CN114523478B - 机械臂结构参数的补偿模型获取方法和补偿方法 - Google Patents

机械臂结构参数的补偿模型获取方法和补偿方法 Download PDF

Info

Publication number
CN114523478B
CN114523478B CN202210434481.1A CN202210434481A CN114523478B CN 114523478 B CN114523478 B CN 114523478B CN 202210434481 A CN202210434481 A CN 202210434481A CN 114523478 B CN114523478 B CN 114523478B
Authority
CN
China
Prior art keywords
layer
mechanical arm
hidden layer
output
neurons
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
Application number
CN202210434481.1A
Other languages
English (en)
Other versions
CN114523478A (zh
Inventor
康信勇
范朝龙
袁悦
范黎
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202210434481.1A priority Critical patent/CN114523478B/zh
Publication of CN114523478A publication Critical patent/CN114523478A/zh
Application granted granted Critical
Publication of CN114523478B publication Critical patent/CN114523478B/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
    • B25J9/1602—Programme controls characterised by the control system, structure, architecture
    • 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
    • B25J9/1628—Programme controls characterised by the control loop
    • 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
    • B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
    • B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning

Landscapes

  • Engineering & Computer Science (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)
  • Manipulator (AREA)

Abstract

本申请属于机械臂控制技术领域，公开了一种机械臂结构参数的补偿模型获取方法和补偿方法，通过获取机械臂末端在多个目标点处的目标位姿和实测位姿；根据这些目标位姿和实测位姿，计算得到多个第一位姿误差数据；创建BP神经网络模型；BP神经网络模型以机械臂末端的第一位姿误差数据为输入，以机械臂的结构参数误差为输出数据，并以根据输出数据进行补偿后的理论位姿与对应的实测位姿之间的等效误差为指标；利用第一位姿误差数据对BP神经网络模型进行训练，直到指标满足要求；从而，可得到可靠的结构参数补偿模型，使用该结构参数补偿模型可得到可靠的结构参数误差，能够有效地对机械臂自身结构参数进行误差补偿，提高机械臂末端定位精度。

Description

机械臂结构参数的补偿模型获取方法和补偿方法
技术领域
本申请涉及机械臂控制技术领域，具体而言，涉及一种机械臂结构参数的补偿模型获取方法和补偿方法。
背景技术
现有机械臂在工作过程由于机械臂本身的结构参数误差（如连杆长度误差、关节转角误差等），使得机械臂末端理论位置与实际位置之间存在误差，若能够有效地对机械臂自身结构参数进行误差补偿，则可以减小机械臂末端位置理论与实际的误差，从而提高机械臂的精度性能。
发明内容
本申请的目的在于提供一种机械臂结构参数的补偿模型获取方法和补偿方法，可得到能够有效地对机械臂自身结构参数进行误差补偿的补偿模型，以对机械臂自身结构参数进行误差补偿。
第一方面，本申请提供了一种机械臂结构参数的补偿模型获取方法，用于获取机械臂的结构参数补偿模型，包括步骤：
A1.获取机械臂末端在多个目标点处的目标位姿和实测位姿；
A2.根据所述多个目标点的目标位姿和实测位姿，计算得到多个第一位姿误差数据；
A3.创建BP神经网络模型；所述BP神经网络模型以所述机械臂末端的第一位姿误差数据为输入，以所述机械臂的结构参数误差为输出数据，并以根据所述输出数据进行补偿后的理论位姿与对应的实测位姿之间的等效误差为指标；
A4.利用所述第一位姿误差数据对所述BP神经网络模型进行训练，直到所述指标满足要求。
通过该方法得到的结构参数补偿模型，在使用时，当输入机械臂末端的位姿误差数据后，能够输出机械臂的结构参数误差，使用该结构参数误差对机械臂的结构参数进行补偿后，能够保证补偿后的理论位姿与对应的实测位姿之间的等效误差足够小，从而，有效地对机械臂自身结构参数进行误差补偿。
优选地，所述第一位姿误差数据包括三个坐标误差数据和三个姿态角度误差数据；所述结构参数误差包括所述机械臂的各连杆的长度误差和各关节的转角误差；
所述BP神经网络模型包括输入层、隐含层和输出层，所述输入层的神经元个数为6，所述输出层的神经元个数小于或等于所述机械臂的连杆数量和关节数量之和。
优选地，所述指标为：
Figure DEST_PATH_IMAGE001
；
其中，
Figure 988491DEST_PATH_IMAGE002
为所述指标，
Figure DEST_PATH_IMAGE003
为所述目标点的总个数，
Figure 921943DEST_PATH_IMAGE004
为第
Figure DEST_PATH_IMAGE005
个所述目标点的实测位姿，
Figure 108205DEST_PATH_IMAGE006
为第
Figure 844692DEST_PATH_IMAGE005
个所述目标点的根据所述输出数据进行补偿后的理论位姿。
利用补偿后末端的理论位姿与实测位姿之间的等效误差作为指标，保证连杆长度和关节转角补偿后实现末端定位精度的提高。
优选地，步骤A4包括：
A401.初始化所述输入层到所述隐含层的权值、所述隐含层到所述输出层的权值、所述输入层到所述隐含层的阈值和所述隐含层到所述输出层的阈值；
A402.把一未使用的所述第一位姿误差数据输入所述输入层，以计算得到所述输出数据；
A403.计算各所述目标点的根据所述输出数据进行补偿后的理论位姿；
A404.根据各所述目标点的所述理论位姿和所述实测位姿计算所述指标；
A405.判断所述指标是否满足要求；
A406.若否，则更新所述输入层到所述隐含层的权值、所述隐含层到所述输出层的权值、所述输入层到所述隐含层的阈值和所述隐含层到所述输出层的阈值，并返回步骤A402；
A407.若是，则结束训练。
优选地，步骤A401包括：
把所述输入层到所述隐含层的权值、所述隐含层到所述输出层的权值、所述输入层到所述隐含层的阈值和所述隐含层到所述输出层的阈值设置为0和1之间的随机数。
优选地，步骤A402包括：
由所述隐含层根据以下公式计算隐含层输出：
Figure DEST_PATH_IMAGE007
；
其中，
Figure 331169DEST_PATH_IMAGE008
为所述隐含层的第
Figure DEST_PATH_IMAGE009
个神经元的所述隐含层输出，
Figure 576467DEST_PATH_IMAGE010
为所述隐含层的神经元的个数，
Figure DEST_PATH_IMAGE011
为所述输入层的第
Figure 551875DEST_PATH_IMAGE012
个神经元到所述隐含层的第
Figure 94983DEST_PATH_IMAGE009
个神经元的权值，
Figure DEST_PATH_IMAGE013
为所述输入层的第
Figure 449347DEST_PATH_IMAGE012
个神经元的输入数据，
Figure 911553DEST_PATH_IMAGE014
为所述输入层的第
Figure 806827DEST_PATH_IMAGE012
个神经元到所述隐含层的第
Figure 622468DEST_PATH_IMAGE009
个神经元的阈值，
Figure DEST_PATH_IMAGE015
为激活函数，所述激活函数为：
Figure 552378DEST_PATH_IMAGE016
，
Figure DEST_PATH_IMAGE017
为自变量；
由所述输出层根据以下公式计算所述输出数据：
Figure 120238DEST_PATH_IMAGE018
;
其中，
Figure DEST_PATH_IMAGE019
为所述输出层的第
Figure 706071DEST_PATH_IMAGE020
个神经元的所述输出数据，
Figure DEST_PATH_IMAGE021
为所述隐含层的第
Figure 184457DEST_PATH_IMAGE009
个神经元到所述输出层的第
Figure 31190DEST_PATH_IMAGE020
个神经元的权值，
Figure 304040DEST_PATH_IMAGE022
为所述隐含层的第
Figure 173907DEST_PATH_IMAGE009
个神经元到所述输出层的第
Figure 453054DEST_PATH_IMAGE020
个神经元的阈值，
Figure DEST_PATH_IMAGE023
为输出层的神经元的数量。
优选地，步骤A403包括：
获取所述机械臂末端在各所述目标点处的实际关节角度数据；
根据所述输出数据对所述机械臂各连杆的长度和所述实际关节角度数据进行补偿；
根据补偿后的各连杆的长度和补偿后的实际关节角度数据，采用机器人运动学正解算法计算各所述目标点的所述理论位姿。
优选地，步骤A405包括：
若所述指标不大于预设的最大期望误差，则判定所述指标满足要求，否则，判定所述指标不满足要求。
优选地，步骤A406包括：
根据以下公式更新所述输入层到所述隐含层的权值：
Figure 154293DEST_PATH_IMAGE024
；
其中，
Figure DEST_PATH_IMAGE025
为所述输入层的第
Figure 66886DEST_PATH_IMAGE012
个神经元到所述隐含层的第
Figure 158470DEST_PATH_IMAGE009
个神经元的更新后的权值，
Figure 978658DEST_PATH_IMAGE026
为所述输入层的第
Figure 268825DEST_PATH_IMAGE012
个神经元到所述隐含层的第
Figure 149057DEST_PATH_IMAGE009
个神经元的权值，
Figure DEST_PATH_IMAGE027
为预设的学习率，
Figure 725007DEST_PATH_IMAGE008
为所述隐含层的第
Figure 411203DEST_PATH_IMAGE009
个神经元的隐含层输出，
Figure 821456DEST_PATH_IMAGE028
为所述输入层的第
Figure 138168DEST_PATH_IMAGE012
个神经元的输入数据，
Figure 1082DEST_PATH_IMAGE010
为所述隐含层的神经元的个数，
Figure DEST_PATH_IMAGE029
为所述指标，
Figure 304018DEST_PATH_IMAGE023
为输出层的神经元的数量；
根据以下公式更新所述隐含层到所述输出层的权值：
Figure 568777DEST_PATH_IMAGE030
；
其中，
Figure DEST_PATH_IMAGE031
为所述隐含层的第
Figure 53461DEST_PATH_IMAGE009
个神经元到所述输出层的第
Figure 669250DEST_PATH_IMAGE020
个神经元的更新后的权值，
Figure 838194DEST_PATH_IMAGE021
为所述隐含层的第
Figure 957460DEST_PATH_IMAGE009
个神经元到所述输出层的第
Figure 350395DEST_PATH_IMAGE020
个神经元的权值；
根据以下公式更新所述输入层到所述隐含层的阈值：
Figure 187901DEST_PATH_IMAGE032
；
其中，
Figure DEST_PATH_IMAGE033
为所述输入层的第
Figure 957274DEST_PATH_IMAGE012
个神经元到所述隐含层的第
Figure 462205DEST_PATH_IMAGE009
个神经元的更新后的阈值，
Figure 960795DEST_PATH_IMAGE034
为所述输入层的第
Figure 551176DEST_PATH_IMAGE012
个神经元到所述隐含层的第
Figure 858660DEST_PATH_IMAGE009
个神经元的阈值；
根据以下公式更新所述隐含层到所述输出层的阈值：
Figure DEST_PATH_IMAGE035
；
其中，
Figure 952518DEST_PATH_IMAGE036
为所述隐含层的第
Figure 952835DEST_PATH_IMAGE009
个神经元到所述输出层的第
Figure 499354DEST_PATH_IMAGE020
个神经元的更新后的阈值，
Figure 813792DEST_PATH_IMAGE022
为所述隐含层的第
Figure 762157DEST_PATH_IMAGE009
个神经元到所述输出层的第
Figure 930445DEST_PATH_IMAGE020
个神经元的阈值。
上述训练过程，实际上是使用最快下降法对BP神经网络模型进行训练，并通过反向传播来不断调整网络的权值和阈值，使网络的输出误差最小。
第二方面，本申请提供了一种机械臂结构参数的补偿方法，包括步骤：
获取机械臂末端的目标位姿和实测位姿；
计算所述实测位姿与所述目标位姿之间的位姿误差数据；
把所述位姿误差数据输入预先训练好的结构参数补偿模型，得到所述结构参数补偿模型输出的结构参数误差；所述结构参数补偿模型为通过前文所述的机械臂结构参数的补偿模型获取方法获取的结构参数补偿模型；
根据所述结构参数误差对所述机械臂的结构参数进行补偿。
由于使用通过前文所述的机械臂结构参数的补偿模型获取方法获取的结构参数补偿模型来进行结构参数误差的提取，得到的结构参数误差可靠性好，能够有效地对机械臂自身结构参数进行误差补偿，提高机械臂末端定位精度。
有益效果：
本申请提供的机械臂结构参数的补偿模型获取方法和补偿方法，通过获取机械臂末端在多个目标点处的目标位姿和实测位姿；根据所述多个目标点的目标位姿和实测位姿，计算得到多个第一位姿误差数据；创建BP神经网络模型；所述BP神经网络模型以所述机械臂末端的第一位姿误差数据为输入，以所述机械臂的结构参数误差为输出数据，并以根据所述输出数据进行补偿后的理论位姿与对应的实测位姿之间的等效误差为指标；利用所述第一位姿误差数据对所述BP神经网络模型进行训练，直到所述指标满足要求；从而，可得到可靠的结构参数补偿模型，使用该结构参数补偿模型可得到可靠的结构参数误差，能够有效地对机械臂自身结构参数进行误差补偿，提高机械臂末端定位精度。
本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请了解。
附图说明
图1为本申请实施例提供的机械臂结构参数的补偿模型获取方法的流程图。
图2为BP神经网络模型训练过程的流程图。
图3为本申请实施例提供的机械臂结构参数的补偿方法的流程图。
具体实施方式
下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
请参照图1，图1是本申请一些实施例中的一种机械臂结构参数的补偿模型获取方法，用于获取机械臂的结构参数补偿模型，包括步骤：
A1.获取机械臂末端在多个目标点处的目标位姿和实测位姿；
A2.根据多个目标点的目标位姿和实测位姿，计算得到多个第一位姿误差数据；
A3.创建BP神经网络模型；BP神经网络模型以机械臂末端的第一位姿误差数据为输入，以机械臂的结构参数误差为输出数据，并以根据输出数据进行补偿后的理论位姿与对应的实测位姿之间的等效误差为指标；
A4.利用第一位姿误差数据对BP神经网络模型进行训练，直到指标满足要求。
通过该方法得到的结构参数补偿模型，在使用时，当输入机械臂末端的位姿误差数据后，能够输出机械臂的结构参数误差，使用该结构参数误差对机械臂的结构参数进行补偿后，能够保证补正后的理论位姿与对应的实测位姿之间的等效误差足够小（从而确保了在补偿后，通过计算确定的机械臂末端能够到达的位姿与实际达到的位姿之间的偏差足够小），从而，有效地对机械臂自身结构参数进行误差补偿。
其中，目标点处的目标位姿是指需要机械臂末端到达目标点处时所具有的位姿；实测位姿是指以目标位姿为机械臂末端位姿的目标，按预设控制程序控制机械臂末端向目标点移动时，机械臂末端最终达到的位姿。目标点的数量可以根据实际需要设置，目标点的目标位姿可根据实际需要设置。例如，目标点的数量可以为30-50。
具体地，目标位姿和实测位姿均包括三个坐标数据和三个姿态角度数据，直接用实测位姿减去对应的目标位姿，即得到第一位姿误差数据。从而，第一位姿误差数据包括三个坐标误差数据和三个姿态角度误差数据。
具体地，结构参数误差包括机械臂的各连杆的长度误差和各关节的转角误差。一组结构参数误差中的长度误差的个数和转角误差的个数取决于机械臂的具体连杆数量和关节数量。
在本实施例中，BP神经网络模型包括输入层、隐含层和输出层，输入层的神经元个数为6，输出层的神经元个数小于或等于机械臂的连杆数量和关节数量之和。其中，隐含层的神经元个数可根据实际需要设置，例如设置为8-10。
优选地，输出层的神经元个数等于机械臂的连杆数量和关节数量之和，从而保证补偿效果最佳。但在实际应用中，可只对部分连杆的长度进行补偿，此时，输出层的神经元个数等于需要进行补偿的连杆的数量和关节数量之和（小于机械臂的连杆数量和关节数量之和），虽然补偿效果有所下降，但可以提高计算效率；其中，可根据实际需要选择需要进行补偿的连杆。
其中，可用各目标点的根据输出数据进行补偿后的理论位姿与实测位姿之差的绝对值平均值作为等效误差，从而，指标为：
Figure DEST_PATH_IMAGE037
；
其中，
Figure 229840DEST_PATH_IMAGE002
为指标，
Figure 144706DEST_PATH_IMAGE003
为目标点的总个数，
Figure 947577DEST_PATH_IMAGE004
为第
Figure 227380DEST_PATH_IMAGE005
个目标点的实测位姿，
Figure 14070DEST_PATH_IMAGE006
为第
Figure 201469DEST_PATH_IMAGE005
个目标点的根据输出数据进行补偿后的理论位姿。
也可直接用当前输入的第一位姿误差数据对应的目标点的根据输出数据进行补偿后的理论位姿与实测位姿之差的绝对值作为等效误差，从而，指标为：
Figure 452322DEST_PATH_IMAGE038
；
其中，
Figure DEST_PATH_IMAGE039
为当前输入的第一位姿误差数据对应的目标点的根据输出数据进行补偿后的理论位姿，
Figure 923534DEST_PATH_IMAGE040
为当前输入的第一位姿误差数据对应的目标点的实测位姿。
在一些优选实施方式中，指标为：
Figure 135203DEST_PATH_IMAGE001
；
即，等效误差为各目标点的根据输出数据进行补偿后的理论位姿与实测位姿之差的平方的平均值。利用补偿后末端的理论位姿与实测位姿之间的等效误差作为指标，保证连杆长度和关节转角补偿后实现末端定位精度的提高。
其中，根据输出数据进行补偿后的理论位姿，是指根据补偿后的结构参数计算得到的机械臂末端所能达到的位姿。
在本实施例中，见图2，步骤A4包括：
A401.初始化输入层到隐含层的权值、隐含层到输出层的权值、输入层到隐含层的阈值和隐含层到输出层的阈值；
A402.把一未使用的第一位姿误差数据输入输入层，以计算得到输出数据；
A403.计算各目标点的根据输出数据进行补偿后的理论位姿；
A404.根据各目标点的理论位姿和实测位姿计算指标；
A405.判断指标是否满足要求；
A406.若否，则更新输入层到隐含层的权值、隐含层到输出层的权值、输入层到隐含层的阈值和隐含层到输出层的阈值，并返回步骤A402；
A407.若是，则结束训练。
其中，步骤A401包括：
把输入层到隐含层的权值、隐含层到输出层的权值、输入层到隐含层的阈值和隐含层到输出层的阈值设置为0和1之间的随机数。
即，在设置输入层到隐含层的权值、隐含层到输出层的权值、输入层到隐含层的阈值和隐含层到输出层的阈值的初始值时，分别在0和1之间随机生成一个数值作为初始值。通过该方式设置输入层到隐含层的权值、隐含层到输出层的权值、输入层到隐含层的阈值和隐含层到输出层的阈值的初始值，其优点在于：1、训练BP神经网络时权值和阈值需要先给定一个初始值才能够训练，训练过程中可以逐步进行更新；2、取0-1可以有助于防止权值初始化过大，比较适合当前的激活函数（具体激活函数见下文）。
在实际应用中，初始化输入层到隐含层的权值、隐含层到输出层的权值、输入层到隐含层的阈值和隐含层到输出层的阈值的方式不限于此。
其中，未使用的第一位姿误差数据是指在对BP神经网络模型的过程中，没有输入过BP神经网络模型的第一位姿误差数据。在把第一位姿误差数据输入BP神经网络模型时，分别把三个坐标误差数据和三个姿态角度误差数据输入该BP神经网络模型的输入层的6个神经元中。最终，从该BP神经网络模型的输出层的各神经元分别输出各需要进行补偿的连杆的长度误差和各关节的转角误差。
其中，步骤A402包括：
由隐含层根据以下公式计算隐含层输出：
Figure 391872DEST_PATH_IMAGE007
；
其中，
Figure 169335DEST_PATH_IMAGE008
为隐含层的第
Figure 915574DEST_PATH_IMAGE009
个神经元的隐含层输出，
Figure 411278DEST_PATH_IMAGE010
为隐含层的神经元的个数，
Figure 409321DEST_PATH_IMAGE011
为输入层的第
Figure 41290DEST_PATH_IMAGE012
个神经元到隐含层的第
Figure 630535DEST_PATH_IMAGE009
个神经元的权值，
Figure 610605DEST_PATH_IMAGE013
为输入层的第
Figure 943497DEST_PATH_IMAGE012
个神经元的输入数据，
Figure 695552DEST_PATH_IMAGE014
为输入层的第
Figure 721277DEST_PATH_IMAGE012
个神经元到隐含层的第
Figure 253890DEST_PATH_IMAGE009
个神经元的阈值，
Figure 656052DEST_PATH_IMAGE015
为激活函数，激活函数为：
Figure 200297DEST_PATH_IMAGE016
，
Figure 396923DEST_PATH_IMAGE017
为自变量；
由输出层根据以下公式计算输出数据：
Figure 354515DEST_PATH_IMAGE018
;
其中，
Figure 26280DEST_PATH_IMAGE019
为输出层的第
Figure 815245DEST_PATH_IMAGE020
个神经元的输出数据，
Figure 448351DEST_PATH_IMAGE021
为隐含层的第
Figure 565343DEST_PATH_IMAGE009
个神经元到输出层的第
Figure 43729DEST_PATH_IMAGE020
个神经元的权值，
Figure 890462DEST_PATH_IMAGE022
为隐含层的第
Figure 163312DEST_PATH_IMAGE009
个神经元到输出层的第
Figure 829916DEST_PATH_IMAGE020
个神经元的阈值，
Figure 174310DEST_PATH_IMAGE023
为输出层的神经元的数量（其值优选为机械臂的连杆数量和关节数量之和）。
其中，步骤A403包括：
获取机械臂末端在各目标点处的实际关节角度数据；
根据输出数据对机械臂各连杆的长度和实际关节角度数据进行补偿；
根据补偿后的各连杆的长度和补偿后的实际关节角度数据，采用机器人运动学正解算法计算各目标点的理论位姿。
该实际关节角度数据，是通过机器人运动学逆解算法（此为现有技术，此处不对其进行详述），根据目标点处的目标位姿计算得到的。
其中，输出数据即BP神经网络模型输出的结构参数误差，对机械臂各连杆的长度和实际关节角度数据进行补偿时，直接把机械臂控制模型中的各连杆的长度值加上对应的长度误差，并直接把各实际关节角度数据加上对应的转角误差。
其中，机器人运动学正解算法为现有技术，此处不对其进行详述。其中，若BP神经网络模型输出的结构参数误差越准确，则补偿后计算得到的理论位姿越接近对应目标点的实测位姿。
其中，可根据前文中的指标的计算模型进行指标的计算。
在一些实施方式中，步骤A405包括：
若指标不大于预设的最大期望误差，则判定指标满足要求，否则，判定指标不满足要求。
其中，最大期望误差可根据实际需要设置。
在另一些实施方式中，步骤A405包括：
若指标不大于预设的最大期望误差，则判定当前的指标合格，否则判定当前的指标不合格；
若指标被连续N次判定为合格，则判定指标满足要求。其中，N为大于1的预设正整数，可根据实际需要设置。
通过这种方式，能够保证指标可靠收敛，提高输出数据的准确性。
具体地，步骤A406包括：
根据以下公式更新输入层到隐含层的权值：
Figure 875550DEST_PATH_IMAGE024
；
其中，
Figure 316371DEST_PATH_IMAGE025
为输入层的第
Figure 673534DEST_PATH_IMAGE012
个神经元到隐含层的第
Figure 493722DEST_PATH_IMAGE009
个神经元的更新后的权值，
Figure 49469DEST_PATH_IMAGE026
为输入层的第
Figure 929700DEST_PATH_IMAGE012
个神经元到隐含层的第
Figure 898793DEST_PATH_IMAGE009
个神经元的权值，
Figure 257093DEST_PATH_IMAGE027
为预设的学习率，
Figure 870608DEST_PATH_IMAGE008
为隐含层的第
Figure 656162DEST_PATH_IMAGE009
个神经元的隐含层输出，
Figure 516146DEST_PATH_IMAGE028
为输入层的第
Figure 943716DEST_PATH_IMAGE012
个神经元的输入数据，
Figure 208475DEST_PATH_IMAGE010
为隐含层的神经元的个数，
Figure 430509DEST_PATH_IMAGE029
为指标，
Figure 108615DEST_PATH_IMAGE023
为输出层的神经元的数量；
根据以下公式更新隐含层到所述输出层的权值：
Figure 74297DEST_PATH_IMAGE030
；
其中，
Figure 396825DEST_PATH_IMAGE031
为隐含层的第
Figure 789760DEST_PATH_IMAGE009
个神经元到输出层的第
Figure 892846DEST_PATH_IMAGE020
个神经元的更新后的权值，
Figure 724535DEST_PATH_IMAGE021
为隐含层的第
Figure 695378DEST_PATH_IMAGE009
个神经元到输出层的第
Figure 524794DEST_PATH_IMAGE020
个神经元的权值；
根据以下公式更新所述输入层到隐含层的阈值：
Figure 52858DEST_PATH_IMAGE032
；
其中，
Figure 94764DEST_PATH_IMAGE033
为输入层的第
Figure 454201DEST_PATH_IMAGE012
个神经元到隐含层的第
Figure 516835DEST_PATH_IMAGE009
个神经元的更新后的阈值，
Figure 63354DEST_PATH_IMAGE034
为输入层的第
Figure 440108DEST_PATH_IMAGE012
个神经元到隐含层的第
Figure 591735DEST_PATH_IMAGE009
个神经元的阈值；
根据以下公式更新隐含层到所述输出层的阈值：
Figure 760024DEST_PATH_IMAGE035
；
其中，
Figure 793839DEST_PATH_IMAGE036
为隐含层的第
Figure 505443DEST_PATH_IMAGE009
个神经元到输出层的第
Figure 573893DEST_PATH_IMAGE020
个神经元的更新后的阈值，
Figure 916013DEST_PATH_IMAGE022
为隐含层的第
Figure 640386DEST_PATH_IMAGE009
个神经元到输出层的第
Figure 93364DEST_PATH_IMAGE020
个神经元的阈值。
需要说明的是，当返回步骤A402开始下一次循环时，在该下一次循环中，输入层到隐含层的权值为更新后的权值，隐含层到输出层的权值为更新后的权值，输入层到隐含层的阈值为更新后的阈值，隐含层到输出层的阈值为更新后的阈值。
上述训练过程，实际上是使用最快下降法对BP神经网络模型进行训练，并通过反向传播来不断调整网络的权值和阈值，使网络的输出误差最小。
请参考图3，本申请提供了一种机械臂结构参数的补偿方法，包括步骤：
B1.获取机械臂末端的目标位姿和实测位姿（此处的目标位姿和实测位姿是实际工作时的目标位姿和实测位姿，而非训练过程中的训练样本的目标位姿和实测位姿）；
B2.计算实测位姿与目标位姿之间的位姿误差数据（两者直接相减得到）；
B3.把该位姿误差数据输入预先训练好的结构参数补偿模型，得到结构参数补偿模型输出的结构参数误差；结构参数补偿模型为通过前文的机械臂结构参数的补偿模型获取方法获取的结构参数补偿模型；
B4.根据结构参数误差对机械臂的结构参数进行补偿。
由于使用通过前文的机械臂结构参数的补偿模型获取方法获取的结构参数补偿模型来进行结构参数误差的提取，得到的结构参数误差可靠性好，能够有效地对机械臂自身结构参数进行误差补偿，提高机械臂末端定位精度。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，多个单元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。
另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，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。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种机械臂结构参数的补偿模型获取方法，用于获取机械臂的结构参数补偿模型，其特征在于，包括步骤：
A1.获取机械臂末端在多个目标点处的目标位姿和实测位姿；
A2.根据所述多个目标点的目标位姿和实测位姿，计算得到多个第一位姿误差数据；
A3.创建BP神经网络模型；所述BP神经网络模型以所述机械臂末端的第一位姿误差数据为输入，以所述机械臂的结构参数误差为输出数据，并以根据所述输出数据进行补偿后的理论位姿与对应的实测位姿之间的等效误差为指标；
A4.利用所述第一位姿误差数据对所述BP神经网络模型进行训练，直到所述指标满足要求。
2.根据权利要求1所述的机械臂结构参数的补偿模型获取方法，其特征在于，所述第一位姿误差数据包括三个坐标误差数据和三个姿态角度误差数据；所述结构参数误差包括所述机械臂的各连杆的长度误差和各关节的转角误差；
所述BP神经网络模型包括输入层、隐含层和输出层，所述输入层的神经元个数为6，所述输出层的神经元个数小于或等于所述机械臂的连杆数量和关节数量之和。
3.根据权利要求2所述的机械臂结构参数的补偿模型获取方法，其特征在于，所述指标为：
Figure DEST_PATH_IMAGE002
；
其中，
Figure DEST_PATH_IMAGE004
为所述指标，
Figure DEST_PATH_IMAGE006
为所述目标点的总个数，
Figure DEST_PATH_IMAGE008
为第
Figure DEST_PATH_IMAGE010
个所述目标点的实测位姿，
Figure DEST_PATH_IMAGE012
为第
Figure 721279DEST_PATH_IMAGE010
个所述目标点的根据所述输出数据进行补偿后的理论位姿。
4.根据权利要求2所述的机械臂结构参数的补偿模型获取方法，其特征在于，步骤A4包括：
A401.初始化所述输入层到所述隐含层的权值、所述隐含层到所述输出层的权值、所述输入层到所述隐含层的阈值和所述隐含层到所述输出层的阈值；
A402.把一未使用的所述第一位姿误差数据输入所述输入层，以计算得到所述输出数据；
A403.计算各所述目标点的根据所述输出数据进行补偿后的理论位姿；
A404.根据各所述目标点的所述理论位姿和所述实测位姿计算所述指标；
A405.判断所述指标是否满足要求；
A406.若否，则更新所述输入层到所述隐含层的权值、所述隐含层到所述输出层的权值、所述输入层到所述隐含层的阈值和所述隐含层到所述输出层的阈值，并返回步骤A402；
A407.若是，则结束训练。
5.根据权利要求4所述的机械臂结构参数的补偿模型获取方法，其特征在于，步骤A401包括：
把所述输入层到所述隐含层的权值、所述隐含层到所述输出层的权值、所述输入层到所述隐含层的阈值和所述隐含层到所述输出层的阈值设置为0和1之间的随机数。
6.根据权利要求4所述的机械臂结构参数的补偿模型获取方法，其特征在于，步骤A402包括：
由所述隐含层根据以下公式计算隐含层输出：
Figure DEST_PATH_IMAGE014
;
其中，
Figure DEST_PATH_IMAGE016
为所述隐含层的第
Figure DEST_PATH_IMAGE018
个神经元的所述隐含层输出，
Figure DEST_PATH_IMAGE020
为所述隐含层的神经元的个数，
Figure DEST_PATH_IMAGE022
为所述输入层的第
Figure DEST_PATH_IMAGE024
个神经元到所述隐含层的第
Figure 592414DEST_PATH_IMAGE018
个神经元的权值，
Figure DEST_PATH_IMAGE026
为所述输入层的第
Figure 168889DEST_PATH_IMAGE024
个神经元的输入数据，
Figure DEST_PATH_IMAGE028
为所述输入层的第
Figure 360836DEST_PATH_IMAGE024
个神经元到所述隐含层的第
Figure 454170DEST_PATH_IMAGE018
个神经元的阈值，
Figure DEST_PATH_IMAGE030
为激活函数，所述激活函数为：
Figure DEST_PATH_IMAGE032
，
Figure DEST_PATH_IMAGE034
为自变量；
由所述输出层根据以下公式计算所述输出数据：
Figure DEST_PATH_IMAGE036
;
其中，
Figure DEST_PATH_IMAGE038
为所述输出层的第
Figure DEST_PATH_IMAGE040
个神经元的所述输出数据，
Figure DEST_PATH_IMAGE042
为所述隐含层的第
Figure 745474DEST_PATH_IMAGE018
个神经元到所述输出层的第
Figure 294398DEST_PATH_IMAGE040
个神经元的权值，
Figure DEST_PATH_IMAGE044
为所述隐含层的第
Figure 290036DEST_PATH_IMAGE018
个神经元到所述输出层的第
Figure 490073DEST_PATH_IMAGE040
个神经元的阈值，
Figure DEST_PATH_IMAGE046
为输出层的神经元的数量。
7.根据权利要求4所述的机械臂结构参数的补偿模型获取方法，其特征在于，步骤A403包括：
获取所述机械臂末端在各所述目标点处的实际关节角度数据；
根据所述输出数据对所述机械臂各连杆的长度和所述实际关节角度数据进行补偿；
根据补偿后的各连杆的长度和补偿后的实际关节角度数据，采用机器人运动学正解算法计算各所述目标点的所述理论位姿。
8.根据权利要求4所述的机械臂结构参数的补偿模型获取方法，其特征在于，步骤A405包括：
若所述指标不大于预设的最大期望误差，则判定所述指标满足要求，否则，判定所述指标不满足要求。
9.根据权利要求4所述的机械臂结构参数的补偿模型获取方法，其特征在于，步骤A406包括：
根据以下公式更新所述输入层到所述隐含层的权值：
Figure DEST_PATH_IMAGE048
；
其中，
Figure DEST_PATH_IMAGE050
为所述输入层的第
Figure 827644DEST_PATH_IMAGE024
个神经元到所述隐含层的第
Figure 113132DEST_PATH_IMAGE018
个神经元的更新后的权值，
Figure DEST_PATH_IMAGE052
为所述输入层的第
Figure 660264DEST_PATH_IMAGE024
个神经元到所述隐含层的第
Figure 449228DEST_PATH_IMAGE018
个神经元的权值，
Figure DEST_PATH_IMAGE054
为预设的学习率，
Figure 941389DEST_PATH_IMAGE016
为所述隐含层的第
Figure 448594DEST_PATH_IMAGE018
个神经元的隐含层输出，
Figure DEST_PATH_IMAGE056
为所述输入层的第
Figure 536767DEST_PATH_IMAGE024
个神经元的输入数据，
Figure 445817DEST_PATH_IMAGE020
为所述隐含层的神经元的个数，
Figure DEST_PATH_IMAGE058
为所述指标，
Figure 594033DEST_PATH_IMAGE046
为输出层的神经元的数量；
根据以下公式更新所述隐含层到所述输出层的权值：
Figure DEST_PATH_IMAGE060
；
其中，
Figure DEST_PATH_IMAGE062
为所述隐含层的第
Figure 650851DEST_PATH_IMAGE018
个神经元到所述输出层的第
Figure 260823DEST_PATH_IMAGE040
个神经元的更新后的权值，
Figure 775113DEST_PATH_IMAGE042
为所述隐含层的第
Figure 77918DEST_PATH_IMAGE018
个神经元到所述输出层的第
Figure 559715DEST_PATH_IMAGE040
个神经元的权值；
根据以下公式更新所述输入层到所述隐含层的阈值：
Figure DEST_PATH_IMAGE064
；
其中，
Figure DEST_PATH_IMAGE066
为所述输入层的第
Figure 517919DEST_PATH_IMAGE024
个神经元到所述隐含层的第
Figure 401561DEST_PATH_IMAGE018
个神经元的更新后的阈值，
Figure DEST_PATH_IMAGE068
为所述输入层的第
Figure 140847DEST_PATH_IMAGE024
个神经元到所述隐含层的第
Figure 860673DEST_PATH_IMAGE018
个神经元的阈值；
根据以下公式更新所述隐含层到所述输出层的阈值：
Figure DEST_PATH_IMAGE070
；
其中，
Figure DEST_PATH_IMAGE072
为所述隐含层的第
Figure 874765DEST_PATH_IMAGE018
个神经元到所述输出层的第
Figure 612914DEST_PATH_IMAGE040
个神经元的更新后的阈值，
Figure 8254DEST_PATH_IMAGE044
为所述隐含层的第
Figure 464644DEST_PATH_IMAGE018
个神经元到所述输出层的第
Figure 954531DEST_PATH_IMAGE040
个神经元的阈值。
10.一种机械臂结构参数的补偿方法，其特征在于，包括步骤：
获取机械臂末端的目标位姿和实测位姿；
计算所述实测位姿与所述目标位姿之间的位姿误差数据；
把所述位姿误差数据输入预先训练好的结构参数补偿模型，得到所述结构参数补偿模型输出的结构参数误差；所述结构参数补偿模型为通过权利要求1-9任一项所述的机械臂结构参数的补偿模型获取方法获取的结构参数补偿模型；
根据所述结构参数误差对所述机械臂的结构参数进行补偿。
CN202210434481.1A 2022-04-24 2022-04-24 机械臂结构参数的补偿模型获取方法和补偿方法 Active CN114523478B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210434481.1A CN114523478B (zh) 2022-04-24 2022-04-24 机械臂结构参数的补偿模型获取方法和补偿方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210434481.1A CN114523478B (zh) 2022-04-24 2022-04-24 机械臂结构参数的补偿模型获取方法和补偿方法

Publications (2)

Publication Number Publication Date
CN114523478A CN114523478A (zh) 2022-05-24
CN114523478B true CN114523478B (zh) 2022-06-28

Family

ID=81628320

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210434481.1A Active CN114523478B (zh) 2022-04-24 2022-04-24 机械臂结构参数的补偿模型获取方法和补偿方法

Country Status (1)

Country Link
CN (1) CN114523478B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0929673A (ja) * 1995-07-10 1997-02-04 Mitsubishi Heavy Ind Ltd マニピュレータ制御装置
KR20050018545A (ko) * 2003-08-16 2005-02-23 광주과학기술원 로봇의 캘리브레이션 장치 및 그 방법
CN106914897A (zh) * 2017-03-31 2017-07-04 长安大学 基于rbf神经网络的机械手运动学逆解方法
CN108081266A (zh) * 2017-11-21 2018-05-29 山东科技大学 一种基于深度学习的机械臂手部抓取物体的方法
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
CN111278613A (zh) * 2017-11-02 2020-06-12 三菱电机株式会社 校准装置、校准方法和控制装置
CN112536797A (zh) * 2020-12-01 2021-03-23 南京航空航天大学 一种工业机器人的位置与姿态误差综合补偿方法
CN114248270A (zh) * 2021-12-28 2022-03-29 杭州亿恒科技有限公司 基于人工智能的工业机器人精度补偿方法
CN114282773A (zh) * 2021-12-03 2022-04-05 中国人民公安大学 一种车辆冲撞袭击可能性评估模型构建方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10562181B2 (en) * 2017-07-03 2020-02-18 X Development Llc Determining and utilizing corrections to robot actions
TWI728757B (zh) * 2020-03-23 2021-05-21 微正股份有限公司 直接姿態回授控制方法及直接姿態回授控制機器

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0929673A (ja) * 1995-07-10 1997-02-04 Mitsubishi Heavy Ind Ltd マニピュレータ制御装置
KR20050018545A (ko) * 2003-08-16 2005-02-23 광주과학기술원 로봇의 캘리브레이션 장치 및 그 방법
CN106914897A (zh) * 2017-03-31 2017-07-04 长安大学 基于rbf神经网络的机械手运动学逆解方法
CN111278613A (zh) * 2017-11-02 2020-06-12 三菱电机株式会社 校准装置、校准方法和控制装置
CN108081266A (zh) * 2017-11-21 2018-05-29 山东科技大学 一种基于深度学习的机械臂手部抓取物体的方法
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
CN112536797A (zh) * 2020-12-01 2021-03-23 南京航空航天大学 一种工业机器人的位置与姿态误差综合补偿方法
CN114282773A (zh) * 2021-12-03 2022-04-05 中国人民公安大学 一种车辆冲撞袭击可能性评估模型构建方法
CN114248270A (zh) * 2021-12-28 2022-03-29 杭州亿恒科技有限公司 基于人工智能的工业机器人精度补偿方法

Also Published As

Publication number Publication date
CN114523478A (zh) 2022-05-24

Similar Documents

Publication Publication Date Title
CN112101530B (zh) 神经网络训练方法、装置、设备及存储介质
CN111203890B (zh) 一种机器人的位置误差补偿方法
Sushchenko et al. Processing of redundant information in airborne electronic systems by means of neural networks
CN110044385B (zh) 一种大失准角情况下的快速传递对准方法
CN109693234A (zh) 机器人跌倒预测方法、装置、终端设备及计算机存储介质
CN114523478B (zh) 机械臂结构参数的补偿模型获取方法和补偿方法
CN114886567B (zh) 一种面向具有远心不动点约束的手术机器人手眼标定方法
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
CN115358325A (zh) 未知概率Skew及重尾噪声下的目标跟踪方法
CN113370208A (zh) 一种可重构机械臂子系统的控制方法及系统
JP7336856B2 (ja) 情報処理装置、方法及びプログラム
EP3536467B1 (en) Action transfer device, action transfer method, and non-temporary computer readable medium having action transfer program stored thereon
Yang et al. Multi‐Inertial Sensor‐Based Arm 3D Motion Tracking Using Elman Neural Network
CN114147713B (zh) 基于自适应神经网络高阶动态滑模的轨迹跟踪控制方法
WO2022269724A1 (ja) 運動内容推定装置、運動内容推定方法およびプログラム
CN115256397A (zh) 一种基于深度学习的机械臂力控制方法及系统
CN114169104A (zh) 基于改进教学和鸡群算法的设备机械参数优化方法
CN112613196A (zh) 一种五轴机器人姿态逆解方法及相关设备
Ogawa et al. A solution of inverse kinematics of robot arm using network inversion
CN110609971A (zh) 一种校准多元回归网络构建方法
US20190118377A1 (en) Method, apparatus, and terminal device for robot posture detection
CN116922399B (zh) 机械臂重力补偿方法、装置、电子设备及存储介质
CN111319037A (zh) 冗余机器人无标定视觉伺服控制方法及系统
CN111222525A (zh) 基于改进极限学习机的涂胶质量数据库构建方法
CN107887907B (zh) 一种电力系统动态状态估计多时段滚动优化方法

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
GR01 Patent grant
GR01 Patent grant