[发明专利]一种利用基于学习遗传进化算法的机器人双轴孔装配方法

说明书

本发明涉及一种利用基于学习遗传进化算法的机器人双轴孔装配方法，属于机器人自动化装配技术领域。本发明方法利用回归预测模型，对实际的机器人装配过程的适应度值，进行预测，每次仅对少量的最优的基因进行实际实验的测试，因此本发明方法能够基于少量的实验就对实际环境中的装配控制算法进行优化，从而改善装配过程。本方法利用支持向量机的回归模型，对于复杂的包含噪声的非线性系统具有很强拟合能力，并且可以理论上收敛到最优，避免局部极小的问题，其计算复杂性取决于支持向量机的数目而不是样本空间的维数，一定程度上可以避免了维数灾难问题。

技术领域

本发明涉及一种利用基于学习遗传进化算法的机器人双轴孔装配方法，属于机器人自动化装配技术领域。

背景技术

在智能制造快速发展的趋势下，机器人自动化装配技术具有巨大的市场需求，已经被越来越多的应用在工业的各种装配领域中。针对目前工业的装配任务中最基础的双轴孔装配任务，实际效果较好的是清华大学机械系机电所机器人及其自动化研究室的张贶恩在其论文“Force control for a rigid dual peg-in-hole assembly”中提出的基于模糊力控制的方法，该方法基于对双轴孔配合时的接触状态进行详细分析，对不同接触状态下的接触力模型进行分析，针对每种接触力模型分别使用适合的控制方法完成对其装配动作的控制。但是这种基于模糊力控制方法的装配效果依赖于其相关控制参数的选择，其控制参数只能根据经验选定，并且对这种模糊力控制方法的控制参数进行优化需要利用实际装配环境进行实验，但是很多情况比如大部件装配或者某些特殊实际环境无法被用来进行大量的实验以优化参数，加上真实环境中存在噪声，使实际装配环境变成一种复杂的难优化的非线性系统，针对于已经存在的优化算法由于无法大量进行实验获取其实验效果，导致无法对实际机器人装配过程进行优化。虽然遗传进化算法已经被证实是一种针对真实噪声环境具有高鲁棒性的优化算法，但是在实际环境中无法频繁的进行实验来验证待选参数的适应度函数具体数值。因此实际机器人装配环境中无法提供大量的实验的特点，是限制目前已有优化算法如遗传进化算法等在实际环境中使用的主要问题。

发明内容

本发明的目的是提出一种利用基于学习遗传进化算法的机器人双轴孔装配方法，针对已有技术中的缺点，本发明方法利用基于学习的回归预测模型不仅能够有效处理真实环境噪声，并且仅需要少量的实际装配过程的实验，就能够对已有的机器人双轴孔装配方法进行优化，因此本发明方法对于实际机器人的多轴孔装配任务的优化具有重要意义。

本发明提出的利用基于学习遗传进化算法的机器人双轴孔装配方法，包括以下步骤：

(1)在待装配双轴孔上建立三维坐标系X-Y-Z，其坐标原点O位于待装配轴上表面两轴圆心连线的中点，Z轴正向沿轴的轴线向下，X轴正向为沿左侧轴的圆心指向右侧轴圆心，利用右手螺旋定则得到Y轴正向；

(2)将双轴孔的装配过程分为自由状态、接触状态和配对状态，在装配过程中的接触状态和配对状态，利用从待装配双轴上安装的传感器，获得t时刻的轴孔接触力F_x(t),F_y(t),F_z(t)和力矩M_x(t),M_y(t),M_z(t)，t时刻的接触力和力矩构成一个六维力F(t)＝[F_x(t),F_y(t),F_z(t),M_x(t),M_y(t),M_z(t)]；

根据模糊力控制方法，利用下式计算出t时刻待装配双轴沿X，Y，Z三个方向的平移量X(t)，Y(t)和Z(t)：

忽略X和Y方向的速度，利用式计算Z方向的平移速度