快速收敛性的研究和应用对关节型机器人轨迹规划有着重要的意义和价值。以关节型机器人完成不同动作时轨迹的平滑度和所用的时间为主要优化目标,提出一种快速收敛的粒子群算法。将全局学习因子和局部学习因子联合起来,通过调整比例系数和全局学习因子的比重获得更快的收敛速度。实验结果表明:在迭代次数较少时,所提方法与改进的粒子群算法的应用效果接近;在迭代次数较多时,所提方法优于改进的粒子群算法。

提出一种基于改进学生心理学优化(BSPBO)算法的机器人动力学参数辨识方法。通过Newton-Euler法构建关节型机器人动力学模型,设计符合运动约束的五阶傅里叶级数作为激励轨迹;引入SPBO算法并对其进行如下改进:增加Good Student分类在学生种群中所占比例、改善迭代过程中求解变量越界的处理方式,以提高算法的开发能力和全局探索能力,克服SPBO易陷入局部最优的缺陷;以具备关节力矩测量功能的机器人平台为对象,开展动力学参数辨识实验。结果表明:BSPBO算法的