CN112643669A - 一种机器人位置偏差补偿方法、系统、装置及存储介质 - Google Patents

一种机器人位置偏差补偿方法、系统、装置及存储介质 Download PDF

Info

Publication number
CN112643669A
CN112643669A CN202011399856.2A CN202011399856A CN112643669A CN 112643669 A CN112643669 A CN 112643669A CN 202011399856 A CN202011399856 A CN 202011399856A CN 112643669 A CN112643669 A CN 112643669A
Authority
CN
China
Prior art keywords
robot
arm
angle
deviation
main arm
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
Application number
CN202011399856.2A
Other languages
English (en)
Other versions
CN112643669B (zh
Inventor
李裕兴
高燕
祝润泽
黄昕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Mechanical Engineering Research Institute Co Ltd
Original Assignee
Guangzhou Mechanical Engineering Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Mechanical Engineering Research Institute Co Ltd filed Critical Guangzhou Mechanical Engineering Research Institute Co Ltd
Priority to CN202011399856.2A priority Critical patent/CN112643669B/zh
Publication of CN112643669A publication Critical patent/CN112643669A/zh
Application granted granted Critical
Publication of CN112643669B publication Critical patent/CN112643669B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1602—Programme controls characterised by the control system, structure, architecture
    • B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1612—Programme controls characterised by the hand, wrist, grip control
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Mathematical Physics (AREA)
  • Robotics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Automation & Control Theory (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Orthopedic Medicine & Surgery (AREA)
  • Fuzzy Systems (AREA)
  • Manipulator (AREA)

Abstract

本发明公开了一种机器人位置偏差补偿方法、系统、装置及存储介质，方法包括：获取机器人的第一负载、第一主臂转角以及第一副臂转角，确定机器人主臂的第一偏差角度和机器人副臂的第二偏差角度；根据第一负载、第一主臂转角、第一副臂转角、第一偏差角度以及第二偏差角度，训练得到用于识别机器人偏差角度的第一神经网络模型；获取机器人的第二负载、第二主臂转角以及第二副臂转角，输入第一神经网络模型，识别得到机器人主臂的第三偏差角度和机器人副臂的第四偏差角度；根据第三偏差角度和第四偏差角度对机器人的位置偏差进行补偿。本发明提高了机器人的定位精度，从而提高了机器人控制的准确度，可广泛应用于机器人控制技术领域。

Description

一种机器人位置偏差补偿方法、系统、装置及存储介质
技术领域
本发明涉及机器人控制技术领域，尤其是一种机器人位置偏差补偿方法、系统、装置及存储介质。
背景技术
协作机器人通常由6个关节模块组成，各个关节模块的输出法兰均采用闭环控制结构，法兰的输出精度取决于关节内部的编码器精度，可达到0.003度。现有的协作机器人大多通过离线编程仿真来控制，离线编程采用3D模型仿真，3D模型为刚体，在离线编程仿真计算过程中，并不会考虑臂杆的变形量；然而协作机器人在实际的移动过程中，由于负载的作用臂杆会产生一定的变形量，造成离线编程计算的点位不同于实际机器人运行的点位，从而影响机器人末端的绝对定位精度，形成位置偏差。这个偏差是现有的离线编程软件上无法进行调整补偿的。
发明内容
本发明的目的在于至少一定程度上解决现有技术中存在的技术问题之一。
为此，本发明实施例的一个目的在于提供一种机器人位置偏差补偿方法，该方法通过机器人的偏差角度反映其主臂和副臂的变形量，并构建可以用于识别机器人角度偏差的神经网络模型，通过实时采集机器人的负载和角度参数，识别得到实时的角度偏差，并根据实时的角度偏差进行机器人位置偏差补偿，降低了机器人臂杆变形量的影响，提高了机器人的定位精度，从而提高了机器人控制的准确度。
本发明实施例的另一个目的在于提供一种机器人位置偏差补偿系统。
为了达到上述技术目的，本发明实施例所采取的技术方案包括：
第一方面，本发明实施例提供了一种机器人位置偏差补偿方法，包括以下步骤：
获取机器人的第一负载、第一主臂转角以及第一副臂转角，并根据所述第一负载、所述第一主臂转角以及所述第一副臂转角确定机器人主臂的第一偏差角度和机器人副臂的第二偏差角度；
根据所述第一负载、所述第一主臂转角、所述第一副臂转角、所述第一偏差角度以及所述第二偏差角度，训练得到用于识别机器人偏差角度的第一神经网络模型；
获取机器人的第二负载、第二主臂转角以及第二副臂转角，并将所述第二负载、所述第二主臂转角以及所述第二副臂转角输入所述第一神经网络模型，识别得到机器人主臂的第三偏差角度和机器人副臂的第四偏差角度；
根据所述第三偏差角度和所述第四偏差角度对机器人的位置偏差进行补偿。
进一步地，在本发明的一个实施例中，所述根据所述第一负载、所述第一主臂转角以及所述第一副臂转角确定机器人主臂的第一偏差角度和机器人副臂的第二偏差角度这一步骤，其具体包括：
预先获取机器人的三维数据，根据所述第一负载、所述第一主臂转角、所述第一副臂转角以及所述三维数据，采用有限元分析方法确定机器人的第一主臂变形量和第一副臂变形量；
获取机器人的主臂长度和副臂长度，根据所述第一主臂变形量和所述主臂长度确定机器人主臂的第一偏差角度，并根据所述第一副臂变形量和所述副臂长度确定机器人副臂的第二偏差角度。
进一步地，在本发明的一个实施例中，所述根据所述第一负载、所述第一主臂转角、所述第一副臂转角以及所述三维数据，采用有限元分析方法确定机器人的第一主臂变形量和第一副臂变形量这一步骤，其具体包括：
根据所述三维数据建立机器人的有限元分析模型；
根据所述第一负载、所述第一主臂转角以及所述第一副臂转角确定边界条件；
根据所述有限元分析模型和所述边界条件对机器人主臂和机器人副臂进行应变分析，确定所述第一主臂变形量和所述第一副臂变形量。
进一步地，在本发明的一个实施例中，所述第一偏差角度为：Ω1＝arctan(Δ1/L1)，其中，Ω1表示第一偏差角度，Δ1表示第一主臂变形量，L1表示主臂长度；
所述第二偏差角度为：Ω2＝arctan(Δ2/L2)，其中，Ω2表示第二偏差角度，Δ2表示第一副臂变形量，L2表示副臂长度。
进一步地，在本发明的一个实施例中，所述根据所述第一负载、所述第一主臂转角、所述第一副臂转角、所述第一偏差角度以及所述第二偏差角度，训练得到用于识别机器人偏差角度的第一神经网络模型这一步骤，其具体包括：
根据所述第一负载、所述第一主臂转角、所述第一副臂转角、所述第一偏差角度以及所述第二偏差角度确定第一样本集合；
根据所述第一样本集合确定训练数据集、测试数据集以及验证数据集；
根据所述训练数据集、所述测试数据集以及所述验证数据训练神经网络，得到用于识别机器人偏差角度的第一神经网络模型。
进一步地，在本发明的一个实施例中，所述根据所述第三偏差角度和所述第四偏差角度对机器人的位置偏差进行补偿这一步骤，其具体为：
根据所述第三偏差角度控制机器人主臂转动相应角度，并根据所述第四偏差交付控制机器人副臂转动相应角度，从而对机器人的位置偏差进行补偿。
第二方面，本发明实施例提出了一种机器人位置偏差补偿系统，包括：
偏差角度确定模块，用于获取机器人的第一负载、第一主臂转角以及第一副臂转角，并根据所述第一负载、所述第一主臂转角以及所述第一副臂转角确定机器人主臂的第一偏差角度和机器人副臂的第二偏差角度；
神经网络训练模块，用于根据所述第一负载、所述第一主臂转角、所述第一副臂转角、所述第一偏差角度以及所述第二偏差角度，训练得到用于识别机器人偏差角度的第一神经网络模型；
识别模块，用于获取机器人的第二负载、第二主臂转角以及第二副臂转角，并将所述第二负载、所述第二主臂转角以及所述第二副臂转角输入所述第一神经网络模型，识别得到机器人主臂的第三偏差角度和机器人副臂的第四偏差角度；
位置偏差调整模块，用于根据所述第三偏差角度和所述第四偏差角度对机器人的位置偏差进行补偿。
进一步地，在本发明的一个实施例中，所述偏差角度确定模块包括：
变形量确定单元，用于预先获取机器人的三维数据，根据所述第一负载、所述第一主臂转角、所述第一副臂转角以及所述三维数据，采用有限元分析方法确定机器人的第一主臂变形量和第一副臂变形量；
偏差角度确定单元，用于获取机器人的主臂长度和副臂长度，根据所述第一主臂变形量和所述主臂长度确定机器人主臂的第一偏差角度，并根据所述第一副臂变形量和所述副臂长度确定机器人副臂的第二偏差角度。
第三方面，本发明实施例提供了一种机器人位置偏差补偿装置，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行时，使得所述至少一个处理器实现上述的一种机器人位置偏差补偿方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行上述的一种机器人位置偏差补偿方法。
本发明的优点和有益效果将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到：
本发明实施例先获取不同负载、不同主臂转角以及不同副臂转角条件下的机器人偏差角度，通过该偏差角度反映其主臂和副臂的变形量，并构建可以用于识别机器人角度偏差的神经网络模型，通过实时采集机器人的负载和角度参数，识别得到实时的角度偏差，并根据实时的角度偏差进行机器人位置偏差补偿，降低了机器人臂杆变形量的影响，提高了机器人的定位精度，从而提高了机器人控制的准确度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面对本发明实施例中所需要使用的附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例，对于本领域的技术人员来说，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。
图1为本发明实施例提供的一种机器人位置偏差补偿方法的步骤流程图；
图2为本发明实施例提供的协作机器人的结构示意图；
图3为本发明实施例提供的主臂角度和副臂角度的示意图；
图4为本发明实施例提供的主臂变形量和主臂的偏差角度的示意图；
图5为本发明实施例提供的一种机器人位置偏差补偿系统的结构框图；
图6为本发明实施例提供的一种机器人位置偏差补偿装置的结构框图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
在本发明的描述中，多个的含义是两个或两个以上，如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。此外，除非另有定义，本文所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。
首先结合附图对协作机器人的结构以及本发明所要解决的技术问题进行相关说明。
参照图2，协作机器人包括主臂11、副臂12、用于连接负载的连接部13、用于控制主臂11转动的主臂驱动电机14以及用于控制副臂12转动的副臂驱动电机15。
可以理解的是，在机器人连接负载时，由于负载的作用，主臂和副臂都会产生一定的变形量，该变形量会导致机器人的实际位置与系统控制的理想位置不符，也即产生了位置偏差，本发明的目的在于对该位置偏差角进行补偿，从而消除或降低变形量对机器人控制带来的影响，提高机器人定位精度和机器人控制的准确度。
参照图1，本发明实施例提供了一种机器人位置偏差补偿方法，具体包括以下步骤：
S101、获取机器人的第一负载、第一主臂转角以及第一副臂转角，并根据第一负载、第一主臂转角以及第一副臂转角确定机器人主臂的第一偏差角度和机器人副臂的第二偏差角度；
具体地，本发明实施例考虑机器人在不同负载、不同主臂转角以及不同副臂转角下的受力情况，通过有限元分析进行偏差角度的计算，得出不同条件下的主臂偏差角度和副臂偏差角度。步骤S101中，根据第一负载、第一主臂转角以及第一副臂转角确定机器人主臂的第一偏差角度和机器人副臂的第二偏差角度，具体包括以下步骤：
A1、预先获取机器人的三维数据，根据第一负载、第一主臂转角、第一副臂转角以及三维数据，采用有限元分析方法确定机器人的第一主臂变形量和第一副臂变形量；
A2、获取机器人的主臂长度和副臂长度，根据第一主臂变形量和主臂长度确定机器人主臂的第一偏差角度，并根据第一副臂变形量和副臂长度确定机器人副臂的第二偏差角度；
具体地，有限元分析是使用有限元方法来分析静态或动态的物理物体或物理系统，在这种方法中一个物体或系统被分解为由多个相互联结的、简单、独立的单元组成的几何模型，由实际的物理模型中推导出来得平衡方程式被使用到每个单元上，由此产生了一个方程组，通过对该方程组进行求解可以得到各单元节点的状态变量的近似值。
本发明实施例中，利用有限元分析方法，以负载、主臂转角以及副臂转角为边界条件，以主臂变形量和副臂变形量为状态变量进行有限元分析模型的搭建以及求解；根据求解得到的变形量确定主臂偏差角度和副臂偏差角度，后续通过对偏差角度的补偿即可完成对机器人位置偏差的补偿。
进一步作为可选的实施方式，步骤A1中，根据第一负载、第一主臂转角、第一副臂转角以及三维数据，采用有限元分析方法确定机器人的第一主臂变形量和第一副臂变形量这一步骤，其具体包括：
A11、根据三维数据建立机器人的有限元分析模型；
A12、根据第一负载、第一主臂转角以及第一副臂转角确定边界条件；
A13、根据有限元分析模型和边界条件对机器人主臂和机器人副臂进行应变分析，确定第一主臂变形量和第一副臂变形量。
本发明实施例采用有限元分析技术，相较于激光跟踪仪测量实体机器人变形量，缩短了测量时间和提取数据时间，而且，本发明实施例采用机器人的三维数据建模，机器人装配精度零误差，精度高。
以副臂为例对本发明实施例变形量的采集进行说明，如图3所示为本发明实施例提供的主臂角度(也即主臂转角)和副臂角度(也即副臂转角)的示意图，其中Φ表示副臂角度。
B1：将机器人三维数据导入有限元仿真软件，在满负载G和初始角度Φ＝+10°的条件下，进行有限元仿真计算，得到变形量Δ(1，1)；
B2：调整负载大小为80％G，初始角度不变，仿真计算，得到变形量Δ(1，2)；
B3：在初始角度Φ＝+10°的条件下，依次调整负载为60％G、40％G、20％G，仿真计算，得到变形量Δ(1，3)、Δ(1，4)、Δ(1，5)；
B4：调整副臂角度Φ为Φ+20°，依次调整负载为100％G、80％G、60％G、40％G、20％G，仿真计算，得到变形量Δ(2，1)、Δ(2，2)、Δ(2，3)、Δ(2，4)、Δ(2，5)；
B5：调整副臂角度Φ为Φ+30°，依次调整负载为100％G、80％G、60％G、40％G、20％G，仿真计算，得到变形量Δ(3，1)、Δ(3，2)、Δ(3，3)、Δ(3，4)、Δ(3，5)；
B6：循环重复上述调整步骤，直至调整副臂角度Φ为+360°，依次调整负载为100％G、80％G、60％G、40％G、20％G，仿真计算，得到变形量Δ(36，1)、Δ(36，2)、Δ(36，3)、Δ(36，4)、Δ(36，5)。采集得到的副臂变形量如下表1所示。
Figure BDA0002816611580000061
表1
表1中，Δ(i，j)表示副臂变形量，其中，i∈[1，2，…35，36]，用于表示不同的副臂角度，j∈[1，2，3，4，5]，用于表示不同的负载百分比。
同理，根据不同负载、不同副臂角度以及不同主臂角度对主臂变形量进行采集，结果如下表2所示。
Figure BDA0002816611580000071
表2
图3及表2中，ψ表示主臂角度，Δ(m，i)j表示主臂变形量，其中，m∈[1，2，…35，36]，用于表示不同的主臂角度，i∈[1，2，…35，36]，用于表示不同的副臂角度，j∈[1，2，3，4，5]，用于表示不同的负载百分比。
进一步作为可选的实施方式，第一偏差角度为：Ω1＝arctan(Δ1/L1)，其中，Ω1表示第一偏差角度，Δ1表示第一主臂变形量，1表示主臂长度；
第二偏差角度为：Ω2＝arctan(Δ2/L2)，其中，Ω2表示第二偏差角度，Δ2表示第一副臂变形量，L2表示副臂长度。
具体地，如图4所示为本发明实施例提供的主臂变形量和主臂的偏差角度的示意图，在理论条件下，臂杆是刚性的，O’O是臂杆轴心线；而在实际情况下，臂杆是具有弹性，有微小变形量，O”O为实际的臂杆轴心线，O’O”即为主臂变形量，O”O与O’O的夹角Ω1即为主臂偏差角度。可以理解的是，在变形量微小的情况下，可近似将三角形OO’O”看作一个直角三角形，而O’O和O’O”为其两条直角边，因此主臂偏差角度(也即第一偏差角度Ω1)和主臂变形量(也即第一主臂变形量Δ1)以及主臂长度(L1)间有如下关系：Ω1＝arctan(Δ1/L1)。
同理，副臂偏差角度(也即第二偏差角度Ω2)和副臂变形量(也即第一副臂变形量Δ2)以及副臂长度(L2)间有如下关系：Ω2＝arctan(Δ2/L2)。
本发明实施例中，采集得到的主臂偏差角度如下表3所示。
Figure BDA0002816611580000081
表3
表3中，Ω(m，i)j表示主臂偏差角度，其中，m∈[1，2，…35，36]，用于表示不同的主臂角度，i∈[1，2，…35，36]，用于表示不同的副臂角度，j∈[1，2，3，4，5]，用于表示不同的负载百分比。
本发明实施例中，采集得到的副臂偏差角度如下表4所示。
Figure BDA0002816611580000091
表4
表4中，Ω(i，j)表示副臂偏差角度，其中，i∈[1，2，…35，36]，用于表示不同的副臂角度，j∈[1，2，3，4，5]，用于表示不同的负载百分比。
S102、根据第一负载、第一主臂转角、第一副臂转角、第一偏差角度以及第二偏差角度，训练得到用于识别机器人偏差角度的第一神经网络模型；
具体地，本发明实施例中，根据表1、表2、表3以及表4中的数据，以负载、主臂转角、副臂转角为输入量，以主臂偏差角度和副臂偏差角度为输出量，训练得到第一神经网络模型。步骤S102具体包括以下步骤：
S1021、根据第一负载、第一主臂转角、第一副臂转角、第一偏差角度以及第二偏差角度确定第一样本集合；
S1012、根据第一样本集合确定训练数据集、测试数据集以及验证数据集；
S1023、根据训练数据集、测试数据集以及验证数据训练神经网络，得到用于识别机器人偏差角度的第一神经网络模型。
具体地，本发明实施例中，采用百分之七十的样本数据作为训练数据、百分之十五的样本数据作为测试数据，百分之十五的数据作为验证数据。部分代码如下：
function net＝create_fit_net(inputs,targets)
numHiddenNeurons＝3；
net＝newfit(inputs,targets,numHiddenNeurons)；
net.divideParam.trainRatio＝70/100；
net.divideParam.valRatio＝15/100；
net.divideParam.testRatio＝15/100；
[net,tr]＝train(net,inputs,targets)；
outputs＝sim(net,inputs)；
plotperf(tr)
plotfit(net,inputs,targets)
plotregression(targets,outputs)
由此训练得到的第一神经网络模型，可用于后续对任意负载、任意主臂转角以及任意副臂转角条件下的主臂偏差角度和副臂偏差角度进行预测识别。
S103、获取机器人的第二负载、第二主臂转角以及第二副臂转角，并将第二负载、第二主臂转角以及第二副臂转角输入第一神经网络模型，识别得到机器人主臂的第三偏差角度和机器人副臂的第四偏差角度；
具体地，第二负载、第二主臂转角以及第二副臂转角即为在控制机器人运作时需要达到的实际负载和理想角度，利用步骤S102中训练得到的第一神经网络模型，预测识别出对应的第三偏差角度和第四偏差角度，便于后续根据第三偏差角度和第四偏差角度对主臂和副臂进行角度调整。
S104、根据第三偏差角度和第四偏差角度对机器人的位置偏差进行补偿。
具体地，根据第三偏差角度控制机器人主臂转动相应角度，并根据第四偏差交付控制机器人副臂转动相应角度，从而对机器人的位置偏差进行补偿。
本发明实施例先获取不同负载、不同主臂转角以及不同副臂转角条件下的机器人偏差角度，通过该偏差角度反映其主臂和副臂的变形量，并构建可以用于识别机器人角度偏差的神经网络模型，通过实时采集机器人的负载和角度参数，识别得到实时的角度偏差，并根据实时的角度偏差进行机器人位置偏差补偿，降低了机器人臂杆变形量的影响，提高了机器人的定位精度，从而提高了机器人控制的准确度；本发明实施例采用有限元分析技术，相较于激光跟踪仪测量实体机器人变形量，缩短了测量时间和提取数据时间，而且，本发明实施例采用机器人的三维数据建模，机器人装配精度零误差，精度高。
参照图5，本发明实施例提供了一种机器人位置偏差补偿系统，包括：
偏差角度确定模块，用于获取机器人的第一负载、第一主臂转角以及第一副臂转角，并根据第一负载、第一主臂转角以及第一副臂转角确定机器人主臂的第一偏差角度和机器人副臂的第二偏差角度；
神经网络训练模块，用于根据第一负载、第一主臂转角、第一副臂转角、第一偏差角度以及第二偏差角度，训练得到用于识别机器人偏差角度的第一神经网络模型；
识别模块，用于获取机器人的第二负载、第二主臂转角以及第二副臂转角，并将第二负载、第二主臂转角以及第二副臂转角输入第一神经网络模型，识别得到机器人主臂的第三偏差角度和机器人副臂的第四偏差角度；
位置偏差调整模块，用于根据第三偏差角度和第四偏差角度对机器人的位置偏差进行补偿。
进一步作为可选的实施方式，偏差角度确定模块包括：
变形量确定单元，用于预先获取机器人的三维数据，根据第一负载、第一主臂转角、第一副臂转角以及三维数据，采用有限元分析方法确定机器人的第一主臂变形量和第一副臂变形量；
偏差角度确定单元，用于获取机器人的主臂长度和副臂长度，根据第一主臂变形量和主臂长度确定机器人主臂的第一偏差角度，并根据第一副臂变形量和副臂长度确定机器人副臂的第二偏差角度。
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
参照图6，本发明实施例提供了一种机器人位置偏差补偿装置，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当上述至少一个程序被上述至少一个处理器执行时，使得上述至少一个处理器实现上述的一种机器人位置偏差补偿方法。
上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
本发明实施例还提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，该处理器可执行的程序在由处理器执行时用于执行上述一种机器人位置偏差补偿方法。
本发明实施例的一种计算机可读存储介质，可执行本发明方法实施例所提供的一种机器人位置偏差补偿方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的方法。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或上述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，上述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
上述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例上述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印上述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得上述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施方式，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于上述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种机器人位置偏差补偿方法，其特征在于，包括以下步骤：
获取机器人的第一负载、第一主臂转角以及第一副臂转角，并根据所述第一负载、所述第一主臂转角以及所述第一副臂转角确定机器人主臂的第一偏差角度和机器人副臂的第二偏差角度；
根据所述第一负载、所述第一主臂转角、所述第一副臂转角、所述第一偏差角度以及所述第二偏差角度，训练得到用于识别机器人偏差角度的第一神经网络模型；
获取机器人的第二负载、第二主臂转角以及第二副臂转角，并将所述第二负载、所述第二主臂转角以及所述第二副臂转角输入所述第一神经网络模型，识别得到机器人主臂的第三偏差角度和机器人副臂的第四偏差角度；
根据所述第三偏差角度和所述第四偏差角度对机器人的位置偏差进行补偿。
2.根据权利要求1所述的一种机器人位置偏差补偿方法，其特征在于，所述根据所述第一负载、所述第一主臂转角以及所述第一副臂转角确定机器人主臂的第一偏差角度和机器人副臂的第二偏差角度这一步骤，其具体包括：
预先获取机器人的三维数据，根据所述第一负载、所述第一主臂转角、所述第一副臂转角以及所述三维数据，采用有限元分析方法确定机器人的第一主臂变形量和第一副臂变形量；
获取机器人的主臂长度和副臂长度，根据所述第一主臂变形量和所述主臂长度确定机器人主臂的第一偏差角度，并根据所述第一副臂变形量和所述副臂长度确定机器人副臂的第二偏差角度。
3.根据权利要求2所述的一种机器人位置偏差补偿方法，其特征在于，所述根据所述第一负载、所述第一主臂转角、所述第一副臂转角以及所述三维数据，采用有限元分析方法确定机器人的第一主臂变形量和第一副臂变形量这一步骤，其具体包括：
根据所述三维数据建立机器人的有限元分析模型；
根据所述第一负载、所述第一主臂转角以及所述第一副臂转角确定边界条件；
根据所述有限元分析模型和所述边界条件对机器人主臂和机器人副臂进行应变分析，确定所述第一主臂变形量和所述第一副臂变形量。
4.根据权利要求2所述的一种机器人位置偏差补偿方法，其特征在于：
所述第一偏差角度为：Ω1＝arctan(Δ1/L1)，其中，Ω1表示第一偏差角度，Δ1表示第一主臂变形量，L1表示主臂长度；
所述第二偏差角度为：Ω2＝arctan(Δ2/L2)，其中，Ω2表示第二偏差角度，Δ2表示第一副臂变形量，L2表示副臂长度。
5.根据权利要求1所述的一种机器人位置偏差补偿方法，其特征在于，所述根据所述第一负载、所述第一主臂转角、所述第一副臂转角、所述第一偏差角度以及所述第二偏差角度，训练得到用于识别机器人偏差角度的第一神经网络模型这一步骤，其具体包括：
根据所述第一负载、所述第一主臂转角、所述第一副臂转角、所述第一偏差角度以及所述第二偏差角度确定第一样本集合；
根据所述第一样本集合确定训练数据集、测试数据集以及验证数据集；
根据所述训练数据集、所述测试数据集以及所述验证数据训练神经网络，得到用于识别机器人偏差角度的第一神经网络模型。
6.根据权利要求1至5中任一项所述的一种机器人位置偏差补偿方法，其特征在于，所述根据所述第三偏差角度和所述第四偏差角度对机器人的位置偏差进行补偿这一步骤，其具体为：
根据所述第三偏差角度控制机器人主臂转动相应角度，并根据所述第四偏差交付控制机器人副臂转动相应角度，从而对机器人的位置偏差进行补偿。
7.一种机器人位置偏差补偿系统，其特征在于，包括：
偏差角度确定模块，用于获取机器人的第一负载、第一主臂转角以及第一副臂转角，并根据所述第一负载、所述第一主臂转角以及所述第一副臂转角确定机器人主臂的第一偏差角度和机器人副臂的第二偏差角度；
神经网络训练模块，用于根据所述第一负载、所述第一主臂转角、所述第一副臂转角、所述第一偏差角度以及所述第二偏差角度，训练得到用于识别机器人偏差角度的第一神经网络模型；
识别模块，用于获取机器人的第二负载、第二主臂转角以及第二副臂转角，并将所述第二负载、所述第二主臂转角以及所述第二副臂转角输入所述第一神经网络模型，识别得到机器人主臂的第三偏差角度和机器人副臂的第四偏差角度；
位置偏差调整模块，用于根据所述第三偏差角度和所述第四偏差角度对机器人的位置偏差进行补偿。
8.根据权利要求7所述的一种机器人位置偏差补偿系统，其特征在于，所述偏差角度确定模块包括：
变形量确定单元，用于预先获取机器人的三维数据，根据所述第一负载、所述第一主臂转角、所述第一副臂转角以及所述三维数据，采用有限元分析方法确定机器人的第一主臂变形量和第一副臂变形量；
偏差角度确定单元，用于获取机器人的主臂长度和副臂长度，根据所述第一主臂变形量和所述主臂长度确定机器人主臂的第一偏差角度，并根据所述第一副臂变形量和所述副臂长度确定机器人副臂的第二偏差角度。
9.一种机器人位置偏差补偿装置，其特征在于，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1至6中任一项所述的一种机器人位置偏差补偿方法。
10.一种计算机可读存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于执行如权利要求1至6中任一项所述的一种机器人位置偏差补偿方法。
CN202011399856.2A 2020-12-04 2020-12-04 一种机器人位置偏差补偿方法、系统、装置及存储介质 Active CN112643669B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011399856.2A CN112643669B (zh) 2020-12-04 2020-12-04 一种机器人位置偏差补偿方法、系统、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011399856.2A CN112643669B (zh) 2020-12-04 2020-12-04 一种机器人位置偏差补偿方法、系统、装置及存储介质

Publications (2)

Publication Number Publication Date
CN112643669A true CN112643669A (zh) 2021-04-13
CN112643669B CN112643669B (zh) 2022-01-18

Family

ID=75350271

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011399856.2A Active CN112643669B (zh) 2020-12-04 2020-12-04 一种机器人位置偏差补偿方法、系统、装置及存储介质

Country Status (1)

Country Link
CN (1) CN112643669B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113927594A (zh) * 2021-09-26 2022-01-14 珠海格力智能装备有限公司 机器人的关节转角的补偿方法和装置
CN114131611A (zh) * 2021-12-16 2022-03-04 华中科技大学 机器人重力位姿分解的关节误差离线补偿方法、系统及终端
CN115431302A (zh) * 2022-11-09 2022-12-06 广东隆崎机器人有限公司 机器人关节空程测量方法、装置、电子设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5555347A (en) * 1992-09-21 1996-09-10 Toyoda Koki Kabushiki Kaisha Method and apparatus for controlling a robot using a neural network
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
CN110549333A (zh) * 2019-08-06 2019-12-10 天津大学 一种用于TriMule卧式混联机器人的重力补偿方法
CN111203890A (zh) * 2020-02-28 2020-05-29 中国科学技术大学 一种机器人的位置误差补偿方法
CN111590581A (zh) * 2020-05-26 2020-08-28 珠海格力智能装备有限公司 机器人的定位补偿方法及装置
CN111590569A (zh) * 2020-05-14 2020-08-28 河北工业大学 一种工业机器人定位误差补偿方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5555347A (en) * 1992-09-21 1996-09-10 Toyoda Koki Kabushiki Kaisha Method and apparatus for controlling a robot using a neural network
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
CN110549333A (zh) * 2019-08-06 2019-12-10 天津大学 一种用于TriMule卧式混联机器人的重力补偿方法
CN111203890A (zh) * 2020-02-28 2020-05-29 中国科学技术大学 一种机器人的位置误差补偿方法
CN111590569A (zh) * 2020-05-14 2020-08-28 河北工业大学 一种工业机器人定位误差补偿方法
CN111590581A (zh) * 2020-05-26 2020-08-28 珠海格力智能装备有限公司 机器人的定位补偿方法及装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113927594A (zh) * 2021-09-26 2022-01-14 珠海格力智能装备有限公司 机器人的关节转角的补偿方法和装置
CN114131611A (zh) * 2021-12-16 2022-03-04 华中科技大学 机器人重力位姿分解的关节误差离线补偿方法、系统及终端
CN114131611B (zh) * 2021-12-16 2023-10-24 华中科技大学 机器人重力位姿分解的关节误差离线补偿方法、系统及终端
CN115431302A (zh) * 2022-11-09 2022-12-06 广东隆崎机器人有限公司 机器人关节空程测量方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN112643669B (zh) 2022-01-18

Similar Documents

Publication Publication Date Title
CN112643669B (zh) 一种机器人位置偏差补偿方法、系统、装置及存储介质
CN110355751B (zh) 控制装置和机器学习装置
CN110977985A (zh) 一种定位的方法及装置
CN108448979A (zh) 一种基于磁编码器误差神经网络补偿的永磁同步电机系统
CN112013891A (zh) 用于使用人工神经网络校准多传感器系统的方法
CN115008476A (zh) 基于等效运动学模型的机器人标定方法及设备
CN108351274A (zh) 发动机试验装置以及方法
CN111380499A (zh) 转动角度的检测方法及装置
CN114643582B (zh) 一种面向冗余机械臂的无模型关节容错控制方法及装置
CN112338917A (zh) 一种大行程多级伸缩臂的控制方法、系统、装置及介质
Gdanskii et al. Control systems for dynamic processes with single degree of freedom with automatic adaption of the structure and parameters of the system to an external load
CN113610218B (zh) 基于极限学习机的负载识别方法、系统、装置及存储介质
CN114977953A (zh) 基于神经网络的电机输出扭矩修正方法、设备及介质
CN114186190A (zh) 坐标转换矩阵的计算方法、装置、设备及可读存储介质
Wang et al. An ANN‐Based Precision Compensation Method for Industrial Manipulators via Optimization of Point Selection
CN113146630A (zh) 工业机器人铣削加工误差补偿方法、系统、装置及介质
CN114998561B (zh) 类别级位姿优化方法及装置
CN111890370B (zh) 一种应用双编码器的机器人力控制方法及装置
Cherepanska et al. Artificial Neural Network as a Basic Element of the Automated Goniometric System
Lu et al. Research on Adaptive Robust Control Algorithm for Delta Parallel Robots
Thiem et al. Estimation of the influence of volumetric correction approaches on the thermo-elastic correction accuracy
Song et al. Dynamic parameter identification and adaptive control with trajectory scaling for robot-environment interaction
Buzikov et al. Development of a Methodology for Bench Testing of Internal Combustion Engines
CN117331311B (zh) 基于免加速度递归滤波回归的机器人动力学参数估计方法
CN116000935B (zh) 一种机器人一体化关节摩擦特性模型的构建方法及系统

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
GR01 Patent grant
GR01 Patent grant