CN105425582A - 一种基于卡尔曼滤波的Stewart机构在线标定方法 - Google Patents
一种基于卡尔曼滤波的Stewart机构在线标定方法 Download PDFInfo
- Publication number
- CN105425582A CN105425582A CN201510741814.5A CN201510741814A CN105425582A CN 105425582 A CN105425582 A CN 105425582A CN 201510741814 A CN201510741814 A CN 201510741814A CN 105425582 A CN105425582 A CN 105425582A
- Authority
- CN
- China
- Prior art keywords
- error
- pose
- stewart mechanism
- data
- stewart
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Abstract
一种基于卡尔曼滤波的Stewart机构在线标定算法,它有五大步骤:一、将位姿测量设备固定在Stewart机构一侧,其工作空间覆盖Stewart机构的运动范围;二、调整Stewart机构位姿,使Stewart机构动平台沿不同方向运动,利用位姿测量设备测量Stewart机构动平台位姿,对比理论位姿数据与测量得到的位姿数据,得到位姿误差数据;三、将理论位姿数据与位姿误差数据代入卡尔曼滤波算法中,通过迭代运算,得到误差源数据;四、将误差源数据代入Stewart机构运动学正解中,对运动学正解进行修正;五、循环执行第二步至第四步,直到位姿误差数据收敛为止。本发明操作简单、实施成本低,标定效率高。
Description
技术领域
本发明涉及并联机构技术领域,尤其涉及一种基于卡尔曼滤波的Stewart机构在线标定方法。
背景技术
Stewart机构具有较高的精度、刚度和负载能力等一系列优点,在工业领域得到了广泛的应用。精度是衡量Stewart机构性能的重要指标。采用先进的机构设计、加工和制造方法避免机构误差,可以提高Stewart机构的精度,但是实施成本较高,不能满足工业上的需求。运动学标定作为一种后验的误差补偿方法,是提高精度的有效方法。
机构标定的步骤为:首先建立机构的数学模型,用于描述机构支链误差与末端误差之间的函数关系;在此基础上通过实验的方式对机构进行测量,得到机构的实测数据;之后将得到的数据代入机构数学模型中进行辨识求解,计算误差量;最后将误差代入机构的运动学方程进行补偿。
Stewart机构的数据模型为多元线性方程组,理论上可以直接通过求方程组的解计算机构末端误差。但是,由于机构的实测数据存在一定的测量误差,使线性方程组的系数产生较大的摄动,从而得到错误解。这种现象被称为线性方程组的病态问题。解决方法是通过优化算法对线性方程组进行估计。Stewart机构标定常用的估计方法为最小二乘法。最小二乘法虽然能够解决标定问题,但是这种方法是一种离线估计方法,需要在标定前得到大量的测量数据,标定效率较低。卡尔曼滤波算法作为一种在线标定方法,利用实时数据进行标定,提高了最小二乘法的效率。目前卡尔曼滤波算法主要应用于导航或过程控制领域,尚未应用于Stewart机构的标定。如发明人李保国等人提出的专利“一种基于卡尔曼滤波的光纤捷联惯导系统现场标定方法”(专利申请号:201410116707.9),该专利将卡尔曼滤波方法应用于光纤捷联惯导系统。
发明内容
本发明提供一种基于卡尔曼滤波的Stewart机构在线标定方法,用于解决现有技术中的实施成本高、无法在线标定、标定效率低等问题。
本发明提供的一种基于卡尔曼滤波的Stewart机构在线标定算法,其特征在于:它包括如下步骤:
步骤一:将位姿测量设备固定在Stewart机构一侧,其工作空间覆盖Stewart机构的运动范围;
步骤二:调整Stewart机构位姿,使Stewart机构动平台沿不同方向运动,利用位姿测量设备测量Stewart机构动平台位姿,对比理论位姿数据与测量得到的位姿数据,得到位姿误差数据;
步骤三:将理论位姿数据与位姿误差数据代入卡尔曼滤波算法中,通过迭代运算,得到误差源数据;
步骤四:将误差源数据代入Stewart机构运动学正解中,对运动学正解进行修正。
步骤五:循环执行第二步至第四步,直到位姿误差数据收敛为止。
其中,步骤一中所述的位姿测量设备包括但不限于三坐标测量仪、视觉测量仪;
其中,步骤二中所述的位姿误差数据δei(i=1,2,L,n)可以表达为:
式中,Pi′为测量得到的位姿数据,Pi为理论位姿数据,n为测量次数,δp为位置误差向量,δω为姿态误差向量。
所述的误差源数据x=[δLTδdT]T,定义ai为Stewart机构动平台铰点Ai在{A}中的位置向量,bi为静平台铰点Bi在{B}中的位置向量,Li为第i个驱动杆从Bi到Ai的长度,i=1,2,L6。式中,δL为Li的误差,δd为ai和bi的误差。
其中,步骤三所述的“将理论位姿数据与位姿误差数据代入卡尔曼滤波算法中,通过迭代运算,得到误差源数据;”其具体实现过程如下:
步骤1:建立Stewart机构的误差模型
定义ui为Li的方向矢量,i=1,2,L,6,为Stewart机构动平台坐标系{A}到Stewart机构静平台坐标系{B}的方向余弦矩阵。
Stewart机构动平台中心点的误差δe可以表达为:
δe=Jx
式中,J为误差雅克比矩阵。
式中,JP为雅克比矩阵:
JC为沿驱动杆方向矢量:
步骤2:建立卡尔曼滤波器模型。
Stewart机构的误差模型可以进一步改写为:
δet=Jxt+εt,t=1,L,N
式中,δet为观测误差量,xt为状态量。N为机器人进行位姿变换的次数,εt为测量噪声,vt:N(0,Rt)。
定义ωt为过程噪声,wt:N(0,Qt),yt为观测量。则Stewart机构标定模型的状态转移方程和测量方程为:
定义和Pt是t时刻系统状态xt的估计和协方差,则系统状态预测方程及yt的估计值:
增益方程:
滤波方程:
预测误差:
Pt|t-1=Pt-1+Qk-1
估计误差:
Pt=(I-KtJt)Pt|t-1。
上述各式中的符号说明如下:Kt为卡尔曼增益,Pt为系统状态的方差。
与现有技术相比,本发明的有益效果是:
1.该方法为一种运动学标定方法,标定操作简单、实施成本低;
2.该方法能够实现在线标定,标定效率高;
附图说明
图1为本发明实施例提供的基于卡尔曼滤波的Stewart机构在线标定方法流程图。
图2为Stewart机构简图。
图中符号说明如下:
图1中,为系统状态的估计,Pt为系统状态的方差,t为系统时刻,Kt为卡尔曼增益,Jt为误差雅克比矩阵,Rt为测量噪声的方差,yt为观测量。I为单位矩阵。xt为状态量
图2中,Li(i=1,2,L,6)为Stewart机构的支杆,OA-XAYAZA为Stewart机构动平台坐标系{A},OB-XBYBZB为Stewart机构静平台坐标系{B},a1(i=1,2,L,6)为动平台铰链中心点在{A}中的位置向量,b1(i=1,2,L,6)为静平台铰链中心点在{B}中的位置向量。
具体实施方式
下面参照附图来说明本发明的实施例。在本发明的一个附图或一种实施方式中描述的元素和特征可以与一个或更多个其它附图或实施方式中示出的元素和特征相结合。应当注意,为了清楚的目的,附图和说明中省略了与本发明无关的、本领域普通技术人员已知的部件和处理的表示和描述。
下面结合附图,对本发明的技术方案做进一步的说明。见图1—图2,
本发明提供的一种基于卡尔曼滤波的Stewart机构在线标定算法,具体包括如下步骤:
步骤一:将位姿测量设备固定在Stewart机构一侧,其工作空间覆盖Stewart机构的运动范围;
所述的位姿测量设备包括但不限于三坐标测量仪、视觉测量仪;
步骤二:调整Stewart机构位姿,使Stewart机构动平台沿不同方向运动,利用位姿测量设备测量Stewart机构动平台位姿,对比理论位姿数据与测量得到的位姿数据,得到位姿误差数据;
所述的位姿误差数据δei(i=1,2,L,n)可以表达为:
δei=[δpi Tδωi T]T=Pi′-Pi
式中,Pi′为测量得到的位姿数据,Pi为理论位姿数据,n为测量次数,δp为位置误差向量,δω为姿态误差向量。
所述的误差源数据x=[δLTδdT]T,定义ai为Stewart机构动平台铰点Ai在{A}中的位置向量,bi为静平台铰点Bi在{B}中的位置向量,Li为第i个驱动杆从Bi到Ai的长度,i=1,2,L6。式中,δL为Li的误差,δd为ai和bi的误差。
步骤三:将理论位姿数据与位姿误差数据代入卡尔曼滤波算法中,通过迭代运算,得到误差源数据;
所述的卡尔曼滤波算法包括以下几个步骤:
步骤1:建立Stewart机构的误差模型
定义ui为Li的方向矢量,i=1,2,L,6,为Stewart机构动平台坐标系{A}到Stewart机构静平台坐标系{B}的方向余弦矩阵,
Stewart机构动平台中心点的误差δe可以表达为:
δe=Jx
式中,J为误差雅克比矩阵。
式中,JC为雅克比矩阵:
JC为沿驱动杆方向矢量:
步骤2:建立卡尔曼滤波器模型。
Stewart机构的误差模型可以进一步改写为:
δet=Jxt+εt,t=1,L,N
式中,δet为观测误差量,x为状态量。N为机器人进行位姿变换的次数,εt为测量噪声,vt:N(0,Rt)。
定义ωt为过程噪声,wt:N(0,Qt)。则Stewart机构标定模型的状态转移方程和测量方程为:
定义和Pt是t时刻系统状态xt的估计和协方差,则系统状态预测方程及yt的估计值:
增益方程:
滤波方程:
预测误差:
Pt|t-1=Pt-1+Qk-1
估计误差:
Pt=(I-KtJt)Pt|t-1
上述各式中的符号说明如下:Kt为卡尔曼增益,Pt为系统状态的方差。
步骤四:将误差源数据代入Stewart机构运动学正解中,对运动学正解进行修正。
步骤五:循环执行第二步至第四步,直到位姿误差数据收敛为止。
以上参照附图对本发明的描述是示意性的,没有限制性,本领域的技术人员应该能够理解,在实际实施中,本发明中各构件的形状和布局方式均可能发生某些改变;而在本发明的启示下,其他人员也可以做出与本发明相似的设计或对本发明做出修改以及某个构件的等同替换。特别需要指出的是,只要不脱离本发明的设计宗旨,所有显而易见的改变以及具有等同替换的相似设计,均包含在本发明的保护范围之内。
Claims (4)
1.一种基于卡尔曼滤波的Stewart机构在线标定算法,其特征在于:它包括如下步骤:
步骤一:将位姿测量设备固定在Stewart机构一侧,其工作空间覆盖Stewart机构的运动范围;
步骤二:调整Stewart机构位姿,使Stewart机构动平台沿不同方向运动,利用位姿测量设备测量Stewart机构动平台位姿,对比理论位姿数据与测量得到的位姿数据,得到位姿误差数据;
步骤三:将理论位姿数据与位姿误差数据代入卡尔曼滤波算法中,通过迭代运算,得到误差源数据;
步骤四:将误差源数据代入Stewart机构运动学正解中,对运动学正解进行修正;
步骤五:循环执行第二步至第四步,直到位姿误差数据收敛为止。
2.根据权利要求1所述的一种基于卡尔曼滤波的Stewart机构在线标定算法,其特征在于:
步骤一中所述的位姿测量设备包括但不限于三坐标测量仪、视觉测量仪。
3.根据权利要求1所述的一种基于卡尔曼滤波的Stewart机构在线标定算法,其特征在于:
步骤二中所述的位姿误差数据δei(i=1,2,L,n)表达为:
δei=[δpi Tδωi T]T=P′i-Pi
式中,P′i为测量得到的位姿数据,Pi为理论位姿数据,n为测量次数,δp为位置误差向量,δω为姿态误差向量;
所述的误差源数据x=[δLTδdT]T,定义ai为Stewart机构动平台铰点Ai在{A}中的位置向量,bi为静平台铰点Bi在{B}中的位置向量,Li为第i个驱动杆从Bi到Ai的长度,i=1,2,L6,式中,δL为Li的误差,δd为ai和bi的误差。
4.根据权利要求1所述的一种基于卡尔曼滤波的Stewart机构在线标定算法,其特征在于:步骤三所述的“将理论位姿数据与位姿误差数据代入卡尔曼滤波算法中,通过迭代运算,得到误差源数据;”其具体实现过程如下:
步骤1:建立Stewart机构的误差模型
定义ui为Li的方向矢量,i=1,2,L,6,为Stewart机构动平台坐标系{A}到Stewart机构静平台坐标系{B}的方向余弦矩阵;
Stewart机构动平台中心点的误差δe表达为:
δe=Jx
式中,J为误差雅克比矩阵;
式中,JP为雅克比矩阵;
JC为沿驱动杆方向矢量;
步骤2:建立卡尔曼滤波器模型;
Stewart机构的误差模型进一步改写为:
δet=Jxt+εt,t=1,L,N
式中,δet为观测误差量,xt为状态量,N为机器人进行位姿变换的次数,εt为测量噪声,vt:N(0,Rt);
定义ωt为过程噪声,wt:N(0,Qt),yt为观测量,则Stewart机构标定模型的状态转移方程和测量方程为:
定义和Pt是t时刻系统状态xt的估计和协方差,则系统状态预测方程及yt的估计值:
增益方程:
滤波方程:
预测误差:
Pt|t-1=Pt-1+Qk-1
估计误差:
Pt=(I-KtJt)Pt|t-1
上述各式中的符号说明如下:Kt为卡尔曼增益,Pt为系统状态的方差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510741814.5A CN105425582B (zh) | 2015-11-04 | 2015-11-04 | 一种基于卡尔曼滤波的Stewart机构在线标定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510741814.5A CN105425582B (zh) | 2015-11-04 | 2015-11-04 | 一种基于卡尔曼滤波的Stewart机构在线标定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105425582A true CN105425582A (zh) | 2016-03-23 |
CN105425582B CN105425582B (zh) | 2018-03-13 |
Family
ID=55503860
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510741814.5A Active CN105425582B (zh) | 2015-11-04 | 2015-11-04 | 一种基于卡尔曼滤波的Stewart机构在线标定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105425582B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106097390A (zh) * | 2016-06-13 | 2016-11-09 | 北京理工大学 | 一种基于卡尔曼滤波的机器人运动学参数标定方法 |
CN106625573A (zh) * | 2016-10-25 | 2017-05-10 | 天津大学 | 一种五自由度混联机器人直接误差补偿技术 |
CN107561937A (zh) * | 2017-11-24 | 2018-01-09 | 明仕达光电科技(昆山)有限公司 | 基于事件驱动的灯联网控制策略 |
CN112975913A (zh) * | 2021-03-10 | 2021-06-18 | 清华大学 | 一种索驱动并联机构自标定方法和系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6240799B1 (en) * | 1998-05-26 | 2001-06-05 | Hexel Corporation | Triangular gimbal |
JP2004050404A (ja) * | 2002-07-23 | 2004-02-19 | Internet Motion Navigator Corp | 六本の連結棒によるパラレルマニピュレータ |
CN1851406A (zh) * | 2006-05-26 | 2006-10-25 | 南京航空航天大学 | 基于捷联惯性导航系统的姿态估计和融合的方法 |
CN102152307A (zh) * | 2011-01-24 | 2011-08-17 | 西安交通大学 | 一种基于倾角约束的Stewart并联机器人运动学标定方法 |
CN102195616A (zh) * | 2010-03-02 | 2011-09-21 | 哈曼贝克自动系统股份有限公司 | 高效子带自适应有限脉冲响应滤波 |
CN104236794A (zh) * | 2014-10-13 | 2014-12-24 | 大连交通大学 | 一种六维力传感器标定装置 |
CN104390612A (zh) * | 2014-07-08 | 2015-03-04 | 西安电子科技大学 | 用于Stewart平台构型的六自由度并联机器人基准位姿标定方法 |
-
2015
- 2015-11-04 CN CN201510741814.5A patent/CN105425582B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6240799B1 (en) * | 1998-05-26 | 2001-06-05 | Hexel Corporation | Triangular gimbal |
JP2004050404A (ja) * | 2002-07-23 | 2004-02-19 | Internet Motion Navigator Corp | 六本の連結棒によるパラレルマニピュレータ |
CN1851406A (zh) * | 2006-05-26 | 2006-10-25 | 南京航空航天大学 | 基于捷联惯性导航系统的姿态估计和融合的方法 |
CN102195616A (zh) * | 2010-03-02 | 2011-09-21 | 哈曼贝克自动系统股份有限公司 | 高效子带自适应有限脉冲响应滤波 |
CN102152307A (zh) * | 2011-01-24 | 2011-08-17 | 西安交通大学 | 一种基于倾角约束的Stewart并联机器人运动学标定方法 |
CN104390612A (zh) * | 2014-07-08 | 2015-03-04 | 西安电子科技大学 | 用于Stewart平台构型的六自由度并联机器人基准位姿标定方法 |
CN104236794A (zh) * | 2014-10-13 | 2014-12-24 | 大连交通大学 | 一种六维力传感器标定装置 |
Non-Patent Citations (2)
Title |
---|
HANQI ZHUANG: "Self-Calibration of Parallel Mechanisms with a Case Study on Stewart Platforms", 《IEEE TRANSACTIONS ON ROBOTICS AND AUTOMATION》 * |
YONG ZHANG 等: "A calibration test of Stewart platform", 《NETWORKING, SENSING AND CONTROL, 2007 IEEE INTERNATIONAL CONFERENCE ON》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106097390A (zh) * | 2016-06-13 | 2016-11-09 | 北京理工大学 | 一种基于卡尔曼滤波的机器人运动学参数标定方法 |
CN106097390B (zh) * | 2016-06-13 | 2019-08-23 | 北京理工大学 | 一种基于卡尔曼滤波的机器人运动学参数标定方法 |
CN106625573A (zh) * | 2016-10-25 | 2017-05-10 | 天津大学 | 一种五自由度混联机器人直接误差补偿技术 |
CN106625573B (zh) * | 2016-10-25 | 2018-11-13 | 天津大学 | 一种五自由度混联机器人直接误差补偿技术 |
CN107561937A (zh) * | 2017-11-24 | 2018-01-09 | 明仕达光电科技(昆山)有限公司 | 基于事件驱动的灯联网控制策略 |
CN107561937B (zh) * | 2017-11-24 | 2021-02-19 | 明仕达光电科技(昆山)有限公司 | 基于事件驱动的灯联网控制方法 |
CN112975913A (zh) * | 2021-03-10 | 2021-06-18 | 清华大学 | 一种索驱动并联机构自标定方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105425582B (zh) | 2018-03-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Brossard et al. | Learning wheel odometry and IMU errors for localization | |
CN106483964B (zh) | 一种基于接触力观测器的机器人柔顺控制方法 | |
US9833897B2 (en) | Calibration and programming of robots | |
CN105425582A (zh) | 一种基于卡尔曼滤波的Stewart机构在线标定方法 | |
CN109848983A (zh) | 一种高顺应性人引导机器人协同作业的方法 | |
CN109163720A (zh) | 基于渐消记忆指数加权的卡尔曼滤波跟踪方法 | |
CN103170979B (zh) | 基于惯性测量仪的在线机器人参数辨识方法 | |
Das et al. | An improved Q-learning algorithm for path-planning of a mobile robot | |
CN105222780A (zh) | 一种基于Stirling插值多项式逼近的椭球集员滤波方法 | |
CN105773622A (zh) | 一种基于iekf的工业机器人绝对精度校准方法 | |
CN112417755A (zh) | 一种主从式手术机器人轨迹预测控制方法 | |
CN105865452A (zh) | 一种基于间接卡尔曼滤波的移动平台位姿估计方法 | |
CN104483973A (zh) | 基于滑模观测器的低轨挠性卫星姿态跟踪控制方法 | |
CN105807712A (zh) | 一种六自由度并联机器人正向运动学的对偶四元数解法 | |
CN115046545A (zh) | 一种深度网络与滤波结合的定位方法 | |
Song et al. | A new method of AGV navigation based on Kalman Filter and a magnetic nail localization | |
Cao et al. | Robot calibration method based on extended Kalman filter–dual quantum behaved particle swarm optimization and adaptive neuro-fuzzy inference system | |
CN113155152B (zh) | 基于李群滤波的相机与惯性传感器空间关系自标定方法 | |
CN116661469B (zh) | 机器人轨迹误差修正方法及系统 | |
Cheng et al. | DiffTune $^+ $: Hyperparameter-Free Auto-Tuning using Auto-Differentiation | |
Reiter et al. | Parameterization approach of the frenet transformation for model predictive control of autonomous vehicles | |
Cen et al. | A low-cost visual inertial odometry for mobile vehicle based on double stage Kalman filter | |
CN116339233A (zh) | 基于激光干涉跟踪仪测量场的机床误差控制方法及系统 | |
CN115328168A (zh) | 基于自适应强跟踪的移动机器人同步定位与建图方法及系统 | |
Luo et al. | End-Effector Pose Estimation in Complex Environments Using Complementary Enhancement and Adaptive Fusion of Multisensor |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220908 Address after: Room 401, Building 7, No. 188, Fuchunjiang Road, High-tech Zone, Suzhou City, Jiangsu Province, 215000 Patentee after: SUZHOU ZHUZHENG ROBOT CO.,LTD. Address before: 100191 No. 37, Haidian District, Beijing, Xueyuan Road Patentee before: BEIHANG University |
|
TR01 | Transfer of patent right |