本发明涉及表面改性机器人对材料表面改性的领域，尤其涉及一种表面改性机器人关节空间轨迹优化的方法。
背景技术：
在实际表面改性工作过程中，表面改性机器人工作基面上的轨迹已知，所以表面改性机器人的轨迹规划主要是针对关节空间中的轨迹规划，以使机器人的末端运动轨迹与已知的工作基面轨迹相吻合。
关节空间中的轨迹规划针对表面改性机器人的每一个运动关节选取一定的关节位置点，一般包含起始点、终点和中间点，然后通过构造光滑函数来连接这些点，以描述每个关节的运动情况。由于表面改性机器人的冗余特性，其在关节空间有无数多个优化逆解，使得表面改性机器人关节空间运动特性非常复杂，所以表面改性机器人末端的运动路径很难描述。
技术实现要素：
本发明要解决的技术问题是提供一种表面改性机器人关节空间轨迹优化的方法，其能够提高表面改性机器人关节空间运动的稳定性和末端执行器运动的准确性。
为解决上述问题，本发明的技术方案为：
一种表面改性机器人关节空间轨迹优化的方法，包括以下步骤；
s1：建立表面改性机器人模型；
s2：确定表面改性轨迹参数，
其中，所述表面改性轨迹参数包括表面改性的轨迹、表面改性的速度以及表面改性的时间长度；
s3：轨迹点采样，
在所述表面改性的轨迹上等时间间隔选取参考点；
s4：根据选取的所述参考点进行逆运动学求解，得到所述表面改性机器人的关节加速度解的集合；
s5：根据所述表面改性机器人的关节加速度解的集合，使用遗传算法求出所述机器人的关节加速度的最优解。
根据本发明一实施例，所述步骤s5包括，
s51：确认基因的编码方式，
将所述关节加速度解的浮点数形式变为二进制形式，根据加速度约束以及所述表面改性机器人的性能约束得到所述表面改性机器人的各个关节的加速度值的允许范围[ai,bi]，设相应的精度为ki，根据下式确定所述遗传算法中的基因中的所述各个关节对应的加速度二进制串的长度ni，
其中，1≤i≤itotal，i为所述表面改性机器人的关节的编号，itotal为所述表面改性机器人的关节的总数；
所有关节的加速度组成变量
所述变量
相应的解码就是将上述过程反向操作；
其中，
s52：初始化种群，
对每个所述关节随机选取相应允许范围内的加速度值，然后对选取的每个所述关节的加速度值进行组合，形成多个个体样本，组成种群，所述种群作为遗传算法的训练数据；
s53：分别对所述种群中的每个个体样本的染色体以及经所述遗传算法训练之后得到的个体进行轨迹拟合，得到拟合曲线；
所述轨迹拟合的时间长度等于所述表面改性的时间长度；
选取若干不同时间点对应的拟合曲线上的特征点，通过运动学正解得到对应时间点的所述表面改性机器人的末端位姿；
其中，所述表面改性机器人的末端位姿由下式表示：
s54：建立适应度函数；
s55：仿真分析；
利用软件进行仿真，研究所述遗传算法的迭代次数、所述适应度函数之间的关系，寻找出最优的拟合曲线，所述最优的拟合曲线对应的关节加速度组合即所述机器人的关节加速度的最优解。
根据本发明一实施例，在所述表面改性的轨迹上，与所述选取的若干不同时间点对应的同一时间点，对应一个期望位姿式：
所述适应度函数定义为：
其中，式中f是由线性拉伸评价函数构造出的适应度函数；
numb为选取的若干不同时间点的个数，pq、nq、oq、aq、pm、nm、om、am为矩阵tq、tm中对应的列向量。
根据本发明一实施例，所述步骤s53包括，
s531：对所述种群p中的每个个体样本的染色体以及经所述遗传算法训练之后得到的个体的染色体进行解码，得到新的关节的加速度组成变量
其中，
s532：
根据所述新的关节的加速度组成变量分别对所述表面改性机器人的每个关节进行轨迹拟合，得到对应关节的拟合曲线，
其中，每个关节的拟合时间长度等于所述表面改性的时间长度；
s533：
在所述对应关节的拟合曲线上选取所述若干不同时间点对应的特征点；
s534：
不同关节的拟合曲线上的相同时间点的特征点通过运动学正解得到对应时间点的所述表面改性机器人的末端位姿。
根据本发明一实施例，所述种群的规模取20～100。
本发明由于采用以上技术方案，使其与现有技术相比具有以下的优点和积极效果：
本发明的一种表面改性机器人关节空间轨迹优化的方法，对表面改性机器人关节空间内进行轨迹规划，保证了表面改性机器人关节运行的平稳性，同时利用遗传算法对轨迹规划中的参数进行优化，通过运动学正解得到表面改性机器人末端运动轨迹，然后和工作基面上的期望轨迹进行对比，使得关节空间正解到末端笛卡尔坐标系时，表面改性机器人末端的轨迹和基面上的期望轨迹之间相差较小，实现了对表面改性机器人关节空间轨迹的优化。
附图说明
图1为本发明的表面改性机器人关节空间轨迹优化的方法的流程图；
图2为本发明的表面改性机器人关节空间轨迹优化的方法中表面改性机器人的建模示意图；
图3为本发明的表面改性机器人关节空间轨迹优化的方法中适应度函数与遗传算法的迭代次数的关系图；
图4为飞机s形进气道轨迹仿真验证图。
具体实施方式
以下结合附图和具体实施例对本发明提出的一种表面改性机器人关节空间轨迹优化的方法作进一步详细说明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式，仅用以方便、明晰地辅助说明本发明的实施例。
参看图1，一种表面改性机器人关节空间轨迹优化的方法，包括以下步骤；
s1：建立表面改性机器人模型；
参看图2，所述表面改性机器人模型为七自由度执行机器人模型，第一关节为移动关节，其余为转动关节。
s2：确定表面改性轨迹参数，
其中，表面改性轨迹参数包括表面改性的轨迹、表面改性的速度以及表面改性的时间长度，可以理解，表面改性轨迹参数均由实际情况确定；
s3：轨迹点采样，
在表面改性的轨迹上等时间间隔选取参考点；
s4：根据选取的参考点进行逆运动学求解，得到表面改性机器人的关节加速度解的集合；
s5：根据表面改性机器人的关节加速度解的集合，使用遗传算法求出机器人的关节加速度的最优解。
进一步地，步骤s5包括，s51：确认基因的编码方式，
将关节加速度解的浮点数形式变为二进制形式，根据加速度约束以及表面改性机器人的性能约束得到表面改性机器人的各个关节i的加速度的允许范围[ai,bi]，设相应的精度为ki根据式(1)确定遗传算法中的基因中的各个关节对应的加速度二进制串的长度ni，
其中，1≤i≤itotal，i为表面改性机器人的关节的编号，itotal为表面改性机器人的关节的总数，在本实施例中itotal＝7；
所有关节的加速度组成变量
变量
相应的解码就是将上述过程反向操作；
其中，
s52：初始化种群，
对每个关节随机选取相应允许范围内的加速度值，然后对选取的每个关节的加速度值进行组合，形成多个个体样本，组成种群p，种群p作为遗传算法的训练数据，
其中，pm为个体样本，m为种群的规模；
具体地，种群的规模m取20～100。
s53：分别对种群p中的每个个体样本的染色体以及经遗传算法训练之后得到的个体进行轨迹拟合，得到拟合曲线；
轨迹拟合的时间长度等于表面改性的时间长度；
选取若干不同时间点对应的拟合曲线上的特征点，通过运动学正解得到对应时间点的表面改性机器人的末端位姿；
其中，表面改性机器人的末端位姿由式(5)表示：
具体地，步骤s53包括，
s531：对种群p中的每个个体样本的染色体以及经遗传算法训练之后得到的个体的染色体进行解码，得到新的关节的加速度组成变量
其中，
s532：
根据新的关节的加速度组成变量
其中，每个关节的拟合时间长度等于表面改性的时间长度；
s533：
在对应关节的拟合曲线上选取若干不同时间点对应的特征点；
s534：
不同关节的拟合曲线上的相同时间点的特征点通过运动学正解得到对应时间点的表面改性机器人的末端位姿。
s54：建立适应度函数；
具体地，在表面改性的轨迹上，，结合步骤s532、s533，可以理解，每个关节的拟合时间的长度均等于表面改性的时间长度，与选取的若干不同时间点对应的同一时间点，对应一个期望位姿式(6)：
适应度函数定义为：
其中，式(7)中f是由线性拉伸评价函数构造出的适应度函数；
numb为选取的若干不同时间点的个数，pq、nq、oq、aq、pm、nm、om、am为矩阵tq、tm中对应的列向量。
s55：仿真分析；
参看图3，利用软件进行仿真，研究遗传算法的迭代次数与适应度函数之间的关系，寻找出最优的拟合曲线，最优的拟合曲线对应的关节加速度组合即机器人的关节加速度的最优解。
为了验证本发明的表面改性机器人关节空间轨迹优化的方法的合理性，以飞机s形进气道为例进行仿真来分析拟合轨迹与期望轨迹的逼近程度，参看图4，从仿真结果可以看出拟合轨迹与期望轨迹高度吻合，说明了本发明所用方法的合理性。
本发明的一种表面改性机器人关节空间轨迹优化的方法，对表面改性机器人关节空间进行轨迹规划，保证了表面改性机器人关节运行的平稳性，同时利用遗传算法对轨迹规划中的参数进行优化，使得关节空间正解到末端笛卡尔坐标系时，表面改性机器人的末端工作轨迹和工作基面上的期望轨迹之间相差较小，由仿真结果可以看出，表面改性机器人末端运动非常符合期望轨迹的要求。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式。即使对本发明作出各种变化，倘若这些变化属于本发明权利要求及其等同技术的范围之内，则仍落入在本发明的保护范围之中。