[發明專利]基于改進差分進化算法的機器人標定方法

有效

• 申請號: 201810803346.3
• 申請日: 2018-07-20
• 公開（公告）號: CN108908335B
• 公開（公告）日: 2023-03-14
• 發明（設計）人: 于連棟;姜一舟;趙會寧;劉士達;韓麗玲;張進
• 申請（專利權）人: 合肥工業大學
• 主分類號: B25J9/16
• 分類號: B25J9/16;B25J19/00
• 代理公司: 北京科名專利代理有限公司 11468
• 代理人: 孫長江

本發明公開了一種基于改進差分進化算法的機器人標定方法，用于六自由度工業機器人幾何參數標定，建立機器人運動學模型；機器人在工作空間運動，讀取并記錄機器人在各路點位置時的關節轉角，同時利用激光跟蹤儀測量并記錄各路點位置機器人末端執行器的實際位置坐標；計算機器人理論位置坐標；計算各路點間理論距離與實際距離，并建立目標函數確定待辨識結構參數；以改進的差分進化算法辨識結構參數；將辨識出的結構參數誤差代入驗證。本發明集合模擬退火算法和種群多樣性評價函數，改進了傳統差分進化算法全局收斂性差的缺陷，提高了機器人結構參數誤差的辨識精度和效率，同時又吸收了差分進化算法收斂速率快的特點。

技術領域

本發明涉及工業機器人領域，尤其涉及一種基于改進差分進化算法的機器人標定方法。

背景技術

工業機器人是現代制造業的一種重要自動化設備，是推動優勢和戰略產業快速發展的重要領域之一。但工業機器人重復定位精度較高，而絕對定位精度較低，制約了機器人在高精度場合的應用，限制了機器人的發展。影響機器人絕對定位精度的因素包括參數因素、負載因素、環境因素等。其中由于零件加工及裝配過程中產生的機器人連桿實際參數與理論參數間的偏差是導致機器人定位誤差的最主要因素，大概占所有誤差源的90％以上。機器人的參數識別可分為以下4個步驟：建模、標定數據采集、辨識、驗證與補償。

機器人參數辨識算法是機器人參數辨識的關鍵之一。機器人最常用的標定算法是最小二乘算法，例如高斯-牛頓算法與Levenberg-Marquardt(LM)算法。但這些算法對初始值要求過高，限制了這些算法的使用。采用基于遺傳算法的標定方法，遺傳算法有較高的收斂速率且對初始參數沒有要求，但全局收斂能力較弱，不易找到全局最優解。采用基于卡爾曼和粒子濾波器的標定方法，但存在著辨識算法過于復雜，收斂速率較低的特點。北京航空航天大學等采用粒子群優化算法標定機器人，該算法能有效提高辨識效率，但辨識精度有待提高。上述辨識算法無法同時滿足機器人參數辨識所需的辨識精度、辨識效率、收斂性。

發明內容

本發明的目的是提出一種基于改進差分進化算法的機器人標定方法，提高機器人參數辨識的辨識精度、辨識效率、收斂性。

為實現上述發明目的，本發明的技術方案是：一種基于改進差分進化算法的機器人標定方法，用于六自由度工業機器人幾何參數標定，具體包括如下步驟：

步驟一，建立機器人運動學模型；

步驟二，機器人在工作空間運動，讀取并記錄機器人在各路點位置時的關節轉角，同時利用激光跟蹤儀測量并記錄各路點位置機器人末端執行器的實際位置坐標；

步驟三，計算機器人理論位置坐標；

步驟四，計算各路點間理論距離與實際距離，得到距離誤差，并建立目標函數確定待辨識結構參數；

步驟五，以改進的差分進化算法辨識結構參數；所述改進的差分進化算法具體步驟如下：

初始化種群；

計算初始最優解與最優結構參數，判斷是否達到標定要求；

計算種群多樣性評價函數，判斷是否需要二次變異；

變異操作和交叉操作；

選擇操作；

終止迭代；

步驟六，將辨識出的結構參數誤差代入機器人運動學模型中，以驗證辨識結果的準確性。

作為本發明優選，所述步驟五中計算種群多樣性評價函數，若種群多樣性函數小于預設闕值，則表示種群多樣性較低，需要二次變異；否則，不需要二次變異。

作為本發明優選，步驟五中二次變異通過下式實現