[发明专利]一种应用于焊缝的机器人路径规划方法

说明书

一种应用于焊缝的机器人路径规划方法，包括：获取每条焊缝的基本信息，基本信息包括焊缝长度、端点坐标、是否具有方向性要求；根据各条焊缝的端点坐标计算出空载路径；结合基本信息和空载路径，通过遗传算法计算得到较优路径；根据较优路径初始化蚁群算法信息素的初始值；结合基本信息以及信息素的初始值，利用蚁群算法计算得到最优焊接路径。该方法通过获取焊缝的基本信息，可对机器人移动路径进行更有效的工艺约束，使得焊缝符合方向性要求；本方法利用遗传算法得出的较优解去初始化蚁群算法的信息素，使得蚁群算法可快速有效地得出最优解，通过实现两个算法的优势互补，进而高效地规划出一条能节省焊接时间且符合焊缝要求的焊接路径。

技术领域

本发明涉及船舶自动化焊接的技术领域，尤其涉及一种应用于焊缝的机器人路径规划方法。

背景技术

自动焊接技术是一种结合了焊接机器人及其路径规划的自动化技术，而我国自动焊接技术只有30％的占比，其中主要以点焊为主，对于如直线或弧状等一些带有方向性要求的焊缝并没有针对较强的自动焊接技术，因此，由传统点焊经验转变而来的焊接方式不能满足焊缝的焊接需求，经常会有机器人出现焊接工作顺序不合理、焊接质量不合要求的情况发生，严重影响了焊接机器人的工作效率和焊接产品的性能品质。

再者，机器人的路径规划过程中常用的智能仿生算法有蚁群算法、遗传算法等。其中，蚁群算法是一种求解组合最优路径问题的启发式方法，其有分布式计算、正反馈机制以及良好的并行性、健壮性和可扩展性，但是，蚁群算法在搜索初期由于盲目性大，使得信息素较弱，从而导致该算法存在前中期求解耗时长、效率低下，甚至求解停滞等缺陷；而遗传算法则是基于进化论学机理上产生的搜索优化方法，其具有良好的并行性、较强的通用性，以及全局优化和稳定性，其中遗传算法在搜索初期速度快且适合大范围的搜索，但是该算法在搜索后期却会因为无法充分利用系统中的反馈信息，而导致在中后期的迭代上耗费大量的时间，甚至容易出现陷入局部最优解的情况。

因此，如何利用蚁群算法和遗传算法，高效地规划出一条节省焊接时间且符合焊缝要求的焊接路径，已成为本领域技术人员的研究重点。

发明内容

本发明要解决的技术问题在于，针对现有技术的不足，提供一种应用于焊缝的机器人路径规划方法，以解决由传统点焊经验转变而来的焊接方式不能满足焊缝的焊接需求的技术问题。

为实现上述目的，本发明提供以下的技术方案：

一种应用于焊缝的机器人路径规划方法，包括：

获取每条焊缝的基本信息，所述基本信息至少包括焊缝长度、端点坐标、是否具有方向性要求；

根据各条焊缝的端点坐标计算出空载路径；

结合基本信息和空载路径，通过遗传算法计算得到较优路径；

根据较优路径初始化蚁群算法信息素的初始值；

结合基本信息以及信息素的初始值，利用蚁群算法计算得到最优焊接路径。

可选的，所述结合基本信息和空载路径，通过遗传算法计算得到较优路径，具体包括以下步骤：

S301：初始化遗传算法的最大迭代次数、最小迭代次数、进化率、选择概率、交叉概率、变异概率、种群个体数量、进化率预期值；

S302：根据所有焊缝的端点坐标对种群中的各个个体进行染色体编码；

S303：以空载路径和焊缝长度为变量建立适应度函数；

S304：根据适应度函数计算种群中的个体的适应度值，并根据适应度值更新群中的个体；

S305：对种群的个体进行选择、交叉、变异操作，更新进化率；

S306：判断进化率是否达到进化率预期值；若是，根据种群个体输出较优路径；若否，执行步骤S304。