[发明专利]一种基于MMPSO算法的作业型飞行机器人逆解求取方法

说明书

本发明涉及一种基于MMPSO算法的作业型飞行机器人逆解求取方法，首先，采用分离式的方法，对作业型飞行机器人的机械臂进行独立运动学建模，得到其正运动学齐次变换矩阵，设定目标点位置，确定适应度函数；然后，计算初始种群的个体适应度值，获得个体最优值和全局最优值；接着，设置适应度阈值划分种群，引入突变机制对某一粒子进行突变，对最差粒子进行取舍；使用随迭代次数而动态变化的惯性权重及学习因子，更新粒子群的位置和速度，计算更新后粒子的适应度函数；最后，根据适应度判断是否满足终止条件。本发明能够保持迭代中粒子的多样性，防止早熟和局部最优，维持了算法在寻优中在探索性和开发性寻优能力之间良好的平衡，提高了收敛速度。

技术领域

本发明涉及飞行机器人控制领域，特别是一种基于MMPSO算法的作业型飞行机器人逆解求取方法。

背景技术

无人机因在三维空间中飞行时具有高机动性、高灵活性等特点，得到了广泛的发展应用。无人机能作为一种空中平台，以此来加装不同的组件，从而拓宽其在各领域的应用。其中通过装载机械臂这类主动式的作业装置，构成了能对所处环境的任务进行接触式作业的作业型飞行机器人。现如今随着研究人员的研发，作业飞行机器人已经得到了实际中的应用。设计了搭载双机械臂的无人机进行阀门的开关工作；搭配液压剪断机械臂对故障输电线的剪切；在广域科考中对极端环境中所需研究样品的采集作业等。

要实现上述的应用的前提是，机械臂的末端执行器能将预期位置点转换成自身各关节所需的角度。由预期位置点的笛卡尔空间映射到机械臂末端执行器的关节角度空间，就是机械臂的逆运动学求解问题。

对于机械臂的逆运动学求解问题，已有学者研究了多种方法进行解算。例如，提出了一种列出每个方程都是六元二次多项式的机械臂定位方程组，进行消元求出逆解；通过双四元数结合数学模型的解析法来获得一个通用逆解；引入一个与雅可比矩阵相关的常数同雅可比矩阵的转置相乘结果来近似逆雅可比矩阵的逆解数值法等方法。上述方法在的运算过程中，大部分都需要对机械臂的关节连杆数量以及结构进行分析，并对复杂的非线性方程组展开计算求解。现有利用智能算法求解逆运动学的方案也有很多，如通过传统遗传算法和连续遗传算法；利用PSO算法优化RBF神经网络来训练得到逆解等方法。这些方法有的编程复现困难，过程复杂，有的需要提前训练输入，增加了求解成本，还存在着收敛速度慢、多样性不足及陷入局部最优解等缺点。因此，本发明运用了PSO算法，以预期位置点作为输入，免去了对机械臂本身结构的分析。在算法中引入了突变机制(Mutation Mechanism，MM)，利用突变机制产生试验粒子对最差粒子进行取舍替代，使迭代过程最后阶段能够保持个体的多样性，防止陷入局部最优。对算法的学习因子以及惯性权重参数进行了动态更新，维持了算法在寻优中在探索性和开发性寻优能力之间良好的平衡，能比其他逆解方法在更短的时间内得到作业型飞行机器人的逆解，快速求取预期位置的所需各关节角度，逆解结果具有较高精度。

发明内容

有鉴于此，本发明的目的是提供一种基于MMPSO算法的作业型飞行机器人逆解求取方法，该方法流程简便，通过极短的求解时间，能得到作业型飞行机器人的机械臂达到预期位置所需的关节角度，同时该逆解角度能达到较高精度。

本发明采用以下方案实现：一种基于MMPSO算法的作业型飞行机器人逆解求取方法，包括以下步骤：

步骤S1：采用分离式的方法，对作业型飞行机器人的作业装置，即机械臂进行单独运动学分析，得到其正运动学齐次变换矩阵，设定目标点位置，确定适应度函数；

步骤S2：初始化粒子种群，计算初始种群的个体适应度值，获得个体最优值和全局最优值；

步骤S3：设置适应度的一个阈值划分种群，引入突变机制对某一粒子进行突变，对最差粒子进行取舍；

步骤S4：使用随迭代次数而动态变化的惯性权重及学习因子，更新粒子群的位置和速度，计算更新后粒子的适应度函数；