賈世元，賈英宏，徐世杰

(北京航空航天大學(xué) 宇航學(xué)院，北京100191)

機械臂的設(shè)計有多種準(zhǔn)則，大多數(shù)機械臂是在運動學(xué)可逆的情況下設(shè)計的.許多學(xué)者，如Roth和Lee等［1-2］最早開始分析機械臂的工作空間，并將其作為機械臂設(shè)計準(zhǔn)則.文獻［1］討論了給定結(jié)構(gòu)下機械臂工作空間的形狀，以及根據(jù)工作空間的形狀，如何設(shè)計機械臂的結(jié)構(gòu).Bergamaschi等［3］提出了一種計算工作空間邊界的方法，并以工作空間的體積為目標(biāo)函數(shù)，優(yōu)化了3R型機械臂.Snyman等［4］為確定平面機器人工作空間的邊界，提出了一種數(shù)值優(yōu)化算法，計算了平面Stewart平臺和具有冗余串聯(lián)機械臂的工作空間.在工作空間的基礎(chǔ)上，Klein和 Yoshikawa等［5-6］學(xué)者，最早考慮并定義機械臂的靈巧度和可操作度指標(biāo).平面機器人的靈巧度一般用“轉(zhuǎn)角范圍法”［7］表示，空間機器人的靈活度通常采用“工作角法”［8］和“立體角法”［9］表示.Gosselin 和 Angeles［10］則將機械臂雅克比矩陣的條件數(shù)作為首要考慮因素進行機械臂設(shè)計，雅克比矩陣的條件數(shù)作為設(shè)計準(zhǔn)則滿足了機械臂設(shè)計運動學(xué)可逆性要求，同時也為優(yōu)化機械臂的路徑規(guī)劃提供了依據(jù)，但它并不適合作為機械臂設(shè)計的全局性能指標(biāo).Gosselin和 Angeles［11］又提出了將雅克比矩陣條件數(shù)和工作空間相結(jié)合的機械臂設(shè)計全局條件指標(biāo)(Global Conditioning Index，GCI)，GCI是一種基于雅克比矩陣條件數(shù)在整個機械臂工作空間上分布的性能指標(biāo)，它可以在整個工作空間上衡量機械手的運動學(xué)可逆性.文獻［12］采用基于各向同性條件數(shù)為目標(biāo)函數(shù)，優(yōu)化機構(gòu)參數(shù)以最大化其運動學(xué)性能;文獻［13-15］以局部條件指標(biāo)［13］或全局條件指標(biāo)［14-15］為設(shè)計準(zhǔn)則，優(yōu)化設(shè)計不同構(gòu)型的機械臂;文獻［16］對傳統(tǒng)的雅克比矩陣、可操作度及條件數(shù)等優(yōu)化指標(biāo)的意義及不足做了進一步的闡述.另外，文獻［17］提出了一種基于任務(wù)導(dǎo)向的可操作度指標(biāo)，該指標(biāo)是任務(wù)點處期望可操作性橢球和實際可操作性橢球之間的相似性.

隨著工業(yè)機器人及空間機器人任務(wù)要求的不斷提高，為滿足機械臂執(zhí)行多任務(wù)的要求，使機械臂具有更好的通用性，機械臂的靈活性和可操作性顯得尤為重要.本文在基于以上設(shè)計指標(biāo)的基礎(chǔ)上，引入“工作球”［7］的概念，定義了靈活性數(shù)值指標(biāo)，以及姿態(tài)可操作度的算法，提出一種基于機械臂姿態(tài)可操作度的尺寸優(yōu)化方法.靈活性的數(shù)值定義能夠體現(xiàn)出機器人末端作用器位置和姿態(tài)在理論上的存在性，且優(yōu)化指標(biāo)容易求取，優(yōu)化算法能夠?qū)崿F(xiàn)機械臂的全局優(yōu)化.

針對某一構(gòu)型的機械臂，利用逆運動學(xué)算法求得機械臂的單點靈活性，所求得的靈活性體現(xiàn)出了機械臂工作球上姿態(tài)的存在性;在靈活性指標(biāo)的基礎(chǔ)上，繼而求得機械臂的姿態(tài)可操作度值，以姿態(tài)可操作度倒數(shù)為目標(biāo)函數(shù)利用遺傳算法對機械臂結(jié)構(gòu)參數(shù)進行優(yōu)化，并繪制了優(yōu)化前后機械臂的靈活性工作空間圖，優(yōu)化后的機械臂能夠在可達空間中具有較好的可操作性;且優(yōu)化后較優(yōu)化前機械臂可操作性得到了明顯的提高.

1 靈活性以及姿態(tài)可操作度的定義

機器人的靈活性可用姿態(tài)概率系數(shù)來表示.以圖1所示的機械臂為例，R1、R2和R3為機械臂的前3個回轉(zhuǎn)關(guān)節(jié)，后3個關(guān)節(jié)可以看成一個球鉸，其球心在腕點Pw，末桿繞球鉸轉(zhuǎn)動即可實現(xiàn)后3個關(guān)節(jié)的運動.此時引入“工作球”的概念，在該機械臂工作空間內(nèi)設(shè)立直角坐標(biāo)系S(Oxyz)，P1(x1，y1，z1)為工作空間中某一工作點，以該工作點作為球心，以末端桿長為半徑，所作的球為“工作球”.在理想情況下，當(dāng)機械臂運轉(zhuǎn)時，其腕點Pw可以到達該球面上的任意點，并使末桿通過該點到達工作點P1.但實際上，由于結(jié)構(gòu)上的限制，腕點只能到達球面上的一定區(qū)域，該區(qū)域越大靈活性越好.在球面可達區(qū)域上采用數(shù)值離散點定義靈活性，表示該類機器人靈活性指標(biāo)可用姿態(tài)概率系數(shù)φ表示，計算工作點P1靈活性時，在“工作球”上隨機取N個均勻樣本點，腕點能通過隨機均勻樣本點使末端點到達工作點的個數(shù)為n，此時定義姿態(tài)概率系數(shù)φ為

圖1 機器人末桿“工作球”Fig.1 “Working sphere”of robot end-effector

由式(1)可知φ值越大，機器人靈活性越好，當(dāng)φ=1時，機器人靈活性能最好.

根據(jù)機器人正向運動學(xué)［18］可得

式中:i-1Ti為坐標(biāo)系Si與坐標(biāo)系Si-1之間的齊次坐標(biāo)轉(zhuǎn)換矩陣;若已知機械臂末端作用器的位置和姿態(tài)，即0Tn已知，則由機械臂逆運動學(xué)可以求得關(guān)節(jié)空間中的坐標(biāo)值，為求解q1，可用［0T1］-1同時左乘式(2)的兩端，得

利用兩端對應(yīng)元素相等，將方程化簡最終求得q1，由此可以得出一般的遞推步驟［4］為

以式(1)的靈活性姿態(tài)概率系數(shù)只能判斷機器人在某點的靈活性，不能判斷機器人在整個可達工作空間上的整體操作性能，因此在靈活性的基礎(chǔ)上，定義了機器人的姿態(tài)可操作度，將可達操作空間中的點離散化，計算每一個離散化的點處的靈活性姿態(tài)概率系數(shù)值，之后加以統(tǒng)計，最后利用統(tǒng)計的百分比來表征姿態(tài)可操作度.即，機械臂可操作度可定義為一個標(biāo)量指標(biāo)λ(α)≤100%，其中0＜α≤1，α為姿態(tài)概率系數(shù)φ的值.姿態(tài)可操作度的意義就為:姿態(tài)概率系數(shù)大于α的工作空間占整個工作空間體積的百分比.例如，λ(0.75)=90%表示姿態(tài)概率系數(shù)α值大于0.75的工作空間占整個工作空間體積的百分比為90%.顯然，這個指標(biāo)越大，機械臂整體可操作性越好.

機械臂可操作度指標(biāo)的計算方法為

式中:m為工作空間中所取樣本點φ＞α的點的個數(shù);M為工作空間中所取均勻樣本點的個數(shù).

2 機械臂尺寸優(yōu)化算法流程

將機器人的尺寸優(yōu)化問題轉(zhuǎn)化評價函數(shù)J(h)最小值求解問題，性能指標(biāo)為機器人姿態(tài)可操作度的倒數(shù):

式中:c為機械臂優(yōu)化桿長參數(shù)之和;［limin，limax］為桿長li的優(yōu)化長度范圍，i為桿序號.

機械臂尺寸優(yōu)化算法流程圖如圖2所示.

優(yōu)化算法包括6個部分:

1)初始化種群，設(shè)定尺寸參數(shù)分布范圍及參數(shù)滿足的要求，設(shè)置進化代數(shù)計數(shù)器ig←0;設(shè)置最大進化代數(shù)I;生成K個體作為初始種群P(0)，其中I和K均為常數(shù)，且初始尺寸參數(shù)作為初始種群中的一個個體.

2)機器人末端作用器工作點及姿態(tài)生成，在工作空間區(qū)域內(nèi)隨機生成M個工作點，在每個工作點上生成一個“工作球”，在“工作球”上隨機選取N個點，工作球上的一個隨機點到工作點的指向即為一個姿態(tài).

3)當(dāng)機器人的末端作用器在期望位置和姿態(tài)時，運用逆運動學(xué)算法求解機械臂各個關(guān)節(jié)角的值.

4)計算性能指標(biāo)，對每個工作點根據(jù)逆運動學(xué)算法求得其姿態(tài)概率系數(shù)，對姿態(tài)概率系數(shù)大于α的工作點進行統(tǒng)計，得到機械臂在整個工作空間上的姿態(tài)可操作度，繼而取姿態(tài)可操作度的倒數(shù)為性能指標(biāo)，計算出整個種群中的個體評價函數(shù).

圖2 機械臂尺寸優(yōu)化算法流程圖Fig.2 Flow chart of dimensions optimization algorithm for manipulator

5)種群進化，在完成評價函數(shù)計算后對種群內(nèi)個體進行適應(yīng)度評價，然后選擇個體進行交叉和變異操作，交叉算子和變異算子均采用固定值交叉概率和變異概率.

6)終止條件的判斷.若 ig＜I，則 ig←ig+1，進化到下一代;若ig≥I或ig＜I但滿足設(shè)定終止條件，則輸出最終解，終止計算.

3 機械臂尺寸優(yōu)化算法示例

圖3為本文應(yīng)用對象機械臂結(jié)構(gòu)簡圖及桿件坐標(biāo)系圖.其中l(wèi)m和ln為相鄰桿間距.

圖3 機械臂結(jié)構(gòu)簡圖Fig.3 Structure schematic diagram of manipulator

由正向運動學(xué)式(2)可以求得機械臂末桿位姿矩陣［18］為

式中:向量 n=［nxnynz］T為法線矢量;o=［oxoyoz］T為方向矢量;a=［axayaz］T為接近矢量，3個矢量分別描述機器人末端操作器的姿態(tài);矩陣0R7=［n o a］為坐標(biāo)系S7相對基礎(chǔ)坐標(biāo)系S0的旋轉(zhuǎn)變換矩陣;p=［pxpypz］T為坐標(biāo)系S7的坐標(biāo)原點o7在基礎(chǔ)坐標(biāo)系S0中的位置矢量.

若已知末桿某一特定的位姿矩陣，為了求解關(guān)節(jié)角 θ1，根據(jù)遞推式(4)可用［0T1］-1同時左乘式(7)得

化簡式(8)得

式中:ci=cos θi;si=sin θi;θijk= θi+ θj+ θk，θi、θj和θk分別為第i、j和k個關(guān)節(jié)的轉(zhuǎn)角;lj為第j節(jié)桿的長度.

將式(9)左側(cè)第2行第1列、第3列代入方程右側(cè)的第2行第4列并化簡得

式中:k1=l5ax+l6nx-px;k2=-l5ay-l6ny+py;k3=l1.

由式(9)左右兩側(cè)對應(yīng)的第1行第3列，第3行第3列分別相等，利用雙變量反正切函數(shù)可以求得

由式(9)左右兩側(cè)對應(yīng)的第2行第1列、第2列分別相等有

可以求得

式(13)中第1式兩邊同乘以c6、第2式兩邊同時乘以s6并相減得

將式(9)中左側(cè)第2行第1列代入到右側(cè)第2行第4列化簡可以求得

由θ5的正弦和余弦值，利用雙變量反正切函數(shù)可以求得

為了 求 θ2，根 據(jù) 遞 推 式 (4)，可 用［1T2］-1［0T1］-1同時左乘式(7)得

將式(18)中左右兩側(cè)矩陣中對應(yīng)位置的對應(yīng)元素相等可以推導(dǎo)出:

式中:

繼而可以求得

由式(12)、式(19)及式(21)可以求得

機械臂給定一種工作點位置和姿態(tài)后，利用逆運動學(xué)對該工作點位置的隨機姿態(tài)判斷關(guān)節(jié)空間中的解是否存在，從而求得單點靈活性的姿態(tài)概率系數(shù)，繼而可以求得機械臂工作空間中的姿態(tài)可操作度.

為保持機械臂結(jié)構(gòu)原有的特征，不改變機械臂的自由度布局，選擇機械臂的桿長參數(shù)作為優(yōu)化設(shè)計變量，則機械臂結(jié)構(gòu)參數(shù)矩陣為

式中:l1～l6均為設(shè)計參數(shù)，與機械臂對應(yīng)關(guān)系如圖3所示，設(shè)計優(yōu)化參數(shù)范圍為 l1∈［0，0.5］，l2∈［0，1.0］，l3∈［0，1.0］，l4∈［0，0.5］，l5∈［0，0.5］，l6∈［0，0.5］，任意選擇一組優(yōu)化初值為h0=［0.12 0.4 0.9 0.1 0.1 0.15］，初始種群個數(shù)20，最大進化代數(shù)為100，交叉概率0.8，變異概率0.2，優(yōu)化過程中工作點M的取值為工作空間中的均勻樣本點，其具體值為M=1 200，每個工作點對應(yīng)的工作球球面上所取的均勻樣本點為N=600，為使工作點的姿態(tài)概率系數(shù)α≥0.75，則n≥450，優(yōu)化前工作點滿足姿態(tài)概率系數(shù)要求的點的個數(shù)為m=608，優(yōu)化算法結(jié)束條件為適應(yīng)度函數(shù)的平均變化小于10-4，適應(yīng)度函數(shù)為

式中:hL為避免機械臂自身碰撞的最小安全距離;rL為機械臂連桿半徑.優(yōu)化后結(jié)果如圖4、圖5所示，圖4所示為適應(yīng)度函數(shù)曲線，圖5所示為桿長參數(shù)曲線，其中l(wèi)k0和lk分別為連桿優(yōu)化前后的桿長參數(shù).

圖4 適應(yīng)度函數(shù)曲線Fig.4 Curve of fitness function

圖5 桿長參數(shù)曲線Fig.5 Parameter curve of link length

算法實際進化代數(shù)為61代，桿的最終優(yōu)化尺寸參數(shù)為 h'=［0.012 0.749 0.768 0.149 0.033 0.059］;優(yōu)化后滿足姿態(tài)概率系數(shù)的工作點的個數(shù)為m'=1092，則優(yōu)化前和優(yōu)化后姿態(tài)可操作度為

由優(yōu)化結(jié)果可以看出l1桿縮短，優(yōu)化后長度接近于零;l2桿長度增長，l3桿長度縮短，優(yōu)化后l2和l3桿的長度基本相同;l4桿長度增長，l5桿和l6桿長度縮短.機械臂設(shè)計時短桿的長度應(yīng)盡量縮短，整部機械臂可以看成由兩節(jié)大臂以及多節(jié)小臂組成，整體構(gòu)型類似于人的手臂.

優(yōu)化前后機械臂靈活性工作空間圖如圖6(a)和圖6(b)所示.顏色條數(shù)值表示工作點姿態(tài)概率系數(shù)的大小;綠色區(qū)域為滿足靈活性要求α≥0.75的工作空間，黃色區(qū)域為姿態(tài)概率系數(shù)0.5＜α≤0.75的工作空間，紅色區(qū)域表示姿態(tài)概率系數(shù)α≤0.5的工作空間.由圖6(a)可以看出優(yōu)化前，工作空間的邊緣及內(nèi)部紅色區(qū)域較大，靈活性較差;機械臂正上方部分區(qū)域為黃色，優(yōu)化后黃色區(qū)域變?yōu)榫G色區(qū)域，且工作空間邊緣及內(nèi)部綠色區(qū)域均增大.

圖6 優(yōu)化前后機械臂靈活性工作空間圖Fig.6 Spatial graph of dexterous workspace of manipulator before and after optimization

其他初始條件不變的情況下，討論優(yōu)化算法中姿態(tài)概率系數(shù)αopt取值大小對結(jié)果的影響，針對機械臂靈活性而言，末端作用器可行姿態(tài)應(yīng)達到一定范圍.因此，αopt的取值應(yīng)大于0.5，否則算法的研究將不具有實際意義.優(yōu)化算法中對αopt取表1中數(shù)值進行優(yōu)化，其優(yōu)化結(jié)果如表1中h'所示，優(yōu)化后不同姿態(tài)概率系數(shù)下的姿態(tài)可操作度值如表2所示.

表1 不同αopt取值的優(yōu)化結(jié)果Table 1 Optimal results of different values of αopt

表2 優(yōu)化后不同α下的姿態(tài)可操作度值Table 2 Posture manipulability value of different α after optimization

從表1可以看出，優(yōu)化算法中不同姿態(tài)概率系數(shù)下的優(yōu)化結(jié)果均趨向于仿人型機械臂，即機械臂均由兩節(jié)大臂和多節(jié)小臂組成;從表2可以看出，優(yōu)化算法中姿態(tài)概率系數(shù)αopt取值為0.55、0.65和0.75時，優(yōu)化結(jié)果在相應(yīng)的姿態(tài)概率系數(shù)下能夠得到較高的姿態(tài)可操作度值，當(dāng)αopt增大到一定程度，優(yōu)化后姿態(tài)可操作度值會逐漸降低，這與實際情況是相符的;但優(yōu)化結(jié)果在姿態(tài)可操作度λ'(0.75)下評價時，可以看出優(yōu)化結(jié)果h'(0.55)和 h'(0.95)相對較差，而優(yōu)化結(jié)果h'(0.75)最好，要使優(yōu)化結(jié)果在不同α下均具有相對較高的姿態(tài)可操作度，則αopt的取值不能太小也不能太大;另外算法采用數(shù)值仿真，αopt的取值太大，算法容易出現(xiàn)失真，因此優(yōu)化算法中αopt的一般取值范圍為［0.7，0.85］.

4 結(jié)論

本文給出了靈活性的數(shù)值計算方法，在靈活性的基礎(chǔ)上提出了一種新的姿態(tài)可操作度的概念;以姿態(tài)可操作度的倒數(shù)為適應(yīng)度函數(shù)，利用遺傳算法優(yōu)化了機械臂的尺寸參數(shù)，使優(yōu)化后的機械臂靈活性達到最優(yōu)，優(yōu)化結(jié)果可以得出:

1)機械臂的設(shè)計類似于人的手臂，由兩節(jié)長臂及若干節(jié)短臂組成，且兩節(jié)長臂的長度相差不大.

2)末端作用器的長度越短機械臂的靈活性越好，因此在設(shè)計機械臂時應(yīng)盡量使短臂桿縮短，甚至可以設(shè)計為零桿.

3)優(yōu)化后的機械臂靈活性較優(yōu)化前的靈活性提高了40.33%，由此驗證了所提出的機械臂尺寸優(yōu)化算法的合理性和有效性.

4)該算法中還可以加入不同約束條件實現(xiàn)對機械臂的尺寸優(yōu)化;還可以實現(xiàn)機械臂的設(shè)計-優(yōu)化-再設(shè)計-再優(yōu)化以獲得靈活性較高的機械臂布局構(gòu)型.因此，本文提出的機械臂尺寸優(yōu)化方法在工程上具有實用價值.

References)

［1］ Gupta K C，Roth B.Design considerations for manipulator workspace［J］.ASME Journal of Mechanisms，Transmission，and Automation in Design，1982，104(4):704-711.

［2］ Cwiakala M，Lee T W.Generation and evaluation of a manipulator workspace based on optimum path search［J］.ASME Journal of Mechanisms，Transmission，and Automation in Design，1985，107(2):245-255.

［3］ Bergamaschi P R，Nogueira A C，Saramago S F P.Design and optimization of 3R manipulators using the workspace features［J］.Applied Mathematics and Computation，2006，172(1):439-463.

［4］ Snyman J A，du Plessis L J，Duffy J.An optimization approach to the determination of the boundaries of manipulator workspaces［J］.ASME Journal of Mechanical Design，2000，122(4):447-456.

［5］ Klein C A，Blaho B E.Dexterity measures for the design and control of kinematically redundant manipulators［J］.The International Journal of Robotics Research，1987，6(2):72-82.

［6］ Yoshikawa T.Manipulability of robotic mechanisms［J］.The International Journal of Robotics Research，1985，4(2):3-9.

［7］馬香峰.機器人機構(gòu)學(xué)［M］.北京:機械工業(yè)出版社，1991:118-126.Ma X F.Robot mechanisms［M］.Beijing:China Machine Press，1991:118-126(in Chinese).

［8］朱建敏，許有恒.機器人工作靈活性的分析方法［J］.上海交通大學(xué)學(xué)報，1989，23(2):53-60.Zhu J M，Xu Y H.A method for analyzing the dexterity of a manipulator［J］.Journal of Shanghai Jiao Tong University，1989，23(2):53-60(in Chinese).

［9］劉淑春，許紀(jì)倩.工業(yè)機器人工作空間及靈活性［J］.北京科技大學(xué)學(xué)報，1989，11(2):142-147.Liu S C，Xu J Q.On the workspace and the dexterity of general industrial robot［J］.Journal of University of Science and Technology Beijing，1989，11(2):142-147(in Chinese).

［10］ Gosselin C，Angeles J.The optimum kinematic design of a planar three-degree-of-freedom parallel manipulator［J］.ASME Journal of Mechanisms，Transmission and Automation in Design，1988，110(1):35-41.

［11］ Gosselin C，Angeles J.A global performance index for the kinematic optimization of robotic manipulators［J］.ASME Journal of Mechanical Design，1991，113(3):220-226.

［12］趙新華，張威.基于條件數(shù)的3-RTT并聯(lián)機器人參數(shù)優(yōu)化［J］.中國機械工程，2004，15(21):1903-1905.Zhao X H，Zhang W.Parameter optimization of the 3-RTT parallel manipulator based on the conditioning index［J］.China Mechanical Engineering，2004，15(21):1903-1905(in Chinese).

［13］ Toz M，Kucuk S.Dexterous workspace optimization of an asymmetric six-degree of freedom Stewart-Gough platform type manipulator［J］.Robotics and Autonomous Systems，2013，61(12):1516-1528.

［14］ Zhang P，Yao Z Q，Du Z C.Global performance index system for kinematic optimization of robotic mechanism［J］.ASME Journal of Mechanical Design，2014，136(3):1-11.

［15］ Liu H T，Huang T，Mei J P，et al.Kinematic design of a 5-DOF hybrid robot with large workspace/Limb-Stroke ratio［J］.ASME Journal of Mechanical Design，2007，129(5):530-537.

［16］ Merlet J P.Jacobian，manipulability，condition number，and accuracy of parallel robots［J］.ASME Journal of Mechanical Design，2006，128(1):199-206.

［17］ Lee S.Dual redundant arm configuration optimization with taskoriented dual arm manipulability［J］.IEEE Transactions on Robotics and Automation，1989，5(1):78-97.

［18］于靖軍，劉辛軍，丁希侖.機器人機構(gòu)學(xué)的數(shù)學(xué)基礎(chǔ)［M］.北京:機械工業(yè)出版社，2009:278-288.Yu J J，Liu X J，Ding X L.Mathematical foundation of robot mechanism［M］.Beijing:China Machine Press，2009:278-288(in Chinese).

［19］霍偉.機器人動力學(xué)與控制［M］.北京:高等教育出版社，2005:23-28.Huo W.Robot dynamic and control［M］.Beijing:Higher Education Press，2005:23-28(in Chinese).