CN117283528A - 一种并联机器人运动学模型在线学习方法 - Google Patents
一种并联机器人运动学模型在线学习方法 Download PDFInfo
- Publication number
- CN117283528A CN117283528A CN202311506245.7A CN202311506245A CN117283528A CN 117283528 A CN117283528 A CN 117283528A CN 202311506245 A CN202311506245 A CN 202311506245A CN 117283528 A CN117283528 A CN 117283528A
- Authority
- CN
- China
- Prior art keywords
- platform
- stewart
- pose
- kinematic
- online learning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000012625 in-situ measurement Methods 0.000 claims abstract description 56
- 230000003068 static effect Effects 0.000 claims abstract description 42
- 238000005259 measurement Methods 0.000 claims abstract description 40
- 230000000007 visual effect Effects 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000011065 in-situ storage Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000005096 rolling process Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 206010034719 Personality change Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
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
- B25J9/003—Programme-controlled manipulators having parallel kinematics
-
- 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
- B25J9/1615—Programme controls characterised by special kind of manipulator, e.g. planar, scara, gantry, cantilever, space, closed chain, passive/active joints and tendon driven manipulators
- B25J9/1623—Parallel manipulator, Stewart platform, links are attached to a common base and to a common platform, plate which is moved parallel to the base
-
- 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
- B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
-
- 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
- B25J9/1661—Programme controls characterised by programming, planning systems for manipulators characterised by task planning, object-oriented languages
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明公开了一种并联机器人运动学模型在线学习方法,该方法主要包括:首先,将测量靶标均匀分布在以典型六自由度并联机器人Stewart平台的运动台面和静止台面表面为圆心的圆周上,并将其固定,通过控制Stewart平台的运动台面输出六自由度运动轨迹;其次,搭建原位测量系统,并用视觉测量仪器验证原位测量系统精度是否满足Stewart平台运动台面的位姿实时测量;再者,基于并联机器人运动学原理,通过闭环矢量环法,构建运动学参数误差模型;最后,采用在线学习算法对Stewart平台的运动学参数实时估计。这种方法实现了Stewart平台在动态轨迹下运动台面位姿的实时测量,以及提高了运动学参数估计的精度。此外,该方法还具备了强大的抗干扰能力,使其能够在复杂环境下稳定运行。
Description
技术领域
本发明涉及一种并联机器人运动学模型在线学习方法,属于并联机器人标定技术领域。
背景技术
Stewart平台作为一种先进的六自由度并联机械结构和控制系统,被广泛应用于航空航天、模拟器系统、精密定位和机器人操作等领域。它的高精度运动和定位能力使其成为许多领域中重要的工具和设备。然而,近年来,随着精度和定位的要求不断提高,原位测量系统认知的不断完善,愈来愈多的场合迫切需要Stewart平台拥有更高精度的空间轨迹运动与实时校准能力,但由于制造误差、装配误差以及六自由度并联机器人校准过程中,传感器引入的观测误差等因素存在,Stewart平台的性能受到一定的影响。为确保Stewart平台在空间轨迹下的精确运动,运动学参数的实时估计是必不可少的步骤。
发明内容
本发明的目的在于,提供一种并联机器人运动学模型在线学习方法。用于解决现有技术存在的技术问题。
本发明的技术方案:一种并联机器人运动学模型在线学习方法,所述校准方法包括以下步骤:
S1:将靶标紧固于运动平台和静平台的表面,且保证测量靶标均匀分布在以典型六自由度并联机器人Stewart平台的运动台面和静止台面表面为圆心的圆周上;
S2:控制Stewart平台的运动台面输出六自由度运动轨迹,使平台实现X、Y及Z轴的移动或旋转;
S3:搭建一套原位测量系统,并用视觉测量仪器验证原位测量系统的精度是否满足Stewart平台运动台面的位姿测量,验证通过后Stewart平台的运动台面实时位姿由原位测量系统获取;
S4:基于并联机器人运动学原理,通过闭环矢量环法,构建运动学参数误差模型;
S5:基于运动学误差模型与原位测量系统实时获取Stewart平台的实际位姿数据,采用一种在线学习的优化算法实时估计出Stewart平台的42个运动学参数。
前述的一种并联机器人运动学模型在线学习方法中,所述步骤S1中,将靶标紧固于运动平台和静平台的表面,且均匀分布在六自由度并联机器人Stewart平台的运动台面和静止台面并保证运动台面与静止台面中心法线穿过靶标圆的中心。
前述的一种并联机器人运动学模型在线学习方法中,所述步骤S2中,基于Stewart平台在不同运动轨迹下的定点运动,具体包括:
(1)Stewart运动平台基于静平台的X、Y及Z轴的移动
首先,基于运动平台与静平台表面中心建立动坐标系b与p;然后,通过控制Stewart平台的各支链进行伸缩运动,使运动平面分别沿X、Y及Z轴移动;
(2)基于运动平台的X、Y及Z轴的旋转
首先,基于运动平台与静平台表面中心建立动坐标系b与p;然后,通过控制Stewart平台的各支链进行伸缩运动,使运动平面分别沿X、Y及Z轴旋转,结合运动平台的移动,可实现Stewart平台在不同运动轨迹下的定点运动。
前述的一种并联机器人运动学模型在线学习方法中,所述步骤S3中,具体包括:
(1)搭建一套原位测量系统,该系统包括六个测量支链,并将其与Stewart平台进行集成,当Stewart平台执行定点运动时,控制器会精确读取六个支链的伸缩长度,并通过运动学正解方法计算当前运动台面的精确位姿;
(2)在Stewart平台的运动平面上贴附用于视觉测量的靶标,靶标为方块,其各面均有不同的编码信息,靶标与运动平面具有一致的运动特性,通过视觉测量仪器对靶标位置的变化进行测量,具体包括:利用视觉仪器测量Stewart的运动平台沿X、Y及Z轴的位置数据;
(3)利用视觉仪器测量Stewart平台的位置数据后,将静平面的坐标系p设为工作坐标系,可得出运动平面坐标系b相对于静坐标系p的俯仰、横滚及偏航轴的夹角,可获得姿态数据,结合上述的位置数据与姿态数据从而获得实际的位姿数据;
(4)利用视觉测量仪器测得的位姿数据与原位测量系统获取的位姿数据进行比对,验证原位测量系统是否满足位姿测量的精度要求;
(5)满足精度要求后,后续Stewart平台的位姿由原位测量系统获取。
前述的一种并联机器人运动学模型在线学习方法中,所述步骤S4中,具体包括:
基于Stewart平台的运动学标定,建立运动学参数模型,构造实测信息与模型输出之间的误差泛函,Stewart平台的运动学参数模型:
δe=JPδx (1)
上述δe为6x1位姿误差向量,Jp是6x42的误差雅可比矩阵,δx是42x1运动学参数向量,式(1)为Stewart平台的运动学参数模型。
前述的一种并联机器人运动学模型在线学习方法中,针对于并联机器人运动学参数的实时估计,本发明方法采用一种在线学习的优化算法,算法如下:
(1)基于公式(1),令Xk-1|k-1=δx,Jk=Jp,递推最小二乘算法公式如下:
1)状态转移方程为:
Xk|k-1=Xk-1|k-1 (2)
其中Xk-1|k-1代表第k-1次的运动学参数的先验估计,Xk|k-1代表后验估计;
2)协方差矩阵方程为:
Pk|k-1=Pk-1|k-1+Qk-1 (3)
其中Pk-1|k-1为42x42的协方差矩阵,Qk-1为42×42系统噪声协方差矩阵,在初始时刻Pk-1|k-1与Qk-1可赋予初值;
3)观测方程为:
Yk=JkXk+Ek. (4)
其中位姿误差向量Yk为原位测量系统测量Stewart运动平台得到,维度为6x1,Ek为6x1观测噪声向量;
4)增益可表示为:
其中Kk为42x6的增益矩阵,为6x6的测量噪声协方差矩阵,在初始时刻Rk可赋予初值;
5)状态更新方程为:
Xk|k=Xk|k-1+Kk(Yk-JkXk|k-1). (6)
6)协方差更新方程为:
其中I为42x42的单位矩阵,λ为遗忘因子;
(2)基于递推最小二乘算法的运动学参数估计方法包括以下步骤:
(2-1):给定Xk-1|k-1,Qk-1,Pk-1|k-1,Rk的初值;
(2-2):通过原位测量系统,实时测量Stewart的位姿得到位姿误差向量Yk;
(2-3):通过上述信息求取增益Kk;
(2-4):通过状态更新方程求取状态估计值Xk|k,并更新协方差矩阵Pk;
(2-5):判断状态估计值Xk|k是否满足迭代停止的条件。
在给定理论位姿与实测位姿下通过步骤(2-5)实现Stewart平台的运动学参数实时估计。
前述的一种并联机器人运动学模型在线学习方法中,在线学习中,需要使用到以下装置,该装置主要包括:Stewart静平面、运动平面、靶标、控制器、摄像机、数据处理与显示单元、驱动腿、原位测量系统;
控制器控制驱动腿进行伸缩运动,从而实现运动平面相对于Stewart静平面的空间运动轨迹;靶标紧固于运动平面上,通过摄像机测量定点运动下靶标的实际位姿,同时,通过控制器读取原位测量系统的伸缩腿长,并通过运动学正解出运动平台的实际位姿,通过视觉仪器验证原位测量系统的位姿测量精度;并用数据处理与显示单元处理及显示位姿数据并进行运动学参数的实时估计。
本发明的有益效果:与现有技术相比,针对传统六自由并联机器人校准方法不能实时校准且易受噪声干扰等不足,本发明提供并联机器人运动学模型在线学习方法,首先,将测量靶标均匀分布在以典型六自由度并联机器人Stewart平台的运动台面和静止台面表面为圆心的圆周上,并将其固定,通过控制Stewart平台的运动台面输出六自由度运动轨迹;其次,搭建原位测量系统,并用视觉测量仪器验证原位测量系统精度是否满足Stewart平台运动台面的位姿实时测量;再者,基于并联机器人运动学原理,通过闭环矢量环法,构建运动学参数误差模型;最后,采用在线学习算法对Stewart平台的运动学参数实时估计。这种方法实现了Stewart平台在动态轨迹下运动台面位姿的实时测量,以及提高了运动学参数估计的精度。此外,该方法还具备了强大的抗干扰能力,使其能够在复杂环境下稳定运行。对于运动学参数的实时辨识,通过S2步骤使Stewart运动平面进行空间轨迹运动;其次,在S3步骤中搭建原位测量系统,并通过视觉仪器验证原位测量系统的测量精度,验证通过后,将原位测量系统作为Stewart平台位姿的获取途径,在S4步骤中基于并联机器人运动学原理,通过闭环矢量环法,构建运动学参数误差模型;S5步骤中在运用递推最小二乘法实现Stewart平台的运动学参数实时估计。
本发明具有如下几个方面的优势:
(1)本发明搭建了一套原位测量系统,可实时测量Stewart平台位姿;
(2)本发明方法基于原位测量系统与在线学习算法对Stewart平台的运动学参数进行实时估计;
(3)在运动学参数的估计过程中,在线学习算法通过持续迭代改进其噪声协方差矩阵,从而在抵御噪声干扰方面展现出了显著的优势;
(4)在实际应用中,传统的递推最小二乘法经常遇到数据饱和的问题。为解决这一实际挑战,本发明引入了遗忘因子λ,增强了新数据对模型的影响力;
(5)本方法采用的原位测量系统,是通过读取测量支链的伸缩腿长并利用运动学正解来确定Stewart运动台面的实际位姿,这种方式既保证了高精度,又具有低成本效益。
附图说明
附图1为本发明方法具体实施实例装置示意图;
附图2中a图为原位测量系统,b图是原位测量系统嵌入到Stewart平台的整体装置图;
附图3为Stewart平台运动学参数实时估计方法流程图;
附图4为基于Stewart平台的闭环矢量图;
附图5为基于递推最小二乘算法的运动学参数辨识流程图。
附图标记:1-Stewart静平台,2-运动平面,3-靶标,4-控制器,5-摄像机,6-数据处理与显示单元,7-驱动腿,8-原位测量系统。
具体实施方式
为应对Stewart平台在动态轨迹跟踪中的实时位姿测量和运动学参数估计难题,以及外界因素干扰下运动学参数难以估计的问题,本发明提出了一种结合原位测量系统和在线学习技术的运动学参数估计方法。这种方法旨在有效提高测量与参数估计的准确性和实时性。下面结合附图1和具体的实施实例对本发明做出详细描述。
本发明的方法主要运用如下装置进行实现,该装置主要包括:Stewart静平台1、运动平面2、靶标3、控制器4、摄像机5、数据处理与显示单元6、驱动腿7、原位测量系统8。
首先,通过控制器4控制驱动腿7进行伸缩运动,实现运动平面2相对于Stewart静平面1的空间运动轨迹;其次,将靶标3紧固于运动平面2上,通过摄像机5测量定点运动下靶标3的实际位姿,同时,通过控制器4读取原位测量系统8的伸缩腿长,并通过运动学正解出运动平台的实际位姿,通过视觉测量仪器验证原位测量系统8的位姿测量精度;再者,在验证后,将原位测量系统8作为Stewart平台位姿的获取途径,并结合递推最小二乘优化算法,进而实现Stewart平台的运动学参数实时估计,最后,用数据处理与显示单元6处理及显示位姿数据并进行运动学参数的实时估计。
附图2中a图为原位测量系统的结构图,b图为原位测量系统嵌入到Stewart平台的整体装置图,由图2可知,原位测量系统由六条测量支链构成,每条测量支链内嵌有高精度光栅尺,可实时读取Stewart平台在空间轨迹运动下测量支链的腿长伸缩量,并通过运动学正解得出实时位姿。
附图3是结合了原位测量系统和在线学习算法的Stewart平台运动学参数校准方法的流程图。
本发明估计方法主要包括以下步骤:
S1:将靶标紧固于运动平台和静平台的表面,且保证测量靶标均匀分布在以典型六自由度并联机器人Stewart平台的运动台面和静止台面表面为圆心的圆周上;
S2:控制Stewart平台的运动台面输出六自由度运动轨迹,使平台实现X、Y及Z轴的移动或旋转;
S3:构建一套原位测量系统,并用视觉测量仪器验证原位测量系统的精度是否满足Stewart平台运动台面的位姿测量,验证通过后Stewart平台的运动台面实时位姿由原位测量系统获取;
S4:基于并联机器人运动学原理,通过闭环矢量环法,构建运动学参数误差模型;
S5:基于运动学误差模型与原位测量系统实时获取Stewart平台的实际位姿数据,采用一种在线学习的优化算法实时估计出Stewart平台的42个运动学参数。
步骤S1具体为:将靶标紧固于运动平台和静平台的表面,且均匀分布在六自由度并联机器人Stewart平台的运动台面和静止台面并保证运动台面与静止台面中心法线穿过靶标圆的中心。
步骤S2基于Stewart平台在不同运动轨迹下的定点运动,具体包括:
(1)Stewart运动平台基于静平台的X、Y及Z轴的移动
首先,基于运动平台与静平台表面中心建立动坐标系b与p;然后,通过控制Stewart平台的各支链进行伸缩运动,使运动平面分别沿X、Y及Z轴移动。
(2)基于运动平台的X、Y及Z轴的旋转
首先,基于运动平台与静平台表面中心建立动坐标系b与p;然后,通过控制Stewart平台的各支链进行伸缩运动,使运动平面分别沿X、Y及Z轴旋转,结合运动平台的移动,可实现Stewart平台在不同运动轨迹下的定点运动。
步骤S3具体包括:
(1)搭建一套原位测量系统,该系统包括六个测量支链,并将其与Stewart平台进行集成。当Stewart平台执行定点运动时,控制器会精确读取六个支链的伸缩长度,并通过运动学正解方法计算当前运动台面的精确位姿。
(2)在Stewart平台的运动平面上贴附用于视觉测量的靶标,靶标为方块,其各面均有不同的编码信息,靶标与运动平面具有一致的运动特性。通过视觉测量仪器对靶标位置的变化进行测量,具体包括:利用视觉仪器测量Stewart的运动平台沿X、Y及Z轴的位置数据;
(3)利用视觉仪器测量Stewart平台的位置数据后,将静平面的坐标系p设为工作坐标系,可得出运动平面坐标系b相对于静坐标系p的俯仰、横滚及偏航轴的夹角,可获得姿态数据,结合上述的位置数据与姿态数据从而获得实际的位姿数据;
(4)利用视觉测量仪器测得的位姿数据与原位测量系统获取的位姿数据进行比对,验证原位测量系统是否满足位姿测量的精度需求;
(5)满足精度需求后,Stewart平台的位姿由原位测量系统获取。
步骤S4具体包括:
(1)如图4所示,基于Stewart平台的运动学标定,采用闭环矢量法,建立运动学参数模型,构造实测信息与模型输出之间的误差泛函,Stewart平台的运动学参数模型:
其中,L为Stewart平台的支链长度,X为动平台坐标系b与静平台坐标系p圆心之间的位置向量,Di是动平台绞点位置,Ji是静平台绞点位置,为旋转矩阵。
对式(2)进行微分有:
其中ni为支链i的单位向量,δL支链伸缩长度,δDi是动平台绞点位置变化量,δJi是静平台绞点位置变化量,δX为位置变化量,为姿态变化量。
对式(3)进行组合可得到Jr、JS、δx与δe。
令Jp=Jr -1Js,可得到:
δe=JPδx (6)
上述δe为6x1位姿误差向量,Jp为6x42的误差雅可比矩阵,δx为结构42x1结构误差向量,式(6)为Stewart平台的运动学参数模型。
针对于并联机器人运动学参数的实时估计,本发明方法采用一种在线学习的优化算法,算法如下:
(1)基于公式(6),令Xk-1∣k-1=δx,Jκ=Jp,递推最小二乘公式如下:
1)状态转移方程为:
Xk|k-1=Xk-1|k-1 (7)
其中Xk-1|k-1代表第k-1次的几何参数误差先验估计,Xk|k-1代表后验估计。
2)协方差矩阵方程为:
Pk|k-1=Pk-1|k-1+Qk-1 (8)
其中Pk-1|k-1为42x42的协方差矩阵,Qk-1为42×42系统噪声协方差矩阵,在初始时刻Pk-1|k-1与Qk-1可赋予初值。
3)观测方程为:
Yk=JkXk+Ek. (9)
其中位姿误差向量Yk为原位测量系统测量Stewart运动平台得到,维度为6x1,Ek为6x1观测噪声向量。
4)增益可表示为:
其中Kk为42x6的增益矩阵,为6x6的测量噪声协方差矩阵,在初始时刻Rk可赋予初值。
5)状态更新方程为:
Xk|k=Xk|k-1+Kk(Yk-JkXk|k-1). (11)
6)协方差更新方程为:
其中I为42x42的单位矩阵,λ为遗忘因子。
(2)如附图5所示,基于递推最小二乘算法的结构误差参数估计方法包括以下步骤:
(2-1):给定Xk-1|k-1,Qk-1,Pk-1|k-1,Rk的初值;
(2-2):通过原位测量系统,实时测量Stewart的位姿得到位姿误差向量Yk;
(2-3):通过上述信息求取增益Kk;
(2-4):通过状态更新方程求取状态估计值Xk|k,并更新协方差矩阵Pk。
(2-5):判断状态估计值Xk|k是否满足迭代停止的条件。
在给定理论位姿与实测位姿下通过(2-5)步骤实现Stewart平台的运动学参数实时估计。
整个学习方法中,通过S2步骤使Stewart运动平面进行空间轨迹运动;其次,在S3步骤中搭建原位测量系统,并通过视觉仪器验证原位测量系统的测量精度,验证通过后,将原位测量系统作为Stewart平台位姿的获取途径,在S4步骤中基于并联机器人运动学原理,通过闭环矢量环法,构建运动学参数误差模型;S5步骤中在运用递推最小二乘法实现Stewart平台的运动学参数实时估计。
Claims (7)
1.一种并联机器人运动学模型在线学习方法,其特征在于:所述校准方法包括以下步骤:
S1:将靶标紧固于运动平台和静平台的表面,且保证测量靶标均匀分布在以典型六自由度并联机器人Stewart平台的运动台面和静止台面表面为圆心的圆周上;
S2:控制Stewart平台的运动台面输出六自由度运动轨迹,使平台实现X、Y及Z轴的移动或旋转;
S3:搭建一套原位测量系统,并用视觉测量仪器验证原位测量系统的精度是否满足Stewart平台运动台面的位姿测量,验证通过后Stewart平台的运动台面实时位姿由原位测量系统获取;
S4:基于并联机器人运动学原理,通过闭环矢量环法,构建运动学参数误差模型;
S5:基于运动学误差模型与原位测量系统实时获取Stewart平台的实际位姿数据,采用一种在线学习的优化算法实时估计出Stewart平台的42个运动学参数。
2.根据权利要求1所述的一种并联机器人运动学模型在线学习方法,其特征在于:所述步骤S1中,将靶标紧固于运动平台和静平台的表面,且均匀分布在六自由度并联机器人Stewart平台的运动台面和静止台面并保证运动台面与静止台面中心法线穿过靶标圆的中心。
3.根据权利要求1所述的一种并联机器人运动学模型在线学习方法,其特征在于:所述步骤S2中,基于Stewart平台在不同运动轨迹下的定点运动,具体包括:
(1)Stewart运动平台基于静平台的X、Y及Z轴的移动
首先,基于运动平台与静平台表面中心建立动坐标系b与p;然后,通过控制Stewart平台的各支链进行伸缩运动,使运动平面分别沿X、Y及Z轴移动;
(2)基于运动平台的X、Y及Z轴的旋转
首先,基于运动平台与静平台表面中心建立动坐标系b与p;然后,通过控制Stewart平台的各支链进行伸缩运动,使运动平面分别沿X、Y及Z轴旋转,结合运动平台的移动,可实现Stewart平台在不同运动轨迹下的定点运动。
4.根据权利要求1所述的一种并联机器人运动学模型在线学习方法,其特征在于:所述步骤S3中,具体包括:
(1)搭建一套原位测量系统,该系统包括六个测量支链,并将其与Stewart平台进行集成,当Stewart平台执行定点运动时,控制器会精确读取六个支链的伸缩长度,并通过运动学正解方法计算当前运动台面的精确位姿;
(2)在Stewart平台的运动平面上贴附用于视觉测量的靶标,靶标为方块,其各面均有不同的编码信息,靶标与运动平面具有一致的运动特性,通过视觉测量仪器对靶标位置的变化进行测量,具体包括:利用视觉仪器测量Stewart的运动平台沿X、Y及Z轴的位置数据;
(3)利用视觉仪器测量Stewart平台的位置数据后,将静平面的坐标系p设为工作坐标系,可得出运动平面坐标系b相对于静坐标系p的俯仰、横滚及偏航轴的夹角,可获得姿态数据,结合上述的位置数据与姿态数据从而获得实际的位姿数据;
(4)利用视觉测量仪器测得的位姿数据与原位测量系统获取的位姿数据进行比对,验证原位测量系统是否满足位姿测量的精度要求;
(5)满足精度要求后,后续Stewart平台的位姿由原位测量系统获取。
5.根据权利要求1所述的一种并联机器人运动学模型在线学习方法,其特征在于:所述步骤S4中,具体包括:
基于Stewart平台的运动学标定,建立运动学参数模型,构造实测信息与模型输出之间的误差泛函,Stewart平台的运动学参数模型:
δe=JPδx (1)
上述δe为6x1位姿误差向量,Jp是6x42的误差雅可比矩阵,δx是42x1运动学参数向量,式(1)为Stewart平台的运动学参数模型。
6.根据权利要求5所述的一种并联机器人运动学模型在线学习方法,其特征在于:针对于并联机器人运动学参数的实时估计,本发明方法采用一种在线学习的优化算法,算法如下:
(1)基于公式(1),令Xk-1|k-1=δx,Jk=Jp,递推最小二乘算法公式如下:
1)状态转移方程为:
Xk|k-1=Xk-1|k-1 (2)
其中Xk-1|k-1代表第k-1次的运动学参数的先验估计,Xk|k-1代表后验估计;
2)协方差矩阵方程为:
Pk|k-1=Pk-1|k-1+Qk-1 (3)
其中Pk-1|k-1为42x42的协方差矩阵,Qk-1为42×42系统噪声协方差矩阵,在初始时刻Pk-1|k-1与Qk-1可赋予初值;
3)观测方程为:
Yk=JkXk+Ek. (4)
其中位姿误差向量Yk为原位测量系统测量Stewart运动平台得到,维度为6x1,Ek为6x1观测噪声向量;
4)增益可表示为:
其中Kk为42x6的增益矩阵,为6x6的测量噪声协方差矩阵,在初始时刻Rk可赋予初值;
5)状态更新方程为:
Xk|k=Xk|k-1+Kk(Yk-JkXk|k-1). (6)
6)协方差更新方程为:
其中I为42x42的单位矩阵,λ为遗忘因子;
(2)基于递推最小二乘算法的运动学参数估计方法包括以下步骤:
(2-1):给定Xk-1|k-1,Qk-1,Pk-1|k-1,Rk的初值;
(2-2):通过原位测量系统,实时测量Stewart的位姿得到位姿误差向量Yk;
(2-3):通过上述信息求取增益Kk;
(2-4):通过状态更新方程求取状态估计值Xk|k,并更新协方差矩阵Pk;
(2-5):判断状态估计值Xk|k是否满足迭代停止的条件。
在给定理论位姿与实测位姿下通过步骤(2-5)实现Stewart平台的运动学参数实时估计。
7.根据权利要求1所述的一种并联机器人运动学模型在线学习方法,其特征在于:在线学习中,需要使用到以下装置,该装置主要包括:Stewart静平面(1)、运动平面(2)、靶标(3)、控制器(4)、摄像机(5)、数据处理与显示单元(6)、驱动腿(7)、原位测量系统(8);
控制器(4)控制驱动腿(7)进行伸缩运动,从而实现运动平面(2)相对于Stewart静平面(1)的空间运动轨迹;靶标(3)紧固于运动平面(2)上,通过摄像机(5)测量定点运动下靶标(3)的实际位姿,同时,通过控制器(4)读取原位测量系统(8)的伸缩腿长,并通过运动学正解出运动平台的实际位姿,通过视觉仪器验证原位测量系统(8)的位姿测量精度;并用数据处理与显示单元(6)处理及显示位姿数据并进行运动学参数的实时估计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311506245.7A CN117283528A (zh) | 2023-11-13 | 2023-11-13 | 一种并联机器人运动学模型在线学习方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311506245.7A CN117283528A (zh) | 2023-11-13 | 2023-11-13 | 一种并联机器人运动学模型在线学习方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117283528A true CN117283528A (zh) | 2023-12-26 |
Family
ID=89244618
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311506245.7A Pending CN117283528A (zh) | 2023-11-13 | 2023-11-13 | 一种并联机器人运动学模型在线学习方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117283528A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117609673A (zh) * | 2024-01-24 | 2024-02-27 | 中南大学 | 基于物理信息神经网络的六自由度并联机构正解方法 |
-
2023
- 2023-11-13 CN CN202311506245.7A patent/CN117283528A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117609673A (zh) * | 2024-01-24 | 2024-02-27 | 中南大学 | 基于物理信息神经网络的六自由度并联机构正解方法 |
CN117609673B (zh) * | 2024-01-24 | 2024-04-09 | 中南大学 | 基于物理信息神经网络的六自由度并联机构正解方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109655024B (zh) | 采用空间变换技术的位移传感器外部参数标定方法 | |
CN107042528B (zh) | 一种工业机器人的运动学标定系统及方法 | |
CN106777656B (zh) | 一种基于pmpsd的工业机器人绝对精度校准方法 | |
CN108297101A (zh) | 多关节臂串联机器人末端位姿误差检测和动态补偿方法 | |
CN109877840B (zh) | 一种基于相机光轴约束的双机械臂标定方法 | |
Lee et al. | Industrial robot calibration method using denavit—Hatenberg parameters | |
CN108789404A (zh) | 一种基于视觉的串联机器人运动学参数标定方法 | |
CN110202575A (zh) | 一种用于工业测量的机器人目标轨迹精度补偿方法 | |
CN117283528A (zh) | 一种并联机器人运动学模型在线学习方法 | |
CN112070133B (zh) | 一种基于测距仪和机器视觉的三维空间点定位的方法 | |
CN112767493B (zh) | Stewart平台运动学参数的机器视觉标定方法 | |
CN105773622A (zh) | 一种基于iekf的工业机器人绝对精度校准方法 | |
CN111489399B (zh) | 一种视觉跟踪组件安装参数标定装置和方法 | |
CN109093376A (zh) | 一种基于激光跟踪仪的多轴孔自动化对准方法 | |
CN110370271B (zh) | 工业串联机器人的关节传动比误差校准方法 | |
CN114161425B (zh) | 一种工业机器人的误差补偿方法 | |
CN110253574A (zh) | 一种多任务机械臂位姿检测和误差补偿方法 | |
Du et al. | An online method for serial robot self-calibration with CMAC and UKF | |
CN111687845B (zh) | 一种基于惯性测量单元的机械臂运动学参数标定方法 | |
TWI557522B (zh) | 校正方法與校正設備 | |
CN105397807A (zh) | 机器人零点校准装置、机器人零点校准系统及校准方法 | |
CN114161411B (zh) | 一种基于视觉的多足机器人运动学参数标定方法 | |
CN114131595B (zh) | 一种机器人6d位姿估计系统及方法 | |
CN107843259B (zh) | 一种基于vckf的多机器人协同导航定位方法 | |
CN114474003A (zh) | 一种基于参数辨识的车载建筑机器人误差补偿方法 |
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 |