[发明专利]一种基于GA-PSO算法的示教再现轨迹优化方法

权利要求书

1.一种基于GA-PSO算法的示教再现轨迹优化方法，其特征在于，包括以下步骤：

1)进行直接示教时，根据设定的采样周期对机器人的轨迹进行下采样，实时记录机器人各关节的角度值，并将各关节时间序列存储在上位机中，下采样得到的采样轨迹为：

其中，Q_r为第r个周期各关节的角度信息，n为轨迹点的总个数；

2)采用GA-PSO算法作为优化算法，以最小化示教轨迹的运动时间为最优化目标，以机器人的运动满足小于最大加速度与最大运行速度为限制条件，引入惩罚函数进行最优化求解，获取最优的轨迹点时间间隔序列，具体包括以下步骤：

21)构建GA-PSO算法的目标函数为：

h_i＝t_i+1-t_i

其中，h_i为相邻的第i个和第i+1个轨迹点之间的运动时间间隔，t_i、t_i+1为第i个和第i+1个轨迹点对应的时间点，分别为第j关节的第i个轨迹点位置和第i+1个关键点位置之间的角速度以及角加速度，为最大角速度，为最大角加速度；

22)引入惩罚函数，根据目标函数设计适应度函数，则有：

其中，g为惩罚函数，与分别为第j个关节在第i个时间间隔内的最大角速度与最大角加速度，α与β为对角速度与角加速度超限的惩罚权重，L为关节总数；

23)将适应度函数作为优化函数求解生成最优的轨迹点时间间隔序列；

3)根据优化后时间间隔序列和对应的采样轨迹点进行三次样条插值，得到优化后的示教轨迹；

4)在进行示教轨迹再现时，将优化后的示教轨迹根据控制周期进行离散化，发送给机器人控制器，完整再现整个示教轨迹。

2.根据权利要求1所述的一种基于GA-PSO算法的示教再现轨迹优化方法，其特征在于，所述的步骤23)具体包括以下步骤：

231)初始化迭代次数I＝1、遗传算法种群P₁及粒子群算法种群P₂，根据速度约束确定搜索范围

232)对种群P₁和P₂中的个体进行差分计算，得到相应的各个关节的角速度与角加速度；

233)根据适应度函数计算每个个体的适应度，分别对种群P₁和P₂按照适应度大小进行排序；

234)对种群P₁进行遗传算法更新，即进行选择、交叉以及变异操作；

235)对种群P₂进行粒子群算法操作，即统计出种群最优解以及个体历史最优解，根据两个最优解，更新每个粒子的位置信息及速度信息；

236)分别对种群P₁和P₂按照其适应度大小进行排序，将排序后的P₁中的前γ个体替换掉P₂的后γ个体，并将P₂中的前γ个体替换掉P₁的后γ个体，实现遗传算法与粒子群算法的信息交互融合；

237)迭代次数I＝I+1，判断是否找到全局最优解或达到了最大迭代次数，若是，则输出最优解，若否，则返回步骤232)。

3.根据权利要求2所述的一种基于GA-PSO算法的示教再现轨迹优化方法，其特征在于，所述的步骤3)具体为：

根据优化后时间间隔序列将对应的采样轨迹点分为多个分段区间，分别对每个关节进行三次样条曲线插值，其中，每个关节的角度轨迹均为一三次多项式，且满足以下条件：

轨迹起点和终点均通过采样轨迹点；

相邻采样轨迹点之间速度连续且加速度连续；

轨迹起点和终点速度均为0。