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。     

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.     

基于PMPSD的工业机器人几何参数标定方法

针对由几何参数不精确引起工业机器人绝对定位精度低的问题,提出一种基于位姿修正位置敏感探测器的几何参数标定方法。通过建立误差运动学模型,使用位置敏感探测器(PSD)装置进行数据采样,利用位姿修正原理对末端激光器位姿和关节转角进行修正,构建模型约束目标函数,运用LM算法计算得到几何参数误差,修正几何参数名义值。实验结果表明,该方法避免了PSD反馈控制,能够快速实现工业机器人几何参数标定,定位平均误差和标准差分别为78.28%、76.38%,有效提高了机器人的定位精度。     

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。     

应用于机器人标定的主动式靶标装置设计与精度优化

激光跟踪仪是工业机器人标定技术中常用测量设备,但其测量范围受限于被动式靶标的激光光线接收角度,进而影响了机器人的标定精度。为解决该问题,设计了一种具有三自由度的主动式靶标装置,并提出了一种精度优化方法,有效地补偿因装置的装配而引入的测量误差。该方法利用圆点分析法初步辨识主动式靶标装置的DH参数,基于距离平方误差模型法对该装置进行DH参数的精辨识,并基于坐标系转换将主动式靶标装置的位置误差补偿到激光跟踪仪输出的位置向量,从而实现误差的补偿。通过实验验证了该主动式靶标装置能够有效地扩大工业机器人关节的被测范围。所提出的精度优化方法能够将该装置的测量误差降低9331%,实际定位精度为00507 mm,能够满足机器人标定的精度要求。     

工业机器人定位误差规律分析及基于ELM算法的精度补偿研究

针对工业机器人应用于飞机零部件自动化钻孔时绝对定位精度较差的问题,提出利用极限学习机（ELM）算法建立机器人法兰中心点理论位置与实际位置之间的误差模型,并优化补偿机器人定位精度的方法．首先基于空间网格采样方法,获得了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,分析了建模补偿的可行性;其次建立基于ELM算法的误差补偿模型,并针对误差模型训练中隐含层神经元个数取值问题进行了分析优化．实验结果表明,机器人绝对定位误差值沿其坐标系不同方向存在不同的变化规律,补偿前绝对定位误差分布范围为0.29 mm~0.58 mm,平均误差为0.41 mm;补偿后定位误差分布范围降低到0.04 mm~0.32 mm,平均误差为0.18 mm;采用ELM算法建模的补偿速度快,泛化性能好．     

医用机器人运动学参数最优化设计

提出了一种实用的医用机器人运动学参数误差的优化补偿方法．采用D-H方法建立起机器人连杆坐标系．在运动学分析和模型变换的基础上，运用数值优化技术建立了机器人运动学参数的误差方程，实现了运动学参数的优化设计，有效提高了机器人的重复定位精度．以仿真和实验验证的方式对优化结果进行了分析．     

考虑结构变形的机器人运动学标定及补偿

针对一种3P3R型串联机器人,建立了参考零位模型与DH(Denavit-Hartenberg)模型的混合运动学模型,将直线运动部分与旋转运动部分分开建模,能够更好地描述机器人不同机械结构的几何关系,在此基础上提出了结合几何辨识和参数辨识的两步标定方法.然后,结合机器人的机械结构特点,分析了机器人在操作大型零件过程中的结构变形,并提出了考虑结构变形的运动学补偿模型.最后,使用激光跟踪仪完成了机器人标定实验,通过对比空载和加载情况下的定位误差,验证了运动学标定和补偿的效果.结果表明,混合运动模型采用两步参数辨识能够在空载情况下取得较高的标定精度,而运动学补偿模型则能够在加载情况下对运动学进行较好的变形误差补偿.     

基于6参数模型的6R串联机器人运动学参数辨识

为了避免运动学参数误差辨识中存在参数不连续、计算收敛速度慢的现象,基于一种6参数模型,在DH(Denavit-Hartenberg)法建立的杆件坐标系上建立了6R串联机器人的误差模型,并给出了参数转化公式.设计了计算机仿真实验,在存在驱动器、测量仪器随机噪声误差的条件下对比了使用MDH(改进DH)参数误差模型和6参数模型的仿真辨识效果.6参数模型和MDH模型辨识后定位平均误差分别降低了96.1%和52.9%.结果显示6参数模型具有良好的完备性、连续性.6参数模型的误差参数范围可以从制造公差中得出,辨识速度高于MDH模型,通过公差控制参数范围,消除了没有达到极小性要求对误差辨识的影响.应用此方法对一台SR165型机器人进行参数辨识,定位平均误差由2.5 mm降低至0.35 mm.     

基于双目视觉动态跟踪的机器人标定

采用双目视觉动态跟踪技术对自主研发的工业机器人进行运动学标定。区别于以往机器人运动学标定中复杂模型计算,在此利用双目视觉动态跟踪系统的静态测量和动态跟踪等优势特性来跟踪测量机器人的连杆参数误差,结合机器人控制系统开放性特点,运用提出的动态标定原理对机器人实施连杆参数测量、辨识、修正及补偿。实验表明,通过参数反馈补偿,自主研发的机器人的定位误差明显降低,且该方法易于实现,为机器人精度研究提供了可靠依据。     

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。     

基于误差补偿的移动式双臂协作机器人自适应协同装配均衡控制方法

为了提高移动式双臂协作机器人的自适应协同控制能力,提出基于反馈调节均衡误差补偿的移动式双臂协作机器人自适应协同装配均衡性控制技术。构建移动式双臂协作机器人控制约束参数和对象模型,采用空间规划和负荷均衡调节方法,实现对移动式双臂协作机器人的自适应参数融合和控制量优化辨识,通过随机负荷误差补偿的方法构建移动式双臂协作机器人自适协同装配过程中的均衡参数集,结合模糊度检测和自适应跟踪补偿方法,构建移动式双臂协作机器人的自适应均衡控制模型,根据参数寻优结果,实现对移动式双臂协作机器人自适应协同装配过程中的反馈调节均衡误差补偿,提高装配的稳定性和可靠性。仿真结果表明,采用该方法进行移动式双臂协作机器人自适应协同装配控制的输出均衡性较好,误差补偿能力较强,提高了机器人控制的稳定性和鲁棒性。     

基于多种群协同进化算法的绳索牵引并联机器人末端位置误差补偿

对于绳索牵引并联机器人来说,影响其末端位置精度的模型不确定性主要包括几何参数误差和非几何参数误差.这两种不同类型的误差具有非常强的非线性且相互耦合,难以通过传统的标定手段来进行参数标定.针对这一问题,提出了一种基于神经网络的末端位置误差补偿方法.将两种不同类型的参数误差等效视作伪误差,通过神经网络来逼近伪误差造成的末端位置误差曲线,建立末端位置误差与绳索长度之间的映射关系,并在关节空间中进行位置误差补偿.为了提高神经网络的拟合精度,设计了基于多种群协同进化算法和反向传播算法的神经网络优化方法,该优化方法能够同时优化网络的权值、阈值和结构,提高神经网络的泛化能力和拟合精度.在实际3自由度绳索牵引并联机器人上进行了位置误差补偿实验,结果表明补偿后的位置误差均值从6.64 mm下降到1.08 mm,轨迹误差均值从7.5 mm下降到1.6 mm,末端位置的精度得到了显著提高.     

6自由度串联机器人D-H模型参数辨识及标定

为了提高串联机器人的末端绝对精度,本文首先采用轴线测量法识别机器人D-H参数模型,继而将D-H参数转化为最小完整连续运动学(CMMK)模型参数,并进行非线性优化,以解决D-H参数模型奇异和冗余带来的非线性优化不易收敛问题,最后,将优化后的CMMK模型参数转化为工业标准的D-H模型参数,再经过补偿后将其作为设计模型以获得更高精度的定位.通过在MOTOMAN-MH80机器人上进行试验,该方法能确实有效地识别机器人的杆件参数,未标定前机器人的位置误差只能达到2 mm左右,而标定后降至0.7 mm左右,精度提高了将近70%.本文方法通过轴线测量获取机器人模型参数初值,避免了对机器人进行理论建模的过程,与运动学回路法相比,具有较高的通用性;采用最小完整连续运动学模型进行标定,能有效解决D-H模型奇异性、非连续、不易收敛到正确值的问题.     

基于局部指数积的模块化机器人运动学参数标定

针对模块化可重构机器人系统展开基于局部指数积法的运动学参数标定研究,提出一种基于子装配体的模块化机器人标定方法.首先,采用旋量的指数形式对子装配体进行数学描述,建立子装配体的运动学模型.然后,采用局部指数积方法,建立基于子装配体、包含关节约束条件的模块化机器人实际运动学模型.通过对运动学模型取微分,根据指数映射微分公式的显式表达式,给出模块化机器人末端位置误差与子装配体的关节旋量误差、末端子装配体的局部位置误差之间映射关系的显式表达.最后,以一套模块化可重构机械臂系统为试验平台,采用激光跟踪仪为测量设备进行试验.试验结果表明标定过程能够收敛到稳定值,经参数标定后用于试验的6自由度模块化机械臂定位误差模的平均值降低了近95％,最大值降低了近92％.     

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。     

机械臂D-H参数和减速比几何标定及误差补偿

针对机械臂D-H参数和关节电机减速比不精确导致机械臂绝对定位精度降低的问题,提出了在利用几何分析标定机械臂D-H参数的基础上,通过分析关节实际旋转角度和相应电机编码器码值的线性关系,标定关节电机减速比的方法;针对关节角误差微分补偿法计算量大的缺点,通过推导机械臂末端位姿矩阵误差和关节角误差之间的微分关系建立误差模型,求解关节补偿角,避免了雅各比矩阵的求取,提高了计算效率;最后采用三维激光跟踪仪搭建测量系统,完成了一种6自由度机械臂的标定及补偿实验;实验结果表明,通过参数标定及误差补偿,机械臂的绝对定位误差均值从标定前的2.83 mm和1.14°降低到0.54 mm和0.24°,验证了方法的有效性。     

神经外科机器人定位精度研究

针对机器人辅助神经外科手术对高精度的要求，对“黎元”神经外科机器人的定位精度进行了研究．考虑到关节轴的微小偏差，基于修正的DH运动学模型对机器人的实际几何参数进行了辨识．采用基于误差反传（BP）算法的多层前馈神经网络对各关节的传动误差进行了补偿．利用高精度的三坐标测量臂对“黎元”神经外科机器人的定位精度进行了测量．结果表明，该机器人绝对定位精度最大值为1.63 mm，平均值为1.04 mm，较以前有了很大提高，能够满足多数神经外科手术的需要．     

打磨机器人误差建模与参数辨识

简要介绍了一种实用的机器人位姿误差建模方法一摄动法,并利用此方法建立了打磨机器人位姿误差模型,对利用三坐标测量机测量的误差数据进行了建模补偿。误差参数辨识中,在传统的九线法的基础上,提出了单点法测量机器人的误差参数,克服了九线法中三测量点位置误差对测量结果的影响,提高了测量结果的可信度。实验结果表明,建模补偿后机器人位姿误差平均值降低到初始值的1／5左右,最大值降低到初始值的1／6左右,验证了所建模型的正确性和参数辨识方法的有效性。     

机器人几何连杆参数辨识

本文给出了一种通用的机器人几何连杆参数估计方法.基于机器人运动学模型和运动学 误差模型,可以推导出包含未知参数的线性输入输出方程;然后采用最小二乘法得到参数估计 值.该方法已应用于PUMA机器人参数辨识.