CN106980263B - 一种针对多项在轨任务的主从优化方法 - Google Patents

一种针对多项在轨任务的主从优化方法 Download PDF

Info

Publication number
CN106980263B
CN106980263B CN201710225280.XA CN201710225280A CN106980263B CN 106980263 B CN106980263 B CN 106980263B CN 201710225280 A CN201710225280 A CN 201710225280A CN 106980263 B CN106980263 B CN 106980263B
Authority
CN
China
Prior art keywords
layer
waypoint
sequence
main layer
optimization
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710225280.XA
Other languages
English (en)
Other versions
CN106980263A (zh
Inventor
朱战霞
赵素平
唐必伟
靖飒
张红文
袁建平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN201710225280.XA priority Critical patent/CN106980263B/zh
Publication of CN106980263A publication Critical patent/CN106980263A/zh
Application granted granted Critical
Publication of CN106980263B publication Critical patent/CN106980263B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Manipulator (AREA)
  • Numerical Control (AREA)

Abstract

本发明公开了一种针对多项在轨任务的主从优化方法，先根据主层基于该层的目标要求，得到最优沿途点序列；再根据附属层基于主层的沿途点序列，并结合该层的目标要求与理论方程，得到机器人的关节运动；最后附属层将优化结果传递至主层，主层根据其目标要求和附属层的优化结果，对沿途点序列进行改进，并将其传递至附属层，若满足指标要求，则循环结束。本发明采用基于集合偏序关系的改进遗传算法，对基于多项任务的主从优化问题进行寻优求解。算法形式直观、运行时间短、寻优结果精度高，可实现在所有沿途点处的实际位姿与期望位姿误差之和为零。此外，该算法基于正运动学方程，可避免空间机器人运动过程中的奇异性。

Description

一种针对多项在轨任务的主从优化方法
技术领域
本发明属于航天器操作规划技术领域，具体涉及一种针对多项在轨任务的主从优化方法。
背景技术
近几十年，空间机器人被用于执行大量的轨道任务，如空间站组装、轨道碎片清理。由于操作规划是利用空间机器人顺利完成任务的基础，研究机器人操作规划成为近年来的焦点。目前，对空间机器人操作规划的研究主要分为两类：任务空间中的点到点规划和关节空间中的构型到构型规划。
工业生产中，经常利用机器人连续执行多项任务，以达到提高生产率、节约成本的目的。目前对工业机器人多任务操作规划问题的研究已较为成熟，文献[4]总结了工业机器人连续执行多项任务过程中任务序列问题的研究方法，但并未涉及各关节的运动变化。此外，文献[5]以机器人远距离激光焊接为背景，研究了任务序列和机器人末端执行器路径规划问题，但也未考虑机器人的关节运动。
由于轨道环境中燃料极其宝贵，利用空间机器人连续执行多项任务有助于节省燃料。因此，研究空间机器人连续执行多项任务的操作规划问题是十分有必要的。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种针对多项在轨任务的主从优化方法，用于解决空间机器人连续执行多项轨道任务的操作规划问题。此外，操作规划过程中，将每项任务视为一个沿途点，即将任务集合视为沿途点集。要求末端执行器经过沿途点集中的每个沿途点，在所有沿途点处的实际位姿与期望位姿误差之和为零。
本发明采用以下技术方案：
一种针对多项在轨任务的主从优化方法，包括以下步骤：
S1、主层基于该层的目标要求，得到最优沿途点序列；
S2、附属层基于主层的沿途点序列，并结合该层的目标要求与理论方程，得到机器人的关节运动；
S3、附属层将优化结果传递至主层，主层根据其目标要求和附属层的优化结果，对沿途点序列进行改进，并将其传递至附属层，若满足指标要求，则循环结束。
优选的，所述步骤S1具体如下：
S11、采用实数编码制初始化种群；
S12、计算适应度值，得到路径长度；
S13、采用选择、交叉和变异，并将步骤S12的计算结果与前一次迭代计算结果进行比较，选择较优者。
优选的，主层所述最优沿途点序列为：
Figure BDA0001265024360000021
其中，n为沿途点数，xi为第i个时刻经过的沿途点的位置，
Figure BDA0001265024360000022
为沿途点xi与沿途点xi+1之间的距离。
优选的，所述步骤S2中，采用基于正运动学方程的改进遗传算法对在轨服务机器人的关节角进行优化，使得空间机器人末端执行器根据步骤一得到的沿途点序列进行运动，要求所有沿途点处的实际位姿与期望位姿误差之和为零，具体步骤如下：
S21、采用二进制编码初始化种群；
S22、计算适应度值，得到所有沿途点的实际位姿与期望位姿误差之和；
S23、采用选择、交叉和变异，并将步骤S23的计算结果与前一次计算结果进行比较，选择较优者。
优选的，所述空间机器人正运动学方程为：
Figure BDA0001265024360000031
其中，
Figure BDA0001265024360000032
为末端执行器的速度，
Figure BDA0001265024360000033
为关节角速度，JG为广义雅可比矩阵。
优选的，步骤S3中，所述优化结果为：附属层利用空间机器人正运动学方程得到的末端执行器路径的长度，与主层对应的序列路径长度进行比较，若二者之差满足给定的精度，则结束***循环。
与现有技术相比，本发明至少具有以下有益效果：
本发明采用基于集合偏序关系的改进遗传算法，对基于多项任务的主从优化问题进行寻优求解。算法形式直观、运行时间短、寻优结果精度高，可实现在所有沿途点处的实际位姿与期望位姿误差之和为零。此外，该算法基于正运动学方程，可避免空间机器人运动过程中的奇异性。
综上所述，本发明适用于空间机器人连续执行多项轨道操作任务，以节省轨道燃料、降低空间成本。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明方法流程图；
图2为本发明末端执行器位置变化示意图；
图3为本发明末端执行器姿态变化示意图；
图4为本发明各关节角变化示意图。
具体实施方式
为达到节省轨道燃料、降低空间成本的目的，考虑利用空间机器人连续执行多项轨道任务，本发明提出了一种针对多项轨道任务的主从优化方法。首先，主层基于该层的目标要求，得到最优沿途点序列；其次，附属层基于主层的沿途点序列，并结合该层的目标要求(所有沿途点处的实际位姿与期望位姿误差之和为零)与理论方程(空间机器人运动学方程)，得到机器人的关节运动；最后，附属层将优化结果传递至主层，主层根据其目标要求和附属层的优化结果，对沿途点序列进行改进，并将其传递至附属层，若满足指标要求，则循环结束。
请参阅图1，具体步骤如下：
S1、主层——寻找最优的沿途点序列；
基于各沿途点的位置，寻找最优沿途点序列，其数学模型为：
Figure BDA0001265024360000041
其中，n为沿途点数，xi为第i个时刻经过的沿途点的位置，
Figure BDA0001265024360000042
为沿途点xi与沿途点xi+1之间的距离。
该问题为NP问题，采用改进的遗传算法对该问题进行求解，具体包括以下步骤：
S11、初始化种群，此处采用实数编码制；
其中，沿途点数目为5，染色体数目为50，最大迭代次数为100。
S12、计算适应度值，即依据公式(1)计算沿途点之间的路径长度；
S13、选择、交叉和变异，并将计算结果(适应度值)与前一次迭代计算结果进行比较，选择较优者。
其中，采用旋转赌轮机制进行选择过程，采用单点交叉进行交叉过程，采用均匀多点变异进行变异过程，在染色体每点处的变异概率为：x＝umin+r(umax-umin)(r为[0,1]的随机数，[umax，umin]为变异范围)。
S2、附属层——寻求最优关节运动；基于空间机器人正运动学方程(式2)，得到最优关节运动。
Figure BDA0001265024360000043
其中，
Figure BDA0001265024360000051
为末端执行器的速度，
Figure BDA0001265024360000052
为关节角速度，JG为广义雅可比矩阵。
采用基于正运动学方程的改进遗传算法对在轨服务机器人的关节角进行优化，使得空间机器人末端执行器根据步骤一得到的沿途点序列进行运动，要求所有沿途点处的实际位姿与期望位姿误差之和为零，具体步骤如下：
S21、初始化种群，此处采用二进制编码；
S22、计算适应度值，即所有沿途点的实际位姿与期望位姿误差之和；
S23、选择、交叉和变异，并将计算结果与前一次计算结果进行比较，选择较优者；
此处采用旋转赌轮机制进行选择过程、采用两点交叉进行交叉过程，采用均匀多点变异进行变异过程，在染色体每点处的变异概率为：x＝umin+r(umax-umin)(r为[0,1]的随机数，[umax，umin]为变异范围)。
S3、检查是否满足终止条件。
首先，初始化主层参数，根据相应的选择、交叉和变异机制对主层进行优化，得到最优的沿途点序列，并将该序列传递至附属层；其次，初始化附属层参数，并结合主层的结果，对附属层进行选择、交叉和变异过程，得到最优的关节角；最后，附属层将基于优化得到的关节角和空间机器人的正运动学方程公式(2)得到的沿途点路径长度传递至主层，并与主层期望的沿途点路径长度进行比较)，若二者之差满足给定的精度，则结束***循环。
请参阅图2至图4，图2和图3分别描述了末端执行器运动过程中的位置和姿态变化情况；由图2和3可知，利用改进的遗传算法进行优化，可使得末端执行器在指定时刻到达指定沿途点处，且在每个沿途点处位姿误差为零。图4描述了各关节角的变化情况，由图可知曲线平滑。
本发明要求空间机器人***的末端执行器经过五个沿途点(位姿数据见表1)，要求在所有沿途点处的实际位姿与期望位姿误差之和为零。
表1为给定的各沿途点位姿数据
Figure BDA0001265024360000061
根据表1给定的各沿途点位姿数据，要求得到优化的沿途点序列，并要求末端执行按照优化的沿途点序列运动，在相邻沿途点之间的运动时间为5s。要求末端执行器可以精确到达给定位姿的沿途点处。利用改进的遗传算法首先对沿途点序列进行优化，其次对关节角进行优化使得末端执行器严格按照得到的沿途点序列运动，并且在规定时间内精确到达下一沿途点处
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (3)

1.一种针对多项在轨任务的主从优化方法，其特征在于，包括以下步骤：
S1、主层基于该层的目标要求，得到最优沿途点序列，具体如下：
S11、采用实数编码制初始化种群；
S12、计算适应度值，得到路径长度；
S13、采用选择、交叉和变异，并将步骤S12的计算结果与前一次迭代计算结果进行比较，选择较优者，主层所述最优沿途点序列为：
Figure FDA0002238965740000011
其中，n为沿途点数，xi为第i个时刻经过的沿途点的位置，
Figure FDA0002238965740000012
为沿途点xi与沿途点xi+1之间的距离；
S2、附属层基于主层的沿途点序列，并结合该层的目标要求与理论方程，得到机器人的关节运动，采用基于正运动学方程的改进遗传算法对在轨服务机器人的关节角进行优化，使得空间机器人末端执行器根据步骤一得到的沿途点序列进行运动，要求所有沿途点处的实际位姿与期望位姿误差之和为零，具体步骤如下：
S21、采用二进制编码初始化种群；
S22、计算适应度值，得到所有沿途点的实际位姿与期望位姿误差之和；
S23、采用选择、交叉和变异，并将步骤S23的计算结果与前一次计算结果进行比较，选择较优者；
S3、附属层将优化结果传递至主层，主层根据其目标要求和附属层的优化结果，对沿途点序列进行改进，并将其传递至附属层，若满足指标要求，则循环结束。
2.根据权利要求1所述的一种针对多项在轨任务的主从优化方法，其特征在于，所述空间机器人正运动学方程为：
Figure FDA0002238965740000021
其中，
Figure FDA0002238965740000022
为末端执行器的速度，
Figure FDA0002238965740000023
为关节角速度，JG为广义雅可比矩阵。
3.根据权利要求1所述的一种针对多项在轨任务的主从优化方法，其特征在于，步骤S3中，所述优化结果为：附属层利用空间机器人正运动学方程得到的末端执行器路径的长度，与主层对应的序列路径长度进行比较，若二者之差满足给定的精度，则结束***循环。
CN201710225280.XA 2017-04-07 2017-04-07 一种针对多项在轨任务的主从优化方法 Active CN106980263B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710225280.XA CN106980263B (zh) 2017-04-07 2017-04-07 一种针对多项在轨任务的主从优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710225280.XA CN106980263B (zh) 2017-04-07 2017-04-07 一种针对多项在轨任务的主从优化方法

Publications (2)

Publication Number Publication Date
CN106980263A CN106980263A (zh) 2017-07-25
CN106980263B true CN106980263B (zh) 2020-04-21

Family

ID=59345445

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710225280.XA Active CN106980263B (zh) 2017-04-07 2017-04-07 一种针对多项在轨任务的主从优化方法

Country Status (1)

Country Link
CN (1) CN106980263B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102161198A (zh) * 2011-03-18 2011-08-24 浙江大学 用于三维空间中移动机械臂路径规划的主从式协进化方法
CN103143819A (zh) * 2013-03-22 2013-06-12 浙江正特集团有限公司 一种自动焊机及其控制方法
DE102013203381A1 (de) * 2012-03-15 2013-09-19 GM Global Technology Operations LLC (n. d. Ges. d. Staates Delaware) Verfahren und system zum trainieren eines roboters unter verwendung einer von menschen unterstützten aufgabendemonstration
CN104331547A (zh) * 2014-10-23 2015-02-04 北京控制工程研究所 一种基于可操作性的空间机械臂结构参数优化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102161198A (zh) * 2011-03-18 2011-08-24 浙江大学 用于三维空间中移动机械臂路径规划的主从式协进化方法
DE102013203381A1 (de) * 2012-03-15 2013-09-19 GM Global Technology Operations LLC (n. d. Ges. d. Staates Delaware) Verfahren und system zum trainieren eines roboters unter verwendung einer von menschen unterstützten aufgabendemonstration
CN103143819A (zh) * 2013-03-22 2013-06-12 浙江正特集团有限公司 一种自动焊机及其控制方法
CN104331547A (zh) * 2014-10-23 2015-02-04 北京控制工程研究所 一种基于可操作性的空间机械臂结构参数优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
在轨服务空间机械臂运动及任务规划方法研究;曾岑;《中国博士学位论文全文数据库 信息科技辑》;20140515(第5期);正文第24、28、49页 *
焊接机械臂运动轨迹多目标优化;刘云郎;《中国优秀硕士学位论文全文数据库 信息科技辑》;20161215(第12期);正文第55-62、80-83页 *

Also Published As

Publication number Publication date
CN106980263A (zh) 2017-07-25

Similar Documents

Publication Publication Date Title
CN103235513B (zh) 一种基于遗传算法的移动机械臂轨迹规划优化方法
CN111702762B (zh) 一种工业机器人作业姿态优化方法
CN102785248B (zh) 一种解耦型六自由度工业机器人的运动控制方法
CN105138000A (zh) 最优化基座位姿扰动的七自由度空间机械臂轨迹规划方法
WO2022174658A1 (zh) 面向五轴数控机床旋转轴空间定位误差快速优化补偿方法
Ratiu et al. Industrial robot trajectory optimization-a review
CN105894120A (zh) 一种基于姿态控制的鞋底喷胶路径的规划方法
CN107538493A (zh) 一种避免线缆干涉约束的工业机器人轨迹规划方法
CN105676636A (zh) 一种基于nsga-ii算法的冗余度空间机械臂多目标优化方法
CN106844951B (zh) 基于分段几何法求解超冗余机器人逆运动学的方法及***
CN106041932B (zh) 一种ur机器人的运动控制方法
CN113325799B (zh) 一种曲面工件的点焊机器人操作空间平滑路径规划方法
CN110561419B (zh) 臂型线约束柔性机器人轨迹规划方法及装置
CN112222703B (zh) 一种焊接机器人能耗最优轨迹规划方法
Liu et al. Time-energy optimal trajectory planning for collaborative welding robot with multiple manipulators
CN108098777A (zh) 一种冗余度机械臂力矩层重复运动控制方法
CN115213898A (zh) 一种基于逆解多目标优化的焊接机器人笛卡尔空间轨迹规划方法
CN113722864B (zh) 一种7自由度冗余机械臂逆运动学求解方法及***
CN113467475B (zh) 一种麦克纳姆轮全向移动机器人轨迹跟踪滑模控制方法
CN105234930A (zh) 基于构形平面的冗余机械臂运动控制方法
US20210323154A1 (en) Disassembly based assembly planning
CN106980263B (zh) 一种针对多项在轨任务的主从优化方法
Li et al. Stiffness-maximum trajectory planning of a hybrid kinematic-redundant robot machine
Ata et al. COLLISION-FREE TRAJECTORY PLANNING FOR MANIPULATORS USING GENERALIZED PATTERN SEARCH.
Yuan et al. Motion study of a redundant 7-DOF operation robot

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant