CN110967042A - 一种工业机器人定位精度标定方法、装置及系统 - Google Patents
一种工业机器人定位精度标定方法、装置及系统 Download PDFInfo
- Publication number
- CN110967042A CN110967042A CN201911342243.2A CN201911342243A CN110967042A CN 110967042 A CN110967042 A CN 110967042A CN 201911342243 A CN201911342243 A CN 201911342243A CN 110967042 A CN110967042 A CN 110967042A
- Authority
- CN
- China
- Prior art keywords
- robot
- theoretical
- error
- learning machine
- hidden layer
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
Abstract
本发明公开的一种工业机器人定位精度标定方法、装置及系统,其中,标定方法包括步骤:S101、分别获取机器人在n个采样点的实际位置和理论位置;S102、通过实际位置和理论位置做差处理,得到机器人在n个采样点的误差值;S103、以机器人的理论位置为输入层,以该理论位置对应的误差值为输出层,通过采用最优剪枝极限学习机模型对隐藏层进行训练,建立误差模型;S104、将机器人所要到的目标位置输入误差模型中,计算目标位置的偏差值;S105、将机器人所要到的目标位置与该位置对应的补偿值进行叠加,得到机器人的期望目标位置;本发明不需要修改工业机器人控制系统运动参数,减少对工业机器人控制系统开发程度,降低企业的使用成本。
Description
技术领域
本发明属于工业机器人标定的技术领域,具体涉及一种工业机器人定位精度标定方法、装置及系统。
背景技术
随着智能制造技术发展的逐步深入,工业机器人在产品生产制造、加工装配、去毛刺抛光、离线编程等方面应用越来越多,这些应用主要依赖机器人的绝对定位精度,而工业机器人一般具有较高的重复定位精度,而绝对定位精度较低,较低的绝对定位精度难以保证产品质量,因此通过对机器人进行标定来提高绝对定位精度变得尤为重要。
目前机器人标定常用的方法建立机器人误差模型、位姿测量、参数辨识、误差补偿的标定方法,不仅对使用者技术水平要求较高,而且标定完成后需要对机器人控制系统中运动学参数补偿,大多数工业机器人生产商控制系统不对外开放或需要额外费用,因此该方法在生产企业现场难以推广。
发明内容
本发明克服现有技术存在的不足,所要解决的技术问题为:提供一种不需要修改机器人控制系统参数、操作简单便捷的工业机器人定位精度标定方法、装置及系统。
为了解决上述技术问题,本发明采用的技术方案为:一种工业机器人定位精度标定方法,包括:S101、分别获取机器人在n个采样点的实际位置和理论位置;S102、通过实际位置和理论位置做差处理,得到机器人在n个采样点的误差值;S103、以机器人的理论位置为输入层,以该理论位置对应的误差值为输出层,通过采用最优剪枝极限学习机模型对隐藏层进行训练,建立误差模型;S104、将机器人所要到的目标位置输入误差模型中,计算目标位置的偏差值;S105、将机器人所要到的目标位置与该位置对应的补偿值进行叠加,得到机器人的期望目标位置。
优选地,所述分别获取机器人在n个采样点的实际位置和理论位置,包括:在机器人的工作空间内均匀选取一系列采样点,作为机器人的理论位置;通过激光跟踪仪采集机器人运动到所选取的采样点时所对应的实际位置。
优选地,所述通过采用最优剪枝极限学习机模型对隐藏层进行训练,建立误差模型,具体包括:S1031、以机器人的理论位置为极限学习机的输入层,以机器人的实际位置为极限学习机的输出层,计算极限学习机隐藏层的激活函数;S1032、根据隐藏层的激活函数计算隐藏层的输出矩阵;S1033、根据隐藏层的输出矩阵计算输出层权值;S1034、保存误差模型。
相应地,一种工业机器人定位精度标定装置,包括:获取单元:用于分别获取机器人在n个采样点的实际位置和理论位置;处理单元:通过实际位置和理论位置做差处理,得到机器人在n个采样点的误差值;误差模型建立单元:以机器人的理论位置为输入层,以该理论位置对应的误差值为输出层,通过采用最优剪枝极限学习机模型对隐藏层进行训练,建立误差模型;偏差值计算单元:用于将机器人所要到的目标位置输入误差模型中,计算目标位置的偏差值;补偿单元:用于将机器人所要到的目标位置与该位置对应的补偿值进行叠加,得到机器人的期望目标位置。
优选地,所述获取单元,包括:第一获取单元:用于在机器人的工作空间内均匀选取一系列采样点,作为机器人的理论位置;第二获取单元:通过激光跟踪仪采集机器人运动到所选取的采样点时所对应的实际位置。
优选地,所述误差模型建立单元,包括:第一计算单元:以机器人的理论位置为极限学习机的输入层,以机器人的实际位置为极限学习机的输出层,计算极限学习机隐藏层的激活函数;第二计算单元:根据隐藏层的激活函数计算隐藏层的输出矩阵;第三计算单元:根据隐藏层的输出矩阵计算输出层权值;保存单元:用于保存误差模型。
相应地,一种工业机器人定位精度标定系统,包括:机器人:用于在工作空间内进行动作;标准靶球:固定安装在机器人末端部位,用于实时跟踪机器人的动作轨迹;激光跟踪仪:固定于机器人工作区域外,并安装固定调水平,用于实时跟踪和测量标准靶球的实际位置信息,并将实际位置信息发送至机器人控制器;机器人控制器:用于接收机器人的理论位置信息和实际位置信息,经处理后得到机器人的期望目标位置信息。
本发明与现有技术相比具有以下有益效果:
1、本发明一种工业机器人定位精度标定方法、装置及系统,分别获取机器人在n个采样点的实际位置和理论位置,通过实际位置和理论位置做差处理,得到机器人在n个采样点的误差值,以机器人的理论位置为输入层,以该理论位置对应的误差值为输出层,通过采用最优剪枝极限学习机模型对隐藏层进行训练,建立误差模型,将机器人所要到的目标位置输入误差模型中,计算目标位置的偏差值,将机器人所要到的目标位置与该位置对应的补偿值进行叠加,得到机器人的期望目标位置,从而控制机器人运动,到达期望的目标位置,从而提高机器人绝对精度,满足实际应用的需求,本发明不需要修改工业机器人控制系统运动参数,减少对工业机器人控制系统开发程度,降低企业的使用成本。
2、本发明以机器人的理论位置为最优剪枝极限学习机模型的输入层,以机器人的实际位置为最优剪枝极限学习机模型的输出层,计算极限学习机隐藏层的激活函数、输出矩阵和输出层的权值,从而得到误差模型;本实施例通过采用最优剪枝极限学习机模型建立机器人误差回归模型,不需要根据每台机器人结构建立机器人误差模型,机器人标定操作简单高效,适合车间现场操作者使用;并且本发明通过最优剪枝极限学习机具备修剪隐层节点个数,提高模型泛化能力与精度,消除极限学习机中隐层节点个数对预测精度的影响,减少模型训练实际,提高了模型预测精度,具有较好的精度补偿效果。
附图说明
下面结合附图对本发明做进一步详细的说明;
图1为本发明实施例一提供的一种工业机器人定位精度标定方法的流程示意图;
图2为本发明实施例二提供的一种工业机器人定位精度标定方法的流程示意图;
图3为本发明实施例一提供的一种工业机器人定位精度标定装置的结构示意图;
图4为本发明实施例二提供的一种工业机器人定位精度标定装置的结构示意图;
图5为本发明实施例一提供的一种工业机器人定位精度标定系统的结构示意图;
图中:101为获取单元,1011为第一获取单元,1012为第二获取单元,102为处理单元,103为误差模型建立单元,1031为第一计算单元,1032为第二计算单元,1033为第三计算单元,1034为保存单元,104为偏差值计算单元,105为补偿单元,1为机器人,2为标准靶球,3为激光跟踪仪,4为机器人控制器。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例;基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例一提供的一种工业机器人定位精度标定方法的流程示意图,如图1所示,一种工业机器人定位精度标定方法,包括:
S101、分别获取机器人在n个采样点的实际位置和理论位置;
S102、通过实际位置和理论位置做差处理,得到机器人在n个采样点的误差值;
S103、以机器人的理论位置为输入层,以该理论位置对应的误差值为输出层,通过采用最优剪枝极限学习机模型对隐藏层进行训练,建立误差模型;
S104、将机器人所要到的目标位置输入误差模型中,计算目标位置的偏差值;
S105、将机器人所要到的目标位置与该位置对应的补偿值进行叠加,得到机器人的期望目标位置。
进一步地,所述分别获取机器人在n个采样点的实际位置和理论位置,包括:在机器人的工作空间内均匀选取一系列采样点,作为机器人的理论位置;通过激光跟踪仪采集机器人运动到所选取的采样点时所对应的实际位置。
具体地,在机器人的工作空间内均匀选取一系列采样点,操作机器人运动到该位置,作为机器人的理论位置;同时采用激光跟踪仪记录机器人到达采样点的位置,作为工业机器人的实际位置,得到机器人在采样点的误差值;以机器人的理论位置为输入层,以该理论位置对应的误差值为输出层,通过采用最优剪枝极限学习机模型对隐藏层进行训练,建立误差模型,随后,将机器人所要到的目标位置输入误差模型中,得到目标位置的偏差值,经偏差值与目标位置叠加后,得到机器人的期望目标位置,从而控制机器人运动,到达期望的目标位置,提高机器人绝对精度,满足实际应用的需求;本实施例不需要修改工业机器人控制系统运动参数,减少对工业机器人控制系统开发程度,降低企业的使用成本。
图2为本发明实施例二提供的一种工业机器人定位精度标定方法的流程示意图,如图2所示,在实施例一的基础上,所述通过采用最优剪枝极限学习机模型对隐藏层进行训练,建立误差模型,具体包括:
S1031、以机器人的理论位置为极限学习机的输入层,以机器人的实际位置为极限学习机的输出层,计算极限学习机隐藏层的激活函数;
S1032、根据隐藏层的激活函数计算隐藏层的输出矩阵;
S1033、根据隐藏层的输出矩阵计算输出层的权值;
S1034、保存误差模型。
具体地,以机器人的理论位置为最优剪枝极限学习机模型的输入层,以机器人的实际位置为最优剪枝极限学习机模型的输出层,计算极限学习机隐藏层的激活函数、输出矩阵和输出层的权值,从而得到误差模型;本实施例通过采用最优剪枝极限学习机模型建立机器人误差回归模型,不需要根据每台机器人结构建立机器人误差模型,机器人标定操作简单高效,适合车间现场操作者使用;并且本实施例通过最优剪枝极限学习机具备修剪隐层节点个数,提高模型泛化能力与精度,消除极限学习机中隐层节点个数对预测精度的影响,减少模型训练实际,提高了模型预测精度,具有较好的精度补偿效果。
图3为本发明实施例一提供的一种工业机器人定位精度标定装置的结构示意图,如图3所示,一种工业机器人定位精度标定装置,包括:
获取单元101:用于分别获取机器人在n个采样点的实际位置和理论位置;
处理单元102:通过实际位置和理论位置做差处理,得到机器人在n个采样点的误差值;
误差模型建立单元103:以机器人的理论位置为输入层,以该理论位置对应的误差值为输出层,通过采用最优剪枝极限学习机模型对隐藏层进行训练,建立误差模型;
偏差值计算单元104:用于将机器人所要到的目标位置输入误差模型中,计算目标位置的偏差值;
补偿单元105:用于将机器人所要到的目标位置与该位置对应的补偿值进行叠加,得到机器人的期望目标位置。
具体地,获取单元101分别获取机器人在n个采样点的实际位置和理论位置,处理单元102计算机器人在n个采样点的误差值,以机器人的理论位置为输入层,以该理论位置对应的误差值为输出层,通过采用最优剪枝极限学习机模型建立机器人误差模型,从而达到对机器人误差的预测,只需对加工程序进行修正,不需要修改机器人控制系统参数,操作简单便捷,具有较好的应用前景。
图4为本发明实施例二提供的一种工业机器人定位精度标定装置的结构示意图,如图4所示,在实施例一的基础上,所述获取单元101,包括:
第一获取单元1011:用于在机器人的工作空间内均匀选取一系列采样点,作为机器人的理论位置;
第二获取单元1012:通过激光跟踪仪采集机器人运动到所选取的采样点时所对应的实际位置。
所述误差模型建立单元103,包括:
第一计算单元1031:以机器人的理论位置为极限学习机的输入层,以机器人的实际位置为极限学习机的输出层,计算极限学习机隐藏层的激活函数;
第二计算单元1032:根据隐藏层的激活函数计算隐藏层的输出矩阵;
第三计算单元1033:根据隐藏层的输出矩阵计算输出层权值;
保存单元1034:用于保存误差模型。
图5为本发明实施例一提供的一种工业机器人定位精度标定系统的结构示意图,如图5所示,一种工业机器人定位精度标定系统,包括:
机器人1:用于在工作空间内进行动作;
标准靶球2:固定安装在机器人末端部位,用于实时跟踪机器人的动作轨迹;
激光跟踪仪3:固定于机器人工作区域外,并安装固定调水平,用于实时跟踪和测量标准靶球的实际位置信息,并将实际位置信息发送至机器人控制器;
机器人控制器4:用于接收机器人的理论位置信息和实际位置信息,经处理后得到机器人的期望目标位置信息。
具体地,标准靶球2固定安装在机器人末端部位,机器人1在工作空间内进行动作时,标准靶球2随机器人1的动作而移动,激光跟踪仪3实时跟踪和测量标准靶球2,从而获得机器人1的实际位置信息,机器人控制器4接收机器人的理论位置信息和实际位置信息,经处理后得到机器人的误差模型,从而预测出目标位置的偏差值,进而控制机器人1到达期望目标位置,只需对加工程序进行修正,不需要修改机器人控制系统参数,操作简单便捷,具有较好的应用前景,具有极强的实用性。
在本说明书的描述中,参考术语“一个实施例”、“一部分实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
可以理解的是,上述方法、装置及系统中的相关特征可以相互参考。另外,上述实施例中的“第一”、“第二”等是用于区分各实施例,而并不代表各实施例的优劣。
所述领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其他设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类装置所要求的结构是显而易见的。此外,本发明也不针对任何特定的编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在本申请所提供的实施例中,应该理解到,所揭露的系统和方法,可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (7)
1.一种工业机器人定位精度标定方法,其特征在于:包括:
S101、分别获取机器人在n个采样点的实际位置和理论位置;
S102、通过实际位置和理论位置做差处理,得到机器人在n个采样点的误差值;
S103、以机器人的理论位置为输入层,以该理论位置对应的误差值为输出层,通过采用最优剪枝极限学习机模型对隐藏层进行训练,建立误差模型;
S104、将机器人所要到的目标位置输入误差模型中,计算目标位置的偏差值;
S105、将机器人所要到的目标位置与该位置对应的补偿值进行叠加,得到机器人的期望目标位置。
2.根据权利要求1所述的一种工业机器人定位精度标定方法,其特征在于:所述分别获取机器人在n个采样点的实际位置和理论位置,包括:
在机器人的工作空间内均匀选取一系列采样点,作为机器人的理论位置;
通过激光跟踪仪采集机器人运动到所选取的采样点时所对应的实际位置。
3.根据权利要求1所述的一种工业机器人定位精度标定方法,其特征在于:所述通过采用最优剪枝极限学习机模型对隐藏层进行训练,建立误差模型,具体包括:
S1031、以机器人的理论位置为极限学习机的输入层,以机器人的实际位置为极限学习机的输出层,计算极限学习机隐藏层的激活函数;
S1032、根据隐藏层的激活函数计算隐藏层的输出矩阵;
S1033、根据隐藏层的输出矩阵计算输出层权值;
S1034、保存误差模型。
4.一种工业机器人定位精度标定装置,其特征在于:包括:
获取单元(101):用于分别获取机器人在n个采样点的实际位置和理论位置;
处理单元(102):通过实际位置和理论位置做差处理,得到机器人在n个采样点的误差值;
误差模型建立单元(103):以机器人的理论位置为输入层,以该理论位置对应的误差值为输出层,通过采用最优剪枝极限学习机模型对隐藏层进行训练,建立误差模型;
偏差值计算单元(104):用于将机器人所要到的目标位置输入误差模型中,计算目标位置的偏差值;
补偿单元(105):用于将机器人所要到的目标位置与该位置对应的补偿值进行叠加,得到机器人的期望目标位置。
5.根据权利要求4所述的一种工业机器人定位精度标定装置,其特征在于:所述获取单元(101),包括:
第一获取单元(1011):用于在机器人的工作空间内均匀选取一系列采样点,作为机器人的理论位置;
第二获取单元(1011):通过激光跟踪仪采集机器人运动到所选取的采样点时所对应的实际位置。
6.根据权利要求4所述的一种工业机器人定位精度标定装置,其特征在于:所述误差模型建立单元(103),包括:
第一计算单元(1031):以机器人的理论位置为极限学习机的输入层,以机器人的实际位置为极限学习机的输出层,计算极限学习机隐藏层的激活函数;
第二计算单元(1032):根据隐藏层的激活函数计算隐藏层的输出矩阵;
第三计算单元(1033):根据隐藏层的输出矩阵计算输出层权值;
保存单元(1034):用于保存误差模型。
7.一种工业机器人定位精度标定系统,其特征在于:包括:
机器人(1):用于在工作空间内进行动作;
标准靶球(2):固定安装在机器人(1)末端部位,用于实时跟踪机器人(1)的动作轨迹;
激光跟踪仪(3):固定于机器人(1)工作区域外,并安装固定调水平,用于实时跟踪和测量标准靶球(2)的实际位置信息,并将实际位置信息发送至机器人控制器(4);
机器人控制器(4):用于接收机器人(1)的理论位置信息和实际位置信息,经处理后得到机器人的期望目标位置信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911342243.2A CN110967042A (zh) | 2019-12-23 | 2019-12-23 | 一种工业机器人定位精度标定方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911342243.2A CN110967042A (zh) | 2019-12-23 | 2019-12-23 | 一种工业机器人定位精度标定方法、装置及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110967042A true CN110967042A (zh) | 2020-04-07 |
Family
ID=70036089
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911342243.2A Pending CN110967042A (zh) | 2019-12-23 | 2019-12-23 | 一种工业机器人定位精度标定方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110967042A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112643681A (zh) * | 2020-12-16 | 2021-04-13 | 湖南涉外经济学院 | 一种工业机械臂智能化路径规划装置及方法 |
CN113425322A (zh) * | 2021-06-25 | 2021-09-24 | 上海联影医疗科技股份有限公司 | 床板运动控制方法、系统、ct扫描系统及存储介质 |
CN113510709A (zh) * | 2021-07-28 | 2021-10-19 | 北京航空航天大学 | 基于深度强化学习的工业机器人位姿精度在线补偿方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106773661A (zh) * | 2015-11-20 | 2017-05-31 | 哈尔滨工大天才智能科技有限公司 | 一种基于elm的机器人自适应跟踪控制方法 |
CN108214476A (zh) * | 2017-12-28 | 2018-06-29 | 北京航空航天大学 | 基于改进型径向基神经网络的机械臂绝对定位精度标定方法 |
CN108908327A (zh) * | 2018-04-25 | 2018-11-30 | 成都飞机工业(集团)有限责任公司 | 一种机器人定位误差分级补偿方法 |
US20190042952A1 (en) * | 2017-08-03 | 2019-02-07 | Beijing University Of Technology | Multi-task Semi-Supervised Online Sequential Extreme Learning Method for Emotion Judgment of User |
CN110385720A (zh) * | 2019-07-26 | 2019-10-29 | 南京航空航天大学 | 一种基于深度神经网络的机器人定位误差补偿方法 |
CN110524544A (zh) * | 2019-10-08 | 2019-12-03 | 深圳前海达闼云端智能科技有限公司 | 一种机械臂运动的控制方法、终端和可读存储介质 |
-
2019
- 2019-12-23 CN CN201911342243.2A patent/CN110967042A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106773661A (zh) * | 2015-11-20 | 2017-05-31 | 哈尔滨工大天才智能科技有限公司 | 一种基于elm的机器人自适应跟踪控制方法 |
US20190042952A1 (en) * | 2017-08-03 | 2019-02-07 | Beijing University Of Technology | Multi-task Semi-Supervised Online Sequential Extreme Learning Method for Emotion Judgment of User |
CN108214476A (zh) * | 2017-12-28 | 2018-06-29 | 北京航空航天大学 | 基于改进型径向基神经网络的机械臂绝对定位精度标定方法 |
CN108908327A (zh) * | 2018-04-25 | 2018-11-30 | 成都飞机工业(集团)有限责任公司 | 一种机器人定位误差分级补偿方法 |
CN110385720A (zh) * | 2019-07-26 | 2019-10-29 | 南京航空航天大学 | 一种基于深度神经网络的机器人定位误差补偿方法 |
CN110524544A (zh) * | 2019-10-08 | 2019-12-03 | 深圳前海达闼云端智能科技有限公司 | 一种机械臂运动的控制方法、终端和可读存储介质 |
Non-Patent Citations (2)
Title |
---|
杜占龙等: "改进的灵敏度剪枝极限学习机", 《控制与决策》 * |
王龙飞等: "工业机器人定位误差规律分析及基于ELM 算法的精度补偿研究", 《机器人》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112643681A (zh) * | 2020-12-16 | 2021-04-13 | 湖南涉外经济学院 | 一种工业机械臂智能化路径规划装置及方法 |
CN113425322A (zh) * | 2021-06-25 | 2021-09-24 | 上海联影医疗科技股份有限公司 | 床板运动控制方法、系统、ct扫描系统及存储介质 |
CN113510709A (zh) * | 2021-07-28 | 2021-10-19 | 北京航空航天大学 | 基于深度强化学习的工业机器人位姿精度在线补偿方法 |
CN113510709B (zh) * | 2021-07-28 | 2022-08-19 | 北京航空航天大学 | 基于深度强化学习的工业机器人位姿精度在线补偿方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109623656B (zh) | 基于厚度在线检测的移动式双机器人协同打磨装置及方法 | |
CN101791801B (zh) | 工业机器人运动规划与性能测试系统及其实现方法 | |
CN110967042A (zh) | 一种工业机器人定位精度标定方法、装置及系统 | |
WO2021238191A1 (zh) | 机器人的定位补偿方法及装置 | |
CN110193829A (zh) | 一种耦合运动学与刚度参数辨识的机器人精度控制方法 | |
CN108527319B (zh) | 基于视觉系统的机器人示教方法及系统 | |
CN113510709B (zh) | 基于深度强化学习的工业机器人位姿精度在线补偿方法 | |
CN103576604A (zh) | 数控机床定位误差动态实时补偿系统 | |
CN102226677A (zh) | 具有协作关系的多机器人系统的基坐标系标定方法 | |
CN101850552A (zh) | 一种工业机器人综合控制平台及其控制方法 | |
CN103434653A (zh) | 一种基于激光跟踪测量技术的飞机部件数字化柔性装配测量方法 | |
CN112433507B (zh) | 基于lso-lssvm的五轴数控机床热误差综合建模方法 | |
CN201856249U (zh) | 工业机器人运动规划与性能测试系统 | |
CN110253574A (zh) | 一种多任务机械臂位姿检测和误差补偿方法 | |
CN110524531A (zh) | 一种基于物联网云服务的机器人控制系统及其工作流程 | |
CN104552299A (zh) | 一种机器人离线示教装置及补偿示教方法 | |
CN109885077A (zh) | 一种四旋翼飞行器姿态控制方法及控制器 | |
Wen et al. | Human assembly task recognition in human-robot collaboration based on 3D CNN | |
CN110815244A (zh) | 一种喷涂机器人工作站控制系统 | |
CN113910218A (zh) | 基于运动学与深度神经网络融合的机器人标定方法和装置 | |
CN111604904B (zh) | 机器人的定位校准方法及装置、电子设备 | |
Wu et al. | Fast NURBS interpolation based on the biarc guide curve | |
CN104698983A (zh) | 一种飞机壁板组件预定位柔性工装控制系统及控制方法 | |
CN110614639A (zh) | 一种基于ros的变电站巡检机器人系统及其方法 | |
CN108943024A (zh) | 一种六自由度工业机器人绝对位置误差估计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200407 |