CN108759672B

CN108759672B - 工业机器人末端位置测量及位移误差补偿方法

Info

Publication number: CN108759672B
Application number: CN201810624662.4A
Authority: CN
Inventors: 孔令豹; 余熠
Original assignee: Fudan University
Current assignee: Fudan University
Priority date: 2018-06-16
Filing date: 2018-06-16
Publication date: 2020-04-24
Anticipated expiration: 2038-06-16
Also published as: CN108759672A

Abstract

本发明属于机器人技术领域，具体为一种工业机器人的末端位置测量及位移误差补偿的方法。本发明方法包括基于球心三维坐标求解的位置测量方法和基于最小二乘随机森林的位移误差补偿算法，具体步骤包括：搭建位置测量系统，采集训练数据集，构建补偿映射模型，补偿位移误差补偿。本发明的测量机构与工业机器人无直接接触，避免了材料形变可能带来的潜在的测量误差与可能的机械损伤；本发明支持工业机器人操控系统与位移测量系统的联动，大大提高的测量效率，显著降低数据集采集的时间与人力成本，有利于大幅提升采集的数据集的规模；本发明采用人工智能算法，有效实现了从离散化的采样点到全空间全坐标的连续化拟合，补偿效果更佳。

Description

工业机器人末端位置测量及位移误差补偿方法

技术领域

本发明属于机器人技术领域，具体涉及一种适用于工业机器人（机械臂）的末端位置测量及位移误差补偿的方法。

背景技术

工业机器人（机械臂）具有工作范围大、自由度多、易于集成等特点，在现代工业制造中具有广泛的应用。然而，工业机器人（机械臂）的定位精度较低，在一些对定位精度要求较高的工业场景中的应用受到限制。然而，工业机器人（机械臂）的位移重复性较高，精确测量工业机器人（机械臂）末端实际位置并与指令位置比对，从而通过回归算法对工业机器人（机械臂）末端位移误差进行补偿，有望显著提升工业机器人（机械臂）定位精度。

当前的工业机器人（机械臂）末端位置测量方法多为基于三坐标测量仪的接触式测量方案，补偿方法多为插值、补值，测量过程繁琐，自动化程度低，对空间测量点的取样密度要求高，离散性的取样难以支撑高精度的连续性补偿，位移误差补偿效果欠佳。

发明内容

为了克服现有技术的上述缺点与不足，本发明提出一种自动化程度高、补偿效果好的适用于工业机器人（机械臂）的末端位置测量及位移误差补偿的方法。

本发明提出的适用于工业机器人（机械臂）的末端位置测量及位移误差补偿的方法，包括基于球心三维坐标求解的位置测量方法和基于最小二乘随机森林的位移误差补偿算法，属于非接触式测量，实现了测量过程的高度自动化，对空间测量点的取样密度要求降低，补偿效果得到提升。

本发明提出的工业机器人末端位置测量及位移误差补偿的方法，具体步骤包括：搭建位置测量系统，采集训练数据集，构建补偿映射模型，补偿位移误差补偿。

步骤1、搭建位置测量系统，即搭建包含三个激光位移传感器的位移传感系统。

步骤1.1、调节第一、第二两个激光位移传感器的测量光路重合而光线传播方向相反：在工作台上放置两个小孔光阑，调节两个激光位移传感器的测量光路，使得两个光束分别从两个相反的方向穿过两个小孔光阑；

步骤1.2、调节第三个激光位移传感器的测量光路与另两个激光位移传感器的测量光路相交且垂直：将镀有半透半反膜的分光镜置于已调节好的两个激光位移传感器的测量光路中，且分光镜法线与该光路夹角为45°；调节第三个激光位移传感器的测量光路，使得其经半透半反镜膜的反射光线与已调好的两个激光位移传感器的测量光路重合；

步骤1.3、确定位移传感器测量零点：在上述步骤完成的状态下，将三个激光位移传感器的示数置零。

步骤2、采集训练数据集，即在工业机器人（机械臂）末端装配一个直径已知的标准球，以球心位置作为考察点；采集大量的末端球心指令坐标与相应的实际坐标的样本，作为训练数据集；具体操作步骤为：

步骤2.1、在工业机器人（机械臂）末端装配一个直径已知的标准球；

步骤2.2、操控工业机器人（机械臂），将直径已知的标准球移动到某一位置，使得三个激光位移传感器发射的激光均照射到该标准球上；

步骤2.3、读出并记录此时的三个激光位移传感器的示数，代入三维直角坐标系球面方程，解得球心坐标；

步骤2.4、在工业机器人（机械臂）控制程序中将末端此时所处的位置坐标标记为解得的球心坐标；

步骤2.5、依次重复执行步骤2.2、步骤2.3、步骤2.4三次，共标记4个点的坐标；

步骤2.6、操控工业机器人，保持三个激光位移传感器发射的激光始终照射在标准球面，以程序指令命令球心依次运行至任意空间点，记录程序指令坐标；

步骤2.7、读出并记录此时的三个激光位移传感器的示数，代入三维直角坐标系球面方程，解得球心坐标；

步骤2.8、依次重复执行步骤2.6、步骤2.7，合计N-1次，即共执行N次，依次记录程序指令坐标为：

(x_i ^{(Train Label)},y_i ^{(Train Label)},z_i ^{(Train Label)}),i=1,2,3…N

依次记录解得的球心坐标为：

(x_i ^{(Train Feature)},y_i ^{(Train Feature)},z_i ^{(Train Feature)}),i=1,2,3…N

步骤2.9、将程序指令坐标及对应的解得的球心坐标一一配对为样本，建立训练数据集D：

D={[(x_i ^{(TrainFeature)},y_i ^{(Train Feature)},z_i ^{(Train Feature)}),(x_i ^{(Train Label)},y_i ^{(Train Label)},z_i ^{(Train Label)})]| i=1,2,3…N}。

步骤3、构建补偿映射模型，即构建以最小二乘回归决策树为基学习器的随机森林算法，用该机器学习算法学习训练数据集，得到从实际坐标到指令坐标的映射模型；具体操作步骤为：

步骤3.1、从训练数据集D中随机选取一个样本，将该样本复制后添加至新的训练数据集D’（D’初始为空集）；

步骤3.2、依次重复执行步骤3.1，合计N-1次，即共执行N次，得到包含N个样本的新的数据集D’；

步骤3.3、从x、y、z三个维度中随机选取一个，标记为维度k；

步骤3.4、将数据集D’分割成两个数据集A和B：

A={[(x_i ^{(Train Feature)},y_i ^{(Train Feature)},z_i ^{(Train Feature)}),(x_i ^{(Train Label)},y_i ^{(Train Label)},z_i ^{(Train Label)})]| [(x_i ^{(Train Feature)},y_i ^{(Train Feature)},z_i ^{(Train Feature)}),(x_i ^{(Train Label)},y_i ^{(Train Label)},z_i ^{(Train Label)})]∈D’,k_i ^{(Train Feature)}≤s}

B={[(x_i ^{(Train Feature)},y_i ^{(Train Feature)},z_i ^{(Train Feature)}),(x_i ^{(Train Label)},y_i ^{(Train Label)},z_i ^{(Train Label)})]| [(x_i ^{(Train Feature)},y_i ^{(Train Feature)},z_i ^{(Train Feature)}),(x_i ^{(Train Label)},y_i ^{(Train Label)},z_i ^{(Train Label)})]∈D’,k_i ^{(Train Feature)}＞s}

标记均方误差：

σ_i ^A=[(x_i ^{(Train Label)}-x_A ^{(Train Label)})²+(y_i ^{(Train Label)}-y_A ^{(Train Label)})²

+(z_i ^{(Train Label)}-z_A ^{(Train Label)})²]^1/2

σ_i ^B=[(x_i ^{(Train Label)}-x_B ^{(Train Label)})²+(y_i ^{(Train Label)}-y_B ^{(Train Label)})²

+(z_i ^{(Train Label)}-z_B ^{(Train Label)})²]^1/2

其中x_A ^{(Train Label)}、y_A ^{(Train Label)}、z_A ^{(Train Label)}分别为集合A中全体样本的x_i ^(Train ^Label)、y_i ^{(Train Label)}、z_i ^{(Train Label)}的均值，x_B ^{(Train Label)}、y_B ^{(Train Label)}、z_B ^{(Train Label)}分别为集合B中全体样本的x_i ^{(Train Label)}、y_i ^{(Train Label)}、z_i ^{(Train Label)}的均值；

则s值确定如下

步骤3.5、对分割完成的两个新的数据集分别依次重复执行步骤3.3、步骤3.4，生成一棵最小二乘随机二叉回归决策树；

步骤3.6、依次重复执行步骤3.1至步骤3.5，合计m-1次，即共执行m次，得到m棵最小二乘随机二叉回归决策树，分别标记为函数f_i(·)：

(x^(output) ,y^(output) ,z^(output))=f_i[(x^(input) ,y^(input) ,z^(input))],i=1,2,3…m

步骤3.7、将m棵最小二乘随机二叉回归决策树集成为随机森林，将随机森林标记为函数f(·)：

(x^(output) ,y^(output) ,z^(output))=f[(x^(input) ,y^(input) ,z^(input))]={∑f_i[(x^(input),y^(input) ,z^(input))]}/m,i=1,2,3…m 。

步骤4、补偿位移误差，即将工业机器人（机械臂）末端的期望运动坐标输入学得的从实际坐标到指令坐标的映射模型，将映射模型的输出值取代期望运动坐标作为操控工业机器人的指令，实现位移误差补偿；具体操作步骤为：

步骤4.1、选定人为希望工业机器人（机械臂）末端所要运动到的坐标，记为：

(x^(expected) ,y^(expected) ,z^(expected))

步骤4.2、将选定的人为希望工业机器人（机械臂）末端所要运动到的坐标输入随机森林函数f(·),得到输出：

(x^{(compensated)} ,y^{(compensated)} ,z^{(compensated)})=f[(x^(expected) ,y^(expected) ,z^(expected))]

步骤4.3、将随机森林函数f(·)的输出值：

(x^{(compensated)} ,y^{(compensated)} ,z^{(compensated)})

取代期望值：

(x^(expected) ,y^(expected) ,z^(expected))

作为指令坐标输入工业机器人（机械臂）控制程序。

与现有技术相比，本发明具有以下优点和有益效果：

1、本发明的测量机构与工业机器人无直接接触，避免了材料形变可能带来的潜在的测量误差与可能的机械损伤；

2、本发明支持工业机器人（机械臂）操控系统与位移测量系统的联动，大大提高的测量效率，显著降低了数据集采集的时间与人力成本，有利于大幅提升采集的数据集的规模；

3、本发明采用的以最小二乘二叉回归决策树为基学习器的随机森林的人工智能算法，有效实现了从离散化的采样点到全空间全坐标的连续化拟合，相比于传统的插值、补值算法，回归模型更为合理，补偿效果更佳。

附图说明

图1为本发明实现工业机器人（机械臂）末端位置测量及位移误差补偿的方法示意图。

图2为本发明实现位置测量系统搭建的方法示意图。

图3为本发明实现训练数据集采集的方法示意图。

图4为本发明实现补偿模型映射搭建的方法示意图。

图5为本发明实现位移误差补偿的方法示意图。

图6为本发明实施例1的KeyenceLK-H150激光位移传感器工作原理示意图。

图7为本发明实施例1的KeyenceLK-H150激光位移传感器示意图。

图8为实施例1的三个KeyenceLK-H150激光位移传感器组成的位移测量系统示意图。

图9为实施例1的KeyenceLK-H150激光位移传感器参数示意图。

图10为实施例1的工业机器人（机械臂）、末端装配的标准球、位移测量系统布局示意图。

具体实施方式

下面结合实施例及附图，对本发明作进一步地详细说明，但本发明的实施方式不限于此。

实施例1

如图1所示，本发明实现工业机器人（机械臂）末端位置测量及位移误差补偿的方法主要包括位置测量系统搭建、训练数据集采集、补偿模型映射构建、位移误差补偿四个步骤。

进一步地，图2为本发明实现位置测量系统搭建的方法示意图，图3为本发明实现训练数据集采集的方法示意图，图4为本发明实现补偿模型映射搭建的方法示意图，图5为本发明实现位移误差补偿的方法示意图。

进一步地，本实例采用的KeyenceLK-H150激光位移传感器。图6为Keyence LK-H150激光位移传感器的工作原理，是根据反射光路照射在感光元件上的具体位置的不同来测量距离。图7为Keyence LK-H150激光位移传感器外观与大致结构。图8为本实例搭建的测量系统，由三个Keyence LK-H150激光位移传感器、一个Keyence G5001激光位移传感器控制器及扩展模块、一个220V交流转5V直流电源和一台计算机组成。图9为Keyence LK-H150激光位移传感器的主要工作参数，包括工作距离为110mm至190mm，再现性0.25μm，光斑直径120μm。

进一步地，本实例采用的工业机器人（机械臂）、装配的直径为100mm的标准球、位移测量系统布局如图10所示。三个Keyence LK-H150激光位移传感器中的两个的激光光路相重合且传播方向相反，第三个激光位移传感器的光路与指相交且垂直。三个Keyence LK-H150激光位移传感器均放置在水平倾斜调节台上，且连接在同一个基板上。直径100mm的标准求装配在工业机器人（机械臂）末端，且确保三个位移传感器的激光均照射在标准球上。

上述实施例仅为本发明的一种实施方式，但本发明的实施方式并不受上述实施例的限制，其他任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims

1.一种工业机器人的末端位置测量及位移误差补偿的方法，其特征在于，具体步骤为：

步骤1、搭建包含三个激光位移传感器的位移传感系统；

步骤2、在工业机器人末端装配一个直径已知的标准球，以球心位置作为考察点；采集大量的末端球心指令坐标与相应的实际坐标的样本，作为训练数据集；

步骤3、构建以最小二乘回归决策树为基学习器的随机森林算法，用该机器学习算法学习训练数据集，学得从实际坐标到指令坐标的映射模型；

步骤4、将工业机器人末端的期望运动坐标输入学得的从实际坐标到指令坐标的映射模型，将映射模型的输出值取代期望运动坐标作为操控工业机器人的指令，实现位移误差补偿；

步骤1中搭建位移传感系统的操作步骤为：

2.根据权利要求1所述的工业机器人的末端位置测量及位移误差补偿的方法，其特征在于，步骤2中采集训练数据集的操作步骤为：

步骤2.1、在工业机器人末端装配一个直径已知的标准球；

步骤2.2、操控工业机器人，将直径已知的标准球移动到某一位置，使得三个激光位移传感器发射的激光均照射到该标准球上；

步骤2.4、在工业机器人控制程序中将末端此时所处的位置坐标标记为解得的球心坐标；

(x_i ^{(Train Label)},y_i ^{(Train Label)},z_i ^{(Train Label)}),i=1,2,3…N

依次记录解得的球心坐标为：

D={[(x_i ^{(Train Feature)},y_i ^{(Train Feature)},z_i ^{(Train Feature)}),(x_i ^{(Train Label)},y_i ^{(Train Label)},z_i ^(Train ^Label))]| i=1,2,3…N}。

3.根据权利要求2所述的工业机器人的末端位置测量及位移误差补偿的方法，其特征在于，步骤3中构建补偿映射模型的操作步骤为：

步骤3.1、从训练数据集D中随机选取一个样本，将该样本复制后添加至新的训练数据集D’，D’初始为空集；

步骤3.3、从x、y、z三个维度中随机选取一个，标记为维度k；

步骤3.4、将数据集D’分割成两个数据集A和B：

A={[(x_i ^{(Train Feature)},y_i ^{(Train Feature)},z_i ^{(Train Feature)}),(x_i ^{(Train Label)},y_i ^{(Train Label)},z_i ^(Train ^Label))]| [(x_i ^{(Train Feature)},y_i ^{(Train Feature)},z_i ^{(Train Feature)}),(x_i ^{(Train Label)},y_i ^{(Train Label)},z_i ^{(Train Label)})]∈D’,k_i ^{(Train Feature)}≤s}

B={[(x_i ^{(Train Feature)},y_i ^{(Train Feature)},z_i ^{(Train Feature)}),(x_i ^{(Train Label)},y_i ^{(Train Label)},z_i ^(Train ^Label))]| [(x_i ^{(Train Feature)},y_i ^{(Train Feature)},z_i ^{(Train Feature)}),(x_i ^{(Train Label)},y_i ^{(Train Label)},z_i ^{(Train Label)})]∈D’,k_i ^{(Train Feature)}＞s}

标记均方误差：

+(z_i ^{(Train Label)}-z_A ^{(Train Label)})²]^1/2

+(z_i ^{(Train Label)}-z_B ^{(Train Label)})²]^1/2

其中x_A ^{(Train Label)}、y_A ^{(Train Label)}、z_A ^{(Train Label)}分别为集合A中全体样本的x_i ^{(Train Label)}、y_i ^{(Train Label)}、z_i ^{(Train Label)}的均值，x_B ^{(Train Label)}、y_B ^{(Train Label)}、z_B ^{(Train Label)}分别为集合B中全体样本的x_i ^{(Train Label)}、y_i ^{(Train Label)}、z_i ^{(Train Label)}的均值；

则s值确定如下

(x^(output) ,y^(output) ,z^(output))=f[(x^(input) ,y^(input) ,z^(input))]={∑f_i[(x^(input) ,y^(input) ,z^(input))]}/m,i=1,2,3…m。

4.根据权利要求3所述的工业机器人的末端位置测量及位移误差补偿的方法，其特征在于，步骤4中补偿位移误差的具体操作步骤为：

步骤4.1、选定人为希望工业机器人末端所要运动到的坐标，记为：

(x^(expected) ,y^(expected) ,z^(expected))

步骤4.2、将选定的人为希望工业机器人末端所要运动到的坐标输入随机森林函数f(·),得到输出：

步骤4.3、将随机森林函数f(·)的输出值：

(x^{(compensated)} ,y^{(compensated)} ,z^{(compensated)})

取代期望值：

(x^(expected) ,y^(expected) ,z^(expected))

作为指令坐标输入工业机器人控制程序。