【技術實現步驟摘要】
本專利技術涉及機器人，尤其涉及一種流水線上下料機器人軌跡設計方法、系統及機器人。
技術介紹
1、隨著科技發展，機器人在實際工業生產中逐步代替人工，特別在對流水線固定位置的上下料中，機器人需要頻繁抓取并搬運不同重量和尺寸的貨物。通過優化后的激勵軌跡設計，機器人可精準地辨識自身的動力學參數，無論是輕型貨物還是重型托盤，都能在較大的工作空間內靈活應對，確保抓取動作的精度和搬運過程的穩定性。
2、機器人動力學參數辨識的精準與否關鍵之一在于激勵軌跡的設計，現有的關于激勵軌跡的設計的算法比較單一，無法有效提高動力學參數辨識精度，且不能遍歷機器人的所有工作空間。隨著機器人及人工智能相關信息技術的不斷發展，是否能夠優化激勵軌跡，并通過混合算法引入機器人來提升設計精度迫在眉睫。
3、現有激勵軌跡設計方法多依賴于簡單的數學模型，如常見的多項式軌跡或基本的傅里葉級數軌跡。雖然這些方法能夠實現基本的激勵軌跡規劃，但在精度和泛化能力上存在明顯不足。特別是在復雜的工業環境中，機器人需要遍歷更廣泛的工作空間，現有的軌跡設計方法往往無法滿足機器人多任務、長時間運行的高精度要求，從而導致動力學辨識不精確，引起拖動示教抓取過程的不穩定。
技術實現思路
1、本申請實施例通過提供一種流水線上下料機器人軌跡設計方法、系統及機器人，解決了現有技術中工業用流水線上下料機器人在頻繁抓取不同重量和尺寸的物體時，由于動力學參數設置不精確導致運行軌跡存在偏差，導致不能精準完成不同任務的抓取、放置動作的技術問題。
2、本申請實施例提供了一種流水線上下料機器人軌跡設計方法，包括：
3、步驟s1,設計周期性的傅里葉級數數學軌跡模型，建立動力學模型，初始化傅里葉級數和系數，并導入流水線上下料機器人的系數矩陣；
4、步驟s2，軌跡矩陣全局優化：使用模擬退火法進行全局搜索，優化目標函數，生成全局優化后的軌跡矩陣，正則化軌跡矩陣并歸一化軌跡矩陣，計算全局優化矩陣的條件數并最小化；
5、步驟s3，軌跡矩陣局部優化：混合fmincon中的active-set算法進行局部約束優化，找到最優的傅里葉系數組合，得到局部優化后的軌跡矩陣，計算局部優化矩陣的條件數并最小化；
6、步驟s4，將優化后的軌跡矩陣進行轉換，得到穩定的最優軌跡，利用步驟s1得到的軌跡模型，辨識動力學參數，對動力學參數進行力矩重構，重新計算力矩值，并與預估值進行對比；如誤差較大，則返回步驟s2和步驟s3進行重新優化；如精準，則動力學參數可用于后續的拖動示教中；
7、步驟s5，將辨識得到的動力學參數輸入流水線上下料機器人中的動力學算法中，并限定流水線上下料機器人六軸的實際運動范圍。
8、優選的，所述步驟s1中的傅里葉級數數學軌跡模型為：
9、
10、其中，表示幅值，也表示傅里葉待優化的參數，ωf表示傅里葉級數的基礎頻率，qi,0表示關節激勵軌跡的起點，單位為角度。
11、優選的，所述步驟s1中初始化傅里葉級數和系數，設置傅里葉級數為五級。
12、優選的，所述步驟s2中軌跡矩陣全局優化具體為：設置matlab中模擬退火算法的優化選項：設置迭代次數、目標函數的收斂容忍度、隨機數，計算優化后的隨機數和機器人六個軸的六條軌跡軌跡和軌跡的速度與加速度，生成全局優化后的軌跡矩陣。
13、優選的，所述步驟s2中全局優化矩陣的條件數為6.00-7.00。
14、優選的，所述步驟s3中軌跡矩陣局部優化具體為：
15、在機器人啟停時，分別令機器人人的關節角度、角速度和角加速度為零，從而使機器人在啟停時也能連續運行，轉化成待優化參數的約束條件為：
16、
17、其中，t0表示單個軌跡周期的起始時刻，tt表示單個軌跡的終止時刻，機器人在開始和結束運動時，關節角度、角速度和加速度為零；
18、不等式約束條件：
19、qmin≤qi(t)≤qmax
20、其中，qmin、qmax分別代表此型號機器人各關節角度下限、上限。
21、優選的，所述步驟s3中局部優化矩陣的條件數為5.00-6.00。
22、本申請還提出了一種流水線上下料機器人軌跡設計系統，包括：
23、模型構建模塊,設計周期性的傅里葉級數數學軌跡模型，建立動力學模型，初始化傅里葉級數和系數，并導入流水線上下料機器人的系數矩陣；
24、全局優化模塊，用于軌跡矩陣全局優化：使用模擬退火法進行全局搜索，優化目標函數，生成全局優化后的軌跡矩陣，正則化軌跡矩陣并歸一化軌跡矩陣，計算全局優化矩陣的條件數并最小化；
25、局部優化模塊，用于軌跡矩陣局部優化：混合fmincon中的active-set算法進行局部約束優化，找到最優的傅里葉系數組合，得到局部優化后的軌跡矩陣，計算局部優化矩陣的條件數并最小化；
26、誤差校準模塊，用于將優化后的軌跡矩陣進行轉換，得到穩定的最優軌跡，利用軌跡模型，辨識動力學參數，對動力學參數進行力矩重構，重新計算力矩值，并與預估值進行對比；如誤差較大，則重新優化；如精準，則動力學參數可用于后續的拖動示教中；
27、軌跡生成模塊，用于將辨識得到的動力學參數輸入流水線上下料機器人中的動力學算法中，并限定流水線上下料機器人六軸的實際運動范圍。
28、本申請還提出了一種流水線上下料機器人，包括上述流水線上下料機器人軌跡設計系統。
29、本申請實施例中提供的方案，具有如下技術效果或優點：
30、1、本申請采用了混合模擬退火算法來優化機械臂的拖動示教激勵軌跡設計和參數辨識系統，提高了機械臂抓取任務的精度與效率，特別是在復雜的工業場景中，如流水線、自動化裝配線等環境下應用。使得操作員可以在無需編程的情況下執行任務。
31、2、本申請采用了全局優化和局部優化結合的方式，請通過matlab和python，將模擬退火法與fmincon中的active-set算法進行混合，全局優化避免了局部最優解的困境，而局部約束優化則確保軌跡的連續性和穩定性，再通過連續多次的迭代。使得條件數更低，辨識精度更高，拖動示教更加精確，從而使機器人在流水線上下料的抓取過程中更加穩定，誤差更低，使得機器人能夠在復雜的工業環境中更精確地完成任務。
32、3、在本申請中激勵軌跡的設計采用了傅里葉級數模型，這一模型能夠有效地表達復雜的運動軌跡，使得機械臂能夠在不同的工作空間內靈活移動。傅里葉級數模型廣泛應用于激勵軌跡優化中，因為它能夠將軌跡分解為多個頻率成分，有效處理非線性運動軌跡，提升路徑規劃的靈活性和準確性。相較于傳統的簡單軌跡模型，傅里葉級數在實際應用本文檔來自技高網...
【技術保護點】
1.一種流水線上下料機器人軌跡設計方法，其特征在于，包括：
2.如權利要求1所述的機器人軌跡設計方法，其特征在于，所述步驟S1中的傅里葉級數數學軌跡模型為：
3.如權利要求1所述的機器人軌跡設計方法，其特征在于，所述步驟S1中初始化傅里葉級數和系數，設置傅里葉級數為五級。
4.如權利要求1所述的機器人軌跡設計方法，其特征在于，所述步驟S2中軌跡矩陣全局優化具體為：設置matlab中模擬退火算法的優化選項：設置迭代次數、目標函數的收斂容忍度、隨機數，計算優化后的隨機數和機器人六個軸的六條軌跡軌跡和軌跡的速度與加速度，生成全局優化后的軌跡矩陣。
5.如權利要求1所述的機器人軌跡設計方法，其特征在于，所述步驟S2中全局優化矩陣的條件數為6.00-7.00。
6.如權利要求1所述的機器人軌跡設計方法，其特征在于，所述步驟S3中軌跡矩陣局部優化具體為：
7.如權利要求1所述的機器人軌跡設計方法，其特征在于，所述步驟S3中局部優化矩陣的條件數為5.00-6.00。
8.一種流水線上下料機器人軌跡設計系統，其特
9.一種流水線上下料機器人，其特征在于，包括權利要求8所述的軌跡設計系統。
...【技術特征摘要】
1.一種流水線上下料機器人軌跡設計方法，其特征在于，包括：
2.如權利要求1所述的機器人軌跡設計方法，其特征在于，所述步驟s1中的傅里葉級數數學軌跡模型為：
3.如權利要求1所述的機器人軌跡設計方法，其特征在于，所述步驟s1中初始化傅里葉級數和系數，設置傅里葉級數為五級。
4.如權利要求1所述的機器人軌跡設計方法，其特征在于，所述步驟s2中軌跡矩陣全局優化具體為：設置matlab中模擬退火算法的優化選項：設置迭代次數、目標函數的收斂容忍度、隨機數，計算優化后的隨機數和機器人六個軸的六條軌跡軌跡和軌跡的速度與...
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。