(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210803046.1 (22)申请日 2022.07.07 (71)申请人 贵阳学院 地址 550005 贵州省贵阳市南明区龙洞堡 见龙洞路10 3号 (72)发明人 徐永驰　石建平　代天军　周章渝　 (74)专利代理 机构 北京君尚知识产权代理有限 公司 11200 专利代理师 司立彬 (51)Int.Cl. B25J 9/16(2006.01) (54)发明名称 一种机器人逆运动学问题优化方法及机器 人运动控制方法 (57)摘要 本发明公开了一种机器人逆运动学问题优 化方法及机器人运动控制方法。 本发 明的优化方 法为： 将冗余机器人的逆运动学问题 转换成一个 等效的最小优化问题， 利用提出的ABCSBP算法直 接在关节变量空间进行寻优搜索； 利用算法中第 i个蜜源的位置向量表示机器人逆运动学问题的 一个候选逆解。 机器人运动控制方法中， 基于上 述优化结果， 对机器人的运动进行控制。 本发明 简化了迭代过程， 同时也降低计算 开销。 权利要求书1页 说明书8页 附图5页 CN 115179284 A 2022.10.14 CN 115179284 A 1.一种机器人逆运动学问题优化方法， 其 步骤包括： 1)设置种群规模SN， 最大迭代次数tmax， 初始化θij＝θminj+( θmaxj‑θminj)r； 其中， D自由度 的机器人的第i个运动学逆解θi＝( θi1, θi2,..., θiD)， i＝1～SN， j＝1～D； θmaxj和 θminj分别 θi 的第j维分量θij的最大值与最小值； r为随机变量； θij为第i组候选逆解θi的第j个关节角度 值； 2)在第t次迭代时， 对于每一i、 j； 计算vj＝θij+F(r1xbestj‑θkj)+F(r2xbestj‑θij)， 若vj> θm a x j或vj<θm i n j， 则按vj＝θm i n j+ (θm a x j‑θm i n j)r对vj进行修正 ， 然后按式 对候选解V进行 实时评估与更新； 其中， xbestj为最优逆解向量Xbest的第j维分量， k是种群中任选的一个 个体且满足k≠i； r1和r2为随机变 量； F为扰动系数， θkj为机器人的第k个 运动学逆解θk的第j 维分量， f( ·)为优化目标函数， vj为候选解V中的第j个分量； 3)对于每一i、 j， 计算 按vj＝θminj+( θmaxj‑θminj)r对vj进行修 正， 然后按式 对候选解V进行实时评估与更新； 其中， k∈{2,3,...,D ‑1}， U＝(u1,u2,...uD)， V′＝(v′1,v ′2,...,v′D)， V″＝(v″1,v″2,...,v″D)， V＝(v1,v2,...,vD)； uj为U中的第 j个分量， vj’为V′中 的第j个分量， vj”为V”中的第j个分量， r3和r4为随机变量； l是解集中任选的一个逆解且满 足l≠i； θl为机器人的第l个运动学逆解； 4)迭代执 行步骤2～3)， 如果循环迭代达t到最大迭代次数tmax， 则输出寻优结果。 2.根据权利要求1所述的方法， 其特 征在于， 优化目标函数为 其中 ， m i n ( ·) 为 求 最 小 值 函 数 ， 为期望的位置向量， [px,py,pz]为机械臂末端执行器所能够达到的实际位置向 量。 3.根据权利要求1或2所述的方法， 其特 征在于， 4.根据权利要求1所述的方法， 其特征在于， r、 r1、 r2、 r3和r4均为区间[0,1]内均匀分布 的随机变量。 5.根据权利要求1所述的方法， 其特 征在于， 所述机器人的自由度D＝7。 6.一种机器人运动控制方法， 其特征在于， 基于权利要求1所述方法得到的优化结果， 对机器人的运动进行控制。权　利　要　求　书 1/1 页 2 CN 115179284 A 2一种机器人逆运动学问题优化方 法及机器人运动控制方 法 技术领域 [0001]本发明涉及机器人技术， 尤其涉及一种机器人逆运动学问题优化方法及机器人运 动控制方法。 背景技术 [0002]机器人逆运动学问题是机器人运动学中的核心研究课题， 其本质上是机器人运动 学方程的求解问题， 指给定机器人末端执行器的期望位姿， 求到达该位姿所需的各关节变 量值。 逆运动学问题在机器人学领域中占据核心重要位置， 它是机器人轨迹规划、 运动控制 以及工作空间分析等问题的前提和基础。 [0003]由于机器人的运动学方程是一组关节变量强耦合、 非线性的复杂超越方程组， 导 致逆运动学问题的求解比较困难。 特别对于结构复杂的冗余机器人而言， 甚至可能无法将 运动学方程中的关节变量进行解耦分离， 此时机器人逆运动学问题不存在封闭的解析逆 解， 常规的封闭解法将无能为力， 这 为运动学逆解的求 解提出了严峻的挑战。 [0004]对于不存在封闭解的情形， 仿生智能优化算法——人工蜂群算法(Artificial   Bee Colony Algorithm， ABC)为机器人运动学逆解提供了有效的解决方案。 其核心思想是 将机器人逆运动学问题转换成一个等效最小优化问题， 利用ABC算法内涵的并行性、 自适 应、 自组织等特征， 直接在关节变量空间进行寻优搜索。 由于机器人逆运动学问题的复杂 性， 基本ABC算法在 逆解寻优是存在收敛速度 慢、 收敛精度不高以及寻优结果稳定性不 强等 不足， 甚至容易陷入局部最优。 为此， 有必 要对基本的ABC算法进 行改进， 以提高算法的全局 搜索能力。 发明内容 [0005]针对现有技术中存在的问题， 本发明的目的在于提供一种机器人逆运动学问题优 化方法及机器人运动控制方法。 [0006]基本ABC算法由引领蜂搜索、 跟随蜂搜索和侦察蜂搜索三个环节构成。 其中， 引领 蜂和跟随蜂在蜂群中担当不同的角色并承担不同的任务， 而ABC算法在雇佣蜂和跟随蜂阶 段采用了相同的单维搜索方程， 使得ABC算法的全局搜索能力较强而局部搜索能力较弱， 以 致算法后 期收敛速度 慢、 收敛精度不高； 其次， ABC算法蜜源搜索方程的随机性太强， 缺乏对 种群最优搜索经验的有效利用； 此外， 对于高维复杂优化问题， 随机初始化的侦查蜂搜索方 式对增强算法跳出局部最优的能力并不明显 。 [0007]本发明专利的目的是提出一种基于改进ABC算法的冗余机器人逆运动学求解方 法， 能以较快的寻优速度获得高精度的运动学逆解。 [0008]本发明采用的技 术方案是： [0009]一种机器人逆运动学问题优化方法， 其 步骤包括： [0010]1)设置种群规模SN， 最大迭代次数tmax， 初始化θij＝θminj+( θmaxj‑θminj)r； 其中， D自 由度的机器人的第i个运动学逆 解θi＝( θi1, θi2,..., θiD)， i＝1～SN， j＝1～D； θmaxj和 θminj分说　明　书 1/8 页 3 CN 115179284 A 3