基于深度学习网络的机器人定位误差估计与补偿研究

为了合理补偿机器人定位误差，提升作业能力，该文提出基于深度学习网络的机器人定位误差估计与补偿方法。确定机器人定位采样点，获取机器人末端定位理论位姿，以机器人末端理论位姿作为深度神经网络输入量，机器人末端定位误差作为输出量，利用遗传粒子群算法优化权值与阈值，得到机器人定位误差估计值，并对理论位姿坐标反向迭加该误差估计值，完成定位误差补偿。实验证明，该方法能够有效补偿机器人的位移偏差和关节角度偏差，精准抓取目标物体，并在不同数量采样点条件下，可使不同类型的机器人保持较高的定位精度。     

一种3自由度并联柔索驱动机器人的精度研究

研究了一种3 自由度并联柔索驱动机器人精度分析和精度综合的问题．分析了影响机器人位姿精度 的主要因素,推导建立了关节误差及柔索误差模型．提出了一种精度综合算法,并基于给定的机器人关节允差, 综合分析出装配误差及柔索误差的最大取值．通过仿真验证了误差模型的正确性．样机试验表明,利用柔索误差 模型可以提高机器人的运动精度．     

3-RRR并联机器人的精度分析与仿真

目前有关并联机器人精度方面的研究工作还比较薄弱,为采取有效措施提高并联机构的精度,通过对3-RRR并联机器人机构的分析,针对传统D-H参数法的局限性,采用微分理论,建立了该并联机器人机构的精度模型,通过计算机仿真,针对单条支链多个结构参数误差,比较全面的分析了结构参数对输出位姿误差以及位姿变化对机器人机构精度的影响。分析结果为：机构中所有结构误差随着X轴正向增大而单调增大;运动支链在关节转角处的误差单调上升的比其他结构快。为该机器人机构实际误差补偿与控制提供了理论依据。     

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.     

机器人手部运动误差分析

本文首先引入三阶影响系数,进而系统地导出了串联机器人及并联机器人手部位姿误差、位姿速度误差、位姿加速度误差分析的显表达式,推导过程简明、形式简单,便于编程.最后给出了计算示例.     

机器人误差补偿优化方法研究

为实现某打磨机器人的位姿误差补偿,在标准遗传算法和Solis&W ets算法的基础上,提出一种改进的自适应遗传算法和改进Solis&W ets算法来优化BP网络的权值和阈值,通过标准BP网络来计算机器人在任意位姿时的误差,从而可以对误差进行实时补偿。仿真和实验结果表明两种算法都能有效提高BP网络的学习效果,避免陷入局部最优,提高机器人的位姿精度,且同样目标条件下改进的自适应遗传算法的优化效果优于改进的Solis&W ets算法。最后对仿真和实验结果进行了分析。     

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。     

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。     

工业机器人末端误差补偿研究

在分析工业机器人工作空间的基础上,讨论工业机器人的位姿误差补偿问题。主要内容包括误差补偿的原理、补偿过程以及补偿结果的分析,利用Crystal Ball对PUMA六自由度工业机器人的关节角进行了随机误差的仿真。     

装配机器人高精度定位补偿系统

本文提出了一种机器人高精度定位补偿系统,介绍了一种位姿误差补偿方法.系统采用非接触式位姿精度测量仪测取机器人位姿误差,用 IBM 微机采集位姿误差数据并计算关节补偿脉冲数,通过专用通讯接口将计算机结果传到位移机器人控制系统以实现关节补偿.并采用微位移法确定测量坐标与手爪计算坐标系间的变换.此外还建立了一个供实验用的误差数据库,当机器人工作时,通过周围3关节误差值,用插值法求得该工作点的误差补偿值实现补偿.     

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．     

Adaptive hierarchical positioning error compensation for long-term service of industrial robots based on incremental learning with fixed-length memory window and incremental model reconstruction

Industrial robots have been extensively used in industry, however, geometric errors mainly caused by connecting rod parameter error and non-geometric errors caused by deflection and friction, etc., limit its application in high-accuracy machining. Aiming at addressing these two types of errors, parametric methods for error compensation based on the kinematic model and non-parametric methods of directly establishing the mapping relationship between the actual and target poses of the robot end-effector are investigated and proposed. Currently both types of methods are mainly offline and will be no longer applicable when the pose of the end-effector in the workspace changes dramatically or the working performance of the robot degrades. Thus, to compensate the positioning error of an industrial robot during long-term operation, this research proposes an adaptive hierarchical compensation method based on fixed-length memory window incremental learning and incremental model reconstruction. Firstly, the correlation between positioning errors and robot poses is studied, a calibration sample library is created, and thus the actively evaluating mechanism of the pose mapping model is established to overcome the problem of the robot’ workspace having a differential distribution of error levels. Then, an incremental learning algorithm with fixed-length memory window and an incremental model reconstruction algorithm are designed to optimize the pose mapping model in terms of its parameters and architecture and overcome the problem that the performance degradation of the robot exacerbates the positioning error and affects the applicability of the pose mapping model, ensuring that the pose mapping model runs stably above the target accuracy level. Finally, the proposed method is applied to the long-term compensation case of a Stäubli industrial robot and a UR robot, and compared to state-of-art methods. Verification results show the proposed method reduces the position error of the Stäubli robot from 0.85mm to 0.13mm and orientation error from 0.68° to 0.07°, as well as reduces the position error of the UR robot from 2.11mm to 0.17mm, demonstrating that the proposed method works in real world scenarios and outperforms similar methods.     

基于蚁群聚类算法的RBF神经网络在压力传感器中的应用

针对压力传感器在应用中存在温度漂移这一缺点,提出了一种基于蚁群聚类算法的RBF(Radial Basis Function)神经网络温度补偿方法。利用蚁群算法的并行寻优特征和一种自适应调整挥发系数的方法作为聚类算法来确定RBF神经网络的基函数的位置,并通过裁减的方法约简隐层的神经元达到简化网络结构的目的。通过仿真可以看出,该算法具有误差小,精度高等优点,对压力传感器的温度漂移有较好的补偿效果。     

Application of Joint Error Mutual Compensation for Robot End-effector Pose Accuracy Improvement

A method of robot end-effector pose accuracy improvement using joint error mutual compensation is presented. The developed method allows locating special robot configurations with the highest robot end-effector pose accuracy using joint error maximum mutual compensation. The computer simulation and experimental results confirmed the theory. The method provides the basis for an industrial application of joint error mutual compensation in the conventional robotic manipulators and allows improving robotic manipulator end-effector pose accuracy up to 2 times. The practical areas and typical robotic systems, where the developed framework of joint error mutual compensation could be applied, were presented.     

A “3-2-1” kinematic configuration of a Stewart platform and its application to six degree of freedom pose measurements

This paper outlines a simple yet accurate approach to measuring the six degree of freedom position and orientation of a robot end-effector. The mechanism, which will be far less costly than currently available devices, can be used to make both static and dynamic measurements for robot calibration as well as real-time endpoint control. The kinematics of the approach stem from a configuration of the Stewart platform. A “3-2-1” kinematic configuration is proposed which results in a closed-form forward kinematic solution for the Stewart platform. The closed-form algorithm can be computed about 100 times faster than conventional iterative algorithms. A prototype system using six string encoders was built and tested. Issues on error compensation were also studied. The presented approach should be useful for a broad range of applications other than robot metrology where convenient, low-cost, six degree of freedom static and/or dynamic pose measurements are required or preffered.     

基于MapReduce的量子蚁群算法

量子蚁群算法是在蚁群算法的基础上结合量子计算而提出的,该算法具有较好的全局寻优能力和种群多样性。应用MapReduce的key/value编程模型,将量子蚁群算法并行化,提出了基于MapReduce的量子蚁群算法（MQACA）,并将其部署到Hadoop云计算平台上运行。对0-1背包问题的测试结果证明,随着数据规模的扩大和并行程度的提高,MQACA具有良好的加速比和并行效率。     

超声检测机器人误差补偿技术

针对多自由度检测机器人位姿调整困难问题,通过分析超声检测机器人误差的来源和特点,阐述了机体外误差补偿的原理.通过误差补偿,为计算机控制超声探头进行曲面检测提供准确的控制参数,实现曲面形工件的连续超声检测.最后通过穿透法水柱的对准及其误差分析,对机体外误差补偿方法进行了验证.