基于改进樽海鞘群算法的机械臂多目标轨迹规划研究

doi:10.3969/j.issn.1004-132X.2025.09.017

中国机械工程 ›› 2025, Vol. 36 ›› Issue (9): 2047-2056.DOI: 10.3969/j.issn.1004-132X.2025.09.017

• 智能制造 • 上一篇

基于改进樽海鞘群算法的机械臂多目标轨迹规划研究

刘建林¹(), 黄海松¹^,²(), 范青松¹^,³, 马驰¹, 张浪浪¹

^1.贵州大学现代制造技术教育部重点实验室, 贵阳, 550025
^2.贵州省装备制造数字化车间建模与仿真工程研究中心, 贵阳, 550025
^3.华中科技大学机械科学与工程学院, 武汉, 430074

收稿日期:2024-07-25 出版日期:2025-09-25 发布日期:2025-10-15
通讯作者: 黄海松
作者简介:刘建林，男，1999年生，硕士研究生。研究方向为机械臂控制。E-mail：ljl2685177925@163.com
黄海松^*（通信作者），女，1977年生，教授。研究方向为工业机器人、智能制造等。E-mail：hshuang@gzu.edu.cn。
基金资助:
国家自然科学基金(52165063);贵州省科技计划（黔科合支撑［2022］,黔科合支撑［2023］,黔科合支撑［2024］,黔科合平台人才-CXTD［2023］,黔科合平台人才-GCC［2022］）;贵阳市科技计划(筑科合同［2023］13-11号)

Multi-objective Trajectory Planning of Manipulators Based on Improved SSA

Jianlin LIU¹(), Haisong HUANG¹^,²(), Qingsong FAN¹^,³, Chi MA¹, Langlang ZHANG¹

^1.Key Laboratory of Advanced Manufacturing Technology，Ministry of Education，Guizhou University，Guiyang，550025
^2.Guizhou Province Equipment Manufacturing Digital Workshop Modeling and Simulation Engineering Research Center，Guiyang，550025
^3.School of Mechanical Science and Engineering，Huazhong University of Science and Technology，Wuhan，430074

Received:2024-07-25 Online:2025-09-25 Published:2025-10-15
Contact: Haisong HUANG

摘要/Abstract

摘要：

提出了一种基于改进樽海鞘群算法（SSA）的机械臂多目标轨迹规划模型，以同时优化效率、能耗和冲击三个目标。利用人工势场法（APF）进行路径规划，得到机械臂抓取物料的最短、无碰撞路径，并提取关键运动序列，建立多目标函数。针对多目标樽海鞘群算法（MSSA）的初始种群多样性差、容易陷入局部最优以及在解集空间中收敛缓慢等问题，提出了一种改进的多目标樽海鞘群算法（LMSSA）。该算法结合logistic-sine混沌映射、小孔成像学习策略和黄金正弦开发策略来优化七阶B样条曲线的控制节点从而完成机械臂的多目标运动轨迹规划。搭建MATLAB-CoppeliaSim-UR16e实验平台，将轨迹规划模型应用于机械臂UR16e的实际抓取任务。实验结果表明，基于LMSSA算法的机械臂运动规划方法实现了机械臂准确、高效且节能的运动轨迹规划，并成功应用于实际操作场景中。

关键词: 轨迹规划, 多目标优化, 机械臂, 樽海鞘群算法

Abstract:

To optimize the three objectives of efficiency， energy consumption and impacts at the same time， a multi-objective trajectory planning model was proposed based on an improved SSA. Firstly， the artificial potential field method （APF） was used for path planning to obtain the shortest and collision-free path of the manipulator grasping the materials， and the key motion sequence was extracted to establish a multi-objective function. Then， aiming at the problems of multi-objective salp swarm algorithm （MSSA）， such as poor diversity of initial population， easy to fall into local optimum and slow convergence in solution set space， an improved algorithm namely logistic-sine multi-objective salp swarm algorithm（LMSSA）was proposed. The algorithm combined logistic-sine chaotic mapping， pinhole imaging learning strategy and golden sine development strategy to optimize the control nodes of the seventh-order B-spline curve and complete the multi-objective motion trajectory planning of the robotic arms. Finally， the trajectory planning model was applied to the actual grasping tasks of the manipulator UR16e by building MATLAB-CoppeliaSim-UR16e experimental platform. Experimental results show that based on LMSSA， the manipulator motion planning method realizes the accurate， efficient and energy-saving motion trajectory planning of the manipulator， and is successfully applied to the actual operation scenes.

Key words: trajectory planning, multi-objective optimization, manipulator, salp swarm algorithm（SSA）

中图分类号:

TP241.2

刘建林, 黄海松, 范青松, 马驰, 张浪浪. 基于改进樽海鞘群算法的机械臂多目标轨迹规划研究[J]. 中国机械工程, 2025, 36(9): 2047-2056.

Jianlin LIU, Haisong HUANG, Qingsong FAN, Chi MA, Langlang ZHANG. Multi-objective Trajectory Planning of Manipulators Based on Improved SSA[J]. China Mechanical Engineering, 2025, 36(9): 2047-2056.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://www.cmemo.org.cn/CN/10.3969/j.issn.1004-132X.2025.09.017

https://www.cmemo.org.cn/CN/Y2025/V36/I9/2047

图/表 19

图1 六自由度机械臂路径规划

Fig.1 Path planning of 6-DOF robotic arm

表1 六自由度机械臂关节位置序列

Tab.1 Joint position sequence of 6-DOF robotic arm （°）

关节	1	2	3	4	5	6
位置0	$-$ 20.17	$-$ 8.05	89.70	8.39	$-$ 90.05	$-$ 69.88
位置1	$-$ 34.62	$-$ 4.67	104.30	$-$ 9.58	$-$ 90.05	$-$ 55.43
位置2	$-$ 37.27	0.75	100.92	$-$ 11.62	$-$ 90.05	$-$ 52.77
位置3	$-$ 49.45	8.65	97.50	$-$ 16.10	$-$ 90.05	$-$ 40.60
位置4	$-$ 76.38	8.06	97.15	$-$ 15.17	$-$ 90.05	$-$ 13.67
位置5	$-$ 80.19	13.02	89.92	$-$ 12.89	$-$ 90.05	$-$ 9.86
位置6	$-$ 93.38	14.49	81.42	$-$ 5.87	$-$ 90.05	3.33
位置7	$-$ 109.56	5.76	77.03	7.26	$-$ 90.05	19.51

表1 六自由度机械臂关节位置序列

Tab.1 Joint position sequence of 6-DOF robotic arm （°）

关节	1	2	3	4	5	6
位置0	$-$ 20.17	$-$ 8.05	89.70	8.39	$-$ 90.05	$-$ 69.88
位置1	$-$ 34.62	$-$ 4.67	104.30	$-$ 9.58	$-$ 90.05	$-$ 55.43
位置2	$-$ 37.27	0.75	100.92	$-$ 11.62	$-$ 90.05	$-$ 52.77
位置3	$-$ 49.45	8.65	97.50	$-$ 16.10	$-$ 90.05	$-$ 40.60
位置4	$-$ 76.38	8.06	97.15	$-$ 15.17	$-$ 90.05	$-$ 13.67
位置5	$-$ 80.19	13.02	89.92	$-$ 12.89	$-$ 90.05	$-$ 9.86
位置6	$-$ 93.38	14.49	81.42	$-$ 5.87	$-$ 90.05	3.33
位置7	$-$ 109.56	5.76	77.03	7.26	$-$ 90.05	19.51

图2 混沌映射分布

Fig.2 Distribution of chaotic mapping

图3 小孔成像学习策略

Fig.3 PIL strategy

图4 黄金正弦开发策略

Fig.4 Golden sine development strategy

图5 轨迹规划模型

Fig.5 Trajectory planning model

图6 六自由度机械臂模型

Fig.6 Model of 6-DOF robotic arm

表2 六自由度机械臂关节约束

Tab.2 Joint constraints of 6-DOF robotic arm

关节	a/ （m·s^-2）	d/m	α/ rad	最大速度/ （（°）·s^-1）	最大加速度/ （（°）·s^-2）	最大关节急动度/（（°）·s^-3）	最大扭矩/（N∙m）
1	0	0.1807	π/2	120	45	90	327
2	$-$ 0.4784	0	0	120	40	80	167
3	$-$ 0.36	0	0	180	75	70	167
4	0	0.174 15	π/2	180	70	55	20
5	0	0.119 85	$-$ π/2	180	90	60	10
6	0	0.11655	0	180	80	60	10

表2 六自由度机械臂关节约束

Tab.2 Joint constraints of 6-DOF robotic arm

关节	a/ （m·s^-2）	d/m	α/ rad	最大速度/ （（°）·s^-1）	最大加速度/ （（°）·s^-2）	最大关节急动度/（（°）·s^-3）	最大扭矩/（N∙m）
1	0	0.1807	π/2	120	45	90	327
2	$-$ 0.4784	0	0	120	40	80	167
3	$-$ 0.36	0	0	180	75	70	167
4	0	0.174 15	π/2	180	70	55	20
5	0	0.119 85	$-$ π/2	180	90	60	10
6	0	0.11655	0	180	80	60	10

表3 对比实验参数设置

Tab.3 Comparison experiment parameter settings

对比算法	参数设置
MSSA	无
MODA	无
MOGOA	c_max=1，c_min=0.000 04
MOMVO	W_EPmax=1，W_EPmin=0.2
LMSSA	无

图7 机械臂运动路径

Fig.7 Motion path of the robot arm

图8 多目标轨迹规划的Pareto解集

Fig.8 Pareto solution set for multi-objective trajectory planning

表4 Pareto前沿点优化结果

Tab.4 Optimization results of Pareto frontier points

多目标算法	前沿点	f₁/s	f₂/（（°）·s^-2）	f₃/（（°）·s^-3）
MSSA	A	22.1084	5.0871	6.5298
MODA	B	17.3987	46.6482	64.3333
MOGOA	C	19.3285	63.9597	83.4501
MOMVO	D	25.5248	84.4578	93.3547
LMSSA	E	14.7123	29.7611	71.8474

表5 Pareto解集结果对比

Tab.5 Comparison of Pareto solution set results

		MSSA	MODA	MOGOA	MOMVO	LMSSA
Pareto解集个数		21	26	40	36	62
时间/s	最小值	20.5116	17.3987	19.3285	17.3014	14.7123
时间/s	最大值	34.0801	38.1684	37.2126	38.5459	49.2208
能耗/ （（°）·s^-2）	最小值	4.0654	4.8909	1.7769	3.0430	2.6992
能耗/ （（°）·s^-2）	最大值	95.4776	75.2556	87.0272	85.5218	29.7611
冲击/ （（°）·s^-3）	最小值	3.7635	5.0333	1.6662	2.4648	1.9407
冲击/ （（°）·s^-3）	最大值	89.2185	83.6998	94.0682	93.354 69	71.8474
间距（SP）		9.9845	10.2340	5.2948	5.8237	1.0383
运行时间（s）		3421	3786	4082	3562	3289

表6 Pareto前沿点优化后的节点变量

Tab.6 Node variables after Pareto frontier point optimization

	关节轨迹时间节点	B样条曲线控制节点向量
MSSA	(1.12,1.20,1.00,0.66,1.20,1.36,0.54)	(0,0,0,0,0,0,0,0,0.16,0.33,0.47,0.56,0.73,0.92,1,1,1,1,1,1,1,1)
MODA	(0.30,6.91,5.01,4.66,4.66,2.35,0.84)	(0,0,0,0,0,0,0,0,0.01,0.29,0.49,0.68,0.87,0.97,1,1,1,1,1,1,1,1)
MOGOA	(6.91,3.17,4.55, 1.16,2.24,2.33,4.12)	(0,0,0,0,0,0,0,0,0.28,0.41,0.60,0.65,0.74,0.83,1,1,1,1,1,1,1,1)
MOMVO	(1.73,1.40,1.41, 0.63,0.57,1.24,0.12）	(0,0,0,0,0,0,0,0,0.24,0.44,0.64,0.73,0.81,0.98,1,1,1,1,1,1,1,1）
LMSSA	(4.36,0.91,1.43, 2.53,0.69,1.66,2.13）	(0,0,0,0,0,0,0,0,0.32,0.38,0.49,0.67,0.72,0.84,1,1,1,1,1,1,1,1）

图9 多目标轨迹规划实验结果

Fig.9 Experimental results of multi-object trajectory planning

图10 优化路径与原始路径对比

Fig.10 Comparison between the optimized path and the original path

图11 MATLAB-CoppeliaSim-UR16e实验平台

Fig.11 MATLAB-CoppeliaSim-UR16e experimental platform

图12 UR16e抓取实验

Fig.12 UR16e grasping experiment

表 7 轨迹规划的多目标指标

Tab.7 Multi-objective indicators of trajectory planning

	时间/s	能耗/（（°）·s^-2）	冲击/（（°）·s^-3）
原始方法	3.74	243.65	342.13
本文方法	2.67	191.81	278.91
优化效果	28.61%	21.28%	18.48%

参考文献 18

[1]	CONG Yongzheng， JIANG Congrang， LIU Hui， et al. Research on Trajectory Planning Method of Dual-arm Robot Based on ROS［C］∥2020 Chinese Automation Congress （CAC）. Shanghai， 2020：2616-2621.
[2]	LI Xiangfei， ZHAO Huan， HE Xianming， et al. A Novel Cartesian Trajectory Planning Method by Using Triple NURBS Curves for Industrial Robots［J］. Robotics and Computer-Integrated Manufacturing， 2023， 83：102576.
[3]	ROUT A， BBVL D， BISWAL B B. Optimal Trajectory Generation of an Industrial Welding Robot with Kinematic and Dynamic Constraints［J］. Industrial Robot：the International Journal of Robotics Research and Application， 2019， 47（1）：68-75.
[4]	HUANG Junsen， HU Pengfei， WU Kaiyuan， et al. Optimal Time-jerk Trajectory Planning for Industrial Robots［J］. Mechanism and Machine Theory， 2018， 121：530-544.
[5]	荣誉，陈刚，豆天赐. 一种多指标综合最优的抗冲击轨迹规划方法［J］. 中国机械工程， 2024， 35（2）：305-316.
	RONG Yu， CHEN Gang， DOU Tianci. A Multi Index Comprehensive Optimal Anti Impact Trajectory Planning Method［J］. China Mechanical Engineering， 2024， 35（2）：305-316.
[6]	SHARMA S， KUMAR V. A Comprehensive Review on Multi-objective Optimization Techniques：Past， Present and Future［J］. Archives of Computational Methods in Engineering， 2022， 29（7）：5605-5633.
[7]	RAHIMI I， GANDOMI A H， CHEN Fang， et al. A Review on Constraint Handling Techniques for Population-based Algorithms：from Single-objective to Multi-objective Optimization［J］. Archives of Computational Methods in Engineering， 2023， 30（3）：2181-2209.
[8]	MIRJALILI S， GANDOMI A H， MIRJALILI S Z， et al. Salp Swarm Algorithm：a Bio-inspired Optimizer for Engineering Design Problems［J］. Advances in Engineering Software， 2017， 114：163-191.
[9]	脱阳，张则强，张裕，等. 考虑可变时间的双边机器人拆卸线平衡问题建模与优化［J］. 计算机集成制造系统， 2023， 29（12）：4073-4088.
	Yang TUO， ZHANG Zeqiang， ZHANG Yu， et al. Modeling and Optimization for Two-sided Robots Disassembly Line Balancing Problems Considering Variable Time［J］. Computer Integrated Manufacturing Systems， 2023， 29（12）：4073-4088.
[10]	De BOOR C. A Practical Guide to Splines［M］. New York：Springer， 1978.
[11]	王婷. 基于改进鲸鱼优化算法的打磨机器人轨迹优化与控制［D］. 太原：中北大学， 2021.
	WANG Ting. Trajectory Optimization and Control of Grinding Robot Based on Improved Whale Optimization Algorithm［D］.Taiyuan：North University of China， 2021.
[12]	黄安琪儿. 钢筋捆扎机械臂运动规划研究［D］.长沙：中南大学， 2023.
	HUANG Anqier. Research on Motion Planning of Steel Bar Binding Manipulator［D］. Changsha：Central South University， 2023.
[13]	REZAEE JORDEHI A. A Chaotic-based Big Bang-Big Crunch Algorithm for Solving Global Optimisation Problems［J］. Neural Computing and Applications， 2014， 25（6）：1329-1335.
[14]	HEGAZY A E， MAKHLOUF M A， EL-TAWEL G S. Improved Salp Swarm Algorithm for Feature Selection［J］. Journal of King Saud University - Computer and Information Sciences， 2020， 32（3）：335-344.
[15]	GARG V， DEEP K， ALNOWIBET K A， et al. Biogeography Based Optimization with Salp Swarm Optimizer Inspired Operator for Solving Non-linear Continuous Optimization Problems［J］. Alexandria Engineering Journal， 2023， 73：321-341.
[16]	MIRJALILI S. Dragonfly Algorithm：a New Meta-heuristic Optimization Technique for Solving Single-objective， Discrete， and Multi-objective Problems［J］. Neural Computing and Applications， 2016， 27（4）：1053-1073.
[17]	MIRJALILI S Z， MIRJALILI S， SAREMI S， et al. Grasshopper Optimization Algorithm for Multi-objective Optimization Problems［J］. Applied Intelligence， 2018， 48（4）：805-820.
[18]	MIRJALILI S， JANGIR P， MIRJALILI S Z， et al. Optimization of Problems with Multiple Objectives Using the Multi-verse Optimization Algorithm［J］. Knowledge-Based Systems， 2017， 134：50-71.

基于改进樽海鞘群算法的机械臂多目标轨迹规划研究

Multi-objective Trajectory Planning of Manipulators Based on Improved SSA

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 19

参考文献 18

相关文章 15

编辑推荐

Metrics

[1]	李明磊, 贾育秦, 张学良, 刘丽琴, 杜娟, 温淑花, 兰国生. 基于多目标差异演化算法的并联机构结构优化 [J]. J4, 201016, 21(16): 1915-1920.
[2]	林述温, 陆哲, 危世佳, 陈剑雄, 顾天奇, 谢钰. 挖掘机工作过程动力特性仿真及主构件参数多目标优化设计方法[J]. 中国机械工程, 2025, 36(06): 1371-1379.
[3]	饶远1, 孙见君1, 闻兰2. 扩压式自泵送机械密封端面的液膜汽化及其结构优化研究[J]. 中国机械工程, 2025, 36(05): 933-941，953.
[4]	张道德, 卢子健, 赵坤, 杨智勇. 非平坦环境下履带机器人多目标路径规划方法研究[J]. 中国机械工程, 2025, 36(02): 305-314.
[5]	王志强1, 韩建海1, 2, 3, 李向攀1, 2, 郭冰菁1, 2, 杜敢琴4. 冗余机器人的笛卡儿空间螺旋线性插值轨迹规划[J]. 中国机械工程, 2025, 36(01): 104-112.
[6]	刘桂源1, 王曾2, 杨子艺2, 胡明珠1, 刘怀举1. 航空发动机附件机匣齿轮传动设计分析软件开发与应用[J]. 中国机械工程, 2024, 35(11): 1938-1947.
[7]	胡福清, 孙江宏, 孙英杰, 孙雨彤, 马超, 周福强, . 基于新型旋转直线往复机构的切片机设计分析及参数优化[J]. 中国机械工程, 2024, 35(04): 614-623，635.
[8]	魏书鹏, 唐红涛, 李西兴, 杨冠宇, 张健. 考虑双资源约束的柔性机械加工车间逆调度问题研究[J]. 中国机械工程, 2024, 35(03): 457-471.
[9]	荣誉, 陈刚, 豆天赐, . 一种多指标综合最优的抗冲击轨迹规划方法[J]. 中国机械工程, 2024, 35(02): 305-316.
[10]	刘毅, 易旺民, 姚建涛, 王兴达, 余鹏, 赵永生. 狭长空间内重载调姿装配机器人的设计与研究[J]. 中国机械工程, 2024, 35(02): 324-336.
[11]	程基彬, 戴宁, 郭培, 熊继源, 叶世伟, 程筱胜. 基于力学超材料的柔性机械臂设计技术[J]. 中国机械工程, 2023, 34(16): 1900-1906.
[12]	屈力刚, 苏岩, 邢宇飞. 基于SHO-NSGA混合算法的飞机油舱管路自动布局方法[J]. 中国机械工程, 2023, 34(15): 1864-1872.
[13]	吴超群, 赵松, 雷艇. 曲线焊缝的机器人焊接轨迹规划与高频控制[J]. 中国机械工程, 2023, 34(14): 1723-1728.
[14]	李佳璇, 李论, 周波, 赵吉宾, 朱光, 王正佳, . 基于Preston-PSO算法的多方向机器人磨抛轨迹生成方法[J]. 中国机械工程, 2023, 34(14): 1729-1740.
[15]	刘栋财, 董广宇, 杜玉红, 李文鹏, . 基于网格搜索算法的6-RUS并联机器人时间最优轨迹规划[J]. 中国机械工程, 2023, 34(13): 1589-1598.