本發(fā)明涉及林業(yè)裝備和人工智能，尤其涉及一種用于攀爬修枝作業(yè)機器人動態(tài)多目標協(xié)同優(yōu)化方法。

背景技術(shù)：

1、我國林木占地面積廣，作業(yè)量大，林木產(chǎn)業(yè)發(fā)展迅速。在林木生長過程中，需要對樹木進行合理修枝，以此提高木材的品質(zhì)和產(chǎn)量，提升林木的經(jīng)濟效益。目前，林木修枝作業(yè)主要以人工為主，勞動強度大、效率低且危險性較高。隨著機器人技術(shù)水平的不斷提高，林木修枝作業(yè)對林業(yè)設(shè)備的機械化和自動化提出了新的要求，智能攀爬機器人將成為大面積立木整枝作業(yè)的重要手段。

2、近年來，不少研究機構(gòu)對樹木修枝機進行了研究，北京林業(yè)大學(xué)設(shè)計了一款螺旋式上升的立木整枝機，采用彈性夾緊機構(gòu)進行抱樹夾持，傳動機構(gòu)為純機械式，控制方式為人工遙控操作，整機自動化程度較低；山東林業(yè)大學(xué)研制了一款適應(yīng)速生林的螺旋攀爬修枝機器人，采用pid控制解決了修枝機器人爬升過程中的傾斜問題；廣西大學(xué)設(shè)計了一款沿著樹干螺旋爬升的爬樹修枝機，對于具有輸入死區(qū)的非線性系統(tǒng)的螺旋式攀爬修枝機，利用rbfnns神經(jīng)網(wǎng)絡(luò)逼近未知非線性函數(shù)，構(gòu)造了控制系統(tǒng)的虛擬控制信號和自適應(yīng)控制律，實現(xiàn)機器人抱樹、攀爬以及刀具切割速度的自適應(yīng)控制；基于事件觸發(fā)機制提出一種自適應(yīng)閾值策略的控制方法，極大地提高控制系統(tǒng)的效率和能源利用率，從而進一步提高爬樹修枝設(shè)備的工作效率和自動化水平。

3、目前國內(nèi)研發(fā)的修枝機型基本處于人工遙控機械化作業(yè)模式，自動化、智能化程度不高。修枝機器人是非線性、多變量強耦合和不確定性的復(fù)雜系統(tǒng)，不僅要求攀爬過程良好的自適應(yīng)性，還要求攀爬與修枝過程運行協(xié)調(diào)控制與高效作業(yè)，但由于系統(tǒng)工作過程復(fù)雜，不確定性影響機理不清，無法在協(xié)同優(yōu)化控制算法設(shè)計時將多種環(huán)境與工況的不確定性全部納入考慮，在機器人具體執(zhí)行任務(wù)的過程中，模型的變化與不確定性、機構(gòu)之間的耦合、轉(zhuǎn)動系統(tǒng)的各種摩擦力、外界環(huán)境工況變化等多種因素影響使得機器人全局協(xié)同優(yōu)化建模非常困難，是目前攀爬自主作業(yè)機器人技術(shù)瓶頸問題。

4、本發(fā)明提出了一種基于不確定性分析的攀爬作業(yè)機器人動態(tài)多目標協(xié)同優(yōu)化方法，以機器人作業(yè)過程穩(wěn)定運行與高效作業(yè)為目標，基于深度數(shù)據(jù)驅(qū)動算法，分析影響因素不確定的攀爬修枝機器人系統(tǒng)特性、作業(yè)狀態(tài)與環(huán)境工況相互耦合作用有效協(xié)調(diào)機制，建立復(fù)雜環(huán)境工況條件下機器人動態(tài)多目標協(xié)同優(yōu)化模型及求解方法，實現(xiàn)作業(yè)過程攀爬、抱緊、修枝等各機構(gòu)的協(xié)同優(yōu)化控制，提高攀爬修枝機器人整機綜合性能，提升爬樹修枝設(shè)備的工作效率、自動化和智能化水平。

技術(shù)實現(xiàn)思路

1、為實現(xiàn)上述目的，本發(fā)明的技術(shù)方案為：

2、一種攀爬作業(yè)機器人動態(tài)多目標協(xié)同優(yōu)化方法，包括以下步驟：

3、分析攀爬作業(yè)機器人工作原理。確定攀爬作業(yè)機器人全局優(yōu)化目標，將機器人整機復(fù)雜優(yōu)化問題分解為攀爬、修枝、抱緊等多個子優(yōu)化問題，挖掘各子優(yōu)化問題間的不確定約束規(guī)律，構(gòu)建攀爬作業(yè)機器人動態(tài)多目標協(xié)同優(yōu)化模型，確定其求解方法，獲取作業(yè)過程機器人全局最優(yōu)運行參數(shù)。

4、根據(jù)攀爬作業(yè)機器人作業(yè)流程與作業(yè)指標確定其運動學(xué)特性與動力學(xué)特性優(yōu)化變量，所述運動學(xué)特性優(yōu)化變量包括攀爬速度v攀、攀爬加速度α攀、攀爬位移x攀、主動輪角速度ω輪和主動輪角加速度α輪，所述動力學(xué)特性優(yōu)化變量包括攀爬臂夾緊力f夾、攀爬臂摩擦力f摩與主動輪電機輸出扭矩t電機；定義優(yōu)化變量xp＝[x1，x2，x3...xn]t，其中xp為優(yōu)化變量，是一個以加速度、速度、作用力、功率、加速度影響系數(shù)、速度影響系數(shù)構(gòu)成的矩陣，xn∈[1，n]；

5、根據(jù)攀爬作業(yè)機器人作業(yè)過程獲取其運動學(xué)方程與動力學(xué)方程；

6、根據(jù)攀爬作業(yè)機器人作業(yè)要求建立作業(yè)效率最大化優(yōu)化目標函數(shù)與穩(wěn)定性最大化優(yōu)化目標函數(shù)；

7、利用機理分析方法確定運動學(xué)特性與動力學(xué)特性優(yōu)化變量的約束條件，所述約束條件包括樹木的直徑r、攀爬速度v攀和夾緊力f；

8、根據(jù)虛擬樣機實驗數(shù)據(jù)、物理樣機試驗數(shù)據(jù)與實際運行數(shù)據(jù)，以攀爬作業(yè)機器人作業(yè)指標為輸出，以優(yōu)化變量及其它因素作為輸入，利用深度數(shù)據(jù)驅(qū)動算法獲得攀爬作業(yè)機器人關(guān)鍵指標回歸分析數(shù)據(jù)模型，并描述優(yōu)化變量與不確定性因素之間約束關(guān)系，獲得優(yōu)化變量不確定性約束條件；

9、以攀爬作業(yè)機器人作業(yè)效率高、穩(wěn)定性高和自適應(yīng)性強為系統(tǒng)全局協(xié)同優(yōu)化目標，利用歸一化方法、多目標優(yōu)化方法與熵權(quán)客觀賦值法建立系統(tǒng)全局協(xié)同優(yōu)化模型；

10、利用多模態(tài)自適應(yīng)差分進化算法求解系統(tǒng)全局協(xié)同優(yōu)化模型，獲得優(yōu)化變量的最佳解集

11、所述攀爬作業(yè)機器人用于完成自動攀爬和定點修枝的任務(wù)，所述運動學(xué)方程用于分析攀爬及修枝的運動，表示如下：

12、

13、式中，hp為修枝機所攀爬的高度，h1表示作業(yè)點高度，h0表示開始點高度；ld表示刀具隨樹木直徑變化所要調(diào)節(jié)的距離，d0為起始點處樹干直徑，d為作業(yè)處樹干直徑；為樹木每單位高度直徑減小率，d1為某處高度樹木直徑。

14、所述動力學(xué)方程用于定義攀爬作業(yè)機器人攀爬過程中的夾緊力與電機提供的驅(qū)動力及驅(qū)動力矩的要求，所述動力學(xué)方程表示如下：

15、

16、式中，f為夾緊力，fx1為第一夾緊輪法向力，fx2為第二夾緊輪法向力；fm為電機提供的驅(qū)動力，fg為法向阻力，g為攀爬作業(yè)機器人重量，fj加速阻力；tm為驅(qū)動力矩，tg為克服滾動阻力所需力矩，tg為克服重力所需力矩，tj為克服加速阻力所需力矩。

17、所述作業(yè)效率最大化優(yōu)化目標函數(shù)表示如下：

18、

19、式中，f1(x)表示作業(yè)效率函數(shù)，x表示優(yōu)化變量，pi(x)表示作業(yè)任務(wù)完成指標函數(shù)，qi(x)表示單任務(wù)耗電指標函數(shù)，ri(x)表示協(xié)同指標函數(shù)，p表示總?cè)蝿?wù)量化系數(shù)，q表示總?cè)蝿?wù)電量損失實驗值，r表示經(jīng)驗協(xié)同量化值，λ1、λ2與λ3均表示權(quán)重系數(shù)，n1表示有效作業(yè)數(shù)，n2表示耗電任務(wù)數(shù)，n3表示協(xié)同作業(yè)數(shù)；

20、所述穩(wěn)定性最大化優(yōu)化目標函數(shù)表示如下：

21、

22、式中，f2(x)表示穩(wěn)定性函數(shù)，x表示優(yōu)化變量，ti(x)表示部件電機輸出扭矩脈動函數(shù)，ei(x)表示作業(yè)效率波動函數(shù)，fi(x)表示攀爬驅(qū)動力函數(shù)，ts表示經(jīng)驗期望值，es表示作業(yè)效率指標，fs表示攀爬控制驅(qū)動力，fr表示攀爬驅(qū)動力經(jīng)驗回歸值，λ4、λ5與λ5均表示權(quán)重系數(shù)，n4表示電機數(shù)量，n5表示作業(yè)任務(wù)數(shù)量，n6表示驅(qū)動力來源數(shù)。

23、所述運動學(xué)特性與動力學(xué)特性優(yōu)化變量的約束條件具體包括：

24、樹木的直徑r需滿足：

25、rmin≤r≤rmax，

26、式中，rmax和rmin分別表示樹干的最大半徑以及最小半徑；

27、攀爬作業(yè)機器人的攀爬速度v需滿足：

28、vmin≤v≤vmax，

29、式中，vmin和vmax分別表示攀爬作業(yè)機器人的最小速度和最大速度；

30、攀爬作業(yè)機器人推桿的夾緊力f需滿足：

31、fmin≤f≤fmax，

32、式中，fmin和fmax分別表示推桿的最小夾緊力與最大夾緊力。

33、在描述優(yōu)化變量與不確定性因素之間約束關(guān)系前，分析攀爬作業(yè)過程的不確定性因素：

34、依據(jù)機器人工作原理、仿真和實驗數(shù)據(jù)，分析機器人的運動軌跡、運動姿態(tài)、工作空間、作業(yè)過程相關(guān)的不確定性影響因素及其來源；

35、運用深度數(shù)據(jù)驅(qū)動算法挖掘考慮極限工況下機器人作業(yè)過程不確定性因素影響機制，建立機器人運動學(xué)特性參數(shù)和動力學(xué)特性參數(shù)以及控制系統(tǒng)參數(shù)相互耦合與相互影響機制，分析環(huán)境工況變化、模型中參數(shù)不確定性和時變特性對系統(tǒng)作業(yè)性能的影響規(guī)律。

36、根據(jù)極限工況下機器人作業(yè)過程不確定性因素影響特征，結(jié)合高維空間卷積、高維空間映射、動態(tài)約束滲透與特征抽取構(gòu)造優(yōu)化問題的具體約束條件，將特征建模、數(shù)據(jù)演變規(guī)律、作業(yè)狀態(tài)映射與遞推演算方法深度融合獲取優(yōu)化變量的數(shù)值范圍，以深度核極限學(xué)習(xí)機為載體構(gòu)建攀爬修枝機器人動態(tài)多目標協(xié)同優(yōu)化模型關(guān)鍵指標回歸分析數(shù)據(jù)模型。

37、所述優(yōu)化變量不確定性約束條件表示如下：

38、

39、式中，xp優(yōu)化變量，是一個以加速度、速度、作用力、功率、加速度影響系數(shù)、速度影響系數(shù)等構(gòu)成的矩陣，up表示協(xié)同系數(shù)向量，由優(yōu)化問題決定，utoatal表示協(xié)同系數(shù)的累加值向量，由up與累加規(guī)則決定；f()為協(xié)同系數(shù)向量特征映射函數(shù)，d(xp)表示與運動速度有關(guān)的約束條件函數(shù)式，s(xp)表示優(yōu)化變量的狀態(tài)值計算函數(shù)，w(xp)為優(yōu)化變量的經(jīng)驗約束公式，h(xp)為經(jīng)驗約束函數(shù)與協(xié)同系數(shù)特征的評價函數(shù)，r(xp)表示相關(guān)系數(shù)的計算函數(shù)，α、β、γ為相關(guān)計算系數(shù)，a、b、c為經(jīng)驗系數(shù)，v、w是與評價體系有關(guān)的系數(shù)。

40、所述系統(tǒng)全局協(xié)同優(yōu)化模型表示如下：

41、

42、式中，xp是優(yōu)化變量，ω(xp)表示優(yōu)化函數(shù)，up表示協(xié)同系數(shù)向量，utoatal表示協(xié)同系數(shù)的累加值向量，f()為協(xié)同系數(shù)向量特征映射函數(shù)，d(xp)表示與運動速度有關(guān)的約束條件函數(shù)式，θ(xp)表示與不確定性特征有關(guān)的函數(shù)式，s(xp)表示優(yōu)化變量的狀態(tài)值計算函數(shù)，w(xp)為優(yōu)化變量的經(jīng)驗約束公式，h(xp)為經(jīng)驗約束函數(shù)與協(xié)同系數(shù)特征的評價函數(shù)，r(xp)表示相關(guān)系數(shù)的計算函數(shù)，α、β、γ為相關(guān)計算系數(shù)，a、b、c為經(jīng)驗系數(shù)，v、w是與評價體系有關(guān)的系數(shù)。

43、多目標優(yōu)化算法求解過程中，針對多目標優(yōu)化算法求解過程復(fù)雜性，基于懲罰違背約束條件的優(yōu)化解，構(gòu)造不確定性多目標優(yōu)化問題求解代價函數(shù)，評價求解過程解的合理性，所述代價函數(shù)表示如下：

44、

45、式中，fb表示基本適應(yīng)度計算式，其優(yōu)化目標函數(shù)構(gòu)造而成，fg(x)表示適應(yīng)度函數(shù)，δ是一個小常數(shù)，避免計算過程分母為0，zi表示違背最大加速度限制的懲罰因子，當(dāng)加速度大于物理限制值時，將被賦予相應(yīng)的懲罰系數(shù)，vi表示違背最大限速的懲罰因子，當(dāng)運行速度大于最大限速時，將被賦予相應(yīng)的懲罰系數(shù)，ai表示加速度變化率違背加速度變化限制條件的懲罰因子，當(dāng)加速度幅值變化率大于指定閾值時，將被賦予相應(yīng)的懲罰系數(shù)，ti表示違背最大動力限制的懲罰因子，當(dāng)平均動力大小大于物理限制值時，將被賦予相應(yīng)的懲罰系數(shù)。

46、利用多模態(tài)自適應(yīng)差分進化算法求解系統(tǒng)全局協(xié)同優(yōu)化模型過程如下：

47、以鄰域最佳適應(yīng)度重構(gòu)差分進化算法縮放因子，并將其與交叉算子相結(jié)合對差分進化算法個體實施變異；

48、利用智能推演算法計算各個個體的協(xié)同評價指標協(xié)同度，按照協(xié)同度的大小在每個搜索過程中單獨方向上搜索優(yōu)化解，經(jīng)過一定次數(shù)迭代后，完成對多目標優(yōu)化問題優(yōu)化解的排序，最終選取協(xié)同度最大對應(yīng)的解作為此優(yōu)化問題的滿意解。

49、所述獲得優(yōu)化變量的最佳解集過程包括：

50、優(yōu)化問題為求解系統(tǒng)全局協(xié)同優(yōu)化模型，優(yōu)化問題的滿意解為：

51、

52、ψ(xp)＝aφ(upa)+bf(s，pa)xp+cs(xp)，

53、式中，ψ(xp)表示優(yōu)化問題的優(yōu)化條件，upa表示優(yōu)化問題解集的協(xié)同評價指標標志值向量，由具體優(yōu)化問題決定，φ(upa)表示協(xié)同評價向量到解空間的特征映射函數(shù)，計算結(jié)果是一個向量或者矩陣，s表示評價過程的量化系數(shù)，f(s，upa)表示協(xié)同評價指標標志值向量upa的量化函數(shù)，s(xp)表示優(yōu)化問題解集正則化函數(shù)；

54、最后得到優(yōu)化問題的解集，即：

55、

56、本發(fā)的有益效果在于：

57、目前對攀爬修枝機器人的研究主要集中在對攀爬結(jié)構(gòu)設(shè)計的創(chuàng)新、攀爬過程運動學(xué)分析、動力學(xué)建模和路徑規(guī)劃、避障控制等，針對提升整機綜合協(xié)調(diào)性能的爬樹修枝機器人全局協(xié)同優(yōu)化與作業(yè)過程自適應(yīng)控制理論方法依然缺乏，機器人攀爬修枝作業(yè)高效率、穩(wěn)定性與自適應(yīng)性矛盾突出。同時盡管國內(nèi)外針對工業(yè)機器人以及一些移動作業(yè)機器人的協(xié)同優(yōu)化與自適應(yīng)控制有了不少研究，但由于每種機器人工作特性、工作機理和作業(yè)環(huán)境工況等并不相同，機器人內(nèi)部及外部因素相互耦合作用的不確定影響機制不同、問題變化種類繁多，很難有一種通用的動態(tài)多目標優(yōu)化與控制的方法適用于解決各類機器人的多目標全局優(yōu)化與自適應(yīng)控制難題。

58、本發(fā)明基于不確定性分析的動態(tài)多目標全局協(xié)同優(yōu)化方法，綜合考慮了立木攀爬修枝機器人機械系統(tǒng)、運動學(xué)和動力學(xué)系統(tǒng)、控制系統(tǒng)以及環(huán)境工況相互耦合作用機制，以及不確定因素的影響作用，能有效消除修枝機器人內(nèi)部及外部不確定性，極大提高其系統(tǒng)全局協(xié)調(diào)性能和控制性能，對大幅度提高攀爬修枝機器人整機綜合性能具有非常重要意義。