一种针对多项在轨任务的主从优化方法与流程

本发明属于航天器操作规划技术领域，具体涉及一种针对多项在轨任务的主从优化方法。

背景技术：

近几十年，空间机器人被用于执行大量的轨道任务，如空间站组装、轨道碎片清理。由于操作规划是利用空间机器人顺利完成任务的基础，研究机器人操作规划成为近年来的焦点。目前，对空间机器人操作规划的研究主要分为两类：任务空间中的点到点规划和关节空间中的构型到构型规划。

工业生产中，经常利用机器人连续执行多项任务，以达到提高生产率、节约成本的目的。目前对工业机器人多任务操作规划问题的研究已较为成熟，文献[4]总结了工业机器人连续执行多项任务过程中任务序列问题的研究方法，但并未涉及各关节的运动变化。此外，文献[5]以机器人远距离激光焊接为背景，研究了任务序列和机器人末端执行器路径规划问题，但也未考虑机器人的关节运动。

由于轨道环境中燃料极其宝贵，利用空间机器人连续执行多项任务有助于节省燃料。因此，研究空间机器人连续执行多项任务的操作规划问题是十分有必要的。

技术实现要素：

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种针对多项在轨任务的主从优化方法，用于解决空间机器人连续执行多项轨道任务的操作规划问题。此外，操作规划过程中，将每项任务视为一个沿途点，即将任务集合视为沿途点集。要求末端执行器经过沿途点集中的每个沿途点，在所有沿途点处的实际位姿与期望位姿误差之和为零。

本发明采用以下技术方案：

一种针对多项在轨任务的主从优化方法，包括以下步骤：

s1、主层基于该层的目标要求，得到最优沿途点序列；

s2、附属层基于主层的沿途点序列，并结合该层的目标要求与理论方程，得到机器人的关节运动；

s3、附属层将优化结果传递至主层，主层根据其目标要求和附属层的优化结果，对沿途点序列进行改进，并将其传递至附属层，若满足指标要求，则循环结束。

优选的，所述步骤s1具体如下：

s11、采用实数编码制初始化种群；

s12、计算适应度值，得到路径长度；

s13、采用选择、交叉和变异，并将步骤s12的计算结果与前一次迭代计算结果进行比较，选择较优者。

优选的，主层所述最优沿途点序列为：

其中，n为沿途点数，xi为第i个时刻经过的沿途点的位置，为沿途点xi与沿途点xi+1之间的距离。

优选的，所述步骤s2中，采用基于正运动学方程的改进遗传算法对在轨服务机器人的关节角进行优化，使得空间机器人末端执行器根据步骤一得到的沿途点序列进行运动，要求所有沿途点处的实际位姿与期望位姿误差之和为零，具体步骤如下：

s21、采用二进制编码初始化种群；

s22、计算适应度值，得到所有沿途点的实际位姿与期望位姿误差之和；

s23、采用选择、交叉和变异，并将步骤s23的计算结果与前一次计算结果进行比较，选择较优者。

优选的，所述空间机器人正运动学方程为：

其中，为末端执行器的速度，为关节角速度，jg为广义雅可比矩阵。

优选的，步骤s3中，所述优化结果为：附属层利用空间机器人正运动学方程得到的末端执行器路径的长度，与主层对应的序列路径长度进行比较，若二者之差满足给定的精度，则结束系统循环。

与现有技术相比，本发明至少具有以下有益效果：

本发明采用基于集合偏序关系的改进遗传算法，对基于多项任务的主从优化问题进行寻优求解。算法形式直观、运行时间短、寻优结果精度高，可实现在所有沿途点处的实际位姿与期望位姿误差之和为零。此外，该算法基于正运动学方程，可避免空间机器人运动过程中的奇异性。

综上所述，本发明适用于空间机器人连续执行多项轨道操作任务，以节省轨道燃料、降低空间成本。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明方法流程图；

图2为本发明末端执行器位置变化示意图；

图3为本发明末端执行器姿态变化示意图；

图4为本发明各关节角变化示意图。

具体实施方式

为达到节省轨道燃料、降低空间成本的目的，考虑利用空间机器人连续执行多项轨道任务，本发明提出了一种针对多项轨道任务的主从优化方法。首先，主层基于该层的目标要求，得到最优沿途点序列；其次，附属层基于主层的沿途点序列，并结合该层的目标要求(所有沿途点处的实际位姿与期望位姿误差之和为零)与理论方程(空间机器人运动学方程)，得到机器人的关节运动；最后，附属层将优化结果传递至主层，主层根据其目标要求和附属层的优化结果，对沿途点序列进行改进，并将其传递至附属层，若满足指标要求，则循环结束。

请参阅图1，具体步骤如下：

s1、主层——寻找最优的沿途点序列；

基于各沿途点的位置，寻找最优沿途点序列，其数学模型为：

其中，n为沿途点数，xi为第i个时刻经过的沿途点的位置，为沿途点xi与沿途点xi+1之间的距离。

该问题为np问题，采用改进的遗传算法对该问题进行求解，具体包括以下步骤：

s11、初始化种群，此处采用实数编码制；

其中，沿途点数目为5，染色体数目为50，最大迭代次数为100。

s12、计算适应度值，即依据公式(1)计算沿途点之间的路径长度；

s13、选择、交叉和变异，并将计算结果(适应度值)与前一次迭代计算结果进行比较，选择较优者。

其中，采用旋转赌轮机制进行选择过程，采用单点交叉进行交叉过程，采用均匀多点变异进行变异过程，在染色体每点处的变异概率为：x＝umin+r(umax-umin)(r为[0,1]的随机数，[umax，umin]为变异范围)。

s2、附属层——寻求最优关节运动；基于空间机器人正运动学方程(式2)，得到最优关节运动。

其中，为末端执行器的速度，为关节角速度，jg为广义雅可比矩阵。

采用基于正运动学方程的改进遗传算法对在轨服务机器人的关节角进行优化，使得空间机器人末端执行器根据步骤一得到的沿途点序列进行运动，要求所有沿途点处的实际位姿与期望位姿误差之和为零，具体步骤如下：

s21、初始化种群，此处采用二进制编码；

s22、计算适应度值，即所有沿途点的实际位姿与期望位姿误差之和；

s23、选择、交叉和变异，并将计算结果与前一次计算结果进行比较，选择较优者；

此处采用旋转赌轮机制进行选择过程、采用两点交叉进行交叉过程，采用均匀多点变异进行变异过程，在染色体每点处的变异概率为：x＝umin+r(umax-umin)(r为[0,1]的随机数，[umax，umin]为变异范围)。

s3、检查是否满足终止条件。

首先，初始化主层参数，根据相应的选择、交叉和变异机制对主层进行优化，得到最优的沿途点序列，并将该序列传递至附属层；其次，初始化附属层参数，并结合主层的结果，对附属层进行选择、交叉和变异过程，得到最优的关节角；最后，附属层将基于优化得到的关节角和空间机器人的正运动学方程公式(2)得到的沿途点路径长度传递至主层，并与主层期望的沿途点路径长度进行比较)，若二者之差满足给定的精度，则结束系统循环。

请参阅图2至图4，图2和图3分别描述了末端执行器运动过程中的位置和姿态变化情况；由图2和3可知，利用改进的遗传算法进行优化，可使得末端执行器在指定时刻到达指定沿途点处，且在每个沿途点处位姿误差为零。图4描述了各关节角的变化情况，由图可知曲线平滑。

本发明要求空间机器人系统的末端执行器经过五个沿途点(位姿数据见表1)，要求在所有沿途点处的实际位姿与期望位姿误差之和为零。

表1为给定的各沿途点位姿数据

根据表1给定的各沿途点位姿数据，要求得到优化的沿途点序列，并要求末端执行按照优化的沿途点序列运动，在相邻沿途点之间的运动时间为5s。要求末端执行器可以精确到达给定位姿的沿途点处。利用改进的遗传算法首先对沿途点序列进行优化，其次对关节角进行优化使得末端执行器严格按照得到的沿途点序列运动，并且在规定时间内精确到达下一沿途点处

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。