基于标定和关节空间插值的工业机器人轨迹误差补偿

轨迹精度是工业机器人重要的动态性能,目前工业机器人的轨迹精度远低于定位精度,提出一种基于机器人运动学标定和关节空间插值误差补偿的方法来提高机器人轨迹精度。基于MD-H方法建立机器人的运动学模型,在此基础上运用机器人微分运动学理论建立末端位置误差模型和轨迹误差模型。为克服最小二乘法等传统方法在数据噪声较大且不符合高斯分布时收敛慢甚至发散的问题,提出一种基于扩展卡尔曼滤波算法的机器人运动学参数辨识方法,实现运动学参数辨识的快速收敛。经过分析发现机器人误差在关节空间具有连续性的特点,为此提出一种关节空间插值误差补偿方法,建立网格形式的误差补偿数据库,并利用关节空间距离权重函数和已知的网格顶点误差计算各控制点的关节转角误差。通过试验对所提出的参数辨识和关节空间误差补偿方法进行了验证,试验结果表明：经过运动学参数辨识和补偿后机器人的绝对定位精度由1.039 mm提高到0.226 mm,轨迹精度由2.532 mm提高到1.873 mm,应用关节空间插值误差补偿后机器人的轨迹精度进一步提高到1.464 mm。     

工业机器人参数辨识及误差补偿方法研究

针对工业机器人绝对定位精度较低,提出通过D-H法建立机器人运动学误差模型的补偿方法,因为机器人结构需满足Pieper准则,所以只考虑了机器人误差模型参数中的关节旋转角参数对机器人末端误差的影响,利用最小二乘法辨识出误差模型中真实的关节旋转角从而补偿误差,同时又利用圆周法对机器人误差进行二次补偿,最终将两次修正后的参数补偿到控制器中从而提高机器人的绝对定位精度。该方法在自主研发的六自由度工业机器人上得到验证,定位精度从补偿前的3.55~4.45 mm提高到补偿后的0.924~1.242 mm,补偿效果明显,为机器人精度研究提供了可靠依据。     

管道地理坐标测量系统SINS安装误差标定

针对捷联惯性导航系统(SINS)的安装误差影响管道地理坐标测量精度的问题,提出SINS安装误差标定算法,推导了SINS安装误差动态传递模型,将SINS的俯仰角和航向角安装误差作为状态变量,建立一种新的SINS/里程仪/管道磁标点GPS组合导航模型,利用容积卡尔曼滤波实现俯仰角和航向角安装误差的标定。实验结果表明,该方法安装误差的估计精度为0.2'~0.6'。经误差补偿后,1 km长程管道地理坐标高度测量精度为1.59E-3,水平测量精度可达1.07E-3,能够满足长距离管道地理位置测量精度的工程需要,具有一定的实用性。     

工业机器人误差补偿技术的理论与实验研究

针对工业机器人重复精度高、定位精度差的特点,提出一种改进其绝对定位精度的方法。根据D-H坐标系的相关理论,综合考虑机器人各关节的误差,运用五参数法建立机器人的完整几何误差模型。基于误差模型,提出机器人位姿补偿的多次迭代算法,实验结果显示工业机器人的绝对定位误差由未补偿的25 mm变为补偿后的0.3 mm,从而证明该方法的有效性。     

基于机构精度通用算法的机器人位姿误差分析

在Denavit-Hartenberg参数法建立的机器人末端位姿变换方程的基础上,利用机构通用精度算法建立了机器人末端位姿误差模型。通过矩阵运算,建立了机器人末端位姿误差与各杆件运动学参数误差之间的函数关系式。在SCARA机器人上的实验表明,用此方法建立的误差模型进行误差标定和补偿,可以提高机器人的定位精度。     

六轴工业机器人的误差补偿方法

提出一种基于误差模型的机器人运动学结构参数和角度参数补偿方法。利用D-H算法建立了机器人运动学方程,推导相对于末端坐标系的机器人运动学误差模型,提出将结构参数映射综合到关节角度参数的运动学参数补偿方法,为了解决补偿过程中各关节角度误差问题,设计了一套基于关节角度校正的机器人运动学参数补偿实验方法,实验结果验证了所提出方法的有效性。     

工业机器人误差补偿运动学算法设计

鉴于目前国产工业机器人绝对定位精度较低,为了满足高精度应用,设计了一种误差补偿的运动学算法.以MDH模型为基础,建立几何参数误差与机器人末端位姿误差之间的误差模型.设计了通过雅克比矩阵将笛卡尔空间的位姿误差转换到关节空间的关节各轴的角度偏差,并与名义逆运动学获得逆解相结合的误差补偿运动学算法,可以获得满足误差阈值的作业精度.以自主研发ER3A机器人为误差补偿算法试验对象,经误差补偿后ER3A机器人的绝对定位精度获得明显提高,测量点的位置误差均值从0.5754mm降低到0.2779mm.     

基于MDH模型的工业机器人标定算法与实验研究

基于机器人MDH模型,针对位置矢量误差建立了机器人模型参数误差辨识模型。利用激光跟踪仪测量机器人末端在基坐标系下一系列位置点,进而采用最小二乘法辨识出机器人模型参数误差。为充分验证辨识算法的准确性,在实验室自主设计的6R工业机器人进行仿真和实验。结果表明,文章的标定算法可以准确地辨识出机器人的模型误差参数,补偿后机器人的绝对定位精度得到明显的改善。     

基于 RP-EKF 的无人机动力系统参数辨识

针对无人机动力系统电池电压波动导致系统噪声大、辨识结果精度低的问题,本研究提出了一种基于反向预测-增广卡尔曼滤波(RP-EKF)的无人机动力系统参数辨识方法。首先构建增广参数矩阵,将压降噪声模型考虑入辨识环节,其次提出反向预测卡尔曼滤波算法,设定新息平方比阈值,计算原始预测新息平方与反向预测新息平方的比值,通过对比预测新息比与阈值完成过程噪声调整并实现估计模型修正。实验结果表明,本文提出的基于RP-EKF的参数辨识方法,平均误差为39.22 rpm,均方根误差为55.85 rpm,平均相对偏差为0.85%,相比于最小二乘算法与卡尔曼滤波算法,本文方法辨识结果平均误差分别提高41.51%和22.26%,均方根误差提高49.63%和13.0%,平均相对偏差提高41.7%和22.7%。本文提出的算法拥有更高的辨识精度。     

基于病态参数分离的机器人运动学标定测量构型优化

针对一种高灵巧性机器人及其连杆参数高敏感性与高定位精度需求,为解决机器人运动学标定随机测量构型存在绝对 定位精度低、参数辨识效果及标定结果鲁棒性较差的问题,提出一种病态参数分离与 DETMAX-改进差分进化(DETMAX-IDE) 算法的机器人运动学标定测量构型分步优化方法。 首先,建立机器人位置误差模型。 其次,建立一种可观性综合指标,评价不 同机器人标定测量构型的总体可观测性和灵敏度。 最后,分离机器人运动学位置误差模型的病态参数,建立测量构型优化目标 函数和约束条件,提出一种基于 DETMAX 算法与改进差分进化算法结合的分步迭代优化算法(简称为 DETMAX-改进差分进化 算法,简写为 DETMAX-IDE 算法),开展机器人运动学标定测量构型分步迭代优化。 通过机器人运动学标定仿真与实验,验证 了所提方法的有效性。 实验结果表明,与随机测量构型相比,所提方法对应的机器人绝对定位精度的平均值和均方差分别降低 了 62. 09% 和 62. 45% 。     

基于变分贝叶斯的自适应 PF-SLAM 方法研究

针对移动机器人即时定位与地图构建中时变观测噪声及粒子位置分布对SLAM精度的影响,本文提出基于变分贝叶斯的自适应PF-SLAM算法,采用高斯混合模型对时变的观测噪声建模,并通过变分贝叶斯方法,迭代估算出混合模型中的未知参数;同时根据粒子权值将粒子划分为固定粒子和优化粒子,通过粒子间的近邻拓扑位置关系调整粒子分布,处理时变观测噪声与优化粒子的位置分布,使得优化的粒子集可以更好地表示机器人位置概率分布,实现观测噪声及粒子位置分布自适应。仿真实验表明本算法对比传统PF-SLAM算法定位与地图构建误差降低了76.45%。实际实验表明本算法处理下的环境轮廓误差对比传统PF-SLAM算法的环境轮廓误差减小了61.87%。该算法有效提高了移动机器人的状态估计精度,为移动机器人即时定位与地图构建提供了新的参考。     

基于惯性测量单元辅助的激光里程计求解方法

在同步定位与建图(SLAM)问题中,里程计部分的求解精度对后续建图起着至关重要的作用,惯性测量单元(IMU)可以为SLAM中里程计求解提供良好辅助。在考虑平面移动机器人运动特点及室内环境特征的基础上提出一种基于IMU松耦合的激光里程计求解方法,实现里程计部分的精准定位。第1阶段,机器人运动过程中实时处理点云信息,将地面点分割并提取有效关键点;第2阶段,将IMU信息引入卡尔曼滤波器,为帧间匹配提供位姿先验;第3阶段,滤波器输出位姿估计值后,利用非线性优化方法进行点云帧间匹配,实现里程计运动的求解。实验表明,所提方法在激光点云处理、运动求解,具有良好的稳定性和准确性,可将偏移量误差控制在0.4%以内,为后续建图提供有力数据保障。     

基于Kinect传感器的室内机器人自定位研究

针对同步定位地图创建（SLAM）中的定位问题,提出一种基于Kinect传感器的室内机器人自定位方法。利用Kinect传感器采集图像信息和深度信息,获取场景图像的SIFT匹配特征点集,并将特征点集的像素和深度信息转为三维数据,利用ICP算法计算机器人相邻位姿的旋转矩阵与平移向量。采用RANSAC方法去除SIFT匹配外点,提高了运动参数的计算精度。通过实验验证该方法的可行性。     

基于ORB关键帧匹配算法的机器人SLAM实现

针对复杂环境下机器人的同时定位与地图构建(SLAM)存在实时性与鲁棒性下降等问题,将一种基于ORB特征点的关键帧闭环检测匹配算法应用到定位与地图构建中。研究并分析了特征点提取与描述符建立、帧间配准、位姿变换估计以及闭环检测对SLAM系统的影响,建立了关键帧闭环匹配算法和SLAM实时性与鲁棒性之间的关系,提出了一种基于ORB关键帧匹配算法的SLAM方法。运用改进ORB算法加快了图像特征点提取与描述符建立速度;结合相机模型与深度信息,可将二维特征图像转换为三维彩色点云;通过随机采样一致性(RANSAC)与最近迭代点(ICP)相结合的改进RANSAC-ICP算法,实现了机器人在初始配准不确定条件下的位姿估计;使用Key Frame的词袋闭环检测算法,减少了地图的冗余结构,生成了具有一致性的地图;通过特征点匹配速度与绝对轨迹误差的均方根值对SLAM系统的实时性与鲁棒性进行了评价。基于标准测试集数据集的实验结果表明,ORB关键帧匹配算法能够有效提高SLAM系统建图速度与稳定性。     

多传感器信息融合的移动机器人定位算法研究

为有效降低使用单一传感器进行移动机器人定位时的不确定误差,提高机器人定位与建图的准确性和鲁棒性,提出了一种多传感器信息融合的移动机器人定位算法。基于激光RBPF-SLAM算法实现机器人同时定位与路标地图构建,运用图优化理论约束优化蒙特卡洛定位的位姿估计结果;通过双目视觉重建环境的三维点特征,针对视觉信息处理计算量大、跟踪精度不高的问题,研究改进基于ORB的特征点提取与四边形闭环匹配算法;利用因子图模型对激光RBPF-SLAM定位和双目视觉定位进行最大后验概率准则下的信息融合。仿真和实验结果表明通过上述方法可以得到比传统RBPF-SLAM算法及一般改进算法更高的定位精度,验证了所提方法的有效性和实用性。     

基于直流电流二倍频分量抑制的电流源型PWM整流器控制策略

电流源型脉宽调制整流器在电网电压不平衡工况下运行时,电网电压中负序分量的影响将导致直流侧引起低频脉动,网侧电流出现低次谐波。为了解决此问题,在含有源阻尼的传统双闭环控制基础上,利用直流侧电流内环谐振控制直接抑制直流侧输出低频脉动,同时使网侧电流正弦化;在网侧电流参考指令中加入滤波电容电流补偿项,实现系统网侧电流和电网电压同相位运行。为进一步提升系统在高不平衡度工况下运行性能,在调制环节中引入陷波器消除低次谐波分量,提高了网侧电流波形质量。最后利用MATLAB/Simulink进行仿真测试,并搭建了一台3 kW实验样机,仿真与实验结果表明在电网不平衡度为6.7%和20%时,文中所提出控制策略均能将直流侧电压波动限制在1.2 V以内,同时网侧电流总谐波畸变率小于4%。     

移动机器人自适应抗差无迹粒子滤波定位算法

针对机器人定位过程中传感器感知信息存在野值,加剧粒子退化,导致机器人状态参数滤波值失真,甚至出现定位失败的问题,提出一种机器人自适应抗差无迹粒子滤波定位算法。在重要性采样阶段利用无迹卡尔曼滤波产生优选的建议分布函数,降低系统估计误差,同时有效提升系统的抗噪声能力。同时利用抗差估计原理构造抗差方差分量统计量,并由该统计量引入的自适应因子调节增益矩阵,减弱野值对滤波的影响。实验结果表明,当观测数据中存在野值时,该算法能够有效地控制观测异常误差的影响,定位精度得到了很大提高,并在不同系统噪声和观测噪声方差下,具有较强的鲁棒性和实时性。     

基于相机状态方程多模增广的改进MSCKF算法

针对基于多状态约束卡尔曼滤波(MSCKF)的视觉-惯性里程计算法中相机状态方程增广过程的误差累积问题,提出了一种相机状态方程多模增广方法。该方法首先对视觉特征跟踪状态的稳定性进行判断,然后自动地选择基于视觉图像信息优化求解相机相对位姿参数或基于惯性传感器(IMU)状态递推结果联合相机外参初始化新图像帧相机位姿参数两种途径增广相机的状态方程,解决特征跟踪状态稳定情况下IMU误差的累积问题。实验部分通过EuRo C数据和实际应用数据对算法的性能进行了验证分析,结果表明,改进后的MSCKF算法能够在特征跟踪稳定状态下有效避免IMU误差的累积,进一步融合视觉与惯性系统之间的互补优势,提高载体的定位定向精度和稳定性。     

移动机器人里程计非系统误差不确定性分析方法

移动机器人里程计非系统误差建模是研究移动机器人定位问题的基础。现有的移动机器人里程计非系统误差建模方法多数针对某一种驱动类型移动机器人设计,运动过程中缺乏对里程计累计误差的实时反馈补偿功能,经过长距离运动过程定位精度大幅度降低。基于此,针对同步驱动和差动驱动轮式移动机器人平台提出一种通用的里程计非系统误差建模方法。在假设机器人运动路径近似弧线基础上,依据里程计误差传播规律推导非系统误差与里程计过程输入量之间的近似函数关系,进而对移动机器人位姿跟踪过程中产生的里程计累计误差给予实时反馈补偿。里程计非系统误差建模前后定位过程的对比试验表明,这种非系统误差实时补偿方法有效地减少了移动机器人导航过程中产生的里程计累计误差,提高了定位精度。     

A dead reckoning localization system for mobile robots using inertial sensors and wheel revolution encoding

Inertial navigation systems (INS) are composed of inertial sensors, such as accelerometers and gyroscopes. An INS updates its orientation and position automatically; it has an acceptable stability over the short term, however this stability deteriorates over time. Odometry, used to estimate the position of a mobile robot, employs encoders attached to the robot’s wheels. However, errors occur caused by the integrative nature of the rotating speed and the slippage between the wheel and the ground. In this paper, we discuss mobile robot position estimation without using external signals in indoor environments. In order to achieve optimal solutions, a Kalman filter that estimates the orientation and velocity of mobile robots has been designed. The proposed system combines INS and odometry and delivers more accurate position information than standalone odometry.