模块化机器人可重构为不同的拓扑,从而具备多样的工作能力以应对复杂多变的任务需求,如何求取具备所需工作能力的机器人最优拓扑是充分发挥模块化机器人重构特性的关键。为解决这一问题,本文提出了一种基于灰狼优化算法(Grey wolf optim...模块化机器人可重构为不同的拓扑,从而具备多样的工作能力以应对复杂多变的任务需求,如何求取具备所需工作能力的机器人最优拓扑是充分发挥模块化机器人重构特性的关键。为解决这一问题,本文提出了一种基于灰狼优化算法(Grey wolf optimizer,GWO)的模块化机器人拓扑优化方法。首先,针对模块化机器人构建运动链表征,并基于旋量法和牛顿-欧拉法完成运动学/动力学建模。然后,基于运动链表征设计拓扑决策变量,考虑机器人的模块数量、最大关节驱动力矩和灵巧性设计目标函数,引入交叉、变异概念改进灰狼优化算法,建立拓扑优化模型并求解。最后,针对两个实验求解所对应的最优拓扑,对比验证了该算法能有效求取模块化机器人最优拓扑。展开更多
文摘模块化机器人可重构为不同的拓扑,从而具备多样的工作能力以应对复杂多变的任务需求,如何求取具备所需工作能力的机器人最优拓扑是充分发挥模块化机器人重构特性的关键。为解决这一问题,本文提出了一种基于灰狼优化算法(Grey wolf optimizer,GWO)的模块化机器人拓扑优化方法。首先,针对模块化机器人构建运动链表征,并基于旋量法和牛顿-欧拉法完成运动学/动力学建模。然后,基于运动链表征设计拓扑决策变量,考虑机器人的模块数量、最大关节驱动力矩和灵巧性设计目标函数,引入交叉、变异概念改进灰狼优化算法,建立拓扑优化模型并求解。最后,针对两个实验求解所对应的最优拓扑,对比验证了该算法能有效求取模块化机器人最优拓扑。
