CN106097390B - 一种基于卡尔曼滤波的机器人运动学参数标定方法 - Google Patents
一种基于卡尔曼滤波的机器人运动学参数标定方法 Download PDFInfo
- Publication number
- CN106097390B CN106097390B CN201610411182.0A CN201610411182A CN106097390B CN 106097390 B CN106097390 B CN 106097390B CN 201610411182 A CN201610411182 A CN 201610411182A CN 106097390 B CN106097390 B CN 106097390B
- Authority
- CN
- China
- Prior art keywords
- robot
- kinematics
- matrix
- error
- parameter
- 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.)
- Active
Links
Landscapes
- Manipulator (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于卡尔曼滤波的机器人运动学参数标定方法,该方法通过建立机器人的运动学模型得到机器人末端坐标系相对于机器人基坐标系的位姿变换矩阵。通过测量仪器可以得到机器人末端实际位姿矩阵P。再通过微分运动学将末端位姿矩阵全微分可得到机器人末端位姿误差与机器人运动学参数误差间的线性关系。考虑到系统中存在噪声对标定结果的影响,利用卡尔曼滤波算法对运动学参数进行卡尔曼滤波估计。该方法考虑了系统噪声的影响,标定结果更准确能使机器人达到更高的定位精度。
Description
技术领域
本发明涉及一种机器人运动学标定的方法,尤其涉及一种基于卡尔曼滤波的机器人运动学参数标定方法。
背景技术
在工业生产、医疗、航空航天等相关领域,机器人扮演着越来越重要的角色。在完成某些高精度作业时,对机器人的末端定位精度要求很高。而由于生产加工、装配过程中误差,关节传动间隙,机器人连杆变形等多种因数会造成机器人运动学参数与理论设计值之间存在偏差。
机器人运动学参数通常指D-H参数,它包含关节轴之间的夹角α、连杆长度a、连杆偏距d、关节转角θ四个参数。
机器人末端位姿通过机器人运动学参数计算而得,要想提高机器人末端定位精度,就要对机器人运动学这四个参数进行精确标定。
发明内容
本发明所涉及的机器人运动学标定的方法,通过建立机器人的运动学模型得到机器人末端坐标系相对于机器人基坐标系的位姿变换矩阵。通过测量仪器可以得到机器人末端实际位姿矩阵P。再通过微分运动学将末端位姿矩阵全微分可得到机器人末端位姿误差与机器人运动学误差间的线性关系。考虑到系统中存在噪声对标定结果的影响,利用卡尔曼滤波算法对运动学参数进行卡尔曼滤波估计。该方法考虑了系统噪声的影响,标定结果更准确能使机器人达到更高的定位精度。
一种基于卡尔曼滤波的机器人运动学标定方法,其特征在于:
第一、建立机器人的运动学模型,得到机器人末端坐标系相对于机器人基坐标系的位姿转换矩阵。
第二、通过测量仪器得到机器人末端实际位姿矩阵P。
第三、通过微分运动学将机器人末端实际位姿矩阵P全微分得到机器人末端位姿误差与机器人运动学误差间的线性关系,即运动学线性误差模型:超定线性方程组J*X=W,其中J为机器人运动学误差矩阵,X为待辨识的运动学参数误差矩阵,W为末端位姿误差矩阵;利用所述运动学线性误差模型计算待辨识的运动学参数误差矩阵X。
第四、将辨识出的运动学参数误差矩阵X作为卡尔曼滤波的初始状态值,在模型中加入噪声后,利用卡尔曼滤波估计算法估计出最佳的机器人运动学参数误差矩阵X2。
最后补偿机器人运动学参数误差,达到提高机器人末端绝对定位精度的目的。
同现有技术相比,本发明的技术方案具有以下优点:本发明的所述方法,考虑了系统噪声对标定结果的影响,使最终的标定精度更高,简易可行,成本低,可广泛用于机器人系统的标定。
附图说明
图1是本发明实施方式的流程图。
具体实施方式
如图1所示,本发明实施方式的流程图,具有如下步骤:
步骤一,建立机器人的运动学模型,得到机器人末端坐标系相对于机器人基坐标系的位姿转换矩阵。具体又包括如下步骤:
定义机器人运动学参数D-H,编写相邻关节间齐次变换矩阵,其中,所述参数D-H包含关节轴之间的夹角α、连杆长度a、连杆偏距d、关节转角θ等四个参数;给定名义D-H参数名义值αi,ai,di,θi;
建立机器人的运动学模型,其中关于关节转角θi的机器人运动学方程和位姿转换矩阵分别为:
其中,机器人运动学误差方程为:
J=f(αi,ai,di,θi)
其中,超定线性方程组为:
步骤二,输入关节转角θi和通过测量仪器得到的机器人末端实际位姿矩阵P。
步骤三,通过微分运动学将机器人末端实际位姿矩阵P全微分得到机器人末端位姿误差与机器人运动学误差间的线性关系,即运动学线性误差模型:超定线性方程组J*X=W,其中J为机器人运动学误差矩阵,X为待辨识的运动学参数误差矩阵,W为末端位姿误差矩阵;利用所述运动学线性误差模型计算待辨识的运动学参数误差矩阵X。在该步骤中,通过最小二乘法求解超定线性方程组J*X=W。
步骤四,将辨识出的运动学参数误差矩阵X作为卡尔曼滤波的初始状态值,在系统模型中加入噪声后,利用卡尔曼滤波估计算法估计出最佳的机器人运动学参数误差矩阵X2。具体又包括如下步骤:
(4.1)将运动学参数误差矩阵X作为初始值,根据状态方程X(k|k-1)=X(k-1|k-1)预测K时刻的状态;
(4.2)根据系统K-1时刻的协方差估计第K时刻的系统协方差P(K|K-1);
(4.3)计算卡尔曼增益Kg;
(4.4)估计系统K时刻最优运动学参数X(K|K);
(4.5)计算当前系统协方差矩阵P(K|K);
(4.6)验证误差是否收敛,若是,则进行下一步;若否,则返回步骤(4.1);
(4.7)输出机器人运动学参数误差矩阵X2。
最后补偿机器人运动学参数误差,达到提高机器人末端绝对定位精度的目的。
以上应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (1)
1.一种基于卡尔曼滤波的机器人标定方法,其特征在于,包括如下步骤:
(1)建立机器人的运动学模型,得到机器人末端坐标系相对于机器人基坐标系的位姿转换矩阵;
(2)通过测量仪器得到机器人末端实际位姿矩阵P;
(3)通过微分运动学将机器人末端实际位姿矩阵P全微分得到机器人末端位姿误差与机器人运动学误差间的线性关系,即运动学线性误差模型:超定线性方程组J*X=W,其中J为机器人运动学误差矩阵,X为待辨识的运动学参数误差矩阵,W为末端位姿误差矩阵;利用所述运动学线性误差模型计算待辨识的运动学参数误差矩阵X;
(4)将辨识出的运动学参数误差矩阵X作为卡尔曼滤波的初始状态值,在模型中加入噪声后,利用卡尔曼滤波估计算法估计出最佳的机器人运动学参数误差矩阵X2;
(5)补偿机器人运动学参数误差;
所述步骤(1)又包括以下步骤:
定义机器人运动学参数D-H,编写相邻关节间齐次变换矩阵,其中,所述参数D-H包含关节轴之间的夹角αi、连杆长度ai、连杆偏距di、关节转角θi四个参数;
建立机器人的运动学模型,其中关于关节转角θi的机器人运动学方程和位姿转换矩阵分别为:
其中,机器人运动学误差方程为:
J=f(αi,ai,di,θi)
其中,超定线性方程组为:
所述步骤(2)还包括输入关节转角θi的步骤;
在所述步骤(3)中,通过最小二乘法求解所述超定线性方程组J*X=W;
所述步骤(4)又包括以下步骤:
(4.1)将运动学参数误差矩阵X作为初始值,根据状态方程X(K|K-1)=X(K-1|K-1)预测K时刻的状态;
(4.2)根据系统K-1时刻的协方差估计第K时刻的系统协方差P(K|K-1);
(4.3)计算卡尔曼增益Kg;
(4.4)估计系统K时刻最优运动学参数X(K|K);
(4.5)计算当前系统协方差矩阵P(K|K);
(4.6)验证误差是否收敛,若是,则进行下一步;若否,则返回步骤(4.1);
(4.7)输出所述机器人运动学参数误差矩阵X2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610411182.0A CN106097390B (zh) | 2016-06-13 | 2016-06-13 | 一种基于卡尔曼滤波的机器人运动学参数标定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610411182.0A CN106097390B (zh) | 2016-06-13 | 2016-06-13 | 一种基于卡尔曼滤波的机器人运动学参数标定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106097390A CN106097390A (zh) | 2016-11-09 |
CN106097390B true CN106097390B (zh) | 2019-08-23 |
Family
ID=57845722
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610411182.0A Active CN106097390B (zh) | 2016-06-13 | 2016-06-13 | 一种基于卡尔曼滤波的机器人运动学参数标定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106097390B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109591052A (zh) * | 2018-12-10 | 2019-04-09 | 珠海格力智能装备有限公司 | 机器人定位精度的设计方法、装置、存储介质和处理器 |
CN110722562B (zh) * | 2019-10-28 | 2021-03-09 | 华中科技大学 | 一种用于机器人参数辨识的空间雅克比矩阵构造方法 |
CN111761586B (zh) * | 2020-07-22 | 2022-02-22 | 西安文理学院 | 一种基于大数据的远程控制机器人 |
CN113160334B (zh) * | 2021-04-28 | 2023-04-25 | 北京邮电大学 | 一种基于手眼相机的双机器人系统标定方法 |
CN114643598B (zh) * | 2022-05-13 | 2022-09-13 | 北京科技大学 | 一种基于多信息融合的机械臂末端位置估计方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101231749A (zh) * | 2007-12-20 | 2008-07-30 | 昆山华恒工程技术中心有限公司 | 一种工业机器人的标定方法 |
CN103231375A (zh) * | 2013-04-28 | 2013-08-07 | 苏州大学 | 基于距离误差模型的工业机器人标定方法 |
CN104296725A (zh) * | 2014-10-08 | 2015-01-21 | 南开大学 | 机器人可变形操作臂参数标定方法 |
CN104608129A (zh) * | 2014-11-28 | 2015-05-13 | 江南大学 | 基于平面约束的机器人标定方法 |
CN105425582A (zh) * | 2015-11-04 | 2016-03-23 | 北京航空航天大学 | 一种基于卡尔曼滤波的Stewart机构在线标定方法 |
-
2016
- 2016-06-13 CN CN201610411182.0A patent/CN106097390B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101231749A (zh) * | 2007-12-20 | 2008-07-30 | 昆山华恒工程技术中心有限公司 | 一种工业机器人的标定方法 |
CN103231375A (zh) * | 2013-04-28 | 2013-08-07 | 苏州大学 | 基于距离误差模型的工业机器人标定方法 |
CN104296725A (zh) * | 2014-10-08 | 2015-01-21 | 南开大学 | 机器人可变形操作臂参数标定方法 |
CN104608129A (zh) * | 2014-11-28 | 2015-05-13 | 江南大学 | 基于平面约束的机器人标定方法 |
CN105425582A (zh) * | 2015-11-04 | 2016-03-23 | 北京航空航天大学 | 一种基于卡尔曼滤波的Stewart机构在线标定方法 |
Non-Patent Citations (3)
Title |
---|
Laser-Based Kinematic Calibration of Robot Manipulator Using Differential Kinematics;In-Won Park et al.;《IEEE/ASME TRANSACTIONS ON MECHATRONICS》;20121231;第17卷(第6期);摘要,第1060-1063页 |
Online Serial Manipulator Calibration Based on Multisensory Process Via Extended Kalman and Particle Filters;Guanglong Du et al.;《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》;20141231;第61卷(第12期);第6852-6859页 |
机器人运动学参数辨识及冗余参数研究;张越;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140315;第2014年卷(第3期);第I140-391页 |
Also Published As
Publication number | Publication date |
---|---|
CN106097390A (zh) | 2016-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106097390B (zh) | 一种基于卡尔曼滤波的机器人运动学参数标定方法 | |
WO2018090323A1 (zh) | 一种坐标系标定方法、系统及装置 | |
CN106994686B (zh) | 关节外力力矩的计算方法及装置、机器人 | |
CN111660307B (zh) | 一种机器人操作高辅精度的虚拟夹具控制方法及系统 | |
CN107984472B (zh) | 一种用于冗余度机械臂运动规划的变参神经求解器设计方法 | |
CN104608129B (zh) | 基于平面约束的机器人标定方法 | |
CN106406277B (zh) | 机器人运动学参数误差优化补偿方法及装置 | |
CN110948504B (zh) | 机器人加工作业法向恒力跟踪方法和装置 | |
CN106064379B (zh) | 一种机器人自动计算实际臂长的方法 | |
CN110039528A (zh) | 一种基于动态学习的工业机器人零点标定方法 | |
CN114216456B (zh) | 一种基于imu与机器人本体参数融合的姿态测量方法 | |
CN107339987B (zh) | 一种基于函数迭代积分的刚体姿态解算方法 | |
US11340576B2 (en) | Method and apparatus for estimating system error of commissioning tool of industrial robot | |
WO2022121003A1 (zh) | 机器人控制方法、装置、计算机可读存储介质及机器人 | |
CN112643665B (zh) | 一种绝对位姿传感器安装误差的标定方法和装置 | |
CN112959364B (zh) | 一种工业机器人装配误差补偿系统及方法 | |
CN114454174B (zh) | 机械臂动作捕捉方法、介质、电子设备及系统 | |
CN112318498A (zh) | 一种考虑参数耦合的工业机器人标定方法 | |
CN115752507A (zh) | 基于二维码导航的在线单舵轮agv参数标定方法及系统 | |
CN109311155B (zh) | 一种工业机器人的工具坐标系原点的标定方法及装置 | |
CN104424601B (zh) | 异形体装配件的对中装配方法及装置 | |
CN109909999B (zh) | 一种获取机器人tcp坐标的方法和装置 | |
CN109333520A (zh) | 一种四轴scara机器人逆解方法 | |
CN106020125B (zh) | 一种基于速度连续的工业机器人运动学算法 | |
CN116572255A (zh) | 坐标原点的标定方法、标定装置及介质 |
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 |