工业机器人时间-能量最优轨迹规划

doi:10.3778/j.issn.1002-8331.1903-0413

计算机工程与应用 ›› 2019, Vol. 55 ›› Issue (22): 86-90.DOI: 10.3778/j.issn.1002-8331.1903-0413

工业机器人时间-能量最优轨迹规划

浦玉学，舒鹏飞，蒋祺，陈卫中

1.合肥工业大学土木与水利工程学院，合肥 230009
2.南京航空航天大学航空宇航学院，南京 210016
3.昆山华恒焊接股份有限公司，江苏苏州 215300

出版日期:2019-11-15 发布日期:2019-11-13

Time-Energy Optimum Trajectory Planning for Industrial Robot

PU Yuxue, SHU Pengfei, JIANG Qi, CHEN Weizhong

1.College of Civil Engineering, Hefei University of Technology, Hefei 230009, China
2.College of Aerospace Engineering, Nanjing University of Aeronautics and Astronautics, Nanjing 210016, China
3.Kunshan Huaheng Welding Equipment Corporation, Suzhou, Jiangsu 215300, China

Online:2019-11-15 Published:2019-11-13

摘要/Abstract

摘要： 针对工业机器人时间最优、能耗最优的多目标轨迹优化问题，提出了一种基于改进引力搜索算法的最优轨迹规划方法。将引力搜索算法的种群按照惯性质量的大小均分为两组。首先引领组的粒子进行小范围的邻域搜索。然后引领组通过施加引力来引导跟随组的粒子进行位置更新。同时引入人工蜂群算法的贪婪选择策略，每次更新保留较优解。以自主研发的150 kg重载机器人为实验对象，将所提算法与标准人工蜂群算法和引力搜索算法进行比较，结果表明所提算法具有更优性能。

关键词: 工业机器人, 轨迹规划, 引力搜索算法, 人工蜂群算法

Abstract: Aiming at the multi-objective trajectory optimization problem with optimal travelling time and energy consumption, an optimal trajectory planning method for industrial robots based on Improved Gravitational Search Algorithm （IGSA） is proposed. The agents of the gravitational search algorithm are divided into two groups according to the size of the inertial mass. Firstly, the particles of the leading group perform a small-range neighborhood search. Then, the leading group guides the onlookers group to update positions by applying gravity. And the greedy selection strategy of Artificial Bee Colony algorithm（ABC） is adopted to remain better solutions. Taking the self-developed 150 kg heavy-duty robot as experimental object, IGSA is compared with ABC and GSA, the result shows that the performance of IGSA is better than the other two.

Key words: industrial robot, trajectory planning, gravitational search algorithm, artificial bee colony algorithm

浦玉学，舒鹏飞，蒋祺，陈卫中. 工业机器人时间-能量最优轨迹规划[J]. 计算机工程与应用, 2019, 55(22): 86-90.

PU Yuxue, SHU Pengfei, JIANG Qi, CHEN Weizhong. Time-Energy Optimum Trajectory Planning for Industrial Robot[J]. Computer Engineering and Applications, 2019, 55(22): 86-90.

[1]	贾文友，江磊，曹紫阳，梁利东. 能耗约束优化工业机器人作业轨迹[J]. 计算机工程与应用, 2021, 57(15): 245-250.
[2]	李雨鑫，李悦悦. 面向JIT采购的多目标车辆调度[J]. 计算机工程与应用, 2021, 57(12): 263-272.
[3]	李跃，邵振洲，赵振东，施智平，关永. 面向轨迹规划的深度强化学习奖励函数设计[J]. 计算机工程与应用, 2020, 56(2): 226-232.
[4]	李顺东，游晓明，刘升. 结合ABC算法动态分级的双蚁态蚁群算法[J]. 计算机工程与应用, 2020, 56(12): 37-46.
[5]	宋晓宇，高明海，赵明. 具有自适应搜索策略的混合人工蜂群算法[J]. 计算机工程与应用, 2019, 55(22): 53-59.
[6]	王贞，李旭飞. 求解约束优化问题的自适应人工蜂群算法[J]. 计算机工程与应用, 2019, 55(15): 47-58.
[7]	张维存，张曼. 面向连续生产的供应链联合调度及算法[J]. 计算机工程与应用, 2019, 55(13): 246-253.
[8]	张戈，王建林. 基于混合ABC和CRO的高维特征选择方法[J]. 计算机工程与应用, 2019, 55(11): 93-101.
[9]	李黎，尚俊云，冯艳丽，淮亚文. 关节型工业机器人轨迹规划研究综述[J]. 计算机工程与应用, 2018, 54(5): 36-50.
[10]	魏锋涛，岳明娟，郑建明. 基于多策略融合的改进人工蜂群算法[J]. 计算机工程与应用, 2018, 54(5): 111-116.
[11]	侯庆隆，杨冬，郭士杰. 工业机器人能耗优化方法研究综述[J]. 计算机工程与应用, 2018, 54(22): 1-9.
[12]	刘明辉1，李炜2. 基于knee points的改进多目标人工蜂群算法[J]. 计算机工程与应用, 2018, 54(2): 40-47.
[13]	张伟灿，何选森. 基于改进蜂群聚类的欠定盲源分离[J]. 计算机工程与应用, 2018, 54(17): 243-248.
[14]	黄亚飞，王国富，张法全，叶金才. 基于蜂群算法和带参阈值函数的图像去噪方法[J]. 计算机工程与应用, 2018, 54(17): 164-168.
[15]	林诗洁1，2，董晨1，2，陈明志1，2，张凡1，2，陈景辉1，2. 新型群智能优化算法综述[J]. 计算机工程与应用, 2018, 54(12): 1-9.

工业机器人时间-能量最优轨迹规划

Time-Energy Optimum Trajectory Planning for Industrial Robot

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics