一种基于参考信息的码垛机器人轨迹规划方法与流程

本发明涉及码垛机器人关节角空间轨迹规划领域，具体是一种考虑到参考信息的关节角空间轨迹规划方法。

背景技术：

在传统的码垛机器人轨迹规划算法中，主要存在着以下的不足：根据码垛机器人作业轨迹的特点，其同一层前后步之间的轨迹呈现着一定的相关性。因此前一步的轨迹规划结果，可以被下一步的轨迹规划所采用。而传统的轨迹规划算法中，并没有对此进行考虑，导致轨迹规划计算的过程中需要大量的重复计算。

技术实现要素：

本发明针对现有技术存在的不足，提出了一种基于参考信息的码垛机器人轨迹规划方法。本方法针对于当前轨迹规划方法中，对于码垛机器人轨迹的作业特点在轨迹规划算法中考虑不足的问题做出了改进。

本发明的技术方案是一种基于参考信息的码垛机器人轨迹规划方法，该方法包括：

步骤1：根据用户意愿，确定最优轨迹的优化目标和目标之间的权重值；

步骤2：根据码垛机器人作业轨迹中的必经点，获取码垛时搬运第一包货物的最优轨迹曲线；

步骤2.1：根据码垛机器人作业轨迹中必须经过的定点，采用高次样条曲线进行插值，获取码垛时搬运第一包货物的多个轨迹曲线；

步骤2.2：根据步骤1确定的优化目标，以步骤2.1获得的多个轨迹曲线为初始总群，采用遗传进化算法将初始总群进化M代，M的大小根据实际情况决定；

步骤2.3：根据步骤1确定的各优化目标在轨迹规划过程中所占的权重，采用决策算法从步骤2.2获得的轨迹曲线中选出码垛时搬运第一包货物时最优的轨迹曲线；

步骤3：若码垛机器人搬运的不是第一包货物，则根据码垛机器人搬运上一包货物的轨迹来确定该次搬运货物的轨迹；

步骤3.1：判断码垛机器人该次搬运的货物非第一包货物，根据该次搬运中的必经定点采用高次样条曲线进行插值，获取该次搬运货物的多个轨迹曲线；

步骤3.2：根据步骤1确定的优化目标，以步骤3.1获得的多个轨迹曲线为初始总群，采用遗传进化算法对初始总群每进化N代获得的各轨迹曲线与搬运前一包获得的最优轨迹曲线进行 相似度计算，其中N的大小根据实际情况决定，且N＜M；若获得轨迹中超过比例P的轨迹与搬运上一包最优轨迹相似，则停止进化，否则直至进化M代，所述P的大小根据实际情况决定；

步骤3.3：根据步骤1确定的各优化目标在轨迹规划过程中所占的权重，采用决策算法从当前获得轨迹曲线中选出搬运该包货物时最优的轨迹曲线。

进一步的，所述步骤1中的优化目标包括：作业时间最短、平滑性指数最低、耗能最低；

进一步的，所述步骤2.2的具体方法为：

步骤2.2.1：计算步骤2.1获得初始种群中各个体的对应的各优化目标的数值；

步骤2.2.2：根据获得各优化目标数值进行归一化处理，选取优化目标最优秀的A个个体，A的大小根据实际情况决定；

步骤2.2.3：采用选取的A个个体根据遗传算法进行进化，获得新的种群；

步骤2.2.4：采用步骤2.2.2和步骤2.2.3的方法对该种群进化M代。

进一步的，所述步骤2.3的具体方法为：

步骤2.3.1：计算进化M代后种群中各个体的优化目标数值；

步骤2.3.2：根据步骤1确定的各优化目标权重对各个体的优化目标数值进行加权；

步骤2.3.3：计算加权后各优化目标数值与理想优化目标数值的欧式距离；

步骤2.3.4：选出距离理想优化目标数值欧式距离最近的个体为最优个体。

进一步的，所述步骤3.2的具体方法为：

步骤3.2.1：根据步骤1获得权重信息计算每进化N代后种群中各个体的优化目标数值；

步骤3.2.2：计算搬运上一包货物获得最优轨迹曲线的优化目标数值与步骤3.2.1获得的优化目标数值的欧式距离，该欧式距离表示相似度；

步骤3.2.3：相似度大于阈值S的个体为相似个体，阈值S根据实际情况确定，统计相似个体所占总个体比例；

步骤3.2.4：相似个体比例大于等于P则停止进化，再选出此时种群中最优的个体。

本发明为一种基于参考信息的码垛机器人轨迹规划方法，该方法首先确定最优化目标和优化目标之间的权重比例；之后根据轨迹点插值信息，采用高次B样条曲线进行插值之后建立最优解初始种群并采用多目标求解算法和决策算法，根据之前的权重比例选取最优结果；最后根据前一步的规划结果，将其作为参考信息输入，采用基于参考信息的多目标求解算法进行求解得出当前步的最优结果。本方法对于码垛机器人轨迹规划中同垛同层前后步的规划结果进行了有效的利用，加速了轨迹规划算法的进程。

附图说明

图1为本发明方法的具体实施方式流程图；

图2为本发明缩略框图。

具体实施方式

下面对本发明的实施例程作详细说明，本实施例程在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例程。

实施例程主要可以分为以下的几个步骤：

步骤1：确定最优轨迹的优化目标和目标之间的权重值；

一般而言，机器人在执行规划的轨迹的过程中，都期望机器人执行轨迹的时间最短，轨迹最为平滑保证对机器人的机械结构本体的冲击最小，执行轨迹的过程中能耗最小，关机驱动的力矩变换最小的目标。本实施例程定义机器人的最优化目标如下：

其意义分别为：

S₁:为码垛机器人完成一定的作业轨迹所用的时间最小值

S₂:为码垛机器人关节的平均加速度最小值，即用来衡量机器人的能耗指标

S₃:为码垛机器人关节脉动程度最小值，即用来衡量机器人的轨迹的平滑程度

在求解上述目标的过程中，必须满足一定的约束条件：

max|v_i(t)|≤v_maxi i＝1,2,3...,n (2)

max|j_i(t)|≤j_maxi i＝1,2,3...,n (3)

max|a_i(t)|≤a_maxi i＝1,2,3...,n (4)

max|τ_i(t)|≤τ_maxi i＝1,2,3...,n (5)

max|q_i(t)|≤q_maxi i＝1,2,3...,n (6)

其意义分别为：

式(2):第i个关节的角速度最大值小于规定最大值

式(3):第i个关节的冲击值小于规定最大值

式(4):第i个关节的角加速度最大值小于规定最大值

式(5):第i个关节的力矩最大值小于规定最大值

式(6):第i个关节的关节位移小于规定最大值

同时三个最优目标之间的权重为：

(1)最小化时间权重值：0.65

(2)最优能量权重值：0.165

(3)最平滑轨迹权重值：0.185

步骤2：基于非支配排序遗传算法的轨迹规划:

对于工作轨迹中的第一包作业轨迹，将采用传统的基于非支配排序遗传算法的轨迹规划算法进行求解，为了完成求解任务，需要进行以下的几个步骤：

步骤2.1：建立初始化进化种群：

为了能够采用非支配排序遗传算法进行求解，需要先建立初始进化种群。建立初始进化种群主要需要进行以下几个步骤：

1)采用7次B样条曲线对码垛机器人的关节角空间轨迹进行插值

2)根据插值的结果，在解空间中，随机生成一定个数的个体，建立初始化种群。

步骤2.2采用非支配排序遗传算法进化求解：采用非支配排序遗传算法，进化M代。

步骤2.3根据步骤(2)的结果，采用优劣距离法，根据各个目标之间的权重，求取结果：。

1)建立初始化判断矩阵；

2)决策矩阵归一化；

3)建立加权判断矩阵；

4)得出进化结果；

5)计算各目标值与理想值之间的欧氏距离；

6)计算各个目标的相对贴近度并选择最合适解

步骤3：基于R支配的最优目标轨迹规划求解；

对于同一层中除了第一步以外的作业轨迹，本实施用例采用基于R支配的最优目标轨迹规 划算法进行求解。对于基于R支配的非支配排序而言，其本质是重新定义了支配关系，将Pareto支配关系与参考点方法结合。增大进化的压力，促使种群往参考点的方向进化。

设有种群P，参考点g以及权重向量w，则带权欧式距离可以定义如下：

其中：f_i^max和f_i^min为第i个目标函数的最大值和最小值。对于当前已知第i个函数的最大最小值时，可以直接使用。但是当在计算过程中无法获取的情况下，可以采用将当前种群中所有个体的第i个目标函数的最大值和最小值设定为f_i^max和f_i^min。

因此给出r支配的定义：

①当解X¹ Pareto支配于解X²

②解X¹和解X²不满足条件1，且D(X¹,X²,g)<-δ，其中δ为非r支配门限阈值

式(34)中

因此若采用基于R支配的最优目标轨迹规划算法进行求解，则需要进行以下的几个步骤：

步骤3.1：建立初始化进化种群。：

为了能够采用非支配排序遗传算法进行求解，需要先建立初始进化种群。建立初始进化种群主要需要进行以下几个步骤：

1)采用7次B样条曲线对码垛机器人的关节角空间轨迹进行插值

2)根据插值的结果，在解空间中，随机生成一定个数的个体，建立初始化种群。

步骤3.2：采用基于R支配的最优目标轨迹规划算法进行求解。：

1)将步骤2中的结果，作为参考信息点输入到算法中

2)进化一定的代数，计算种群中每个个体与参考信息点的距离，如果已经有一定比例的个体聚集在参考点附近则停止进化

步骤3.3：根据步骤(2)的结果，采用优劣距离法，根据各个目标之间的权重，求取结果：。

1)建立初始化判断矩阵；

7)决策矩阵归一化；

8)建立加权判断矩阵；

9)得出进化结果；

10)计算各目标值与理想值之间的欧氏距离；

因此可以得到本实施例程流程图，如图1所示：

①确定最优化目标和目标之间的权重。

②对于码垛机器人某一垛，同一层的作业轨迹规划，其第一步轨迹采用基于带精英策略的非支配排序算法进行求解，之后通过优劣举例法方法，根据中①的权重求得最满意解。

③对于除了第一步以外的轨迹，采用基于R支配的轨迹规划算法，将前一步的规划结果作为参考点输入算法，进行求解。

④如果求解的过程中，有大于一定的比例的种群个体接近参考点，或者在当前种群中存在一个解能够支配参考点，则判断求解成功，获得当前轨迹的最优解。同时将最优解中优于参考点的分量替换到参考点中，得到新的参考点。

⑤如果步骤④中没有满足停止条件，则继续进行进化。

⑤如果当前是最后一步，则得到本层所有的规划轨迹。否则返回第③步。