[發明專利]智能空間下的服務機器人逆運動學求解方法和裝置

在審

• 申請號: 201810049148.2
• 申請日: 2018-01-18
• 公開（公告）號: CN108255058A
• 公開（公告）日: 2018-07-06
• 發明（設計）人: 田國會;龔京;張營;張夢洋;徐元
• 申請（專利權）人: 山東大學深圳研究院
• 主分類號: G05B13/04
• 分類號: G05B13/04;G06N3/12
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 黃海麗

1.一種智能空間下的服務機器人逆運動學求解方法，其特征在于，包括以下步驟：

采用D-H參數法建立機器人的正向運動學模型；

將機器人的關節變量進行實數編碼，轉換為遺傳算法中的個體；

以當前位姿與目標位姿之間的差異為優化目標，構造適應度函數；

采用遺傳算法對關節變量進行優化求解，獲取逆運動學問題的最優解。

2.如權利要求1所述的服務機器人逆運動學求解方法，其特征在于，針對n關節的機器人，可定義遺傳算法中一個種群的第q個個體為

X(q)＝a₁a₂…a_n

式中，該個體的第k個基因a_k即為第k個關節變量θ_k的實數編碼值，則

3.如權利要求1所述的服務機器人逆運動學求解方法，其特征在于，根據末端執行器的姿態誤差E_o和位置誤差E_p，構造適應度函數為

式中，ω₁和ω₂分別為姿態誤差和位置誤差的權值系數；若n為關節個數，p_x0、p_y0、p_z0為期望位置矩陣的三個分量，可取ω₂＝1。

4.如權利要求1所述的服務機器人逆運動學求解方法，其特征在于，所述采用遺傳算法對關節變量進行優化求解包括：

(1)初始化初始種群數、各種群個體數、進化代數和最大進化代數；

(2)對于每個種群，根據個體的適應度值進行選擇、線性交叉和隨機變異運算，并且線性交叉和隨機變異運算都引入自適應概率，從而生成后代種群；

(3)通過移民運算交換多個種群之間的信息，在遺傳算法進化的每一代中，選出各種群的最優和最差個體，以源種群中的最優個體代替目標種群中的最差個體；在每一代中，人工選擇出各種群的最優個體，保存在精英種群中；

(4)達到最大進化次數時進化過程結束，選擇出精英種群中擁有最佳適應度的個體，相對應的n個關節變量即為逆運動學問題的最優解。

5.如權利要求4所述的服務機器人逆運動學求解方法，其特征在于，交叉運算采用了線性交叉方式，即由個體X(q)＝a₁a₂…a_n、X(q+1)＝b₁b₂…b_n產生新個體X'(q)＝a'₁a'₂…a'_n、X'(q+1)＝b'₁b'₂…b'_n的方式為

其中，β為(0，1)內的隨機值。

6.如權利要求4所述的服務機器人逆運動學求解方法，其特征在于，線性交叉運算引入自適應的交叉概率P_c，如下式所示

式中:f為當前個體的適應度；f_max為當前種群中的最優適應度；f_avg為當前種群的平均適應度。

7.如權利要求4所述的服務機器人逆運動學求解方法，其特征在于，變異運算采用了隨機變異方式，即針對個體X(q)的基因a_k可作如下變異操作:

此處，a'_k是變異后的新基因，t為進化代數，分別為a_k取值的上、下邊界，τ為0到1之間的隨機數，T為最大進化代數。

8.如權利要求4所述的服務機器人逆運動學求解方法，其特征在于，隨機變異運算引入自適應的變異概率P_m，如下式所示

式中，f為當前個體的適應度；f_max為當前種群中的最優適應度；f_avg為當前種群的平均適應度。