CN109901397B - 一种使用粒子群优化算法的机械臂逆运动学方法 - Google Patents
一种使用粒子群优化算法的机械臂逆运动学方法 Download PDFInfo
- Publication number
- CN109901397B CN109901397B CN201910225451.8A CN201910225451A CN109901397B CN 109901397 B CN109901397 B CN 109901397B CN 201910225451 A CN201910225451 A CN 201910225451A CN 109901397 B CN109901397 B CN 109901397B
- Authority
- CN
- China
- Prior art keywords
- inverse kinematics
- pso
- particle
- mechanical arm
- solution
- 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
Links
Images
Landscapes
- Manipulator (AREA)
Abstract
本发明涉及一种使用粒子群优化算法的机械臂逆运动学方法,作为一种不使用Jacobian矩阵的数值解法,该法对机械臂奇异性免疫。此外,由于PSO的性质,优化指标很容易纳入适宜函数,该法明确综合考虑了关节限制。该法可用于解决非冗余和冗余串联机械臂的IK问题,也可以用于在机械臂工作空间内跟踪连续路径。由于PSO的平面设计理念,与广泛使用的GA算法相比,该法计算高效,且具有寻找机械臂多个IK解的能力。这些特征使PSO‑IK求解法成为一种有吸引力的方法,具有广阔应用前景。未来的工作包括PSO‑IK求解在避障中的应用以及在路径规划、优化控制参数等方面的扩展。
Description
技术领域
本发明属于多臂机械臂逆运动学技术,涉及一种使用粒子群优化算法的机械臂逆运动学方法。
背景技术
机械臂末端执行器在其工作空间内的运动需要计算高效的逆运动学(IK)解决方案。逆运动学在运动规划、实时动画和机械设计等领域扮演首要角色。因此,人们已经为寻找精确、高效的机械臂逆运动学方法做了很多努力。
通常机器人逆运动学问题的解决方法可分为三类:几何/解析、与Jacobian矩阵相关及基于优化。逆运动学最早和最佳的方法是解析解法,具有精度绝对和计算高效的优点。然而,仅当任三个相邻关节是平移的或任三个连续关节轴在同一点相交时,一个完整的解析解才存在。对于不满足这些条件的机械臂,特别是冗余机械臂,其逆运动学没有通用解析解。因此,额外的逆运动学技术必不可少。逆运动学与Jacobian矩阵相关的解是在关节速度水平上处理,而非关节位置。Jacobian矩阵及其逆/伪逆需要实时执行以获取所需的关节速度轨迹。必须采用闭环模型以保证跟踪误差收敛至零,这样末端执行器可在机械臂工作空间内精确跟踪预定路径。然而,由于关节轴的调整,任务空间内一个小的速度变化需要关节空间一个巨大的速度变化,会出现奇点。奇异性限制了机械臂可用工作空间的体积,并引起不可能的操作。在这样的奇异配置下,Jacobian矩阵将是秩亏且不可逆。因此,人们开发了一些技术来克服奇异性问题,如Jacobian矩阵转置、阻尼最小二乘法(DLS)、选择阻尼最小二乘法、Levenberg-Marquardt法、反馈逆运动学法等。这些方法使末端执行器即使在奇异配置下也可运动,但代价是跟踪精度下降。逆运动学解得第三种方法是基于优化[9]。Newton-Raphson法简单,但由于只采用原非线性方程的一阶近似,计算负担很高且收敛速度慢。
另一种使用广泛的方法是循环坐标下降(CCD)法及其变种。CCD的流程是将某一时刻的一个关节与末端执行器及目标点对准,并迭代驱动末端执行器与目标。作为一种启发式方法,CCD与奇异性问题和计算效率无关。它的缺点是即使施加约束,其不连续性也不稳定。最近,逆运动学问题的进化算法受到广泛关注。有人提出了一种基于神经网络(NN)的方法,经训练确定神经网络的连接权重,但训练周期很恼人,且一旦训练完成,基于神经网络的方法只可以用于一个机器人。基于优化的逆运动学解还有一种流行的启发式算法遗传算法(GA)。遗传算法根据达尔文和孟德尔的进化理论,模仿自然行为。逆运动学解经复制操作、交叉、变异和进化一代代过滤,直到获得一个有希望的结果。它的主要缺点是复杂的编码和高昂的计算成本。
为克服上述方法的缺点,有人在逆运动学中采用了粒子群优化算法(PSO)。但他们大多只关注逆运动学的位置问题而不关注方向问题。PSO是一种基于智能的启发式优化技术,结合了社会心理学原理和进化计算,在一个复杂的空间内实现最优解。
发明内容
要解决的技术问题
为了避免现有技术的不足之处,本发明提出一种使用粒子群优化算法的机械臂逆运动学方法,提出了非冗余和冗余机械臂基于PSO的逆运动学解。机械臂的逆运动学问题首先转化为优化问题,然后采用自适应惯性系数的PSO搜索逆运动学的最优解。是一种计算效率快、跟踪精度高,鲁棒性好,对奇异性不敏感的基于粒子群优化算法的机械臂逆运动学方法。
技术方案
一种使用粒子群优化算法的机械臂逆运动学方法,其特征在于步骤如下:
步骤1、建立n自由度串联机械臂的正运动学和逆运动学表达形式:
以f:θ→SE(3)表示机械臂正运动学,在所有关节位置已知的条件下确定末端执行器的位置和方向;以f-1:SE(3)→θ∈Rn表示逆运动学,在已知末端执行器姿态的条件下求各关节位置;正运动学表示为:
步骤2、建立逆运动学问题在指定搜索空间内的目标函数和约束条件:
采用以下多重标准:
最大位置误差:
g1(θ)=||pd-p||,g2(θ)=||φd-φ|
其中pd,φd分别为期望的末端执行器位置和方向(欧拉角)向量,p和φ分别为末端执行器实际位置和方向向量;
目标为执行过程中的总关节角变化:
其中t0和tf分别为起始和终止时间,θs为机器人初始构型。W为正定权矩阵;
当机器人靠近机械臂中间构型操作,定义另一个目标函数:
步骤3、基于粒子群优化算法(PSO)进行逆运动学求解:首先在可行的搜索区域内初始化具有随机初始值的粒子群,各粒子对其适宜函数进行评估,在搜索空间内搜索目前已知的自身局部最佳位置和群整体最佳位置;各粒子的运动由局部及整体最佳位置指导,每一代更新一次。当发现更好的位置时,就选作粒子群运动的指导。此过程不断重复,直到满足一个特定条件或发现有前景的解决方案;
粒子维数代表设计变量的数量;
第i个粒子的位置和速度的更新形式如下:
其中(xi1,xi2,…,xiK)和(υi1,υi2,…,υiK)分别表示第i个粒子的位置和速度,c1、c2是加速度常数,r1、r2为[0,1]间的均匀分布值。向量存有第i个粒子目前的局部最佳位置,表示粒子群目前总体最佳位置;δt为采样时间,ω为自适应惯性权重因子。ω采用线性递减策略
其中itermax是最大迭代次数。wmin和wmax分别为惯性权重的下界和上界;
步骤4、在逆运动学求解中施加边界约束条件,如果不满足边界约束条件,返回步骤3继续搜索,直到找到满足条件的逆运动学解集;
设计变量上施加有约束,采用以下粒子位置的修复策略:
粒子群随机分为大小相等的两个子群Ss,s∈{1,2}并初始化如下:
有益效果
本发明提出的一种使用粒子群优化算法的机械臂逆运动学方法,作为一种不使用Jacobian矩阵的数值解法,该法对机械臂奇异性免疫。此外,由于PSO的性质,优化指标很容易纳入适宜函数,该法明确综合考虑了关节限制。该法可用于解决非冗余和冗余串联机械臂的IK问题,也可以用于在机械臂工作空间内跟踪连续路径。由于PSO的平面设计理念,与广泛使用的GA算法相比,该法计算高效,且具有寻找机械臂多个IK解的能力。这些特征使PSO-IK求解法成为一种有吸引力的方法,具有广阔应用前景。未来的工作包括PSO-IK求解在避障中的应用以及在路径规划、优化控制参数等方面的扩展。
附图说明
图1为本发明实例中所述的4粒子PSO算法示意图
粒子:A,B,C,D目标:T gbest:全局最优pbest:局部最优
图2为本发明实例中所述PUMA560和7自由度拟人机械臂示意图
a:PUMA560机械臂;b:7DOF仿人手臂型机械臂
图3为本发明实例1中遗传算法(GA)和粒子群优化算法(PSO)仿真结果比较图
a:适应度函数收敛;b:平均执行时间
图4为本发明实例3中PUMA560机械臂PSO-IK求解仿真结果示意图
a:位置跟踪误差;b:姿态跟踪误差;c:关节轨迹;d:Jacobian矩阵的行列式;
图5为本发明实例5中7自由度拟人机械臂PSO-IK求解仿真结果示意图
a:位置跟踪误差;b:姿态跟踪误差;c:带优化的机械臂关节轨迹;d:不带优化的机械臂关节轨迹。
具体实施方式
现结合实施例、附图对本发明作进一步描述:
本发明基于粒子群优化算法和逆运动学理论,提出使用粒子群优化算法的机械臂逆运动学方法。关节轨迹求解基于非线性规划法PSO和机械臂递归正运动学。其中纳入了关节范围限制,并明确处理为边界约束。所提方法不仅可用于静力学IK任务,还可用于机器人的跟踪任务。此外,所提方法可避免奇异性问题。具体的逆运动学求解方法如下。
本发明是通过以下技术方案来实现:
本发明一种使用粒子群优化算法的机械臂逆运动学方法,包括,
步骤一,建立n自由度串联机械臂的正运动学和逆运动学表达形式;
步骤二,建立逆运动学问题在指定搜索空间内的目标函数和约束条件;
步骤三,基于粒子群优化算法(PSO)进行逆运动学求解。首先在可行的搜索区域内初始化具有随机初始值的粒子群。粒子维数代表设计变量的数量。各粒子对其适宜函数进行评估,在搜索空间内搜索目前已知的自身最佳位置(局部)和群最佳位置(整体)。各粒子的运动由局部及整体最佳位置指导,每一代更新一次。当发现更好的位置时,就选作粒子群运动的指导。此过程不断重复,直到满足一个特定条件或发现有前景的解决方案;
步骤四,在逆运动学求解中施加边界约束条件并保证其稳定性。
步骤一:建立n自由度串联机械臂的正运动学和逆运动学表达形式。
考虑一个n自由度串联机械臂,令f:θ→SE(3)表示机械臂正运动学,在所有关节位置已知的条件下确定末端执行器的位置和方向。与之相反,f-1:SE(3)→θ∈Rn表示逆运动学,在已知末端执行器姿态的条件下求各关节位置。若应用齐次矩阵,正运动学可表示为:
其中 为从坐标系i到i-1的旋转矩阵,为坐标系i-1原点到坐标系i原点位置向量表示在坐标系i-1中。有6个约束,当dim(θ)=6时,逆运动学问题是适定的。若dim(θ)<6,这个问题是过约束的,无可行解。相反,若dim(θ)>6,问题缺约束,是冗余的。这种情况下,逆运动学问题有无数解。对于给定末端执行器姿态,冗余机械臂仍可在其关节空间内沿自运动流形运动,可应用于额外的优化目标,如碰撞规避或使机械臂远离关节运动边界或奇点。
步骤二:建立逆运动学问题在指定搜索空间内的目标函数和约束条件。
逆运动学解是在指定搜索空间内寻找最佳解。某些机械臂可用解析法解决,但对于其他机械臂,单个或多个目标必须为逆运动学解指定。这些目标可设计为最小或最大化多个/分散成本函数,如最小化末端执行器的位置和方向误差、最大化可操作性等。在本发明中,采用以下多重标准:
g1(θ)=||pd-p||,g2(θ)=||φd-φ|| (3)
其中p和φ分别为末端执行器实际位置和方向向量。此外,当执行跟踪任务时,不希望有激烈的关节变化。定义一个目标为执行过程中的总关节角变化如下:
其中t0和tf分别为起始和终止时间,θs为机器人初始构型。W为正定权矩阵。如果我们希望机器人尽可能靠近其中间构型操作,可定义另一个目标函数:
约束是另一个需考虑的问题。实际上,所有的过程都受到约束。传感器有范围限制,执行器有行动区域限制。此外,出于安全或经济原因,往往还有人为限制。设h(θ)为线性及非线性方程,在一系列约束下的逆运动学解描述如下:
步骤三:基于粒子群优化算法(PSO)进行逆运动学求解。
与遗传算法相同,粒子群优化算法也是一种随机搜索法,但原理更简单。它是受到了群体动物协调运动的启发,如鸟和鱼等。在群中的每一个粒子的状态调整都考虑到随机的,认知的和社会的影响。PSO算法首先在可行的搜索区域内初始化具有随机初始值的粒子群。粒子维数代表设计变量的数量。各粒子对其适宜函数进行评估,在搜索空间内搜索目前已知的自身最佳位置(局部)和群最佳位置(整体)。各粒子的运动由局部及整体最佳位置指导,每一代更新一次。当发现更好的位置时,就选作粒子群运动的指导。此过程不断重复,直到满足一个特定条件或发现有前景的解决方案。图1展示了一个4粒子PSO流程图。
设第i个粒子的位置和速度分别表示为(xi1,xi2,…,xiK)和(υi1,υi2,…,υiK)。按PSO算法原则,第i个粒子的位置和速度的更新形式如下:
其中c1、c2是加速度常数,r1、r2为[0,1]间的均匀分布值。向量存有第i个粒子目前的局部最佳位置,表示粒子群目前总体最佳位置。δt为采样时间,ω为自适应惯性权重因子,有效地控制搜索范围。本发明中ω采用线性递减策略
其中itermax是最大迭代次数。wmin和wmax分别为惯性权重的下界和上界。由式(7),第i个粒子的更新速度由三部分组成:其以前速度的动量、由局部最佳及整体最佳位置决定的速度增量。最终,粒子的位置随其以前位置和新的速度在采样时间δt内引起的位移更新。
步骤四:在逆运动学求解中施加边界约束条件并保证其稳定性。
选择局部和整体最优粒子是为了指导整个群的运动。因此PSO中采用适宜函数评估群中粒子质量并驱动它们朝向目标。如何选择适宜函数取决于机器人类型、逆运动学任务及优化目标。若只考虑位置误差,可考虑目标函数g1(θ)作为适宜函数,不用考虑方向误差g2(θ),反之亦然。若冗余机械臂要求跟踪任务,可将式(2)表示的目标函数组合作为PSO的适宜函数。
实际中,设计变量上施加有约束。应对PSO中约束的策略有补偿函数、修复算法等。在PSO逆运动学解中,考虑关节范围限制并用修复不可行方案应对。采用以下粒子位置的修复策略:
注意在修复算法中位置和速度的处理都要考虑。若xik<xmin而没有速度变化,υik<0将驱动粒子再次移出可行搜索空间(对于xik>xmax,υik>0类似)。速度处理另一个原因是速度对PSO性能的显著影响。当速度太大时,可能会跳过可行解决方案;当速度太小时,收敛速度会很慢。因此,有必要将速度设为零或将第k个速度分量反转以使粒子返回可行搜索区域。
PSO算法中另一个问题是当pgbest和ppbestj不再改善时,粒子群发生停滞。经过固定数量的优化步骤,适宜函数的变化率仍然低于一个给定阈值,接近于零。为应对这种情况,粒子群随机分为大小相等的两个子群Ss,s∈{1,2}并初始化如下
c3和c4是两个加权标量,分别用来调节pgbest附近的群分布和搜寻ppbestj附近的速度。rand(0,1)为0到1的正态分布随机数。
最后简短地讨论PSO算法的稳定性问题。已有人导出了PSO算法稳定性的充要条件。这些条件可表述为0<(c1+c2)<4及只要参数c1、c2和ω满足以上条件,***就保证收敛到一个稳定的平衡。PSO算法参数的选择列在表1中。PSO算法实现快速收敛,并已在不同条件下和不同机械臂上通过许多测试。
表1遗传算法和粒子群优化算法参数
在以下实例中,采用本发明所述的逆运动学方法得到的求解效果分别如下。
实例1:本发明在仿真中用C/C++语言编程实现通用机械臂的两种逆运动学求解。一种是基于遗传算法的逆运动学求解(GA-IK),另一种是基于粒子群优化算法的求解(PSO-IK),用GA-IK解作为对照。两种求解都在PC/WinXP/2GB RAM/Intel Atom1.6GHz CPU中运行。有研究表明群的规模并无一定的价值。在本发明中,GA的个体数和PSO的粒子数分别设为14,作为计算成本和群多样性的折中。GA和PSO包含的参数列在表1中。
表2 PUMA560机械臂的D-H参数
在本例中,用于证明PSO-IK解的为PUMA560机械臂(图2(a))。它的Denavit-Hartenberg(D-H)参数(扭转角α、连杆长度a、偏移长度d和旋转角度θ)以及关节限制列在表2中。选择PUMA560的原因是存在逆运动学解析解,可用于验证数值解的精度。本例选择的适宜函数是末端执行器位置和方向误差的组合。收敛标准设为10-k,其中k从-2到-8变化。对于施加收敛标准为10-k的给定末端执行器姿态,基于GA和PSO的逆运动学求解都初始化为关节限制内的任意值,并实施100次以评估GA和PSO算法的性能。两种逆运动学求解的最佳适宜收敛和平均执行时间绘制在图3中。由图可知,PSO-IK求解的适宜收敛速度远快于GA-IK求解。值得注意的是,当收敛标准增加时,PSO和GA的平均执行时间都增长,而由于PSO设计原理简单,它的执行速度比GA更快。因此,基于PSO的方法更适合逆运动学求解。
实例2:在本例中,我们要表现PSO-IK求解寻找多个逆运动学解得能力。对于给定末端执行器姿态,如果不考虑关节约束,PUMA560最多有8个逆运动学解。
本例中PUMA560的期望末端执行器姿态设为
(37.2319°,34.8296°,69.0820°,0.5746,0.2009,0.3261),
确定解为θ=(5°,10°,15°,20°,25°,30°)。收敛标准设为10-8。经过87次迭代,所有8个解都被找到,列在表3中。
表3 PUMA560给定末端执行器姿态的8个逆运动学解
实例3:在案例1和2说明了静态应用的PSO-IK求解,它也可用于末端执行器连续轨迹跟踪。本次仿真用PUMA560的末端执行器在其工作区间中跟踪一个预定义的抛物线。采样时间为0.1s,机器人初始构型为θ0=(0°,-60°,180°,0°,-60°,0°)。期望末端执行器方向和位置轨迹设为:
(0,π/3-2πt/3T,0)和采样时间T=10s。图4展示了采用PSO-IK求解的PUMA560跟踪任务仿真结果。可以看到,位置跟踪误差小于0.1mm,方向跟踪误差小于0.0055°。即使在机械臂经过其奇异点时,PSO法产生的关节轨迹也很平滑。由图4(d),机械臂平稳地通过奇异点,Jacobian矩阵的行列式等于零。值得注意的是,跟踪误差与奇异性不相关,说明该法对奇异性不敏感。
实例4:本例展示了PSO-IK求解对冗余分辨率的潜力。采用7自由度拟人机械臂(图2(b)),其D-H参数和关节限制列在表4中,收敛标准设为10-8。PSO-IK求解成功找到一个解θ=(-85.4129°,36.3543°,-89.3915°,-14.7510°,-115.1104°,-29.7095°)。事实上,冗余机械臂有无数个逆运动学解,找到的只是其中一个。该解可作为后续优化的初始可行解。
表4 7自由度拟人机械臂的D-H参数
实例5:本例中,用表4描述的冗余机械臂利用PSO-IK求解在其工作空间内跟踪一个连续路径。仿真的目标是展示PSO-IK求解在连续路径跟踪和冗余分辨率上的潜力。跟踪路径是一条直线,从末端执行器姿态(60°,3°,180°,0.8855,1.1977,-0.0737)到终止末端执行器姿态(60°,3°,18°0,0.8855,1.3977,1.1(在基座坐标系中),跟踪时间T=5s。相应机器人的初始配置θ0=(60°,45°,0°,72°,0°,-30°,0°),采样时间为0.1s。由于机械臂的冗余性,公式(4)和(5)可纳入一个额外的优化目标。这里PSO-IK求解选择最小关节角变化g3(θ)。仿真结果绘制在图5中。位置和方向最大跟踪误差分别为0.123和0.0077°。同样值得注意的是跟踪误差低振幅、高频率地振荡。这种现象仅发生在仿真中,在实际机械臂中并不明显。它将因惯性和机械臂阻尼而衰减。与未优化的关节轨迹比较,额外的优化目标g3(θ)产生关节轨迹更平滑、变化更少,特别是关节1和3。在本次仿真中,未优化案例总关节角变化计算为218.3897°,优化案例为201.4290°。关节运动减少降低了机械臂的能量消耗,并产生更平滑的关节轨迹,保护驱动机构免于剧烈的关节变化。
Claims (1)
1.一种使用粒子群优化算法的机械臂逆运动学方法,其特征在于步骤如下:
步骤1、建立n自由度串联机械臂的正运动学和逆运动学表达形式:
以f:θ→SE(3)表示机械臂正运动学,在所有关节位置已知的条件下确定末端执行器的位置和方向;以f-1:SE(3)→θ∈Rn表示逆运动学,在已知末端执行器姿态的条件下求各关节位置;正运动学表示为:
步骤2、建立逆运动学问题在指定搜索空间内的目标函数和约束条件:
采用以下多重标准:
最大位置误差:
g1(θ)=||pd-p||,g2(θ)=||φd-φ||
其中pd,φd分别为期望的末端执行器位置和方向(欧拉角)向量,p和φ分别为末端执行器实际位置和方向向量;
目标为执行过程中的总关节角变化:
其中t0和tf分别为起始和终止时间,θs为机器人初始构型,W为正定权矩阵;
当机器人靠近机械臂中间构型操作,定义另一个目标函数:
步骤3、基于粒子群优化算法(PSO)进行逆运动学求解:首先在可行的搜索区域内初始化具有随机初始值的粒子群,各粒子对其适宜函数进行评估,在搜索空间内搜索目前已知的自身局部最佳位置和群整体最佳位置;各粒子的运动由局部及整体最佳位置指导,每一代更新一次;当发现更好的位置时,就选作粒子群运动的指导;此过程不断重复,直到满足条件;
粒子维数代表设计变量的数量;
第i个粒子的位置和速度的更新形式如下:
其中(xi1,xi2,…,xiK)和(υi1,υi2,…,υiK)分别表示第i个粒子的位置和速度,c1、c2是加速度常数,r1、r2为[0,1]间的均匀分布值;向量存有第i个粒子目前的局部最佳位置,表示粒子群目前总体最佳位置;δt为采样时间,ω为自适应惯性权重因子;ω采用线性递减策略
其中itermax是最大迭代次数,wmin和wmax分别为惯性权重的下界和上界;
步骤4、在逆运动学求解中施加边界约束条件,如果不满足边界约束条件,返回步骤3继续搜索,直到找到满足条件的逆运动学解集;
设计变量上施加有约束,采用以下粒子位置的修复策略:
粒子群随机分为大小相等的两个子群Ss,s∈{1,2}并初始化如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910225451.8A CN109901397B (zh) | 2019-03-25 | 2019-03-25 | 一种使用粒子群优化算法的机械臂逆运动学方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910225451.8A CN109901397B (zh) | 2019-03-25 | 2019-03-25 | 一种使用粒子群优化算法的机械臂逆运动学方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109901397A CN109901397A (zh) | 2019-06-18 |
CN109901397B true CN109901397B (zh) | 2021-05-18 |
Family
ID=66953471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910225451.8A Active CN109901397B (zh) | 2019-03-25 | 2019-03-25 | 一种使用粒子群优化算法的机械臂逆运动学方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109901397B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110125942B (zh) * | 2019-06-21 | 2022-06-10 | 上海工程技术大学 | 一种用于移动型蛇形机械臂的平面轨迹跟踪方法 |
CN110653818B (zh) * | 2019-09-17 | 2021-03-26 | 清华大学深圳国际研究生院 | 一种平面气驱软体机械臂逆运动学求解方法 |
CN111283681B (zh) * | 2020-02-28 | 2022-03-15 | 东南大学 | 一种基于切换scapso的六自由度机械臂逆解方法 |
CN116864076A (zh) * | 2020-04-17 | 2023-10-10 | 许昌学院 | 运动负荷优化方法及*** |
CN111814269B (zh) * | 2020-06-17 | 2022-06-14 | 南昌大学 | 一种基于res-sca算法的逆运动学实时解析解优化方法 |
CN113033065B (zh) * | 2021-04-02 | 2023-06-09 | 南京理工大学 | 一种两关节绳驱连续型机械臂逆运动学求解方法 |
CN113220023B (zh) * | 2021-04-28 | 2022-10-14 | 中国科学院重庆绿色智能技术研究院 | 一种高精度无人机实时路径规划方法 |
CN114670190B (zh) * | 2022-03-08 | 2023-10-24 | 西北工业大学 | 一种基于解析数值混合法的冗余机械臂逆运动学方法 |
CN115494850B (zh) * | 2022-10-31 | 2023-08-18 | 广州亿达科技有限公司 | 一种工业机器人的控制方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984230A (zh) * | 2014-05-09 | 2014-08-13 | 大连大学 | 一种空间机械臂基座零扰动优化控制方法 |
CN106054876A (zh) * | 2016-06-02 | 2016-10-26 | 西北工业大学 | 一种针对空间多任务的避障路径最优逐次操作规划方法 |
CN107490965A (zh) * | 2017-08-21 | 2017-12-19 | 西北工业大学 | 一种空间自由漂浮机械臂的多约束轨迹规划方法 |
CN107662211A (zh) * | 2017-10-16 | 2018-02-06 | 西北工业大学 | 一种基于量子粒子群算法的空间机器人预测控制方法 |
CN107685343A (zh) * | 2017-08-28 | 2018-02-13 | 北京邮电大学 | 一种机械臂运动学参数标定构型优化方法 |
CN108656117A (zh) * | 2018-05-21 | 2018-10-16 | 武汉理工大学 | 一种多约束条件下最优时间的机械臂空间轨迹优化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9645558B2 (en) * | 2012-09-29 | 2017-05-09 | Operation Technology, Inc. | Dynamic parameter tuning using particle swarm optimization |
-
2019
- 2019-03-25 CN CN201910225451.8A patent/CN109901397B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984230A (zh) * | 2014-05-09 | 2014-08-13 | 大连大学 | 一种空间机械臂基座零扰动优化控制方法 |
CN106054876A (zh) * | 2016-06-02 | 2016-10-26 | 西北工业大学 | 一种针对空间多任务的避障路径最优逐次操作规划方法 |
CN107490965A (zh) * | 2017-08-21 | 2017-12-19 | 西北工业大学 | 一种空间自由漂浮机械臂的多约束轨迹规划方法 |
CN107685343A (zh) * | 2017-08-28 | 2018-02-13 | 北京邮电大学 | 一种机械臂运动学参数标定构型优化方法 |
CN107662211A (zh) * | 2017-10-16 | 2018-02-06 | 西北工业大学 | 一种基于量子粒子群算法的空间机器人预测控制方法 |
CN108656117A (zh) * | 2018-05-21 | 2018-10-16 | 武汉理工大学 | 一种多约束条件下最优时间的机械臂空间轨迹优化方法 |
Non-Patent Citations (2)
Title |
---|
Trajectory planning of free-floating space robot using Particle Swarm Optimization (PSO);Mingming Wang等;《 Acta Astronautica 》;20150312;全文 * |
自由漂浮空间机器人逆运动学闭环控制;张传海等;《飞行力学》;20141031;第32卷(第5期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109901397A (zh) | 2019-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109901397B (zh) | 一种使用粒子群优化算法的机械臂逆运动学方法 | |
US11845186B2 (en) | Inverse kinematics solving method for redundant robot and redundant robot and computer readable storage medium using the same | |
CN112904728B (zh) | 一种基于改进型趋近律的机械臂滑模控制轨迹跟踪方法 | |
CN108068113B (zh) | 7-dof仿人臂飞行物体作业最小加速度轨迹优化 | |
US10962976B1 (en) | Motion control method and system for biomimetic robotic fish based on adversarial structured control | |
CN109866222B (zh) | 一种基于天牛须优化策略的机械臂运动规划方法 | |
Gao et al. | Optimal trajectory planning for robotic manipulators using improved teaching-learning-based optimization algorithm | |
Liu et al. | Modeling and control of robotic manipulators based on artificial neural networks: a review | |
Walker et al. | Robot-human handovers based on trust | |
Wang et al. | A multi-target trajectory planning of a 6-dof free-floating space robot via reinforcement learning | |
CN115256401A (zh) | 一种基于强化学习的空间机械臂轴孔装配变阻抗控制方法 | |
Wang et al. | A Bio-inspired trajectory planning method for robotic manipulators based on improved bacteria foraging optimization algorithm and tau theory | |
Zebin et al. | Dynamic modeling and fuzzy logic control of a two-link flexible manipulator using genetic optimization techniques | |
Banga et al. | Modeling and simulation of robotic arm movement using soft computing | |
Kumar et al. | Robotic arm movement optimization using soft computing | |
CN115533920A (zh) | 一种求解绳驱机械臂逆运动学的协同规划方法及***、计算机存储介质 | |
Hewawasam et al. | Development and bench-marking of agoraphilic navigation algorithm in dynamic environment | |
Peng et al. | Moving object grasping method of mechanical arm based on deep deterministic policy gradient and hindsight experience replay | |
An et al. | Application of an improved particle swarm optimization algorithm in inverse kinematics solutions of manipulators | |
CN112380655B (zh) | 一种基于rs-cmsa算法的机器人逆运动学求解方法 | |
CN110703792B (zh) | 基于增强学习的水下机器人姿态控制方法 | |
Man et al. | Intelligent Motion Control Method Based on Directional Drive for 3-DOF Robotic Arm | |
Jalaeian et al. | A dynamic-growing fuzzy-neuro controller, application to a 3PSP parallel robot | |
Li et al. | Model predictive control for constrained robot manipulator visual servoing tuned by reinforcement learning | |
Ji et al. | Trajectory Generation and Tracking based on Energy Minimization for a Four-Link Brachiation 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 |