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。     

针对大规模两重互异性矩形件组批排样方法

针对智能优化算法求解大规模矩形排样问题时，求解速度慢、稳定性差的弊端，提出了一种启发式算法，即带对偶项的降序有限首次适应算法。经实验验证，算法在测试集上的求解时长在100 ms内，求解出的板材利用率可达95%左右，相较于现有启发式算法有2%的提升。此外，针对个性化订单矩形件材料强互异性的情况，提出了一种考虑材料相似度的二阶段贪心算法。定量描述订单间材料的相似度，最大程度的将相似度高的订单组批进同一生产批次来提高板材利用率。实验表明，用该算法对订单进行组批优化后再进行排样求解出的板材利用率相较于未考虑材料相似度有12%的提升。