Research on kinematic parameters optimization of robot arm based on random forest Bayesian optimization
-
摘要: 机械臂作为生产系统中的重要物流设备之一，在新产品投产前，需要对其未知的上下料轨迹及其运动参数进行寻优配置或整定，以找到适应于该产品的最优物流参数配置方案；但目前在机械臂的运动参数优化方面仍存在着优化时间成本较高、优化效果欠佳的问题。面向机械臂安装燃料电池极板工作场景，以机械臂的运动平稳性、绝对定位精度、物流效率的综合归一值为优化目标，采用基于随机森林概率代理模型的贝叶斯优化算法，以ABB IRB 1410机械臂为例，对其关键运动参数进行寻优。将其与高斯过程代理的贝叶斯算法在相同条件下所得实验结果进行了对比。实验表明，在机械臂运动参数优化问题上，随机森林贝叶斯算法相较于高斯贝叶斯算法，综合效果提升了15%。Abstract: As one of the essential logistics equipment in the production system, the robot arm is required to find the optimal configuration for its unknown loading and unloading trajectory and its kinematic parameters before the new product is put into production to find the optimal logistics parameter configuration scheme for the production. However, there are still some problems in optimizing the kinematic parameters of the robot arm, such as high optimization time cost and poor optimization effect. This paper is aimed at the working scenario of installing the fuel cell plate on the ABB IRB 1410 robot arm. The integrated normalized value of the motion stationarity, absolute positioning accuracy, and logistics efficiency of the robot arm is taken as the optimization objective. The Bayesian optimization based on the random forest probability surrogate model is adopted to optimize the critical kinematic parameters. The optimal experimental results are compared with Bayesian optimization based on the Gaussian process surrogate model under the same conditions. The experimental results show that, compared with Gaussian process Bayesian optimization, the comprehensive effect of random forest Bayesian optimization is improved by 15% in optimizing robot arm kinematic parameters.
-
Key words:
- robot arm /
- parameter optimization /
- random forest /
- gaussian process
-
表 2 路径点空间信息表
mm 路径点空间位置 X Y Z 路径起点 107.77 826.77 873.59 路径1插值点 −487.90 724.41 950.58 路径2插值点 −429.90 516.66 711.96 路径3插值点 −429.92 636.15 1 195.84 路径终点 −1 152.33 361.38 769.22 
下载: 导出CSV
表 3 路径线段长度信息
mm 起点—插值点 插值点—终点 路径全长度 路径1 609.28 778.56 1 387.84 路径2 641.39 741.15 1 382.54 路径3 655.20 882.82 1 538.02
下载: 导出CSV
表 4 路径的正交分解
$ {\theta }_{X} $ $ {\theta }_{Y} $ $ {\theta }_{Z} $ $ {\theta }_{X-Y} $ 路径1 0.853 0.466 0.233 0.972 路径2 0.975 0.210 0.077 0.997 路径3 0.818 0.311 0.483 0.875
下载: 导出CSV
表 5 优化参数信息
因素名称 区间下限 区间上限 采样点数 速度$ v $/$ (\mathrm{m}\mathrm{m}/\mathrm{s}) $ 100 700 21 加速度$ a $/(%) 20 100 21 加加速度$ {a}{{'}} $/(%) 20 100 21 路径方案编号$ p $ 1 3 3
下载: 导出CSV
表 7 子指标信息
子指标名称、量纲 区间下限 区间上限 权重信息 时间T/s 0.000 20.000 0.4 振动脉冲指数A/$ 1 $ 0.000 30.000 0.4 位置精度μ/mm 0.000 0.200 0.2
下载: 导出CSV
表 8 高斯过程贝叶斯实验结果
序号 运动参数$ \mathit{x} $ 指标信息 归一指标
$ {y}_{t} $速度/
(mm/s)加速度/
(%)加加速度/
(%)路径
编号时间/
s归一
时间脉冲
指数归一脉冲
指数位置精度/
mm归一位置
精度初始点 1 100 20 20 1 17.787 0.839 5.910 0.197 0.014 0.070 0.449 2 250 40 40 2 5.987 0.299 11.252 0.375 0.064 0.320 0.334 3 400 60 60 3 3.930 0.197 16.414 0.547 0.040 0.200 0.337 迭代次数 1 700 20 20 1 2.390 0.120 8.019 0.267 0.036 0.180 0.191 2 700 100 100 1 2.029 0.091 16.083 0.536 0.058 0.290 0.313 3 700 20 100 3 2.534 0.127 11.757 0.392 0.032 0.161 0.240 4 700 20 20 3 2.708 0.135 11.757 0.392 0.028 0.140 0.239 5 550 20 20 1 2.845 0.142 7.610 0.254 0.028 0.140 0.186 6 100 100 100 1 15.353 0.768 8.011 0.267 0.058 0.289 0.472 7 640 20 20 3 2.430 0.122 20.262 0.675 0.058 0.290 0.377 8 550 100 100 1 2.963 0.148 7.425 0.248 0.039 0.194 0.197 9 490 20 20 1 3.261 0.163 8.130 0.271 0.039 0.195 0.213 10 610 20 100 1 2.483 0.124 7.318 0.244 0.036 0.180 0.183 11 610 20 20 1 2.612 0.131 7.413 0.247 0.039 0.195 0.190 12 550 20 64 1 2.730 0.137 7.482 0.249 0.032 0.161 0.187 13 550 20 20 1 2.845 0.142 7.610 0.254 0.028 0.140 0.186
下载: 导出CSV
表 9 随机森林贝叶斯实验结果
序号 运动参数$ \mathit{x} $ 指标信息 归一指标
$ {y}_{t} $速度/
(mm/s)加速度/
(%)加加速度/
(%)路径
编号时间/
s归一
时间脉冲
指数归一脉
冲指数位置精度/
mm归一位
置精度初始点 1 100 20 20 1 17.787 0.839 5.910 0.197 0.014 0.070 0.449 2 250 40 40 2 5.987 0.299 11.252 0.375 0.064 0.320 0.334 3 400 60 60 3 3.930 0.197 16.414 0.547 0.040 0.200 0.337 迭代
次数1 550 80 80 3 2.459 0.123 12.532 0.418 0.028 0.140 0.244 2 700 100 100 2 2.438 0.122 19.543 0.651 0.032 0.160 0.341 3 340 20 64 1 4.371 0.219 6.719 0.224 0.020 0.100 0.197 4 340 20 52 1 4.292 0.215 8.087 0.270 0.020 0.100 0.214 5 190 20 64 1 7.977 0.399 7.062 0.235 0.032 0.160 0.286 6 400 20 64 3 4.177 0.209 10.291 0.343 0.032 0.160 0.253 7 310 92 64 1 4.667 0.233 14.950 0.498 0.028 0.140 0.321 8 310 68 64 1 4.669 0.233 13.078 0.436 0.028 0.140 0.296 9 340 32 64 1 4.311 0.216 8.303 0.277 0.028 0.140 0.225 10 340 20 92 1 4.294 0.215 7.938 0.265 0.032 0.160 0.224 11 340 20 64 1 4.371 0.219 6.719 0.224 0.020 0.100 0.197
下载: 导出CSV
表 10 随机森林与高斯过程对比实验结果
方法 速度/
(mm/s)加速度/
(%)加加速度/
(%)路径
编号归一
指标实验
次数单位
收益高斯过程 550 20 20 1 0.186 13 0.020 随机森林 340 20 64 1 0.197 11 0.023
下载: 导出CSV
-
[1] Nguyen V. Bayesian optimization for accelerating hyper-parameter tuning[C].2019 IEEE second international conference on artificial intelligence and knowledge engineering (AIKE). IEEE, 2019: 302-305. [2] Calandra R, Seyfarth A, Peters J, et al. Bayesian optimization for learning gaits under uncertainty[J]. Annals of Mathematics and Artificial Intelligence, 2016, 76(1): 5-23. [3] Roveda L, Maroni M, Mazzuchelli L, et al. Enhancing object detection performance through sensor pose definition with bayesian optimization[C].2021 IEEE international workshop on metrology for Industry 4.0 & IoT (MetroInd4. 0&IoT). IEEE, 2021: 699-703. [4] 王子涵, 杨秀芝, 段现银, 等. 基于贝叶斯神经网络的机床热误差建模[J]. 制造技术与机床, 2022(1): 141-145. doi: 10.19287/j.cnki.1005-2402.2022.01.026 [5] Bartz-Beielstein T, Zaefferer M. Model-based methods for continuous and discrete global optimization[J]. Applied Soft Computing, 2017, 55: 154-167. doi: 10.1016/j.asoc.2017.01.039 [6] Lindauer M, Eggensperger K, Feurer M, et al. SMAC3: A versatile bayesian optimization package for hyperparameter optimization[J]. J. Mach. Learn. Res., 2022, 23: 54:1-54:9. [7] 崔佳旭, 杨博. 贝叶斯优化方法和应用综述[J]. 软件学报, 2018, 29(10): 3068-3090. doi: 10.13328/j.cnki.jos.005607 [8] Srinivas N, Krause A, Kakade S M, et al. Information-theoretic regret bounds for gaussian process optimization in the bandit setting[J]. IEEE transactions on information theory, 2012, 58(5): 3250-3265. doi: 10.1109/TIT.2011.2182033 [9] 李航. 统计学习方法[M]. 北京: 清华大学出版社, 2012. [10] 许树柏. 实用决策方法: 层次分析法原理[M]. 天津: 天津大学出版社, 1988. [11] Zhang Q, Zhao M Y. Minimum time path planning of robotic manipulator in drilling/spot welding tasks[J]. Journal of Computational Design and Engineering, 2016, 3(2): 132-139. doi: 10.1016/j.jcde.2015.10.004 -
下载:
点击查看大图
图(3) / 表(10)
计量
- 文章访问数: 75
- HTML全文浏览量: 27
- PDF下载量: 29
- 被引次数: 0
