(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 202211197359.3 (22)申请日 2022.09.29 (71)申请人 珠海科技学院 地址 519041 广东省珠海市金湾区安基东 路8号 (72)发明人 孟晨晨　梁艳春　管仁初　 (74)专利代理 机构 北京远大卓悦知识产权代理 有限公司 1 1369 专利代理师 刘小娇 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06N 3/00(2006.01) G06F 111/04(2020.01) (54)发明名称 一种基于SVR-PSO的语音机器人的外 形优化 方法 (57)摘要 本发明公开了一种基于SVR ‑PSO的语音机器 人的外形优化方法， 包括如下步骤： 步骤一、 对智 能语音机器人的外形壳体和 内部零件进行建模 获得外壳模型和零件装配体模型； 步骤二、 对外 壳模型进行参数化表示获得外形拟合函数， 对装 配体模型进行参数化表示获得多个零件的投影 高度； 步骤三、 构建外形优化模型； 步骤四、 通过 粒子群优化算法结合支持向量回归算法对外形 优化模型进行优化， 寻找当前外形优化模型的最 优解， 调节智能语音机器人的外形至最小体积。 本发明具有缩短优化时间和提高计算精度的特 点。 权利要求书3页 说明书7页 附图3页 CN 115470593 A 2022.12.13 CN 115470593 A 1.一种基于SVR ‑PSO的语音机器人的外形优化方法， 其特 征在于， 包括如下步骤： 步骤一、 对智能语音机器人的外形壳体和内部零件进行建模获得外 壳模型和零件装配 体模型； 步骤二、 对所述外壳模型进行参数化表示获得外形拟合函数， 对所述装配体模型进行 参数化表示获得多个零件的投影高度； 步骤三、 构建外形优化模型： 以所述外壳模型的最小体积为优化目标， 以外形拟合函数中的方程系数作为优化变 量， 并以零件 装配体模型为约束条件； 步骤四、 通过粒子群优化算法对外形优化模型进行优化， 在到达迭代次数后， 粒子的适 应度函数最大值 为外形优化模型的最优解， 调节智能语音机器人的外形至最小体积； 其中， 通过支持向量回归算法对粒子群算法的运 算时间； 粒子的适应度函数为： 式中， fitness为适应度函数， v0为初始原外形的体积， v为新个体对应的体积， fit为适 应度因子 。 2.如权利要求1所述的基于SVR ‑PSO的语音机器人的外形优化方法， 其特征在于， 所述 对所述外壳模型进行参数化表示包括如下步骤： 步骤1、 导出外壳模型的点云； 步骤2、 将所述 点云进行中心化处 理： 计算点云中的所有坐标点在X轴和Y轴上的均值， 将所有坐标点一一减去均值获得处理 后的坐标点； 步骤3、 根据处 理后的坐标点对机器人的外形曲面进 项多项式拟合： 以所述外 壳模型的中心轴与 上下界的交点为坐标原点建立外 壳模型坐标系， 上下分界 面作为XOY平面， 外壳模型的中心轴为Z轴， 且向上为正， 并将z值大于零的坐标点用于上曲 面函数的拟合， z值小于零的坐标点用于下曲面 函数的拟合， 获得外形拟合 函数： fup(x， y)＝W0_0+W0_1x+W0_2y+W0_3x2+W0_4x*y+W0_5y2+W0_6x3+W0_7y*x2+W0_8x*y2+W0_9y3+W0_10x4 +W0_11x3*y+W0_12x2*y2+W0_13x*y3+W0_14y4+W0_15x5+W0_16x4*y+W0_17x3*y2+W0_18x2*y3+W0_19x*y4+ W0_20y5+W0_21x6+W0_22x5*y+W0_23x4*y2+W0_24x3*y3+W0_25x2*y4+W0_26x*y5+W0_27y6 fdown(x， y)＝W1_0+W1_1x+W1_2y+W1_3x2+W1_4x*y+W1_5y2+W1_6x3+W1_7y*x2+W1_8x*y2+W1_9y3+W1_ 10x4+W1_11x3*y+W1_12x2*y2+W1_13x*y3+W1_14y4+W1_15x5+W1_16x4*y+W1_17x3*y2+W1_18x2*y3+W1_19x*y4+ W1_20y5+W1_21x6+W1_22x5*y+W1_23x4*y2+W1_24x3*y3+W1_25x2*y4+W1_26x*y5+W1_27y6 式中， fup(x， y)为上曲面函数， W0_0、 W0_1、 W0_2、 W0_3…W0_21、 W0_22、 W0_23…W0_27均为上曲面函 数的方程系数， fdown(x， y)为下曲面函数， W1_0、 W1_1、 W1_2、 W1_3…W1_21、…W1_27均为下曲面函数 的方程系数。 3.如权利要求2所述的基于SVR ‑PSO的语音机器人的外形优化方法， 其特征在于， 通过 所述外形拟合 函数确定 外壳模型在外壳模型坐标系中的X轴和Y轴取值范围均为[ ‑12， 12]。 4.如权利要求3所述的基于SVR ‑PSO的语音机器人的外形优化方法， 其特征在于， 所述 对所述装配 体模型进行参数化表示包括：权　利　要　求　书 1/3 页 2 CN 115470593 A 2将装配体中的多个零件向所述外壳模型坐标系中的Z轴投影获得零件在Z轴上的投影 高度， 若多个零件在同一投影范围存在交叉且零件的投影在Z轴的正向上， 则取零件高度的 最大值作为零件的参数化表示； 如果多个零件在同一投影范围存在交叉且零件的投影在Z 轴的负向上， 则取零件高度的最小值作为 零件的参数化表示。 5.如权利要求4所述的基于SVR ‑PSO的语音机器人的外形优化方法， 其特征在于， 所述 外壳模型的体积计算包括： 将所述外壳模型的底面划分为1mm*1mm的小正方形， 以外壳模型坐标系获得每个小正 方形的中心 点的坐标， 并将 每个小正方形的中心 点的坐标分别代入外形拟合函数获得上曲 面函数值和下曲面函数值， 若 上曲面函数值减去 下曲面函数值的差值大于0， 则该差值为对 应的立方体的高度值， 再计算所有立方体的体积进而获得外壳模型 的体积； 若上曲面函数 值减去下曲面函数值的差值不大于0， 则对应的立方体的体积为0， 再计算所有小正方形 的 体积进而获得外壳模型的体积。 6.如权利要求5所述的基于SVR ‑PSO的语音机器人的外形优化方法， 其特征在于， 所述 约束条件 包括： 在零件装配体模型的x值在外壳模型的x值取值范围内， 零件装配体模型的y值在外壳 模型的y值取值范围内时： 外形优化后的坐标点若在所述外 壳模型坐标系中的Z轴正向， 计算上曲面函数值， 若其 与Z轴正向的零件参数化的差值大于 0， 则所述外形优化后的坐标点 为可行解； 外形优化后的坐标点若在所述外 壳模型坐标系中的Z轴负向， 计算下曲面函数值， 若其 与Z轴负向的零件参数化的差值大于 0， 则所述外形优化后的坐标点 为可行解。 7.如权利要求6所述的基于SVR ‑PSO的语音机器人的外形优化方法， 其特征在于， 所述 优化变量的取值 为{‑8e‑10,30}。 8.如权利要求7所述的基于SVR ‑PSO的语音机器人的外形优化方法， 其特征在于， 所述 粒子群优化 算法的初始规模为20 0粒子， 迭代次数为90 0代， 粒子维度为5 6。 9.如权利要求8所述的基于SVR ‑PSO的语音机器人的外形优化方法， 其特征在于， 所述 支持向量回归算法具体包括如下步骤： 步骤1、 建立局部训练集： 局部训练集的规模为200， 且局部训练集初始时为空， 在粒子群优化算法初次迭代时， 将粒子群加入局部训练集至局部训练集达到规模后， 在粒子群优化算法第二次迭代开始， 按照每4个粒子中随机选择1个粒子的方式， 选取每次迭代粒子群的1/4粒子加入局部训练 集， 并且执 行FIFO原则以维持训练集的规模； 步骤2、 构建支持向量回归算法并随着粒子群优化 算法的迭代进行 更新； 其中， 惩罚因子设置为300， gamma值设置为0.003， 在粒子群算法的每次迭代时以更新 的局部训练集输入支持向量回归算法中， 从粒子群优化算法第二次迭代开始， 对加入局部 训练集中的粒子进行适应度函数计算， 以此对支持向量回归算法进行训练； 步骤3、 以支持向量回归算法对每次迭代粒子群剩余的3 /4粒子的适应度进行 预测。 10.如权利 要求9所述的基于SVR ‑PSO的语音机器人的外形优化方法， 其特征在于， 所述 适应度因子的取值满足： 当在某一种外形优化方案下， 任意一个零件的参数化表示超出外形拟合函数值时， fit权　利　要　求　书 2/3 页 3 CN 115470593 A 3