CN113094642A - 一种面向区域内机械臂定位误差估算的新增采样的方法 - Google Patents

Abstract

本发明公开一种面向区域内机械臂定位误差估算的新增采样的方法，应用于机器人采样点新增技术领域，针对现有的工业机器人所面临的绝对定位精度较低的问题，本发明首先对机械臂采样点的运动区域进行Delaunay三角剖分；然后将激光跟踪仪测量的实际值与采样点的理论值的误差值作为数据输出来确定克里金模型；其次根据确定的克里金模型预测每个Delaunay三角形内心点所对应的误差值的预测值，并估算出每个三角形内心的误差的均方误差值；最后将均方误差值较大的Delaunay三角形内心点的坐标作为新增采样点，构建新的克里金模型；通过多次的新增采样迭代，使机械臂的绝对定位精度估算的采样点分布的更加合理以及预测准确度提升。

Description

一种面向区域内机械臂定位误差估算的新增采样的方法

技术领域

本发明属于机器人技术领域，特别涉及一种新增采样点技术。

背景技术

工业机器人以其操作速度快、效率高、模块化结构设计、控制系统灵活、重复性高等优点，在自动化生产、智能化制造中扮演着越来越重要的角色，尤其在高精度、高强度、高风险等工程中正发挥着不可替代的作用。随着关键岗位机器替人工程、安全生产员工精减化或无人化专项工程、智能制造工程及新的应用示范政策的不断落实，中国工业机器人的需求量正进一步扩大。目前，传统制造业迎来了巨变，在高精度、高强度、高难度甚至高风险的作业中，用机器人代替人工已是大势所趋。但是当前工业机器人的技术发展水平与实际应用需求之间的矛盾依然突出，定位精度高的机器人控制技术在国民生产、国防工业、科技前沿领域都具有广泛的应用与需求。因此，开展工业机器人定位精度相关理论和方法的研究具有非常重要的价值和广阔的应用前景。

目前工业机器人拥有较高的重复定位精度，但是绝对定位精度较低，在机械臂的绝对定位精度补偿中，采样占了精度补偿全周期的80％以上的时间，采样点的分布不仅影响机械臂的补偿效率，而且影响其补偿的精度，因此寻求合理的采样策略，能够在提升采样的效率的同时并满足其补偿精度及其重要。

发明内容

为解决上述技术问题，本发明提出一种面向区域内机械臂定位误差估算的新增采样的方法，基于克里金插值法，新增采样点，有效提高了机器人的绝对定位误差预测值的精准度。

本发明采用的技术方案为：一种面向区域内机械臂定位误差估算的新增采样的方法，包括：

S1、对机械臂采样点的运动区域进行Delaunay三角剖分；

S2、将激光跟踪仪测量的实际值与采样点的理论值的误差值作为数据输出来确定克里金模型；

S3、根据步骤S2确定的克里金模型预测每个Delaunay三角形内心点所对应的误差值的预测值，并估算出每个三角形内心的误差的均方误差值；

S4、将均方误差值较大的Delaunay三角形内心点的坐标作为新增采样点；然后返回步骤S1，直至迭代结束。

第一次迭代时，还包括使用Hammersley序列生成初始的采样点。

步骤S2具体为：以采样点的实际坐标点作为输入样本，将激光跟踪仪测量的实际值与采样点的理论值的误差值作为数据输出，根据变异函数的理论，运用采样点的数据，从高斯模型、球状模型、指数模型、线性模型进行拟合，确定最佳的克里金模型。

步骤S4中的新增采样点个数小于当前迭代步骤S1中采样点个数。

步骤S4所述返回步骤S1，具体为：将当前的新增采样点加入步骤S1中的机械臂采样点中，根据更新后的机械臂采样点，进行下一次迭代的Delaunay三角剖分。

步骤S4迭代结束的条件是：在当前的采样点中随机选择若干点作为测试点，计算这些选出来的点在迭代前与迭代后的绝对定位精度预测值，然后计算这些选出来的点在迭代前与迭代后的均方根误差之间的差值，若这一计算出的差值为零，则迭代结束。

本发明的有益效果：本发明的方法，具体为：对初次采样的选择，并对机械臂初次采样点的运动区域进行Delaunay三角剖分，将每个三角网的内点可以看成新增采样点的预备点，通过对初次采样点的数据进行处理计算，将激光跟踪仪测量的实际值与理论值的误差值作为数据输出来确定克里金模型；通过构建的克里金模型来预测出每个Delaunay三角形内心点所对应的误差值的预测值，并估算出每个三角形内心的误差的均方误差值；然后遍历出所有三角网格内心点的均方误差值，将均方误差值较大的值的三角形内心点的坐标作为新增采样点；通过多次的新增采样迭代，可以弥补现有采样点分布的合理性，确定新增采样点位置和数量；本发明的方法能够提高机械臂绝对定位精度的采样点分布的合理性以提升机械臂的绝对定位精度。

附图说明

图1为本发明的方案流程图；

图2为本发明实施例提供的用激光跟踪仪测量工业机器人末端定位精度进行采样的示意图；

图3为本发明实施例提供的Hammersley序列随机点的生成示意图；

图4为本发明实施例提供的备选采样点示意图；

图5为本发明实施例提供的新增采样点示意图；

图6为本发明实施例提供的根据新增后的采样点进行Delaunay三角剖分示意图；

图7为本发明实施例提供的新增采样点前的随机点测试示意图；

图8为本发明实施例提供的新增采样点后的随机点测试示意图；

附图标记：1为六自由度工业机器人，2为激光跟踪仪，3为配合激光跟踪仪的靶球，4为吸附靶球的夹具。

具体实施方式

为便于本领域技术人员理解本发明的技术内容，下面结合附图对本发明内容进一步阐释。

如图1所示为本发明的实现流程，具体包括以下步骤：

步骤1：使用设备的准备工作。

首先进行设备装置安装，在工业机器人的运动空间外的地面架设激光跟踪仪，并在机械臂的末端安装一个夹具以夹持吸附靶球的零件，将靶球吸附到机械臂的末端的零件上。

步骤2：测量靶球的工具坐标系，并使激光跟踪仪与机械臂的基座标系统一。

将靶球中心作为工具中心点,通过激光跟踪仪进行测量，以靶球作为工业机器人的工具坐标系的中心，进行x轴、y轴以及以靶球中心旋转的运动，记录测量的结果，将计算出来的tool1的工具坐标输入到工业机器人控制器中，并将激光跟踪仪的坐标系与工业机器人的基坐标系进行统一。

步骤3：进行初次采样，在工业机器人的工作空间范围内，进行初步采样，

本发明划分出的机械臂的工作区域为y＝0平面内，x∈[500,1100]，z∈[900,1600]，在该区域内，使用Hammersley序列(分布均匀的随机数)进行二维随机点的生成20个初步采样点，作为初始的采样点集合，采样点分布如图3所示。本发明中所描述的具体采样点数量仅仅是对本发明方法进行实例说明。实际的采样点数量可以更加实际情况进行增加。选择y＝0平面是根据该平面为机械臂的主要的运动区域等因素而决定的。

根据确定的20个初始采样坐标点p_i(x_i,y_i,z_i)，i＝1,2...20，然后编写相应的机械臂运动程序，使机械臂末端靶球分别运动到初始采样坐标点，并在该点停留2秒，以便测量，在这个过程中用激光跟踪仪测量出机器人运动到各个采样点的实际位置p’_i(x_i,y_i,z_i)，i＝1,2...20，并记录出实际位置与理论位置的误差值S_i＝||p’_i(x_i,y_i,z_i)-p_i(x_i,y_i,z_i)||，i＝1,2...20。

步骤4：根据我们上一步骤的采样点的位置在平面上的分布，进行Delaunay三角剖分算法对初采样点进行网格规划划分，计算出Delaunay三角网的每一个三角形的内心，将每个三角网的内心点作为新增采样点的备选采样点。新增的备选采样点如图4所示。

步骤5：根据步骤3激光跟踪仪测量得到的真实值与我们采样点的实际值的差，作为克里金模型中的输出样本，以采样点的实际坐标点作为输入样本，根据变异函数的理论，运用初始采样点的数据，从高斯模型、球状模型、指数模型、线性模型进行拟合，确定最佳的克里金模型。克里金法中的变异函数其公式如下：

其中Z(x_k)为区域化变量，即真实的误差值，N(h)为相距距离为h的点的对数。从采样点中选取不同距离的数值h，计算其所决定的采样点对的变异函数γ(h)，根据变异函数的理论，运用初始采样点的数据，从高斯模型(Gaussian)、球状模型(Spherical)、指数模型(Exponential)、线性模型(Linear)分别进行拟合，确定拟合最佳的克里金模型。

拟合的4种模型公式如下：

Gaussian：

Spherical：

Exponential：

Linear：

其中：C₀为块金值，C为拱高值，a为变程；本领域的技术人员应知，当变异函数的值刚平稳不变时，与之对应的距离值即为变程，当距离大于变程时，数据之间没有相关性。

步骤6：运用克里金模型，可以估计算出机械臂工作区域中根据初步采样点的Delaunay三角网的每一个三角形的内心，遍历并估算出每个三角形内点的克里金均方误差值。

步骤7：通过比较估算出来的Delaunay三角网的每一个三角形的内心的克里金均方误差值的大小，将机械臂的工作区域内预测的三角形的内心的克里金均方误差值较大的m个采样备选点作为新增采样点。并记录其对应的坐标，便于测量。

具体选取新增采样点个数需要考虑采样时间、初次采样数目和新增采样点数目对预测值的影响程度的综合判定，一般考虑采样时间少一点，可以适当降低新增采样点数，即新增采样点数小于当前迭代时初次采样的采样点数，本发明实施例中初次采样数目为20个，本实施例选取均方误差值较大的前10个备选点作为新增采样点是比较合适的。

所描述的具体新增采样点数量仅仅是对本方法进行实例说明，如图5所示，圈出的三角形内心为新增采样点。

步骤8：重新将10个新增采样点编程进机械臂，得到新的采样点集合，并用激光跟踪仪进行新增采样点的绝对定位误差的测量，并将新增采样点重新纳入克里金模型进行预测估计。根据新的采样点集合重新构造新的Delaunay三角网，如图6所示，遍历每一个三角形的内心，从而确定新的采样备选点。自此已经完成一次新增采样。

步骤9：随机在y＝0平面内，在计算定位精度时候，选择测试点的数目越多，其结果更加能够反应出整体的预测效果，具体选取测试点的个数需要考虑测量时间，本实施例中随机选择10个点作为测试点，如图7和图8中的菱形点为随机生成的坐标点，分别进行比较新增采样前后的每一个点的绝对定位精度预测值。并计算出整体的均方根误差值来判定其预测的准确度，均方根误差值是用来衡量预测值与真实值之间的偏离程度的度量，其值越接近于零，其预测的准确度也就越高，当新增采样点前后的均方根误差值变化的趋势逐渐趋近于稳定时，考虑到新增采样的时间成本，将进行终止新增采样。本发明中通过一次新增采样前后的随机测试点定位精度实际值与预测值进行实例说明，其绝对定位精度预测值效果比较如表1所示。

趋于稳定可以理解为前后两次迭代得到的均方根误差值相等或相差小于0.01。

表1：一次新增采样前后随机测试点的效果比较

通过表1的均方根误差数据，我们可以发现通过一次新增采样后，机械臂的绝对定位精度预测值更加的准确。

步骤10：重复步骤4-8，进行新增采样点的测量，并将新增采样点重新纳入克里金模型进行预测估计，对于新增采样次数i＝1到k，执行k次循环，可以增加k次新增测量采样，并将第i次新增测量的采样点输入到误差值S_k中，此时根据新增后的测量误差S’_k数据，重新构建新的克里金模型，以供i+1次新增采样点的寻优。以此类推，通过多次的新增采样迭代，可以使机械臂的绝对定位精度估算的采样点分布的更加合理以及预测准确度提升。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (6)

1.一种面向区域内机械臂定位误差估算的新增采样的方法，其特征在于，包括：

S1、对机械臂采样点的运动区域进行Delaunay三角剖分；

S2、将激光跟踪仪测量的实际值与采样点的理论值的误差值作为数据输出来确定克里金模型；

S3、根据步骤S2确定的克里金模型预测每个Delaunay三角形内心点所对应的误差值的预测值，并估算出每个三角形内心的误差的均方误差值；

S4、将均方误差值较大的Delaunay三角形内心点的坐标作为新增采样点；然后返回步骤S1，直至迭代结束。

2.根据权利要求1所述的一种面向区域内机械臂定位误差估算的新增采样的方法，其特征在于，第一次迭代时，还包括使用Hammersley序列生成初始的采样点。

3.根据权利要求2所述的一种面向区域内机械臂定位误差估算的新增采样的方法，其特征在于，步骤S2具体为：以采样点的实际坐标点作为输入样本，将激光跟踪仪测量的实际值与采样点的理论值的误差值作为数据输出，根据变异函数的理论，运用采样点的数据，从高斯模型、球状模型、指数模型、线性模型进行拟合，确定最佳的克里金模型。

4.根据权利要求3所述的一种面向区域内机械臂定位误差估算的新增采样的方法，其特征在于，步骤S4中的新增采样点个数小于当前迭代步骤S1中采样点个数。

5.根据权利要求3所述的一种面向区域内机械臂定位误差估算的新增采样的方法，其特征在于，步骤S4所述返回步骤S1，具体为：将当前的新增采样点加入步骤S1中的机械臂采样点中，根据更新后的机械臂采样点，进行下一次迭代的Delaunay三角剖分。

6.根据权利要求1至5任意一项权利要求所述的一种面向区域内机械臂定位误差估算的新增采样的方法，其特征在于，步骤S4迭代结束的条件是：在当前的采样点中随机选择若干点作为测试点，计算这些选出来的点在迭代前与迭代后的绝对定位精度预测值，然后计算这些选出来的点在迭代前与迭代后的均方根误差之间的差值，若这一计算出的差值为零，则迭代结束。

Images