CN118061181A - 一种基于引力搜索算法的机器人标定方法、系统和装置 - Google Patents
一种基于引力搜索算法的机器人标定方法、系统和装置 Download PDFInfo
- Publication number
- CN118061181A CN118061181A CN202410281309.6A CN202410281309A CN118061181A CN 118061181 A CN118061181 A CN 118061181A CN 202410281309 A CN202410281309 A CN 202410281309A CN 118061181 A CN118061181 A CN 118061181A
- Authority
- CN
- China
- Prior art keywords
- industrial robot
- fitness function
- kinematic model
- actual position
- search 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000010845 search algorithm Methods 0.000 title claims abstract description 44
- 238000005070 sampling Methods 0.000 claims abstract description 37
- 230000005484 gravity Effects 0.000 claims abstract description 24
- 230000006870 function Effects 0.000 claims description 75
- 239000002245 particle Substances 0.000 claims description 50
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 11
- 230000001133 acceleration Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 9
- 230000000875 corresponding effect Effects 0.000 description 38
- 238000005457 optimization Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000012636 effector Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Landscapes
- Numerical Control (AREA)
Abstract
本说明书公开了一种基于引力搜索算法的机器人标定方法、系统和装置,涉及工业机器人领域,包括:基于工业机器人中各个部件对应的坐标系构建所述工业机器人对应的运动学模型;基于预设采样点,采集所述工业机器人达到预设采样点时的实际位置和关节角度;基于所述动学模型和所述关节角度计算所述工业机器人的理论位置,并基于所述理论位置和所述实际位置构建适应度函数;基于引力搜索算法和所述适应度函数,优化迭代所述运动学模型。基于此,将引力搜索算法引入到工业机器人的运动学参数标定补偿中,能够方便、快速、有效地对工业机器人的运动学参数进行标定及补偿,其性能优越且鲁棒性强。
Description
技术领域
本发明涉及工业机器人领域,具体涉及一种基于引力搜索算法的机器人标定方法、系统和装置。
背景技术
随着机器人、计算机、系统控制等技术的发展,工业机器人作为运动载体在航空航天、医疗器具及高精密仪器生产等领域得到了广泛的应用。针对柔性加工、自动化装配和精密测量等精细化复杂操作任务场景,工业机器人需要通过传感器感知环境,计算目标点位并将末端执行器精确运送到预定的目标位置。因此,绝对点位控制是工业机器人在工业应用中的主要任务,工业机器人的绝对定位精度决定了其在执行任务时定位精度的高低。工业机器人本身具备较高的重复定位精度,通常能够达到±0.1mm,然而,其绝对定位精度明显不足,通常只有±2~3mm,无法满足高精度定位应用需求。
造成工业机器人定位误差的原因主要分为:工业机器人工作工程中保持不变的静态因素以及会随时间变化的动态因素,静态因素可以分为三个方面:工业机器人运动学参数存在制造、装配误差;工业机器人环境状态变化以及关节结构磨损所造成的运动学参数变化;控制系统指令与实际动作不匹配误差。动态因素的主要来源于工业机器人自身重力作用或者外力作用下的关节形变以及颤振。其中,工业机器人的运动学参数误差占总定位误差的90%,获取更为精确的机器人运动学参数是提高其绝对定位精度的重要途径。工业机器人的运动学参数标定过程可以归结为四步:建模、测量、参数辨识以及精度补偿。其中,工业机器人运动学参数辨识是工业机器人运动学参数标定的关键步骤,工业机器人运动学标定过程中所建立的运动学模型具有复杂以及高非线性的特点,利用传统标定方法很难获取准确参数。同时,现存的诸多优化算法存在计算复杂、鲁棒性差、寻优能力差、收敛速度慢等缺点,难以在实际生产现场应用。
因此,构建一种计算简单、鲁棒性强的运动学参数标定方法提高工业机器人的绝对定位精度的关键。
发明内容
本发明提供一种基于引力搜索算法的机器人标定方法、系统和装置,用以解决工业机器人绝对定位精度不足的问题。
为实现上述目的,本发明采用如下技术方案:
本发明提供了一种基于引力搜索算法的机器人标定方法,包括:
基于工业机器人中各个部件对应的坐标系构建所述工业机器人对应的运动学模型;
基于预设采样点,采集所述工业机器人达到预设采样点时的实际位置和关节角度,所述实际位置用于表征所述工业机器人达到预设采样点时在笛卡尔坐标系下的位置数据,所述关节角度用于表征所述工业机器人达到预设采样点时相邻两部件之间的角度;
基于所述动学模型和所述关节角度计算所述工业机器人的理论位置,并基于所述理论位置和所述实际位置构建适应度函数,所述适应度函数用于表征所述理论位置和所述实际位置之间的差距;
基于引力搜索算法和所述适应度函数,优化迭代所述运动学模型。
可选的,
所述基于工业机器人中各个部件对应的坐标系构建所述工业机器人对应的运动学模型之前,还包括:
在工业机器人各个部件中建立各部件对应的坐标系。
可选的,
所述基于工业机器人中各个部件对应的坐标系构建所述工业机器人对应的动学模型,包括:
基于所述坐标系,在相邻坐标系之间构建对应的变换矩阵;
将每个相邻坐标系对应变换矩阵相乘,从而构建运动学模型。
可选的,
所述基于所述运动学模型和所述关节角度计算所述工业机器人的理论位置,并基于所述理论位置和所述实际位置构建适应度函数,所述适应度函数用于表征所述理论位置和所述实际位置之间的差距,包括:
基于所述运动学模型和所述关节角度计算所述工业机器人的理论位置;
计算所述理论位置和所述实际位置之差;
基于所述位置差构建适应度函数。
可选的,
所述基于引力搜索算法和所述适应度函数,优化迭代所述动学模型,包括:
初始化引力搜索算法的种群粒子数、种群参数和迭代终止条件,所述种群粒子数用于表征基于所述预设采样点获取的适应度函数个数;
迭代种群中每个粒子对应的适应度函值,直至到达所述迭代终止条件;
输出运动学模型参数;
基于所述运动学模型参数对运动学模型进行标定。
可选的,
所述种群参数包括:
搜索空间维度、引力常数系数和随机初始解。
可选的,
所述迭代种群中每个粒子对应的适应度函值,直至到达所述迭代终止条件,具体包括:
S1、计算种群中每个粒子对应的适应度函值;
S2、基于所述引力常数系数更新每个粒子对应的适应度函最值;
S3、基于所述适应度函值计算每个粒子的惯性质量和加速度;
S4、基于所述惯性质量和所述加速度更新每个粒子的速度与位置;
S5、基于更新后的速度和位置重新计算种群中每个粒子对应的适应度函值,并判断是否达到迭代终止条件,若是则终止迭代;若否,则重新执行S2。
可选的,
所述迭代终止条件包括:
迭代次数达到预设最大次数或适应度函值到达预设计算精度。
本发明还提供了一种基于引力搜索算法的机器人标定系统,包括:
初始运动学模型构建模块、用于基于工业机器人中各个部件对应的坐标系构建所述工业机器人对应的运动学模型;
实际位置和关节角度获取模块、用于基于预设采样点,采集所述工业机器人达到预设采样点时的实际位置和关节角度,所述实际位置用于表征所述工业机器人达到预设采样点时在笛卡尔坐标系下的位置数据,所述关节角度用于表征所述工业机器人达到预设采样点时相邻两部件之间的角度;
适应度函数构建模块、用于基于所述动学模型和所述关节角度计算所述工业机器人的理论位置,并基于所述理论位置和所述实际位置构建适应度函数,所述适应度函数用于表征所述理论位置和所述实际位置之间的差距;
运动学模型标定模块、基于引力搜索算法和所述适应度函数,优化迭代所述运动学模型。
本发明还提供了一种基于引力搜索算法的机器人标定装置,包括:
处理器,以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行上述方法的步骤。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
将引力搜索算法引入到工业机器人的运动学参数标定补偿中。引力搜索算法作为一种新型高效启发式智能优化算法,具有良好的优化能力。该算法不需要知道待优化函数的具体形式,不需要梯度信息,计算较为简单且鲁棒性强;处于搜索空间的粒子利用引力特性在不需要任何介质的情况下就能够获得全局环境信息,全局搜索能力强且收敛速度快。将引力搜索算法引入到工业机器人的运动学参数标定补偿中,能够方便、快速、有效地对工业机器人的运动学参数进行标定及补偿,其性能优越且鲁棒性强。
附图说明
图1为本说明书一实施例提供的一种基于引力搜索算法的机器人标定方法流程示意图;
图2为本说明书一种工业机器人结构示意图;
图3为本说明书迭代过程中适应度函数值的变化曲线;
图4为本说明书一种基于引力搜索算法的机器人标定系统流程示意图;
图5为本说明书一种基于引力搜索算法的机器人标定装置示意图。
具体实施方式
为使本说明书的目的,技术方案和优点更加的清楚,下面结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚,完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于此本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书一实施例提供的一种基于引力搜索算法的机器人标定方法流程示意图,所述方法具体可以包括以下步骤:
步骤102、基于工业机器人中各个部件对应的坐标系构建所述工业机器人对应的运动学模型;
需要说明的是,步骤102的一种实施方式可以为
基于所述坐标系,在相邻坐标系之间构建对应的变换矩阵;
将每个相邻坐标系对应变换矩阵相乘,从而构建运动学模型。
在一实施例中,
图2为本说明书一种串联六自由度工业机器人结构示意图,根据改进的D-H规则建立其运动学模型,相邻两部件坐标系{i-1}与坐标系{i}间的变换矩阵如下式所示,
其中,α为连杆扭角,α为连杆长度,d为连杆偏置,θ为关节转角。s和c分别表示sin和cos的缩写。
将变换矩阵相乘,即可得到工业机器人的运动学模型如式下所示。
其中,R为,P为,为变换矩阵,/>为运动学模型。
在一实施例中,
工业机器人中各个部件为连杆。
在一实施例中,
由于实验中所使用的测量设备为激光跟踪仪,只获取了工具坐标系的位置信息,而无姿态信息,因此将工具坐标系的姿态设置为和工业机器人的法兰坐标系一致。工业机器人法兰坐标系{6}与工具坐标系{t}之间的变换矩阵用三个参数(xt,yt,zt)即可描述,如下式所示:
基于此,通过构建工业机器人的运动学模型可以定量化描述工业机器人运动过程,构建工业机器人的精确定标的基础。
步骤104、基于预设采样点,采集所述工业机器人达到预设采样点时的实际位置和关节角度,所述实际位置用于表征所述工业机器人达到预设采样点时在笛卡尔坐标系下的位置数据,所述关节角度用于表征所述工业机器人达到预设采样点时相邻两部件之间的角度;
需要说明的是,步骤104的一种实施方式可以为
基于所述运动学模型和所述关节角度计算所述工业机器人的理论位置;
在利用激光跟踪仪获取采样点数据之前,应当首先将机器人基座标系、激光跟踪仪坐标系以及工具坐标系建立关联。控制工业机器人依次到达各个采样点并记录每个采样点在笛卡尔坐标系下的位置数据Pli=[xli,yli,zli]T,以及记录相对应的工业机器人的各个关节角度Xi=[θi1,θi2,…,θin]。
基于此,通过激光跟踪仪可获取精确的位置数据和关节角度数据。
步骤106、基于所述动学模型和所述关节角度计算所述工业机器人的理论位置,并基于所述理论位置和所述实际位置构建适应度函数,所述适应度函数用于表征所述理论位置和所述实际位置之间的差距;
需要说明的是,步骤106的一种实施方式可以为
基于所述运动学模型和所述关节角度计算所述工业机器人的理论位置;
计算所述理论位置和所述实际位置之差;
基于所述位置差构建适应度函数。
在一实施例中,
将利用激光跟踪仪测量获得的采样点位置Pli=[xli,yli,zli]T定义为实际位置,将利用工业机器人运动学参数以及各个关节角度计算出的位置Pci=[xci,yci,zci]T定义为理论位置。所有采样点理论位置与实际位置之间的距离总和为适应度函数,如下式所示,适应度函数的值越小,则说明所标定的工业机器人运动学参数越接近真实值。
其中,f为适应度函数,Pli为实际位置,Pci为理论位置。
基于此,通过构建适应度函数,可以判断工业机器人运动学模型理论值与实际值之间的差距。
步骤108、基于引力搜索算法和所述适应度函数,优化迭代所述运动学模型;
需要说明的是,步骤108的一种实施方式可以为
初始化引力搜索算法的种群粒子数、种群参数和迭代终止条件,所述种群粒子数用于表征基于所述预设采样点获取的适应度函数个数;
迭代种群中每个粒子对应的适应度函值,直至到达所述迭代终止条件;
输出运动学模型参数;
基于所述运动学模型参数对运动学模型进行标定。
在一实施例中,
对引力搜索算法进行初始化,具体包括以下参数设定:
待优化问题搜索空间维度D,种群粒子个数N,最大迭代次数T,引力常数系数G0、α,计算精度相关的极小数ε,随机初始解Xi(0),i=1,2,…,N。
在一实施例中,
所述迭代种群中每个粒子对应的适应度函值,直至到达所述迭代终止条件,具体包括:
S1、计算种群中每个粒子对应的适应度函值;
S2、基于所述引力常数系数更新每个粒子对应的适应度函最值;
S3、基于所述适应度函值计算每个粒子的惯性质量和加速度;
S4、基于所述惯性质量和所述加速度更新每个粒子的速度与位置;
S5、基于更新后的速度和位置重新计算种群中每个粒子对应的适应度函值,并判断是否达到迭代终止条件,若是则终止迭代;若否,则重新执行S2。
在一实施例中,
所述迭代终止条件包括:
迭代次数达到预设最大次数或适应度函值到达预设计算精度。
在一实施例中,
引力搜索算法的具体迭代过程为:
根据如下公式计算每个粒子的适应度值大小。
fiti(t)=f(Xi(t)),i=1,2,…,N
其中,fiti(t)为适应度值,f(Xi(t))为适应度函数,N为种群粒子个数。
计算引力常数并根据引力常数和如下公式更新种群粒子适应度最值。
其中,fiti(t)为适应度值,worst(t)为最差适应度,best(t)为最优适应度。
根据如下公式计算每个粒子的惯性质量,
其中,fiti(t)为适应度值,worst(t)为最差适应度,best(t)为最优适应度,Mi(t)为每个粒子的惯性质量。
计算粒子间的欧氏距离Rij(t)=||Xi(t),Xj(t)||2,根据如下公式计算每个粒子所受到的加速度。
其中,为每个粒子所受到的加速度,G(t)为引力常数,/>为,Mi(t)为每个粒子的惯性质量。
根据如下公式更新每个粒子的速度与位置。
其中,代表每个粒子的速度,/>代表每个粒子的位置。
基于更新后的速度和位置重新计算种群中每个粒子对应的适应度函值,并判断是否达到迭代终止条件,若是则终止迭代;若否,则重新计算种群中每个粒子对应的适应度函值,迭代求解直至满足终止条件,输出标定后的工业机器人运动学模型参数。
通过运动学模型参数对工业机器人的运动学模型进行修正,进一步实现精度补偿。
在一实施例中,
采用D=24,N=100,T=200,G0=100,α=20,ε=2.2204×10-16。Xi(0),i=1,2,…,100为基于工业机器人名义运动学参数随机选取的一组包含100个初始解的集合,其中,在本实施例中,所选取的工业机器人的名义运动学参数为
X0(0)=[0,-90,0,-90,90,90,0,320,1280,200,0,0,780,0,0,1182.5,0,200,0,0,0,0,0,0]
Xi(0)=X0(0)+(rand(1,24)-0.5),i=1,2,…,100
迭代过程中适应度函数值的变化曲线如图3所示,迭代终止后,得到工业机器人的运动学模型参数如下表所示。
在一实施例中
选取其工作空间中80个测试点,标定补偿前后测试点的绝对定位精度误差平均值分别为2.591mm、0.765mm,将工业机器人的绝对定位精度提高了70.5%。
结果分析:
在利用引力搜索算法迭代求解工业机器人的运动学模型参数过程中,当迭代次数到达93次时,就达到了收敛。引力搜索算法作为一种新型高效启发式智能优化算法,具有良好的全局搜索能力强且收敛速度快,优化过程仅需要68.874s的时间。利用本发明的方法对工业机器人进行标定补偿地结果表明可将工业机器人的绝对定位平均精度提高70.5%。
由此可知,将引力搜索算法引入到工业机器人的运动学参数标定补偿中。引力搜索算法作为一种新型高效启发式智能优化算法,具有良好的优化能力。该算法不需要知道待优化函数的具体形式,不需要梯度信息,计算较为简单且鲁棒性强;处于搜索空间的粒子利用引力特性在不需要任何介质的情况下就能够获得全局环境信息,全局搜索能力强且收敛速度快。将引力搜索算法引入到工业机器人的运动学参数标定补偿中,能够方便、快速、有效地对工业机器人的运动学参数进行标定及补偿,其性能优越且鲁棒性强。
图2为本说明书一种基于引力搜索算法的机器人标定系统流程示意图,包括:
步骤202、初始运动学模型构建模块、用于基于工业机器人中各个部件对应的坐标系构建所述工业机器人对应的运动学模型;
步骤204、实际位置和关节角度获取模块、用于基于预设采样点,采集所述工业机器人达到预设采样点时的实际位置和关节角度,所述实际位置用于表征所述工业机器人达到预设采样点时在笛卡尔坐标系下的位置数据,所述关节角度用于表征所述工业机器人达到预设采样点时相邻两部件之间的角度;
步骤206、适应度函数构建模块、用于基于所述动学模型和所述关节角度计算所述工业机器人的理论位置,并基于所述理论位置和所述实际位置构建适应度函数,所述适应度函数用于表征所述理论位置和所述实际位置之间的差距;
步骤208、运动学模型标定模块、基于引力搜索算法和所述适应度函数,优化迭代所述运动学模型。
可选的,第一计算模块具体用于:
根据所述工作波长,所述大气衰减参数和所述侦查灵敏度计算所述目标自带侦察设备的最大探测距离;
根据所述实际距离和所述最大探测距离,设置所述第一约束条件
可选的,初始运动学模型构建模块具体用于:
基于所述坐标系,在相邻坐标系之间构建对应的变换矩阵;
将每个相邻坐标系对应变换矩阵相乘,从而构建运动学模型。
可选的,适应度函数构建模块具体用于:
基于所述运动学模型和所述关节角度计算所述工业机器人的理论位置;
计算所述理论位置和所述实际位置之差;
基于所述位置差构建适应度函数。
可选的,运动学模型标定模块具体用于:
S1、计算种群中每个粒子对应的适应度函值;
S2、基于所述引力常数系数更新每个粒子对应的适应度函最值;
S3、基于所述适应度函值计算每个粒子的惯性质量和加速度;
S4、基于所述惯性质量和所述加速度更新每个粒子的速度与位置;
S5、基于更新后的速度和位置重新计算种群中每个粒子对应的适应度函值,并判断是否达到迭代终止条件,若是则终止迭代;若否,则重新执行S2。
由此可知,将引力搜索算法引入到工业机器人的运动学参数标定补偿中。引力搜索算法作为一种新型高效启发式智能优化算法,具有良好的优化能力。该算法不需要知道待优化函数的具体形式,不需要梯度信息,计算较为简单且鲁棒性强;处于搜索空间的粒子利用引力特性在不需要任何介质的情况下就能够获得全局环境信息,全局搜索能力强且收敛速度快。将引力搜索算法引入到工业机器人的运动学参数标定补偿中,能够方便、快速、有效地对工业机器人的运动学参数进行标定及补偿,其性能优越且鲁棒性强。
图3为本说明书一种基于引力搜索算法的机器人标定装置示意图,包括:
处理器,以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行如下步骤:
步骤1、基于工业机器人中各个部件对应的坐标系构建所述工业机器人对应的运动学模型;
步骤2、基于预设采样点,采集所述工业机器人达到预设采样点时的实际位置和关节角度,所述实际位置用于表征所述工业机器人达到预设采样点时在笛卡尔坐标系下的位置数据,所述关节角度用于表征所述工业机器人达到预设采样点时相邻两部件之间的角度;
步骤3、基于所述动学模型和所述关节角度计算所述工业机器人的理论位置,并基于所述理论位置和所述实际位置构建适应度函数,所述适应度函数用于表征所述理论位置和所述实际位置之间的差距;
步骤4、基于引力搜索算法和所述适应度函数,优化迭代所述运动学模型。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等均应包含在本申请的权利要求范围内。
Claims (10)
1.一种基于引力搜索算法的机器人标定方法,其特征在于,包括:
基于工业机器人中各个部件对应的坐标系构建所述工业机器人对应的运动学模型;
基于预设采样点,采集所述工业机器人达到预设采样点时的实际位置和关节角度,所述实际位置用于表征所述工业机器人达到预设采样点时在笛卡尔坐标系下的位置数据,所述关节角度用于表征所述工业机器人达到预设采样点时相邻两部件之间的角度;
基于所述动学模型和所述关节角度计算所述工业机器人的理论位置,并基于所述理论位置和所述实际位置构建适应度函数,所述适应度函数用于表征所述理论位置和所述实际位置之间的差距;
基于引力搜索算法和所述适应度函数,优化迭代所述运动学模型。
2.根据权利要求1所述的方法,其特征在于,所述基于工业机器人中各个部件对应的坐标系构建所述工业机器人对应的运动学模型之前,还包括:
在工业机器人各个部件中建立各部件对应的坐标系。
3.根据权利要求2所述的方法,其特征在于,所述基于工业机器人中各个部件对应的坐标系构建所述工业机器人对应的动学模型,包括:
基于所述坐标系,在相邻坐标系之间构建对应的变换矩阵;
将每个相邻坐标系对应变换矩阵相乘,从而构建运动学模型。
4.根据权利要求1所述方法,其特征在于,所述基于所述运动学模型和所述关节角度计算所述工业机器人的理论位置,并基于所述理论位置和所述实际位置构建适应度函数,所述适应度函数用于表征所述理论位置和所述实际位置之间的差距,包括:
基于所述运动学模型和所述关节角度计算所述工业机器人的理论位置;
计算所述理论位置和所述实际位置之差;
基于所述位置差构建适应度函数。
5.根据权利要求1所述的方法,其特征在于,所述基于引力搜索算法和所述适应度函数,优化迭代所述动学模型,包括:
初始化引力搜索算法的种群粒子数、种群参数和迭代终止条件,所述种群粒子数用于表征基于所述预设采样点获取的适应度函数个数;
迭代种群中每个粒子对应的适应度函值,直至到达所述迭代终止条件;
输出运动学模型参数;
基于所述运动学模型参数对运动学模型进行标定。
6.根据权利要求5所述的方法,其特征在于,所述种群参数包括:
搜索空间维度、引力常数系数和随机初始解。
7.根据权利要求6所述的方法,其特征在于,所述迭代种群中每个粒子对应的适应度函值,直至到达所述迭代终止条件,具体包括:
S1、计算种群中每个粒子对应的适应度函值;
S2、基于所述引力常数系数更新每个粒子对应的适应度函最值;
S3、基于所述适应度函值计算每个粒子的惯性质量和加速度;
S4、基于所述惯性质量和所述加速度更新每个粒子的速度与位置;
S5、基于更新后的速度和位置重新计算种群中每个粒子对应的适应度函值,并判断是否达到迭代终止条件,若是则终止迭代;若否,则重新执行S2。
8.根据权利要求7所述的方法,其特征在于,所述迭代终止条件包括:
迭代次数达到预设最大次数或适应度函值到达预设计算精度。
9.一种基于引力搜索算法的机器人标定系统,其特征在于,包括:
初始运动学模型构建模块、用于基于工业机器人中各个部件对应的坐标系构建所述工业机器人对应的运动学模型;
实际位置和关节角度获取模块、用于基于预设采样点,采集所述工业机器人达到预设采样点时的实际位置和关节角度,所述实际位置用于表征所述工业机器人达到预设采样点时在笛卡尔坐标系下的位置数据,所述关节角度用于表征所述工业机器人达到预设采样点时相邻两部件之间的角度;
适应度函数构建模块、用于基于所述动学模型和所述关节角度计算所述工业机器人的理论位置,并基于所述理论位置和所述实际位置构建适应度函数,所述适应度函数用于表征所述理论位置和所述实际位置之间的差距;
运动学模型标定模块、基于引力搜索算法和所述适应度函数,优化迭代所述运动学模型。
10.一种基于引力搜索算法的机器人标定装置,其特征在于,包括:
处理器,以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行如权利要求1至8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410281309.6A CN118061181A (zh) | 2024-03-12 | 2024-03-12 | 一种基于引力搜索算法的机器人标定方法、系统和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410281309.6A CN118061181A (zh) | 2024-03-12 | 2024-03-12 | 一种基于引力搜索算法的机器人标定方法、系统和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118061181A true CN118061181A (zh) | 2024-05-24 |
Family
ID=91107432
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410281309.6A Pending CN118061181A (zh) | 2024-03-12 | 2024-03-12 | 一种基于引力搜索算法的机器人标定方法、系统和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118061181A (zh) |
-
2024
- 2024-03-12 CN CN202410281309.6A patent/CN118061181A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Filion et al. | Robot calibration using a portable photogrammetry system | |
CN104246433B (zh) | 用于移动装置中的传感器的使用中自动校准方法 | |
WO2022160391A1 (zh) | 磁力计信息辅助的mems陀螺仪标定方法及标定系统 | |
CN113211445B (zh) | 一种机器人参数标定方法、装置、设备及存储介质 | |
CN114083534B (zh) | 基于自适应梯度下降的机械臂运动学mdh参数标定方法 | |
CN113459094B (zh) | 一种工业机器人工具坐标系及零点自标定方法 | |
KR20070043009A (ko) | 센서 시스템의 2개의 모션 센서들 간의 회전 관계를교정하는 방법 및 장치 | |
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 | |
CN111649747A (zh) | 一种基于imu的自适应ekf姿态测量改进方法 | |
CN108450007B (zh) | 使用廉价惯性传感器的冗余阵列的高性能惯性测量 | |
CN113340324B (zh) | 一种基于深度确定性策略梯度的视觉惯性自校准方法 | |
CN118061181A (zh) | 一种基于引力搜索算法的机器人标定方法、系统和装置 | |
CN109752568B (zh) | 基于主成分分析的微电子机械系统加速度计标定方法 | |
CN114459478B (zh) | 一种基于姿态运动学模型的惯性测量单元数据融合方法 | |
CN116817896A (zh) | 一种基于扩展卡尔曼滤波的姿态解算方法 | |
CN110702142A (zh) | 一种采用三轴加速度计辅助的三轴磁强计全参数外场标定方法 | |
US20240134033A1 (en) | Method for determining a movement state of a rigid body | |
Liu et al. | LGC-Net: A lightweight gyroscope calibration network for efficient attitude estimation | |
CN111399210B (zh) | 大口径大视场望远镜粗对准方法、装置、设备及存储介质 | |
CN115267256A (zh) | 一种加速度计组件的模观测标定方法 | |
Pesti et al. | Particle swarm optimization aided calibration of sensor installation errors for MEMS accelerometers | |
Zhang et al. | Joint angle measurement of manipulator and error compensation based on an IMU sensor | |
CN112596382B (zh) | 一种串联型伺服机构几何参数优化标定方法和系统 | |
CN113865621B (zh) | 任意六位置MEMS陀螺仪及其g值敏感系数标定方法 | |
CN114046788B (zh) | 一种基于自对准的惯导系统内减震器形变补偿方法 |
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 |