工业机器人时间-能量-脉动最优轨迹规划

针对工业机器人时间最优、能耗最优、脉动最优等多目标的轨迹优化问题,基于非均匀有理B样条(NURBS)曲线矩阵表示法,提出一种最优轨迹规划方法。建立五次NURBS曲线数学模型,构造端点运动参数均可指定的高阶连续的关节运动轨迹,确保机器人的运动性能;在考虑机器人运动学约束的条件下,采用多目标粒子群优化算法(MOPSO)以工业机器人运行时间、能量消耗和轨迹脉动为目标对其运动轨迹进行优化,获得Pareto最优解集。对六自由度STANFORD机器人的仿真结果表明,提出的轨迹规划方法可以很好地构造平滑轨迹,MOPSO算法能够实现满足约束条件的运动轨迹多目标优化,得到理想的Pareto分布。最后,为方便期望解的选择,构造归一化权重目标函数,获得高阶连续的优化轨迹。     

工业机器人时间-能量-脉动最优轨迹规划

针对工业机器人时间最优、能耗最优、脉动最优等多目标的轨迹优化问题,基于非均匀有理B样条(NURBS)曲线矩阵表示法,提出一种最优轨迹规划方法。建立五次NURBS曲线数学模型,构造端点运动参数均可指定的高阶连续的关节运动轨迹,确保机器人的运动性能;在考虑机器人运动学约束的条件下,采用多目标粒子群优化算法(MOPSO)以工业机器人运行时间、能量消耗和轨迹脉动为目标对其运动轨迹进行优化,获得Pareto最优解集。对六自由度STANFORD机器人的仿真结果表明,提出的轨迹规划方法可以很好地构造平滑轨迹,MOPSO算法能够实现满足约束条件的运动轨迹多目标优化,得到理想的Pareto分布。最后,为方便期望解的选择,构造归一化权重目标函数,获得高阶连续的优化轨迹。     

基于粒子群算法的工业机器人多目标最优轨迹规划

轨迹规划是机器人运动控制的基础,考虑以时间、能耗和脉动三方面为多目标最优,对工业机器人AUBO-i10的轨迹规划问题进行研究。基于D-H法建立机器人正运动学方程,并仿真验证正运动学方程的正确性,同时利用蒙特卡洛法对机器人工作空间仿真分析。针对运行时间、能量消耗和轨迹脉动多目标综合最优问题,根据五次多项式插值方法,在保证运动学约束下,提出多目标粒子群算法(particle swarm optimization,PSO)对机械臂轨迹规划进行优化,并进行仿真分析。仿真结果表明,提出的五次多项式插值方法在准确地构造平滑轨迹的同时,又能通过粒子群算法完成运动学约束下的多目标优化,得到理想的Pareto分布。最后,构造目标函数,获得符合要求的优化轨迹,解决了运行时间过长,能量消耗过多和脉动冲击过大的问题,从而保证机器人高效运动。     

基于人工免疫-改进粒子群优化算法的机械臂轨迹规划研究

焊接机器人运动轨迹复杂、控制精度要求高。提出了一种满足多目标约束的轨迹规划方法。针对机器人轨迹平滑性要求,以5次非均匀有理B样条（Non-Uniform Rational B-Splines,NURBS）曲线为基础,对笛卡儿空间路径点进行参数化表达;根据工业机器人路径约束及工况需求,选取时间、能耗、跃度3个运动学指标作为目标优化函数,采用人工免疫双态粒子群进行轨迹优化;为了平衡粒子“探索”与“利用”,增加双模态模型,引入人工免疫系统,提升了粒子多样性与后期收敛能力;根据Pareto解集得到满足约束的焊接机器人各关节最优轨迹,通过Matlab仿真证明了方法的有效性;最后,针对空间相贯曲线焊缝进行了焊接试验。结果显示,规划的轨迹符合实际工程需求。     

基于五次NURBS的机械臂时间-能量-平滑性多目标轨迹优化

针对机械臂运动需满足快速性、低能耗和低冲击的问题,建立五次非均匀有理B样条(NURBS)曲线数学模型,构造端点运动参数均可指定的高阶连续的关节轨迹,采用带精英策略的非支配排序遗传算法(NSGA-II)以运行时间、能量消耗和轨迹平滑性为目标对机械臂运动轨迹进行优化,获得Pareto最优解集。对六自由度机器人的仿真结果表明,高次NURBS曲线可以很好的构造平滑轨迹,NSGA-II算法可对五次NURBS曲线轨迹实现有效的多目标优化,得到理想的Pareto分布。通过构造归一化权重目标函数,选择期望解,获得高阶连续的优化轨迹。     

基于自适应粒子群算法的FS20N机器人时间最优轨迹规划

针对通用型机器人,以运行时间最短为目标,提出一种基于自适应粒子群(APSO)时间最优轨迹规划算法。在关节空间轨迹规划中,逆解得到关节变量与时间的关系,以此建立五次多项式关节变量与时间的插值轨迹。然后,利用罚函数对其关节角度、关节速度、关节加速度进行处理,同时以插值关节各点间的时间间隔之和为优化目标,采用自适应粒子群算法进行优化求解,得到时间最优的轨迹。最后,利用MATLAB仿真软件,建立川崎FS20 N仿真模型进行验证,得到运行平稳且时间最优的运行轨迹图,仿真结果验证了该算法在轨迹规划中的可行性。     

-种基于Pareto解集的无约束条件的多目标粒子群算法

鉴于多目标优化问题的广泛存在性以及目前关于它的研究还较少,且没有一种很好的、通用的多目标PSO算法,本文提出了一种基于Pareto解集的多目标粒子群算法.通过采用一个"记忆体"来存储当前得到的Pareto最优解,对每次迭代得到的Pareto解集里的解两两进行比较以选取一个较优的解作为更新方程中当前最优解,这样可以更好的引导粒子群进行下一步的寻优操作,最终得到一个完整的Pareto最优解集.几个测试函数的仿真实验结果也表明了该算法取得了很好的效果.     

基于NSGA-Ⅱ的智能化电铲多目标最优挖掘轨迹规划

为实现智能化电铲实时节能的挖掘,提出了一种基于非支配排序遗传算法(Non-dominated Sorting Genetic Algorithm-II,NSGA-Ⅱ)的智能化电铲多目标最优挖掘轨迹规划方法。首先,通过拉格朗日方程建立智能化电铲工作装置动力学模型;然后,使用高次多项式对挖掘轨迹进行插值,将挖掘轨迹寻优问题转化为多项式系数寻优问题,最后,以挖掘时间最短及单位体积物料的挖掘能耗最小作为优化目标,以电机性能与挖掘过程中几何条件等作为约束,利用多目标优化平台PlatEMO,将NSGA-Ⅱ作为多目标优化算法,指定待优化问题的目标函数及约束函数,获取到多目标优化Pareto最优解集,基于决策偏好设置权重并根据TOPSIS法获取最优解,得到多目标最优挖掘轨迹规划结果。结果表明,优化后挖掘轨迹满足实时节能的挖掘要求。     

解决多目标优化问题的一种粒子群优化算法

优化设计已发展成为一种有效的新型工程设计方法.粒子群优化算法作为一种新型优化算法,逐渐被用于解决多目标优化问题.但目前研究还较少,本文提出了一种基于Pareto解集的多目标粒子群优化算法.采用一个"记忆体"来存储当前得到的Pareto最优解,对当前所得到的Pareto最优解进行相互比较,以确定一个较优的微粒作为微粒群更新方程中的全局极值,由此来引导其它粒子尽快向最优靠拢,达到算法收敛的目的.测试函数的仿真实验结果表明该算法取得了很好的效果.     

基于双种群混沌搜索粒子群算法的机器人喷涂轨迹协同优化

针对笛卡尔空间与关节空间的映射非线性,喷涂轨迹和关节轨迹不满足混合约束的问题,提出基于双种群混沌搜索粒子群优化(DCSPSO)算法的机器人喷涂轨迹协同优化.根据预选取的轨迹特征点构建关节角度序列,以机器人的喷涂效率和运动稳定性为目标建立关节轨迹多目标优化模型,利用DCSPSO算法求解优化模型得到Pareto最优解,使关节轨迹满足机器人运动学约束,最后根据理论轨迹与反馈轨迹的弦高误差和漆膜厚度误差建立喷涂轨迹误差模型,并验证最优解的质量,使喷涂轨迹满足加工精度约束.通过实例表明,DCSPSO算法较多目标遗传算法等经典多目标优化算法具有更强的全局和局部搜索能力,利用轨迹误差模型可合理增加特征点,使理论轨迹与反馈轨迹的最大弦高误差从12.619 mm降至1.587 mm,最大漆膜厚度误差从11.47 μm降至1.18 μm.