CN115356986A - 一种基于Be-SA算法的工业机器人绝对定位精度提高方法 - Google Patents
一种基于Be-SA算法的工业机器人绝对定位精度提高方法 Download PDFInfo
- Publication number
- CN115356986A CN115356986A CN202211007603.5A CN202211007603A CN115356986A CN 115356986 A CN115356986 A CN 115356986A CN 202211007603 A CN202211007603 A CN 202211007603A CN 115356986 A CN115356986 A CN 115356986A
- Authority
- CN
- China
- Prior art keywords
- coordinate system
- robot
- error
- measurement
- algorithm
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/408—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by data handling or data format, e.g. reading, buffering or conversion of data
- G05B19/4086—Coordinate conversions; Other special calculations
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/35—Nc in input of data, input till input file format
- G05B2219/35356—Data handling
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Numerical Control (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种基于Be‑SA算法的工业机器人绝对定位精度提高方法,首先建立测量坐标系,进行数据点位采集和数据预处理,基于工业机器人的DH模型构建综合误差模型,通过Be‑SA算法辨识误差参数。本发明的方法建立的综合误差模型考虑误差来源更加全面,计算表达更为简洁,对于激光跟踪仪测得的靶球位置数据可以直接进行辨识分析,使得误差参数的辨识更加明确,同时本发明基于Be‑SA算法,相对于传统SA算法,对于寻优步长和方向以及温度衰减方式上进行改进,在工业机器人的运动学误差参数的辨识上具有更快的收敛速度和更高的寻优精度,能有效提高工业机器人的绝对定位精度。
Description
技术领域
本发明属于工业机器人领域,具体涉及一种基于Be-SA算法的工业机器人绝对定位精度提高方法。
背景技术
随着工业机器人的应用范围越来越广阔,在搬运、焊接、涂装等领域均有所应用,然而在磨抛大口径光学元件时候由于工业机器人受制定位精度限制,尚较难满足相关实际要求。工业机器人末端实际位姿相对于理论位姿的偏差称之为绝对定位误差,而目前国内外的工业机器人的绝对定位精度大多在1~3mm,由于其较低的绝对定位精度,使得加工元件的面形精度较难达到较好的技术难题。因此对于机器人的误差参数辨识就显得至关重要。研究表明工业机器人连杆变形等自身因素引起的运动学误差占定位误差的80%,所以对于运动学参数的辨识就更加重要。目前常用于机器人运动学建模的为DH模型,由关节转角、连杆偏置、连杆长度、连杆扭角来对工业机器人的正运动学进行描述。但由于在实际制造装配过程中,会不可避免的使上述参数产生误差,这些误差参数对绝对定位精度的造成的误差称之为运动学误差。模拟退火算法(Simulated Annealing,SA)是由N.Metropolis等人于1953年提出。SA类似于贪心算法,但却能有效避免贪心算法中陷入局部最优的情况出现,因此常用于各种优化问题。
CN202010846574和文献“曹建城.基于MH80II机器人的运动学标定方法研究.广东:华南理工大学,2020”基于运动学误差建立误差模型,根据测得的靶球位置转换到机器人法兰位置,使用混合遗传模拟退火算法对机器人的法兰位置误差进行参数辨识,得到辨识后的机器人运动学参数,最终有效提高了机器人的绝对定位精度。该方法的不足是:在建立误差模型时只考虑了机器人运动学误差,没有考虑到靶球位置到法兰位置的转换误差,对于误差来源考虑不充分,虽然通过遗传算法的寻优结果作为模拟退火算法的初值能有效提高收敛速度,但在遗传算法赋予初值的后续工作仍使用的是传统SA算法,忽略了搜索方向以及搜索步长对于收敛速度的影响,以及温度衰减方式对于寻优精度的扰动。文献“张虎.面向标定的工业机器人建模及参数辨识方法研究.黑龙江:哈尔滨工业大学,2015”基于机器人的运动学误差,通过两点位置的距离建立建立误差模型,根据激光跟踪仪测得靶球的两点位置距离转化为机器人法兰端两点位置距离,采用传统的模拟退火算法对法兰端之间的两点位置距离误差进行参数辨识,得到辨识后的机器人运动学参数,能有效提高机器人的绝对定位精度。该方法的不足是:虽然该方法建立的误差模型从传统的对单个点的定位误差分析转化为两个点的位置距离误差分析,但误差来源依然只考虑了机器人的运动学误差,并没有没有考虑到靶球位置到法兰位置的转换误差以及测量坐标系的建立误差,同时使用的优化算法并未针对误差参数辨识的目标而做出改进,仍存在传统模拟退火算法的收敛速度慢和寻优精度低等缺陷。
发明内容
为解决上述技术问题,本发明提供了一种基于Be-SA算法的工业机器人绝对定位精度提高方法。
本发明的技术方案为:一种基于Be-SA算法的工业机器人绝对定位精度提高方法,具体步骤如下:
S1、工业机器人现场数据采集,并进行预处理;
S2、根据步骤S1预处理的数据,充分考虑各种误差来源,建立综合误差模型;
S3、利用步骤S2建立综合误差模型改进SA算法,得到Be-SA算法辨识误差参数。
进一步的,步骤S1具体步骤如下:
S11、建立测量坐标系,
建立测量坐标系与机器人基坐标系理论上重合。通过示教器控制机器人靶球位置z坐标为零旋转一周,所得圆弧轨迹的法线和圆心即为测量坐标系的Z轴和原点。控制靶球位置z,y坐标不变,仅沿x方向移动,所得直线轨迹即为测量坐标系的X轴,方向与机器人基坐标系的X轴方向相同。根据右手定则建立Y坐标系。则测量坐标系建立完成。
S12、数据点位采集,
根据工业机器人的工作空间以及机器人的初始点位,从初始点开始分别沿着x,y,z轴方向按照一定步长移动得到若干测量点位,此时示教器上的显示位置则为理论位置,通过激光跟踪仪测量这些点位的位置则为实际位置。将这些理论位置与实际位置记录下来。
S13、数据预处理,
进一步的,步骤S2具体步骤如下:
S21、工业机器人的正向运动学,
从激光跟踪仪建立的测量坐标系s到末端机器人靶球坐标系t的转换矩阵为:
其中,xs,ys,zs和αs,βs,γs分别表示测量坐标系与机器人的基坐标系之间绕坐标轴的平移量和旋转量,T表示沿坐标轴的平移矩阵,R表示绕某轴的旋转矩阵,X、Y、Z表示对应坐标轴。
为通过DH模型建立从机器人基坐标系到法兰端的转换矩阵,该模型以连杆长度、连杆扭角、关节变量和关节偏置作为辨识参数,将每个关节的坐标系通过一定规则固定在连杆上,则第i-1个与第i个坐标系之间通过其次变换矩阵Ai进行坐标转换:
其中,θi表示第i个关节转角,di表示关节偏置,ai表示连杆长度,αi表示连杆扭角,i=1,2,...,6;
则机器人基坐标系到法兰坐标系的转换矩阵为:
其中,A1A2A3A4A5A6表示第i=1,2,...,6个关节的Ai矩阵。
其中,tx,ty,tz表示机器人的法兰坐标系与工具坐标系的之间沿坐标轴的平移量。
S22、引入误差来源,
其中,dx,dy,dz,δx,δy,δz表示测量坐标系与机器人基坐标系之间的转换误差参数。
其中,Δθi,Δdi,Δai,Δαi表示机器人的运动学误差参数。
其中,dtx,dty,dtz表示机器人法兰端到工具坐标系的测量误差参数。
则实际测量坐标系到末端机器人靶球的转换矩阵为:
S23、建立综合误差模型,
建立综合误差模型为:
进一步的,步骤S3具体步骤如下:
S31、建立目标函数,
建立需要优化的目标函数为:
其中,N为机器人的误差点的个数,为误差模型预测的第i个点的位置误差,为第i个点所测得的实际位置误差,w用于表示测量坐标系与机器人基坐标系之间的转换误差参数dx,dy,dz,δx,δy,δz;机器人法兰端到工具坐标系的测量误差参数dtx,dty,dtz;机器人的运动学误差参数Δθi,Δdi,Δai,Δαi共33个误差参数。
S32、状态初始化,
迭代次数k=0,初始温度T0=Tmax,Tmax为最大退火温度,解的个数i=0,随机生成初始位置w0,计算初始目标函数值f0。
S33、位置更新,
引入历史最优解besty,并给出最终到达的理想位置yid,根据理想位置与历史最优解的比例来决定在随机方向上的步长,通过随机生成在(-1,1)之间的33维随机数u,来对w进行更新得到wtemp:
其中,wi表示对应的第i个解,Tk表示迭代第k次时的退火温度。
S34、生成新状态
计算更新后wtemp的目标函数值ftemp,fi为第i个解wi所对应的目标函数值,计算出Δf=ftemp-fi;
S35、是否接受新状态,
若不接受继续该解,继续进行迭代。
S36、温度衰减,
进行温度衰减,根据最小退火温度Tmin,将温度分成Tmax-Tmid1-Tmid2-Tmin三个温区:
随着温区的变化,为避免在低温区跳过关键位置,衰减率a逐渐降低,则温度的更新下式:
S37、寻优终止判断,
迭代次数更新k=k+1,若此时Tk<Tmin,则迭代结束,导出历史最优解besty为全局最优解。否则转到步骤S33继续进行迭代。
本发明的有益效果:本发明的方法首先建立测量坐标系,进行数据点位采集和数据预处理,基于工业机器人的DH模型构建综合误差模型,通过Be-SA算法辨识误差参数。本发明的方法建立的综合误差模型考虑误差来源更加全面,计算表达更为简洁,对于激光跟踪仪测得的靶球位置数据可以直接进行辨识分析,使得误差参数的辨识更加明确,同时本发明基于Be-SA算法,相对于传统SA算法,对于寻优步长和方向以及温度衰减方式上进行改进,在工业机器人的运动学误差参数的辨识上具有更快的收敛速度和更高的寻优精度,能有效提高工业机器人的绝对定位精度。
附图说明
图1是本发明的一种基于Be-SA算法的工业机器人绝对定位精度提高方法的流程图。
图2是本发明实施例中的Be-SA算法辨识误差参数的流程图。
图3是本发明实施例中的Be-SA算法与传统的SA、PSO、AFSA算法迭代收敛对比图。
图4是本发明实施例中的Be-SA算法与传统的SA、PSO、AFSA算法标定结果对比图。
图5是本发明实施例中的Be-SA算法的实际应用标定前后对比图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的说明。
如图1所示,本发明的一种基于Be-SA算法的工业机器人绝对定位精度提高方法流程图,具体步骤如下:
S1、工业机器人现场数据采集,并进行预处理;
S2、根据步骤S1预处理的数据,充分考虑各种误差来源,建立综合误差模型;
S3、利用步骤S2建立综合误差模型改进SA算法,得到Be-SA算法辨识误差参数。
如图2所示,通过数据点位采集得到理论位置与实际位置,充分考虑各种误差来源构建工业机器人综合误差模型,建立目标函数,基于SA算法的缺陷进行改进,得到Be-SA算法对误差参数进行辨识。
本实施例中,步骤S1具体步骤如下:
S11、建立测量坐标系,
建立测量坐标系与机器人基坐标系理论上重合。通过示教器控制机器人靶球位置z坐标为零旋转一周,所得圆弧轨迹的法线和圆心即为测量坐标系的Z轴和原点。控制靶球位置z,y坐标不变,仅沿x方向移动,所得直线轨迹即为测量坐标系的X轴,方向与机器人基坐标系的X轴方向相同。根据右手定则建立Y坐标系。则测量坐标系建立完成。
S12、数据点位采集,
根据工业机器人的工作空间以及机器人的初始点位,从初始点开始分别沿着x,y,z轴方向按照一定步长移动得到若干测量点位,此时示教器上的显示位置则为理论位置,通过激光跟踪仪测量这些点位的位置则为实际位置。将这些理论位置与实际位置记录下来。
S13、数据预处理,
本实施例中,步骤S2具体步骤如下:
S21、工业机器人的正向运动学,
从激光跟踪仪建立的测量坐标系s到末端机器人靶球坐标系t的转换矩阵为:
其中,xs,ys,zs和αs,βs,γs分别表示测量坐标系与机器人的基坐标系的之间绕坐标轴的平移量和旋转量,T表示沿坐标轴的平移矩阵,R表示绕某轴的旋转矩阵,X、Y、Z表示对应坐标轴。
为通过DH模型建立从机器人基坐标系到法兰端的转换矩阵,该模型以连杆长度、连杆扭角、关节变量和关节偏置作为辨识参数,将每个关节的坐标系通过一定规则固定在连杆上,则第i-1个与第i个坐标系之间通过其次变换矩阵进行坐标转换:
其中,θi表示第i个关节转角,di表示关节偏置,ai表示连杆长度,αi表示连杆扭角,i=1,2,...,6;
而工业机器人共有6个关节,则机器人基坐标系到法兰坐标系的转换矩阵为:
其中,A1A2A3A4A5A6表示第i=1,2,...,6个关节的Ai矩阵。
其中,tx,ty,tz表示机器人的法兰坐标系与工具坐标系的之间沿坐标轴的平移量。
S22、引入误差来源,
其中,dx,dy,dz,δx,δy,δz表示测量坐标系与机器人基坐标系之间的转换误差参数。
其中,Δθi,Δdi,Δai,Δαi表示机器人的运动学误差参数。
其中,dtx,dty,dtz表示机器人法兰端到工具坐标系的测量误差参数。
则实际测量坐标系到末端机器人靶球的转换矩阵为:
S23、建立综合误差模型,
建立综合误差模型为:
本实施例中,步骤S3具体步骤如下:
S31、建立目标函数,
建立需要优化的目标函数为:
其中,N为机器人的误差点的个数,为误差模型预测的第i个点的位置误差,为第i个点所测得的实际位置误差,w用于表示测量坐标系与机器人基坐标系之间的转换误差参数dx,dy,dz,δx,δy,δz;机器人法兰端到工具坐标系的测量误差参数dtx,dty,dtz;机器人的运动学误差参数Δθi,Δdi,Δai,Δαi共33个误差参数。
S32、状态初始化,
迭代次数k=0,初始温度T0=Tmax,Tmax为最大退火温度,解的个数i=0,随机生成初始位置w0,计算初始目标函数值f0;
S33、位置更新,
引入历史最优解besty,并给出最终到达的理想位置yid,根据理想位置与历史最优解的比例来决定在随机方向上的步长,通过随机生成在(-1,1)之间的33维随机数u,来对w进行更新得到wtemp:
其中,wi表示对应的第i个解,Tk表示迭代第k次时的退火温度。
S34、生成新状态
计算更新后wtemp的目标函数值ftemp,fi为第i个解wi所对应的目标函数值,计算出Δf=ftemp-fi;
S35、是否接受新状态,
若不接受继续该解,继续进行迭代。
S36、温度衰减,
进行温度衰减,根据最小退火温度Tmin,将温度分成Tmax-Tmid1-Tmid2-Tmin三个温区:
随着温区的变化,为避免在低温区跳过关键位置,衰减率a逐渐降低,则温度的更新下式:
S37、寻优终止判断,
迭代次数更新k=k+1,若此时Tk<Tmin,则迭代结束,导出历史最优解besty为全局最优解。否则转到步骤S33继续进行迭代。
本实施例中,如图3所示,采用步骤S31中的目标函数,分别使用传统SA、PSO、AFSA对误差参数进行辨识,根据收敛速度、寻优精度进行比较,来对Be-SA算法进行评价,表明Be-SA算法具有更快的收敛速度和更高的寻优精度。如图4所示,本发明的方法的Be-SA算法与传统的SA、PSO、AFSA算法标定结果对比如表1所示:
表1
算法 | 平均精度/mm | 最小精度/mm | 最大精度/mm |
PSO | 0.414 | 0.118 | 1.041 |
AFSA | 0.674 | 0.206 | 1.360 |
SA | 0.606 | 0.013 | 2.999 |
Be-SA | 0.050 | 0.001 | 0.178 |
本实施例中,如图5所示,通过步骤S3辨识的误差参数对正向运动学模型的各项参数进行修正,从而得到标定后的预测位置误差,与实际位置误差进行对比,证明本发明的实用性。
Claims (4)
1.一种基于Be-SA算法的工业机器人绝对定位精度提高方法,具体步骤如下:
S1、工业机器人现场数据采集,并进行预处理;
S2、根据步骤S1预处理的数据,充分考虑各种误差来源,建立综合误差模型;
S3、利用步骤S2建立综合误差模型改进SA算法,得到Be-SA算法辨识误差参数。
2.根据权利要求1所述的一种基于Be-SA算法的工业机器人绝对定位精度提高方法,其特征在于,所述步骤S1具体过程为:
S11、建立测量坐标系,
通过示教器控制机器人靶球位置z坐标为零旋转一周,所得圆弧轨迹的法线和圆心即为测量坐标系的Z轴和原点,控制靶球位置z,y坐标不变,仅沿x方向移动,所得直线轨迹即为测量坐标系的X轴,方向与机器人基坐标系的X轴方向相同,根据右手定则建立Y坐标系,测量坐标系建立完成;
S12、数据点位采集,
从初始点开始分别沿着x,y,z轴方向按照一定步长移动得到若干测量点位,示教器上的显示位置为理论位置,激光跟踪仪测量这些点位的位置为实际位置,将这些理论位置与实际位置记录下来;
S13、数据预处理,
3.根据权利要求2所述的一种基于Be-SA算法的工业机器人绝对定位精度提高方法,其特征在于,所述步骤S2具体过程为:
S21、工业机器人的正向运动学,
从激光跟踪仪建立的测量坐标系s到末端机器人靶球坐标系t的转换矩阵为:
其中,xs,ys,zs和αs,βs,γs分别表示测量坐标系与机器人的基坐标系之间绕坐标轴的平移量和旋转量,T表示沿坐标轴的平移矩阵,R表示绕某轴的旋转矩阵,X、Y、Z表示对应坐标轴;
其中,θi表示第i个关节转角,di表示关节偏置,ai表示连杆长度,αi表示连杆扭角,i=1,2,...,6;
机器人基坐标系到法兰坐标系的转换矩阵为:
其中,A1A2A3A4A5A6表示第i=1,2,...,6个关节的Ai矩阵。
其中,tx,ty,tz表示机器人的法兰坐标系与工具坐标系的之间沿坐标轴的平移量;
S22、引入误差来源,
其中,dx,dy,dz,δx,δy,δz表示测量坐标系与机器人基坐标系之间的转换误差参数;
其中,Δθi,Δdi,Δai,Δαi表示机器人的运动学误差参数;
其中,dtx,dty,dtz表示机器人法兰端到工具坐标系的测量误差参数;
实际测量坐标系到末端机器人靶球的转换矩阵为:
S23、建立综合误差模型,
建立综合误差模型为:
4.根据权利要求3所述的一种基于Be-SA算法的工业机器人绝对定位精度提高方法,其特征在于,所述步骤S3具体过程为:
S31、建立目标函数,
建立需要优化的目标函数为:
其中,N为机器人的误差点的个数,为误差模型预测的第i个点的位置误差,为第i个点所测得的实际位置误差,w用于表示测量坐标系与机器人基坐标系之间的转换误差参数dx,dy,dz,δx,δy,δz,机器人法兰端到工具坐标系的测量误差参数dtx,dty,dtz,机器人的运动学误差参数Δθi,Δdi,Δai,Δαi共33个误差参数;
S32、状态初始化,
迭代次数k=0,初始温度T0=Tmax,Tmax为最大退火温度,解的个数i=0,随机生成初始位置w0,计算初始目标函数值f0;
S33、位置更新,
引入历史最优解besty,给出最终到达的理想位置yid,通过随机生成在(-1,1)之间的33维随机数u,来对w进行更新得到wtemp:
其中,wi表示对应的第i个解,Tk表示迭代第k次时的退火温度;
S34、生成新状态
计算更新后wtemp的目标函数值ftemp,fi为第i个解wi所对应的目标函数值,计算出Δf=ftemp-fi;
S35、是否接受新状态,
若不接受继续该解,继续进行迭代;
S36、温度衰减,
进行温度衰减,根据最小退火温度Tmin,将温度分成Tmax-Tmid1-Tmid2-Tmin三个温区:
衰减率a逐渐降低,温度的更新下式:
S37、寻优终止判断,
迭代次数更新k=k+1,若此时Tk<Tmin,迭代结束,导出历史最优解besty为全局最优解,否则转到步骤S33继续进行迭代。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211007603.5A CN115356986A (zh) | 2022-08-22 | 2022-08-22 | 一种基于Be-SA算法的工业机器人绝对定位精度提高方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211007603.5A CN115356986A (zh) | 2022-08-22 | 2022-08-22 | 一种基于Be-SA算法的工业机器人绝对定位精度提高方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115356986A true CN115356986A (zh) | 2022-11-18 |
Family
ID=84003526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211007603.5A Pending CN115356986A (zh) | 2022-08-22 | 2022-08-22 | 一种基于Be-SA算法的工业机器人绝对定位精度提高方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115356986A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117349990A (zh) * | 2023-12-05 | 2024-01-05 | 武汉科技大学 | 一种机器人快速标定的方法及系统 |
-
2022
- 2022-08-22 CN CN202211007603.5A patent/CN115356986A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117349990A (zh) * | 2023-12-05 | 2024-01-05 | 武汉科技大学 | 一种机器人快速标定的方法及系统 |
CN117349990B (zh) * | 2023-12-05 | 2024-02-13 | 武汉科技大学 | 一种机器人快速标定的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110193829B (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 | |
CN110202575B (zh) | 一种用于工业测量的机器人目标轨迹精度补偿方法 | |
CN108789404A (zh) | 一种基于视觉的串联机器人运动学参数标定方法 | |
CN112833786B (zh) | 一种舱段位姿测量及对准系统、控制方法及应用 | |
CN111367236A (zh) | 一种面向加工过程的移动机器人系统标定方法及系统 | |
CN111426270B (zh) | 一种工业机器人位姿测量靶标装置和关节位置敏感误差标定方法 | |
CN113119130B (zh) | 一种面向工业机器人的几何误差辨识方法 | |
CN112109084A (zh) | 基于机器人关节角度补偿的末端位置补偿方法及其应用 | |
CN110625600A (zh) | 一种机器人末端工件坐标系标定方法 | |
CN113211445B (zh) | 一种机器人参数标定方法、装置、设备及存储介质 | |
CN114161425B (zh) | 一种工业机器人的误差补偿方法 | |
CN115356986A (zh) | 一种基于Be-SA算法的工业机器人绝对定位精度提高方法 | |
CN110370271A (zh) | 工业串联机器人的关节传动比误差校准方法 | |
CN114147726B (zh) | 一种几何误差与非几何误差相结合的机器人标定方法 | |
CN112059445A (zh) | 一种涡轮叶片冷却气膜孔的加工定位方法 | |
CN111195915B (zh) | 一种基于遗传算法的机械臂绝对定位精度标定方法及系统 | |
CN113733088A (zh) | 一种基于双目视觉的机械臂运动学自标定方法 | |
CN112817271A (zh) | 基于在机测量的铸造机匣毛坯加工余量优化方法 | |
CN113681559B (zh) | 一种基于标准圆柱的线激光扫描机器人手眼标定方法 | |
CN113917888B (zh) | 一种基于固定角向标定及补偿的加工精度提升方法 | |
CN110006339B (zh) | 一种天线反射器复材模具型面精度在位测量方法及系统 | |
CN111958602B (zh) | 一种手腕偏置型6轴机器人实时逆解算法 | |
Wang et al. | Robot kinematics parameter calibration based on improved differential evolution algorithm | |
CN117283528A (zh) | 一种并联机器人运动学模型在线学习方法 | |
CN109397293B (zh) | 一种基于移动机器人的地面水平误差建模及补偿方法 |
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 |