基于机器学习的工业机器人多目标轨迹规划OA北大核心CSTPCD

为满足机器人工作轨迹的多样化需求,以时间、能量及冲击为优化目标提出了一种新的多目标麻雀搜索算法,用于寻找机器人的最优轨迹。首先,通过7次B样条插值方法构造关节空间轨迹,以此确立多目标综合最优轨迹规划模型。其次,采用违反约束度计算、非支配排序以及精英保留来改进麻雀搜索算法,使其能够处理机器人多目标轨迹规划问题。最后,用袋装树分类算法对随机种群内数据进行了筛选,并搭建5层BP神经网络来替代改进多目标麻雀搜索算法中适应度值的数值计算部分,从而提高算法求解效率。通过MATLAB仿真与实验证明了该算法优化所得轨迹的可行性及有效性。