طراحی مسیر یک بازوی مکانیکی ماهر ابر افزونه برای حرکتی بدون برخورد، با بکارگیری یک الگوریتم ژنتیک دو لایه

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار دانشک ه مه سی مکانیک ، دانشگاه ص عتی اصفهان

2 دانشجوی دکترای راحی کاربردی ، دانشک ه مه سی مکانیک ، دانشگاه ص عتی خواجر نصیر ال ین وسی

چکیده

در این مقاله طراحی مسیر یک بازوی مکانیکی چند درجه آزادی صفحه ای با ارائه یک روش جدید تحلیلی برای جلوگیری از برخورد با موانع دایره ای انجام شده است. برای تولید مسیر بازوی مکانیکی و دستیابی سریع به جوابهای بهینه در فضای کاری پیچیده، یک الگوریتم ژنتیکدو لایه معرفی شده و مورد استفاده قرار گرفته است. همچنین یک چند جمله ای درون یاب اسپیلاین درجه سه برای تخمین هر کدام اززوایای مفصلی بکار رفته است. الگوریتم ژنتیک، تعدادی نقطه میانی را برای انطباق منحنی با چند جمله ای درون یاب تعیین می کند تا بواسطه آن بتوان تابع هدف مورد نظر را بهینه کرد. نتایج شبیه سازی، کارایی و توانایی روش مطرح شده را نشان می دهند.

کلیدواژه‌ها


عنوان مقاله [English]

A Collision-Free Trajectory Planning of a hyper redundant Manipulator Using a Dual Genetic Algorithm

نویسندگان [English]

  • Mostafa Ghayour 1
  • Mahmoud Karimi 2
چکیده [English]

This paper presents an optimal path planning for planar hyper redundant robot manipulators in presence of circular obstacles with a new analytical collision avoidance approach. To generate the robot’s trajectory, a dual genetic algorithm for rapid achievement to the optimal solutions in complex space is offered. A polynomial based on cubic spline interpolation is applied to approximate trajectories in joint space. The GA determines the parameters, which are the interior points to be interpolated to formulate the polynomial representing the trajectory, it is to minimize the fitness of the desired objective function. The effectiveness and capability of the proposed approach is demonstrated through simulation studies.

کلیدواژه‌ها [English]

  • path planning
  • Hyper-Redundant Manipulator
  • Dual Genetic Algorithm
  • Collision-Free Condition
[1] Saab, Y., Vanputte, M., “Shortest path planning on topographical maps” IEEE Trans System Man Cy A,29(1), pp. 139-150, 1999.
[2] Galicki, M., “Optimal planning of collision-free trajectory of redundant manipulators” Int. J. of Robotics Research 11, pp. 549-559, 1992.
[3] Ding, H., Li, H.X., “Fuzzy avoidance control strategy for redundant manipulators” Engineering Application of AI 12, pp.
513-521, 1999.
[4] Zhang, Y., Wang, J., “Obstacle avoidance for kinematically redundant manipulators using a dual neural network” IEEE Transactions on Systems, Man, and Cybernetics-Part B Cybernetics, Vol. 34, No. 1, February 2004.
[5] Yano, F., Tooda, Y., “Preferable movement of a multi-joint robot arm using genetic algorithm” In: Part of the SPIE Conf. On
Intelligent Robots and Computer Vision 3837, pp. 80-88, 1999.
[6] Lavoie, M.H., Boudreau, R., “Obstacle avoidance for redundant manipulators using a genetic algorithm” CCToMM
Symposium, 2001.
[7] Tian, L., Collins, C., “An effective robot trajectory planning method using a genetic algorithm” J. of Mechatronics 14(5), pp.
455-470, 2004.
[8] Roy, S.S., Pratihar, D.K., “A genetic-fuzzy approach for optimal path-planning of a robotic manipulator among static
obstacles” IE (I) Journal-CP 84, pp. 15-22, 2003.
[9] Lancaster, P., Salkauskas, K., “Curve and surface fitting, an introduction” San Diego, CA, USA: Academic Press Inc, 1986.
[10] Mckinley, S., Levine, M., “Cubic Spline Interpolation” Math 45: Linear Algebra, 1999.
[11] Chen, M.W., Zalzala, A.M.S., “Dynamic modeling and genetic-based trajectory generation for non-holonomic
mobile manipulators” Control Eng. Practice 5(1), pp. 39-48, 1997.
[12] Chipperfield, A., Fleming, P., Fonseca, C., “Genetic algorithm toolbox for use with MATLAB” Department of Automatic Control and Systems Engineering, University of Sheffield, Version 1.2, 1994.
[13] Park, T., and Ryu, K.R., “A dual population genetic algorithm with evolving diversity” IEEE Congress on Evolutionary Computation, 2007.
[14] Wang, H., and Wang, D., “An Improved Primal-Dual Genetic Algorithm for Optimization in Dynamic Environments” Lecture Notes in Computer Science, Neural Information Processing, 2006.
[15] Liu, L., Wang, D., and Ip, W.H., “A permutation-based dual genetic algorithm for dynamic optimization problems” Soft Computing - A Fusion of Foundations, Methodologies and Applications, 2008