本文關(guān)鍵詞：基于量子粒子群優(yōu)化算法的機器人運動學(xué)標(biāo)定方法　出處：《機械工程學(xué)報》2016年07期 　論文類型：期刊論文

  更多相關(guān)文章： 機器人 位姿誤差 運動學(xué)標(biāo)定 量子粒子群優(yōu)化

【摘要】：基于量子粒子群優(yōu)化算法,提出一種同樣適用于串聯(lián)機器人和并聯(lián)機器人的運動學(xué)標(biāo)定方法。利用閉環(huán)矢量鏈方法和Denavit-Hartenberg矩陣法,分別建立并聯(lián)機器人和串聯(lián)機器人的運動學(xué)誤差模型,將運動學(xué)誤差模型內(nèi)的幾何誤差源作為相應(yīng)的機構(gòu)參數(shù)修正量。由于機器人運動學(xué)誤差模型表現(xiàn)有較強的非線性,因此確定模型內(nèi)的機構(gòu)參數(shù)修正量為優(yōu)化變量,將機器人運動學(xué)參數(shù)標(biāo)定問題轉(zhuǎn)化為非線性系統(tǒng)的優(yōu)化問題。采用量子粒子群優(yōu)化算法對優(yōu)化問題進(jìn)行求解,利用優(yōu)化獲得的參數(shù)修正量更新運動學(xué)模型,以達(dá)到提高機器人運動精度的目的。以五軸并聯(lián)機床的平面約束機構(gòu)為研究對象,通過試驗驗證該標(biāo)定方法的標(biāo)定效果,并與模糊插值標(biāo)定方法進(jìn)行比較分析,結(jié)果表明在較大的工作空間內(nèi)基于量子粒子群優(yōu)化的運動學(xué)標(biāo)定方法更為有效。
[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.
【作者單位】： 東北大學(xué)機械工程與自動化學(xué)院;
【基金】：國家自然科學(xué)基金(51575092) 遼寧重大裝備制造協(xié)同創(chuàng)新中心資助項目
【分類號】：TP242
【正文快照】： 0前言1不論是串聯(lián)機器人還是并聯(lián)機器人,在現(xiàn)有條件下還無法對機器人的末端位姿進(jìn)行實時和直接的測量�，F(xiàn)有的一般方法是利用機器人的機構(gòu)關(guān)節(jié)參數(shù)和運動學(xué)模型通過計算來間接地獲得。因此機器人的末端位姿精度在很大程度上取決于機器人的關(guān)節(jié)參數(shù)的標(biāo)定精度。機器人由于結(jié)構(gòu)

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 蒙正中;;一種改進(jìn)的混合粒子群優(yōu)化算法[J];桂林工學(xué)院學(xué)報;2009年03期

2 吳昌友;王福林;馬力;;一種新的改進(jìn)粒子群優(yōu)化算法[J];控制工程;2010年03期

3 周馳,高海兵,高亮,章萬國;粒子群優(yōu)化算法[J];計算機應(yīng)用研究;2003年12期

4 高鷹,謝勝利;免疫粒子群優(yōu)化算法[J];計算機工程與應(yīng)用;2004年06期

5 張榮沂;一種新的集群優(yōu)化方法——粒子群優(yōu)化算法[J];黑龍江工程學(xué)院學(xué)報;2004年04期

6 高鷹;謝勝利;;混沌粒子群優(yōu)化算法[J];計算機科學(xué);2004年08期

7 劉釗,康立山,蔣良孝,楊林權(quán);用粒子群優(yōu)化改進(jìn)算法求解混合整數(shù)非線性規(guī)劃問題[J];小型微型計算機系統(tǒng);2005年06期

8 戴冬雪,王祁,阮永順,王曉超;基于混沌思想的粒子群優(yōu)化算法及其應(yīng)用[J];華中科技大學(xué)學(xué)報(自然科學(xué)版);2005年10期

9 竇全勝;周春光;馬銘;劉全;;群核進(jìn)化粒子群優(yōu)化方法[J];計算機科學(xué);2005年08期

10 范娜;云慶夏;;粒子群優(yōu)化算法及其應(yīng)用[J];信息技術(shù);2006年01期

相關(guān)會議論文 前10條

1 張妍;張曉光;王永鋼;;幾種改進(jìn)型的粒子群優(yōu)化算法[A];第一屆中國高校通信類院系學(xué)術(shù)研討會論文集[C];2007年

2 孫紅光;潘毓學(xué);;基于運動目標(biāo)路徑的粒子群優(yōu)化算法研究[A];第二屆全國信息獲取與處理學(xué)術(shù)會議論文集[C];2004年

3 韓毅;唐加福;郭偉宏;劉陽;;混合粒子群優(yōu)化算法求解多層批量問題(英文)[A];中國運籌學(xué)會第八屆學(xué)術(shù)交流會論文集[C];2006年

4 金一粟;梁逸曾;;空間自適應(yīng)粒子群優(yōu)化算法的應(yīng)用研究[A];第九屆全國計算（機）化學(xué)學(xué)術(shù)會議論文摘要集[C];2007年

5 汪榮貴;李守毅;孫見青;;一種新的自適應(yīng)粒子群優(yōu)化算法及應(yīng)用[A];計算機技術(shù)與應(yīng)用進(jìn)展·2007——全國第18屆計算機技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會議論文集[C];2007年

6 黃雙歡;程良倫;;一種基于粒子群優(yōu)化的快速圖像傾斜角度檢測算法[A];中國自動化學(xué)會中南六�。▍^(qū)）2010年第28屆年會·論文集[C];2010年

7 侯志榮;呂振肅;;基于退火策略的粒子群優(yōu)化算法[A];2003年中國智能自動化會議論文集（下冊）[C];2003年

8 徐俊杰;忻展紅;;基于增強型參考位置的粒子群優(yōu)化模型[A];’2004系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)交流會論文集[C];2004年

9 王亞;于永光;耿玲玲;;一類改進(jìn)的自適應(yīng)粒子群優(yōu)化算法對混沌系統(tǒng)未知參數(shù)的估計[A];中國力學(xué)大會——2013論文摘要集[C];2013年

10 崔靜;鄧方;方浩;;基于改進(jìn)粒子群優(yōu)化算法的彈道求解方法[A];2013年中國智能自動化學(xué)術(shù)會議論文集（第三分冊）[C];2013年

相關(guān)博士學(xué)位論文 前10條

1 劉華鎣;粒子群優(yōu)化算法的改進(jìn)研究及在石油工程中的應(yīng)用[D];東北石油大學(xué);2012年

2 劉波;粒子群優(yōu)化算法及其在機電設(shè)備中的應(yīng)用研究[D];中北大學(xué);2011年

3 熊勇;粒子群優(yōu)化算法的行為分析與應(yīng)用實例[D];浙江大學(xué);2005年

4 唐賢倫;混沌粒子群優(yōu)化算法理論及應(yīng)用研究[D];重慶大學(xué);2007年

5 閆允一;粒子群優(yōu)化及其在圖像處理中的應(yīng)用研究[D];西安電子科技大學(xué);2008年

6 余炳輝;粒子群優(yōu)化算法試驗研究及擴展[D];華中科技大學(xué);2007年

7 唐賢倫;混沌粒子群優(yōu)化算法理論及應(yīng)用[D];重慶大學(xué);2007年

8 徐慧;粒子群優(yōu)化算法改進(jìn)及其在煤層氣產(chǎn)能預(yù)測中的應(yīng)用研究[D];中國礦業(yè)大學(xué);2013年

9 徐星;融合熱運動機制的粒子群優(yōu)化算法研究及其應(yīng)用[D];武漢大學(xué);2010年

10 劉逸;粒子群優(yōu)化算法的改進(jìn)及應(yīng)用研究[D];西安電子科技大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 陳卓;粒子群優(yōu)化算法的改進(jìn)及在油藏數(shù)值模擬中的應(yīng)用[D];北京建筑大學(xué);2015年

2 白云;基于粒子群優(yōu)化算法的復(fù)雜網(wǎng)絡(luò)社區(qū)挖掘[D];西北農(nóng)林科技大學(xué);2015年

3 楊艷華;基于粒子群優(yōu)化支持向量機的網(wǎng)絡(luò)態(tài)勢預(yù)測模型研究[D];蘭州大學(xué);2015年

4 孟亞州;基于粒子群優(yōu)化OTSU的肺組織分割算法研究[D];寧夏大學(xué);2015年

5 鄭博;基于快速排序的多目標(biāo)粒子群優(yōu)化算法的研究及應(yīng)用[D];鄭州大學(xué);2015年

6 米永強;非線性規(guī)劃問題的混合粒子群優(yōu)化算法研究[D];寧夏大學(xué);2015年

7 李建美;基于自適應(yīng)變異與文化框架的混沌粒子群優(yōu)化算法[D];陜西師范大學(xué);2015年

8 劉星;基于粒子群優(yōu)化算法的特征選擇方法研究[D];南京大學(xué);2015年

9 牛旭;動態(tài)粒子群優(yōu)化算法及其應(yīng)用[D];西安電子科技大學(xué);2014年

10 葉華;粒子群優(yōu)化算法研究[D];西安電子科技大學(xué);2014年

，

本文編號：1439628