[发明专利]一种基于改进粒子群算法的全向移动智能轮椅机器人参数辨识方法

说明书

本发明涉及一种基于改进粒子群算法的全向移动智能轮椅机器人参数辨识方法，属于智能机器人技术领域，用于解决传统方法在处理复杂问题时容易产生早熟收敛现象以及搜索能力相对不足的问题。首先分析得到全向移动智能轮椅机器人运动学模型表达式；然后分别识别横向、纵向和姿态运动的参数，具体识别方法相同，即仅控制轮椅机器人在待识别方向上运动；根据目标函数计算每个粒子的适应度，并记录当前所有的粒子位置；更新群体中所有粒子的位置和速度；根据目标函数计算更新后粒子的适应度，寻找每个粒子的局部最优解，并从局部最优解中寻找截至目前所有粒子的全局最优解；达到最大迭代次数时即得到的全局最优解。

技术领域

本发明是一种基于改进粒子群算法的全向移动智能轮椅机器人参数辨识方法，属于智能机器人技术领域。

背景技术

机器人参数辨识是机器人控制领域的一个重要课题，其根据机器人系统的响应数据来确定机器人动力学和运动学特性的数学模型。对于许多的机器人领域，由于结构比较复杂，不能用传统的建模分析法获得精确的数学模型，只能通过系统辨识技术来估计出较为准确的模型。参数辨识是系统辨识中的重要组成部分，在已知机器人动力学和运动学模型的结构之后，可以通过输入与输出数据之间的关系确定已知模型结构中的未知参数。目前，辨识技术已经推广到工程和非工程的许多领域，如化学化工过程、核反应堆、电力系统、航空航天飞行器、生物医学系统、社会经济系统、环境系统、生态系统等。

系统辨识方法主要包括经典系统辨识方法和现代系统辨识方法。其中经典系统辨识方法已经发展比较成熟和完善，主要包括阶跃响应法、脉冲响应法、频率响应法、相关分析法、谱分析法、最小二乘法和极大似然法等。但是由于实际系统很多都是具有不确定性的复杂系统，经典的辨识方法在此方面还存在一定的不足，其对于某些复杂系统在一些情况下无能为力。现代系统辨识方法主要包括集员系统辨识法、神经网络系统辨识法、模糊逻辑系统辨识法、智能算法系统辨识法等。其中，智能算法主要包括遗传算法、蚁群算法、粒子群算法、差分进化算法等，是解决传统系统辨识问题的新方法。由于智能算法不依赖于问题模型本身的特性，能够快速有效地搜索复杂、高度非线性和多维空间，非常适合于辨识系统参数，是系统辨识研究与应用中的重要途径。

粒子群优化算法(Particle Swarm Optimization,PSO)是一种进化计算技术，1995年由Eberhart博士和Kennedy博士提出。该算法源于对鸟群捕食的行为研究，是通过模拟鸟群觅食过程中迁徙和协同合作行为而提出的一种智能随机优化算法。其基本思想在于：从随机解出发，通过迭代的方式不断更新粒子个体的位置和速度，同时根据目标函数来判断粒子的适应性，进而寻找最优解。粒子群优化算法以实现容易、精度高、收敛快等优点引起了学术界的重视，并且在解决系统辨识问题中展示了其特殊的优越性。但是，粒子群优化算法在处理复杂问题时容易陷入局部最优解上而停止不动，即所谓的早熟收敛现象。

遗传算法(Genetic Algorithm,GA)是20世纪70年代初由美国密西根大学的J.Holland教授和他的学生提出的一种新型的优化算法。其基本思想在于模仿生物进化论过程当中基因(染色体)的生存过程。此过程中的染色体充当了种群当中的个体，因此每一个个体都可以作为问题的一个解。个体在衍生的过程中不断地复制、交叉和变异，产生新的个体。进而通过设定的适应度来衡量个体，对新产生的个体进行筛选，在保持种群数量恒定的同时，经过一代代的不断变化，选出最好的个体，得出问题的最优解。遗传算法拥有极强的探索精度和求变功能，在解空间全局寻优上具有优势，但在局部搜索能力上相对不足。

发明内容