结合田口方法的改进人工蜂群算法的机械臂逆求解器技术

本发明专利技术公开了一种田口法与改进的人工蜂群算法融合的机械臂逆运动器。所述方法在完成机械臂的运动学建模之后，需要应用运动学模型及约束条件构建该问题的适应度函数，再利用改进人工蜂群算法搜索机械臂的逆运动学解，最后采取田口方法对改进人工蜂群算法的重要参数进行筛选。该方法引入了新的智能群体算法——人工蜂群算法的改进算法来实现机械臂的逆运动学求解问题，通过考虑蜂群移动速度，引入相关参数有效地提高了算法对于该问题的求解精度，改善了解决机械臂逆运动学问题中会陷入局部最优的缺点。同时，应用田口方法选择最合适的算法参数，可以获得更好的求解效果。可以获得更好的求解效果。

【技术实现步骤摘要】
结合田口方法的改进人工蜂群算法的机械臂逆求解器


[0001]本专利技术属于机械臂运动学


技术介绍

[0002]机器人运动学作为机器人研究中的重要部分，其中的逆运动学模块是后续进行轨迹规划与控制研究的基础。机械臂逆运动学求解存在着多解的问题，同时也有很多求解方式，而求解方式的通用性、鲁棒性以及效率都是判定其是否优秀的标准。
[0003]相比于正运动学，操作臂逆运动学的研究，即在已知末端执行器的期望位姿计算一系列能够满足期望的关节角的难度更大。逆运动学求解问题本质上是一个非线性、高耦合的复杂问题，因此没有通用的求解算法。
[0004]复杂度较低的机械臂通常可以采用解析法（又分为代数法和几何法）和数值法进行逆运动学求解。具体地，在对目标机器人完成运动学建模得到解析表达式后，可以通过几何分析、三角变换等方式完成求解。但解析法只能用于满足Pieper准则的机械臂，同时缺乏通用性，也无法解决高自由度的复杂逆运动学问题。
[0005]随着智能优化算法的发展，各种算法也被应用在了机械臂逆运动学之中，为逆运动学求解问题提出了新的求解方案。粒子群算法、麻雀搜索算法、果蝇优化算法等群体智能算法以及其改进算法应用于逆运动学问题。人工蜂群算法是一种汲取蜜蜂群体采蜜智慧的群体智能优化算法，因为其具有参数少、求解过程快、复杂度低等优势，被广泛应用于诸多的实际问题之中。但在应用于解决机械臂逆运动学问题时，人工蜂群算法仍存在着陷入局部最优的问题，在求解精度及求解稳定性上还有待提升。

技术实现思路

[0006]本专利技术的目的是提出了一种混合田口方法和速度辅助的人工蜂群算法的逆运动学求解器，提高了机械臂逆运动学求解的效率和求解稳定性的结合田口方法的改进人工蜂群算法的机械臂逆求解器。
[0007]本专利技术的步骤是：S1、设计改进人工蜂群算法逆运动学求解器：将蜜蜂分为采蜜蜂、观察蜂和侦查蜂，引入了个体移动速度对该算法的蜜源位置更新方式进行改进，在初始化时增设了最大距离比用于结合位置的上下界和得到速度限制：
ꢀꢀꢀꢀꢀ
（3）同时增加权重系数用于调整速度参数，引入弃权限制系数对弃权限制参数进行设置：
ꢀꢀꢀꢀꢀꢀꢀ
（4）其中是进行四舍五入处理的函数；求解器的具体求解过程如下：步骤4.1：根据正运动学模型，在机械臂工作空间即约束范围内初始化蜜源位置，其中，是一个n维的蜜源位置信息，N为蜜源个数，同时对算法的迭代次数、种群个数、加速度系数和权重系数参数进行设置，根据适应度函数计算每个蜜源中的适应度值以判断蜜源的优劣；步骤4.2：将采蜜蜂与步骤4.1中的初始化蜜源一一对应，再根据式(5)更新蜜源：
ꢀꢀꢀꢀꢀꢀꢀ
（5）其中，为调整移动的权重系数，为加速度系数，为个体的速度和位置，为除外的随机某个个体的速度和位置；更新后的速度及位置需要与速度的约束边界比较，在范围内则保留，否则取边界值。完成位置更新之后再通过计算适应度值的方式判断蜜源的优劣0并保留最好的蜜源，同时需要记录蜜源无法更新到更好适应度的次数；步骤4.3：计算采蜜蜂所获信息的分享概率，再将采蜜蜂得到的信息以此概率与雇佣蜂和观察蜂分享；观察蜂根据采蜜蜂提供的蜜源信息，采用式(5)的迭代策略更新蜜源信息，同时记录蜜源无法更新到更好适应度的次数以判断蜜源是否枯竭；步骤4.4：根据步骤4.2和步骤4.3中记录的参数与放弃蜜源的限制次数进行比较，若，则继续对已有的蜜源进行勘探，否则若达到了放弃限制次数，说明此时的蜜源已经枯竭，没有继续开发的价值，则需要将雇佣蜂和观察蜂转化为侦查蜂，放弃已经枯竭蜜源并重新初始化蜜源得到新的蜜源信息；步骤4.5：将最好的蜜源保留下来并判断是否达到求解的截至条件，如果达到搜索的截止条件，则算法停止，输出最终的种群，也即优化解；否则，返回到步骤4.2中继续行进蜜源位置更新；步骤5：应用田口方法优化参数：针对改进的人工蜂算法选取了种群规模、弃权限制系数、最大距离比、最大权重系数四个参数作为影响因素，并将每个影响因素分成了3个等级，再据此得到影响因素的正交阵列；最后通过引入信噪比衡量正交阵列每次实验的质量。
[0008]本专利技术适用范围广，且迭代过程中适应度函数收敛速度相较于基本的人工蜂群算法求解器有所提升，提高了机械臂逆运动学求解的效率和求解稳定性。
附图说明
[0009]图1为人工蜂群算法中三种蜂群的关系示意图；
图2为宏微机械臂简图；图3为宏微机械臂的坐标示意图；图4为本文提出的求解器应用中的工作流程图；图5为对正交阵列进行实验得到的结果图；图6为正交阵列9组参数的信噪比；图7为人工蜂群算法引入速度因素辅助寻优前后求解器的求解效果对比图。
具体实施方式
[0010]本专利技术通过以下技术方案实现，具体步骤如下：步骤1：坐标建立及参数定义：对需要进行逆求解的机械臂（n自由度）进行结构分析，明确求解对象的杆长、关节角以及具体工作时每个关节角的约束信息，根据其具体特征依据运动学分析的原则在各个关节处建立直角坐标系。
[0011]步骤2：机械臂运动学模型建立：在步骤1的基础上，采用D
‑
H建模或齐次变换矩阵方法对机械臂进行正运动学模型的建立。通过相邻两个关节角的变换关系，依次相乘得到机械臂末端位姿与参考坐标系的变换矩阵：
ꢀꢀꢀ
（1）其中，是一个自变量为机械臂关节角的函数，表示机械臂末端的坐标系相对于基坐标的变换矩阵；为机械臂末端的姿态矩阵，表示机械臂末端参考基坐标下的空间姿态；为机械臂末端位置矢量，表示机械臂末端参考基坐标下的空间位置。
[0012]步骤3：构造适应度函数及指定约束条件：为了判断所求的关节角参数的优劣，以机械臂末端位姿误差最小为约束条件构建适应度函数。因为机械臂工作状态一般为重复作业过程，故而可以忽略姿态误差，只考虑末端位置的误差。综上，建立如下适应度函数：
ꢀꢀ
（2）其中，表示机械臂末端的实际位置，而为期望机械臂末端达到的位置坐标参数。
[0013]那么，适应度函数的本质就是实际位置与期望位置之间的误差。当求得的参数能达到的位置与期望位置完全一致时，适应度函数恒为0，故而通过适应度值可以判断解的优劣，适应度值越接近0，说明越接近期望位姿；反之，适应度值越大，说明解偏离期望位姿的程度越大。
[0014]步骤4：设计改进人工蜂群算法逆运动学求解器：人工蜂群算法是一种群体智能启发式算法，其参考蜜蜂群体的采蜜过程，该群体行为中为了找到花蜜最多的蜜源（也即实际问题中的最优解），将蜜蜂分为了3种，分别是采蜜蜂、观察蜂和侦查蜂，三者之间的关系如图1所示。
[0015]基于人工蜂群算法，引入了个体移动速度对该算法的蜜源位置更新方式进行改进，在初始化时增设了最大距离比用于结合位置的上下界和得到速度限制：
ꢀꢀꢀꢀ
（3）。
[0016]同时增加权重系数用于调整速度参数，引入弃权限制系数对弃权限制参数进行设置：
ꢀꢀꢀ
（4）其中是进行四舍五入处理的函数。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结合田口方法的改进人工蜂群算法的机械臂逆求解器，其特征在于：其步骤是：S1、设计改进人工蜂群算法逆运动学求解器：引入了个体移动速度对该算法的蜜源位置更新方式进行改进，在初始化时增设了最大距离比用于结合位置的上下界和得到速度限制：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3）同时增加权重系数用于调整速度参数，引入弃权限制系数对弃权限制参数进行设置：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（4）其中是进行四舍五入处理的函数；求解器的具体求解过程如下：步骤4.1：根据正运动学模型，在机械臂工作空间即约束范围内初始化蜜源位置，其中，是一个n维的蜜源位置信息，N为蜜源个数，同时对算法的迭代次数、种群个数、加速度系数和权重系数参数进行设置，根据适应度函数计算每个蜜源中的适应度值以判断蜜源的优劣；步骤4.2：将采蜜蜂与步骤4.1中的初始化蜜源一一对应，再根据式(5)更新蜜源：
ꢀꢀꢀꢀ
（5）其中，为调整移动的权重系数，为加速度系数，为个体的速度和位置，为除外的随机某个个体的速度和位置；更新后的速度及位置需要与速度的约束边界比较，在范围内则保留，否则取边界值。完成位置更新之后...

【专利技术属性】
技术研发人员：胡云峰，李佳敏，唐志国，陈虹，
申请(专利权)人：吉林大学，
类型：发明
国别省市：