【技術實現步驟摘要】
本專利技術屬于冗余機器人逆解求解優化的運動控制，具體涉及一種基于多目標pareto最優-粒子群混合的機器人逆解優化方法及系統。
技術介紹
1、大型船舶和鍋爐廠內具有數量龐大的管道，但自由空間較小，焊工在焊接過程中難以保持良好的焊接姿勢和操作，影響焊接質量和效率。目前大部分的管道焊接工作由人工完成，機械化程度低，生產效率低，且焊接過程通常需要在高溫和有害的環境下進行，長時間接觸高溫焊接過程會對焊工的身體健康造成不利影響，同時也會增加作業風險。近年來，隨著自動化技術的發展，焊接自動化技術也得到了快速發展，出現了許多自動焊接設備，如自動焊接機、焊接小車、激光焊接機、焊接機器人等，以實現焊接過程的參數調節、焊接路徑控制等，提高焊接的質量和效率。
2、但對于管道接頭處的全位置多道焊，以及大型船舶和鍋爐廠內在役的有缺陷管道補焊需求，在焊接空間靈活度上，目前的相關自動化焊接設備都難以滿足要求。與傳統的無冗余6自由度機械手相比，7r冗余機器人具有更大的靈活性。7r冗余機器人的末端位姿對應著無數個關節組合，這使得7r冗余機器人在保持末端不變的情況下，各關節仍然運動，這是冗余機器人特有的自適應特性，因此它的優點有避障、避奇異、增強可操作性等。基于上述優點，能較好地滿足焊接靈活度要求。然而，這種特性使得7r冗余機器人的逆解具有多解性，對逆運動學增加了復雜性。
3、目前7r冗余機器人目前主要的逆運動學求解算法有幾何法、加權最小范數法、神經網絡法、遺傳算法、粒子群等，但保證精度時往往會失去冗余機器人自適應性能，但僅僅依賴智能算法保
技術實現思路
1、本專利技術旨在解決現有技術的不足，提供了如下方案：
2、一種基于多目標pareto最優-粒子群混合的機器人逆解優化方法，包括以下步驟：
3、構建7r冗余機器人的運動學模型，并計算逆運動學解析解；
4、設定機器人所述逆運動學解析解的約束條件和優化目標，所述約束條件包括：避障、避奇異和關節極限，所述優化目標包括：躍度最優、時間最優和彎曲度最優；
5、基于所述約束條件和所述優化目標對所述逆運動學解析解進行優化，得到逆運動學最優解。
6、優選的，計算所述逆運動學解析解的過程包括：
7、構建7r冗余機器人的所述運動學模型：
8、
9、其中，r11、r12、r13...r33表示機器人末端法蘭坐標系的姿態，pxe、pye、pze表示連桿7原點的位置矢量；
10、將機器人末端法蘭坐標系原點移動到后三個關節相交中心，利用反變換法，求得關節1的角度值：
11、θ1＝a?tan?2(py，px)
12、px＝pxe-r13d7
13、py＝pye-r23d7
14、其中，θ1表示關節1的角度值，atan2表示反正切函數，d7表示連桿7坐標系相對于連桿6坐標系在z軸方向的偏移量；
15、將關節3的角度值θ3作為已知值，并將關節2和所述關節3等效為一個等效關節θeq：
16、θeq＝-atan2(d5，a5)±acos(temp)
17、temp＝(bt-dt2-ct2)/(2*dt*ct)
18、bt＝sqrt(p2+q2)
19、p＝px*c1+py*s1-a2
20、q＝bt＝pz-d1
21、
22、其中，c1表示θ1的余弦值，s1表示θ1的正弦值，c3表示θ3的余弦值，sqrt表示平方根計算，a2表示連桿2的長度，a3表示連桿3的長度，a4表示連桿4的長度，a5表示連桿5的長度，d1表示連桿1與連桿0之間的距離，d5表示連桿5與連桿4之間的距離；
23、計算所述等效關節θeq中關節2的中間值：
24、θ2m＝a?tan2(-(p*k4+q*k3)，p*k3-q*k4)
25、k3＝dt+a5*c4-d5*s4
26、k4＝d5*s4+d5*c4
27、其中，c4表示θ4的余弦值，s4表示θ4的正弦值；
28、根據關節3的方向、等效關節和關節2的中間值，計算實際的關節2和關節4的值：
29、θ2＝θ2m±(θ3-temp2)
30、θ4＝θeq±temp2
31、temp2＝a?sin(temp1*a4)
32、temp1＝abs(s3)/dt
33、其中，s3表示θ3的正弦值，abs表示絕對值；
34、根據已知的機器人末端法蘭坐標系原點及關節1、關節2、關節3和關節4的值，計算關節6的角度值：
35、
36、m23＝-c234*r33-c1*r13*s234-r23*s1*s234
37、c234＝c23*c4-s23*s4
38、s234＝s23*c4+c23*s4
39、c23＝c2*c3-s2*s3
40、s23＝s2*c3+c2*s3
41、其中，θ6表示關節6的角度值，c3表示θ3的余弦值，s2表示θ2的正弦值；
42、當關節6的角度值等于0或者±180°時，關節5和7的軸線重合，處于奇異位形，此時令關節5保持上一位置不變，則關節7的角度值為：
43、θ7＝a?tan?2(-m13，m11)-θ5
44、m11＝c1*c234*r11-r31*s234+c234*r21*s1
45、m13＝c1*c234*r13-r33*s234+c234*r23*s1
46、其中，θ5表示關節5的角度值，θ7表示關節7的角度值；
47、當關節6不等于0或者±180°時，計算關節5的角度值和關節7的角度值計算為：
48、θ5＝a?tan?2(m33，±m13)
49、θ7＝a?tan?2(m22，±m21)
50、m21＝-c234*r31-cl*r11*s234-s234*r21*s1
51、m22＝-c234*r32-c1*r12*s234-s234*r22*s1
52、m33＝c1*r23-r13*s1。
53、優選的，所述優化目標包括：躍度最優、時間最優和彎曲度最優；
54、所述躍度最優的指標函數為：
55、
56、其中，k表示第k組逆解，i表示第i關節，j表示第j個插補點，n表示插補點總數，impw(i)表示權重系數，qj，i表示表示第i關節的第j個插補點對應的角度值，表示表示關節i運動范圍的最大值，表示表示關節i運動范圍的最小值；
57、所述時間最優的指標函數為：
58、
59、t_d(j，i)＝impw(i)*abs(qj，i-qj-1，本文檔來自技高網...
【技術保護點】
1.一種基于多目標Pareto最優-粒子群混合的機器人逆解優化方法，其特征在于，包括以下步驟：
2.根據權利要求1所述一種基于多目標Pareto最優-粒子群混合的機器人逆解優化方法，其特征在于，計算所述逆運動學解析解的過程包括：
3.根據權利要求1所述一種基于多目標Pareto最優-粒子群混合的機器人逆解優化方法，其特征在于，所述優化目標包括：躍度最優、時間最優和彎曲度最優；
4.根據權利要求1所述一種基于多目標Pareto最優-粒子群混合的機器人逆解優化方法，其特征在于，得到所述逆運動學最優解的方法包括：
5.一種基于多目標Pareto最優-粒子群混合的機器人逆解優化系統，所述系統應用權利要求1-4任一項所述的方法，其特征在于，包括：解析解計算模塊、約束模塊和優化模塊；
6.根據權利要求5所述一種基于多目標Pareto最優-粒子群混合的機器人逆解優化系統，其特征在于，所述解析解計算模塊的工作流程包括：
7.根據權利要求5所述一種基于多目標Pareto最優-粒子群混合的機器人逆解優化系統，其特征在于，所述躍度
8.根據權利要求5所述一種基于多目標Pareto最優-粒子群混合的機器人逆解優化系統，其特征在于，所述優化模塊的工作流程包括：
...【技術特征摘要】
1.一種基于多目標pareto最優-粒子群混合的機器人逆解優化方法，其特征在于，包括以下步驟：
2.根據權利要求1所述一種基于多目標pareto最優-粒子群混合的機器人逆解優化方法，其特征在于，計算所述逆運動學解析解的過程包括：
3.根據權利要求1所述一種基于多目標pareto最優-粒子群混合的機器人逆解優化方法，其特征在于，所述優化目標包括：躍度最優、時間最優和彎曲度最優；
4.根據權利要求1所述一種基于多目標pareto最優-粒子群混合的機器人逆解優化方法，其特征在于，得到所述逆運動學最優解的方法包括：
5.一種基于多...
【專利技術屬性】
技術研發人員：陳宵燕，周歡歡，崔雯越，蘇孝虎，孫沂琳，
申請(專利權)人：無錫學院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。