CN117773940B - 一种多因素影响下工业机器人绝对定位误差预测补偿方法 - Google Patents
一种多因素影响下工业机器人绝对定位误差预测补偿方法 Download PDFInfo
- Publication number
- CN117773940B CN117773940B CN202410044351.6A CN202410044351A CN117773940B CN 117773940 B CN117773940 B CN 117773940B CN 202410044351 A CN202410044351 A CN 202410044351A CN 117773940 B CN117773940 B CN 117773940B
- Authority
- CN
- China
- Prior art keywords
- robot
- coordinate system
- error
- point
- axis
- 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 92
- 239000002245 particle Substances 0.000 claims abstract description 44
- 230000008859 change Effects 0.000 claims abstract description 21
- 238000002360 preparation method Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 19
- 230000007704 transition Effects 0.000 claims abstract description 16
- 239000002131 composite material Substances 0.000 claims abstract description 5
- 238000006243 chemical reaction Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 19
- 230000009466 transformation Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 6
- 210000001503 joint Anatomy 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003754 machining Methods 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Numerical Control (AREA)
Abstract
本发明公开了一种多因素影响下工业机器人绝对定位误差预测补偿方法，包括步骤1：将机器人加工环境根据加工范围分为准备区、过渡区以及工作区；步骤2：获取工业机器人末端的理论位置和实际位置；步骤3：基于轮盘赌法选择的动态粒子群算法实现机器人的运动学参数进行标定；步骤4：基于反距离加权法结合误差变化趋势的复合算法利用定位误差的相似性插值得到任意空间点位置误差；本发明同时考虑到几何因素和非几何因素对工业机器人的精度的影响，大幅提供了工业机器人的定位精度。
Description
技术领域
本发明属于工业机器人误差预测领域，具体涉及一种多因素影响下工业机器人绝对定位误差预测补偿方法。
背景技术
随着产业的转型升级，工业机器人的使用得到了快速的发展。工业机器人在工作中需要较高的重复定位精度，而其绝对定位精度存在一定误差。
目前，工业机器人在使用前按照使用场景对其进行编程，编程包括为与重复定位精度对应的示教编程和与绝对定位精度对应的离线编程。工业机器人由于在制造、装配、运动等环节不可避免地会引入误差，进而使得机器人在定位时产生误差，对精度造成影响。影响工业机器人的定位精度的因素主要分为几何因素和非几何因素，工业机器人的几何因素误差是影响机器人作业精度的主要误差源，约占总误差的90%，机器人标定则是降低几何因素误差，提高机器人的定位精度的主要方法，机器人标定通常可以按照四个步骤来进行，分别是建模、测量、参数辨识和误差补偿。现有大多的标定方法没有考虑考虑齿轮间隙、机械臂的质量分布、负载变化、热效应等非几何因素影响，使得标定后工业机器人的精度仍存在着一定的误差。基于空间误差相似性来解决工业机器人因非几何因素造成的精度相关问题，如基于空间网格采样方法，获得工业机器人绝对定位误差沿机器人基坐标系不同方向的误差变化规律从而验证建模补偿的可行性；将工业机器人空间误差相似度与RBF神经网络相结合，预测空间点的位置误差；基于空间插值的补偿方法在构建的插值空间中进行待插值点空间误差的预测并进行补偿；利用半方差函数分析位置误差的空间相似度，并根据空间相似度建立位置误差模型。然而，很少有同时考虑影响工业机器人定位精度的几何和非几何因素，随着机器人在工业应用中逐渐变得广泛，高精密加工制造中需要考虑机器人不同的影响因素，才可以满足加工制造的需求。因此有必要对工业机器人的定位精度预测和补偿展开进一步的研究。
发明内容
本发明的目的在于提供一种多因素影响下工业机器人绝对定位误差预测补偿方法，该补偿方法同时考虑到几何因素和非几何因素对工业机器人的精度的影响，大幅提供了工业机器人的定位精度。
为实现上述目的，本发明采用如下技术方案：
一种多因素影响下工业机器人绝对定位误差预测补偿方法，包括如下步骤：
步骤1：将机器人加工环境根据加工范围分为准备区、过渡区以及工作区，准备区为工件或者加工末端的放置区，过渡区为机械臂从准备区前往工位进行加工的区域，工作区为工件加工的区域；
步骤2：获取工业机器人末端的理论位置和实际位置；
机器人末端的理论位置由正运动学获取，，其中，为机器人末端点在基坐标系下的理论空间位置，为从基坐标系开始
到机器人末端关节坐标系之间的总变换矩阵；为末端关节坐标系与工具坐标系之间
的变换矩阵，为末端点在工具坐标系下的空间位置；
机器人末端的实际位置的获取：首先，获取末端关节坐标系与工具坐标系之间的转换关系，然后，机器人基坐标系与仪器坐标器的转化关系计算出机器人的实际基座标系，通过机器人的实际基座标系获取机器人末端的实际位置；
步骤3：基于轮盘赌法选择的动态粒子群算法实现机器人的运动学参数进行标定；
令为工业机器人工具末端实际位置与
理论位置的误差，为工业机器人工具末端理论位置，为工业机器人
工具末端实际位置；
设定初始值范围得到粒子群，个体初始值为所有几何参数的误差，将所有误差与机器人的几何参数理论值进行叠加后进行正运动学计算得到工具末端的理论位置，建立目标函数F；
；
式中，F为目标函数，为机器人工具末端的理论位置，为机
器人工具末端的实际位置，；
所有粒子根据当前个体极值和当前全局最优值更新速度和位置；
；
式中，为更新后的粒子速度，为粒子当前的速度，为更新后的粒子的具体位
置，为当前粒子的具体位值；为粒子当前的最优值，为粒子群中的全局最优值，和为学习因子，为之间的随机数，为惯性因子，；为最大迭代次数，为当前迭代次数，为初
始惯性权值，为迭代至最大迭代次数时的惯性权值；
在每迭代N次后，对种群中的粒子按照轮盘赌法选择合适数量的种群进行下一轮迭代；
最终迭代后得到机器人的几何误差参数，将其补偿至机器人理论几何参数，得到机器人实际几何参数；
步骤4：基于反距离加权法结合误差变化趋势的复合算法利用定位误差的相似性插值得到任意空间点位置误差；
通过分层采样法获取空间点的位置，空间点的距离从准备区、过渡区和工作区依
次减小，通过数个空间点建立一个方形空间，方形空间的8个顶点为已知空间点；
首先，计算目标点到8个已知点的距离，计算已知空间点权重，为已知点权重，为目标点到已知空间点的距离；
然后，利用误差变化加权法采用空间网格作为插值空间，将空间网格中的点两两
相连，再确定不同直线上各个方向误差的变化规律；规定在同一条空间直线上误差总是由
数值较小的一点指向数值较大的一点，并用箭头表征；每个点都存在共四个箭头指向或者
背离，并对所有点的进行权重赋值，规定若有箭头指向该点，则将其标注为得分+1，背离点
则得分为0，统计得到所有空间的得分集合，每个元素
得分最高4分，最低0分，每个点误差的得分权重；
将误差变化加权法得到的X、Y、Z方向误差得分权重与IDW算法得到权重值进行融合：
式中，为某一方向最终的误差权重值，和为融合系数，为IDW算法得到
权重值，为EDW获取的某一方向的误差；
目标点某一方向的误差，式中，为第i个顶点的某一方向的误
差值，为预测得到的目标点某一方向的空间误差；
获取X、Y、Z三方向的误差、、；通过预测目标位置的定位误差并进行补偿，
此时通过逆运动学可以得到机械臂各个关节角所需转动的关节角度值。
进一步地，步骤2中获取末端关节坐标系与工具坐标系之间的转换关系是通过如下步骤获取的：
步骤2-1：将激光跟踪仪的靶球安装到工业机器人的机械臂末端，在机器人直角坐
标系下分别沿X轴和Y轴以及绕着X轴和Y轴进行运动，沿X轴和Y轴运动时分别获取2个空
间点和，；绕着X轴和Y轴分别获取6个空间点和，；
步骤2-2：根据空间点和拟合直线确定新的X轴和Y轴，X轴和Y轴方向与直
角坐标系的X轴和Y轴相同，据空间点和拟合球体并定义球心为新的坐标系原
点，从而建立机器人末端坐标系；
步骤2-3：计算工具坐标系与机器人末端坐标系的转换关系；
式中，为工具坐标系与机器人末端坐标系的转换关系，为末端点在工
具坐标系下的空间位置，为激光跟踪仪测量的空间点位置，为仪器坐标系与机器
人末端关节坐标系的转换矩阵。
进一步地，步骤2中所述机器人末端的实际位置采取多点融合方式获取的：在准备
区测量2个点，过渡区测量3个点，工作区测量5个点，共计10个空间点，
计算得到10个不同的实际基坐标系，并沿X、Y、Z方向的均值作为机械臂实际基坐标系；
最终机器人的实际空间位置：
式中，为工具末端在机器人实际基坐标系下的理论空间位置，其值为，为机器人基坐标系与仪器坐标器的转化关系，为激光跟踪仪
测量的空间点。
进一步地，步骤3中在每迭代N次后对种群中的粒子按照轮盘赌法选择合适数量的种群的实现：
设某一粒子的适应度值为，其被选中概率和累积概率；
生成一个取值范围在0和1之间的随机数m，并将其与个体累积概率进行比
较，若，则个体被选中，否则比较下一个体，直至选出个体为止。
进一步地，步骤4中所述空间点的距离在准备区为50mm，过渡区为20mm，工作区为10mm。
进一步地，步骤4中分层采样法获取空间点的位置的实现：首先，在确保Y轴和Z轴位置不变的情况下，将机械臂沿X轴正方向移动；当机械臂移动到X轴的最后一点时，再沿Y轴的正方向移动，移动到Y轴的最后一点时，然后沿X轴的负方向移动，当激光跟踪仪完上一层的所有点后沿Z轴的负方向移动机械臂，开始下一层的采集。
与现有技术相比，本发明具有如下有益效果：
（1）根据工业机器人实际工作空间将其进行区域划分，不同的区域对定位精度的要求不同，提高补偿效率；
（2）为了得到准确的机器人实际基坐标系，在不同区域进行空间点采集，得到多个实际基坐标系并进行融合，提高建立的实际基坐标系的准确度；
（3）提出针对PSO算法中影响因子的动态调整，调整算法的全局和局部搜索能力；PSO算法进行一定次数迭代后通过RWS进行选择，控制算法中种群规模，提高算法效率；
（4）在IDW基础上，考虑已知点误差的变化趋势，计算误差点得分权重，并于IDW距离权重融合，提高对非几何因素引起的误差的预测精度；
（5）得到预测的空间误差，对机器人期望位置进行补偿，消除非几何因素影响，补偿后基于改进的几何参数进行逆向运动学解算，得到机器人的关节角度，回传至机器人控制器并进行运动。
附图说明
图1为本发明的流程示意图。
图2为本发明的分区示意图。
图3为本发明分层取样的示意图。
图4为本发明的反距离加权法示意图。
图5为本发明的EDW算法的示意图。
具体实施方式
如图1所示，本实施例提供的一种多因素影响下工业机器人绝对定位误差预测补偿方法，包括如下步骤：
步骤1：将机器人加工环境根据加工范围分为准备区、过渡区以及工作区，如图2所示；准备区为工件或者加工末端的放置区，机器人在准备区主要是实现运动的准备过程，对定位精度要求较低；过渡区为机械臂从准备区前往工位进行加工的区域，机器人在过度区主要是实现工件或者加工末端的运输，由于需要将目标运送至指定位置，因此对定位精度的要求相较于准备区有所增加；工作区为工件加工的区域，由于需要对工件进行加工，为了保证加工质量，相较于另外两个区域，这个区域对定位精度的要求最高。
步骤2：获取工业机器人末端的理论位置和实际位置；
机器人末端的理论位置由正运动学获取，，其中，为机器人末端点在基坐标系Zbase下的理论空间位置，为从基坐标系
Zbase开始到机器人末端关节坐标系Z6之间的总变换矩阵，其值与机器人的几何参数相关；为末端关节坐标系Z6与工具坐标系Ztool之间的变换矩阵，其值与工具几何参数相关，为末端点在工具坐标系下的空间位置。
机器人末端的实际位置的获取：首先，获取末端关节坐标系与工具坐标系之间的转换关系，然后，机器人基坐标系与仪器坐标器的转化关系计算出机器人的实际基座标系，通过机器人的实际基座标系获取机器人末端的实际位置。
获取末端关节坐标系与工具坐标系之间的转换关系是通过步骤获取的：
步骤2-1：将激光跟踪仪的靶球安装到工业机器人的机械臂末端，在机器人直角坐
标系下分别沿X轴和Y轴以及绕着X轴和Y轴进行运动，沿X轴和Y轴运动时分别获取2个空
间点；绕着X轴和Y轴分别获取6个空间点。
具体地，沿X轴运动，使用激光跟踪仪测量并记录2个空间点，之后回
到原点，继续沿Y轴运动得到并回原点；绕X轴运动，使用激光跟踪仪测量并分
别记录6个空间点，之后回到原点，继续绕Y轴运动得到，并回原点。
步骤2-2：根据空间点拟合直线确定新的X轴，其方向与直角坐标系的X轴方向相同，同理定义新的Y轴及其方向，根据空间点和拟合球体并定义球心为新的坐标系原点，从而建立机器人末端坐
标系；
步骤2-3：计算工具坐标系与机器人末端坐标系的转换关系；
式中，为工具坐标系与机器人末端坐标系的转换关系，为末端点在工
具坐标系下的空间位置，为激光跟踪仪测量的空间点位置，为仪器坐标系与机器
人末端关节坐标系的转换矩阵，其值与机器人的几何参数以及仪器与设备的空间位置相
关。
由于激光跟踪仪测量空间点是在仪器坐标系下，需要将测量值转换至机器人实际
基坐标系下。由于几何误差的存在，机器人的基坐标系发生偏移，因此需要还原实际的机器
人基坐标系。
本实施例设定机器人实际基坐标系与第一个关节坐标系重合，机器人基坐标
系与仪器坐标器的转化关系计算出机器人的实际基座标系；
式中，为机器人实际基坐标系与仪器坐标器的转化关系，为工具坐标
系到第一个关节坐标系的转换关系，为末端点在工具坐标系下的空间位置，为
激光跟踪仪测量的空间点位置。
本实施例采取多点融合方式建立的精度更高的实际基坐标系；根据步骤1的区域
分区，根据每个区域对定位精度的要求，在准备区测量2个点，过渡区测量3个点，工作区测
量5个点，共计10个空间点，计算得到10个不同的实际基坐标系，并沿X、
Y、Z方向的均值作为机械臂实际基坐标系。最终机器人的实际空间位置：
式中，为工具末端在机器人实际基坐标系下的理论空间位置，其值为，为机器人基坐标系与仪器坐标器的转化关系，为激光跟踪仪
测量的空间点。
步骤3：基于轮盘赌法选择的动态粒子群算法RWS-PSO实现机器人的运动学参数进行标定；主要针对是几何因素对机器人的影响因素，提高工业机器人在高精密加工制造过程中的定位精度。
由于机器人几何参数误差的存在，机械臂工具的实际位置会偏离点的理论位置，
令为工业机器人工具末端实际位置与理论位置
的误差，为工业机器人工具末端理论位置，为工业机器人工具末端
实际位置。
设定初始值范围得到粒子群，个体初始值为所有几何参数的误差，将所有误差与机器人的几何参数理论值进行叠加后进行正运动学计算得到工具末端的理论位置，建立目标函数F；
；
式中，F为目标函数，为机器人工具末端的理论位置，为机
器人工具末端的实际位置，，本实施例的实例位置通过安装在机器人工具末
端的激光跟踪仪获取。
所有粒子根据当前个体极值和当前全局最优值更新速度和位置；
；
式中，为更新后的粒子速度，为粒子当前的速度，为更新后的粒子的具体位
置，为当前粒子的具体位值；为粒子当前的最优值，为粒子群中的全局最优值，和为学习因子，为之间的随机数，为惯性因子，；为最大迭代次数，为当前迭代次数，为初
始惯性权值，为迭代至最大迭代次数时的惯性权值。
传统的粒子群优化算法PSO在整个寻优的过程中，都是基于全种群的粒子进行迭代求解，整个求解过程中粒子的数量都没有变化，导致迭代求解进行到后期的时候，由于种群中优秀粒子的比重逐渐减少，使得算法的求解速度降低。同时，由于机器人几何参数的偏差很小，大量无效的粒子对算法后期的局部寻优有很大的负面作用。
本实施例在每迭代N次后，对种群中的粒子按照轮盘赌法RWS选择合适数量的种群进行下一轮迭代。
具体地，设某一粒子的适应度值为，其被选中概率和累
积概率；为了实现个体的选择，生成一个取值范围在0和1之间的随机
数m，并将其与个体累积概率进行比较，若，则个体被选中，否则比较下
一个体，直至选出个体为止。
本实施例采用轮盘赌法RWS去除的相同个体，使每一次选择后都可以缩减种群的规模，保证种群中存在数量合适的粒子，本实施例采用迭代N次后进行一次轮盘赌法RWS，避免频繁选择导致种群中粒子数量过低，影响算法的求解效果。
最终迭代后得到机器人的几何误差参数，将其补偿至机器人理论几何参数，得到机器人实际几何参数，从而提高机器人的定位精度。
步骤4：基于反距离加权法结合误差变化趋势的复合算法IDW-EDW利用定位误差的相似性插值得到任意空间点位置误差，针对非几何因素造成的空间点误差进行预测。
对于机器人任一空间点处的定位误差，若已知数量若干与它有较高相似度的空间点的定位误差，则可以通过反距离加权法IDW对已知空间点的定位误差进行插值来求取目标点的空间定位误差。反距离加权法IDW以两点之间的距离的倒数作为权值，即距离越近它们之间相互影响的权值因子越大，距离越远则相互之间影响的权值因子就越小。
首先，需要确定数量若干的已知空间点的误差，如图3所示，利用激光跟踪仪通过分层采样法获取点的空间位置。每一层中空间点的Z轴位置是固定，X轴和Y轴的位置会发生变化，由于不同空间区域的定位精度要求不同，因此区域内两相邻点之间的距离L也不同，本实施例在准备区设定50mm，过渡区设定20mm，工作区设定10mm。
然后，如图3序号1所示，在确保Y轴和Z轴位置不变的情况下，将机械臂沿X轴正方向移动。当机械臂移动到X轴的最后一点时，再如序号2所示沿Y轴的正方向移动，移动到Y轴的最后一点时如序号3所示沿X轴的负方向移动，当激光跟踪仪完上一层的所有点后，如序号4所示沿Z轴的负方向移动机械臂，开始下一层的采集。
反距离加权法IDW法需要先确定一个空间范围，利用范围内已知空间点去插值该空间内部任意一点的空间位置信息，针对本实施例使用的采样方法以及采集的空间点，采用方形插值空间进行空间点插值。
如图4所示，方形空间一共有8个已知空间点，首先需
要计算目标点到8个已知点的距离，计算已知空间点权重，为已知点权重，为目标点到已知空间点的距离。
反距离加权法IDW仅考虑了待插值点与空间网格顶点的距离，没有考虑数据场的空间分布，当待插点附近的样本点数据值很大或很小时待插点的结果容易受到极值点的影响而导致插值结果产生偏差。
本实施例在反距离加权法IDW算法上融合插值空间点误差数值大小及其变化趋势，提出基于插值空间点三方向误差数值大小及其变化规律的误差变化加权法EDW，根据空间点误差值得出空间网格中不同点之间的误差的变化趋势，找出影响最大的点集并分配权重，最终得到待插值点的数值。从而提高空间插值的精度。
误差变化加权法EDW仍采用空间网格作为插值空间，为了表明空间网格中不同点的误差变化趋势，将空间网格中的点两两相连，再确定不同直线上各个方向误差的变化规律。规定在同一条空间直线上误差总是由数值较小的一点指向数值较大的一点，并用箭头表征这种趋势。由于空间点存在三个方向，以空间点X方向上的误差为例，得到的X反向误差变化趋势如图5所示。Y、Z方向的误差变化趋势图画法类似。
图5中每个点都存在共四个箭头指向或者背离，为了找出插值空间中对空间插值
影响较大的点从而对所有点的进行权重赋值，规定若有箭头指向该点，则将其标注为得分+
1，背离点则得分为0，以X方向为例，统计得到所有空间的得分集合，每个元素得分最高4分，最低0分，每个点X方向误差
的得分权重。
将误差变化加权法EDW得到的X、Y、Z方向误差得分权重与IDW算法得到权重值进行融合，降低样本数值空间分布不均带来的影响。
以X反向为例，X方向误差与IDW算法得到权重值进行融合如下：
式中，为X方向最终的误差权重值，和为融合系数，为IDW算法得到权
重值，为EDW获取的X方向的误差。
目标点X方向的误差，式中，为第i个顶点的x方向的误差
值，为预测得到的目标点x方向的空间误差。
Y、Z方向与X方向获取误差、的步骤方向相同。
在机械臂运动过程中，假定是机器人的期望到达的位置，但是由于机械臂在运
动过程中出现的定位误差使得机器人到达位置。通过本实施例提出的IDW+EDW算法
预测目标位置的绝对定位误差并进行补偿，此时通过逆运动学可以得到机械臂各个关
节角所需转动的关节角度值，实现绝对定位偏差的抵消，从而提高机器人的绝对定位
精度。
本实施例首先通过工业机器人末端的范围进行分区，并对针对分区的要求精度不同，使激光跟踪仪获取不同的数量的空间点以及采集数据距离，有利于预测效率；然后通过正运动学计算出机器人末端的理论位置和实际位置，理论位置和实际位置之间误差是因几何因素构成的，再通过基于轮盘赌法选择的动态粒子群算法实现机器人的运动学参数进行标定，以消除几何因素造成的几何误差，最后，通过基于反距离加权法结合误差变化趋势的复合算法（IDW-EDW）利用定位误差的相似性插值得到任意空间点位置误差，进行补偿后通过逆运动学可以得到机械臂各个关节角所需转动的关节角度值，提高机器人定位精度。
以上所述仅是本发明优选的实施方式，但本发明的保护范围并不局限于此，任何基于本发明所提供的技术方案和发明构思进行的改造和替换都应涵盖在本发明的保护范围内。
Claims (6)
1.一种多因素影响下工业机器人绝对定位误差预测补偿方法，其特征在于，包括如下步骤：
步骤1：将机器人加工环境根据加工范围分为准备区、过渡区以及工作区，准备区为工件或者加工末端的放置区，过渡区为机械臂从准备区前往工位进行加工的区域，工作区为工件加工的区域；
步骤2：获取工业机器人末端的理论位置和实际位置；
机器人末端的理论位置由正运动学获取，，其中，为机器人末端点在基坐标系下的理论空间位置，为从基坐标系开始到机器人末端关节坐标系之间的总变换矩阵；为末端关节坐标系与工具坐标系之间的变换矩阵，为末端点在工具坐标系下的空间位置；
机器人末端的实际位置的获取：首先，获取末端关节坐标系与工具坐标系之间的转换关系，然后，机器人基坐标系与仪器坐标器的转化关系计算出机器人的实际基座标系，通过机器人的实际基座标系获取机器人末端的实际位置；
步骤3：基于轮盘赌法选择的动态粒子群算法实现机器人的运动学参数进行标定；
令为工业机器人工具末端实际位置与理论位置的误差，为工业机器人工具末端理论位置，为工业机器人工具末端实际位置；
设定初始值范围得到粒子群，个体初始值为所有几何参数的误差，将所有误差与机器人的几何参数理论值进行叠加后进行正运动学计算得到工具末端的理论位置，建立目标函数F；
；
式中，F为目标函数，为机器人工具末端的理论位置，为机器人工具末端的实际位置，；
所有粒子根据当前个体极值和当前全局最优值更新速度和位置；
；
式中，为更新后的粒子速度，为粒子当前的速度，为更新后的粒子的具体位置，为当前粒子的具体位值；为粒子当前的最优值，为粒子群中的全局最优值，和为学习因子，为之间的随机数，为惯性因子，；为最大迭代次数，为当前迭代次数，为初始惯性权值，为迭代至最大迭代次数时的惯性权值；
在每迭代N次后，对种群中的粒子按照轮盘赌法选择合适数量的种群进行下一轮迭代；
最终迭代后得到机器人的几何误差参数，将其补偿至机器人理论几何参数，得到机器人实际几何参数；
步骤4：基于反距离加权法结合误差变化趋势的复合算法利用定位误差的相似性插值得到任意空间点位置误差；
通过分层采样法获取空间点的位置，空间点的距离从准备区、过渡区和工作区依次减小，通过数个空间点建立一个方形空间，方形空间的8个顶点为已知空间点；
首先，计算目标点到8个已知点的距离，计算已知空间点权重，为已知点权重，为目标点到已知空间点的距离；
然后，利用误差变化加权法采用空间网格作为插值空间，将空间网格中的点两两相连，再确定不同直线上各个方向误差的变化规律；规定在同一条空间直线上误差总是由数值较小的一点指向数值较大的一点，并用箭头表征；每个点都存在共四个箭头指向或者背离，并对所有点的进行权重赋值，规定若有箭头指向该点，则将其标注为得分+1，背离点则得分为0，统计得到所有空间的得分集合，每个元素得分最高4分，最低0分，每个点误差的得分权重；
将误差变化加权法得到的X、Y、Z方向误差得分权重与IDW算法得到权重值进行融合：
，
式中，为某一方向最终的误差权重值，和为融合系数，为IDW算法得到权重值，为EDW获取的某一方向的误差；
目标点某一方向的误差，式中，为第i个顶点的某一方向的误差值，为预测得到的目标点某一方向的空间误差；
获取X、Y、Z三方向的误差、、；通过预测目标位置的定位误差并进行补偿，此时通过逆运动学可以得到机械臂各个关节角所需转动的关节角度值。
2.根据权利要求1所述的一种多因素影响下工业机器人绝对定位误差预测补偿方法，其特征在于，步骤2中获取末端关节坐标系与工具坐标系之间的转换关系是通过如下步骤获取的：
步骤2-1：将激光跟踪仪的靶球安装到工业机器人的机械臂末端，在机器人直角坐标系下分别沿X轴和Y轴以及绕着X轴和Y轴进行运动，沿X轴和Y轴运动时分别获取2个空间点和，；绕着X轴和Y轴分别获取6个空间点和，；
步骤2-2：根据空间点和拟合直线确定新的X轴和Y轴，X轴和Y轴方向与直角坐标系的X轴和Y轴相同，据空间点和拟合球体并定义球心为新的坐标系原点，从而建立机器人末端坐标系；
步骤2-3：计算工具坐标系与机器人末端坐标系的转换关系；
，
式中，为工具坐标系与机器人末端坐标系的转换关系，为末端点在工具坐标系下的空间位置，为激光跟踪仪测量的空间点位置，为仪器坐标系与机器人末端关节坐标系的转换矩阵。
3.根据权利要求2所述的一种多因素影响下工业机器人绝对定位误差预测补偿方法，其特征在于，步骤2中所述机器人末端的实际位置采取多点融合方式获取的：在准备区测量2个点，过渡区测量3个点，工作区测量5个点，共计10个空间点，计算得到10个不同的实际基坐标系，并沿X、Y、Z方向的均值作为机械臂实际基坐标系；
最终机器人的实际空间位置：
，
式中，为工具末端在机器人实际基坐标系下的理论空间位置，其值为，为机器人基坐标系与仪器坐标器的转化关系，为激光跟踪仪测量的空间点。
4.根据权利要求1所述的一种多因素影响下工业机器人绝对定位误差预测补偿方法，其特征在于，步骤3中在每迭代N次后对种群中的粒子按照轮盘赌法选择合适数量的种群的实现：
设某一粒子的适应度值为，其被选中概率和累积概率；
生成一个取值范围在0和1之间的随机数m，并将其与个体累积概率进行比较，若，则个体被选中，否则比较下一个体，直至选出个体为止。
5.根据权利要求1所述的一种多因素影响下工业机器人绝对定位误差预测补偿方法，其特征在于，步骤4中所述空间点的距离在准备区为50mm，过渡区为20mm，工作区为10mm。
6.根据权利要求1所述的一种多因素影响下工业机器人绝对定位误差预测补偿方法，其特征在于，步骤4中分层采样法获取空间点的位置的实现：首先，在确保Y轴和Z轴位置不变的情况下，将机械臂沿X轴正方向移动；当机械臂移动到X轴的最后一点时，再沿Y轴的正方向移动，移动到Y轴的最后一点时，然后沿X轴的负方向移动，当激光跟踪仪完上一层的所有点后沿Z轴的负方向移动机械臂，开始下一层的采集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410044351.6A CN117773940B (zh) | 2024-01-11 | 2024-01-11 | 一种多因素影响下工业机器人绝对定位误差预测补偿方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410044351.6A CN117773940B (zh) | 2024-01-11 | 2024-01-11 | 一种多因素影响下工业机器人绝对定位误差预测补偿方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117773940A CN117773940A (zh) | 2024-03-29 |
| CN117773940B true CN117773940B (zh) | 2024-07-16 |
Family
ID=90392824
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410044351.6A Active CN117773940B (zh) | 2024-01-11 | 2024-01-11 | 一种多因素影响下工业机器人绝对定位误差预测补偿方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117773940B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112497216A (zh) * | 2020-12-01 | 2021-03-16 | 南京航空航天大学 | 一种基于深度学习的工业机器人位姿精度补偿方法 |
| CN114161425A (zh) * | 2021-12-28 | 2022-03-11 | 中国人民解放军战略支援部队信息工程大学 | 一种工业机器人的误差补偿方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018109828A1 (ja) * | 2016-12-13 | 2018-06-21 | 株式会社Ｆｕｊｉ | 作業ロボットの目的位置補正方法 |
| KR20220000328A (ko) * | 2020-06-25 | 2022-01-03 | 한국전자통신연구원 | 레이저 반사 강도를 이용한 공간 구조 정보 기반 이동 로봇의 위치 인식 장치 및 방법 |
| CN115107024A (zh) * | 2022-06-27 | 2022-09-27 | 北京工业大学 | 一种基于激光追踪仪多站位技术的工业机器人运动学参数辨识方法 |
| CN116352701A (zh) * | 2023-01-29 | 2023-06-30 | 华南理工大学 | 基于极限学习机的机器人定位误差补偿方法、系统及介质 |
-
2024
- 2024-01-11 CN CN202410044351.6A patent/CN117773940B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112497216A (zh) * | 2020-12-01 | 2021-03-16 | 南京航空航天大学 | 一种基于深度学习的工业机器人位姿精度补偿方法 |
| CN114161425A (zh) * | 2021-12-28 | 2022-03-11 | 中国人民解放军战略支援部队信息工程大学 | 一种工业机器人的误差补偿方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117773940A (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112558547B (zh) | 一种五轴数控机床平动轴几何误差补偿数据快速优化方法 | |
| WO2022174658A1 (zh) | 面向五轴数控机床旋转轴空间定位误差快速优化补偿方法 | |
| 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 | |
| CN110500969B (zh) | 一种高陡度复杂曲面在位测量规划方法 | |
| US11243507B2 (en) | Morphic manufacturing | |
| 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 | |
| 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 | |
| CN114161425B (zh) | 一种工业机器人的误差补偿方法 | |
| CN112536797A (zh) | 一种工业机器人的位置与姿态误差综合补偿方法 | |
| CN112720480B (zh) | 一种基于分级误差的机器人轨迹修正方法及系统 | |
| CN114131595A (zh) | 一种机器人6d位姿估计系统及方法 | |
| CN113910001B (zh) | 一种数控机床空间误差辨识方法 | |
| CN117921685B (zh) | 一种双机器人协同定位精度的标定方法 | |
| CN114505865A (zh) | 一种基于位姿跟踪的机械臂路径生成方法及系统 | |
| CN114800529A (zh) | 一种基于定长记忆窗口增量学习和增量模型重构的工业机器人定位误差在线补偿方法 | |
| CN117773940B (zh) | 一种多因素影响下工业机器人绝对定位误差预测补偿方法 | |
| CN117359613A (zh) | 基于自适应卡尔曼滤波与神经网络的机器人误差补偿方法 | |
| CN112157654A (zh) | 一种机器人加工系统定位误差的优化方法 | |
| CN114932542B (zh) | 一种工业机器人距离误差补偿方法、系统 | |
| CN113094642B (zh) | 一种面向区域内机械臂定位误差估算的新增采样的方法 | |
| CN115716269A (zh) | 一种工业机器人加转台的喷涂路径规划方法及系统 | |
| CN111754567B (zh) | 飞机复材构件机器人磨抛加工静动态误差综合补偿方法 | |
| CN111958640A (zh) | 多基站激光跟踪仪协同转站的双臂机器人测试方法及装置 | |
| CN115533896B (zh) | 一种递推式的机器人双臂协同作业路径规划方法 | |
| CN118493392B (zh) | 一种自动化工业机器人协调作业方法及系统 |
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 |