[发明专利]一种基于多任务优化算法的机械臂结构设计方法

说明书

本发明公开一种基于多任务优化算法的机械臂结构设计方法，不同于传统多任务优化算法在全部任务中随机选择任务进行迁移的方式，而是根据任务表示特征的相似程度，将它们分为大小适中的小组，并在组内相似的任务间进行知识迁移。本发明增加有效知识迁移发生的概率，降低计算成本，更好地适用于任务规模较大的场景。在知识迁移的方式上，本发明在继承传统多任务优化算法中从最好的解决方案中进行知识迁移的策略基础上，引入从进步较快任务和任务更新轨迹信息中进行知识迁移的方式，并自适应地调整从这三种方式中迁移知识量的大小，充分发掘同组内相似任务之间有效知识的迁移潜力，促使机械臂在各个任务上得到收敛速度更快、表现更好的解决方案。

技术领域

本发明属于智能优化技术领域，涉及一种基于多任务优化算法的机械臂结构设计方法。

背景技术

随着科学技术的进步，机械臂在包括工业制造、医疗手术、娱乐服务、航空航天等在内的各种行业中得到广泛应用。随着当前社会劳动力成本的提高和人工智能算法的飞速发展，相较于人类而言，机械臂可以在更加枯燥和重复的环境中工作，这使得越来越多的企业倾向于使用机械臂来完成生产作业。复杂的生产环境对机械臂结构设计的多样性和准确性提出了更高的要求，因此，针对具体使用场景，设计出合适的机械臂结构至关重要。

机械臂结构设计是指针对具体的应用环境为机械臂建立对应的运动学模型，并设计智能算法使得机械臂通过调整自身的物理结构(或参数)更好地完成事先为其设定的任务。在实际工作场景中，机械臂面对的环境通常较为复杂，其运动方式会受到客观环境的影响。例如，在抓取物体的场景下，由于周围环境的变化，机械臂在抓取目标时会受到各种因素的阻碍，导致其活动范围、臂长大小等参数都有不同的限制。因此，如何在具体限制条件下选取最合适的机械臂结构，是一个值得研究的问题。

机械臂结构设计是典型的多任务优化问题。具体地，机械臂需要从预设的多种形态结构中进行优化，针对具体的限制条件选择最合适的结构参数，准确抓取目标点。不同形态结构可以被视作不同的任务，每个任务都试图寻找到合适的关节角度来抓取目标点。通过比较不同结构机械臂在解决任务时的收敛速度，可以找到在该限制条件下最优的结构设计方案，即为任务的解决方案。因为机械臂被固定在同种限制条件或环境下工作，所以面对的各个任务都有很强的相似性。然而，现有的机械臂结构优化算法，例如根据机械臂的结构参数设计的传统算法，包括几何法、参数解析法、数值法等，以及近年来兴起的智能优化算法，包括粒子群算法、遗传算法等，通常仅适用于单任务优化场景。在面对机械臂场景中的多个任务时，需要从“零”开始孤立地求解各个任务，导致计算成本高、效率低、收敛速度慢等问题。

多任务优化算法是建立在传统单任务优化算法基础上的一种新型优化算法，旨在同时优化多个任务，从一个任务中获取有用的知识(或经验)以帮助另一个任务，通过知识迁移的方式促进多个任务求解快速收敛。多任务优化算法具有计算效率高、适用场景广、易与其他算法结合的优点，已经在云计算、任务分配、工业指标优化等领域中取得了良好的效果。现有的多任务优化算法包括基于多因子遗传的多因子进化算法模型(MFEA)、将多任务优化的思想应用于粒子群算法(PSO)与差分进化算法(DE)的多任务粒子群优化算法(MFPSO)与多任务差分优化算法(MFDE)算法、基于质量多样性算法的多维档案表型精英算法(MAP-Elites)等。在机械臂的抓取场景中，所给定的多个任务一般高度相似，有利于知识迁移的发生，与多任务优化算法的应用条件十分契合。然而，现有算法依然无法直接应用于这类场景中，原因有以下两点：

(1)任务规模受限。当前多任务优化算法大多数是为了解决较小的任务组(通常为2～3个)，当任务规模增大时，计算成本会急剧上升，无法进行有效的知识迁移。然而，机械臂所面对的环境多变，因此它需要在不同的形态结构限制下完成抓取，即需要处理的任务较多，直接使用多任务优化算法会出现计算成本过高的问题。