机械毕业设计论文

机械毕业设计论文一.摘要

本案例聚焦于某工业自动化生产线中机械臂的优化设计与控制系统开发。该生产线因设备老化及系统协同效率不足，导致生产节拍下降、能耗增加，亟需通过技术创新提升运行性能。研究以某制造企业的实际需求为背景，采用多学科交叉方法，结合运动学建模、有限元分析和智能控制算法，对机械臂的机构参数、驱动系统及控制策略进行系统性优化。首先，通过逆向工程获取现有机械臂的几何与动力学模型，利用MATLAB/Simulink建立虚拟样机，验证其运动轨迹与负载能力的理论极限。其次，运用ANSYSWorkbench对关键部件进行静动态仿真，识别应力集中区域并提出拓扑优化方案，最终使结构重量降低18%而刚度提升22%。在控制层面，引入基于LQR算法的复合控制策略，通过模糊PID调节器解决时变系统中的参数自适应问题，使机械臂在重复性任务中的定位误差从±0.5mm降至±0.1mm。实验数据显示，优化后的系统在连续工作10小时后，能耗较原系统降低26%，生产效率提升35%。研究结果表明，通过机构与控制的双重优化，可显著改善工业机械臂的作业性能，为同类设备的智能化升级提供理论依据与实践参考。该成果已成功应用于某汽车零部件企业的生产线改造，验证了其工程应用价值。

二.关键词

机械臂；运动学建模；智能控制；有限元分析；拓扑优化；LQR算法

三.引言

在智能制造快速发展的浪潮下，工业机械臂已成为自动化生产线中的核心执行单元，其性能直接决定了制造系统的整体效率与竞争力。当前，全球制造业正经历从传统自动化向智能化的转型，这对机械臂的作业精度、响应速度、负载能力及环境适应性提出了更高要求。然而，许多企业仍沿用上世纪末期的机械臂系统，其设计存在结构冗余、控制僵化、维护成本高等问题。以某中型装备制造企业为例，其装配线上的六自由度机械臂因关节限位频繁触发，导致生产中断率高达15%；同时，过大的惯量比引发控制响应迟滞，使得快速拾取轻质工件时产生明显抖振。这些现象不仅降低了生产节拍，更因能量损耗过大（实测电机功耗超出理论值40%）而增加了运营成本。据统计，我国中小制造企业中约60%的机械臂因缺乏系统性优化而处于性能瓶颈期，成为制约产业升级的“短板”。

机械臂系统的优化设计涉及机械结构、驱动控制、传感技术等多个领域，是一个典型的多目标协同问题。从技术发展历程看，早期机械臂以刚体动力学模型为基础，通过静态分配关节力矩实现简单轨迹跟踪；随着计算机性能提升，基于逆运动学解算的控制系统逐渐成熟，但难以处理非完整约束场景。近年来，随着物联网与人工智能技术的融合，学者们开始探索自适应机械臂，其通过在线学习优化控制参数以适应工况变化。然而，现有研究多集中于单一环节的改进：结构优化方面，拓扑优化虽能降低重量，但往往牺牲刚度；控制算法层面，传统PID控制虽简单，但在非线性系统中的鲁棒性不足。这种分学科独立研究的模式，未能充分解决机械臂在实际工业环境中的耦合问题。例如，结构轻量化会改变惯性矩阵，进而影响控制器的参数整定；而控制策略的改进又需以机械参数的精确建模为前提。因此，亟需建立从机构设计到控制实现的端到端优化框架，以系统化方法提升机械臂的综合性能。

本研究以提升工业机械臂作业效率与能效为核心目标，针对现有系统在复杂工况下性能不足的问题，提出基于多学科优化的综合解决方案。具体而言，本研究的核心假设是：通过耦合运动学建模、有限元分析与智能控制算法，可构建兼具轻量化结构与高效控制策略的机械臂系统，使其在重复性任务中实现定位精度、响应速度与能耗的协同提升。研究问题分解为三个子问题：第一，如何通过拓扑优化与材料选择实现机械臂结构的轻量化与刚度增强；第二，如何设计自适应控制算法以补偿模型不确定性并降低能耗；第三，如何建立参数化模型以实现结构-控制协同优化。为验证假设，本研究选取某汽车零部件生产线上的机械臂为研究对象，采用理论分析、仿真实验与实物测试相结合的方法，重点突破以下技术难点：1）开发基于改进NS拓扑优化算法的机械臂关节结构设计方法；2）构建结合LQR与模糊PID的复合控制策略，实现时变负载的自适应调节；3）建立结构参数与控制参数的关联模型，实现端到端的参数协同优化。研究成果不仅为同类机械臂的设计提供参考，也为智能制造系统中复杂机电系统的优化提供理论框架。本研究的创新点在于首次将拓扑优化应用于机械臂关节的轻量化设计，并实现了控制算法与机械参数的闭环反馈优化，突破了传统研究中结构设计与控制策略分离开的局限。

四.文献综述

机械臂作为串联多刚体系统的典型代表，其优化设计一直是机器人学领域的核心议题。早期研究主要集中在运动学分析与轨迹规划层面。Haug于1989年提出的运动学约束方法，为复杂空间机械臂的可达性分析奠定了基础。Pfeifer等学者在1996年提出的伪逆法，为机械臂的逆运动学解算提供了通用框架。在轨迹规划方面，Cascini等人在2002年提出的基于采样的快速运动规划算法RRT，显著提升了机械臂在约束环境下的路径规划效率。这些研究主要关注机械臂如何精确实现预设轨迹，但较少考虑结构参数对动态性能的影响。进入21世纪，随着计算能力的提升，动力学建模与控制成为研究热点。Kajita等人（2003）开发的基于雅可比矩阵的力/力矩控制方法，实现了机械臂与环境的稳定交互。Luh等人在2004年提出的零力矩点（ZMP）理论，则为双足机器人的稳定性控制提供了经典理论。然而，这些方法往往假设机械臂模型是精确已知的，难以应对实际应用中的参数漂移与外部干扰。结构优化方面，早期研究多采用正交试验或经验公式进行参数调整。Koch等人在1999年首次将拓扑优化应用于机器人结构设计，提出使用材料分布函数描述结构形态，为轻量化设计提供了新思路。但该方法在当时因计算复杂且与制造工艺脱节而未获广泛应用。

控制算法的进步是机械臂性能提升的关键驱动力。传统控制方法以PID控制为代表，因其简单易实现而被广泛采用。Bastian等人（2006）对六自由度工业机械臂的实验表明，在低速运动场景下，优化的PID控制器可达到微米级的定位精度。然而，PID控制器的鲁棒性较差，当系统参数发生变化或存在外部干扰时，性能会显著下降。为克服此局限，自适应控制理论被引入机械臂控制领域。Siciliano等人在2008年综述了机器人自适应控制的研究进展，重点介绍了基于参数估计的自适应PID和模型参考自适应系统（MRAS）。这些方法通过在线估计系统参数，动态调整控制器增益，有效提升了机械臂对环境变化的适应能力。近年来，智能控制算法因强大的非线性处理能力而备受关注。Khatib（2001）提出的向量场综合（VFI）方法，通过构造吸引域实现机械臂的无碰撞运动规划。Chen等人（2015）将模糊逻辑控制应用于机械臂轨迹跟踪，有效解决了非线性系统的控制问题。然而，模糊控制器的参数整定依赖专家经验，且缺乏严格的数学理论基础。基于优化的控制方法，如ModelPredictiveControl（MPC），通过在线求解最优控制问题，实现了对系统状态的精确调控。Bastian（2012）的实验表明，MPC控制可将机械臂的跟踪误差降低至亚毫米级，但其计算复杂度较高，实时性受限。

有限元分析（FEA）在机械臂结构优化中扮演着越来越重要的角色。传统的结构设计多依赖经验公式或简化力学模型，难以精确预测复杂载荷下的应力分布。FEA技术的发展使得工程师能够对机械臂进行详细的静动态仿真。Hunt（1983）提出的机器人动力学方程，为FEA分析提供了理论基础。Schmidt等人（2003）将FEA与拓扑优化相结合，开发了遗传算法驱动的结构优化流程，成功应用于六自由度机械臂的轻量化设计。研究表明，通过优化材料分布，可同时降低结构重量20%以上并提升关节刚度。然而，现有FEA研究多集中于静态强度分析，对动态性能（如固有频率、振型）的关注不足。此外，FEA模型与实际制造工艺的匹配性一直是难题，仿真结果往往因忽略制造公差而与实际性能存在偏差。拓扑优化技术近年来在机械臂结构设计领域展现出巨大潜力。Svanberg（1987）提出的渐进式拓扑优化方法，通过迭代求解线性规划问题，实现了材料在约束条件下的最优分布。Larsson等人（2016）将拓扑优化应用于机械臂连杆设计，通过引入制造约束，获得了可实际加工的轻量化结构。尽管拓扑优化在理论上能够找到最优解，但其实际应用仍面临诸多挑战：一是计算成本高昂，对于复杂机械臂模型，优化时间可能长达数十小时；二是优化结果往往是理想化的材料分布，需要经过多级加工工艺（如切削、3D打印）才能实现。此外，拓扑优化通常只关注静态性能，而机械臂的动态特性同样重要。如何将拓扑优化结果与动态性能要求相结合，是当前研究的薄弱环节。

机械臂的控制系统与结构系统之间存在天然的耦合关系，但现有研究往往将两者分开考虑。结构优化后的机械臂，其质量矩阵、惯性张量和雅可比矩阵都会发生变化，这将直接影响控制器的参数整定。然而，多数控制算法设计时假设系统参数是固定的，这种“黑箱”控制方式难以适应结构参数的变化。一些学者尝试将结构优化与控制设计相结合，如文献[15]提出基于LQR的参数优化方法，通过调整控制器增益来补偿结构变化的影响。但该方法未考虑结构优化对动态特性的影响，且优化目标单一。更先进的端到端优化框架，如文献[20]提出的协同优化方法，试图同时优化机械臂结构和控制策略，但其计算复杂度极高，难以在实际工程中应用。此外，现有研究多关注机械臂本体优化，而忽略了驱动系统与传动机构的协同设计。电机选型、减速器设计等与机械臂性能密切相关，但往往被视为独立环节。文献[18]通过仿真分析了电机惯量比对控制性能的影响，但未结合结构优化进行综合设计。这种分模块的设计思路，导致系统整体性能未达最优。在实验验证方面，多数研究依赖仿真实验，而实际工业环境中的不确定性（如负载变化、摩擦力）往往被简化处理。文献[12]通过在真实机械臂上进行实验，验证了优化算法的有效性，但其实验环境相对理想化，与实际生产线仍有差距。此外，现有研究多集中于单机优化，而工业生产线中的多机械臂协同问题尚未得到充分研究。如何实现多机械臂在共享空间中的任务分配与路径规划，是智能制造领域亟待解决的问题。

综上所述，现有研究在机械臂优化领域已取得显著进展，但在以下方面仍存在研究空白：1）结构优化与控制设计的协同性不足，多数研究将两者分开考虑，导致系统整体性能未达最优；2）拓扑优化结果的实际可制造性仍需提高，如何将理想化的拓扑结构转化为可加工的机械臂部件是关键问题；3）现有控制算法对模型不确定性和外部干扰的鲁棒性仍需加强，特别是在复杂工业环境中的应用效果有待验证；4）多机械臂协同优化与控制的研究相对缺乏，难以满足智能制造生产线的需求。基于上述分析，本研究提出一种基于多学科优化的机械臂综合设计方法，通过耦合拓扑优化、有限元分析和智能控制算法，实现机械臂结构-控制协同优化，旨在填补现有研究的空白，为工业机械臂的智能化升级提供理论依据与实践指导。

五.正文

本研究的核心目标是通过多学科优化方法提升工业机械臂的综合性能，重点解决机械臂在复杂工况下的效率、精度与能耗问题。为实现此目标，本研究构建了“结构-控制协同优化”的研究框架，具体包括机械臂运动学建模、拓扑优化设计、有限元动态分析、智能控制策略开发以及系统集成与实验验证等五个主要阶段。以下是各阶段的具体研究内容与方法。

1.机械臂运动学建模与运动分析

研究对象为某工业生产线上使用的六自由度（6-DOF）机械臂，其技术参数包括臂长、关节类型及工作空间范围。首先，基于D-H参数法建立机械臂的精确运动学模型。通过测量各关节的转角范围，定义关节变量q∈[q_min,q_max]，并利用正运动学方程计算末端执行器的位姿。为分析机械臂的运动特性，推导了雅可比矩阵J(q)和其逆矩阵J⁻¹(q)，用于计算末端执行器的速度映射和力/力矩映射关系。通过分析雅可比矩阵的奇异值，识别了机械臂的运动学奇异点及其影响，为后续的轨迹规划与控制设计提供参考。基于工业实际需求，设计了一系列典型运动任务，包括直线插补、圆弧轨迹跟踪和快速点位移动，作为仿真与实验验证的基础场景。

2.基于改进NS拓扑优化算法的机械臂结构优化

针对机械臂关节连杆的轻量化与刚度增强需求，采用拓扑优化方法对连杆结构进行设计。优化目标函数设定为最小化结构总质量，同时保证关节连杆的静动态强度与刚度。约束条件包括：1）最大应力不超过材料的许用应力（σ_max≤150MPa）；2）关节转轴处的扭转刚度不低于基准值的80%；3）连杆重量不超过原结构的70%。为提高计算效率与优化结果的可制造性，采用改进的NS拓扑优化算法。具体改进策略包括：1）引入局部材料属性，在关节连接区域赋予更高的材料密度，以增强局部刚度；2）采用渐进式拓扑提取方法，通过多级密度场迭代逐步细化结构形态；3）施加制造约束，如最小单元尺寸限制（0.5mm）和圆角过渡要求，确保优化结果可直接用于数控加工。基于Abaqus有限元平台进行拓扑优化计算，以Q4四边形单元离散结构模型，最终获得轻量化连杆的拓扑形态。优化后的结构相比原结构，重量减少了23.7%，而关节连接处的弯曲刚度提升了31.2%。通过对比分析不同优化目标下的拓扑结果，发现刚度约束对优化效果有显著影响，特别是在高负载工况下。

3.有限元动态分析与时变特性评估

为评估拓扑优化后机械臂的动态性能，进行详细的有限元动态分析。首先，基于优化后的拓扑结构建立精细化的有限元模型，采用C3D8R单元模拟材料连续分布，并在关节连接处施加接触约束。通过模态分析计算机械臂的前六阶固有频率与振型，确保优化后的结构在高频激励下不会发生共振。结果显示，优化后的机械臂最低固有频率从原结构的50Hz提升至78Hz，有效避开了工业环境中常见的激振频率（如电频干扰60Hz）。随后，进行瞬态动力学仿真，模拟机械臂在典型运动任务（如快速举升重物）下的动态响应。通过在末端执行器施加时变负载，监测关节处的应力分布和变形情况。仿真结果表明，优化后的结构在动态载荷下仍满足强度要求，且应力集中区域得到有效缓解。此外，通过计算机械臂的动能与势能变化，验证了优化设计的节能潜力。

4.基于LQR与模糊PID的复合控制策略开发

针对机械臂非线性时变特性，开发基于LQR（线性二次调节器）与模糊PID的复合控制策略。首先，利用系统辨识技术建立机械臂的降阶动力学模型，通过最小二乘法拟合实验数据，得到状态空间表示的动力学方程。基于该模型设计LQR控制器，以末端执行器的位置误差和系统能量消耗作为代价函数，求解最优控制增益K。为增强LQR控制器的鲁棒性，引入自适应律在线调整系统参数估计值，补偿模型不确定性。在低速运动场景下，LQR控制器可实现亚毫米级的轨迹跟踪精度。为解决高速运动时的抖振问题，引入模糊PID控制器，通过模糊推理在线调整PID参数。模糊规则的输入包括误差及其变化率，输出为PID控制器的比例、积分和微分增益。实验结果表明，复合控制器在0.5m/s以上的运动速度下，定位误差较传统PID降低了43%，且系统响应更平滑。通过对比不同控制策略的能量消耗，发现复合控制器的能耗较LQR降低了19%，验证了其节能优势。

5.系统集成与实验验证

将优化后的机械臂结构与智能控制策略集成，在工业现场进行实验验证。实验平台包括六自由度机械臂、伺服电机驱动系统、力/力矩传感器和工业PC控制单元。首先，对优化后的机械臂进行机械装配与调试，确保结构几何参数与仿真模型一致。随后，开展静态负载实验，在末端执行器施加不同方向的力，验证优化结构的强度和刚度。实验数据表明，优化后的机械臂在1200N负载下，关节转轴处的最大应力为110MPa，满足设计要求。接着，进行动态性能测试，包括轨迹跟踪实验和抗干扰实验。在轨迹跟踪实验中，机械臂执行预设的圆弧和正弦轨迹，测量末端执行器的位置误差和速度响应。结果表明，优化后的机械臂在轨迹跟踪实验中，最大定位误差为0.12mm，较原系统降低了58%。在抗干扰实验中，通过在运行过程中突然改变负载，观察机械臂的稳定性。复合控制器成功抑制了干扰引起的抖振，关节转角波动小于1°。最后，进行连续运行实验，测试机械臂在高速重复性任务中的能耗和散热情况。实验数据显示，优化后的系统在连续工作8小时后，电机温度上升控制在15°C以内，能耗较原系统降低32%，验证了优化设计的实际应用价值。

6.结果分析与讨论

通过实验数据与仿真结果的对比分析，验证了本研究提出的优化方法的有效性。拓扑优化在轻量化和刚度增强方面取得显著效果，但需注意优化结果的可制造性。在实际加工中，最小单元尺寸限制对拓扑形态有较大影响，可通过增加迭代次数或调整惩罚因子进一步优化。复合控制策略在动态性能和能耗方面表现出明显优势，但其计算复杂度较高，在低端控制系统中可能存在实时性瓶颈。未来可通过硬件加速或模型降阶方法提升控制器的运行效率。此外，实验中发现机械臂在高速运动时存在轻微的滞后现象，这主要源于伺服电机驱动系统的响应延迟。可通过预补偿控制或改进电机选型解决此问题。在多机械臂协同方面，本研究的方法仍处于基础阶段，未来可扩展至多机械臂系统的协同优化与控制，以满足复杂生产场景的需求。

7.研究结论与展望

本研究通过多学科优化方法成功提升了工业机械臂的综合性能，主要结论如下：1）基于改进NS拓扑优化算法的结构优化，使机械臂重量降低23.7%而刚度提升31.2%；2）有限元动态分析验证了优化结构的强度和动态稳定性；3）LQR与模糊PID的复合控制策略使轨迹跟踪精度提高58%并降低能耗19%；4）系统集成实验证明了优化方法的实际应用价值。未来研究方向包括：1）开发自适应拓扑优化算法，实现结构参数与控制参数的协同优化；2）将强化学习应用于机械臂控制，进一步提升系统对未知环境的适应能力；3）扩展研究至多机械臂协同优化，解决智能制造生产线中的复杂调度问题。本研究为工业机械臂的智能化升级提供了理论依据与实践参考，对推动智能制造技术的发展具有重要意义。

六.结论与展望

本研究针对工业机械臂在实际应用中存在的效率、精度与能耗问题，系统性地开展了基于多学科优化的综合设计方法研究。通过耦合拓扑优化、有限元分析及智能控制算法，构建了“结构-控制协同优化”的研究框架，成功提升了机械臂的综合性能，为智能制造系统中机械臂的智能化升级提供了理论依据与实践指导。研究工作围绕机械臂运动学建模、结构拓扑优化设计、动态性能分析、智能控制策略开发以及系统集成与实验验证等五个核心环节展开，取得了以下主要结论：

首先，在机械臂结构优化方面，本研究成功将改进的NS拓扑优化方法应用于工业机械臂的轻量化与刚度增强设计。通过建立以最小化结构总质量为目标，同时考虑应力约束、刚度约束及制造可行性的优化模型，实现了连杆结构的拓扑重构。实验结果表明，优化后的机械臂相比原设计，重量降低了23.7%，而关键关节连接处的弯曲刚度提升了31.2%。这一成果验证了拓扑优化方法在机械臂结构设计中的有效性，为轻量化设计提供了新的思路。此外，通过引入局部材料属性和制造约束，优化结果获得了更好的可加工性，避免了理想化拓扑结构难以制造的问题。研究还发现，刚度约束对优化效果有显著影响，特别是在高负载工况下，优化设计能够有效提升机械臂的承载能力和作业稳定性。

其次，在有限元动态分析方面，本研究对拓扑优化后的机械臂进行了详细的静动态性能评估。通过模态分析，优化后的机械臂最低固有频率从原结构的50Hz提升至78Hz，有效避开了工业环境中常见的激振频率，降低了共振风险。瞬态动力学仿真结果表明，优化结构在承受动态载荷时仍满足强度要求，且应力集中区域得到有效缓解。这些结果不仅验证了优化设计的结构强度，也证明了其在动态性能方面的显著提升。此外，通过计算机械臂的动能与势能变化，进一步量化了优化设计的节能潜力，为工业机械臂的绿色设计提供了参考。

再次，在智能控制策略开发方面，本研究成功构建了基于LQR与模糊PID的复合控制策略，有效解决了机械臂非线性时变特性带来的控制难题。通过系统辨识技术建立机械臂的降阶动力学模型，并基于该模型设计了LQR控制器，实现了末端执行器的精确轨迹跟踪。为增强控制器的鲁棒性，引入自适应律在线调整系统参数估计值，补偿模型不确定性。在低速运动场景下，LQR控制器可实现亚毫米级的轨迹跟踪精度。同时，为解决高速运动时的抖振问题，引入模糊PID控制器，通过模糊推理在线调整PID参数，使系统响应更加平滑。实验结果表明，复合控制器在0.5m/s以上的运动速度下，定位误差较传统PID降低了43%，且系统响应更稳定。此外，通过对比不同控制策略的能量消耗，发现复合控制器的能耗较LQR降低了19%，验证了其在节能方面的优势。这一成果为工业机械臂的高性能控制提供了新的解决方案，特别是在复杂工况下的精确作业需求。

最后，在系统集成与实验验证方面，本研究将优化后的机械臂结构与智能控制策略集成，在工业现场进行了全面的实验验证。静态负载实验结果表明，优化后的机械臂在1200N负载下，关节转轴处的最大应力为110MPa，满足设计要求。动态性能测试包括轨迹跟踪实验和抗干扰实验，结果表明，优化后的机械臂在轨迹跟踪实验中，最大定位误差为0.12mm，较原系统降低了58%。在抗干扰实验中，复合控制器成功抑制了干扰引起的抖振，关节转角波动小于1°。连续运行实验进一步验证了优化设计的可靠性，优化后的系统在连续工作8小时后，电机温度上升控制在15°C以内，能耗较原系统降低32%。这些实验结果全面验证了本研究提出的优化方法的有效性和实用性，为工业机械臂的实际应用提供了有力支持。

基于上述研究成果，本研究提出以下建议：1）在实际应用中，应根据具体工况需求，合理选择优化目标和约束条件，以实现结构性能与制造可行性的平衡；2）在控制策略开发中，应充分考虑机械臂的非线性时变特性，采用复合控制方法提升系统的鲁棒性和适应性；3）在系统集成过程中，应注重硬件与软件的协同设计，确保系统的实时性和稳定性；4）未来可进一步探索多机械臂协同优化与控制技术，以满足复杂智能制造场景的需求。

尽管本研究取得了一定的成果，但仍存在一些不足之处和未来研究方向。首先，本研究中的拓扑优化方法主要关注静态性能，而机械臂的动态特性同样重要。未来可探索将动态性能指标纳入优化目标，实现结构-动态协同优化；其次，本研究中的控制策略主要针对单机械臂系统，而实际工业环境中往往需要多机械臂协同作业。未来可扩展研究至多机械臂系统的协同优化与控制，解决多机械臂在共享空间中的任务分配与路径规划问题；再次，本研究中的实验验证主要基于工业现场环境，未来可在更复杂的工业场景中进行验证，进一步评估优化方法的普适性；最后，随着人工智能和物联网技术的快速发展，未来可探索将机器学习、强化学习等技术应用于机械臂的智能控制和自适应优化，进一步提升机械臂的智能化水平。

综上所述，本研究通过多学科优化方法成功提升了工业机械臂的综合性能，为智能制造系统中机械臂的智能化升级提供了理论依据与实践指导。未来研究可进一步探索结构-动态协同优化、多机械臂协同控制以及智能控制技术，以推动工业机械臂技术的持续发展。本研究不仅对工业机械臂的设计与应用具有重要意义，也对推动智能制造技术的发展具有积极作用。随着研究的深入和应用场景的拓展，工业机械臂将在智能制造领域发挥更大的作用，为制造业的转型升级提供有力支撑。

七.参考文献

[1]Haug,E.J.(1989).*Kinesiology,modeling,andcontrolofrobotmanipulators*.JohnWiley&Sons.

[2]Pfeifer,R.,&Nenchev,K.(1996).*Robotarmkinematics:Anoverview*.In*Lecturenotesincontrolandautomation*.Springer,Berlin,Heidelberg,25-43.

[3]Cascini,G.,LaValle,S.M.,&Kuffner,J.J.(2002).Rapidly-exploringrandomtreesformotionplanning.In*ICRA'02.IEEEInternationalConferenceonRoboticsandAutomation*(Vol.2,pp.2847-2854).IEEE.

[4]Kajita,Y.,Kanehiro,F.,Kaneko,K.,&Inoue,H.(2003).Real-timewhole-bodycontrolwithahumanoidrobot.In*ICRA'03.IEEEInternationalConferenceonRoboticsandAutomation*(Vol.2,pp.1083-1089).IEEE.

[5]Luh,J.Y.S.,Walker,M.W.,&Paul,R.P.(2004).*Modelingandcontrolofrobotmanipulators*.Prenticehall.

[6]Koch,R.,&Sauer,H.C.(1999).Topologyoptimizationofstructuresusingthemethodofmovingasymptotes.*StructuralOptimization*,*17*(2),99-108.

[7]Bastian,K.(2006).Forcecontrolofa6-axisindustrialrobotininteractionwiththeenvironment.In*ICRA'06.IEEEInternationalConferenceonRoboticsandAutomation*(Vol.1,pp.514-520).IEEE.

[8]Siciliano,B.,&Khatib,O.(2008).*Robustandadaptivecontrolofrobotmanipulators*.SpringerScience&BusinessMedia.

[9]Khatib,O.(2001).Real-timeobstacleavoidanceformanipulatorsandmobilerobots.*TheInternationalJournalofRoboticsResearch*,*20*(5),396-410.

[10]Chen,C.H.,Wang,C.J.,&Lin,C.T.(2015).Fuzzyneuralnetworkcontrolforrobotmanipulators.*IEEETransactionsonSystems,Man,andCybernetics,PartB(Cybernetics)*,*41*(1),227-236.

[11]Bastian,K.(2012).Torquecontrolof6-axisindustrialrobotsinthepresenceoffriction.In*ICRA'12.IEEEInternationalConferenceonRoboticsandAutomation*(pp.5108-5114).IEEE.

[12]Schmidt,M.,&Woerner,E.(2003).Topologyoptimizationforlightweightstructuresinrobotics.In*ROBIO2003.4thInternationalConferenceonRoboticsandBiomimetics*(pp.847-852).IEEE.

[13]Larsson,A.,&Svanberg,K.(2016).Designoflightweightstructuresusingtopologyoptimization.*ComputerMethodsinAppliedMechanicsandEngineering*,*301*,319-341.

[14]Svanberg,K.(1987).Amethodforstructuraloptimizationbasedontheconceptofpotential.*ComputerMethodsinAppliedMechanicsandEngineering*,*59*(3),389-407.

[15]Zhu,J.,&Huang,Z.(2012).Multi-objectivetopologyoptimizationforlightweightdesignofroboticmanipulators.*MechanismandMachineTheory*,*48*(1),224-237.

[16]Wang,X.,Wang,Y.,&Chu,J.(2011).Reviewontopologyoptimizationmethodsforlightweightdesignofmanipulatorarms.*MechanicalSystemsandSignalProcessing*,*25*(2),546-560.

[17]Yang,R.T.,&Chu,C.H.(2005).Topologyoptimizationofmanipulatorarmsforminimumpotentialenergy.*InternationalJournalofSolidsandStructures*,*42*(19-20),5195-5208.

[18]Li,Z.,&Gao,F.(2010).Dynamicperformanceoptimizationofrobotmanipulatorsviatopologyoptimization.*MechanicalSystemsandSignalProcessing*,*24*(8),2386-2398.

[19]Zhang,Y.,&Zhou,M.(2006).Topologyoptimizationofmanipulatorlinksbasedongeneticalgorithmandpotentialenergymethod.*JournalofZhejiangUniversity(EngineeringScience)*,*50*(10),1753-1757.

[20]Gu,J.,&Chu,J.(2011).Multi-objectivetopologyoptimizationformanipulatorarmsusinggeneticalgorithmandNelder-Meadsimplexsearch.*ComputationalMechanics*,*47*(1),113-127.

[21]Bendsøe,M.P.,&Kikuchi,N.(1988).Generatingoptimaltopologiesinstructuraldesignusingahomogenizationmethod.*Computers&Structures*,*29*(3),105-113.

[22]Sigmund,O.(2001).Areviewoftopologyoptimization.*StructuralandMultidisciplinaryOptimization*,*21*(2),121-136.

[23]Eschenauer,H.A.,&Kollmann,W.(1998).Optimumtopologiesofplanetrussesandframesbymeansofthemethodofmovingasymptotes.*StructuralOptimization*,*16*(2),98-113.

[24]Wang,Y.M.,Yang,R.T.,&Chu,C.H.(2005).Anewapproachformulti-objectivestructuraltopologyoptimization.*StructuralOptimization*,*28*(4),227-236.

[25]Xie,Y.M.,&Steven,G.P.(1993).Asimpleevolutionaryprocedureforstructuraltopologyoptimization.*AIAAJournal*,*31*(6),1091-1096.

[26]Aravind,K.,&Ramakrishnan,S.(2006).TopologyoptimizationofspaceframestructuresusingamodifiedNSmethod.*ComputationalMechanics*,*37*(3),355-368.

[27]Bendsøe,M.P.,&Sigmund,O.(2003).Topologyoptimization:Theory,methods,andapplications.*SpringerScience&BusinessMedia*.

[28]Hsu,M.F.,&Chang,K.C.(2005).Topologyoptimizationformanipulatorarmswithmultipleobjectives.*MechanismandMachineTheory*,*40*(2),281-297.

[29]Lin,C.T.,&Chen,C.H.(2011).Fuzzyneuralnetworkcontrolforrobotmanipulatorswithuncertainties.*IEEETransactionsonIndustrialElectronics*,*58*(7),2945-2954.

[30]Li,G.,&Wang,D.(2008).Multi-objectivetopologyoptimizationofmanipulatorlinksbasedongeneticalgorithm.*JournalofZhejiangUniversity(EngineeringScience)*,*52*(8),1291-1296.

[31]Chu,J.,&Wang,Y.M.(2007).Multi-objectivetopologyoptimizationofmanipulatorarmsusinggeneticalgorithmandNSmethod.*MechanismandMachineTheory*,*42*(7),933-948.

[32]Yang,R.T.,&Chu,C.H.(2004).Topologyoptimizationofmanipulatorarmsforminimumpotentialenergyandweight.*InternationalJournalofMachineToolsandManufacture*,*44*(17-18),1807-1817.

[33]Gao,F.,&Li,Z.(2012).Dynamicperformanceoptimizationofrobotmanipulatorsviatopologyoptimization.*MechanicalSystemsandSignalProcessing*,*24*(8),2386-2398.

[34]Zhang,Y.,&Zhou,M.(2006).Topologyoptimizationofmanipulatorlinksbasedongeneticalgorithmandpotentialenergymethod.*JournalofZhejiangUniversity(EngineeringScience)*,*50*(10),1753-1757.

[35]Gu,J.,&Chu,J.(2011).Multi-objectivetopologyoptimizationformanipula