KR0170343B1

KR0170343B1 - Method of estimating parameter value of robot calibration model

Info

Publication number: KR0170343B1
Application number: KR1019960001105A
Authority: KR
Inventors: 최정연
Original assignee: 김광호; 삼성전자주식회사
Priority date: 1996-01-19
Filing date: 1996-01-19
Publication date: 1999-03-30
Also published as: KR970059861A

Abstract

본 발명은 로보트 캘리브레이션 모델의 변수값 추정 방법에 관한 것으로서, 특히 로보트 캘리브레이션을 위해 만든 에러 모델의 여러가지 파라메타 값을 실험치를 사용하여 찾아내는 방법에 관한 것이다.The present invention relates to a method for estimating a variable value of a robot calibration model, and more particularly, to a method for finding various parameter values of an error model created for robot calibration using experimental values.

본 발명의 목적을 위하여 상용 포트란 라이브러리에 실험 데이타를 입력하여 상기 향상된 파라메타를 구하는 현재의 파라메타 계산 단계, 구해진 현재의 파라메타를 상기 에러 모델에 반복 적용하는 에러 모델 적용 단계, 에러 모델 적용 단계에서 계산된 에러 모델과 실험 데이타를 곱하여 로보트의 현재 위치 에러를 계산하는 위치 에러 계산 단계, 위치 에러 계산 단계에서의 위치 에러와 현재의 파라메타 계산 단계에서의 현재의 파라메타를 비교하여 원하는 정확도내로 근접할 때 까지 위치 에러 값을 상용 포트란 라이브러리에 반복적으로 입력하여 현재의 파라메타 추측치를 향상시키는 파라메타 추측단계를 포함하는 것을 특징으로 한다.For the purposes of the present invention, the current parameter calculation step of inputting experimental data into a commercial Fortran library to obtain the improved parameters, the error model application step of repeatedly applying the obtained current parameters to the error model, and the error model application step The position error calculation step of calculating the current position error of the robot by multiplying the error model and the experimental data, and comparing the position error in the position error calculation step with the current parameter in the current parameter calculation step until the position is reached within the desired accuracy. And a parameter estimating step of repeatedly inputting an error value into a commercial Fortran library to improve the current parameter estimation.

본 발명에 의하면 로보트의 파라메트릭 캘리브레이션의 가장 큰 문제점인 파라메타 추측을 실험 데이타에 의하여 복잡한 수학 연산식이 필요 없이 쉽게 성취할 수 있다.According to the present invention, parameter estimation, which is the biggest problem of parametric calibration of robots, can be easily accomplished without the need for complicated mathematical expressions by experimental data.

Description

Parameter Estimation Method of Robot Calibration Model

제1도는 종래의 로보트 캘리브레이션 모델의 변수값 추정 하는 과정을 개략적으로 나타내 보인 블럭도이다.1 is a block diagram schematically illustrating a process of estimating variable values of a conventional robot calibration model.

제2도는 본 발명에 따른 로보트 캘리브레이션 모델의 변수값인 현재의 파라메타 값(X(i))을 구하는 순서를 설명한 순서도이다.2 is a flowchart illustrating a procedure for obtaining a current parameter value X (i) which is a variable value of the robot calibration model according to the present invention.

제3도는 제2도의 파라메타(X(i))를 가지고 로보트 캘리브레이션 모델의 변수값을 추정하는 순서를 설명한 순서도이다.FIG. 3 is a flowchart illustrating a procedure of estimating the variable value of the robot calibration model with the parameter X (i) of FIG. 2.

본 발명은 로보트 캘리브레이션 모델의 변수값 추정 방법에 관한 것으로서, 특히 로보트 캘리브레이션(Calibration)을 위해 만든 에러 모델(Error Model)의 여러가지 파라메타 값을 실험치를 사용하여 찾아내는 방법에 관한 것이다.The present invention relates to a method for estimating a variable value of a robot calibration model, and more particularly, to a method for finding various parameter values of an error model made for robot calibration using experimental values.

일반적으로, 대다수의 산업용 로보트들은 우수한 반복동작능력을 지니고 있는데 반해 절대위치 정확도는 떨어지는 편이다. 이와 같이 절대위치 정확도가 떨어지는 이유는 로보트 콘트롤러 내에 프로그래밍된 모델과 실제로 제작된 로보트가 동일하지 않기 때문이다.In general, the majority of industrial robots have excellent repeatability, while absolute position accuracy is poor. This is because the absolute position accuracy is lowered because the model programmed in the robot controller and the robot actually produced are not the same.

이것은 로보트 제작을 위한 각종 가공 및 조립 시 작업상의 오차가 그 주된 원인이라고 할 수 있으며, 로보트의 사용시간 증가에 따른 부품 마모 등에 의해서도 정확도가 떨어지기도 한다. 따라서, 로보트를 원활하게 운용하기 위해서는 소정의 캘리브레이션(위치에러보정)이 필요하게 된다.This is the main cause of the error in the operation during the various machining and assembly for the robot manufacturing, and accuracy is also reduced due to parts wear, etc. according to the increase in the use time of the robot. Therefore, in order to operate the robot smoothly, a predetermined calibration (position error correction) is required.

제1도는 종래의 로보트 캘리브레이션 모델의 변수값을 추정 하는 과정을 개략적으로 나타내 보인 블럭도이다.1 is a block diagram schematically illustrating a process of estimating a variable value of a conventional robot calibration model.

제1도는 로보트의 원하는 위치(110)를 입력하면, 역(Inverse) 모델, 근사치 계산 공식 단계(114), 가산 단계(118)로 이루어진 블랙 박스(120)를 통해 실제 로보트의 에러 값이 출력되도록 구성된다.In FIG. 1, when the desired position 110 of the robot is input, an error value of the actual robot is output through the black box 120 including an inverse model, an approximate calculation formula step 114, and an addition step 118. It is composed.

제1도에서 로보트의 원하는 위치(110)를 입력하면 실제 로보트에서 발생하는 에러의 값(130)이 허용치내로 근접 할 때 블랙 박스(120)내에서 조정 작업이 이루어 진다. 이 조정 작업은 블랙 박스(120)내의 근사치 공식 단계(114)에 의해서 이루어지며, 이를 위하여 CMAC(Cerebellar Model Arithmetic Computer)는 학습 능력이 있는 디스크리트(Discrete) 선형 보간법을 쓰는 장치로서 학습을 통해 로보트의 인코더 보정 값이 향상된다.In FIG. 1, when the desired position 110 of the robot is input, an adjustment operation is performed in the black box 120 when the value 130 of the error occurring in the robot is close to the allowable value. This adjustment is performed by the approximate formula step 114 in the black box 120. For this purpose, the Cerebellar Model Arithmetic Computer (CMAC) is a device that uses discrete linear interpolation with learning ability. Encoder correction value is improved.

그러나 종래의 기술은 실험치가 필요없는 반면 항상 CMAC(Cerebellar Model Arithmetic Computer) 장치의 도움을 받아야 하며, 실제 현장에서 이 장치를 사용하기에는 비용이 많이 소요되고 보정 속도도 상당히 느린 단점이 있고, 에러 보정의 정확도는 학습 횟수에 따라 좌우된다.However, while the conventional technique requires no experimental value, it should always be supported by a Cerebellar Model Arithmetic Computer (CMAC) device, which is expensive to use in a real field and has a very slow calibration speed. Accuracy depends on the number of lessons.

따라서 본 발명은 상기와 같은 문제점을 해결하기 위하여 창출된 것으로서, 종래 기술에서 사용되는 학습 대신 외부 기기를 사용한 위치 측정을 통해 에러 보정을 함으로서, 정확한 로보트 위치 보정을 할 수있는 방법을 제공하는 데있다.Therefore, the present invention was created to solve the above problems, and to provide an accurate robot position correction by performing error correction through position measurement using an external device instead of learning used in the prior art. .

상기의 목적을 달성하기 위하여 본 발명은 에러가 없는 로보트 모델을 A모델이라하고, 상기 A모델에다 가상의 에러 파라메터를 더한 에러 모델을 구성하여 로보트 캘리브레이션 모델의 에러 파라메타 값 을 실험 데이타를 사용하여 추정하는 방법에 있어서,In order to achieve the above object, the present invention is an error-free robot model is called an A model, and the error parameter value of the robot calibration model is estimated by constructing an error model obtained by adding a virtual error parameter to the A model using experimental data. In the way,

상용 포트란 라이브러리에 실험 데이타를 입력하여 에러 모델의 파라메타를 구하는 현재의 파라메타 계산 단계;A current parameter calculation step of inputting experimental data into a commercial Fortran library to obtain parameters of an error model;

상기 구해진 현재의 파라메타를 상기 에러 모델에 적용하는 개선된 파라메터의 에러 모델 적용 단계;Applying an error model of the improved parameter to applying the obtained current parameter to the error model;

상기 에러 모델 적용 단계에서 계산된 에러 모델과 실험 데이타를 곱하여 로보트의 현재 위치 에러를 계산하는 위치 에러 계산 단계;A position error calculation step of calculating a current position error of the robot by multiplying the error model calculated in the error model application step and the experimental data;

상기 위치 에러 계산 단계에서의 위치 에러와 상기 개선된 파라메타 계산 단계에서의 현재의 파라메타를 비교하여 원하는 정확도내로 근접할 때 까지 위치 에러 값을 상용 포트란 라이브러리에 입력하여 현재의 파라메타 추측치를 엎데이트 개선하는 파라메타 추측단계를 포함하는 것을 특징으로 하는 로보트 캘리브레이션 모델의 변수값 추정 방법이다.Comparing the position error in the position error calculation step with the current parameter in the improved parameter calculation step, inputting the position error value into the commercial Fortran library until it is close to the desired accuracy to improve the current parameter estimates. Parameter estimation method of the robot calibration model, characterized in that it comprises a parameter estimation step.

이하 첨부된 도면을 참조하면서 본 발명의 실시예를 상세히 설명한다.Hereinafter, exemplary embodiments of the present invention will be described in detail with reference to the accompanying drawings.

제2도는 실험 데이타를 읽는 과정(210), E04FCF 환경 설정 과정(220), E04FCF 호출 과정(230), 에러 값(X(i))을 구하는 과정(240)으로 이루어진다.2 is a process of reading experimental data 210, an E04FCF environment setting process 220, an E04FCF calling process 230, and a process 240 obtaining an error value X (i).

제3도의 제2도의 파라메타(X(i))를 가지고 로보트 캘리브레이션 모델의 변수값을 추정하는 순서를 설명한 순서도이다.FIG. 3 is a flowchart illustrating a procedure of estimating a variable value of the robot calibration model with the parameter X (i) of FIG. 2.

제3도는 현재의 파라메타 값(X(i)) 설정 단계(310), 에러 모델에 에러 값(X(i))을 적용하는 단계(320), 위치 측정 개수를 설정 하는 과정(330), 에러 모델 적용 단계(340), 위치 에러를 계산하기 위한 T매트릭스의 역행렬(T^-1) 계산 과정(340), 위치 에러 값 계산 과정(360), 새로운 에러 모델의 파라메타(Fi(x))를 구하는 과정(370)으로 이루어진다.3 is a step 310 of setting a current parameter value X (i), a step 320 of applying an error value X (i) to an error model, a step 330 of setting a number of position measurements, and an error. The model application step 340, the process of calculating the inverse of the T matrix (T ^-1 ) for calculating the position error (340), the process of calculating the position error value (360), the parameter of the new error model (Fi (x)) Process 370 takes place.

로보트 캘리브레이션의 모델 파라메타를 추정하는 순서는 다음과 같다.The procedure for estimating the model parameters of the robot calibration is as follows.

①. 로보트의 특성을 고려하여 에러 모델(Error Model)을 제작한다.①. Consider the characteristics of the robot and create an error model.

이 에러 모델(Error Model)은 로보트의 선단(Tool-Tip)의 위치를 계산하는 모델인 포워드 솔루션(Forward Kinematic Solution)에다 에러 인자를 더한 것이다. 일반적인 포워드 솔루션(Forward Kinematic Solution)을 구하는 방법은 데네비트-하텐버그 (DENAVIT-HARTENBERG)방식이 공지되어 있다.This error model adds an error factor to the forward kinematic solution, a model that calculates the position of the robot's tool tip. The method of obtaining a general forward kinematic solution is known as the DENAVIT-HARTENBERG method.

이 모델은 노미날(Nominal Model:이하 A모델로 칭함) 모델이라고 하여 현실에 존재하는 에러와 불확실성을 고려하지 않는 완벽한 상태(예를 들어 완벽하게 제작된 로보트, 완벽한 엔코다, 레졸바)를 대표하는 모델이다. 이 모델에서 에러가 발생 할 수있는 부분에 에러 인자를 파라메타 형식으로 모델링해서 적용한다.This model is called a nominal model (hereinafter referred to as an A model) and represents a perfect state (e.g. a fully manufactured robot, a perfect encoder, a resolva) that does not take into account errors and uncertainties that exist in reality. It is a model. In this model, error parameters are modeled and applied to the areas where errors can occur.

예를 들면 A모델의 경우를 θ1(1축의 각도)라 하면 에러 모델의 경우는 θ1(1축의 각도)+옵셋(Offset)이 된다. 즉, A모델 파라메타+옵셋이라는 에러 인자(향상된 모델은 에러치를 포함한다)가되며, 오프셋 값의 보정 없이는 정확한 절대 값을 기대 할 수없다. 4축 로보트의 경우는 모델의 구조에 따라 약 16∼20개의 파라메타를 찾아내야한다.For example, in the case of A model, θ1 (angle on one axis), the error model is θ1 (angle on one axis) + offset. That is, it becomes an error factor (the improved model includes the error value) called A model parameter + offset, and an accurate absolute value cannot be expected without correction of the offset value. In the case of a four-axis robot, about 16-20 parameters should be found according to the structure of the model.

②. 외부 기기를 사용하여 로보트의 실제 위치를 찾아낸다. 이때 실제 로보트 선단 위치의 값과 각 축의 각도(엔코다나 레졸버의 출력값)를 기록한다(제2도의 210 과정).②. Use an external device to find the actual location of the robot. At this time, the value of the actual robot tip position and the angle of each axis (output value of encoder or resolver) are recorded (step 210 in FIG. 2).

③. 로보트 캘리브레이션 모델의 파라메타 값을 추축한다.③. The parameter values of the robot calibration model are extracted.

로보트 캘리브레이션 모델(에러 모델)의 역할은 주어진 로보트 선단의 위치(3차원 상의 x,y,z, 롤(Roll), 피치, 요(yaw))가 주어 졌을 때 정확하게 그 위치로 로보트를 이동 시키기 위한 로보트 각 축의 엔코더 값이나 레졸버(Resolver) 값을 계산해내는 데있다.The role of the robot calibration model (error model) is to move the robot to that position exactly given the position of the given robot tip (x, y, z, roll, pitch, yaw) in three dimensions. It is to calculate the encoder value or resolver value of each axis of the robot.

따라서 ①의 설명을 통해서 얻어진 에러 모델은 찾아내야하는 값이 파라메타 형태(노미날 파라메타+에러인자)로 존재하며 ②의 설명을 통해서 얻어진 실험치를 사용하여 정확한 값을 추측해 낸다.Therefore, in the error model obtained through the description of ①, the value to be found exists in the form of parameter (nominal parameter + error factor), and the exact value is estimated by using the experimental value obtained through the description of ②.

이를 위하여 다수의 치수를 가진 연립 방정식을 계산하는 것으로 대치 할 수있다. 여기서는 비 선형 리스트(Least)-스퀘어(Square) 최소화 알고리듬을 사용한다. 이 방법은 사용하기가 비교적 쉽고 솔루션으로 근접(Convergence)하는 도중에 안정성이 뛰어나다. 솔루션을 위하여 다음과 같이 정의 할 수있다.To do this, we can replace it by calculating a system of equations with multiple dimensions. We use a non-linear Least-Square minimization algorithm. This method is relatively easy to use and provides excellent stability during convergence. For solution you can define:

여기서 Fi(x)를 계산하는 공식은 에러 모델이다.The formula for calculating Fi (x) is the error model.

상기와 같은 비 선형 리스트(Least)-스퀘어(Square) 최소화의 솔루션을 위하여 컴퓨터 프로그램을 만들어야한다. 이를 위하여 변형된 뉴턴 알고리듬을 응용한 상용 포트란(FORTRAN) 라이브러리 1개를 사용한다. NAG(Numerical Algorithm Group)에서 만든 E04FCF 루틴을 효과적으로 이용하면 본 솔루션을 해결할 수있다.A computer program must be created for such a solution of non-linear Least-Square minimization. For this purpose, one commercial FORTRAN library using a modified Newton's algorithm is used. The solution can be solved by effectively using the E04FCF routine created by the Numerical Algorithm Group (NAG).

로보트 캘리브레이션 모델의 파라메타 추측을 위해서는 다음과 같이 E04FCF 루틴을 사용한다. 사용 예는 다음과 같다. 먼저 E04FCF 루틴을 호출하여 M, N, LSQFUN, LSQMON, IPRINT, MAXCAL, ETA, XTOL, STEPMX, X, FSUMSQ, FVEC, FJAC, LJ, S, V, LV, NITER, NF, IW, LIW, W, LW, IFAIL 중에서 M, LSQFUN, LSQMON, MAXCAL, ETA, XTOL, STEPMX 을 다음과 같이 정의된다(나머지는 디폴트 값이다).For parameter estimation of the robot calibration model, use the E04FCF routine as follows: Example usage is as follows. First call the E04FCF routine to call M, N, LSQFUN, LSQMON, IPRINT, MAXCAL, ETA, XTOL, STEPMX, X, FSUMSQ, FVEC, FJAC, LJ, S, V, LV, NITER, NF, IW, LIW, W, Among LW and IFAIL, M, LSQFUN, LSQMON, MAXCAL, ETA, XTOL, and STEPMX are defined as follows (the rest is the default value).

M: 비선형 방정식의 개수, N: 찾아야 할 Xi의 개수, LSQFUN: Fi(x)를 계산하는 공식 명칭(본 발명에서는 에러 모델), LSQMON: 사용자가 IRRINT 값을 0 이아닌 값으로 지정시 모니터를 위해 공급하는 루틴, MAXCAL: Fi(x)가 E04FCF를 호출 할 수있는 최대 회수 적정값(400×변수의 개수), ETA: 최소화 값의 정밀도이며, 작은 값일 수록 정확한 값이 나오나 시간이 오래 걸릴 수도 있다. 0.0≤ETA≤1.0의 값을 취하나 0.5가 적당하다. XTOL: 찾는 파라메타의 정확도가 소숫점 5자리 까지 정확하려면 XTOL=1.0e-5를 사용한다. STEPMX: XTOL 값보다는 항상 커야하며 10.0E5가 적당하다. STEPMX 값을 너무 적게 주면 전체적인 계산의 효율이 떨어진다.M: number of nonlinear equations, N: number of Xi's to find, LSQFUN: formula name for calculating Fi (x) (error model in the present invention), LSQMON: monitor when user specifies IRRINT as non-zero Routine to supply, MAXCAL: the maximum number of times that Fi (x) can call E04FCF (400 × number of variables), ETA: the precision of the minimization value. The smaller the value, the more accurate the value, but it may take longer have. A value of 0.0 ≦ ETA ≦ 1.0 is taken but 0.5 is appropriate. XTOL: Use XTOL = 1.0e-5 to ensure the accuracy of the parameter you are looking for is up to 5 decimal places. STEPMX: Must always be larger than the XTOL value, 10.0E5 is appropriate. Too few STEPMX values reduce overall computational efficiency.

여기서 NAG(Numerical Algorithm Group)에서 만든 E04FCF 루틴 사용하는 대신에 IMSL(International Mathematical and Statistical Libraries)의 행렬 연산용 서브루틴을 사용 할 수도 있다.Instead of using the E04FCF routine created by the Numerical Algorithm Group (NAG), you can use the subroutines for matrix computation in the International Mathematical and Statistical Libraries (IMSL).

따라서 에러 모델의 현재 파라메타인 X(i) 값을 구하기 위하여 제2도에 도시된 순서도와 같이 외부 기기를 이용하여 상기 ②를 통해서 얻어진 실험 데이타를 읽는다(210과정). 다음 E04FCF 루틴의 환경 설정을 하며(220과정), 환경 설정을 한 후 E04FCF 루틴을 호출(230과정)하여 현재의 파라메타인 X(i) 값을 구한다(240과정).Therefore, in order to obtain the current parameter X (i) value of the error model, the experimental data obtained through the above ② is read using the external device as shown in the flowchart shown in FIG. Next, the E04FCF routine is configured (step 220), and after setting the environment, the E04FCF routine is called (step 230) to obtain the current parameter X (i) value (step 240).

제2도의 순서도에서는 제1도의 순서도에서 공급한 에러 모델의 현재의 파라메타 X(i)를 사용하여 계속적으로 실험 데이타와 에러 모델이 추측해낸 값을 비교하여 에러를 줄여 가도록 새로운 X(i) 값들을 반복적으로 계산해 낸다.In the flowchart of FIG. 2, new X (i) values are reduced to continuously reduce the error by comparing the experimental data and the value estimated by the error model using the current parameter X (i) of the error model supplied in the flowchart of FIG. Compute iteratively.

먼저 제2도의 E04FCF 루틴에서 공급 받은 현재의 파라메타 X(i)를 설정한다(310과정). A 모델+현재의 파라메타 X(i)인 에러 모델(Fi(x))를 구하기 위하여 현재의 파라메타 X(i)를 에러 모델(Fi(x))에 적용한다(320과정). 다음은 파라메타 X(i)에다 위치 측정 개수(n)를 입력한다(330과정).First, the current parameter X (i) supplied from the E04FCF routine of FIG. 2 is set (step 310). The current parameter X (i) is applied to the error model Fi (x) to obtain an error model Fi (x) which is A model + current parameter X (i) (step 320). Next, input the number of position measurement (n) to the parameter X (i) (step 330).

다음 A모델을 사용한 순방향 운동학적 솔루션(Forward Kinematic Solution)을 구한다(340). 이 루틴에서는 E04FCF에서 공급 받은 X(i)를 가지고 엎데이트된 순방향 운동학적 솔루션(Forward Kinematic Solution)모델을 만들고 이 모델로 로보트의 위치를 구하기 위하여 일반적으로 이용하고 있는 4×4 행렬의 T 행렬을 계산한다. 여기서의 T 행렬은 에러가 없는 모델이된다.Next, a forward kinematic solution using the A model is obtained (340). This routine creates a forward kinematic solution model with X (i) supplied from E04FCF and uses the T matrix of the 4x4 matrix that is commonly used to find the robot's position. Calculate The T matrix here is a model with no errors.

그러나 실제 로보트에는 에러가 존재하며 조립시 오차와 기계적인 결함등으로 실제 로보트는 모델과 다르게 작동하게 된다. 따라서 로보트의 위치 에러를 구하기 위하여 T의 역행렬(T_INV)을 구한다(350과정).However, there are errors in the actual robot, and the actual robot operates differently from the model due to errors in assembly and mechanical defects. Therefore, in order to find the position error of the robot, the inverse T (T _INV ) of T is obtained (step 350).

여기서 구해진 T 역행렬(T_INV)과 측정된 값인 실험 데이타(Tx)를 곱하여 로보트의 위치 에러를 계산하고(360과정) 새로운 에러 값을 구하게 된다(370과정). 이 새로운 에러 값은 제2도의 E04FCF 루틴 호출 과정(230)으로 보내져서 새로운 파라메타 X(i) 값을 구하게 된다. 따라서 파라메타 X(i) 값이 일정 에러치 이내에 들어 올때 즉, 원하는 정확도내로 수렴하면 종료된다.The position error of the robot is calculated by multiplying the obtained T inverse T _INV by the experimental data Tx (step 360) and a new error value is obtained (step 370). This new error value is sent to the E04FCF routine call procedure 230 of FIG. 2 to obtain a new parameter X (i) value. Thus, when the parameter X (i) value falls within a certain error value, that is, converges to the desired accuracy, it is terminated.

상술한 바와 같이 본 발명에 의하면, 원래의 파라메타에 찾아낸 에러 변수를 포함하여 로보트를 제작 혹은 운용하게 되므로 로보트의 절대 정확도를 한층 향상시킬 수 있고,As described above, according to the present invention, since the robot is manufactured or operated including the error variables found in the original parameters, the absolute accuracy of the robot can be further improved.

로보트의 파라메트릭 캘리브레이션의 가장 큰 문제점인 파라메타 추측을 실험 데이타에 의하여 복잡한 수학 연산식이 필요 없이 쉽게 성취할 수 있다.Parameter estimation, the biggest problem of robot's parametric calibration, can be easily accomplished without the need for complicated mathematical expressions by experimental data.

Claims

In the method for estimating the parameter value of the model by calculating the angle of each axis corresponding to the position of the front end of the robot, the model without errors is called A model, and constructs a robot calibration model obtained by adding the current parameter to the A model. An improved precision parameter calculating step of inputting experimental data into a commercial Fortran library to obtain the current parameter; An error model applying step of reapplying the obtained current parameter to the error model; A position error calculation step of calculating a current position error of the robot by multiplying the error model calculated in the error model application step and the experimental data; A parameter that compares the position error in the position error calculation step with the current parameter in the current parameter calculation step and repeatedly inputs the position error value into the commercial Fortran library until it approaches the desired accuracy. Variable value estimation method of the robot calibration model, characterized in that it comprises a step of estimating.

The method of claim 1, wherein the calculating of the error parameter comprises approximating using a Fortran library of a NAG (Numerical Algorithm Group).