机器人标定算法及在打磨机器人中的应用

首先介绍了机器人位姿匹配的基本原理,以及两种通用的机器人几何参数标定的优化算法：非线性优化方法和递归线性方程法,并分别利用这两种优化算法对打磨机器人的几何参数进行了标定．在此基础上,通过分析影响打磨机器人位置误差的因素,从参数集中剔除对位置误差影响不敏感和无法区分其影响效果的因素,再采用前述优化算法对机器人几何参数进行标定. 仿真结果表明此标定效果和前者相比无显著差异,在一定情况下甚至优于前者．因此在标定过程中,可以采用把冗余参数去除来对机器人进行精确标定．     

工业机器人的形位检测及精度标定研究

针对传统六自由度机器人进行形位分析与标定研究,采用运动学DH参数法建立机器人运动学位姿模型,利用激光跟踪仪进行机器人空间形位的辨识与减速比数据的采集,结合阻尼最小二乘法进行机器人零位与执行器的标定,通过修改控制器中机器人的末端执行器配置参数,完成传统工业机器人的末端位姿误差补偿,提高了机器人的绝对定位精度。     

基于参数与非参数模型结合的双臂机器人协作定位精度提升方法

双臂协作机器人系统具有效率高、负载大、协同能力强等优点,但双臂作业性能及质量不但受单臂定位精度的影响,而且受双臂协作定位精度的影响,因此,本文提出了一种基于参数与非参数模型相结合的运动学标定方法。首先,基于MDH(modified Denavit-Hartenberg)方法建立机器人运动学模型和参数误差模型,去除模型中的耦合参数并基于迭代最小二乘法辨识几何参数误差;其次,针对传统的非几何误差补偿方法只能在标定坐标系建立关节位置与末端位置误差之间的映射关系的问题,提出一种改进的非几何误差补偿方法补偿机器人本体非几何误差;再次,基于距离误差辨识双臂基坐标系转换矩阵的参数,补偿双臂几何误差与非几何误差;最后,通过实验验证方法的正确性和有效性。结果表明所提出方法将UR10和UR5机器人的平均定位误差减小至0.170 9 mm和0.050 9 mm。双臂平均协作定位误差减小至0.167 6 mm,与基于参数模型的方法相比协作定位精度提升了27.7%,验证了该方法的优越性。     

排爆机器人机械臂定位精度误差自动补偿方法研究

针对于排爆机器人在进行排除爆破物质时,机械臂不能满足绝对准确的定位要求,位置检测精度与实际距离之间存在一定的误差。为了解决这一问题,提出排爆机器人机械臂定位精度误差自动补偿方法。基于D-H运动模型和微分变换法创建排爆机器人机械臂位姿误差模型,对误差模型进行重复参数分析,去除重复参数获得可辨识的线性方程;在可辨识的运动学参数误差模型线性方程中加入一个增量进行误差补偿。最后通过仿真实验结果表明,所提方法通过对机械臂位姿误差模型进行有效补偿,使排爆机器人机械臂绝对定位精度均值提升1.3mm。     

机器人逆标定方法研究

在分析传统机器人位姿标定方法的基础上，提出了一种新的机器人标定方法：基于神经网络的逆标定方法。这种标定方法把机器人实际位姿和相应的关节角误差分别作为前馈神经网络的输入和输出来训练网络，从而获得机器人任意位姿时的关节角误差值，通过修改关节值来提高机器人的位姿精度。这种标定方法把所有因素引起的误差均归结为关节角误差，无须求解机器人逆运动学方程，实现了误差的在线补偿。把标定结果与基于运动学模型的参数法的标定结果进行了比较分析。仿真和试验结果均证明了这种方法比传统方法标定效果更好，且更方便简单，避免了其他传统标定方法繁琐的建模及参数辨识过程。     

基于改进布谷鸟算法的机器人位置精度性能提升方法研究

主要解决工业机器人在高端制造领域精度性能不足的问题。首先阐述了工业机器人误差模型的构建方法，将机器人运动学参数、关节减速比参数、耦合比参数进行统一建模；其次，提出了一种改进的布谷鸟搜索算法(Cuckoo Search Algorithm, CSA)的优化多参数辨识方法，利用对数调整系数修正Levy搜索步长，提升CSA优化算法的收敛性和精确性。为了验证提出的误差模型和优化方法的有效性，构建了串联型工业机器人标定实验系统。通过在Staubli TX60机器人的运动空间内测量160个测量点，分别构成辨识点集和验证点集。实验结果表明，待标定机器人的平均综合位置误差降低了86.7%以上。说明提出的误差模型和优化方法能够较好地提升工业机器人的精度性能。     

基于距离精度的机器人5参数位置误差模型

随着机器人离线编程技术的应用，对机器人的位置误差的要求提高了，但在应用传统的方法进行位置误差的标定和补偿时，要涉及到测量系统坐标系与机器人基础坐标系间的变换。由于这一过程很难精确完成，容易引入误差，本文利用距离精度的定义，建立了机器人的距离误差模型，该模型可以避免坐标转换带来的误差，此外，由于精确的几何模型对于机器人精度标定的提高有很大的影响，所以本文将针对传统DH参数的不足之处，采用修正的5参数的MDH模型作为机器人的运动学模型，最后本文对位置误差进行了补偿。     

基于光学运动跟踪系统的机器人末端位姿测量与误差补偿

针对工业机器人绝对定位精度较低的问题,采用加拿大NDI公司的Optotrak Certus HD光学运动跟踪系统作为机器人位姿的测量设备,提出了一种基于再生权最小二乘法的最优剪枝极限学习机算法,通过该算法将机器人目标位姿映射到修正位姿上,实现了对机器人末端位姿补偿的效果.利用爱普生6轴机器人末端进行实验,在不同速度下完成直线轨迹运动、圆轨迹运动以及离散随机运动,对该误差补偿方法的有效性进行验证和分析.结果表明,该误差补偿方法均能提高机器人的位姿精度,其测试点在X、Y、Z三轴总方向上的绝对位置精度为0.06 mm～0.25 mm,比无补偿时的2 mm～3 mm有了1个数量级的提高;而姿态误差补偿后,其均方根误差和平均绝对误差均减小到未补偿时姿态误差的26.09%.同时,该补偿方法还可有效降低异常值的影响,具有良好的稳健性.     

基于改进型RLM算法的六轴机械臂运动学标定实验

六自由度机械臂为高维性、强耦合的非线性时变系统,其模型较复杂,参数辨识易受外界扰动影响,导致末端绝对定位精度低,精度一致性差等问题。以某型六轴机械臂为研究对象,根据微分运动学原理并忽略高阶项,获得末端线性误差模型,提出了收敛速度快且鲁棒性较强的改进型RLM算法进行几何参数的误差辨识,在此基础上搭建综合标定实验平台,利用静态测量精度较高的API T3三维激光跟踪仪采集工作空间中灵敏度较高的样本位姿点,根据国际标准ISO 9283中的位置精度评价标准,比较标定前后的位置误差分布区间,并对分析结果给出评价和总结,完成六自由度工业机械臂本体标定实验。     

空间网格化的机器人变参数精度补偿技术

现有的机器人参数辨识的方法所能提高的绝对定位精度有限,是由于关节和连杆柔度等非几何因素造成误差在空间中分布不均匀.为此,本文提出了一种变参数误差模型.由于各轴之间耦合,为了便于求解,提出采用空间网格来处理该变参数误差模型,同时提出了一套规则的参数辨识采样点选取方法.利用改进型的Levenberg-Marquardt迭代最小二乘法求出各网格对应的参数误差的全局收敛解.最后,利用激光跟踪仪在KUKA工业机器人上进行运动学标定验证补偿效果.验证结果表明:能将机器人的绝对定位精度平均值从0.901 mm提高到0.115 mm.