基于CPSO优化算法的六自由度机械臂轨迹规划

针对焊接机器人的多目标优化问题,综合考虑时间、能耗、脉动冲击工作指标,提出一种具有混沌寻优的多目标自适应粒子群优化算法(CPSO)。在工作轨迹数学模型采用五次NURBS曲线插值机械臂末端路径点,把混沌寻优的方法融合进粒子群优化中,并提出采取动态加权方法进行选择适应度最高的全局最优粒子;通过外部存档改进粒子群的自适应变异规则,进而产生更加优异的粒子,降低局部最优的可能性,提高运算效率,改进了Pareto取值集合空间。通过软件仿真,在已知约束条件下,该优化算法可以实现目标轨迹的多目标优化,保证焊接机械臂以最优路线运行。

基于ADPSO算法的机械臂轨迹规划

焊接机械臂工作路径复杂,对规划轨迹平滑性要求较高,并且规划轨迹需满足各关节运动学约束。提出了带扰动的自适应粒子群(Adaptive particle swarm optimization,ADPSO)算法,可以在满足关节约束条件下规划出时间、能力、跃度最优轨迹。采用5次NURBS曲线插值关节工作路径点,使各关节位置、速度、加速度、跃度曲线均连续光滑。利用ADPSO算法进行多目标最优轨迹规划,首先,将粒子外推思想与粒子群优化(Particle swarm optimization,PSO)算法结合,以增强粒子搜索能力;然后,对搜索所得个体极值与群体极值引入扰动,加快粒子收敛速度。在Matlab环境下进行仿真分析,对比其他智能算法,ADPSO算法的优化效果更好、优化时效性更快。

基于AGA的焊接机器人避障轨迹规划

针对焊接机器人在焊接过程中运动耗时长,稳定性系数低,避障精度差的问题,采用自适应遗传算法来搜索任务空间中轨迹的最优解。以ABB IRB 120焊接机器人为研究对象,首先,建立机器人D-H运动学模型,采用位姿分离的方法进行逆运动学分析;然后,通过自适应遗传算法对焊接机器人进行避障优化,使其能够快速地找到焊接机器人在焊接运动过程中的最优路径;同时,采用五次多项式插值法逼近任务空间中的轨迹行程。仿真结果表明,与经典遗传算法相比,自适应遗传算法通过自适应调节交叉概率Pc和变异概率Pm的值,能更好地产生新的个体摆脱局部极值,快速地搜索到全局最优解,获得平稳且连续变化的机器人末端点运动轨迹,在一定程度上提高收敛速度与求解精度。