化方法，其特征在于：包括以下步骤：S1.获取目标机器人的预设关节轨迹q
r
(u)；其中，u为预设关节轨迹执行时间；S2.将目标机器人的预设关节轨迹q
r
(u)按时域均分为k个段，并对每一段关节轨迹进行变时间尺度缩放；q
i,s
(t)＝q
i,r
(u)，1≤i≤k；其中，变时间尺度缩放函数为：其中：q
s
(t)为变时间尺度缩放后的关节轨迹，t为变时间尺度缩放后关节轨迹执行时间，C
i
均为变时间尺度缩放系数，在第i个时间段内为常数；S3.采用元启发算法搜索满足机器人运动约束及时间约束条件下且满足矩阵A列满秩的n条缩放关节轨迹，其中，矩阵A为：其中：S4.控制目标机器人按次序执行所述n条缩放轨迹，并采集每条缩放轨迹在每个时间段内的能耗值E
i,m
，其中：1≤i≤k，1≤m≤n；S5.构建机器人能耗特性参数计算模型：b＝(A
T
A)
‑1A
T
E，其中：b＝[b
i,1 b
i,2
…
b
i,12
]
T
为机器人能耗特性参数，E＝[E
i,1 E
i,2
...

【专利技术属性】
技术研发人员：江沛，王作学，李孝斌，曹华军，
申请(专利权)人：重庆大学，
类型：发明
国别省市：