01论文阅读与分享------粒子群算法求解机器人逆运动学的多目标优化问题

[1]刘洋.基于多目标粒子群算法的机器人逆运动学求解方法[J].现代计算机,2020(10):13-17.

0.摘要

采用多目标优化的方式，提出基于多目标粒子群算法的机器人逆运动学求解方法，可以同时实现对位置精度和姿态精度的控制。

1.逆运动学求解常用方法

逆运动学求解算法包括：解析法和数值法
解析法：在我之前的blog中有详细的公式和代码
大多参考文献说解析法的效果不好，尤其是对自由度高的机械臂，但是也许是我对ur10的仿真过于不刁钻，我现在还未发现这个问题

https://blog.csdn.net/weixin_44168457/article/details/113241613

数值解法：数值方法的本质就是将机器人逆运动学问题转换成一个优化问题，再
利用相关优化方法进行求解。现在主要的方法是神经网络和群体智能算法（包括粒
子群算法、萤火虫算法、遗传算法等。）
神经网络：可以很好的解决逆运动学，但是求解精度好坏取决于训练集质量好坏，并且不同的机械臂，不可以通用训练集。

2.建立机器人模型（基于DH参数建立矩阵）

3.建立多目标函数

位置精度最高、姿态精度最高、关节角度变化最小，多目标优化的目标函数在此建立

3.多目标粒子群算法

3.1算法定义
引入帕累托支配的概念解决多目标的问题，当两组适应度之间存在帕累托支配关系时，可以根据支配关系进行比较评价优劣。但很多时候两组适应度之间并不存在帕累托支配关系，无法比较评价优劣，此时两组解均应当进行保留。所以最后求解得到的是一个帕累托最优解的集合。
3.2算法流程

这个流程图倒是看起来简单易懂哈！
论文之中详细阐述了每个部分的内容，我的理解这一部分包括
1）如何将粒子群应用于机器人的位置控制上
2）如何处理多目标优化下的最优解问题
3.3适应度函数的构造
①位置的适应度函数

②姿态的适应度函数

3.4帕累托解集的更新
存储能力和计算速度的问题，对定期删除掉掉帕累托解集中的一部分相对不好的解。
3.5历史最优解的提取
历史最优解是粒子群算法中的核心参数，包括每个粒子的局部最优解 和整个粒子群的全局最优解。它们也需要随着算法的迭代不断进行更新。局部最优解受帕累托支配关系就可以确定，全局最优解从帕累托最优解集中随机选取。
3.6多解优化
就是我们粒子群算法得到的是一个帕累托最优解集，我们要选出最好的那个，
评价函数如下：

4.总结

文章的最后还有仿真，我没有写进来，包括我也没有学习粒子群的具体的算法。我觉得是这样，现在很多“智能算法”都用来处理轨迹规划，或者说是机械臂控制的问题，我觉得先知道什么算法可以用来做什么就可以了。好说回来，粒子群算法处理逆运动学问题可以有很高的机械臂运动的位置和姿态精度，但是同样受逆运动学求解的多解性的影响，并且对计算速度和计算机GPU的影响也很大。
后续我看到其他算法的求解，会回来补充优缺点~