CN115847392B - 一种力传感器空载读数补偿方法、装置及存储介质 - Google Patents
一种力传感器空载读数补偿方法、装置及存储介质 Download PDFInfo
- Publication number
- CN115847392B CN115847392B CN202111126272.2A CN202111126272A CN115847392B CN 115847392 B CN115847392 B CN 115847392B CN 202111126272 A CN202111126272 A CN 202111126272A CN 115847392 B CN115847392 B CN 115847392B
- Authority
- CN
- China
- Prior art keywords
- load
- force
- moment
- force sensor
- linear
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000005484 gravity Effects 0.000 claims description 19
- 230000009466 transformation Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Manipulator (AREA)
Abstract
本申请涉及一种力传感器空载读数补偿方法、装置及存储介质。所述方法包括:获取步骤:获取力传感器的姿态信息;处理步骤:根据所述姿态信息计算旋转轴和旋转矩阵;预测步骤:建立非线性模型,将所述旋转轴和旋转矩阵作为非线性模型的输入参数,输出空载力/力矩的非线性预测值;补偿步骤:基于空载力/力矩的预测值,确定力传感器的空载力补偿量和力矩补偿量并对力传感器进行空载读数的补偿。本申请方案具体实施例的有益效果在于,提升了力传感器读数补偿的精度,同时保证了力传感器读数补偿的可靠性。
Description
技术领域
本发明属于机器人力控领域,特别是涉及一种力传感器空载读数补偿方法、装置及存储介质。
背景技术
中国是制造业大国,随着人口红利衰退,传统劳动密集型生产模式难以持续,机器替代人工势在必行,企业向自动化生产升级改造成发展主要方向。目前,机器人的力控技术是提升机器人精度和处理效果的关键技术研发方向,机器人通常安装了传感器去进行各项检测,传感器存在自重等其他干扰,需要对传感器的读数进行补偿,
现有技术中,通常采用线性模型的补偿方法,对传感器的读数补偿包括对传感器的重力补偿,但是传统的线模型的补偿方法精度有限,对传感器自身重力之外的干扰因素考虑不足。
发明内容
本发明的目的在于提供一种力传感器空载读数补偿方法、装置及存储介质,以解决现有技术中的传感器读数补偿方法精度比较有限的问题,本方案提供的补偿方法综合考虑力传感器自身重力、零漂误差、空载读数等多种干扰,有效提升了力传感器的读数精度,且可靠性较好。
为实现上述目标,本发明可采用如下技术方案:一种力传感器空载读数补偿方法,应用于机器人,所述方法包括:获取步骤:获取力传感器的姿态信息;处理步骤:根据所述姿态信息计算旋转轴和旋转矩阵;预测步骤:建立非线性模型,将所述旋转轴和旋转矩阵作为非线性模型的输入参数,输出空载力/力矩的线性预测值;补偿步骤:基于空载力/力矩的预测值,确定力传感器的空载力补偿量和力矩补偿量并对力传感器进行空载读数的补偿。
进一步的,所述预测步骤包括:将旋转轴和旋转矩阵分别作为两个非线性模型的输入参数,一个非线性模型基于输入的旋转轴输出空载力矩的预测值,另一非线性模型基于输入的旋转矩阵输出空载力的预测值。
进一步的,所述非线性模型为全连接的前馈神经网络。
进一步的,所述非线性模型为:f(X)=tanh(W2tanh(W1X+B1)+B2),其中,tanh为激活函数,输入和输出分别为Nx×1和Ny×1向量,隐藏层神经元数量为Nh,W1,W2,B1,B2分别为矩阵参数,且分别为:Nh×Nx,Nh×1,Ny×Nh,Ny×1。
进一步的,所述预测步骤包括:建立线性模型,将力传感器的姿态信息作为线性模型的输入参数,据此获得空载力/力矩的线性预测值。
进一步的,所述预测步骤包括:标定力传感器的重心和重量,根据重心和重量获取空载读数的初步补偿量;获取力传感器的空载读数,建立所述空载读数和初步补偿量的线性关系,获取空载读数和初步补偿量的线性变换参数;基于所述线性变换参数和线性关系获得机器人的空载力/力矩的线性预测值。
进一步的,所述方法还包括设置于补偿步骤之前的选择步骤:确定非线性模型输出空载力/力矩的误差量,当所述误差量超过一设定的阈值时,补偿步骤基于线性模型输出的空载力/力矩的线性预测值确定力传感器的空载力补偿量和力矩补偿量。
进一步的,所述选择步骤包括:获取机器人未安装工具时的传感器空载读数;获取所述非线性模型输出的空载力/力矩的非线性预测值和传感器空载读数之间的差值;比较所述差值和一预设参数的大小,当所述差值大于预设参数时,补偿步骤基于线性模型输出的空载力/力矩的线性预测值确定传感器的空载力补偿量和力矩补偿量。
本发明还可采用如下技术方案:一种力传感器空载读数补偿装置,所述装置包括:获取模块,用于获取力传感器的姿态信息;处理模块,用于根据所述姿态信息计算旋转轴和旋转矩阵;预测模块,用于建立非线性模型,将所述旋转轴和旋转矩阵作为非线性模型的输入参数,输出空载力/力矩的非线性预测值;补偿模块,用于基于空载力/力矩的预测值,确定力传感器的空载力补偿量和力矩补偿量并对力传感器进行空载读数的补偿。
本发明还可采用如下技术方案:一种计算机可读存储介质,其上存储有计算机程序,其该程序被处理器执行时实现前文中任一项所述的补偿方法。
本发明还可采用如下技术方案:一种力传感器空载读数补偿方法,应用于机器人,所述方法包括:获取力传感器的姿态信息和空载读数;标定力传感器的重心和重量,根据重心和重量获取空载读数的初步补偿量;建立空载读数和初步补偿量的线性关系,获取空载读数和初步补偿量的线性变换参数;基于所述线性变换参数和线性关系获得机器人的空载力和力矩补偿量并对力传感器进行空载读数补偿。
与现有技术相比,本发明具体实施方式的有益效果为:本方案的机器人基于非线性模型模型对力传感器进行读数补偿,力传感器读数精度较高,且通过设计和线性模型的选择方法,始终基于精度较高的预测空载力/力矩值对力传感器进行补偿,保证力传感器的读数精度。
附图说明
图1是本发明一个实施例的机器人的示意图
图2是本发明一个实施例的力传感器空载读数补偿方法的示意图
图3是本发明另一实施例的力传感器空载读数补偿方法的示意图
图4是本发明又一实施例的力传感器空载读数补偿方法的示意图
图5是本发明一个实施例的力传感器空载读数补偿装置的示意图
具体实施方式
为使本发明的技术方案更加清楚明了,下面将结合附图来描述本发明的实施例。应当理解的是,对实施方式的具体说明仅用于示教本领域技术人员如何实施本发明,而不是用于穷举本发明的所有可行方式,更不是用于限制本发明的具体实施范围。基于本发明中的实施例,本领域普通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,都应属于本发明保护的范围。
需要说明的是,术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“水平”、“顶”、“底”、“竖直”、“水平”、“竖向”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述或简化描述本发明,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造、安装及操作,因此不能理解为对本发明的限制。此外,在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
本发明保护一种力传感器空载读数补偿方法,应用于机器人,图1是示例性的机器人100的示意图,机器人100包括关节20、底座30、连杆40等部件,机器人100的末端用于连接工作工具300执行工作,机器人100的关节20处和机器人的末端可以安装力传感器以检测相应的参数。本申请文件中提及的力传感器包括狭义的用于检测力信息的力传感器,也包括集合力检测与力矩检测功能的力/力矩传感器,机器人100的末端通常安装能够同时检测力和力矩的多维力传感器,以检测机器人不同姿态下的受力信息。力传感器自身存在重量,且力传感器存在空载的误差,传统的对力传感器进行读数补偿的方法采用线性模型,只考虑了力传感器的自重,对力传感器读数的精度有影响。
本发明提供了一种力传感器空载读数补偿方法,参图2,所述方法包括:S1、获取步骤,获取力传感器的姿态信息;S2、处理步骤,根据所述姿态信息计算旋转轴和旋转矩阵;S3、预测步骤:建立非线性模型,将所述旋转轴和旋转矩阵作为非线性模型的输入参数,输出空载力/力矩的非线性预测值;S4、补偿步骤:基于空载力/力矩的预测值,确定力传感器的空载力补偿量和力矩补偿量并对力传感器进行空载读数的补偿。
具体的,所述机器人的姿态信息可以被获取,通过所述机器人也可以获取力传感器的姿态信息,当力传感器姿态不同时,其对应的空载读数存在差异。通过姿态信息计算旋转轴和旋转矩阵,比如,通过三个欧拉角\alpha、\beta、\gamma来计算得到旋转矩阵,基于旋转矩阵可计算旋转轴。通常来说,旋转轴是一个3×1向量,而旋转矩阵向量化后是一个9×1向量,两个不同的旋转轴可能表示同一个姿态,而不同的旋转矩阵表示的姿态不同。为提升力传感器空载读数的精度,在一个可行的实施例中,将旋转轴和旋转矩阵分别作为两个非线性模型的输入参数,一个非线性模型基于输入的旋转轴输出空载力矩的预测值,另一非线性模型基于输入的旋转矩阵输出空载力的预测值。根据旋转轴预测空载读数中的力矩值准确度较高,而根据旋转矩阵预测空载读数的力的值准确度较高,通过一个非线性模型基于旋转轴获取空载力矩的预测值,而通过另一个非线性模型基于旋转矩阵输出空载力的预测值,进一步提升对空载力和空载力矩同时获取的准确性,提升力传感器的读数补偿的精度,将两个非线性模型的输出结合在一起,得到非线性模型预测的空载力和力矩。
所述非线性模型可以形成为多种形式,在一个具体的实施例中,所述非线性模型为全连接的前馈神经网络,所述非线性模型为f(X)=tanh(W2tanh(W1X+B1)+B2),其中,tanh为激活函数,输入和输出分别为Nx×1和Ny×1向量,例如,如前所述,旋转轴是一个3×1向量,而旋转矩阵向量化后是一个9×1向量,隐藏层神经元数量为Nh,隐藏层的数量可以根据实际需求调整,W1,W2,B1,B2分别为矩阵参数,以上各矩阵参数参数分别为:Nh×Nx,Nh×1,Ny×Nh,Ny×1。
矩阵参数W1,W2,B1,B2通过标定可以获取,在一个具体的实施例中,例如可以建立一个立方体,将机器人工具坐标系的Z轴分别与立方体的多个不同边平行以使得机器人具有多个不同的姿态,将机器人从一个姿态运动到另一个姿态可以得到一组姿态和空载读数的对应数据,多次重复该动作可以构建数据集,从构建的数据集中选取一部分构建测试集以获取各矩阵参数。
通过上述方法,非线性模型输出的空载力/力矩的非线性预测值精度相对较高,但是,非线性模型可能存在工作稳定性的问题,即不能保证非线性模型每次的输出都保持较好的精度,一些情况下结果可能会出现偏离。优选的,参图3,所述预测步骤包括S31和S32.
所述预测步骤包括S31、建立非线性模型,将所述旋转轴和旋转矩阵作为非线性模型的输入参数,输出空载力/力矩的非线性预测值。
以及,所述预测步骤包括S32、建立线性模型,将力传感器的姿态信息作为线性模型的输入参数,据此获得空载力/力矩的线性预测值。此时,通过预测步骤分别获得了基于线性模型的空载力/力矩的线性预测值和基于非线性模型的空载力/力矩的非线性预测值。其中,线性模型即输入和输出之间呈现线性,例如y=kx+b的形式。
在一个具体的实施例中,参图4,S32预测步骤包括:S321、标定传感器的重心和重量,根据重心和重量获取空载读数的初步补偿量;S322、获取力传感器的空载读数,建立所述空载读数和初步补偿量的线性关系,获取空载读数和初步补偿量的线性变换参数;
S323、基于所述线性变换参数和线性关系获得机器人的空载力/力矩的线性预测值。
首先,通过标定传感器的重心和重量,获取力传感器空载读数的初步补偿量。具体的,通过传感器在某姿态的空载读数可以获得传感器所受的力信息和力矩信息,假设此时的力传感器为六维力传感器,则力传感器在某个姿态下的传感器读数为F=[fx,fy,fz,mx,my,mz]’,假设传感器的重心为C=[cx,cy,cz]’重量是M,则根据空载读数和传感器重心的关系[fx,fy,fz]×[cx,cy,cz]=[mx,my,mz]可以得知传感器的重心,而传感器的重量M通过对每次测量的值sqrt(fx*fx+fy*fy+fz*fz)平均得到。基于获得的传感器重心和重量即可得到空载读数的初步补偿量。
基于上述步骤,可以获得空载读数的初步补偿量,该补偿量主要考虑了传感器的自身重量,而对于其他的误差量考虑不周。
基于上述初步补偿量,和获取的传感器的空载读数,传感器的空载读数表示传感器在某一姿态的实际空载读数,而初步补偿量存在一定的误差,建立初步补偿量,即初步的空载力补偿量f和初步的力矩补偿量m,和空载读数[fi;mi]的线性关系:P×[f;m]’+Q=[fi;mi]’,其中P和Q为线性变换参数,通过上述关系获取线性变换参数,机器人某一时刻的空载读数补偿力和力矩可以基于上述线性变换参数和线性关系获得。
上述方式的线性模型补偿,相较于传统的方式,可以将机器人零漂误差等因素一并考虑,相较于传统的线性模型补偿空载读数的方式,精度得到大幅提升。
优选的,所述补偿方法还包括设置于补偿步骤之前的选择步骤,根据基于线性模型的空载力/力矩的线性预测值和基于非线性模型的空载力/力矩的非线性预测值,选择一个精度较好的值作为基础去获取力传感器的补偿量。
所述选择步骤包括:确定非线性模型输出空载力/力矩的非线性预测值的误差量,当所述误差量超出一设定的阈值时,补偿步骤基于线性模型输出的空载力/力矩预测值确定力传感器的空载力补偿量和力矩补偿量。在研究本发明方案的过程中,发明人发现,基于非线性模型的力传感器空载读数补偿方法虽然可以提升力传感器的读数补偿精度,但非线性模型本身的稳定性相较于线性模型存在劣势。本方案中,当非线性模型输出空载力/力矩的非线性预测值的误差量超出一设定的阈值时,说明此时非线性模型的稳定性不佳,输出的空载力/力矩的非线性预测值精度出现了扰动,此时根据线性模型的输出确定空载力/力矩的线性预测值并据此获取补偿量,能够保证非线性模型稳定性差时,基于线性模型进行空载力/力矩的补偿,保证力传感器空载读数的精度相对较好。
在一个具体的实施例中,所述选择步骤包括:获取机器人未安装工具时的传感器空载读数;获取所述非线性模型输出的空载力/力矩的非线性预测值和传感器空载读数之间的差值;比较所述差值和一预设参数的大小,当所述差值大于预设参数时,补偿步骤基于线性模型输出的空载力/力矩的线性预测值确定传感器的空载力补偿量和力矩补偿量。即,仅采用非线性模型输出的精度较好的数据,此时,非线性模型输出的数据精度超越传统的线性模型的精度,而如果非线性模型输出的数据产生了超出预定范围的误差,则认为此时非线性模型的稳定性不够好,对其输出的数据不予采用,而采用稳定性较好的线性模型的输出。也即,补偿步骤基于空载力/力矩的预测值获知力传感器的力补偿量和力矩补偿量,基于选择步骤确定是基于非线性模型计算的空载力/力矩的非线性预测值确定补偿量,还是基于线性模型计算的空载力/力矩的线性预测值确定补偿量,即选择误差相对较小的预测值,补偿步骤基于该误差相对较小的的预测值确定力传感器的力补偿量和力矩补偿量。
以上优先实施例的有益效果在于:提供一种基于非线性模型的力传感器空载读数补偿方法,以解决传统的基于线性模型的力传感器读数补偿精度有限的问题,并具体给出了非线性模型的设计方式,以及针对非线性模型可能存在的工作状态不稳定的状况,提供选择步骤以保证力传感器的读数补偿的精度在可控范围内。
本发明还保护一种力传感器空载读数补偿装置,参图5,所述补偿装置包括:获取模块210,以获取力传感器的姿态信息;处理模块220,用于根据所述姿态信息计算旋转轴和旋转矩阵;预测模块230,用于建立非线性模型,将所述旋转轴和旋转矩阵作为非线性模型的输入参数,输出空载力/力矩的非线性预测值;补偿模块250,用于基于空载力/力矩的预测值,确定力传感器的空载力补偿量和力矩补偿量并对力传感器进行空载读数的补偿。
可理解的,所述预测模块230还可用于,将旋转轴和旋转矩阵分别输入两个非线性模型,一个非线性模型基于输入的旋转轴输出空载力矩的预测值,另一个非线性模型基于输入的旋转矩阵输出空载力的预测值。在一个可实现的实施例中,两个非线性模型的构造相同,在标定矩阵参数时可以选择不同的参数。可理解的,非线性模型的构建与前文中补偿方法中的描述保持一致,此处不再赘述。
所述预测模块230还可用于,建立线性模型,将力传感器的姿态信息作为线性模型的输入参数,据此获得空载力/力矩的线性预测值。具体的,预测模块建立线性模型获取力传感器空载力/力矩的线性预测值包括:标定力传感器的重心和重量,根据重心和重量获取空载读数的初步补偿量;获取力传感器的空载读数,建立所述空载读数和初步补偿量的线性关系,获取空载读数和初步补偿量的线性变换参数;基于所述线性变换参数和线性关系获得机器人的空载力/力矩的线性预测值。
可选的,所述补偿装置包括选择模块240,所述选择模块240用于根据预测步骤获取的基于非线性模型的空载力/力矩的非线性预测值,确定非线性模型输出空载力/力矩的误差量,当所述误差量超出一设定的阈值时,补偿步骤基于线性模型输出的空载力/力矩的线性预测值确定力传感器的空载力补偿量和力矩补偿量。其中,所述设定的阈值用于确定非线性模型输出的空载力/力矩的非线性预测值是否超出期望的误差范围,非线性模型具有较好的精度,但工作稳定性可能存在一些劣势,通过该设定的阈值,当非线性模型的精度不佳时,基于线性模型的输出确定空载力补偿量和力矩补偿量。
具体的,所述选择模块240用于获取机器人未安装工具时的传感器空载读数,该读数可以通过机器人未安装工具时在特定的姿态先获得;获取所述非线性模型输出的空载力/力矩的非线性预测值和传感器空载读数之间的差值,当传感器处于特定姿态时,该差值能够反映机器人处于该特定姿态时非线性模型输出的预测值的误差;比较所述差值和一预设参数的大小,当所述差值大于预设参数时,补偿模块250基于线性模型输出的空载力/力矩的线性预测值确定传感器的空载力补偿量和力矩补偿量。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
在示例性实施例中,本申请还提供了一种存储有计算机程序的计算机可读存储介质,例如存储有计算机程序的存储器,所述计算机程序可由处理器执行以完成力传感器的空载读数补偿方法。可选的,存储介质可以是非临时性计算机可读存储介质,例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
最后还需要指出,由于文字表达的有限性,上述说明仅是示例性的,并非穷尽性的,本发明并不限于所披露的各实施方式,在不偏离上述示例的范围和精神的情况下,对于本领域的技术人员来说还可以作若干改进和修饰,这些改进和修饰也应视为本发明的保护范围。因此本发明的保护范围应以权利要求为准。
Claims (8)
1.一种力传感器空载读数补偿方法,应用于机器人,其特征在于,所述方法包括:
获取步骤:获取力传感器的姿态信息;
处理步骤:根据所述姿态信息计算旋转轴和旋转矩阵;
预测步骤:建立非线性模型,将所述旋转轴和旋转矩阵作为非线性模型的输入参数,输出基于非线性模型的空载力/力矩的非线性预测值;建立线性模型,将力传感器的姿态信息作为线性模型的输入参数,据此获得基于线性模型的空载力/力矩的线性预测值;所述预测步骤包括:标定力传感器的重心和重量,根据重心和重量获取空载读数的初步补偿量;获取力传感器的空载读数,建立所述空载读数和初步补偿量的线性关系,获取空载读数和初步补偿量的线性变换参数;基于所述线性变换参数和线性关系获得机器人的基于线性模型的空载力/力矩的线性预测值;
补偿步骤:基于空载力/力矩的预测值,确定力传感器的空载力补偿量和力矩补偿量并对力传感器进行空载读数的补偿。
2.根据权利要求1所述的补偿方法,其特征在于,所述预测步骤包括:将旋转轴和旋转矩阵分别作为两个非线性模型的输入参数,一个非线性模型基于输入的旋转轴输出空载力矩的预测值,另一非线性模型基于输入的旋转矩阵输出空载力的预测值。
3.根据权利要求1所述的补偿方法,其特征在于,所述非线性模型为全连接的前馈神经网络。
4.根据权利要求3所述的补偿方法,其特征在于,所述非线性模型为:
,
其中,tanh为激活函数,输入和输出分别为和/>向量,隐藏层神经元数量为,/>分别为矩阵参数,且分别为:/>×/>,/>×1,/>×/>,/>。
5.根据权利要求1所述的补偿方法,其特征在于,所述方法还包括设置于补偿步骤之前的选择步骤,所述选择步骤包括:确定非线性模型输出空载力/力矩的误差量,当所述误差量超过一设定的阈值时,补偿步骤基于线性模型输出的空载力/力矩的线性预测值确定力传感器的空载力补偿量和力矩补偿量。
6.根据权利要求5所述的补偿方法,其特征在于,所述选择步骤包括:获取机器人未安装工具时的力传感器空载读数;获取所述非线性模型输出的空载力/力矩的非线性预测值和空载读数之间的差值;比较所述差值和一预设参数的大小,当所述差值大于预设参数时,补偿步骤基于线性模型输出的空载力/力矩的线性预测值确定传感器的空载力补偿量和力矩补偿量。
7.一种力传感器空载读数补偿装置,其特征在于,所述装置包括:
获取模块,用于获取力传感器的姿态信息;
处理模块,用于根据所述姿态信息计算旋转轴和旋转矩阵;
预测模块,用于建立非线性模型,将所述旋转轴和旋转矩阵作为非线性模型的输入参数,输出基于非线性模型的空载力/力矩的非线性预测值;建立线性模型,将力传感器的姿态信息作为线性模型的输入参数,据此获得基于线性模型的空载力/力矩的线性预测值;所述预测模块还用于:标定力传感器的重心和重量,根据重心和重量获取空载读数的初步补偿量;获取力传感器的空载读数,建立所述空载读数和初步补偿量的线性关系,获取空载读数和初步补偿量的线性变换参数;基于所述线性变换参数和线性关系获得机器人的基于线性模型的空载力/力矩的线性预测值;
补偿模块,用于基于空载力/力矩的预测值,确定力传感器的空载力补偿量和力矩补偿量并对力传感器进行空载读数的补偿。
8.一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,该程序被处理器执行时实现如权利要求1-6中任一项所述的补偿方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111126272.2A CN115847392B (zh) | 2021-09-26 | 2021-09-26 | 一种力传感器空载读数补偿方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111126272.2A CN115847392B (zh) | 2021-09-26 | 2021-09-26 | 一种力传感器空载读数补偿方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115847392A CN115847392A (zh) | 2023-03-28 |
CN115847392B true CN115847392B (zh) | 2023-10-27 |
Family
ID=85652697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111126272.2A Active CN115847392B (zh) | 2021-09-26 | 2021-09-26 | 一种力传感器空载读数补偿方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115847392B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012040634A (ja) * | 2010-08-18 | 2012-03-01 | Ihi Corp | 力制御ロボットのキャリブレーション装置と方法 |
JP2013018075A (ja) * | 2011-07-11 | 2013-01-31 | Seiko Epson Corp | ロボット、ロボット制御装置、ロボット制御方法、およびプログラム |
CN111230879A (zh) * | 2020-02-20 | 2020-06-05 | 佛山科学技术学院 | 一种基于力传感器的机器人末端接触力补偿方法及系统 |
CN111590564A (zh) * | 2020-05-07 | 2020-08-28 | 北京控制工程研究所 | 一种六维力传感器重力补偿方法及系统 |
CN112733301A (zh) * | 2021-01-21 | 2021-04-30 | 佛山科学技术学院 | 一种基于神经网络的六维力矩传感器重力补偿方法及系统 |
CN113319855A (zh) * | 2021-06-28 | 2021-08-31 | 哈尔滨工业大学 | 一种多关节诊疗机器人柔顺力控制模式下的重力补偿方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111278613B (zh) * | 2017-11-02 | 2022-10-04 | 三菱电机株式会社 | 校准装置、校准方法和控制装置 |
-
2021
- 2021-09-26 CN CN202111126272.2A patent/CN115847392B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012040634A (ja) * | 2010-08-18 | 2012-03-01 | Ihi Corp | 力制御ロボットのキャリブレーション装置と方法 |
JP2013018075A (ja) * | 2011-07-11 | 2013-01-31 | Seiko Epson Corp | ロボット、ロボット制御装置、ロボット制御方法、およびプログラム |
CN111230879A (zh) * | 2020-02-20 | 2020-06-05 | 佛山科学技术学院 | 一种基于力传感器的机器人末端接触力补偿方法及系统 |
CN111590564A (zh) * | 2020-05-07 | 2020-08-28 | 北京控制工程研究所 | 一种六维力传感器重力补偿方法及系统 |
CN112733301A (zh) * | 2021-01-21 | 2021-04-30 | 佛山科学技术学院 | 一种基于神经网络的六维力矩传感器重力补偿方法及系统 |
CN113319855A (zh) * | 2021-06-28 | 2021-08-31 | 哈尔滨工业大学 | 一种多关节诊疗机器人柔顺力控制模式下的重力补偿方法 |
Non-Patent Citations (1)
Title |
---|
传感器动态非线性的一种补偿方法;徐科军, 朱志能, 苏建徽, 陈荣保, 刘家军;仪器仪表学报(第03期);278-232 * |
Also Published As
Publication number | Publication date |
---|---|
CN115847392A (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111230879B (zh) | 一种基于力传感器的机器人末端接触力补偿方法及系统 | |
CN113119130B (zh) | 一种面向工业机器人的几何误差辨识方法 | |
CN113211445B (zh) | 一种机器人参数标定方法、装置、设备及存储介质 | |
CN112304340B (zh) | 一种基于九轴imu的姿态解算方法、装置及存储介质 | |
CN113510698A (zh) | 一种机械臂控制方法、装置、机械臂和可读存储介质 | |
CN111723441B (zh) | 塑料件预变形零件建模方法、系统、装置及存储介质 | |
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 | |
CN114897110B (zh) | 群孔测量摆角规划方法、可读介质和设备 | |
CN114523477A (zh) | 关节位姿的校准方法、系统及存储介质 | |
CN109952176A (zh) | 一种机器人标定方法、系统、机器人及存储介质 | |
CN115847392B (zh) | 一种力传感器空载读数补偿方法、装置及存储介质 | |
CN113420590A (zh) | 弱纹理环境下的机器人定位方法、装置、设备及介质 | |
CN115431302B (zh) | 机器人关节空程测量方法、装置、电子设备及存储介质 | |
CN102932686B (zh) | 在遥控器中处理传感器数据的方法 | |
CN115816458A (zh) | 机器人运动学参数和重力一体化标定及补偿方法及其装置 | |
CN115122333A (zh) | 机器人标定方法、装置、电子设备及存储介质 | |
US20060241899A1 (en) | System and method for transforming three-dimensional measurement programs | |
CN113146630A (zh) | 工业机器人铣削加工误差补偿方法、系统、装置及介质 | |
CN111366911A (zh) | 多台agv定位一致性标定方法、装置和电子终端 | |
CN117387834B (zh) | 一种力传感器标定方法、系统、电子设备和存储介质 | |
CN115358319B (zh) | 基于双阈值检测的自适应容错滤波方法及系统 | |
CN117207190B (zh) | 基于视觉与触觉融合的精准抓取机器人系统 | |
CN116175148B (zh) | 基于接触状态模型和自适应阻抗控制的柔顺轴孔装配方法 | |
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 | |
CN114526756B (zh) | 一种无人机机载多传感器校正方法、装置及存储介质 |
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 |