技术领域
[0001] 本
发明涉及一种运动轨迹识别领域，涉及一种起重机运动轨迹识别方法。
背景技术
[0002] 随着起重机的市场需求越来越大，各种类型的起重机层出不穷，挖掘
机械臂的核心共性技术，探索起重机的机械臂存在的问题并提供有效的解决方案是一项十分紧迫的任务。运动轨迹作为机械臂的一个重要性能指标，是机械臂完成操作任务的重要保证。随着起重机的机械臂应用环境的逐步复杂化，人们对机械臂的运动轨迹提出了更高的要求。但由于机械臂几何误差、环境噪声、振动干扰等原因导致机械臂实际的运动轨迹与期望的运动轨迹相比还有较大的差距。因此，对运动轨迹的关键技术展开研究具有非常重要的意义。
发明内容
[0003] 有鉴于此，本发明要解决的技术问题是提供一种起重机运动轨迹识别方法，用于解决上述提出的无法解决的问题。
[0004] 为达到上述技术方案的效果，本发明的技术方案为：一种起重机运动轨迹识别方法，包含建立运动结构模型、规划运动空间轨迹、补充运动学参数以及控制变量；
[0005] 建立运动结构模型，首先对起重机的机械臂进行运动学分析，求解起重机的机械臂中在不同的关节连接形式下，其相邻关节的齐次变换矩阵，并且计算起重机的机械臂的正运动学方程，再采用
解析法和数值法完成起重机的机械臂的逆运动学求解，综合两者建立了起重机的运动结构模型；
[0006] 规划运动空间轨迹，在起重机的运动结构模型的
基础上，对起重机的机械臂的空间直线、圆弧等基本元素的参数进行记录，对起重机的机械臂在笛卡尔空间的运动轨迹进行规划，在获取任务空间的运动轨迹之后，将其转换至起重机的机械臂的关节空间，并通过逆运动学计算获取起重机的机械臂的关节空间中各关节
位置相对应的时间序列值，采用五次多项式插值实现起重机的机械臂的关节空间中各关节的轨迹插值，在此基础上完成多关节轨迹规划；
[0007] 补充运动学参数以及控制变量，首先采用遗传
算法估算起重机的机械臂中各
连杆的真实参数与其预先设计的理论参数的差值，使起重机的机械臂的绝对
定位精度提升至其重复定位精度的程度，并对其进行补偿，将起重机的机械臂在固结的平面上形成可移动的封闭
运动链，采用
递归神经网络实现起重机的机械臂的运动学参数的标定，通过
配对交叉实数编码
遗传算法，优化起重机的机械臂的控制变量，对起重机的机械臂
末端执行器的
位姿误差进行补偿，减小由起重机的机械臂中连杆参数几何误差造成的积累误差。
[0008] 本发明的优点为，本发明的起重机运动轨迹识别方法创新性地提出通过对起重机的机械臂进行分析，对结构模型进行构建，在此基础上构建空间运动轨迹，并进行补充，考虑全面，并应用了复杂的数学方法以保证过程的严谨性。
附图说明
[0009] 图1为一种起重机运动轨迹识别方法的步骤图。
具体实施方式
[0010] 为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及
实施例，对本发明进行详细的说明。应当说明的是，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，能实现同样功能的产品属于等同替换和改进，均包含在本发明的保护范围之内。具体方法如下：
[0011] 实施例一：
[0012] 在机械臂控制中，关节旋转变量为控制变量，决定机械臂的末端执行器实际到达的位置和
姿态。而在机械臂逆运动学求解过程中，由于真实旳运动学参数与设计的理论参数存在偏差，导致逆解计算出的关节旋转变量不能使末端执行器到达理想位姿。假设真实的运动学参数为设计值，位姿误差仅由旋转变量引起，拟采用遗传算法对旋转变量进行补偿，以提高机械臂的定位精度。机械臂位姿误差补偿过程分为以下几个步骤：
[0013] 首先，确定六
自由度机械臂
运动学模型。
[0014] 采集多组数据作为样本。在机械臂运动空间内随机选择多组位姿作为末端执行器的目标点，根据逆运动学求解计算各连杆的理论旋转变量，控制
电机驱动，并采用三维动态位移测量系统采集末端执行器的位姿和关节旋转
角度数据。采用遗传算法修正理论旋转变量，搜索各旋转变量的最佳补偿值。将搜索出的最佳补偿变量应用于六自由度机械臂控制系统。
[0015] 通过测量补偿后的机械臂的位姿误差验证该变量补偿算法的可行性及有效性。应用的误差补偿算法将直接采用机械臂标定方法中记录的测量数据。
[0016] 本发明所有的遗传算法具体步骤如下：
[0017] 对给定的机械臂末端执行器的目标位姿，根据逆运动学解析解表达式计算出机械臂理论
转动关节变量。将逆解得到的理论关节变量作为控制量，控制机械臂运行，采用系统测量末端执行器实际到达位姿，并计算实际位姿与理论位姿间的误差。采用机械臂六个关节旋转补偿量构成遗传算法的个体。随机产生个初始个体构成一个种群，遗传算法以该种群作为初始点开始
迭代。将修正值代入表达式，求出机械臂末端执行器每组数据修正后的误差。并根据表达式，计算每个个体的适应度函数。当适应度函数运行足够时间停止运算。当适应度函数大于设定值时，根据遗传算法的选择、交叉、变异操作产生新一代个体。经过多次迭代进化直至满足迭代终止条件，得到最后的个体即为最优修正解。
[0018] 本实施例二：
[0019] 建立运动结构模型，首先对起重机的机械臂进行运动学分析，求解起重机的机械臂中在不同的关节连接形式下，其相邻关节的齐次变换矩阵，并且计算起重机的机械臂的正运动学方程，再采用解析法和数值法完成起重机的机械臂的逆运动学求解，综合两者建立了起重机的运动结构模型；
[0020] 规划运动空间轨迹，在起重机的运动结构模型的基础上，对起重机的机械臂的空间直线、圆弧等基本元素的参数进行记录，对起重机的机械臂在笛卡尔空间的运动轨迹进行规划，在获取任务空间的运动轨迹之后，将其转换至起重机的机械臂的关节空间，并通过逆运动学计算获取起重机的机械臂的关节空间中各关节位置相对应的时间序列值，采用五次多项式插值实现起重机的机械臂的关节空间中各关节的轨迹插值，在此基础上完成多关节轨迹规划；
[0021] 补充运动学参数以及控制变量，首先采用遗传算法估算起重机的机械臂中各连杆的真实参数与其预先设计的理论参数的差值，使起重机的机械臂的绝对定位精度提升至其重复定位精度的程度，并对其进行补偿，将起重机的机械臂在固结的平面上形成可移动的封闭运动链，采用递归神经网络实现起重机的机械臂的运动学参数的标定，通过配对交叉实数编码遗传算法，优化起重机的机械臂的控制变量，对起重机的机械臂末端执行器的位姿误差进行补偿，减小由起重机的机械臂中连杆参数几何误差造成的积累误差。
[0022] 标定的目标是建立机械臂在笛卡尔空间的末端位姿与各关节变量之间的精确的函数关系。它是通过辨识出机械臂各连杆的真实的几何参数来完成的。由于采用方法建立了机械臂的运动学模型，因此需要对机械臂各连杆扭角、连杆长度、偏置及初始角度四个参数进行标定。分别釆用表示连杆的连杆扭角、连杆长度、偏置及初始角度的设计值与真实值之间的误差。这些几何参数的误差较大地影响机械臂末端执行器的绝对定位精度，通过标定方法辨识出各连杆真实的几何参数，并采用更准确的运动学函数关系来更新
机器人的绝对定位计算
软件，可以显著地提高机器人末端执行器的定位精度。标定方法是集建模、测量、参数识别和误差补偿为一体的，具体可分别以下四个步骤，
[0023] 1)建立机械臂的运动学模型，包括正运动学模型和逆运动学模型。
[0024] 2)通过检测技术采集一系列末端执行器的位姿与对应的关节变量的测量数据，作为实验样本。
[0025] 3)应用
优化算法辨识出运动学模型的真实参数。
[0026] 4)将标定后的真实运动学模型应用于机械臂的
控制器。
[0027] 上述实施例对本发明进行详细的说明。应当说明的是，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，能实现同样功能的产品属于等同替换和改进，均包含在本发明的保护范围之内。
