基于PSO-RBFNN的工业机器人逆运动学求解方法与流程

本发明属于机器人技术领域，涉及基于pso-rbfnn的工业机器人逆运动学求解方法。

背景技术：

机器人的运动学逆解问题是对智能机器人进行运动规划与智能控制的重要前提。其本质就是已知机器人末端位姿参数来计算各个关节角度值的过程。其常用的方法包括封闭解法和数值解法，但这两种方法均不具备通用性且求解精度无法保证。遗传算法是根据生物进化现象演化而来的一种智能算法，具有搜索能力强、能够实现全局收敛的优点。工业机器人的实时控制对于工业机器人的应用是至关重要的，这其中一个关键的影响因素就是逆运动学求解的快速性。训练完毕的神经网络，其运算速度非常快，故而越来越多的研究者关注于用神经网络来解决机械臂的逆运动学求解问题。针对传统的rbfnn存在网络结构不完善、连接权值无法取得最优的缺陷，而且采用遗传算法优化rbfnn存在易陷入局部极值导致输出误差偏大的缺陷。

技术实现要素：

有鉴于此，本发明的目的在于提供一种基于pso-rbfnn的工业机器人逆运动学求解方法。利用pso对rbfnn进行优化，在随机初始化rbfnn的权值和阈值之后，通过适应度函数计算pso粒子的适应度，根据粒子自身的历史最优和全局最优来更新粒子的位置和速度，从而不断地搜索最优的方向，在加快收敛速度的同时，逐渐向全局最优收敛，将优化后的rbfnn应用到机器人逆运动学的求解问题上。

为达到上述目的，本发明提供如下技术方案：

基于pso-rbfnn的工业机器人逆运动学求解方法，该方法包括以下步骤：

s1：通过d-h参数法对工业机器人进行运动学建模，得到工业机器人的位姿变化矩阵；

s2：将高斯函数作为径向基神经网络的基函数及隐藏层，确定径向基神经网络的结构以及需要优化的参数；

s3：粒子群算法初始化，确定初始粒子群和适应度函数，通过个体极值和全局极值进行迭代，粒子群在规定区域内寻找最优解，最优解为目标函数径向基神经网络的最优参数集；

s4：使用粒子群算法优化径向基神经网络模型，使用工业机器人关节角度作为优化后的径向基神经网络输入值求出工业机器人运动学逆解。

可选的，所述s4中，构建一个n维空间进行目标搜索，在这个空间中初始化生成一个由m个粒子构成的种群；设第i个粒子为n维空间中的向量，记为xi＝[xi1,xi2,...,xin]；其速度向量记为vi＝[vi1,vi2,...,vin]；种群中的粒子开始根据两个“极值”开始迭代，不断地更新粒子自身的位置和现有速度，其中个体极值记为pi＝[pi1,pi2,...,pin]；全局极值记为g＝[pg1,pg2,...,pgn]，第i个粒子的迭代公式记为：

其中，rand(0,1)是随机获取一个0到1之间的数，ω是惯性值系数，代表粒子保持原有运动速率的能力，c1是加速度权重，代表自身原有经验，用来追踪粒子自身曾经最优的加速度，c2同样是位置权重，代表社会经验，用来逼近种群中曾经最优的历史位置，t用来记录迭代次数；

为避免粒子无目的的搜索，设置一个区间[-xmax,xmax][-vmax,vmax]，用该区间来限制粒子的搜索范围和搜索速度。

可选的，所述s4中，首先确定初始径向基神经网络的网络模型结构，并且确定粒子群算法的初始随机粒子种群和适应度函数；随后将使用样本数据进行训练，采用不重复的随机抽样法从工业机器人关节角度及位姿训练样本{px,py,pz,β,α,γ}中，选择150组关节角对应的150个空间位姿作为网络的输入样本将这150组随机抽取的训练样本进行规范化，准备进行对rbfnn模型的训练；

得到样本后，使用matlab对rbfnn模型进行训练，定义其函数为net＝newrb(p,t,goal,spread,m-n,df)；其中，p为网络输入，t为网络输出，goal为网络输出目标值，spread为神经网络的扩展速度，m-n为训练次数，df为神经元间隔显示输出时增加的数目。

本发明的有益效果在于：本发明结合一般机器人的正运动学模型，采用pso优化rbfnn的网络结构和连接权值的方法，实现从机器人工作空间位姿到关节变量的非线性映射，从而避免了复杂的公式推导及计算量大的问题。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1是pso优化rbfnn算法流程图；

图2是rbfnn网络结构图；

图3是工业机器人连杆坐标系图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

请参阅图1～图3，为一种基于pso-rbfnn的工业机器人逆运动学求解方法，包括以下步骤：

s1、通过d-h参数法对工业机器人进行运动学建模，得到工业机器人的位姿变化矩阵；

s2、将高斯函数作为径向基神经网络的基函数及隐藏层，确定径向基神经网络的结构以及需要优化的参数；

s3、粒子群算法初始化，确定初始粒子群和适应度函数，通过个体极值和全局极值进行迭代，粒子群在规定区域内寻找最优解，最优解为目标函数径向基神经网络的最优参数集；

s4、使用粒子群算法优化径向基神经网络模型，使用工业机器人关节角度作为优化后的径向基神经网络输入值求出工业机器人运动学逆解。

所述步骤s3根据粒子群算法，使粒子在规定范围内寻找径向基神经网络的最优参数集，避免了传统径向基神经网络通过经验确定参数集的弊端，使径向基神经网络的模型更合理更科学。

所述的步骤s4通过径向基神经网络解决工业机器人逆运动学求解这种多输入多输出的问题。

构建一个n维空间进行目标搜索，在这个空间中初始化生成一个由m个粒子构成的种群。设第i个粒子为n维空间中的向量，记为xi＝[xi1,xi2,...,xin]。其速度向量记为vi＝[vi1,vi2,...,vin]。随着算法的进行，种群中的粒子开始根据上述提到的两个极值开始迭代，不断地更新粒子自身的位置和现有速度，其中个体极值记为pi＝[pi1,pi2,...,pin]。全局极值记为g＝[pg1,pg2,...,pgn]，第i个粒子的迭代公式记为：

其中，rand(0,1)是随机获取一个0到1之间的数，ω是惯性值系数，代表粒子保持原有运动速率的能力，c1是加速度权重，代表自身原有经验，用来追踪粒子自身曾经最优的加速度，c2同样是位置权重，代表社会经验，用来逼近种群中曾经最优的历史位置，t用来记录迭代次数。

为了避免粒子无目的的搜索，研究者可设置一个区间[-xmax,xmax][-vmax,vmax]，用该区间来限制粒子的搜索范围和搜索速度。

首先确定初始径向基神经网络的网络模型结构，并且确定粒子群算法的初始随机粒子种群和适应度函数；随后将使用样本数据进行训练，采用不重复的随机抽样法从工业机器人关节角度及位姿训练样本{px,py,pz,β,α,γ}中，选择150组关节角对应的150个空间位姿作为网络的输入样本将这150组随机抽取的训练样本进行规范化，准备进行对rbfnn模型的训练；

得到样本后，使用matlab对rbfnn模型进行训练，定义其函数为net＝newrb(p,t,goal,spread,m-n,df)；其中，p为网络输入，t为网络输出，goal为网络输出目标值，spread为神经网络的扩展速度，m-n为训练次数，df为神经元间隔显示输出时增加的数目。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。