基于量子粒子群优化算法的机器人运动学标定方法
本文关键词：基于量子粒子群优化算法的机器人运动学标定方法 出处：《机械工程学报》2016年07期 论文类型：期刊论文
更多相关文章： 机器人 位姿误差 运动学标定 量子粒子群优化
【摘要】：基于量子粒子群优化算法,提出一种同样适用于串联机器人和并联机器人的运动学标定方法。利用闭环矢量链方法和Denavit-Hartenberg矩阵法,分别建立并联机器人和串联机器人的运动学误差模型,将运动学误差模型内的几何误差源作为相应的机构参数修正量。由于机器人运动学误差模型表现有较强的非线性,因此确定模型内的机构参数修正量为优化变量,将机器人运动学参数标定问题转化为非线性系统的优化问题。采用量子粒子群优化算法对优化问题进行求解,利用优化获得的参数修正量更新运动学模型,以达到提高机器人运动精度的目的。以五轴并联机床的平面约束机构为研究对象,通过试验验证该标定方法的标定效果,并与模糊插值标定方法进行比较分析,结果表明在较大的工作空间内基于量子粒子群优化的运动学标定方法更为有效。
[Abstract]:Based on Quantum Particle Swarm Optimization (QPSO). This paper presents a kinematics calibration method which is also suitable for series robot and parallel robot. The closed loop vector chain method and Denavit-Hartenberg matrix method are used. The kinematics error models of parallel robot and serial robot are established respectively. The geometric error source in the kinematics error model is taken as the modification quantity of the corresponding mechanism parameters. The kinematics error model of the robot has strong nonlinearity. Therefore, the kinematic parameter calibration problem of robot is transformed into the optimization problem of nonlinear system. Quantum particle swarm optimization (QPSO) algorithm is used to solve the optimization problem. The kinematics model is updated by using the optimized parameter modifier to improve the kinematic accuracy of the robot. The planar constraint mechanism of the five-axis parallel machine tool is taken as the research object. The results show that the kinematics calibration method based on quantum particle swarm optimization (QPSO) is more effective in a large workspace.
【作者单位】： 东北大学机械工程与自动化学院;
【基金】：国家自然科学基金(51575092) 辽宁重大装备制造协同创新中心资助项目
【分类号】：TP242
【正文快照】： 0前言1不论是串联机器人还是并联机器人,在现有条件下还无法对机器人的末端位姿进行实时和直接的测量。现有的一般方法是利用机器人的机构关节参数和运动学模型通过计算来间接地获得。因此机器人的末端位姿精度在很大程度上取决于机器人的关节参数的标定精度。机器人由于结构
【相似文献】
相关期刊论文 前10条
1 蒙正中;;一种改进的混合粒子群优化算法[J];桂林工学院学报;2009年03期
2 吴昌友;王福林;马力;;一种新的改进粒子群优化算法[J];控制工程;2010年03期
3 周驰,高海兵,高亮,章万国;粒子群优化算法[J];计算机应用研究;2003年12期
4 高鹰,谢胜利;免疫粒子群优化算法[J];计算机工程与应用;2004年06期
5 张荣沂;一种新的集群优化方法——粒子群优化算法[J];黑龙江工程学院学报;2004年04期
6 高鹰;谢胜利;;混沌粒子群优化算法[J];计算机科学;2004年08期
7 刘钊,康立山,蒋良孝,杨林权;用粒子群优化改进算法求解混合整数非线性规划问题[J];小型微型计算机系统;2005年06期
8 戴冬雪,王祁,阮永顺,王晓超;基于混沌思想的粒子群优化算法及其应用[J];华中科技大学学报(自然科学版);2005年10期
9 窦全胜;周春光;马铭;刘全;;群核进化粒子群优化方法[J];计算机科学;2005年08期
10 范娜;云庆夏;;粒子群优化算法及其应用[J];信息技术;2006年01期
相关会议论文 前10条
1 张妍;张晓光;王永钢;;几种改进型的粒子群优化算法[A];第一届中国高校通信类院系学术研讨会论文集[C];2007年
2 孙红光;潘毓学;;基于运动目标路径的粒子群优化算法研究[A];第二届全国信息获取与处理学术会议论文集[C];2004年
3 韩毅;唐加福;郭伟宏;刘阳;;混合粒子群优化算法求解多层批量问题(英文)[A];中国运筹学会第八届学术交流会论文集[C];2006年
4 金一粟;梁逸曾;;空间自适应粒子群优化算法的应用研究[A];第九届全国计算（机）化学学术会议论文摘要集[C];2007年
5 汪荣贵;李守毅;孙见青;;一种新的自适应粒子群优化算法及应用[A];计算机技术与应用进展·2007——全国第18届计算机技术与应用（CACIS）学术会议论文集[C];2007年
6 黄双欢;程良伦;;一种基于粒子群优化的快速图像倾斜角度检测算法[A];中国自动化学会中南六省（区）2010年第28届年会·论文集[C];2010年
7 侯志荣;吕振肃;;基于退火策略的粒子群优化算法[A];2003年中国智能自动化会议论文集（下册）[C];2003年
8 徐俊杰;忻展红;;基于增强型参考位置的粒子群优化模型[A];’2004系统仿真技术及其应用学术交流会论文集[C];2004年
9 王亚;于永光;耿玲玲;;一类改进的自适应粒子群优化算法对混沌系统未知参数的估计[A];中国力学大会——2013论文摘要集[C];2013年
10 崔静;邓方;方浩;;基于改进粒子群优化算法的弹道求解方法[A];2013年中国智能自动化学术会议论文集（第三分册）[C];2013年
相关博士学位论文 前10条
1 刘华蓥;粒子群优化算法的改进研究及在石油工程中的应用[D];东北石油大学;2012年
2 刘波;粒子群优化算法及其在机电设备中的应用研究[D];中北大学;2011年
3 熊勇;粒子群优化算法的行为分析与应用实例[D];浙江大学;2005年
4 唐贤伦;混沌粒子群优化算法理论及应用研究[D];重庆大学;2007年
5 闫允一;粒子群优化及其在图像处理中的应用研究[D];西安电子科技大学;2008年
6 余炳辉;粒子群优化算法试验研究及扩展[D];华中科技大学;2007年
7 唐贤伦;混沌粒子群优化算法理论及应用[D];重庆大学;2007年
8 徐慧;粒子群优化算法改进及其在煤层气产能预测中的应用研究[D];中国矿业大学;2013年
9 徐星;融合热运动机制的粒子群优化算法研究及其应用[D];武汉大学;2010年
10 刘逸;粒子群优化算法的改进及应用研究[D];西安电子科技大学;2013年
相关硕士学位论文 前10条
1 陈卓;粒子群优化算法的改进及在油藏数值模拟中的应用[D];北京建筑大学;2015年
2 白云;基于粒子群优化算法的复杂网络社区挖掘[D];西北农林科技大学;2015年
3 杨艳华;基于粒子群优化支持向量机的网络态势预测模型研究[D];兰州大学;2015年
4 孟亚州;基于粒子群优化OTSU的肺组织分割算法研究[D];宁夏大学;2015年
5 郑博;基于快速排序的多目标粒子群优化算法的研究及应用[D];郑州大学;2015年
6 米永强;非线性规划问题的混合粒子群优化算法研究[D];宁夏大学;2015年
7 李建美;基于自适应变异与文化框架的混沌粒子群优化算法[D];陕西师范大学;2015年
8 刘星;基于粒子群优化算法的特征选择方法研究[D];南京大学;2015年
9 牛旭;动态粒子群优化算法及其应用[D];西安电子科技大学;2014年
10 叶华;粒子群优化算法研究[D];西安电子科技大学;2014年
，本文编号：1439628
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/1439628.html
