CN115139306B - 工业机器人主动式运动精度补偿方法、装置、设备和介质 - Google Patents
工业机器人主动式运动精度补偿方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN115139306B CN115139306B CN202211059729.7A CN202211059729A CN115139306B CN 115139306 B CN115139306 B CN 115139306B CN 202211059729 A CN202211059729 A CN 202211059729A CN 115139306 B CN115139306 B CN 115139306B
- Authority
- CN
- China
- Prior art keywords
- parameter
- robot
- motion
- degradation
- motion parameter
- 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
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
- B25J9/1656—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
-
- 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
- B25J9/1605—Simulation of manipulator lay-out, design, modelling of manipulator
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Manipulator (AREA)
Abstract
本申请涉及一种工业机器人主动式运动精度补偿方法、装置、设备和介质。方法包括:识别机器人的当前工况;若获取到与当前工况匹配的目标参数退化模型,则根据目标参数退化模型和机器人的运行时长,确定控制机器人运动的至少一个运动参数的当前值;其中,参数退化模型用于表征机器人的运动参数随时间变化而退化的关系;对至少一个运动参数的当前值进行补偿处理得到至少一个运动参数的目标值,并根据至少一个运动参数的目标值控制机器人运动。采用本方法能够而提高机器人的运动精度以及机器人的作业质量,还可以提高机器人的作业效率。
Description
技术领域
本申请涉及工业机器人技术领域,特别是涉及一种工业机器人主动式运动精度补偿方法、装置、设备和介质。
背景技术
随着机器人技术的发展,大量的机器人被应用于越来越多的场景中。其中,在航空航天、汽车生产线等应用场景中,对机器人的运动精度有较高的要求。
目前,通常会在机器人出厂前对机器人的运动精度进行标定。但是,随着使用,机器人的运动精度会逐渐下降,机器人的作业质量也逐渐降低。
发明内容
基于此,有必要针对上述技术问题,提供一种工业机器人主动式运动精度补偿方法、装置、设备和介质。
第一方面,本申请提供了一种工业机器人主动式运动精度补偿方法。该方法包括:
识别机器人的当前工况;
若获取到与当前工况匹配的目标参数退化模型,则根据目标参数退化模型和机器人的运行时长,确定控制机器人运动的至少一个运动参数的当前值;其中,参数退化模型用于表征机器人的运动参数随时间变化而退化的关系;
对至少一个运动参数的当前值进行补偿处理得到至少一个运动参数的目标值,并根据至少一个运动参数的目标值控制机器人运动。
在其中一个实施例中,上述根据目标参数退化模型和机器人的运行时长确定控制机器人运动的至少一个运动参数的当前值,包括:
对于各运动参数,获取运动参数的初始值以及目标参数退化模型中运动参数的单位时间退化量;
根据运动参数的初始值、机器人的运行时长和运动参数的单位时间退化量量确定运动参数的当前值。
在其中一个实施例中,上述根据运动参数的初始值、机器人的运行时长和运动参数的单位时间退化量确定运动参数的当前值,包括:
根据机器人的运行时长和运动参数的单位时间退化量确定运动参数的总退化量;
根据运动参数的初始值和总退化量,确定运动参数的当前值。
在其中一个实施例中,上述根据目标参数退化模型和机器人的运行时长确定控制机器人运动的至少一个运动参数的当前值,包括:
对于各运动参数,根据机器人的运行时长从参数退化模型中计算出运动参数的当前值。
在其中一个实施例中,上述获取与当前工况匹配的目标参数退化模型,包括:
将当前工况与预先建立的多个参数退化模型所对应的模拟工况进行匹配;
若存在工况匹配的参数退化模型,则将工况匹配的参数退化模型确定为目标参数退化模型。
在其中一个实施例中,该方法还包括:
若未获取到与当前工况匹配的参数退化模型,则根据当前工况和多个参数退化模型所对应的模拟工况进行参数插值处理,得到运动参数的当前值。
在其中一个实施例中,该方法还包括:
根据机器人的构型建立机器人的运动模型;
在多种模拟工况下,获取运动模型中各运动参数随时间变化而退化的关系,并根据关系建立参数退化模型。
在其中一个实施例中,上述对至少一个运动参数的当前值进行补偿处理得到至少一个运动参数的目标值,包括:
将至少一个运动参数的当前值输入到预先建立的补偿模型中进行补偿处理,得到补偿后的目标值。
在其中一个实施例中,该方法还包括:
在识别到工况发生变化的情况下,执行识别机器人的当前工况的步骤。
第二方面,本申请还提供了一种工业机器人主动式运动精度补偿装置。该装置包括:
识别模块,用于识别机器人的当前工况;
处理模块,用于获取到与当前工况匹配的目标参数退化模型,根据目标参数退化模型和机器人的运行时长,确定控制机器人运动的至少一个运动参数的当前值;其中,参数退化模型用于表征机器人的运动参数随时间变化而退化的关系;
补偿输出模块,用于对至少一个运动参数的当前值进行补偿处理得到至少一个运动参数的目标值,并根据至少一个运动参数的目标值控制机器人运动。
第三方面,本申请还提供了一种计算机设备。计算机设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
识别机器人的当前工况;
若获取到与当前工况匹配的目标参数退化模型,则根据目标参数退化模型和机器人的运行时长,确定控制机器人运动的至少一个运动参数的当前值;其中,参数退化模型用于表征机器人的运动参数随时间变化而退化的关系;
对至少一个运动参数的当前值进行补偿处理得到至少一个运动参数的目标值,并根据至少一个运动参数的目标值控制机器人运动。
第四方面,本申请还提供了一种计算机可读存储介质。计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
识别机器人的当前工况;
若获取到与当前工况匹配的目标参数退化模型,则根据目标参数退化模型和机器人的运行时长,确定控制机器人运动的至少一个运动参数的当前值;其中,参数退化模型用于表征机器人的运动参数随时间变化而退化的关系;
对至少一个运动参数的当前值进行补偿处理得到至少一个运动参数的目标值,并根据至少一个运动参数的目标值控制机器人运动。
第五方面,本申请还提供了一种计算机程序产品。计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
识别机器人的当前工况;
若获取到与当前工况匹配的目标参数退化模型,则根据目标参数退化模型和机器人的运行时长,确定控制机器人运动的至少一个运动参数的当前值;其中,参数退化模型用于表征机器人的运动参数随时间变化而退化的关系;
对至少一个运动参数的当前值进行补偿处理得到至少一个运动参数的目标值,并根据至少一个运动参数的目标值控制机器人运动。
上述工业机器人主动式运动精度补偿方法、装置、设备和介质,先识别机器人的当前工况;若获取到与当前工况匹配的目标参数退化模型,则根据目标参数退化模型和机器人的运行时长,确定控制机器人运动的至少一个运动参数的当前值;之后对至少一个运动参数的当前值进行补偿处理得到至少一个运动参数的目标值,并根据至少一个运动参数的目标值控制机器人运动。通过本申请实施例,可以在机器人的使用过程中,根据机器人运动参数的退化情况,对机器人的运动精度进行补偿,从而提高机器人的运动精度以及机器人的作业质量。进一步地,由于无需停机对机器人进行精度标定,因此,还可以提高机器人的作业效率。
附图说明
图1为一个实施例中运动精度补偿方法的应用环境图;
图2为一个实施例中运动精度补偿方法的流程图;
图3为一个实施例中确定当前值步骤的流程图之一;
图4为一个实施例中确定当前值步骤的流程图之二;
图5为一个实施例中获取目标参数退化模型的流程图;
图6为一个实施例中进行插值处理的流程图;
图7为一个实施例中建立参数退化模型步骤的流程图;
图8为另一个实施例中一种工业机器人主动式运动精度补偿方法的流程图;
图9为一个实施例中运动精度补偿装置的结构图之一;
图10为一个实施例中处理模块的结构图之一;
图11为一个实施例中处理模块的结构图之二;
图12为一个实施例中处理模块的结构图之三;
图13为一个实施例中运动精度补偿装置的结构图之二;
图14为一个实施例中运动精度补偿装置的结构图之三;
图15为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的一种工业机器人主动式运动精度补偿方法,可以应用于如图1所示的应用环境中。该应用环境包括机器人102和补偿控制器104。其中,机器人包括机器人本体和机器人控制器,机器人102通过网络与补偿控制器104进行通信。数据存储系统可以存储补偿控制器104需要处理的数据。数据存储系统可以集成在补偿控制器104上。补偿控制器104识别机器人102的当前工况,若获取到与当前工况匹配的目标参数退化模型,则根据目标参数退化模型和机器人102的运行时长,确定控制机器人102运动的至少一个运动参数的当前值,对至少一个运动参数的当前值进行补偿处理得到至少一个运动参数的目标值,用补偿后的目标值输入到机器人控制器中,机器人控制器根据目标值控制机器人102的运动。其中,机器人102可以包括各种工业机器人。
在一个实施例中,如图2所示,提供了一种工业机器人主动式运动精度补偿方法,以该方法应用于图1中的补偿控制器为例进行说明,本申请实施例可以包括以下步骤:
步骤201,识别机器人的当前工况。
其中,工况是指工作状态或运行状态,当前工况包括当前负载、当前工作区域和工作环境温度等。本申请实施例对当前工况不做限定。
识别机器人的当前工况可以包括补偿控制器接收用户手动输入的当前工况,或者,补偿控制器通过读机器人控制器的参数来识别当前工况。
其中,补偿控制器通过读机器人控制器的参数来识别当前工况,可以包括:通过设置在机器人中的电流传感器采集机器人力矩电流,根据机器人力矩电流识别机器人当前负载;或者,预先在补偿控制器中安装机器人运动程序,通过机器人运动程序识别机器人的当前工作区域。
例如,补偿控制器通过设置在机器人中的电流传感器采集机器人力矩电流I1,根据机器人力矩电流I1识别机器人的当前负载T1;或者,预先在补偿控制器中安装机器人运动程序,通过机器人运动程序识别机器人的当前工作区域A1。
步骤202,若获取到与当前工况匹配的目标参数退化模型,则根据目标参数退化模型和机器人的运行时长确定至少一个运动参数的当前值。
其中,参数退化模型用于表征机器人的运动参数随时间变化而退化的关系,目标参数退化模型为参数退化模型中的一个或多个。目标参数退化模型中运动参数随时间变化而退化的关系可以为单位时间退化量、非线性退化关系和退化函数。本申请实施例对运动参数随时间变化而退化的关系不做限定。运行时长为机器人从出厂后开始使用至当前时刻的总运行时长;运动参数包括机械臂的杆长和机械臂的转角等;运动参数的当前值是指运动参数随时间变化而退化后的值。
补偿控制器在识别到当前工况后,从多个参数退化模型中获取与当前工况匹配的一个或多个目标参数退化模型,将机器人的运行时长输入到目标参数退化模型中,可以得到目标参数退化模型输出的至少一个运动参数的当前值。
例如,参数退化模型1对应工况包括当前负载为T2,工作区域为A2。参数退化模型2对应的工况包括当前负载为T2,工作区域为A2。由于参数退化模型1对应的工况与机器人的当前工况匹配,因此将参数退化模型1设为目标参数退化模型。然后,将机器人的运行时长t1输入到参数退化模型1中,可以得到参数退化模型1输出的运动参数杆长的当前值L1。
步骤203,对至少一个运动参数的当前值进行补偿处理得到至少一个运动参数的目标值,并根据至少一个运动参数的目标值控制机器人运动。
补偿控制器在获取到至少一个运动参数的当前值后,根据各运动参数的当前值进行补偿处理得到补偿后的目标值,该补偿后的目标值可以弥补运动参数退化带来的控制误差;之后,补偿控制器将目标值输入到机器人控制器,由机器人控制器根据目标值控制机器人运动。
例如,机器人运动参数包括杆长,杆长的当前值为L1,补偿控制器根据当前值L1进行补偿处理得到目标值W1,目标值可以弥补杆长的退化带来的控制误差。之后,补偿控制器将目标值W1输入到机器人控制器,由机器人控制器根据目标值W1控制机器人运动。
上述运动精度补偿方法中,补偿控制器识别机器人的当前工况;如果获取到与当前工况匹配的目标参数退化模型,则根据目标参数退化模型和机器人的运行时长确定至少一个运动参数的当前值;之后,补偿控制器对至少一个运动参数的当前值进行补偿处理得到至少一个运动参数的目标值,并根据至少一个运动参数的目标值控制机器人运动。通过本申请实施例,可以在机器人的使用过程中,根据机器人运动参数的退化情况,对机器人的运动精度进行补偿,从而提高机器人的运动精度以及机器人的作业质量。进一步地,由于无需停机对机器人进行精度标定,因此,还可以提高机器人的作业效率。
在一个实施例中,如图3所示,上述根据目标参数退化模型和机器人的运行时长确定控制机器人运动的至少一个运动参数的当前值的步骤,可以包括:
步骤301,对于各运动参数,获取运动参数的初始值以及目标参数退化模型中运动参数的单位时间退化量。
其中,初始值是指机器人未产生任何损耗时运动参数的值;单位时间是指以时或分或秒作为一个单位时长;单位时间退化量是指运动参数的单位时间内的退化值。
补偿控制器获取机器人运动参数的初始值,获取目标参数退化模型中与当前工况对应的运动参数的单位时间退化量。
例如,运动参数包括杆长和转角,杆长的初始值为L0,转角的初始值为θ0,以及目标参数退化模型中与当前温度对应的杆长的单位时间退化量为△X1,转角的单位时间退化量为△θ1。
步骤302,根据运动参数的初始值、机器人的运行时长和运动参数的单位时间退化量确定运动参数的当前值。
补偿控制器可以先计算机器人的运行时长与运动参数的单位时间退化量之积,再用运动参数的初始值减去乘积得到运动参数的当前值。
例如,杆长的初始值为L0,运行时长为t2,杆长的单位时间退化量为△X1,则杆长的当前值L1=L0-t2*△X1。
上述实施例中,对于各运动参数,补偿控制器获取运动参数的初始值以及目标参数退化模型中运动参数的单位时间退化量;根据运动参数的初始值、机器人的运行时长和运动参数的单位时间退化量确定运动参数的当前值。通过本申请实施例,可以根据运动参数的退化规律很容易地确定出运动参数的当前值,以便根据运动参数的当前值对机器人的运动精度进行补偿,得到补偿后的目标值,从而提高机器人的运动精度。
在一个实施例中,如图4所示,上述根据运动参数的初始值、机器人的运行时长和运动参数的单位时间退化量确定运动参数的当前值的步骤,可以包括:
步骤401,根据机器人的运行时长和运动参数的单位时间退化量确定运动参数的总退化量。
其中,总退化量为机器人的运动参数在运行时长内退化的总量。
补偿控制器计算机器人的运行时长与运动参数的单位时间退化量的乘积,得到运动参数的总退化量。
例如,机器人的运行时长为t2,运行参数包括杆长,杆长的单位时间退化量为△X1,则杆长的总退化量△L=t2*△X1。
步骤402,根据运动参数的初始值和总退化量,确定运动参数的当前值。
补偿控制器计算运动参数的初始值与运动参数的总退化量的差值,得到机器人运动参数的当前值。
例如,机器人的运行时长为t2,杆长的初始值为L0,杆长的总退化量△L,则杆长的当前值L1=L0-△L。
上述实施例中,通过机器人的运行时长和运动参数的单位时间退化量确定运动参数的总退化量,再通过运动参数的初始值和总退化量,确定运动参数当前值。通过本申请实施例,可以根据运行时长和单位时间退化量快速地确定出运动参数的当前值,从而可以提高机器人的工作效率。
在一个实施例中,如上述根据目标参数退化模型和机器人的运行时长确定至少一个运动参数的当前值,可以包括:对于各运动参数,根据机器人的运行时长从目标参数退化模型中计算出运动参数的当前值。
目标参数退化模型中可以包括多个运行时长对应的运动参数的值,补偿控制器在获取到机器人的运行时长后,可以根据运行时长在目标参数退化模型中进行计算,从而计算出机器人的运行时长对应的运动参数的当前值。
例如,目标参数退化模型包括t1时刻对应的杆长为L1,t2时刻对应的杆长为L2,补偿控制器在获取到机器人的运行时长后,确定运行时长对应t1,则可以在目标参数退化模型中计算出杆长的当前值为L1。如果补偿控制器在获取到机器人的运行时长后,确定运行时长对应t2,则可以在目标参数退化模型中计算出杆长的当前值为L2。
上述实施例中,对于各运动参数,根据机器人的运行时长从目标参数退化模型中计算出运动参数的当前值,本申请实施例可以计算出运动参数的当前值,有利于当前值的实时分析,且不需要花费大量测试的时间,可以提高机器人的工作效率。
在一个实施例中,如图5所示,上述获取与当前工况匹配的目标参数退化模型的步骤,可以包括:
步骤501,将当前工况与预先建立的多个参数退化模型所对应的模拟工况进行匹配。
在识别当前工况前,预先在补偿控制器建立多个参数退化模型,每个参数退化模型具有对应的模拟工况。在识别到当前工况后,将当前工况与各参数退化模型对应的模拟工况进行匹配。
例如,在识别当前工况前,预先在补偿控制器建立10个参数退化模型,参数退化模型1对应的模拟工况为负载30千克,参数退化模型2对应的模拟工况为负载40千克,参数退化模型3对应的模拟工况为负载50千克,参数退化模型4对应的模拟工况为负载60千克,参数退化模型5对应的模拟工况为负载70千克,参数退化模型6对应的模拟工况为负载80千克,参数退化模型7对应的模拟工况为负载90千克,参数退化模型8对应的模拟工况为负载100千克,参数退化模型9对应的模拟工况为负载110千克,参数退化模型10对应的模拟工况为负载120千克。在识别到当前工况为负载50千克后,将当前工况与10个参数退化模型对应的模拟工况一一进行匹配。
步骤502,若存在工况匹配的参数退化模型,则将工况匹配的参数退化模型确定为目标参数退化模型。
补偿控制器将当前工况与参数退化模型对应的模拟工况进行匹配后,如果存在工况匹配的参数退化模型,即可确定该参数退化模型为待使用的目标参数退化模型。
例如,当前工况为温度30摄氏度,补偿控制器将当前工况与参数退化模型对应的模拟工况进行匹配后,如果存在工况匹配的参数退化模型,即可确定该参数退化模型为待使用的目标参数退化模型。
上述实施例中,补偿控制器将当前工况与预先建立的多个参数退化模型所对应的模拟工况进行匹配;若存在工况匹配的参数退化模型,则将工况匹配的参数退化模型确定为目标参数退化模型。本申请实施例预先建立了多个参数退化模型,每个参数退化模型具有对应的模拟工况,因此根据当前工况选取出的目标参数模型更适用于当前场景,可以更加准确地控制机器人,提高机器人的运动精度。
在一个实施例中,如图6所示,还可以包括如下步骤:
步骤204,若未获取到与当前工况匹配的参数退化模型,则根据当前工况和多个参数退化模型所对应的模拟工况进行参数插值处理,得到运动参数的当前值。
补偿控制器根据当前工况,选择满足预设条件的工况对应的运动参数求平均,将平均值作为当前工况对应的运动参数,预设条件包括工作区域与当前工作区域相同,负载与当前负载最接近。
例如,当前工况中的当前负载为45kg,当前工作区域为A3区域,而运动参数库中不存在负载为45kg的工况,但存在工作区域为A3区域的工况,且运动参数库中与当前工作区域相同且负载与当前负载最接近的工况包括两个,分别对应为:负载为40kg及工作区域为A3区域;负载为50kg及工作区域为A3区域。相应地,对负载为40kg、工作区域为A3区域的工况对应的运动参数及负载为50kg、工作区域为A3区域的工况对应的运动参数求平均,将平均值作为当前工况对应的运动参数。
上述实施例中,若未获取到与当前工况匹配的参数退化模型,则根据当前工况和多个参数退化模型所对应的模拟工况进行参数插值处理,通过插值的处理方式可以更加准确地确定运动参数的当前值,从而提高机器人的运动精度。并且,无需停机进行标定,也可以提高机器人的工作效率。
在一个实施例中,如图7所示,还可以包括如下步骤:
步骤601,根据机器人的构型建立运动模型。
其中,构型是指机器人的不同结构和连接方式。
补偿控制器根据机器人的不同结构和连接方式,建立此种结构和连接方式下的运动模型。其中,运动模型可以包括DH模型(Denavit-Hartenberg parameters,德纳维特-哈滕伯格模型)、POE模型(product of exponentials,指数乘积模型)和MDH模型(ModifiedDenavit-Hartenberg parameters,改进德纳维特-哈滕伯格模型)中的至少一种。DH模型适用于建立串联机器人连杆坐标系;POE模型适用于并联机器人结构、不需要对中间关节进行建模。
步骤602,在多种模拟工况下,获取运动模型中各运动参数随时间变化而退化的关系,并根据关系建立参数退化模型。
其中,模拟工况是指机器人在模拟条件下的工况。
补偿控制器获取运动模型中各运动参数随时间变化而退化的关系,并根据各运动参数随时间变化而退化的关系建立参数退化模型。
例如,补偿控制器获取机器人运动模型中杆长L随时间t变化而退化的关系,根据退化关系构建杆长L随时间t变化而退化的退化模型。
上述实施例中,根据机器人的构型建立运动模型,在多种模拟工况下,获取运动模型中各运动参数随时间变化而退化的关系,并根据关系建立参数退化模型。本申请实施例通过预先建立参数退化模型,便于后续在线进行精度补偿,可以提高机器人的作业效率。
在一个实施例中,上述根据至少一个运动参数的当前值进行补偿处理得到至少一个运动参数的目标值的步骤,可以包括:将至少一个运动参数的当前值输入到预先建立的补偿模型中进行补偿处理,得到补偿后的目标值。
其中,补偿模型是指将运动参数当前值输入到补偿控制机器中进行补偿得到目标值而形成的数据分析模型。
补偿控制器将机器人运动参数的当前值输入到预先建立好的补偿模型中,弥补运动精度的损耗,得到补偿后的目标值,再用补偿后的目标值,重新控制机器人的运动。
例如,机器人的运动参数包括杆长,杆长的当前值为L1,初始值为L0,补偿控制器将杆长的当前值L1输入到预先建立的补偿模型得到目标值,再将目标值输入到机器人控制器中,机器人控制器控制机器人的运动,从而弥补运动精度的损耗。
上述实施例中,将运动参数的当前值输入到预先建立的补偿模型中进行补偿处理,得到补偿后的目标值,提高了补偿模型的可靠性和准确度。
在一个实施例中,还可以包括:在识别到工况发生变化的情况下,执行识别机器人的当前工况的步骤。
补偿控制器识别到工况发生变化后,以工况发生变化前的运动参数作为当前工况的初始值;再获得当前工况下的目标参数退化模型。
例如,机器人在温度为25摄氏度、1个标准大气压和压力为500牛顿的原工况下运行了30分钟,杆长由初始值5米变为当前值4.9999米,此时补偿控制器若识别到工况变化为30摄氏度、1个标准大气压和压力为2000牛顿,则以工况发生变化前的杆长值4.9999米作为当前工况下杆长的初始值;再获得在30摄氏度、1个标准大气压和压力为2000牛顿的工况下的目标参数退化模型。
上述实施例中,通过在识别到工况发生变化的情况下,执行识别机器人的当前工况的步骤,可以有效针对工况发生变化时的特殊情况,从而避免了突发情况,拓宽了识别机器人当前工况的步骤,使得此系统的适应性更广。
在一个实施例中,提如图8所示,提供了一种工业机器人主动式运动精度补偿方法,本申请实施例可以包括如下步骤:
步骤701,根据机器人的构型建立机器人的运动模型。
步骤702,在多种模拟工况下,获取运动模型中各运动参数随时间变化而退化的关系,并根据关系建立参数退化模型。
步骤703,识别机器人的当前工况。
步骤704,将当前工况与预先建立的多个参数退化模型所对应的模拟工况进行匹配。
步骤705,若存在工况匹配的参数退化模型,则将工况匹配的参数退化模型确定为目标参数退化模型。
步骤706,对于各运动参数,获取运动参数的初始值以及目标参数退化模型中运动参数的单位时间退化量。
步骤707,根据运动参数的初始值、机器人的运行时长和运动参数的单位时间退化量确定运动参数的当前值。
在其中一个实施例中,根据机器人的运行时长和运动参数的单位时间退化量确定运动参数的总退化量;根据运动参数的初始值和总退化量,确定运动参数的当前值。
在其中一个实施例中,本实施例还包括以下步骤:
步骤708,对于各运动参数,根据机器人的运行时长从目标参数退化模型中计算出运动参数的当前值。
步骤709,若未获取到与当前工况匹配的参数退化模型,则根据当前工况和多个参数退化模型所对应的模拟工况进行参数插值处理,得到运动参数的当前值。
步骤710,将至少一个运动参数的当前值输入到预先建立的补偿模型中进行补偿处理,得到补偿后的目标值,并用补偿后的目标值控制机器人运动。
步骤711,在识别到工况发生变化的情况下,执行识别机器人的当前工况的步骤。
上述实施例中,通过机器人的构型建立机器人的运动模型,在多种模拟工况下,获取运动模型中各运动参数随时间变化而退化的关系,并根据关系建立参数退化模型,为后续在线进行精度补偿提供依据。识别机器人的当前工况,将当前工况与预先建立的多个参数退化模型所对应的模拟工况进行匹配,如果获取到工况匹配的目标参数退化模型,则获取运动参数的初始值以及目标参数退化模型中运动参数的单位时间退化量,再根据运动参数的初始值、机器人的运行时长和运动参数的单位时间退化量确定运动参数的当前值;如果未获取到与当前工况匹配的参数退化模型,则根据当前工况和多个参数退化模型所对应的模拟工况进行参数插值处理,得到运动参数的当前值。接着,根据运动参数的当前值对机器人的运动精度进行补偿,得到目标值,机器人控制器根据目标值重新控制机器人运动,不仅可以提高机器人的运动精度,而且,无需停机进行标定,也可以提高机器人的工作效率。进一步地,如果在识别到工况发生变化的情况下,执行识别机器人的当前工况的步骤,这样,可以有效针对工况发生变化时的特殊情况,从而避免了突发情况,拓宽了识别机器人当前工况的步骤,使得此系统的适应性更广。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的运动精度补偿方法的一种工业机器人主动式运动精度补偿装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个运动精度补偿装置实施例中的具体限定可以参见上文中对于运动精度补偿方法的限定,在此不再赘述。
在一个实施例中,如图9所示,提供了一种工业机器人主动式运动精度补偿装置,包括:
识别模块801,用于识别机器人的当前工况;
处理模块802,用于获取与当前工况匹配的目标参数退化模型,根据目标参数退化模型和机器人的运行时长,确定控制机器人运动的至少一个运动参数的当前值;其中,参数退化模型用于表征机器人的运动参数随时间变化而退化的关系;
补偿输出模块803,用于对至少一个运动参数的当前值进行补偿处理得到至少一个运动参数的目标值,并根据至少一个运动参数的目标值控制机器人运动。
在其中一个实施例中,如图10所示,处理模块802包括:
初始值获取子模块8021,用于对于各运动参数,获取运动参数的初始值以及目标参数退化模型中运动参数的单位时间退化量;
当前值确定子模块8022,用于根据运动参数的初始值、机器人的运行时长和运动参数的单位时间退化量确定运动参数的当前值。
在其中一个实施例中,当前值确定子模块8022包括:
总退化量确定单元,根据机器人的运行时长和运动参数的单位时间退化量确定运动参数的总退化量;
当前值确定单元,根据运动参数的初始值和总退化量,确定运动参数的当前值。
在其中一个实施例中,如图11所示,该处理模块802还包括:
当前值计算子模块8023,对于各运动参数,根据机器人的运行时长从参数退化模型中计算出运动参数的当前值。
在其中一个实施例中,如图12所示,该处理模块802还包括:
工况匹配子模块8024,将当前工况与预先建立的多个参数退化模型所对应的模拟工况进行匹配;
模型确定子模块8025,若存在工况匹配的参数退化模型,则将工况匹配的参数退化模型确定为目标参数退化模型。
在其中一个实施例中,如图13所示,该装置还包括:
插值处理模块804,若未获取到与当前工况匹配的参数退化模型,则根据当前工况和多个参数退化模型所对应的模拟工况进行参数插值处理,得到运动参数的当前值。
在其中一个实施例中,如图14所示,该装置还包括:
运动模型建立模块805,根据机器人的构型建立机器人的运动模型。
退化模型建立模块806,在多种模拟工况下,获取运动模型中各运动参数随时间变化而退化的关系,并根据关系建立参数退化模型。
在其中一个实施例中,补偿输出模块803,具体用于将至少一个运动参数的当前值输入到预先建立的补偿模型中进行补偿处理,得到补偿后的目标值。
在其中一个实施例中,识别模块801,具体用于在识别到工况发生变化的情况下,执行识别机器人的当前工况的步骤。
上述运动精度补偿装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是补偿控制器,其内部结构图可以如图15所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于初始值、运行时长和当前值。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种工业机器人主动式运动精度补偿方法。
本领域技术人员可以理解,图15中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
识别机器人的当前工况;
若获取到与当前工况匹配的目标参数退化模型,则根据目标参数退化模型和机器人的运行时长,确定控制机器人运动的至少一个运动参数的当前值;其中,参数退化模型用于表征机器人的运动参数随时间变化而退化的关系;
对至少一个运动参数的当前值进行补偿处理得到至少一个运动参数的目标值,并根据至少一个运动参数的目标值控制机器人运动。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对于各运动参数,获取运动参数的初始值以及目标参数退化模型中运动参数的单位时间退化量;
根据运动参数的初始值、机器人的运行时长和运动参数的单位时间退化量量确定运动参数的当前值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据机器人的运行时长和运动参数的单位时间退化量确定运动参数的总退化量;
根据运动参数的初始值和总退化量,确定运动参数的当前值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对于各运动参数,根据机器人的运行时长从参数退化模型中计算出运动参数的当前值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将当前工况与预先建立的多个参数退化模型所对应的模拟工况进行匹配;
若存在工况匹配的参数退化模型,则将工况匹配的参数退化模型确定为目标参数退化模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
若未获取到与当前工况匹配的参数退化模型,则根据当前工况和多个参数退化模型所对应的模拟工况进行参数插值处理,得到运动参数的当前值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据机器人的构型建立机器人的运动模型;
在多种模拟工况下,获取运动模型中各运动参数随时间变化而退化的关系,并根据关系建立参数退化模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将至少一个运动参数的当前值输入到预先建立的补偿模型中进行补偿处理,得到补偿后的目标值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
在识别到工况发生变化的情况下,执行识别机器人的当前工况的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
识别机器人的当前工况;
若获取到与当前工况匹配的目标参数退化模型,则根据目标参数退化模型和机器人的运行时长,确定控制机器人运动的至少一个运动参数的当前值;其中,参数退化模型用于表征机器人的运动参数随时间变化而退化的关系;
对至少一个运动参数的当前值进行补偿处理得到至少一个运动参数的目标值,并根据至少一个运动参数的目标值控制机器人运动。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:
对于各运动参数,获取运动参数的初始值以及目标参数退化模型中运动参数的单位时间退化量;
根据运动参数的初始值、机器人的运行时长和运动参数的单位时间退化量量确定运动参数的当前值。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:
根据机器人的运行时长和运动参数的单位时间退化量确定运动参数的总退化量;
根据运动参数的初始值和总退化量,确定运动参数的当前值。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:
对于各运动参数,根据机器人的运行时长从参数退化模型中计算出运动参数的当前值。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:
将当前工况与预先建立的多个参数退化模型所对应的模拟工况进行匹配;
若存在工况匹配的参数退化模型,则将工况匹配的参数退化模型确定为目标参数退化模型。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:
若未获取到与当前工况匹配的参数退化模型,则根据当前工况和多个参数退化模型所对应的模拟工况进行参数插值处理,得到运动参数的当前值。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:
根据机器人的构型建立机器人的运动模型;
在多种模拟工况下,获取运动模型中各运动参数随时间变化而退化的关系,并根据关系建立参数退化模型。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:
将至少一个运动参数的当前值输入到预先建立的补偿模型中进行补偿处理,得到补偿后的目标值。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:
在识别到工况发生变化的情况下,执行识别机器人的当前工况的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
识别机器人的当前工况;
若获取到与当前工况匹配的目标参数退化模型,则根据目标参数退化模型和机器人的运行时长,确定控制机器人运动的至少一个运动参数的当前值;其中,参数退化模型用于表征机器人的运动参数随时间变化而退化的关系;
对至少一个运动参数的当前值进行补偿处理得到至少一个运动参数的目标值,并根据至少一个运动参数的目标值控制机器人运动。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:
对于各运动参数,获取运动参数的初始值以及目标参数退化模型中运动参数的单位时间退化量;
根据运动参数的初始值、机器人的运行时长和运动参数的单位时间退化量量确定运动参数的当前值。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:
根据机器人的运行时长和运动参数的单位时间退化量确定运动参数的总退化量;
根据运动参数的初始值和总退化量,确定运动参数的当前值。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:
对于各运动参数,根据机器人的运行时长从参数退化模型中计算出运动参数的当前值。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:
将当前工况与预先建立的多个参数退化模型所对应的模拟工况进行匹配;
若存在工况匹配的参数退化模型,则将工况匹配的参数退化模型确定为目标参数退化模型。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:
若未获取到与当前工况匹配的参数退化模型,则根据当前工况和多个参数退化模型所对应的模拟工况进行参数插值处理,得到运动参数的当前值。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:
根据机器人的构型建立机器人的运动模型;
在多种模拟工况下,获取运动模型中各运动参数随时间变化而退化的关系,并根据关系建立参数退化模型。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:
将至少一个运动参数的当前值输入到预先建立的补偿模型中进行补偿处理,得到补偿后的目标值。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:
在识别到工况发生变化的情况下,执行识别机器人的当前工况的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种工业机器人主动式运动精度补偿方法,其特征在于,所述方法包括:
识别机器人的当前工况;
若获取到与所述当前工况匹配的目标参数退化模型,则根据所述目标参数退化模型和所述机器人的运行时长,确定控制所述机器人运动的至少一个运动参数的当前值;其中,参数退化模型用于表征所述机器人的运动参数随时间变化而退化的关系;
对所述至少一个运动参数的当前值进行补偿处理得到所述至少一个运动参数的目标值,并根据所述至少一个运动参数的目标值控制所述机器人运动。
2.根据权利要求1所述的方法,其特征在于,所述根据所述目标参数退化模型和所述机器人的运行时长,确定控制所述机器人运动的至少一个运动参数的当前值,包括:
对于各所述运动参数,获取所述运动参数的初始值以及所述目标参数退化模型中所述运动参数的单位时间退化量;
根据所述运动参数的初始值、所述机器人的运行时长和所述运动参数的单位时间退化量确定所述运动参数的当前值。
3.根据权利要求2所述的方法,其特征在于,所述根据所述运动参数的初始值、所述机器人的运行时长和所述运动参数的单位时间退化量确定所述运动参数的当前值,包括:
根据所述机器人的运行时长和所述运动参数的单位时间退化量确定所述运动参数的总退化量;
根据所述运动参数的初始值和总退化量,确定所述运动参数的当前值。
4.根据权利要求1所述的方法,其特征在于,所述根据所述目标参数退化模型和所述机器人的运行时长,确定控制所述机器人运动的至少一个运动参数的当前值,包括:
对于各所述运动参数,根据所述机器人的运行时长从所述目标参数退化模型中计算出所述运动参数的当前值。
5.根据权利要求1所述的方法,其特征在于,所述获取与所述当前工况匹配的目标参数退化模型,包括:
将所述当前工况与预先建立的多个参数退化模型所对应的模拟工况进行匹配;
若存在工况匹配的参数退化模型,则将所述工况匹配的参数退化模型确定为所述目标参数退化模型。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
若未获取到与所述当前工况匹配的参数退化模型,则根据所述当前工况和多个所述参数退化模型所对应的模拟工况进行参数插值处理,得到所述运动参数的当前值。
7.一种工业机器人主动式运动精度补偿装置,其特征在于,所述装置包括:
识别模块,用于识别机器人的当前工况;
处理模块,用于获取到与所述当前工况匹配的目标参数退化模型,根据所述目标参数退化模型和所述机器人的运行时长,确定控制所述机器人运动的至少一个运动参数的当前值;其中,参数退化模型用于表征所述机器人的运动参数随时间变化而退化的关系;
补偿输出模块,用于对所述至少一个运动参数的当前值进行补偿处理得到所述至少一个运动参数的目标值,并根据所述至少一个运动参数的目标值控制所述机器人运动。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211059729.7A CN115139306B (zh) | 2022-08-31 | 2022-08-31 | 工业机器人主动式运动精度补偿方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211059729.7A CN115139306B (zh) | 2022-08-31 | 2022-08-31 | 工业机器人主动式运动精度补偿方法、装置、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115139306A CN115139306A (zh) | 2022-10-04 |
CN115139306B true CN115139306B (zh) | 2022-12-27 |
Family
ID=83416306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211059729.7A Active CN115139306B (zh) | 2022-08-31 | 2022-08-31 | 工业机器人主动式运动精度补偿方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115139306B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107423495A (zh) * | 2017-07-06 | 2017-12-01 | 北京航空航天大学 | 一种动态条件下的退化建模与寿命预测方法 |
CN114043485A (zh) * | 2021-12-06 | 2022-02-15 | 上海智能制造功能平台有限公司 | 一种机器人在线检测系统动态误差补偿方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120283873A1 (en) * | 2011-05-03 | 2012-11-08 | Canh Le | System for auto-diagnostics of robotic manipulator |
JP6317618B2 (ja) * | 2014-05-01 | 2018-04-25 | キヤノン株式会社 | 情報処理装置およびその方法、計測装置、並びに、作業装置 |
-
2022
- 2022-08-31 CN CN202211059729.7A patent/CN115139306B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107423495A (zh) * | 2017-07-06 | 2017-12-01 | 北京航空航天大学 | 一种动态条件下的退化建模与寿命预测方法 |
CN114043485A (zh) * | 2021-12-06 | 2022-02-15 | 上海智能制造功能平台有限公司 | 一种机器人在线检测系统动态误差补偿方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115139306A (zh) | 2022-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11235461B2 (en) | Controller and machine learning device | |
JP6031202B1 (ja) | 製造機械の異常の原因を発見するセル制御装置 | |
US10864630B2 (en) | Control device and machine learning device | |
US11947322B2 (en) | Factory system for machine learning of an actuator | |
CA2241710C (en) | Off-line teaching method | |
CN108121204A (zh) | 一种组合体航天器姿态无模型的自适应控制方法和系统 | |
US20190033820A1 (en) | Numerical controller | |
CN112571420B (zh) | 一种未知参数下的双功能模型预测控制方法 | |
CN113759724B (zh) | 基于数据驱动的机器人控制方法、装置和计算机设备 | |
CN115139306B (zh) | 工业机器人主动式运动精度补偿方法、装置、设备和介质 | |
Paz et al. | Optimal local map size for EKF-based SLAM | |
CN111230861A (zh) | 连续体机器人轨迹跟踪控制方法、装置和计算机设备 | |
US20230104366A1 (en) | Abnormality determination device | |
CN114186190A (zh) | 坐标转换矩阵的计算方法、装置、设备及可读存储介质 | |
JP6731603B1 (ja) | 検査システム | |
JPH0699373A (ja) | ロボット制御装置 | |
JP6909616B2 (ja) | 製造システムおよび製造方法 | |
US20190287189A1 (en) | Part supply amount estimating device and machine learning device | |
CN117387834B (zh) | 一种力传感器标定方法、系统、电子设备和存储介质 | |
CN118205885B (zh) | 传输系统中动子位置控制方法、系统、装置和计算机设备 | |
CN117733868B (zh) | 基于复合学习和单应性矩阵的机器人3d视觉伺服方法 | |
CN114154706B (zh) | 精馏过程单吨能耗估计精度评估方法及系统 | |
CN118596197A (zh) | 工业机器人的健康状态确定方法、装置和计算机设备 | |
CN117428764A (zh) | 多齿轮组件的力反馈补偿方法、装置以及机器人 | |
KR0170343B1 (ko) | 로보트 캘리브레이션 모델의 변수값 추정 방법 |
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 |