针对视觉机械臂在复杂系统环境下整体精度不高、不易部署、校准成本高的问题,提出一种鲁棒的视觉机械臂联合建模优化方法。首先,对视觉机械臂的各个子系统模型进行集成,在机械臂的工作空间随机采集伺服电机转角、机械臂末端坐标等数据。其次,提出一种具有分层优化机制的自适应多精英引导复合差分进化算法(AMECoDEs-LO),使用参数辨识的方法同时优化联合系统参数。AMECoDEs-LO对种群中阶段性的数据进行主成分分析(PCA),以参数降维的思想实现对收敛精度和速度的隐式引导。实验结果表明,在AMECoDEs-LO和联合系统模型的作用下,视觉机械臂在校准过程中不需要额外的仪器,部署速度快,最终精度相较于传统方法提高60%;在机械臂连杆受损、伺服电机精度降低、相机定位噪声增大的情况下,系统仍然保持较高精度,验证了所提方法的鲁棒性。
针对HMCOP算法在QoS多约束最优路径选择中存在产生累积误差,搜索范围不全面 的缺点,提出了一种改进的算法LMS,使用BFS算法双向搜索网络拓扑,在每个节点实时监测最优路 径。最优路径成功率的仿真实验表明,该算法有更低的时间复杂度和更高的性能表现。