[发明专利]一种基于粒子群优化算法的机器人操纵方法

说明书

本发明提出了一种基于粒子群优化算法的机器人操纵方法，包括：设置每个任务的任务参数；利用粒子群优化算法进行迭代训练，生成最优控制参数，包括：进行粒子群初始化，由单个粒子生成阻抗控制参数；根据所述控制参数操纵实时回路，完成对机器人的操纵任务；根据完成操纵任务的结果，通过检测到的控制性能评价得到各个粒子的适应度，然后更新个体历史最好位置与粒子群体历史最好位置、粒子的速度与位置；如果全局最优位置满足最小界限，则训练层迭代完毕，向任务层输出最优控制参数。本发明使用起来简单便捷、训练过程轻量且快速、操纵性能优异，能够胜任多种机器人操纵任务。

技术领域

本发明涉及工业机器人技术领域，特别涉及一种基于粒子群优化算法的机器人操纵方法。

背景技术

机器人的运动控制在历经数十年的快速发展后，不论是理论还是实践都已经趋于成熟与完善，但是一旦涉及到机器人与环境的交互，特别是期望机器人能够自如的抓取及操纵物体时，至今都没有一个令人满意的解决方案。拥有可靠的操纵能力是机器人能够真正走出实验室，进入大规模消费市场的必要条件，这表明一种实用且好用的机器人操纵技术是十分迫切且现实的需求。

在机器人操纵技术中，底层控制框架一般采用变参数阻抗控制，而其中最关键与最复杂的部分则在于如何选取与确定最优的控制参数。

目前已有的技术方案主要包括以下两种：

1、手动调整控制参数，在确定的工况下，经过复杂的建模与优化，获得一组能够实现特定操作功能的控制参数，当环境特性变化时(如操纵目标的质量惯量改变、接触面的刚度改变等)，需要重新进行参数整定。

2、自动调整控制参数，利用机器学习算法(如深度学习、增强学习等)通过训练自动获得不同工况下的控制参数。

但是上述两种技术方式的主要缺陷与不足在于：由于控制参数众多且互相耦合，手动调整参数需要大量储备知识，不仅普通消费者与普通工人难以完成，专业技术人员也需要耗费大量的人力与时间成本，而且不可能穷尽现实中的每一种工况。由于深度学习计算规模巨大，现有自动调整参数算法在计算最简单的工况时(如轴孔装配)都需要大规模计算机集群的海量算力，这在复杂的消费场景与工业场景中更加难以实现。

发明内容

本发明的目的旨在至少解决所述技术缺陷之一。

为此，本发明的目的在于提出一种基于粒子群优化算法的机器人操纵方法。

为了实现上述目的，本发明的实施例提供一种基于粒子群优化算法的机器人操纵方法，包括：

步骤S1，告知机器人需要完成的任务，即设置任务在各个执行阶段的约束参数，其中包括：初始状态的位置约束与力约束x_init、F_init、中间一系列状态的位置约束与力约束x_exec1、F_exec1、x_exec2、F_exec2…，及完成状态下的位置约束与力约束x_fini、F_fini；这些约束用于确定机器人在操作过程中所处的各个状态及各个状态之间的转移条件；

步骤S2，利用粒子群优化算法进行迭代训练，生成最优控制参数，包括：

进行粒子群初始化，由粒子位置生成阻抗控制参数；

根据所生成的控制参数进行机器人阻抗控制，完成操纵任务；

考察各个粒子所对应的操纵结果，以完成操作任务所需的时间作为粒子的适应度，从而更新个体历史最好位置d_pbest与群体历史最好位置d_gbest，并更新粒子的速度与位置；

如果全局最优位置满足最小界限，则训练层迭代完毕，向任务层输出最优控制参数，如果未达到终止条件则由更新后的粒子状态重新生成阻抗参数，并进行新一轮训练。