基于PSO-SA的机器人关节空间轨迹规划

针对工业机器人点到点轨迹规划问题,提出一种基于PSO-SA的时间最优机器人关节空间轨迹规划方法。使用模拟退火算法(SA)对粒子群算法(PSO)进行优化,将模拟退火机制引入到粒子群算法以提高算法的全局搜索能力。使用惯性权重非线性递减策略以及动态学习因子来平衡算法的全局与局部搜索能力。以PUMA＿560机器人作为研究对象,通过5-7-5多项式插补函数得到各关节的轨迹曲线。通过PSO-SA优化关节运动时间,并加入关节的速度和加速度约束。对前三个关节进行实验仿真,结果表明PSO-SA比传统的PSO能得到更短的轨迹时间,算法也有更好的稳定性,提高了机器人的运动效率。     

基于PSO的工业机器人时间-脉动最优轨迹规划

为提高工业机器人的工作效率,并且保持机器人关节平稳运动,提出一种基于粒子群优化算法的时间-脉动最优轨迹规划方案;通过权重法将多目标优化转化为单目标优化,再运用粒子群优化算法得到时间-脉动最优的运动轨迹;轨迹规划中,采用了关节空间五次非均匀B样条插值法,以确保脉动曲线的连续性;最后以GRB4016工业机器人为研究对象进行仿真实验,结果表明,该方案可以得到较理想的运动轨迹,并验证了方案的有效性。     

QPSO算法在非线性观测器设计中的应用*

具有量子行为的粒子群优化(Quantum-behaved Particle Swarm Optimization,QPSO)算法是继粒子群优化算法(Particle Swarm Optimization,PSO)后,最新提出的一种新型、高效的进化算法.提出了运用QPSO算法设计的非线性观测器方法.该方法属于滚动时域估计方法,利用具有量子行为的粒子群算法优化获得系统状态的最优估计.仿真结果显示该方法对初始条件不敏感,具有很强的跟踪能力.     

MQPSO: 一种具有多群体与多阶段的QPSO算法

提出了一种改进的QPSO(Quantum-behaved Particle Swarm Optimization)算法,即一种具有多群体与多阶段的具有量子行为的粒子群优化算法.在该算法中,粒子被分为多个群体,利用多个阶段进行全局搜索,这样可以有效地避免粒子群早熟,提高了算法的全局收敛性能.对几个重要测试函数的测试结果证明,MQPSO算法的收敛性能优于标准粒子群算法(Standard Particle Swarm Optimization, SPSO)以及QPSO算法.     

基于混沌变异算子的小生境量子粒子群算法

针对粒子群算法早熟收敛和搜索精度低的问题,提出了基于混沌变异的小生境量子粒子群算法(NCQPSO).该算法结合小生境技术并加入了淘汰机制.使算法具有良好的全局寻优能力.变尺度混沌变异具有精细的局部遍历搜索性能.使算法具有较高的搜索精度,实验结果表明,NCQPSO算法可有效避免标准PSO(Particle Swarm Optimization)算法的早熟收敛,具有寻优能力强、搜索精度高、稳定性好等优点.也优于原始的量子粒子群算法QPSO(Quantum-behaved Particle Swarm Optimization).     

基于混合遗传算法的工业机器人最优轨迹规划

为兼顾工业机器人工作效率与轨迹的平稳性,提出一种基于混合遗传算法的二次轨迹规划方案.通过最优时间轨迹规划得到最小执行时间,在最小执行时间内进行最优冲击轨迹规划,进而规划出一条既高效又平滑的运动轨迹.采用五次均匀B样条在关节空间进行快速插值,不仅保证了各关节速度和加速度连续性还保证了各关节冲击的连续性.连续平滑的冲击可以减少机械振动,延长机器人的工作寿命.选用PUMA560为对象进行仿真与实验,结果表明,该方案可以获得比较理想的机器人运动轨迹,所提出的混合遗传算法能有效提高全局寻优的性能和算法运行的稳定性.     

基于遗传算法的工业机器人时间最优轨迹规划及仿真研究

为了使工业机器人的末端执行器在任给路径下运行时间最短,在考虑机器人各关节速度、加速度、加加速度和力矩约束的情况下,以PUMA560为例,对工业机器人轨迹进行时间最优规划;在Matlab平台上,对该轨迹规划优化算法进行仿真,仿真结果表明机器人各关节时间最优轨迹规划比未处理的轨迹规划时间明显缩小6.999 4s,6.651 0s,6.351 2s,各个关节的轨迹曲线平滑,从而验证了该算法的有效性。     

一种基于距离的自适应模糊粒子群优化算法

传统的粒子群优化算法((Particle Swarm Optimization,PSO )在更新粒子的速度时忽略了各粒子间的差异,在一次迭代中,各粒子采用相同的惯性权值来更新粒子的速度。为了体现各粒子的差异,提出了一种基于距离度量的自适应模糊粒子群优化算法(Distance-based Adaptive Fuzzy Particle Swarm Optimization, DAFPSO)。DAFPSO根据各粒子与最优粒子的差异,设计了相应的隶属函数来自适应地调整粒子的惯性权值。通过基准测试函数对算法进行了实验,从而验证了DAFPSO算法的有效性。     

基于前馈扰动的粒子群改进算法

使用线性系统理论分析了粒子群算法(Particle Swarm Optimization,PS0)陷入局部极值的原因。为使粒子种群跳出局部极值粒子重新获得活性,借鉴了鱼群算法中拥挤度因子的概念,提出了前馈扰动粒子群算法(Feedforward Disturbance Particle Swarm Optimization,FDPSO),在以当前最优值为圆心拥挤度因子为半径的圆域内统计粒子的数量,当粒子数量大于某一常数时候,认为种群将会陷入局部最优,因此提前给种群加入扰动。仿真实验证明了理论及所提出算法的有效性。     

新的仿生算法:蟑螂算法

通过模拟蟑螂的觅食行为,提出蟑螂算法(Cockroach Swarm Optimization,CSO)。算法充分利用了蟑螂社会的平等特性和群体智慧。食物再分配、回巢等策略的使用使算法具有较强的全局搜索和局部搜索能力。以TSP问题为例对算法进行仿真测试,实验证明算法有效且优于存在的离散粒子群算法(Discrete Particle Swarm Optimization,PSO)。     

关节型工业机器人轨迹规划研究综述

关节型工业机器人凭借其良好的灵活性和高效率的工作模式被广泛地应用于现代工业自动化生产之中,例如搬运、码垛、焊接、切割等。轨迹规划是工业机器人运动控制的基础研究领域,决定着其作业效率和运动性能。工业机器人的轨迹规划是指综合考虑作业需求和机器人性能,在笛卡尔空间或关节空间内得出指导机器人末端执行器运动的轨迹。阐述了工业机器人轨迹规划的概念及其分类,就各个领域的轨迹规划算法进行了全面综述,包括基本轨迹规划和最优轨迹规划,指出了各类轨迹规划算法中所存在的问题和未来的发展方向。     

运行时间周期化工业机器人模型迭代寻优NURBS轨迹插补

为满足工业机器人高精度复杂曲线运动的需求,本文提出运行时间周期化工业机器人模型迭代寻优NURBS轨迹插补算法.首先,根据轨迹最大轮廓误差和机器人动力学特性对曲线分段.随后,提出优化回溯算法,使各子曲线段均可用S曲线加减速规划.之后,为保证机器人在进给速度极小值处不超速,将各加减速阶段运行时间调整为插补周期的整数倍,并对子曲线段衔接处速度平滑处理.最后,提出模型迭代寻优曲线插补,大大降低了速度波动率.仿真试验表明,该方法插补轨迹的各项指标均满足要求且最大速度波动率仅为0.000099%.真机试验也验证了该方法可有效减小轨迹误差.     

Time-optimal trajectories for cooperative multi-manipulator systems

We present two schemes for planning the time-optimal trajectory for cooperative multi-manipulator system (CMMS) carrying a common object. We assume that the desired path is given and parameterizable by an arclength variable. Both approaches take into account the dynamics of the manipulators and object. The first approach employs linear programming techniques, and it allows us to obtain the time-optimal execution of the given task utilizing the maximum torque capacities of the joint motors. The second approach is a sub-time-optimal method that is computationally very efficient. In the second approach the given load is divided into a share for each robot in the CMMS in a manner in which the trajectory acceleration/deceleration is maximized, hence the trajectory execution time is minimized. This load distribution approach uses optimization schemes that degenerate to a linear search algorithm for the case of two robots manipulating a common load, and this results in significant reduction of computation time. The load distribution scheme not only enables us to reduce the computation time, but also gives us the possibility of applying this method in real-time planning and control of CMMS. Further, we show that for certain object trajectories the load distribution scheme yields truly time-optimal trajectories.     

工业机器人时间-能量最优轨迹规划

针对工业机器人时间最优、能耗最优的多目标轨迹优化问题,提出了一种基于改进引力搜索算法的最优轨迹规划方法。将引力搜索算法的种群按照惯性质量的大小均分为两组。首先引领组的粒子进行小范围的邻域搜索。然后引领组通过施加引力来引导跟随组的粒子进行位置更新。同时引入人工蜂群算法的贪婪选择策略,每次更新保留较优解。以自主研发的150 kg重载机器人为实验对象,将所提算法与标准人工蜂群算法和引力搜索算法进行比较,结果表明所提算法具有更优性能。     

一种基于改进冲突搜索的多机器人路径规划算法

针对智能仓储环境下多载位自主移动机器人集群拣选-配送路径规划问题,提出一种改进型基于冲突搜索的多智能体路径规划算法.在模型方面,采用多载位机器人替代KIVA机器人,建立以最小化拣选-配送时间以及无效路径比为目标的数学规划模型.在算法方面,首先,提出一种基于优先级规则的多智能体冲突消解加速策略;然后,设计基于动态规划的单机器人拣选序列优化算法;最后,设计考虑转向惩罚的增强A*算法搜索机器人最优路径.实验结果表明:所提出模型与KIVA系统相比有较大优越性;所提出算法能够有效缩短拣选-配送时间、减少无效路径时间.     

工业机器人时间最优轨迹规划及轨迹控制的理论与实验研究

提出了一种用于工业机器人时间最优轨迹规划及轨迹控制的新方法, 它可以确保在关节位移、速度、加速度以及二阶加速度边界值的约束下, 机器人手部沿笛卡尔空间中规定路径运动的时间最短. 在这种方法中, 所规划的关节轨迹都采用二次多项式加余弦函数的形式, 不仅可以保证各关节运动的位移、速度、加速度连续而且还可以保证各关节运动的二阶加速度连续. 采用这种方法, 既可以提高机器人的工作效率又可以延长机器人的工作寿命. 以PUMA 5 6 0机器人为对象进行了计算机仿真和机器人实验, 结果表明这种方法是正确和有效的. 它为工业机器人在非线性运动学约束条件下的时间最优轨迹规划及控制问题提供了一种较好的解决方案.     

基于强化学习的挖掘机时间最优轨迹规划

针对挖掘机的自主作业场景,提出基于强化学习的时间最优轨迹规划方法.首先,搭建仿真环境用于产生数据,以动臂、斗杆和铲斗关节的角度、角速度为状态观测变量,以各关节的角加速度值为动作信息,通过状态观测信息实现仿真环境与自主学习算法的交互;然后,设计以动臂、斗杆和铲斗关节运动是否超出允许范围、完成任务 总时间和目标相对距离为奖励函数对策略网络参数进行训练;最后,利用改进的近端策略优化算法(proximal policy optimization, PPO)实现挖掘机的时间最优轨迹规划.与此同时,与不同连续动作空间的强化学习算法进行对比,实验结果表明:所提出优化算法效率更高,收敛速度更快,作业轨迹更平滑,可有效避免各关节受到较大冲击,有助于挖掘机高效、平稳地作业.     

基于改进粒子群算法的机械臂能耗轨迹优化

针对工业机器人能耗轨迹优化问题,提出了一种基于金字塔层拓扑结构的粒子群算法。该算法引入了金字塔层式的拓扑结构,将粒子进行排序、分层,从而改进算法的竞争策略,增加了种群多样性;引入了新的合作策略以更新粒子的速度和位置;引入胜利百分比来自适应地调整粒子群算法的权重系数,提高了粒子的搜索效率。为了验证该算法的有效性,在测试函数集上进行了测试,并与其他八种变体粒子群算法进行比较,其结果表明所提出的算法性能具有显著优势。最后将该算法应用到工业机器人轨迹规划中,仿真实验表明该算法能有效求解机器人的能耗最优轨迹,机器人的能耗明显减低,且满足工业机器人的运动学及动力学约束。     

An online collision-free trajectory generation algorithm for human–robot collaboration

The premise of human–robot collaboration is that robots have adaptive trajectory planning strategies in hybrid work cell. The aim of this paper is to propose a new online collision avoidance trajectory planning algorithm for moderate dynamic environments to insure human safety when sharing collaborative tasks. The algorithm contains two parts: trajectory generation and local optimization. Firstly, based on empirical Dirichlet Process Gaussian Mixture Model (DPGMM) distribution learning, a neural network trajectory planner called Collaborative Waypoint Planning network (CWP-net) is proposed to generate all key waypoints required for dynamic obstacle avoidance in joint space according to environmental inputs. These points are used to generate quintic spline smooth motion trajectories with velocity and acceleration constraints. Secondly, we present an improved Stochastic Trajectory Optimization for Motion Planning (STOMP) algorithm which locally optimizes the generated trajectories of CWP-net by constraining the trajectory optimization range and direction through the DPGMM model. Simulations and real experiments from an industrial use case of human–robot collaboration in the field of aircraft assembly testing show that the proposed algorithm can smoothly adjust the nominal path online and effectively avoid collisions during the collaboration.