针对传统的直线插补轨迹规划方法使得并联机器人产生较大的刚性冲击与振动冲击,导致机器人运行不稳定的问题,运用修正梯形轨迹规划算法对并联机器人轨迹进行平滑处理,提高了并联机器人的运行稳定性。首先建立并联机器人三维模型,之后通过MATLAB模拟运行轨迹并求解其工作空间,再利用ADAMS软件进行轨迹仿真,并对比两种轨迹规划算法的仿真结果。仿真结果表明,修正梯形轨迹规划算法具有更好的速度连续性,有效减少了并联机器人的刚性冲击。

通过对二自由度并联机器人运动学与动力学分析,给出了合理的性能指标。采用以Pareto最优解为基础的改进遗传算法NSGA-Ⅱ,以性能指标为目标函数进行多目标参数优化,得到满足设计要求的并联机器人结构参数。与单目标优化结果相比,验证了NSGA-Ⅱ算法优化方法的优越性。

为提高并联机器人的运行效率,降低其高速运动过程中产生的冲击和能耗,提出了一种基于非支配排序遗传算法(NSGA-Ⅱ)的多目标综合最优轨迹规划方法。首先,采用几何法建立机器人的逆运动学模型,得到机器人末端轨迹点与关节空间各角度、角速度、角加速度和急动度之间的转换公式。其次,利用5次B样条曲线插值方法建立轨迹数学模型,并添加运动学约束。最后,采用NSGA-Ⅱ算法对B样条轨迹进行时间-能耗-冲击的多目标优化,在获得Pareto最优解集的基础上构造权重函数获得最优时间序列。MATLAB仿真结果表明,采用算法优化后的轨迹不仅缩短了运行时间,也减小了机器人在高速运动过程中的振动和能耗,获得了更好的运动性能。

针对传统并联机器人在工作环境中存在抓取不精确、定位与分类识别效率低下的问题,提出一种基于机器视觉与Faster-RCNN神经网络的工件识别检测技术。采用Delta机器人实验平台采集图像,进行图像的预处理操作并将其添加至网络训练集。通过Python3.7-torch1.7搭建深度学习中的Faster R-CNN卷积神经网络,作为基本框架训练工件图像数据集。最后将训练后的卷积神经网络得到的工件检测结果与原实验工件识别系统对比。结果表明:改进后的识别平均精确度比原有识别