买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南昌大学

摘要：一种超声机器人能量最优轨迹规划方法，包括：1设定模拟参数和初始化机器人模型；2设定机械臂的起始和终点位置状态；3构建5‑7‑5分段多项式插值函数；4利用CDE‑GRO算法进行核心优化，获取最优机械臂运动参数。本发明用改进的关节空间轨迹规划方法及金矿搜索优化算法来实现超声机器人能量最优轨迹规划，通过三种运动阶段：匀速阶段、加速阶段、减速阶段，有效地解决了在传统的关节空间规划方法中存在的动态特性优化以及能源合理分配问题，同时CDE‑GRO算法通过引入精英反向学习和动态探索平衡机制，与传统的GRO算法对比，不仅收敛速度更快，而且获得的能量最优解也更为精确，提高算法解的质量。

主权项：1.一种超声机器人能量最优轨迹规划方法，其特征是按以下步骤：步骤1，设定模拟参数和初始化机器人模型；机器人设备具有N个可旋转的关节J1、J2…JN，对应的N个关节角为θ1、θ2…θN；DH参数表包括各个关节之间的链接长度a、关节偏移d、相邻关节轴之间的旋转角度α，以及关节角度θ；设定机器人的DH参数表以及N个关节的运动参数；步骤2，设定机械臂的起始和终点位置状态；根据实际需求，设置N个关节的起始和终点位置信息，初始位置为θ0，终点位置为θe；利用逆运动学理论计算得到各个关节角度值，N个关节角度函数为：角度θ1t、θ2t…θNt；步骤3，构建5-7-5分段多项式插值函数；对机器人运动轨迹分为三段，分别为匀速阶段、加速阶段、减速阶段，分别采用5次多项式、7次多项式、5次多项式；①匀速阶段的多项式表示；Fp1＝@ta15*t5+a14*t4+a13*t3+a12*t2+a11*t1+a10*t0其中，Fp1表示匀速阶段位置随时间变化的多项式，a10，a11，a12，a13，a14，a15表示匀速阶段的多项式系数，t是时间变量；②加速阶段的多项式表示；Fp2＝@ta27*t7+a26*t6+a25*t5+a24*t4+a23*t3+a22*t2+a21*t1+a20*t0其中，Fp2表示加速阶段位置随时间变化的多项式，a20，a21，a22，a23，a24，a25，a26，a27表示加速阶段的多项式系数；③减速阶段的多项式表示；Fp3＝@ta35*t5+a34*t4+a33*t3+a32*t2+a31*t1+a30*t0其中，Fp3表示减速阶段位置随时间变化的多项式，a30，a31，a32，a33，a34，a35表示减速阶段的多项式系数；通过对位置多项式函数进行一次、两次、三次、四次求导，分别获取速度Fv1，Fv2，Fv3，加速度Fa1，Fa2，Fa3，加加速度Fj1，Fj2，Fj3和加加加速度Fk1，Fk2，Fk3的多项表达式；步骤4，利用CDE-GRO算法进行核心优化，获取最优机械臂运动参数；a：引入混沌序列，使用正弦函数在初始阶段提高参数的多样性，在算法的控制参数sigma_initial中加入混沌变量，通过改变collaboration_rate和mining_rate参数以及逐渐减小sigma_initial值，加强算法早期的探索能力；算法表示为： b：引入多样性机制，每迭代十次检查一次多样性，当检查到探索过程陷入停滞时，随机重置10％探矿者位置，减少陷入局部最优的风险；算法为：idx＝randpermN，floorN*0.1Positionsidx，：＝initializationlengthidx，dim，lb，ubc：引入精英反向学习策略，通过识别表现最差的个体，并将它们朝与当前最佳个体相反的方向更新；将所有个体按照适应度进行升序排序，快速找出表现最好和最差的个体，精英个体确定公式如下：[sortedFit，sortedIdx]＝sortFit，′ascend′从表现最差的个体开始，确定反向更新的个体索引的公式如下：reverseIdx＝sortedIdxend-i+1在当前最佳位置的基础上，加上一个随机比例的方向向量，指向最差个体和最佳个体之间的方向，更新表现最差个体的位置，探索最佳解周围可能未被充分探索的区域；依据公式如下：PositionsreverseIdx，：＝bestpos+rand1，dim.*bestpos-PositionsreverseIdx，：d：设置CDE-GRO算法参数；种群大小；最大迭代次数；初始和终点位置；①初始化CDE-GRO算法的搜索代理位置，探矿者数量SearchAgents_no、金矿探索者位置Positions、搜索边界[lbub]、迭代次数、能量值；②合作行为，两个或者更多的探矿者共享信息，合作寻找最优解；通过结合不同探矿者的位置信息形成新的搜索点；合作行为算法为：r1＝randD3＝Positionsdigger2，d-Positionsdigger1，dXNEWi，d＝Positionsi，d+r1*D3其中，D3表示两个随机选择的不同探矿者代号为digger1和digger2在维度d上位置的差值，XNEWi，d表示当前探矿者i的新位置；③挖掘行为，在当前位置周围进行局部搜索，尝试发掘更多解，在探矿者当前位置附件生成新位置；挖掘行为算法为：r1＝randA2＝2*l2*r1-l2D2＝Positionsi，d-Positionsdigger1，dXNEWi,d＝Positionsdigger1，d+A2*D2其中A2是一个调整计算因子，使得新位置能在当前位置附件进行探索，包含一定的随机性；④迁移行为，探矿者向当前已知的最佳位置移动，通过调整搜索代理位置向全局最优解方向的一个比例来实现，用随机因子保持探索性，迁移行为算法为：r1＝randr2＝randC1＝2*r2 D1＝C1*bestposd-Positionsi，dXNEWi,d＝Positionsi，d+A1*D1其中，C1是一个随机因子用于增加探索性并避免直接跳过最佳位置，A1是调整因子，使得探矿者在迁移过程中更加精细地向最佳位置靠近；⑤评估与选择，评估每一位探矿者的性能即解的质量，选择性能最优的探矿者进行下一轮探索；⑥搜索更新，当探矿者发现一个比当前已知更好的解时，因此更新全局最优解；同时探矿者根据当前位置、历史信息以及其他位置信息更新其位置；⑦判读算法是否满足条件，通过重复上述过程直至满足终止条件来进行迭代搜索，在最大迭代次数范围内，算法的收敛曲线记录了随迭代过程全局最优解的变化。

全文数据：

权利要求：

百度查询： 南昌大学 一种超声机器人能量最优轨迹规划方法