【技术实现步骤摘要】
本专利技术涉及工程机械智能作业，具体涉及一种智能工程机械作业姿态预测方法及系统。
技术介绍
1、挖掘机或挖掘装载机是一种常见的工程机械，其功能强大，在抢险救灾、基础建设等诸多领域中应用广泛。但是挖掘机或挖掘装载机在复杂工况作业时，需要技术娴熟的操作人员才能更好的完成任务，而操作者的培训周期长、耗费大、成效低。并且挖掘机或挖掘装载机通常工作地点有着噪音、尘土污染，甚至一些恶劣环境还会危及到操作人员的生命安全。
2、近年来随着为解决以上问题，工程机械无人化智能作业成为科研工作者的研究热点。要实现工程机械智能化作业，首当其冲要解决精确获取并预测工程机械的作业姿态。扩展卡尔曼滤波是姿态预测方法中常用的一种，其但其过程噪声矩阵和测量噪声矩阵的选择会对姿态预测的结果造成一定误差，从而影响到智能作业的精度，因而目前的研究主要集中在使用智能算法改进过程噪声矩阵与测量噪声矩阵。
技术实现思路
1、针对现有技术存在的问题，本专利技术提供一种智能工程机械作业姿态预测方法及系统，采用樽海鞘算法进行寻优，当樽海鞘算法陷入局部最优状态时，将粒子群算法融入樽海鞘算法并增大搜索空间，多次循环得到改进的樽海鞘算法，利用改进樽海鞘算法优化扩展卡尔曼滤波算法中的系统噪声协方差矩阵，得到智能扩展卡尔曼滤波算法，基于惯性测量单元测量分析得到的姿态信息，采用智能扩展卡尔曼滤波算法预测工程机械的下一步动作，提高了工程机械作业姿态预测结果的精度。
2、本专利技术的技术方案如下：
3、在本专利技
4、获取工程机械当前的作业姿态信息；
5、基于工程机械当前的作业姿态信息，采用智能扩展卡尔曼滤波算法预测工程机械的下一步作业姿态，具体为：采用樽海鞘算法进行寻优，当樽海鞘算法陷入局部最优状态时，将粒子群算法融入樽海鞘算法并增大搜索空间，多次循环得到改进的樽海鞘算法，利用改进的樽海鞘算法优化扩展卡尔曼滤波算法中的系统噪声协方差矩阵，得到智能扩展卡尔曼滤波算法，利用智能扩展卡尔曼滤波算法对工程作业姿态进行预测。
6、在本专利技术的一些实施方式中，所述工程机械为挖掘机或挖掘装载机，具体作业过程时，其动臂、斗杆、铲斗的协同运动完成挖掘作业；在挖掘作业时操作过程为：工程机械移动到合适位置，铲斗向前伸出，动臂下降到铲斗触碰到地面，后再操纵斗杆使铲斗完成挖掘和装载工作，铲斗装满后连同动臂一起升起，随即铲斗旋转到合适的卸载位置进行卸土，卸土完成后再次转到合适的挖掘位置，进行第二次挖掘循环。
7、在本专利技术的一些实施方式中，所述惯性测量包括测量三轴角速度的陀螺仪，测量三轴加速度的加速计以及提供三轴朝向信息的磁力计；惯性测量装置固连在挖掘机或挖掘装载机运动载体上，在经过各坐标系的坐标变换后，将陀螺仪测量得到的角速度信息与加速计测量得到的加速度信息转换到全局坐标系下，并去除重力加速度的影响；在惯性测量单元中采用四元数的姿态更新方法，其利用高阶的复数形式进行坐标变换，经姿态分析得到挖掘机或挖掘装载机运动载体在全局坐标系下的速度信息和位置信息。
8、在本专利技术的一些实施方式中，所述樽海鞘算法，假设搜索空间为n×d的欧式空间，n为种群数量，d为空间维数，空间中第i个个体的位置为：xi(0)＝lb+(ub-lb)·rand，其中i＝1,2,…,n，表示当前为第i个个体，lb为搜索空间的下限向量，ub为搜索空间的上限向量，rand为0与1之间的随机数；算法中将n个个体分为两组，分别是领导者和跟随者；领导者为种群中排在第一位的个体，其更新公式为：
9、
10、式中，表示d维中第一位樽海鞘即领导者在t次和t+1次迭代后的位置，ftd为d维中食物的位置，其为适应度值最好个体的位置，ubd、lbd是d维空间的上、下边界，为介于0与1之间的随机数，为收敛因子，其表达式为：其中t为迭代次数，t为最大迭代次数；
11、樽海鞘种群中除去领导者外其它为跟随者，其呈链状依次前进，并且位移符合牛顿运动定律，运动位移公式为：式中a为加速度，且计算公式为：a＝(vfianl-v0)/tt，v0为初始速度，tt为时间；在迭代过程中tt＝1，v0＝0，最终得到跟随者的位置公式为：
12、
13、在本专利技术的一些实施方式中，所述的粒子群算法，假设搜索空间为d维，并有n个粒子，则粒子群表示为：x＝{x1,x2,…xn}，其中x表示粒子群，xi表示种群中的第i个粒子，则第i个粒子的位置可以表示为：ai＝(a1,a2,…,ad)t，相应的第i个粒子的速度为：vi＝(v1,v2,…,vd)t，第i个粒子的局部最优解pbest为：pi＝(p1,p2,…,pd)t，整个粒子群的全局最优解gbest为：gi＝(g1,g2,…,gd)t；在迭代过程中粒子根据当前局部最优解与全局最优解对位置和速度进行更新，速度更新公式为：
14、vi(t+1)＝ω·vi(t)+c1r1(pi(t)-ai(t))+c2r2(gi(t)-ai(t))，
15、位置更新公式为：
16、ai(t+1)＝ai(t)+vi(t+1)，
17、其中，t表示粒子的第t次迭代，pi(t)表示第t次更新后粒子的局部最优，gi(t)表示第t次更新后粒子的全局最优，vi(t+1)表示粒子i在进行t+1次迭代后的速度，ai(t+1)表示粒子i在进行t+1次迭代后的位置，c1、c2为学习因子，分别为个体学习因子和社会学习因子，r1、r2为0与1之间的随机数，用来表示粒子群算法中每个粒子在搜索过程中的随机性，增加到达最优解的可能性，惯性系数ω用来平衡局部搜索和全局搜索。
18、在本专利技术的一些实施方式中，所述粒子群算法融入樽海鞘算法包括：引入粒子群算法的速度更新公式和位置更新公式改进所述樽海鞘算法中领导者与跟随者的更新公式；
19、樽海鞘算法改进后领导者的更新公式为：
20、
21、式中，分别表示d维中第一位樽海鞘即领导者在t次和t+1次迭代后的位置，ftd为d维中食物的位置，其为适应度值最好个体的位置，ubd、lbd是d维空间的上、下边界，为介于0与1之间的随机数，为收敛因子，其表达式为：其中t为迭代次数，t为最大迭代次数，a与b分别为樽海鞘算法与粒子群算法的权重系数，其中且a+b＝1；v1d(t+1)表示d维中领导者在第t+1次迭代时的速度，其表达式为：其中ω为惯性权重，r1、r2是两个随机数，ε1、ε2为学习因子，为个体最优解，为种群最优解；
22、樽海鞘算法改进后跟随者的更新公式变为：
23、
24、式中，分别表示d维中第i位樽海鞘在t次和t+1次迭代后的位置，vid(t+1)表示d维中第i个跟随者在第t+1次迭代时的速度ω为惯性权重，r1、r2是两个随机数，ε1、ε2为学习因子，为个体最优解，为种群最优解，tt为时间，迭代过程中取1。
25、在本发本文档来自技高网...
【技术保护点】
1.一种智能工程机械作业姿态预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的智能工程机械作业姿态预测方法，其特征在于，所述工程机械为挖掘机或挖掘装载机，具体作业过程时，其动臂、斗杆、铲斗的协同运动完成挖掘作业；在挖掘作业时操作过程为：工程机械移动到合适位置，铲斗向前伸出，动臂下降到铲斗触碰到地面，后再操纵斗杆使铲斗完成挖掘和装载工作，铲斗装满后连同动臂一起升起，随即铲斗旋转到合适的卸载位置进行卸土，卸土完成后再次转到合适的挖掘位置，进行第二次挖掘循环。
3.如权利要求1所述的智能工程机械作业姿态预测方法，其特征在于，所述惯性测量包括测量三轴角速度的陀螺仪，测量三轴加速度的加速计以及提供三轴朝向信息的磁力计；惯性测量装置固连在挖掘机或挖掘装载机运动载体上，在经过各坐标系的坐标变换后，将陀螺仪测量得到的角速度信息与加速计测量得到的加速度信息转换到全局坐标系下，并去除重力加速度的影响；在惯性测量单元中采用四元数的姿态更新方法，其利用高阶的复数形式进行坐标变换，经姿态分析得到挖掘机或挖掘装载机运动载体在全局坐标系下的速度信息和位置信息。
4
5.如权利要求1所述的智能工程机械作业姿态预测方法，其特征在于，所述的粒子群算法，假设搜索空间为D维，并有N个粒子，则粒子群表示为：X＝{x1,x2,…xN}，其中X表示粒子群，xi表示种群中的第i个粒子，则第i个粒子的位置可以表示为：ai＝(a1,a2,…,aD)T，相应的第i个粒子的速度为：vi＝(v1,v2,…,vD)T，第i个粒子的局部最优解Pbest为：Pi＝(P1,P2,…,PD)T，整个粒子群的全局最优解Gbest为：Gi＝(G1,G2,…,GD)T；在迭代过程中粒子根据当前局部最优解与全局最优解对位置和速度进行更新，速度更新公式为：
6.如权利要求1所述的智能工程机械作业姿态预测方法，其特征在于，所述粒子群算法融入樽海鞘算法包括：引入粒子群算法的速度更新公式和位置更新公式改进所述樽海鞘算法中领导者与跟随者的更新公式；
7.如权利要求1所述的智能工程机械作业姿态预测方法，其特征在于，所述增大搜索空间，多次循环得到改进的樽海鞘算法，包括：首先采用樽海鞘算法寻优，令其表示d维中t+1次迭代后食物位置与t次迭代后食物位置的差除以t次迭代后食物的位置；当樽海鞘算法连续20次λ(t+1)<1％时，此时迭代变化极小，对该算法进行随机扰动，即采用融合粒子群算法的樽海鞘算法寻优；然后增加樽海鞘算法的搜索空间，令d维空间的上限式中，为d维空间扩大后的上限，ubd为d维空间扩大前的上限，t为迭代次数，T为最大迭代次数；继续寻优，把寻优得到的最优解与所述樽海鞘算法得到的最优解比较获得新的最优解，并用Nzhq作为累计次数，当Nzhq≥3或者t＝T达到最大迭代次数时迭代停止得到最终最优解，得到改进的樽海鞘算法。
8.如权利要求1所述的智能工程机械作业姿态预测方法，其特征在于，所述扩展卡尔曼滤波算法利用泰勒展开并只保留一阶泰勒级数展开项的方法对非线性系统进行优化，然后通过系统的状态方程和观测方程对系统的状态信息进行估计，使用上一次的最优结果预测当前的值，同时使用观测值修正当前值，得到最优结果；系统的状态方程与测量方程为：
9.如权利要求1所述的智能工程机械作业姿态预测方法，其特征在于，所述利用改进的樽海鞘算法优化扩展卡尔曼滤波算法中的系统噪声协方差矩阵，得到智能扩展卡尔曼滤波算法，包括：利用改进的樽海鞘算法对系统噪声协方差矩阵进行寻优得到修正的协方差矩阵，作为扩展卡尔曼滤波中新的系统噪声协方差矩阵，并使用扩展卡尔曼滤波进行参数估计，最终得到优化的状态估计值；
10.一种智能工程机械作业姿态预测系统，其特征在于，包括：
...【技术特征摘要】
1.一种智能工程机械作业姿态预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的智能工程机械作业姿态预测方法，其特征在于，所述工程机械为挖掘机或挖掘装载机，具体作业过程时，其动臂、斗杆、铲斗的协同运动完成挖掘作业；在挖掘作业时操作过程为：工程机械移动到合适位置，铲斗向前伸出，动臂下降到铲斗触碰到地面，后再操纵斗杆使铲斗完成挖掘和装载工作，铲斗装满后连同动臂一起升起，随即铲斗旋转到合适的卸载位置进行卸土，卸土完成后再次转到合适的挖掘位置，进行第二次挖掘循环。
3.如权利要求1所述的智能工程机械作业姿态预测方法，其特征在于，所述惯性测量包括测量三轴角速度的陀螺仪，测量三轴加速度的加速计以及提供三轴朝向信息的磁力计；惯性测量装置固连在挖掘机或挖掘装载机运动载体上，在经过各坐标系的坐标变换后，将陀螺仪测量得到的角速度信息与加速计测量得到的加速度信息转换到全局坐标系下，并去除重力加速度的影响；在惯性测量单元中采用四元数的姿态更新方法，其利用高阶的复数形式进行坐标变换，经姿态分析得到挖掘机或挖掘装载机运动载体在全局坐标系下的速度信息和位置信息。
4.如权利要求1所述的智能工程机械作业姿态预测方法，其特征在于，所述樽海鞘算法，假设搜索空间为n×d的欧式空间，n为种群数量，d为空间维数，空间中第i个个体的位置为：xi(0)＝lb+(ub-lb)·rand，其中i＝1,2,…,n，表示当前为第i个个体，lb为搜索空间的下限向量，ub为搜索空间的上限向量，rand为0与1之间的随机数；算法中将n个个体分为两组，分别是领导者和跟随者；领导者为种群中排在第一位的个体，其更新公式为：
5.如权利要求1所述的智能工程机械作业姿态预测方法，其特征在于，所述的粒子群算法，假设搜索空间为d维，并有n个粒子，则粒子群表示为：x＝{x1,x2,…xn}，其中x表示粒子群，xi表示种群中的第i个粒子，则第i个粒子的位置可以表示为：ai＝(a1,a2,…,ad)t，相应的第i个粒子的速度为：vi＝(v1,v2,…,vd)t，第i个粒子的局部最优解pbest为：pi＝(p1,p2...
【专利技术属性】
技术研发人员：闫伟，孙方哲，刘淑强，王进，胡滨，李国祥，
申请(专利权)人：山东大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。