一种基于智能算法的工业机器人轨迹优化的控制方法与流程

1.本发明涉及工业机器人技术领域，尤其涉及一种基于智能算法的工业机器人轨迹优化的控制方法。


背景技术：

2.工业机器人是智能制造的重要组成部分，广泛应用于机械加工、焊接、装配等生产制造中。工业机器人还因其多自由度、工作空间大、可重复编程和自动控制等优点，能够在汽车、3c电子、家电、光伏等行业实现码垛、搬运、喷涂等多功能应用。
3.工业机器人轨迹精度是评价机器人性能的重要技术指标。目前工业应用中机器人一般具有较高的重复性定位精度，但随着工业生产自动化程度提高和精密制造精度要求的提高，除了要求机器人具有较高的定位精度外，对于其运动轨迹精度的要求也越来越高，如在精密激光切割、精密激光焊接和先进制造与装备等应用领域。然而由于机器人系统连杆构件及驱动原件具有的柔性特征，工业机器人在运行过程中容易面临结构性振动的问题，尤其是在机器人处于刚性较弱的姿态、机器人作业的运动范围较大和速度较快的情况下。这一问题将引发机器人末端执行器非受控的运动，对工业机器人的作业精度产生较大的影响，不利于机器人系统的稳定运行，影响工业机器人的性能。此外，运行过程中的非受控运动也对工业机器人的运行安全产生影响，不利于生产作业的平稳进行，难以满足精密制造与装配领域对工业机器人应用中高运动轨迹精度的需求。
4.因此，需要提供一种基于智能算法的工业机器人轨迹优化的控制方法，用于对工业机器人轨迹进行优化，提高工业机器人的作业质量。


技术实现要素：

5.本说明书实施例之一提供本发明提供了一种基于智能算法的工业机器人轨迹优化的控制方法，包括：建立多个振动异常预测模型及多个轨迹优化模型；通过蒙特卡洛模型基于约束条件集和工业机器人的任务相关信息，生成多条候选轨迹，所述候选轨迹包括多个候选轨迹点及每个所述候选轨迹点对应的工业机器人的姿态信息；基于轨迹评估体系对所述多条候选轨迹进行第一次筛选，确定多条目标轨迹；对于每条所述目标轨迹，通过所述多个振动异常预测模型基于所述目标轨迹包括的多个候选轨迹点及每个所述候选轨迹点对应的工业机器人的姿态信息，确定所述目标轨迹中的振动异常轨迹点；对于每条所述目标轨迹，通过所述多个轨迹优化模型基于所述目标轨迹中的振动异常轨迹点对所述目标轨迹进行优化，生成优化后的目标轨迹；基于所述轨迹评估体系对多条所述优化后的目标轨迹进行第二次筛选，确定所述工业机器人的最优轨迹。
6.更进一步地，所述建立多个振动异常预测模型，包括：获取所述工业机器人的历史作业数据；基于所述工业机器人的历史作业数据，生成多个第一训练样本；基于所述多个训练样本，建立所述多个振动异常预测模型。
7.更进一步地，所述获取所述工业机器人的历史作业数据，包括：获取多个历史作业
对应的预设轨迹及实际作业信息，其中，所述实际作业信息包括所述工业机器人基于所述预设轨迹作业过程中机械臂的各个关节及末端的振动信息；对所述工业机器人基于所述预设轨迹作业过程中机械臂的各个关节及末端的振动信息，进行去噪处理，生成去噪后的所述工业机器人基于所述预设轨迹作业过程中机械臂的各个关节及末端的振动信息。
8.更进一步地，所述对所述工业机器人基于所述预设轨迹作业过程中机械臂的各个关节及末端的振动信息，进行去噪处理，包括：对于所述机械臂的每个关节或末端，基于所述振动信息，生成振动曲线；将所述振动曲线分解为至少一个振动内涵模态分量和一个振动残差；通过噪声确定模型基于所述至少一个振动内涵模态分量和一个振动残差，确定目标振动内涵模态分量，其中，所述目标振动内涵模态分量为包含有噪声的振动内涵模态分量；通过去噪模型对所述目标振动内涵模态分量进行去噪处理，获取去噪后的目标振动内涵模态分量；基于去噪后的目标振动内涵模态分量，生成去噪后的振动信息。
9.更进一步地，所述基于所述工业机器人的历史作业数据，生成多个第一训练样本，包括：基于所述工业机器人的历史作业数据，生成第二训练样本；基于所述第二训练样本，建立样本生成模型；基于所述工业机器人的历史作业数据，生成多个真实训练样本；基于所述样本生成模型，生成多个虚拟训练样本，其中，所述多个第一训练样本包括所述多个真实训练样本及所述多个虚拟训练样本。
10.更进一步地，所述轨迹评估体系包括多个轨迹评估指标，其中，所述多个轨迹评估指标至少包括路径长度指标、作业时间指标、作业耗能指标、异常轨迹点数量指标及异常振动持续时间指标；所述基于轨迹评估体系对所述多条候选轨迹进行第一次筛选，确定多条目标轨迹，包括：对于每条所述候选轨迹，基于所述候选轨迹包括的多个候选轨迹点及每个所述候选轨迹点对应的工业机器人的姿态信息，确定所述候选轨迹在所述多个轨迹评估指标的得分；对于每条所述候选轨迹，基于所述候选轨迹在所述多个轨迹评估指标的得分及每个所述轨迹评估指标对应的权重，确定所述候选轨迹对应的优先分值；基于所述每条所述候选轨迹对应的优先分值，对所述多条候选轨迹进行第一次筛选，确定所述多条目标轨迹。
11.更进一步地，所述通过所述多个振动异常预测模型基于所述目标轨迹包括的多个候选轨迹点及每个所述候选轨迹点对应的工业机器人的姿态信息，确定所述目标轨迹中的振动异常轨迹点，包括：对于每个所述振动异常预测模型，基于所述目标轨迹包括的多个候选轨迹点及每个所述候选轨迹点对应的工业机器人的姿态信息，预测每个所述候选轨迹点的异常概率；对于每个所述轨迹点，基于每个所述振动异常预测模型预测的所述轨迹点的异常概率，判断所述候选轨迹点是否为异常轨迹点。
12.更进一步地，所述基于每个所述振动异常预测模型预测的所述轨迹点的异常概率，判断所述候选轨迹点是否为异常轨迹点，包括：基于每个所述振动异常预测模型预测的所述轨迹点的异常概率及每个所述振动异常预测模型对应的权重，其中，所述振动异常预测模型对应的权重基于方差倒数法确定。
13.更进一步地，所述通过所述多个轨迹优化模型对所述目标轨迹进行优化，生成优化后的目标轨迹，包括：对于每个所述轨迹优化模型，对所述目标轨迹进行优化，生成优化后的目标轨迹；对每个所述轨迹优化模型生成的优化后的目标轨迹进行拟合，生成所述优化后的目标轨迹。
additive model，gam），另一个振动异常预测模型为随机森林(randomforests,rf)。
21.轨迹优化模型可以为用于对工业机器人的轨迹进行优化的机器学习模型，轨迹优化模型可以为卷积神经网络（cnn）、深度神经网络（dnn）、循环神经网络（rnn）、多层神经网络（mlp）、生成对抗神经网络（gan）等一种或其任意组合。其中，不同的轨迹优化模型的类型可以不同。
22.图2是本技术一实施例中示出的建立多个振动异常预测模型的流程图，如图2所示，在一些实施例中，建立多个振动异常预测模型，包括：获取工业机器人的历史作业数据；基于工业机器人的历史作业数据，生成多个第一训练样本；基于多个训练样本，建立多个振动异常预测模型。
23.在一些实施例中，获取工业机器人的历史作业数据，包括：获取多个历史作业的任务相关信息（例如，作业起始点、作业结束点及多个目标作业点等）、对应的预设轨迹（例如，多个预设轨迹点及每个所述预设轨迹点对应的工业机器人的姿态信息）及实际作业信息，其中，实际作业信息包括工业机器人基于预设轨迹作业过程中机械臂的各个关节及末端的振动信息；对工业机器人基于预设轨迹作业过程中机械臂的各个关节及末端的振动信息，进行去噪处理，生成去噪后的工业机器人基于预设轨迹作业过程中机械臂的各个关节及末端的振动信息。
24.具体的，可以在工业机器人的机械臂的各个关节及末端均安装振动感应设备，用于获取工业机器人基于预设轨迹作业过程中机械臂的各个关节及末端的振动信息。
25.图3是本技术一实施例中示出的进行去噪处理的流程图，如图3所示，在一些实施例中，对工业机器人基于预设轨迹作业过程中机械臂的各个关节及末端的振动信息，进行去噪处理，包括：对于机械臂的每个关节或末端，基于振动信息，生成振动曲线；将振动曲线分解为至少一个振动内涵模态分量和一个振动残差；通过噪声确定模型基于至少一个振动内涵模态分量和一个振动残差，确定目标振动内涵模态分量，其中，目标振动内涵模态分量为包含有噪声的振动内涵模态分量，噪声确定模型可以为卷积神经网络（cnn）、深度神经网络（dnn）、循环神经网络（rnn）、多层神经网络（mlp）、生成对抗神经网络（gan）等一种或其任意组合；通过去噪模型对目标振动内涵模态分量进行去噪处理，获取去噪后的目标振动内涵模态分量，去噪模型可以为卷积神经网络（cnn）、深度神经网络（dnn）、循环神经网络（rnn）、多层神经网络（mlp）、生成对抗神经网络（gan）等一种或其任意组合；基于去噪后的目标振动内涵模态分量，生成去噪后的振动信息。
26.具体的，将振动曲线分解为至少一个振动内涵模态分量和一个振动残差可以包括以下步骤：s1、根据振动曲线的上下极值点，确定上、下包络线；s2、求上、下包络线的均值，确定振动曲线的均值包络线；s3、振动曲线减均值包络线，得到中间信号；
s4、判断该中间信号是否满足两个约束条件，如果满足，该信号就是一个振动内涵模态分量；如果不是，以该中间信号为新的振动曲线，重复s1-s4，其中，两个约束条件包括：1、在整个数据段内，极值点的个数和过零点的个数必须相等或相差最多不能超过一个；2、在任意时刻，由局部极大值点形成的上包络线和由局部极小值点形成的下包络线的平均值为零，即上、下包络线相对于时间轴局部对称;s5、使用上述方法得到第一个振动内涵模态分量后，用振动曲线减振动内涵模态分量，作为新的振动曲线，重复s1-s4，可以得到第二个振动内涵模态分量，以此类推，完成振动曲线的分解。
27.图4是本技术一实施例中示出的生成多个第一训练样本的流程图，如图4所示，在一些实施例中，基于工业机器人的历史作业数据，生成多个第一训练样本，包括：基于工业机器人的历史作业数据，生成第二训练样本，其中，第二训练样本可以包括历史作业的任务相关信息（例如，作业起始点、作业结束点及多个目标作业点等），第二训练样本的标签可以为历史作业对应的预设轨迹（例如，多个预设轨迹点及每个预设轨迹点对应的工业机器人的姿态信息）及实际作业信息；基于第二训练样本，建立样本生成模型，其中，样本生成模型可以为gan（generative adversarial network）模型，样本生成模型的输入可以为虚拟作业的任务相关信息（例如，作业起始点、作业结束点及多个目标作业点等），样本生成模型的输出可以为虚拟作业对应的虚拟预设轨迹（例如，多个虚拟预设轨迹点及每个虚拟预设轨迹点对应的工业机器人的虚拟姿态信息）及虚拟作业信息；基于工业机器人的历史作业数据，生成多个真实训练样本，其中，真实训练样本可以包括历史作业对应的预设轨迹及实际作业信息，真实训练样本的标签可以为历史作业对应的预设轨迹中的振动异常轨迹点；基于样本生成模型，生成多个虚拟训练样本，虚拟训练样本包括虚拟作业对应的虚拟预设轨迹（例如，多个虚拟预设轨迹点及每个虚拟预设轨迹点对应的工业机器人的虚拟姿态信息）及虚拟作业信息，虚拟训练样本的标签可以为虚拟预设轨迹中的振动异常轨迹点，其中，多个第一训练样本包括多个真实训练样本及多个虚拟训练样本。
28.在一些实施例中，可以通过以下步骤确定异常轨迹点：对于每一个轨迹点，确定该轨迹点对应的时间段内机械臂的各个关节及末端的振动信息，其中，轨迹点对应的时间段可以为以工业机器人执行达到该轨迹点的指令的时间点为中心的、具备预设时间长度的时间段，基于该轨迹点对应的时间段的振动信息，确定工业机器人的机械臂的各个关节及末端在该时间段的振动频率和振动幅度，判断该轨迹点是否为异常轨迹点。例如，存在至少一个关节或末端的振动频率大于预设振动频率阈值和/或振动幅度大于预设振动幅度阈值时，可以确定该轨迹点为异常轨迹点。
29.步骤120，通过蒙特卡洛模型基于约束条件集和工业机器人的任务相关信息，生成多条候选轨迹。
30.候选轨迹包括多个候选轨迹点及每个候选轨迹点对应的工业机器人的姿态信息。
31.在一些实施例中，约束条件集至少包括加速度约束、关节角度约束、路径长度约束及与障碍物的最短距离约束，其中，加速度约束可以包括最大加速度约束、最小加速度约束等，关节角度约束可以最大关节角度约束、最小关节角度约束等。
32.步骤130，基于轨迹评估体系对多条候选轨迹进行第一次筛选，确定多条目标轨迹。
33.在一些实施例中，轨迹评估体系包括多个轨迹评估指标，其中，多个轨迹评估指标至少包括路径长度指标、作业时间指标、作业耗能指标、异常轨迹点数量指标及异常振动持续时间指标。
34.图5是本技术一实施例中示出的进行第一次筛选的流程图，如图5所示，在一些实施例中，基于轨迹评估体系对多条候选轨迹进行第一次筛选，确定多条目标轨迹，包括：对于每条候选轨迹，基于候选轨迹包括的多个候选轨迹点及每个候选轨迹点对应的工业机器人的姿态信息，确定候选轨迹在多个轨迹评估指标的得分；对于每条候选轨迹，基于候选轨迹在多个轨迹评估指标的得分及每个轨迹评估指标对应的权重，确定候选轨迹对应的优先分值；基于每条候选轨迹对应的优先分值，对多条候选轨迹进行第一次筛选，确定多条目标轨迹。
35.可以理解的，候选轨迹的路径长度越长，该候选轨迹在路径长度指标的得分越低，候选轨迹对应的作业时间越长，该候选轨迹在作业时间指标的得分越低，候选轨迹对应的作业耗能越高，该候选轨迹在作业耗能指标的得分越低，候选轨迹的异常轨迹点越多，该候选轨迹在异常轨迹点数量指标的得分越低，候选轨迹的异常振动持续时间越长，该候选轨迹在异常振动持续时间指标的得分越低。
36.在一些实施例中，可以通过以下步骤计算候选轨迹对应的异常振动持续时间：计算任意两个相邻振动异常轨迹点对应的时间点之间的时间差；基于任意两个相邻振动异常轨迹点对应的时间点之间的时间差，对多个轨迹点进行聚类，确定多个第一聚类簇，具体的，当该任意两个相邻振动异常轨迹点对应的时间点之间的时间差小于预设时间差阈值时，可以将该两个相邻振动异常轨迹点聚类在一个第一聚类簇；对于每个第一聚类簇，基于任意两个相邻的第一聚类簇的聚类中心对应的时间点之间的时间差，进行第二次聚类，确定多个第二聚类簇,对多个第二聚类簇进行第三次聚类，经过多次聚类后，最终生成的多个目标聚类簇满足预设聚类终止要求，即完成了聚类，其中，预设聚类终止要求可以为任意两个相邻的目标聚类簇的聚类中心对应的时间点之间的时间差大于或等于预设时间差阈值；对于每个目标聚类簇，可以基于该目标聚类簇包括的多个振动异常轨迹点对应的时间点的先后顺序，确定该目标聚类簇对应的异常振动持续时间段；基于每个目标聚类簇对应的异常振动持续时间段，计算候选轨迹对应的异常振动持续时间。
37.仅作为示例，可以基于以下公式计算候选轨迹对应的异常振动持续时间：
38.其中，为第i条候选轨迹对应的异常振动持续时间的长度，为第i条候选轨迹对应的第m个目标聚类簇对应的异常振动持续时间段的长度，m为第i条候选轨迹
对应的目标聚类簇的总数。
39.仅作为示例，可以通过以下公式基于候选轨迹在多个轨迹评估指标的得分及每个轨迹评估指标对应的权重，确定候选轨迹对应的优先分值：
40.其中，为第i条候选轨迹对应的优先分值，为第i条候选轨迹在第f个轨迹评估指标的得分，为第f个轨迹评估指标对应的权重。
41.在一些实施例中，可以将对应的优先分值大于预设优先分值阈值的候选轨迹作为目标轨迹。
42.步骤140，对于每条目标轨迹，通过多个振动异常预测模型基于目标轨迹包括的多个候选轨迹点及每个候选轨迹点对应的工业机器人的姿态信息，确定目标轨迹中的振动异常轨迹点。
43.在一些实施例中，步骤140可以具体包括：对于每个振动异常预测模型，基于目标轨迹包括的多个候选轨迹点及每个候选轨迹点对应的工业机器人的姿态信息，预测每个候选轨迹点的异常概率；对于每个轨迹点，基于每个振动异常预测模型预测的候选轨迹点的异常概率，判断候选轨迹点是否为异常轨迹点。
44.在一些实施例中，可以每个振动异常预测模型预测的候选轨迹点的异常概率，计算该候选轨迹点的平均异常概率，当平均异常概率大于预设平均异常概率阈值时，该候选轨迹点即为异常轨迹点。
45.例如，可以基于以下公式计算候选轨迹点的平均异常概率：
46.其中，为候选轨迹点的平均异常概率，为为第k个振动异常预测模型对应的权重，为第k个振动异常预测模型预测的候选轨迹点的异常概率，k为振动异常预测模型的总数。
47.在一些实施例中，可以基于每个振动异常预测模型预测的候选轨迹点的异常概率及每个振动异常预测模型对应的权重，其中，振动异常预测模型对应的权重基于方差倒数法确定，具体的，通过误差平方和（sse）的大小来确定权重，sse越大则表明该单一模型预测精度越低，表明其对最终组合模型预报值贡献越低，因此将被赋予较低的加权系数；反之，sse越小则表明该单一模型将被赋予较高的加权系数。方差倒数法公式如下：
48.其中，为第j个振动异常预测模型对应的权重，为第j个振动异常预测模型对应的误差平方和，为第k个振动异常预测模型对应的误差平方和。
49.步骤150，对于每条目标轨迹，通过多个轨迹优化模型基于目标轨迹中的振动异常轨迹点对目标轨迹进行优化，生成优化后的目标轨迹。
50.在一些实施例中，步骤150可以具体包括：对于每个轨迹优化模型，对目标轨迹进行优化，生成优化后的目标轨迹；对每个轨迹优化模型生成的优化后的目标轨迹进行拟合，生成优化后的目标轨迹。
51.例如，可以基于轨迹拟合模型对每个轨迹优化模型生成的优化后的目标轨迹进行拟合，生成优化后的目标轨迹，其中，轨迹拟合模型可以为卷积神经网络（cnn）、深度神经网络（dnn）、循环神经网络（rnn）、多层神经网络（mlp）、生成对抗神经网络（gan）等一种或其任意组合。
52.步骤160，基于轨迹评估体系对多条优化后的目标轨迹进行第二次筛选，确定工业机器人的最优轨迹。
53.具体的，对于每条优化后的目标轨迹，可以计算该优化后的目标轨迹在路径长度指标、作业时间指标、作业耗能指标、异常轨迹点数量指标及异常振动持续时间指标的得分，进而结合目标轨迹在路径长度指标、作业时间指标、作业耗能指标、异常轨迹点数量指标及异常振动持续时间指标对应的权重，计算优化后的目标轨迹对应的优先分值。基于每条优化后的目标轨迹对应的优先分值，确定工业机器人的最优轨迹。例如，可以将对应的优先分值最大的优化后的目标轨迹作为工业机器人的最优轨迹。
54.最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

技术特征：
1.一种基于智能算法的工业机器人轨迹优化的控制方法，其特征在于，包括：建立多个振动异常预测模型及多个轨迹优化模型；通过蒙特卡洛模型基于约束条件集和工业机器人的任务相关信息，生成多条候选轨迹，其中，所述候选轨迹包括多个候选轨迹点及每个所述候选轨迹点对应的工业机器人的姿态信息；基于轨迹评估体系对所述多条候选轨迹进行第一次筛选，确定多条目标轨迹；对于每条所述目标轨迹，通过所述多个振动异常预测模型基于所述目标轨迹包括的多个候选轨迹点及每个所述候选轨迹点对应的工业机器人的姿态信息，确定所述目标轨迹中的振动异常轨迹点；对于每条所述目标轨迹，通过所述多个轨迹优化模型基于所述目标轨迹中的振动异常轨迹点对所述目标轨迹进行优化，生成优化后的目标轨迹；基于所述轨迹评估体系对多条所述优化后的目标轨迹进行第二次筛选，确定所述工业机器人的最优轨迹。2.根据权利要求1所述的一种基于智能算法的工业机器人轨迹优化的控制方法，其特征在于，所述建立多个振动异常预测模型，包括：获取所述工业机器人的历史作业数据；基于所述工业机器人的历史作业数据，生成多个第一训练样本；基于所述多个训练样本，建立所述多个振动异常预测模型。3.根据权利要求2所述的一种基于智能算法的工业机器人轨迹优化的控制方法，其特征在于，所述获取所述工业机器人的历史作业数据，包括：获取多个历史作业对应的预设轨迹及实际作业信息，其中，所述实际作业信息包括所述工业机器人基于所述预设轨迹作业过程中机械臂的各个关节及末端的振动信息；对所述工业机器人基于所述预设轨迹作业过程中机械臂的各个关节及末端的振动信息，进行去噪处理，生成去噪后的所述工业机器人基于所述预设轨迹作业过程中机械臂的各个关节及末端的振动信息。4.根据权利要求3所述的一种基于智能算法的工业机器人轨迹优化的控制方法，其特征在于，所述对所述工业机器人基于所述预设轨迹作业过程中机械臂的各个关节及末端的振动信息，进行去噪处理，包括：对于所述机械臂的每个关节或末端，基于所述振动信息，生成振动曲线；将所述振动曲线分解为至少一个振动内涵模态分量和一个振动残差；通过噪声确定模型基于所述至少一个振动内涵模态分量和一个振动残差，确定目标振动内涵模态分量，其中，所述目标振动内涵模态分量为包含有噪声的振动内涵模态分量；通过去噪模型对所述目标振动内涵模态分量进行去噪处理，获取去噪后的目标振动内涵模态分量；基于去噪后的目标振动内涵模态分量，生成去噪后的振动信息。5.根据权利要求3所述的一种基于智能算法的工业机器人轨迹优化的控制方法，其特征在于，所述基于所述工业机器人的历史作业数据，生成多个第一训练样本，包括：基于所述工业机器人的历史作业数据，生成第二训练样本；
基于所述第二训练样本，建立样本生成模型；基于所述工业机器人的历史作业数据，生成多个真实训练样本；基于所述样本生成模型，生成多个虚拟训练样本，其中，所述多个第一训练样本包括所述多个真实训练样本及所述多个虚拟训练样本。6.根据权利要求1-5中任意一项所述的一种基于智能算法的工业机器人轨迹优化的控制方法，其特征在于，所述轨迹评估体系包括多个轨迹评估指标，其中，所述多个轨迹评估指标至少包括路径长度指标、作业时间指标、作业耗能指标、异常轨迹点数量指标及异常振动持续时间指标；所述基于轨迹评估体系对所述多条候选轨迹进行第一次筛选，确定多条目标轨迹，包括：对于每条所述候选轨迹，基于所述候选轨迹包括的多个候选轨迹点及每个所述候选轨迹点对应的工业机器人的姿态信息，确定所述候选轨迹在所述多个轨迹评估指标的得分；对于每条所述候选轨迹，基于所述候选轨迹在所述多个轨迹评估指标的得分及每个所述轨迹评估指标对应的权重，确定所述候选轨迹对应的优先分值；基于所述每条所述候选轨迹对应的优先分值，对所述多条候选轨迹进行第一次筛选，确定所述多条目标轨迹。7.根据权利要求1-5中任意一项所述的一种基于智能算法的工业机器人轨迹优化的控制方法，其特征在于，所述通过所述多个振动异常预测模型基于所述目标轨迹包括的多个候选轨迹点及每个所述候选轨迹点对应的工业机器人的姿态信息，确定所述目标轨迹中的振动异常轨迹点，包括：对于每个所述振动异常预测模型，基于所述目标轨迹包括的多个候选轨迹点及每个所述候选轨迹点对应的工业机器人的姿态信息，预测每个所述候选轨迹点的异常概率；对于每个所述轨迹点，基于每个所述振动异常预测模型预测的所述轨迹点的异常概率，判断所述候选轨迹点是否为异常轨迹点。8.根据权利要求7所述的一种基于智能算法的工业机器人轨迹优化的控制方法，其特征在于，所述基于每个所述振动异常预测模型预测的所述轨迹点的异常概率，判断所述候选轨迹点是否为异常轨迹点，包括：基于每个所述振动异常预测模型预测的所述轨迹点的异常概率及每个所述振动异常预测模型对应的权重，其中，所述振动异常预测模型对应的权重基于方差倒数法确定。9.根据权利要求1-5中任意一项所述的一种基于智能算法的工业机器人轨迹优化的控制方法，其特征在于，所述通过所述多个轨迹优化模型对所述目标轨迹进行优化，生成优化后的目标轨迹，包括：对于每个所述轨迹优化模型，对所述目标轨迹进行优化，生成优化后的目标轨迹；对每个所述轨迹优化模型生成的优化后的目标轨迹进行拟合，生成所述优化后的目标轨迹。10.根据权利要求1-5中任意一项所述的一种基于智能算法的工业机器人轨迹优化的控制方法，其特征在于，所述约束条件集至少包括加速度约束、关节角度约束、路径长度约束及与障碍物的最短距离约束。

技术总结
本发明涉及一种基于智能算法的工业机器人轨迹优化的控制方法，涉及工业机器人领域，包括：建立多个振动异常预测模型及多个轨迹优化模型；通过蒙特卡洛模型基于约束条件集和工业机器人的任务相关信息，生成多条候选轨迹；基于轨迹评估体系对多条候选轨迹进行第一次筛选，确定多条目标轨迹；通过多个振动异常预测模型基于目标轨迹包括的多个候选轨迹点及每个候选轨迹点对应的工业机器人的姿态信息，确定目标轨迹中的振动异常轨迹点；对于每条目标轨迹，通过多个轨迹优化模型对目标轨迹进行优化，生成优化后的目标轨迹；基于轨迹评估体系对多条优化后的目标轨迹进行第二次筛选，确定工业机器人的最优轨迹，具有提高工业机器人的作业质量的优点。的作业质量的优点。的作业质量的优点。


技术研发人员：夏灵根
受保护的技术使用者：千里眼（广州）人工智能科技有限公司
技术研发日：2023.09.13
技术公布日：2023/10/20