一種基于微分進化的采摘機器人運動反解方法

陳科尹，鄒湘軍，彭紅星，覃德澤

(1.賀州學院 計算機科學與信息工程學院，廣西 賀州　542899；2.華南農業大學 南方農業機械與裝備關鍵技術省部共建教育部重點實驗室，廣州　510642)

?

一種基于微分進化的采摘機器人運動反解方法

陳科尹1,2，鄒湘軍2，彭紅星2，覃德澤1

(1.賀州學院 計算機科學與信息工程學院，廣西 賀州542899；2.華南農業大學 南方農業機械與裝備關鍵技術省部共建教育部重點實驗室，廣州510642)

摘要：針對傳統的采摘機器人運動反解求法的求解過程過于繁瑣及自適應性等不足，提出了一種基于微分進化的采摘機器人運動反解求取方法。該方法首先利用采摘機器人運動正解方程構造出求解采摘機器人運動反解的目標函數，然后運用微分進化算法的泛化性和自適應性對該目標函數進行優化處理，從而求解出采摘機器人運動反解。同時，為了分析該方法的性能，還分別對傳統的采摘機器人運動反解和基于微分進化的采摘機器人運動反解進行了對比試驗，從而驗證了該方法的有效性和魯棒性。

關鍵詞：微分進化；采摘機器人運動正解；采摘機器人運動反解；目標函數

0引言

采摘機器人運動反解就是在已知采摘機器人末端執行器位姿的情況下， 求取出采摘機器人各個關節的變化量[1]。它是采摘機器人運動分析中必不可缺的步驟， 是采摘機器人后續軌跡規劃和行為控制的基礎。一般而言，可以通過對采摘機器人的運動方程進行逆向解析，即可求出其各個關節變量。但是，如果對采摘機器人關節變量的范圍加以約束或者運動方程個數小于關節個數時，采用這種解析方法將很繁瑣或根本無法實現。為此，近年來一些學者開始研究利用神經網絡來求解機器人運動反解的問題[2-3]；但該方法求取出機器人運動反解存在不確定性，且需要大量訓練樣本數據[4]。為了克服以上缺點，文獻[4]利用模擬粒子群優化算法對機器人運動反解進行優化求解，但該方法采用機器人位姿矩陣來構造目標函數，增加了優化變量空間的維數，降低了模擬粒子群優化的效率，并且模擬粒子群優化算法還存在過早熟的問題。

為此，本文在研究采摘機器人運動方程的基礎上，結合微分進化優化算法泛化性和自適應性及采摘機器人運動方程的結構特點，對采摘機器人運動反解的問題進行具體研究，從而提出了一種基于微分進化的采摘機器人運動反解求取方法，解決了基于模擬粒子優化算法的采摘機器人運動反解方法存在優化變量空間維數大和過早熟等問題。

1采摘機器人運動方程

采摘機器人可以認為是一個開式運動鏈，一般由一系列連桿通過轉動或移動關節組合而成的。一般采摘機器人的開始端固定在地面基座上，而末端可以自由活動，安裝著末端執行器，用來完成各種作業。各個關節可由驅動器轉動，從而使連桿之間發生相對運動，最終使末端執行器到達所需的空間位置。為了研究采摘機器人的運動，需在每個連桿上建立一個坐標系，然后通過描述這些坐標系之間的相對關系來描述連桿相應的位姿，即D-H參數。

本文所建立的采摘機器人的各個關節坐標結構如圖1所示。其中，6個關節全部是轉動關節，前面3個關節用來確定手腕的參考位置，后面3個關節用來確定手腕的姿態。同大多數六自由度采摘機器人一樣，關節4和關節5的軸線相交于一點，一般可把該點作為連桿坐標系{4}、{5}的原點；關節5和末端執行器的軸線也相交于一點，同理也把該點作為連桿坐標系{6}和末端執行器坐標系的原點。同時，把關節1的軸線設為垂直方向，關節2、3的軸線設為水平，且平行相距的距離為a2。而關節1和關節2的軸線垂直相交，關節3和關節4的軸線垂直交錯，相距的距離為a3。該采摘機器人的D-H參數的描述，如表1所示。

圖1　采摘采摘機器人的關節坐標結構

連桿i關節變量θiαi-1ai-1di變量θi范圍1θ10o0d1-160°～160°2θ2-90°0d2-225°～45°3θ30°a20-45°～225°4θ4-90°a3d4-110°～170°5θ590°00-100°～100°6θ6-90o0d6-266°～266°

本文設置D-H參數中的a2=0.431 8m，d1=0.660 4m，d2=0.149 09m，a3=0.020 32m，d4=0.433 07m，d6=0.20m。那么，依據各個關節的坐標系，按照D-H參數可以寫出其變換矩陣為

那么，各個關節變換矩陣相乘，就可得到采摘機器人的運動方程[1]，即末端執行器坐標系相對于采摘機器人基坐標系的變換矩陣可表示為

0T6=

0T1(θ1)1T2(θ2)2T3(θ3)3T4(θ4)4T5(θ5)5T6(θ6)=

(1)

(2)其中，α、β、ψ表示末端執行器相對于采摘機器人基坐標系的姿態；tx、ty、tz表示末端執行器相對于采摘機器人基坐標系的位置。

2微分進化優化算法

微分進化算法自從于1995年被美國學者Storn和Price提出以來，由于它具有簡單、快速、魯棒性好等特點，受到廣泛關注和研究應用。其實本質上它是一種模擬“優勝劣汰、適者生存”的自然進化法則的全局尋找最優值的仿生智能計算方法[5-7]，一般需要經過以下3個基本操作[8-9]。

2.1變異操作

在微分進化算法中，變異個體的產生過程主要是基于個體向量差進行的。假設當前進化的個體為xi(t)，i為當前個體所屬種群的序號，t為迭代次數，從xi(t)所在的種群中隨機選取3個個體xr1(t)、xr2(t)和xr3(t)(r1≠r2≠r3)，如果按照下面公式計算得到變異后個體vi(t+1)，有

vi(t+1)=xr1(t)+F[xr2(t)-xr3(t)],

i=1,2,…,NP

(3)

其中，F∈[0,2]為縮放因子，控制微分進化變量的縮放程度，NP為種群規模大小。

2.2交叉操作

假設vi(t+1)為變異后個體，xi(t)為種群中當前的進化個體。如果它們進行離散交叉操作，將會產生試用體ui(t+1)而ui(t+1)的第j個分量可以表示為

ui(t+1)=

(4)

其中，rand(0,1)為(0,1)間均勻分布的隨機數，randi(1,D)為{1,2,…,D}中的隨機整數，CR∈[0,1]為交叉常量。

2.3選擇操作

假設ui(t+1)為試用個體，xi(t)為當前進化個體。如果它們之間是通過貪婪方式進行最優選擇的話，那么其選擇操作可以表示為

(5)

其中，f(x)為求解最優化問題的目標函數。

總之，微分進化算法就是通過以上的變異、交叉和選擇3個操作對種群中的每個個體進行循環運算，將得到新一代種群，如此進化若干代后，最終可以求得目標問題的最優解。

3基于微分進化的采摘機器人運動反解

為了利用微分進化優化算法求取采摘機器人運動反解，必須構造出合適的目標函數。本文為了克服優化空間維數大和過早熟等問題，依據采摘采摘機器人的運動方程和“最短行程原則”[10]，構建出求取采摘機器人運動反解的目標優化函數，有

(6)

其中，θ01、θ02、θ03、θ04、θ05、θ06、a2、d2、d4、d6為采摘機器人D-H參數表1給出的初始值，分別為90°、-180°、70°、0°、0°、0°、0.431 8、0.149 09、 0.433 07、0.20m、θi1、θi2、θi3、θi4、θi5、θi6為多組運動反解中的第i組解；α、β、ψ、tx、ty、tz為期望的位姿；λ為權重系數，此處取值為0.001。

下面給出基于微分進化的采摘機器人運動反解求取的詳細步驟。

3)從種群X中，隨機均勻選出xr1、xr2、xr3，且r1≠r2≠r3≠i，然后按照式(3)進行變異操作，形成新的反解vi，并依據式(6)求出其適應值。

4)按照式(4)，對種群X進行交叉操作，形成新的反解ui，即如果rand(0,1)≤CR，則把vi賦給試用個體ui；否則把xi賦給試用個體ui。

5)按照式(5)，對種群X進行選擇操作, 即如果ui的適應值小于xi，則把xi置為ui。

7)把最優反解xbest作為采摘采摘機器人最終的運動反解。

4試驗結果與分析

表2　基于微分進化的10組采摘機器人運動反解

圖2　運動反解為127.876°，-63.635 5°，-17.416 3°，-47.847 2°，

圖3　采摘機器人運動反解優化目標函數的收斂過程

5結論

傳統的采摘機器人運動反解的方法屬于運用方程組解析法求取關節轉動角的范疇。對于一般情況，這種方法可以解決大部分采摘機器人運動反解的問題，但是如果對關節轉動角范圍加以約束或者運動方程個數小于關節個數時，采用這種解析方法將很不方便或根本無法實現。為此，本文在研究采摘機器人運動學和微分進化優化算法的基礎上，提出了一種基于微分進化的采摘機器人運動反解的求取方法。試驗結果表明：該方法克服了傳統解析方法和其他智能優化方法求取采摘機器人運動反解的繁瑣或者過早熟的不足，完全可用于六自由度采摘機器人運動反解的求取。同時，該方法對其他類型采摘機器人運動反解的求取, 也具有一定的借鑒意義。

參考文獻：

[1]蔡自興. 采摘機器人學基礎[M]. 北京: 機械工業出版社, 2009.

[2]榮盤祥，楊晶，胡林果，等.基于 RBF 網絡的 SCARA 采摘機器人運動逆解[J].電機與控制學報，2007，11(3)：304-305.

[3]彭疆，周國榮.基于神經網絡的采摘機器人逆運動學算法[J].智能控制技術，2005，23(4)：30-32.

[4]芮挺，朱經緯，蔣新勝，等PUMA 采摘機器人逆運動模擬退火粒子群求解方法[J].計算機工程與應用，2010,46(3): 27-29.

[5]Storn R, Price K.Differential evolution-a simple and efficient adaptive scheme for global optimization over continuous spaces[C]//Berkley:International Computer Science Institute, 1995.

[6]Storn R, Price K. Differential evolution-a simple and efficient heuristic for global optimization over continuous spaces[J].Journal of Global Optimization, 1997, 11 (4): 341-359.

[7]Price K.Differential evolution a fast and simple numerical optimizer[C]//Proceedings of Biennial Conference of the North American Fuzzy Information Processing Society, 1996: 524-527.

[8]段海濱，張祥銀，徐春芳.仿生智能計算[M].北京：科學出版社，2010.

[9]劉俊芳.基于粒子群優化和差分進化的智能算法研究[D].銀川：寧夏大學, 2010.

[10]王謙.基于DMC的六自由度采摘機器人運動控制研究[D].廣州：華南理工大學, 2011.

Abstract ID:1003-188X(2016)03-0037-EA

A Picking Robot Kinematic Inverse Solution Method Based on Differential Evolution

Chen Keyin1,2， Zou Xiangjun2， Peng Hongxing2， Qin Deze1

(1.College of Computer Science&Information Technology, HeZhou University，Hezhou 542899，China；2.Key Lab of Key Technology on South Agricultural Machine and Equipment Ministry of Education，South China Agricultural University， Guangzhou 510642，China)

Abstract：According to the cumbersome and adaptive deficiencies of the picking robot kinematic inverse solution process, a picking robot kinematic inverse solution seeking method was presented based on the differential evolution algorithm. This method first utilizes picking robot motion positive equation to construct the objective function for solving picking robot motion inverse solution , and then uses the generalization and self-adaptive of the differential evolution algorithm to optimize the objective function, thus the picking robot kinematic inverse solution was solved. And in order to analyze the performance of this methodology, the traditional picking robot kinematic inverse solution and the picking robot kinematic inverse solution based on the differential evolution algorithm were also respectively tested, which verified the effectiveness and robustness of the method in this paper.

Key words：differential evolution; picking robot motion positive solutions; picking robot kinematic inverse solution; objective function

文章編號：1003-188X(2016)03-0037-05

中圖分類號：S225;TP242.3

文獻標識碼：A

作者簡介：陳科尹(1982-)，男，廣東雷州人, 講師，博士，(E-mail)chenkeyin14@sohu.com。

基金項目：國家自然科學基金項目(31171457，51175189)；廣東省教育部產學研結合項目(2012B091000167)；廣西高校科學技術研究項目(KY2015YB304)；賀州學院博士科研啟動基金項目(HZUBS201403)

收稿日期：2015-03-09