基于GBDT算法的机器人定位误差分级补偿方法

为进一步提高工业机器人的定位精度,提出一种分级补偿的方法以降低几何和非几何因素引起的定位误差。使用遗传算法优化最小二乘法（GA-LS）进行几何参数误差辨识并补偿到机器人运动学模型中,再通过梯度提升树（GBDT）算法对残余非几何参数误差进行预测,并对残余误差进行补偿,最后以UR10机器人为研究对象进行了实验,验证该方法的准确性。实验结果表明：此分级补偿方法能有效提高机器人的绝对定位精度,补偿后机器人的平均定位误差由2.381 mm降低至0.156 mm,定位精度提升了93.4%;均方根定位误差由2.417 mm降低至0.163 mm,定位精度提升了93.2%。实验结果验证了此分级补偿方法的有效性。     

伪目标迭代生成的机器人误差补偿算法

针对机器人误差模型建立后的误差补偿问题,提出一种改进的伪目标迭代算法。该算法用每次迭代中生成新的伪目标来修正关节角,从而不断减小机器人实际误差。完善了伪目标迭代算法流程,提出了5种新的不同的伪目标生成方法,分析了各种方法的特点和适用场景。结合多种伪目标生成方法提出了一种集成算法,进一步提高误差补偿精度。使用HSR-JR612机器人进行仿真实验,仿真结果表明,算法耗时在毫秒级别,补偿效果好,集成算法能进一步提高位姿补偿效果。最后使用UR10机器人与激光跟踪仪进行实验,实验结果表明,补偿后机器人末端位置误差可以减小到0.06 mm以内,姿态误差可以减小到0.025°以内。