面向多个动态目标的并联机器人高速拾取路径优化方法

摘要

本发明提供了一种面向多个动态目标的并联机器人高速拾取路径优化方法，包括：步骤1，对放置区域内各目标位置进行随机编号并获取相应的坐标信息，并从抓取区域顺次选取与目标位置数目相同的目标物体，对目标物体进行随机编号，同时获取目标物体当前的坐标；步骤2，将所获取的目标物体和目标位置随机进行交叉排序，构成初始种群的长染色体；步骤3，重复步骤2构建初始种群，并通过遗传算法对机器人终端执行器拾放动作运行路径进行优化，输出总行程最短的一组长染色体作为优化后的机器人终端执行器拾放动作运行路径。通过本发明可获取最优的抓取路径，极大的提高了工作效率。

权利要求

1.一种面向多个动态目标的并联机器人高速拾取路径优化方法，其特征在于，包括以下步骤：步骤1，对放置区域内各目标位置进行随机编号并获取相应的坐标信息，并从抓取区域顺次选取与目标位置数目相同的目标物体，对目标物体进行随机编号，同时获取目标物体初始的坐标；

步骤2，将所获取的目标物体和目标位置随机进行交叉排序，构成初始种群的长染色体；所述染色体的排序即为机器人终端执行器拾放动作运行路径；

步骤3，重复步骤2构建初始种群，并通过遗传算法对机器人终端执行器拾放动作运行路径进行优化，输出总行程最短的一组长染色体作为优化后的机器人终端执行器拾放动作运行路径；所述遗传算法，其目标函数为Min(S)，S为总行程；所述总行程的计算方法为：其中，S表示总行程，Ai表示目标物体，Bj表示目标位置，i表示目标物体的序号，j表示目标位置的序号，Sij表示目标物体i与目标位置j之间的行程，Dij表示目标物体Ai与目标位置Bj之间的水平距离，b表示机器人终端执行器拾放动作的抬升高度，A(xi，yi)表示目标物体Ai的坐标，B(xj，yj)表示目标位置Bj的坐标，A(xi(ti)，yi)表示ti时刻目标物体Ai的坐标，ti为机器人终端执行器抓取目标物体Ai的时间，(Si(j-1)+Sij)表示一次机器人终端执行器拾放动作中从位置Bj出发抓取Ai后放置到B(j+1)的行程。

2.根据权利要求1所述的方法，其特征在于，步骤3中所述遗传算法，其选择概率为C＝(Smax-Sq)/(Smax-Smin)其中，Smax为当前迭代种群中长染色体对应的最长总路径，Smin为当前迭代种群中长染色体对应的最短总路径，Sq为当前迭代种群中序号为q的长染色体对应的总路径长度。

3.根据权利要求2所述的方法，其特征在于，步骤3中所述遗传算法，每次迭代过程中，将长染色体分裂成两条关于目标物体和目标位置的短染色体，分别进行选择、交叉、变异与插入操作，然后再合并成一条新的长染色体。

4.根据权利要求3所述的方法，其特征在于，步骤3中所述遗传算法，以算法收敛或预设的迭代次数作为该算法终止的条件，并从最后一次迭代种群中选取适应度函数最大的长染色体作为优化后的机器人终端执行器拾放动作运行路径。

5.根据权利要求4所述的方法，其特征在于，步骤3中所述遗传算法，其适应度函数为1/S。

6.根据引用权利要求5所述的方法，其特征在于，所述算法收敛，具体为若相邻Q代的种群平均适应值变化小于预设阈值；Q为设定的用于判断算法收敛的迭代次数。

7.根据引用权利要求1-6任一项所述的方法，其特征在于，步骤3中所述遗传算法，初始种群中长染色体数为50。

8.根据引用权利要求1-6任一项所述的方法，其特征在于，所述ti时刻目标物体Ai的坐标A(xi(ti)，yi)可通过下式计算：其中，v为传送带的传送速度，ti0为相机拍摄此目标物体Ai的时刻，ti为并联机器人抓取目标物体Ai的时刻。

9.根据引用权利要求1-6任一项所述的方法，其特征在于，本方法中，目标物体拍照频率f的计算方法可以为：其中，L为各次循环中目标物体在传送带上分布的长度，该长度根据目标物体在传送带上分布的密度及对应循环中的目标位置数量计算；Lc为相机拍摄区间的长度。

10.根据引用权利要求1-6任一项所述的方法，其特征在于，所述的机器人为并联机器人。

11.根据引用权利要求1-6任一项所述的方法，其特征在于，本方法步骤3之后，还包括传送带的传送速度的优化优化的方法：步骤41，判断步骤3中输出总行程最短的一组长染色体对应的执行完总行程所需时间TS是否落入设定的单次循环时间区间[Ta，Tb]；若TS∈[Ta，Tb]，则执行步骤42；若TS＜Ta，则执行步骤43；若TS＞Tb，则执行步骤44；

步骤42，不对传送带的传送速度进行调整；

步骤43，提升传送带的传送速度，再通过步骤1至步骤3的方法重新进行拾放动作运行路径的优化；

步骤44，降低传送带的传送速度，再通过步骤1至步骤3的方法重新进行拾放动作运行路径的优化。

说明书

面向多个动态目标的并联机器人高速拾取路径优化方法

技术领域

[0001] 本发明属于生产自动化和先进的控制算法结合的技术领域，尤其是涉及一种面向多个动态目标的并联机器人高速拾取路径优化方法。

背景技术

[0002] 随着技术的发展，国内应用在医疗、电子、食品等轻工行业中的并联机器人越来越多，特别是在高密度分拣装箱流水线上，要在限定时间内把传送带上的目标物体分拣放置到指定的整齐排列的区域内，虽然采用了并联机器人相比于人工分拣装箱，效率提高了；但是这些机器人的分拣路径或者说装箱的顺序都是由工人按照经验设定，是相对固定的，并不能根据传送带上随机分布的目标物体进行实时调整，因此此路径并非最优路径，且安装调试周期长，说明生产效率还有极大的提高空间。因此，分拣路径整体优化是提高流水线效率的关键的技术之一，也是研究的重点。传送带的速度，目标物体的分布密度与并联机器人的拾取匹配等参数都有流水线效率密切相关，为了解决这些问题，充分发挥工业自动化和智能控制的优越性，因此需要发明一种面向高密度多目标坐标动态变化的基于改进遗传算法的路径优化方法，建立了并联机器人与周围环境的密切联系，不仅能提升并联机器人的工作效率和适应性，而且可以预先离线仿真，验证算法进而指导实际的生产工艺中对传动带的运行速度进行优化，缩短安装调试的周期。

发明内容

[0003] 为了解决现有技术中的上述问题，即为了提高了并联机器人的工作效率。本发明提出了一种面向多个动态目标的并联机器人高速拾取路径优化方法。

[0004] 本发明提出的一种面向多个动态目标的并联机器人高速拾取路径优化方法，包括以下步骤：

[0005] 步骤1，对放置区域内各目标位置进行随机编号并获取相应的坐标信息，并从抓取区域顺次选取与目标位置数目相同的目标物体，对目标物体进行随机编号，同时获取目标物体初始的坐标；

[0006] 步骤2，将所获取的目标物体和目标位置随机进行交叉排序，构成初始种群的长染色体；所述染色体的排序即为机器人终端执行器拾放动作运行路径；

[0007] 步骤3，重复步骤2构建初始种群，并通过遗传算法对机器人终端执行器拾放动作运行路径进行优化，输出总行程最短的一组长染色体作为优化后的机器人终端执行器拾放动作运行路径；所述遗传算法，其目标函数为Min(S)，S为总行程。

[0008] 优选地，步骤3中所述遗传算法，其选择概率为

[0009] C＝(Smax-Sq)/(Smax-Smin)

[0010] 其中，Smax为当前迭代种群中长染色体对应的最长总路径，Smin为当前迭代种群中长染色体对应的最短总路径，Sq为当前迭代种群中序号为q的长染色体对应的总路径长度。

[0011] 优选地，步骤3中所述遗传算法，每次迭代过程中，将长染色体分裂成两条关于目标物体和目标位置的短染色体，分别进行选择、交叉、变异与插入操作，然后再合并成一条新的长染色体。

[0012] 优选地，步骤3中所述遗传算法，以算法收敛或预设的迭代次数作为该算法终止的条件，并从最后一次迭代种群中选取适应度函数最大的长染色体作为优化后的机器人终端执行器拾放动作运行路径。

[0013] 优选地，步骤3中所述遗传算法，其适应度函数为(1/S)。

[0014] 优选地，所述算法收敛，具体为若相邻Q代的种群平均适应值变化小于预设阈值；Q为设定的用于判断算法收敛的迭代次数。

[0015] 优选地，所述总行程的计算方法为：

[0016]

[0017]

[0018] 其中，S表示总行程，Ai表示目标物体，Bj表示目标位置，i表示目标物体的序号，j表示目标位置的序号，Sij表示目标物体i与目标位置j之间的行程，Dij表示目标物体Ai与目标位置Bj之间的水平距离，b表示机器人终端执行器拾放动作的抬升高度，A(xi，yi)表示目标物体Ai的坐标，B(xj，yj)表示目标位置Bj的坐标，A(xi(ti)，yi)表示ti时刻目标物体Ai的坐标，ti为机器人终端执行器抓取目标物体Ai的时间，(Si(j-1)+Sij)表示一次机器人终端执行器拾放动作中从位置Bj出发抓取Ai后放置到B(j+1)的行程。

[0019] 优选地，步骤3中所述遗传算法，初始种群中长染色体数为50。

[0020] 优选地，所述ti时刻目标物体Ai的坐标A(xi(ti)，yi)可通过下式计算：

[0021]

[0022] 其中，v为传送带的传送速度，ti0为相机拍摄此目标物体Ai的时刻，ti为并联机器人抓取目标物体Ai的时刻。

[0023] 优选地，本发明方法中，目标物体拍照频率f的计算方法可以为：

[0024]

[0025] 其中，L为各次循环中目标物体在传送带上分布的长度，该长度根据目标物体在传送带上分布的密度及对应循环中的目标位置数量计算；Lc为相机拍摄区间的长度。

[0026] 优选地，所述的机器人为并联机器人。

[0027] 优选地，本方法步骤3之后，还包括传送带的传送速度的优化优化的方法：

[0028] 步骤41，判断步骤3中输出总行程最短的一组长染色体对应的执行完总行程所需时间TS是否落入设定的单次循环时间区间[Ta，Tb]；若TS∈[Ta，Tb]，则执行步骤42；若TS＜Ta，则执行步骤43；若TS＞Tb，则执行步骤44；

[0029] 步骤42，不对传送带的传送速度进行调整；

[0030] 步骤43，提升传送带的传送速度，再通过步骤1至步骤3的方法重新进行拾放动作运行路径的优化；

[0031] 步骤44，降低传送带的传送速度，再通过步骤1至步骤3的方法重新进行拾放动作运行路径的优化。

[0032] 本发明的有益效果是：

[0033] 第一：本发明将智能算法应用于工业自动化控制现场求解并联机器人拾取路径规划优化问题，可以获得一个分拣流水线上并联机器人拾取最优路径，耗时最短，极大的提高工作效率；

[0034] 第二：本发明提出的方法可以给出传送带的速度，目标物体的分布密度与并联机器人拾取速度的关系，预先进行流水线作业的离线仿真验证，提前给出传送带的最优速度，缩短安装调试时间，优化生产工艺。

附图说明

[0035] 图1是本发明面向多目标的基于改进遗传算法的并联机器人拾取路径轨迹优化流程示意图；

[0036] 图2是装有并联机器人的流水生产线环境建模示意图；

[0037] 图3是并联机器人分拣物料的运行轨迹示意图。

具体实施方式

[0038] 下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。

[0039] 一、工作环境数学建模

[0040] 如图2所示，把并联机器人工作流水线设置为二位平面，建立全局坐标系BASE；本实施例中原点在O，过原点O且与传送带C1垂直的方向设置为x轴，过原点O且与传送带C1平行的方向设置为y轴，x、y轴的正方向如图2所示。

[0041] 由并联机器人的机构参数确定流水线上的工作区域D5、目标区域D3(即放置区域)，输入并联机器人的多项性能参数，如最大速度，加速度，拾取轨迹的曲线等等；设置坐标系原点O为并联机器人终端执行器的初始位置，设定传送带C1落入工作区域D5的区域为抓取区域。

[0042] 通过工业相机CAM以特定的频率f采集进入相机图象采集区域D1的目标物体图象，通过图象识别技术、及设定的图象坐标与物理坐标的转换函数，获取各目标物体的坐标，目标物体Ai的初始坐标为A(xi0，yi0)，坐标A(xi0，yi0)为全局坐标系BASE下的物理坐标。

[0043] 要实现的目的是：并联机器人要在限定的时间内，把传送带C1上在传送带C1传输方向前端的N个目标物体移动到机器人工作区域D5，并拾取到特定的目标区域D3设定的目标位置Bj。N与目标位置的数量一致。

[0044] 在本发明的优化算法中，可以依据传送带C1与并联机器人抓取对应目标物体的时间来确定对应目标物体被抓取时的坐标A(xi(ti)，yi)，其计算如公式(1)所示：

[0045]

[0046] 其中，v为传送带的传送速度，ti0为相机拍摄此目标物体Ai的时刻，ti为并联机器人抓取目标物体Ai的时刻。

[0047] 把传送带C1上的多个目标物体Ai和目标区域D3的多个目标位置Bj(如图2)定义为两大集合：目标物体集合A＝{A1,A2,A3…,AN}、目标位置集合B＝{B1,B2,B3…,BN}。因为目标区域D3的目标位置Bj的数量是给定的，所以取N＝M,即获取目标物体Ai时根据x坐标由小到大取N个，并定义每填满目标区域D3内所有目标位置为一个周期，并用T来表示一个周期。

[0048] 虽然目标区域D3内的目标位置不变，但是每个周期中传送带上的拾取区域内的物体Ai是随机分布的，所以每次完成填满区域D3的时间是不同的，即周期T是个变量。

[0049] 二、路径规划的数学建模

[0050] 经过以上工作环境数学建模及对装箱流程(将目标物体从传送带放置到目标位置的流程)分析，并联机器人终端执行器拾取传送带上一个目标物体Ai放到目标区域D3的目标位置Bj，然后再去拾取下一个目标物体A(i+1)放到目标位置B(j+1)，如此往复运动；可以看出该往复运动过程是一个近似的旅行商问题(Travelling Salesman Problem，TSP)，但实际情况却与TSP有很大的不同；假设并联机器人的终端执行器作为旅行商，目标物体集合A和目标位置集合B可以看做两个城市群，并联机器人的终端执行器进行拾放操作近似为旅行商在各个城市间穿行，其特征为目标位置Bj(j＝1,2…M)与传送带上截取的目标物体Ai(i＝1,2…N)一一对应，并联机器人终端执行器并不是在任意的两个城市之间运动，而必须是在A和B对应的两个城市群之间交替运动(即在集合A和B之间交替运动)，两城市间的距离Dij如公式(2)所示：

[0051]

[0052] 其中A(xi，yi)表示目标物体Ai的坐标，B(xj，yj)表示目标位置Bj的坐标。

[0053] 因为并联机器人终端执行器的拾取轨迹采用的时门型轨迹(如图3所示)，门高为b，每一次抓取或放置，并联机器人终端执行器的行程近似为Sij＝Dij+2*b；并且集合A内目标物体Ai的坐标A(xi，yi)是随着传送带C1一起向前运动，即坐标xi为时间t的函数，对应的目标物体Ai的坐标可以表示为A(xi(t)，yi)。

[0054] 一次拾放操作，如图3虚线所示：并联机器人终端执行器在放置A(i-1)到B(j-1)后，开始抓取下一目标Ai，并放入目标位置Bj，可以看出，终端执行器在抓取的同时，目标Ai也在随着传送带以速度v向前运动，即要完成抓取终端执行器与目标Ai要同时到达同一位置；实际相当于在3个城市之间移动，如从位置B(j-1)出发抓取Ai后，放置到Bj，该行程可表示为公式(3)：

[0055]

[0056]

[0057] 可知总行程S如公式(4)所示

[0058]

[0059] 其中，S表示总行程，Ai表示目标物体，Bj表示目标位置，i表示目标物体的序号，j表示目标位置的序号，Sij表示目标物体i与目标位置j之间的行程，Dij表示目标物体Ai与目标位置Bj之间的水平距离，b表示机器人终端执行器拾放动作的抬升高度(即门高)，A(xi，yi)表示目标物体Ai的坐标，B(xj，yj)表示目标位置Bi的坐标，A(xi(ti)，yi)表示ti时刻目标物体Ai的坐标，ti为机器人终端执行器抓取目标物体Ai的时间，(Si(j-1)+Sij)表示一次机器人终端执行器拾放动作中从位置Bj出发抓取Ai后放置到B(j+1)的行程。

[0060] Min(S)即是此数学模型的目标函数。完成同样数目的装箱任务，终端执行器的运行的总的行程越小，则所耗费的时间越短，即工作效率越高。

[0061] 三、各循环周期的路径优化

[0062] 经以上的分析可知，机器人终端执行器的运行路径为原点O开始抓取Ai放到Bj,如此往复，直到把目标区域填满，完成一个周期的任务。整个路径过程可以通过如下一条长染色体进行表示：

[0063] O→Ai→Bj→Am→Bk…AN→BM

[0064] 本发明实施例的一种面向多个动态目标的并联机器人高速拾取路径优化方法，包括以下步骤：

[0065] 步骤1，对放置区域内各目标位置进行随机编号并获取相应的坐标信息，并从抓取区域顺次选取与目标位置数目相同的目标物体，对目标物体进行随机编号，同时获取目标物体初始的坐标。

[0066] 该步骤中，分别对目标物体集合A和目标位置集合B进行随机编号，得到{A1,A2,A3…,AN}、{B1,B2,B3…,BM}。

[0067] 步骤2，将所获取的目标物体和目标位置随机进行交叉排序，构成初始种群的长染色体；所述染色体的排序即为机器人终端执行器拾放动作运行路径；

[0068] 可以根据{A1,A2,A3…,AN}、{B1,B2,B3…,BM}进行初始种群长染色体的构建，例如，初始种群的一条长染色体可以为

[0069] O→A1→B1→A2→B2→A3→B3…BM-1→AN→BM

[0070] 可以看出，已知一条长染色体，可以分裂得到两组关于目标物体集合A和目标位置集合B的短的染色体。

[0071] 步骤3，重复步骤2构建初始种群，并通过遗传算法对机器人终端执行器拾放动作运行路径进行优化，输出总行程最短的一组长染色体作为优化后的机器人终端执行器拾放动作运行路径。

[0072] 步骤31，可以根据步骤2中构建长染色体的方法构建多个长染色体，构成初始种群，本实施例中设定初始种群中长染色体的条数为50。

[0073] 步骤32，初始种群作为父代，以Min(S)为目标函数，以C为选择概率，进行遗传算法的选择，交叉，变异和重插入操作，以算法收敛或预设的迭代次数作为该算法终止的条件，并从最后一次迭代种群中选取适应度函数最大的长染色体作为优化后的机器人终端执行器拾放动作运行路径，该适应度函数最大的长染色体用于控制并联机器人进行拾放操作。

[0074] 本实施例中，目标函数Min(S)中，S如公式(4)所示，适应度函数为1/S，选择概率C如公式(5)所示：

[0075] C＝(Smax-Sq)/(Smax-Smin)  (5)

[0076] 其中，Smax为当前迭代种群中长染色体对应的最长总路径，Smin为当前迭代种群中长染色体对应的最短总路径，Sq为当前迭代种群中序号为q的长染色体对应的总路径长度。

[0077] 本实施例中，为了保证每一步操作过程中每条染色体中A与B严格的交叉排列顺序，在每次迭代中，将长染色体分裂成两条关于目标物体A和目标位置B的短染色体，分别进行选择、交叉、变异与插入操作，然后再合并成一条新的长染色体。

[0078] 本实施例中，算法收敛具体为若相邻Q代的种群平均适应值变化小于预设阈值；Q为设定的用于判断算法收敛的迭代次数。

[0079] 本实施例中目标物体Ai的坐标实时变化，每一次循环中获取传送带C1上目标物体A的数目，按照x坐标由小到大截取，使得N＝M(目标物体A的数量与目标位置B的数量一致)；如此可以根据目标物体A在传送带C1上分布的密度、以及对应循环中的目标位置数量计算出每次循环目标物体A在传送带上分布的长度L，从而可以优化相机的拍摄频率f(即目标物体的拍摄频率)，具体可通过公式(6)计算：

[0080]

[0081] 其中，Lc为相机拍摄区间的长度。

[0082] 通过相机的拍摄频率的优化，可以降低控制系统对处理器的性能要求并能够保证智能算法的实时性。

[0083] 本实施例在步骤3之后，还设置有传送带的传送速度的优化优化的步骤，具体包括：

[0084] 步骤41，判断步骤3中输出总行程最短的一组长染色体对应的执行完总行程所需时间TS是否落入设定的单次循环时间区间[Ta，Tb]；若TS∈[Ta，Tb]，则执行步骤42；若TS＜Ta，则执行步骤43；若TS＞Tb，则执行步骤44；

[0085] 步骤42，不对传送带的传送速度进行调整；

[0086] 步骤43，提升传送带的传送速度，再通过步骤1至步骤3的方法重新进行拾放动作运行路径的优化；

[0087] 步骤44，降低传送带的传送速度，再通过步骤1至步骤3的方法重新进行拾放动作运行路径的优化。

[0088] 本实施例中上述传送带的传送速度的优化优化方法，基于本实施例的路径优化方法中构建的路径规划数学模型提出，以优化流水线的效率为目标，通过预先离线仿真，进而指导实际的生产工艺中对传动带的运行速度进行优化，缩短安装调试的周期。

[0089] 本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

[0090] 至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。