一种冗余机械臂运动学逆解求解方法

技术领域

本发明涉及工业机械臂位姿优化领域。具体而言，是一种冗余机械臂逆运动学求解方法。

背景技术

机器人学是一门涉及机器人本体结构设计、机器人运动学、机器人动力学、机器人控制、通信技术以及人工智能等众多领域的综合性交叉学科。其中，机器人运动学属于底层核心部分，而机械臂逆运动学问题又是机器人运动学中的核心研究课题，它是对机器人轨迹规划、运动控制、工作空间分析以及动力学分析等问题展开研究的前提与基础。由于机械臂的运动学方程是一组关节变量强耦合、非线性的复杂超越方程组，将运动学方程中的关节变量进行解耦分离并非易事，导致逆运动学问题的求解比较困难。对于结构复杂的机械臂而言，甚至可能无法将运动学方程中的关节变量进行解耦分离，此时机械臂逆运动学问题不存在封闭的解析逆解，这为运动学逆解的求解提出了严峻的挑战。因此，对机械臂逆向运动学进行高精确度求解，是目前工业机械臂制造领域亟需解决的一个重要问题。

发明内容

针对现有技术中存在的问题，本发明的目的在于提供一种冗余机械臂运动学逆解求解方法。

为解决上述问题，本发明采用如下的技术方案。

一种冗余机械臂运动学逆解求解方法，一种冗余机械臂运动学逆解求解方法，其特征在于，包括通过引入适应度函数权值系数，设计机械臂优化目标函数，并采用基于动态调整的搜索参数和种群旋转搜索猎物机制的CSA算法对目标函数进行优化，实现机械臂高精确度逆运动学求解。

作为本发明的进一步改进，所述优化目标函数定义如下：

其中，p

逆运动学求解方法通过对目标函数f(X

作为本发明的进一步改进，采用动态调整的搜索参数和种群旋转搜索猎物机制的CSA算法对目标函数进行优化求解，其表达式为：

其中，

μ＝γe

逆运动学求解方法根据机械臂目标函数求解过程中的动态调整搜索参数及种群旋转搜索猎物机制调整最优个体位置，使搜索趋于稳健，以达到避免局部收敛，得到机械臂高精确度逆解的目的。

作为本发明的进一步改进，通过引入种群旋转搜索猎物机制调整最优个体位置，进一步增加寻优精度。其定义式为：

m＝R(θ,V

θ＝rsgn(rand-0.5)×π(7)

其中：

作为本发明的进一步改进，所述使用设计的优化方法对目标函数进行寻优。在寻优过程中通过方法中种群迭代机制不断更新最新机械臂关节位置，以达到精确求解机械臂逆解的目的。

本发明的有益效果

相比于现有技术，本发明的优点在于：

本发明采用动态调整的搜索参数和种群旋转搜索猎物机制，搜索参数随着迭代次数增加逐步减少，使搜索趋于稳健。种群旋转搜索猎物机制增加了寻优范围，避免出现局部收敛，进一步增加寻优精度。该方法具有普适性强、求解速度快、求解精度高的优点。

附图说明

图1为一种工业冗余机械臂结构整体示意图。

图2为图1中所示机械臂结构的连杆坐标系示意图。

图3为方法整体流程框图。

图4为发明方法与传统方法效果比较图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述；显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1和图2所示，本发明实施例中的一种工业机械臂的结构模型，包括其结构整体示意图以及连杆坐标系示意图。方法整体流程框图如图3所示。

在上述方案中，所述的一种冗余机械臂逆运动学求解方法从能耗最少方面对机械臂目标函数进行设计，并将目标函数分解为位置与姿态函数，以避免收敛精度不同。其定义如下：

其中，p

在上述方案中，所述的逆运动学求解方法通过对目标函数f(X

在上述方案中，所述的逆运动学求解方法通过采用动态调整的搜索参数和种群旋转搜索猎物机制的CSA算法对目标函数进行优化求解，其表达式为：

其中，

μ＝γe

在上述的方案中，所述逆运动学求解方法根据机械臂目标函数求解过程中的动态调整搜索参数及种群旋转搜索猎物机制调整最优个体位置，使搜索趋于稳健，以达到避免局部收敛，得到机械臂高精确度逆解的目的。

在本实例中，首先从机械臂各关节D-H参数对机械臂进行正向运动学建模，根据机械臂运动过程中能量消耗最低原则，同时引入适应度权值系数，对位置矢量和姿态矩阵数量级进行归一化处理，设计机械臂优化目标函数。机械臂的结构整体及连杆坐标系如图1-2所示，优化目标函数定义如式(1)所示。

在本示例中，采用基于动态调整的搜索参数和种群旋转搜索猎物机制的CSA算法对目标函数进行优化。通过初始种群启动优化流程，将机械臂关节变量代表种群当中每个个体的位置向量，个体的位置向量代表一个候选解。

其位置表达式为：

其中：lb

根据动态调整的搜索参数更新策略对搜索过程中个体的位置进行变换，其定义式如式(2)所示。通过引入种群旋转搜索猎物机制调整最优个体位置，进一步增加寻优精度。其定义式为：

m＝R(θ,V

θ＝rsgn(rand-0.5)×π(7)

其中：

下面，采用仿真实验验证本发明所提的优化方法的性能，主要仿真平台采用Matlab 2020a版本。通过统计仿真实验的最优适应值(Best)、最差适应值(Worst)、平均适应值(Mean)及标准差(Std.)平均求解耗时(AT)及寻优成功率(SR

由仿真结果可看出，采用本发明所提算法在稳定性及收敛精度效果有更好的效果。同时，通过种群寻优方式在机械臂逆解优化求解方向上具有更好的普适性。

以上所述，仅为本发明较佳的具体实施方式；但本发明的保护范围并不局限于此。任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其改进构思加以等同替换或改变，都应涵盖在本发明的保护范围内。