[发明专利]一种机器人轨迹规划方法

说明书

本发明属于机器人在线测量轨迹规划技术领域，具体涉及一种机器人轨迹规划方法。该方法首先得到关节轨迹序列。然后采用遗传算法求解目标函数，得到最优关节轨迹点时间间隔序列。确定适应度值的过程包括：若两个个体均在约束函数的可行域范围内或者随机生成的参数小于设定调整参数，则通过目标函数来判断两个个体的优劣，否则通过约束函数来判断两个个体的优劣；对种群中所有个体的优劣进行排序，根据排序结果赋予每个个体的适应度值。最后确定连续的关节轨迹。本发明引入随机排序算法来改进遗传算法中适应度值的计算，可有效平衡目标函数值与约束函数值对进化过程中早熟的影响，避免陷入局部最优，提高遗传算法的搜索能力，保证了轨迹规划精度。

技术领域

本发明属于机器人在线测量轨迹规划技术领域，具体涉及一种机器人轨迹规划方法。

背景技术

随着制造业自动化技术的发展，工业机器人技术以其较好的灵活性和稳定性，在自动化产业中得到了很好的应用。其中，机器人的轨迹规划方案是机器人应用技术中的关键问题。常见的机器人PTP规划是通过示教编程的方法，通过人为的设定机器人关节参数，从而使机器人完成从起点到目标点的运动。由于机器人关节速度、加速度等参数设定直接关系到整个运动的平稳性和工作效率，所以一般通过优化这些参数方法来提高机器人工作效率，并且通过优化关节参数来使机器人运动更加平顺，减少突变的可能，进而减少冲击。

关节空间的轨迹优化，是优化给定的关节轨迹点间时间间隔序列、关节角序列、角速度序列、或者角加速度序列约束等因变量曲线平顺的时间序列。主要研究有能量最优、冲击最优、时间最优等，这些优化可以在实际的工作环境中提高机器人的工作效率和使用寿命。国内外此类优化研究主要采用遗传算法、模式搜索算法、混沌遗传算法等智能算法。此类智能算法在处理约束条件时多采用罚函数法，罚函数法中的惩罚因子需要人为设定，调试复杂。而且，采用此类算法容易在进化过程中出现“早熟”的现象，即陷入局部最优，而非全局最优，导致最终得到的机器人轨迹并非最优轨迹。

发明内容

本发明的目的在于提供一种机器人轨迹规划方法，用以解决采用现有技术中方法出现早熟现象导致得到的机器人轨迹非最优轨迹的问题。

为解决上述技术问题，本发明所提供的技术方案以及技术方案对应的有益效果如下：

本发明提供了一种机器人轨迹规划方法，包括如下步骤：

1)获取机器人的目标路径序列，结合建立的机器人运动学方程，由运动学逆解得到与目标路径序列对应的关节轨迹序列；

2)基于关节轨迹点时间间隔序列建立目标函数和约束函数，结合确定的约束条件，采用遗传算法求解所述目标函数，得到的最优解为该机器人的最优关节轨迹点时间间隔序列；其中，采用遗传算法求解所述目标函数时，种群中的个体为关节轨迹点时间间隔序列，且采用如下方法确定每个个体的适应度值：①对种群中两个个体的优劣进行评价：若两个个体均在约束函数的可行域范围内或者随机生成的参数小于设定调整参数，则通过目标函数来判断两个个体的优劣，否则通过约束函数来判断两个个体的优劣；②基于步骤①的判断结果，对种群中所有个体的优劣进行排序，根据排序结果赋予每个个体的适应度值，且个体越优，其适应度值越高；

3)利用得到的关节轨迹序列以及最优关节轨迹点时间间隔序列，得到对应的关节轨迹参数，根据关节轨迹参数确定连续的关节轨迹，实现机器人轨迹规划。

上述技术方案的有益效果为：本发明引入随机排序算法来改进遗传算法中适应度值的计算，即，在两个个体均在约束函数的可行域范围内或者随机生成的参数小于设定调整参数时通过目标函数来判断两个个体的优劣，否则通过约束函数来判断两个个体的优劣，可有效平衡目标函数值与约束函数值对进化过程中早熟的影响，避免陷入局部最优，提高遗传算法的搜索能力，保证了最终得到的关节轨迹点时间间隔序列为全局最优，提高了关节轨迹点时间间隔序列的精度，进而提高了机器人轨迹规划的精度。

对方法进一步改进，步骤2)中，赋予每个个体的适应度值为：