本发明属于机器人机械手技术领域,尤其涉及一种机械手及机械手指。
背景技术:
目前,传统机械手运用的装备主要是传统工业机械手,机械手是一种能模仿人手和臂膀的某些动作功能,用以按固定程序抓取、搬运对象或操作工具的自动操作装置。广泛应用于机械制造、冶金、电子、轻工和原子能等部门。机械手主要由手部和运动机构组成。手部是用来抓持工件的部件,根据被抓持对象的形状、尺寸、重量、材料和作业要求而有多种结构形式,如夹持型、托持型和吸附型等。运动机构,使手部完成各种转动、移动或复合运动来实现规定的动作,改变被抓持对象的位置和姿势。但传统的机械手大多没有类似人类的手指灵活度不够,且传感器不足导致工作精度不高。
技术实现要素:
针对现有技术存在的问题,本发明提供了一种机械手指及机械手。
本发明是这样实现的,一种机械手及机械手指,所述机械手及机械手指设置有机械手掌;
所述机械手掌设置有动力系统、控制系统;
所述控制系统由stm32芯片组成,所述动力系统由控制电路和动力源组成;
所述机械手掌前端设置有机械手指,所述机械手指由第一手指关节、第二手指关节组成并均设置有压力传感器、滑觉传感器;
控制系统的控制方法包括:
将多频带协作频谱感知优化问题中的优化变量对应于改进人工蜂群算法中食物源的位置,每个食物源的收益率由优化问题所确定适应度函数决定,跟随蜂或引领蜂的个数与解的个数一致;从一个随机产生的初始种群出发,先是引领蜂对相应食物源的邻域进行一次搜索,搜索到的食物源的花蜜质量比之前的优,用新的食物源的位置替代之前的食物源位置,否则保持旧的食物源位置不变;所有的引领蜂完成搜索之后,回到舞蹈区把食物源花蜜质量的信息通过跳摇摆舞传递给跟随蜂;
控制系统的控制方法具体包括以下步骤:
步骤一,建立多频带协作频谱感知优化模型;
步骤二,初始化参数;包括种群大小,控制参数'limit'和最大迭代次数tmax;初始化迭代次数t=1,随机生成一个含有sn个解的初始种群,每个解xi(i=1,2,...,sn)是一个d维矢量,xi=[ωi,γi],d=(n+1)*k,其中w是控制中心给各用户统计信息所分配的权值因子,γ是判决门限,n是协作感知的用户数,k是子带数目;
步骤三,计算步骤二中每个解的适应度值,所述适应度函数定义为食物源的收益率;根据食物源的收益率记录当前最好的解xbest,g;
步骤四,引领蜂搜索邻域中的食物源,产生新解newi,g+1;
步骤五,利用交叉算子,引领蜂根据步骤四的新解newi,g+1和对应的父代个体xi,g得到试验向量;
步骤六,利用贪婪选择策略从步骤五的试验向量值与原来的食物源之间选择出收益率更高的食物源;计算当前所有食物源的适应度值,并根据适应度值计算每个食物源对应的选择概率;
步骤七,跟随蜂根据步骤六得到的概率选择食物源,并搜索邻域中的食物源,产生新解,并计算适应度值;利用贪婪选择策略在新解和原来的解之间选择出收益率更高的解;
步骤八,判断是否有要放弃的解,即如果某个解经过limit次循环之后没有得到改善,此时对应的引领蜂变成侦察蜂,随机产生一个新解来替代该解;
步骤九,一次迭代结束后,记录当前最好的解;
步骤十,判断迭代次数t是否达到最大迭代次数tmax,若达到,输出全局最优xopt,并根据式fi=rt(1-pf(ωi,γi)),xi=[ωi,γi]得到系统的吞吐量;否则迭代次数t=t+1,重复步骤四~步骤十;
所述滑觉传感器的感应方法包括:
1),计算pareto前沿点,根据相关度和冗余度目标函数计算雷达信号特征个体的适应度,并求出当前字符个体中的pareto前沿点,时间复杂度为
2),初始化外部档案,pareto前沿点数量小于预设数值r,则直接将所有点存入外部档案中;pareto前沿点数量大于预设数值,根据公式
式中,
3),调用分裂规则创建基本膜,完成准备工作后,表层膜内开始分裂生成m个基本膜;分裂基本膜数量m与外部档案的pareto前沿点数量相等;然后将这些存档的pareto前沿点作为该基本膜内种群的最优个体;最后,将其余各个个体放入距离自身最近的pareto前沿点所在基本膜中,时间复杂度为
步骤四,基本膜内独立执行粒子群算法,各个基本膜内,以最先存入外部档案内的pareto前沿点为种群最优个体,运用公式
和公式
5),溶解;完成各自的粒子群算法后,各个基本膜破裂,将新产生的字符(个体)重新释放到表层膜内;
6),计算前沿点,放入外部档案;计算步骤五中所有被释放到表层膜字符的pareto前沿点;并将这些点存入外部档案中;
7),计算非支配排序,更新外部档案,判断外部档案字符数量是否超出限制,如果超出限制,重新档案内所有字符的拥挤距离;从拥挤距离最小的点开始逐一删除,直至外部档案内字符数量与预设数值相等,时间复杂度为
8),迭代,判断当前状态是否满足结束循环的条件;如果不满足,则继续执行步骤3);如果满足,执行输出外部存档内的所有字符步骤。
进一步,计算pareto前沿点前需进行初始化及适应度评估;在表层膜内生成n个字符,表示提取的雷达辐射源信号特征集个数,每个字符包含d维变量,并在满足多目标优化问题约束条件的前提下,依次对n个字符进行初始化,编码方式采用二进制编码方式;个体
vj表示在第j维特征上所有样本取值的方差;当p大于0.5时,该特征易于选中。
进一步,所述表层膜本采用细胞型膜系统,所述细胞型膜系统的结构组成表达式如下:
其中,
整个膜系统处于给定环境中;系统由5个以上相互关联的膜按层次组合而成;最外层的膜被称为表层膜(skinmembrane),而不包含其它膜结构的膜叫做基本膜(elementarymembrane);每个膜所包围的部分被称为区域(regions)。
进一步,所述拥挤距离的计算公式如式所示;
式中,
所述机械手根据仿生原理设置有机械手掌;
所述机械手指的第一手指关节、第一手指关节配合组成一个转动副。
进一步,所述多频带协作频谱感知模型为:
s.t.ct(1-pd(w,γ))≤ε
1-pd(w,γ)≤α
1-pf(w,γ)≥β
其中,w=[ω1,ω2,...,ωk]是权值因子,γ=[γ1,γ2,...γk]是判决门限,k表示子带数目,rt=[r1,r2,...,rk]是实现的吞吐率,ct=[c1,c2,...,ck]是代价系数,ε代表系统总的干扰,α=[α1,α2,...,αk]t表示每个子带的干扰限制,β=[β1,β2,...,βk]t是每个子带实现的最小机会频谱利用率,
是虚警概率,其中第k个子带的虚警概率表示为
是检测概率,其中第k个子带的检测概率表示为
m是检测区间长度,是噪声功率,
gk=[|hk(1)|2,|hk(2)|2,...|hk(n)|2]t是主发送用户和次级接收用户间的信道增益,n表示协作用户的数目;
所述步骤三食物源的收益率计算公式如下:
根据式
得到每个食物源的收益率,其中fi是目标函数f
i=rt(1-pf(ωi,γi));
所述步骤四引领蜂搜索邻域中的食物源,产生新解newi,g+1的计算公式为:根据式引领蜂产生新解,其中i=1,2,...,sn,随机生成r1,r2,r3,r4∈{1,2,...,sn},且满足i≠r1≠r2≠r3≠r4,xbest,g是当前最好的解,变异概率pm∈[0,1],pm=0.5;
所述步骤五利用交叉算子,引领蜂根据步骤四的新解newi,g+1和对应的父代个体xi,g得到试验向量的计算公式为:
根据式
得到试验向量ti,g+1(ti1,g+1,ti2,g+1,...,tid,g+1),其中j=1,2,...,d,rind(i)是从[1,2,...,d]中随机选取的,交叉概率pc∈[0,1],pc=0.9;
所述步骤六中:
根据式
计算出每个食物源的选择概率,跟随蜂根据食物源的收益率大小,按照轮盘赌的选择策略来选择食物源,其中fiti是食物源i的适应度值,即收益率;
所述步骤七中:
根据式跟随蜂产生新解,其中xfol,j是跟随蜂选择的食物源,fol∈{1,2,...sn}和xr1,j,xr2,jr1,r2∈{1,2,...,sn}满足fol≠r1≠r2,三者均通过轮盘赌策略得到,rij是介于-1和1之间的随机数;
所述步骤八的计算公式为:
根据式
某个经过limit次循环没有得到改善的解被该随机产生的新解代替。
本发明的优点及积极效果为:
本发明通过采用仿生似的机械手掌,机械手掌前端设置有机械手指,机械手指由第一手指关节、第二手指关节组成,实现了机械手在仿生学方面的应用,满足了工作工况复杂的要求;通过第二手指关节加装压力传感器和滑觉传感器,提高了动作精度以及准确性,提高机械手的通用性。
与现有技术相比,本发明技术具有更高效的优化性能;本发明以自然界中蜜蜂快速、有效的采蜜方式作为优化问题最优解的搜索策略,能够快速高效地搜索到最优解;本发明中的蜂群不同角色之间在对路径进行选择时,通过信息共享,倾向于选择食物源较为丰富的路径,从而形成正反馈机制,加快了算法的收敛性,故本发明能够以较大概率找到最优解;本发明在搜索最优解的过程中,以并行优化策略代替串行优化策略,提高了搜索效率;本发明在基本人工蜂群算法的基础上引入变异、交叉因子,增加了种群多样性,降低了搜索解陷入局部最优的概率,从而能够有效地搜索到最优解;本发明不需要有先验的知识,结合随机性选择和概率规则进行最优解的搜索,具有鲁棒性和适应性;本发明能够与其它启发式算法混合使用,相较于其它技术,基于本发明技术的多频带协作频谱感知优化问题能够实现更高的系统吞吐量。
本发明在膜计算优化理论的启发下,引入粒子群算法,提出了一种膜框架下的粒子群算法,用于无监督的多目标雷达辐射源信号特征选择问题。在表层膜中,采用非支配排序和拥挤距离机制使算法既保留了多目标粒子群优化算法的快速收敛性,又使解集具备较好的多样性。随后,使用kut与zdt系列测试函数,将算法与mopso、spea2、pesa2算法进行对比测试。在时间复杂度
本发明将膜计算理论与粒子群算法相结合,并利用拥挤度参数优化解的均匀性,提出一种新的算法。新算法在保证与mopso相比具有相近的收敛速度的前提下,提高了解的均匀性和并行性。
本发明的膜粒子群算法多目标特征选择所提取的重要特征子集在snr=4db以上表现出良好的可聚类性,信号之间明显可分,边界清晰无交叠,可以简化分选器的设计,提高分选识别率,有利于工程应用。最后采用传统的fcm聚类算法对信号特征子集(选取最重要的前5个)进行独立100次测试,mpso、nsgaii和spea2算法获得的平均聚类准确性分别为99%,86%,78%。说明所提出的算法的具有较高的分选识别率。
附图说明
图1是本发明提供的机械手及机械手指的整体结构示意图;
图2是本发明提供的机械手指结构示意图;
图3是本发明提供的机械手指控制系统原理图;
图4是本发明提供的机械手指动力系统示意图;
图中:1、第一手指关节;2、连接板;3、控制系统;4、机械手掌;5、转动副;6、动力系统;7、压力传感器和滑觉传感器;8、第二手掌关节;9、stm32芯片;10、控制电路;11、动力源。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,举以下实施例,并配合附图详细说明如下。
如图1-图4所示,本发明实施例提供的机械手及机械手指,所述机械手及机械手指设置有机械手掌4;
所述机械手掌4设置有动力系统6、控制系统3;
所述控制系统3由stm32芯片组成,所述动力系统6由控制电路10和动力源11组成。
所述机械手掌4前端设置有第一手指关节1和第一手指关节8组成的机械手指,所述第一手指关节设置有压力传感器,滑觉传感器7。
所述的机械手及机械手指,其特征在于,所述第一手指关节1和第一手指关节8配合连接组成转动副5;
本发明的工作原理:
使用时,操作者在系统输入处输入指定动作,传递到控制系统3后,控制系统3向动力系统6发出电信号,由动力系统6中的控制电路10把电信号传递给动力源11,向动力源11发出动作指令,从而为机械手提供动力。机械手执行动作后,压力传感器和滑觉传感器7将信号反馈到控制系统3中的stm32芯片9,控制系统3将叠加后的信号处理后,重新输出到第一手指关节1和第一手指关节8。使得机械手及机械手指的运动更加稳定。转动副5可以使得机械手指用于更多的自由度,更加灵活。
控制系统的控制方法包括:
将多频带协作频谱感知优化问题中的优化变量对应于改进人工蜂群算法中食物源的位置,每个食物源的收益率由优化问题所确定适应度函数决定,跟随蜂或引领蜂的个数与解的个数一致;从一个随机产生的初始种群出发,先是引领蜂对相应食物源的邻域进行一次搜索,搜索到的食物源的花蜜质量比之前的优,用新的食物源的位置替代之前的食物源位置,否则保持旧的食物源位置不变;所有的引领蜂完成搜索之后,回到舞蹈区把食物源花蜜质量的信息通过跳摇摆舞传递给跟随蜂;
下面结合具体分析对本发明作进一步描述。
控制系统的控制方法具体包括以下步骤:
步骤一,建立多频带协作频谱感知优化模型;
步骤二,初始化参数;包括种群大小,控制参数'limit'和最大迭代次数tmax;初始化迭代次数t=1,随机生成一个含有sn个解的初始种群,每个解xi(i=1,2,...,sn)是一个d维矢量,xi=[ωi,γi],d=(n+1)*k,其中w是控制中心给各用户统计信息所分配的权值因子,γ是判决门限,n是协作感知的用户数,k是子带数目;
步骤三,计算步骤二中每个解的适应度值,所述适应度函数定义为食物源的收益率;根据食物源的收益率记录当前最好的解xbest,g;
步骤四,引领蜂搜索邻域中的食物源,产生新解newi,g+1;
步骤五,利用交叉算子,引领蜂根据步骤四的新解newi,g+1和对应的父代个体xi,g得到试验向量;
步骤六,利用贪婪选择策略从步骤五的试验向量值与原来的食物源之间选择出收益率更高的食物源;计算当前所有食物源的适应度值,并根据适应度值计算每个食物源对应的选择概率;
步骤七,跟随蜂根据步骤六得到的概率选择食物源,并搜索邻域中的食物源,产生新解,并计算适应度值;利用贪婪选择策略在新解和原来的解之间选择出收益率更高的解;
步骤八,判断是否有要放弃的解,即如果某个解经过limit次循环之后没有得到改善,此时对应的引领蜂变成侦察蜂,随机产生一个新解来替代该解;
步骤九,一次迭代结束后,记录当前最好的解;
步骤十,判断迭代次数t是否达到最大迭代次数tmax,若达到,输出全局最优xopt,并根据式fi=rt(1-pf(ωi,γi)),xi=[ωi,γi]得到系统的吞吐量;否则迭代次数t=t+1,重复步骤四~步骤十;
所述滑觉传感器的感应方法包括:
1),计算pareto前沿点,根据相关度和冗余度目标函数计算雷达信号特征个体的适应度,并求出当前字符个体中的pareto前沿点,时间复杂度为
2),初始化外部档案,pareto前沿点数量小于预设数值r,则直接将所有点存入外部档案中;pareto前沿点数量大于预设数值,根据公式
式中,
3),调用分裂规则创建基本膜,完成准备工作后,表层膜内开始分裂生成m个基本膜;分裂基本膜数量m与外部档案的pareto前沿点数量相等;然后将这些存档的pareto前沿点作为该基本膜内种群的最优个体;最后,将其余各个个体放入距离自身最近的pareto前沿点所在基本膜中,时间复杂度为
步骤四,基本膜内独立执行粒子群算法,各个基本膜内,以最先存入外部档案内的pareto前沿点为种群最优个体,运用公式
和公式
5),溶解;完成各自的粒子群算法后,各个基本膜破裂,将新产生的字符(个体)重新释放到表层膜内;
6),计算前沿点,放入外部档案;计算步骤五中所有被释放到表层膜字符的pareto前沿点;并将这些点存入外部档案中;
7),计算非支配排序,更新外部档案,判断外部档案字符数量是否超出限制,如果超出限制,重新档案内所有字符的拥挤距离;从拥挤距离最小的点开始逐一删除,直至外部档案内字符数量与预设数值相等,时间复杂度为
8),迭代,判断当前状态是否满足结束循环的条件;如果不满足,则继续执行步骤3);如果满足,执行输出外部存档内的所有字符步骤。
进一步,计算pareto前沿点前需进行初始化及适应度评估;在表层膜内生成n个字符,表示提取的雷达辐射源信号特征集个数,每个字符包含d维变量,并在满足多目标优化问题约束条件的前提下,依次对n个字符进行初始化,编码方式采用二进制编码方式;个体
vj表示在第j维特征上所有样本取值的方差;当p大于0.5时,该特征易于选中。
所述表层膜本采用细胞型膜系统,所述细胞型膜系统的结构组成表达式如下:
其中,
整个膜系统处于给定环境中;系统由5个以上相互关联的膜按层次组合而成;最外层的膜被称为表层膜(skinmembrane),而不包含其它膜结构的膜叫做基本膜(elementarymembrane);每个膜所包围的部分被称为区域(regions)。
所述拥挤距离的计算公式如式所示;
式中,
所述机械手根据仿生原理设置有机械手掌;
所述机械手指的第一手指关节、第一手指关节配合组成一个转动副。
所述多频带协作频谱感知模型为:
s.t.ct(1-pd(w,γ))≤ε
1-pd(w,γ)≤α
1-pf(w,γ)≥β
其中,w=[ω1,ω2,...,ωk]是权值因子,γ=[γ1,γ2,...γk]是判决门限,k表示子带数目,rt=[r1,r2,...,rk]是实现的吞吐率,ct=[c1,c2,...,ck]是代价系数,ε代表系统总的干扰,α=[α1,α2,...,αk]t表示每个子带的干扰限制,β=[β1,β2,...,βk]t是每个子带实现的最小机会频谱利用率,
是虚警概率,其中第k个子带的虚警概率表示为
是检测概率,其中第k个子带的检测概率表示为
m是检测区间长度,是噪声功率,
gk=[|hk(1)|2,|hk(2)|2,...|hk(n)|2]t是主发送用户和次级接收用户间的信道增益,n表示协作用户的数目;
所述步骤三食物源的收益率计算公式如下:
根据式
得到每个食物源的收益率,其中fi是目标函数f
i=rt(1-pf(ωi,γi));
所述步骤四引领蜂搜索邻域中的食物源,产生新解newi,g+1的计算公式为:根据式引领蜂产生新解,其中i=1,2,...,sn,随机生成r1,r2,r3,r4∈{1,2,...,sn},且满足i≠r1≠r2≠r3≠r4,xbest,g是当前最好的解,变异概率pm∈[0,1],pm=0.5;
所述步骤五利用交叉算子,引领蜂根据步骤四的新解newi,g+1和对应的父代个体xi,g得到试验向量的计算公式为:
根据式
得到试验向量ti,g+1(ti1,g+1,ti2,g+1,...,tid,g+1),其中j=1,2,...,d,rind(i)是从[1,2,...,d]中随机选取的,交叉概率pc∈[0,1],pc=0.9;
所述步骤六中:
根据式
计算出每个食物源的选择概率,跟随蜂根据食物源的收益率大小,按照轮盘赌的选择策略来选择食物源,其中fiti是食物源i的适应度值,即收益率;
所述步骤七中:
根据式跟随蜂产生新解,其中xfol,j是跟随蜂选择的食物源,fol∈{1,2,...sn}和xr1,j,xr2,jr1,r2∈{1,2,...,sn}满足fol≠r1≠r2,三者均通过轮盘赌策略得到,rij是介于-1和1之间的随机数;
所述步骤八的计算公式为:
根据式
某个经过limit次循环没有得到改善的解被该随机产生的新解代替。
以上所述仅是对本发明的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。