算法驅動：工業機器人參數標定與智能優化

第1章　緒論 001
1.1　工業機器人運動學參數標定 003
1.1.1　工業機器人末端位姿測量 003
1.1.2　工業機器人運動學參數辨識 006
1.1.3　工業機器人運動學參數補償 007
1.2　機器人控制參數智能優化 008
1.3　本書主要內容 009

第2章　面向工業機器人參數優化的典型智能計算 012
2.1　性能指標及約束條件 012
2.2　深度優先搜索算法 015
2.3　粒子群優化算法 016
2.3.1　速度及位置 新公式 016
2.3.2　參數設定規則 016
2.4　差分進化算法 018
2.5　蝙蝠算法 020
2.6　模糊計算 021
2.6.1　模糊系統基本結構 021
2.6.2　Mamdani 型模糊計算 023

第3章　基於粒子群算法的機器人末端測量儀器參數標定 024
3.1　概述 024
3.2　基於粒子群算法的R-test 結構參數標定方法 025
3.2.1　R-test 的結構參數傳統標定方法 025
3.2.2　基於正交位移的R-test 026
3.2.3　基於粒子群算法的R-test 非冗余結構參數標定方法 030
3.2.4　R-test 測量工業機器人精度 033
3.3　傳感器測量球面誤差的測量方法及實驗研究 034
3.3.1　基於基準點標定的傳感器測量球面誤差的測量方法 035
3.3.2　激光位移傳感器測量球面實驗 038
3.4　基於R-test 的球心三維位移測量方法實驗 042
3.4.1　基於粒子群算法的R-test 結構參數標定方法實驗 043
3.4.2　R-test 測量工業機器人精度實驗 047

第4章　基於LSM-PSO 算法的機器人運動學參數標定 051
4.1　概述 051
4.2　工業機器人運動學正解和反解模型 051
4.2.1　經典DH 法則 051
4.2.2　垂直六關節型工業機器人運動學正解和反解模型 052
4.3　工業機器人運動學參數誤差模型 058
4.3.1　單個連桿誤差參數模型 058
4.3.2　串聯運動鏈的運動學誤差參數模型 060
4.4　基於LSM-PSO 的位置誤差模型辨識算法 063
4.4.1　基於手眼位姿參數分離的位置誤差辨識模型 063
4.4.2　基於LSM-PSO 的分步辨識算法 065
4.4.3　仿真結果分析 067

第5章　基於約束蝙蝠算法的機器人控制參數離線優化 069
5.1　概述 069
5.2　機器人控制參數離線優化方案 069
5.3　ε 約束處理機制 071
5.4　數據驅動約束蝙蝠算法研究 072
5.4.1　數據驅動約束蝙蝠算法的框架 072
5.4.2　數據驅動約束蝙蝠算法的關鍵模塊設計 074
5.4.3　收斂性驗證 078
5.5　數據驅動約束蝙蝠算法的數值仿真實驗 081
5.5.1　提議的GDFS 策略的有效性 081
5.5.2　基於CEC2017 基準約束函數的實驗 081

第6章　基於模糊計算的機器人控制參數在線優化 089
6.1　概述 089
6.2　機器人控制參數在線優化方案 090
6.2.1　永磁同步伺服驅動系統 090
6.2.2　模糊自適應PI 控制方法 092
6.3　預測型模糊自適應PI 控制結構 093
6.3.1　改進的預測函數控制模塊 093
6.3.2　自適應模糊調整器 095
6.3.3　新型自抗擾PI 控制器 097
6.4　基於頻率響應的控制參數優化流程 098
6.4.1　基於D-分解理論的穩定性和H∞ 魯棒性分析 099
6.4.2　基於穩定性和H∞魯棒性條件的初始參數的設計標準 102
6.5　仿真實驗 103

第7章　工業機器人參數標定與優化實踐 107
7.1　工業機器人運動學參數標定實踐 107
7.1.1　誤差建模 107
7.1.2　位置測量 109
7.1.3　誤差辨識 110
7.2　工業機器人控制參數優化實踐 113
7.2.1　系統描述 113
7.2.2　控制參數優化 114
7.2.3　仿真實例 116

參考文獻 128