基于進(jìn)化算法的工業(yè)機(jī)器人自動(dòng)路徑規(guī)劃

陳旸CHEN Yang

（漳州職業(yè)技術(shù)學(xué)院智能制造學(xué)院，漳州 363000）

0 引言

隨著人力成本的日益增加，工業(yè)機(jī)器人在工業(yè)生產(chǎn)領(lǐng)域的應(yīng)用也愈加廣泛，但是在采用工業(yè)機(jī)器人取代傳統(tǒng)人力資源時(shí)，制約工業(yè)機(jī)器人生產(chǎn)效率提升的一個(gè)關(guān)鍵環(huán)節(jié)就是路徑規(guī)劃。若采用傳統(tǒng)的示教方式進(jìn)行工業(yè)機(jī)器人路徑規(guī)劃，一是需要耗費(fèi)大量的人力與時(shí)間，二是由肉眼通過觀察得出的規(guī)劃路徑未必是工業(yè)機(jī)器人的最優(yōu)運(yùn)動(dòng)路徑，因此，工業(yè)機(jī)器人路徑規(guī)劃就成為了工業(yè)機(jī)器人工業(yè)應(yīng)用中一個(gè)非常重要的部分。

1 工業(yè)機(jī)器人自動(dòng)路徑規(guī)劃進(jìn)化算法

已有許多文獻(xiàn)研究過了二維空間中機(jī)械手的進(jìn)化算法路徑規(guī)劃[1-3]。染色體由軌跡點(diǎn)列表組成，表示笛卡爾空間中的點(diǎn)或機(jī)器人在某一點(diǎn)的關(guān)節(jié)軸角度，由浮點(diǎn)數(shù)或二進(jìn)制數(shù)進(jìn)行表示。在適應(yīng)性計(jì)算中，許多課題研究都會(huì)綜合考慮路徑長度、軸移動(dòng)角度、工具中心點(diǎn)（TCP）到目標(biāo)位置的距離以及可能發(fā)生的碰撞。

進(jìn)化算法（Evolutionary Algorithms）是一種基于種群的搜索算法，它模仿生物進(jìn)化行為，通過適應(yīng)性函數(shù)判斷最優(yōu)解[4]。進(jìn)化算法基于達(dá)爾文的進(jìn)化論[5]，通過選擇算法遺傳優(yōu)秀特征[6]。不同種類的進(jìn)化算法在染色體的表示上有所不同，例如遺傳算法（GA）用二進(jìn)制數(shù)表示染色體，進(jìn)化策略用實(shí)數(shù)表示染色體。

進(jìn)化算法的基本流程圖如圖1 所示。先進(jìn)行種群初始化，然后使用適應(yīng)性函數(shù)篩選出優(yōu)秀個(gè)體，接下來執(zhí)行交叉和變異操作，直到篩選出符合要求的個(gè)體或達(dá)到固定的迭代次數(shù)。

圖1 進(jìn)化算法流程圖

適應(yīng)性函數(shù)的設(shè)計(jì)是決定進(jìn)化算法能否正確收斂的重要因素。算法3 是適應(yīng)性函數(shù)的偽代碼，該偽代碼由三個(gè)因素組成：路徑適應(yīng)度（PF）、關(guān)節(jié)適應(yīng)度（AF）和碰撞適應(yīng)度（CF）。適應(yīng)性函數(shù)公式如下：

在算法1 中，單點(diǎn)交叉操作的迭代是通過群體的所有染色體的列表來完成的。對于每次迭代，都會(huì)生成一個(gè)隨機(jī)數(shù)。如果該值小于交叉率（CR），則選擇并克隆兩條連續(xù)的染色體。在下一步驟中，在CrossoverSingle 函數(shù)中執(zhí)行最后的單點(diǎn)交叉。為此，首先隨機(jī)確定種子點(diǎn)，然后交換代表染色體的兩個(gè)軌跡點(diǎn)列表中位于種子點(diǎn)前的部分。

算法1：交叉操作

根據(jù)算法2 中所示的步驟執(zhí)行突變操作。該算法在群體的所有染色體的列表中迭代。每個(gè)染色體都會(huì)產(chǎn)生一個(gè)隨機(jī)數(shù)。如果該值較小，則應(yīng)用突變率（MR）對算子進(jìn)行突變。最后在單點(diǎn)突變過程中執(zhí)行突變操作。

算法2：突變操作

進(jìn)化算法的結(jié)束條件可以根據(jù)實(shí)際需求進(jìn)行設(shè)定，通常會(huì)選擇超過最大迭代次數(shù)，低于某個(gè)適應(yīng)度閾值或超過預(yù)定義時(shí)間。在本文中，如果在設(shè)定的迭代次數(shù)內(nèi)找到無碰撞路徑或者在1200 秒之內(nèi)沒有找到符合要求的路徑則算法中止。

算法3：適應(yīng)性函數(shù)值計(jì)算

2 測試結(jié)果分析

我們在仿真環(huán)境中進(jìn)行統(tǒng)計(jì)分析，比較不同參數(shù)（如突變率（MR）、交叉率（CR）或選擇方法（SM））的影響。仿真環(huán)境采用ABB 公司提供的軟件RobotStudio 進(jìn)行搭建。如圖2 所示。

圖2 仿真測試環(huán)境

許多參數(shù)對進(jìn)化算法得到的路徑結(jié)果質(zhì)量有直接影響。為了確定最佳參數(shù)集，進(jìn)行了一系列測試。首先，確定算法計(jì)算需要的參數(shù)值：

①起點(diǎn)（WP）1 至5（默認(rèn)值：2，步長：1，最佳值：3）。

②突變率（MR）：決定參與突變的染色體數(shù)量，0.1 至0.5（默認(rèn)值：0.3，步長：0.1，最佳值：0.3）。

③交叉率（CR）：決定定參與交叉的染色體數(shù)量，0.1至0.8（默認(rèn)值：0.75，步長：0.1，最佳值：0.6）。

④隨機(jī)部分選擇（RPS）：決定用于構(gòu)成新種群的隨機(jī)生成的染色體數(shù)量。該值用于控制使用選擇算子從新群體中選擇的染色體數(shù)量和隨機(jī)添加到新群體中的染色體數(shù)量，0.0 到0.5（默認(rèn)值：0.1，步長：0.1，最佳值：0.1）。

所有組合中的每個(gè)參數(shù)集都運(yùn)行了十次，并根據(jù)路徑長度、軸移動(dòng)和計(jì)算時(shí)間對結(jié)果進(jìn)行了比較。運(yùn)行次數(shù)設(shè)置為10 次，因?yàn)槌醪綔y試表明，10 次測試的結(jié)果方差值較低。表1 顯示了分批實(shí)驗(yàn)的結(jié)果。它顯示了所找到的解決方案的成功率、路徑長度、計(jì)算時(shí)間和關(guān)節(jié)移動(dòng)角度。成功率是成功找到路徑的運(yùn)行次數(shù)與總運(yùn)行次數(shù)之間的比率。例如，80%的成功率表明，在給定的時(shí)間內(nèi)，十次運(yùn)行中有八次可以找到符合要求的路徑。

表1 算法運(yùn)行結(jié)果

3 總結(jié)

在本文中，我們提出了一種進(jìn)化算法，該算法能夠在單個(gè)機(jī)器人場景中計(jì)算6 自由度工業(yè)機(jī)器人的路徑?；诔晒β?、路徑長度（PL）、關(guān)節(jié)軸移動(dòng)角度（AM）和計(jì)算時(shí)間等維度對該算法進(jìn)行了評估。研究表明，進(jìn)化算法在工業(yè)機(jī)器人路徑規(guī)劃中起到了巨大的作用。進(jìn)化算法的一大優(yōu)點(diǎn)是，外軸有效位置的計(jì)算可以通過適應(yīng)度函數(shù)直接集成到路徑規(guī)劃算法中[7]。未來的研究應(yīng)該進(jìn)一步仔細(xì)考慮進(jìn)化算法的深度應(yīng)用，例如整體進(jìn)化算法（用于優(yōu)化問題）和模糊搜索邏輯（用于搜索問題）。