基于参数与非参数模型结合的双臂机器人协作定位精度提升方法

双臂协作机器人系统具有效率高、负载大、协同能力强等优点,但双臂作业性能及质量不但受单臂定位精度的影响,而且受双臂协作定位精度的影响,因此,本文提出了一种基于参数与非参数模型相结合的运动学标定方法。首先,基于MDH(modified Denavit-Hartenberg)方法建立机器人运动学模型和参数误差模型,去除模型中的耦合参数并基于迭代最小二乘法辨识几何参数误差;其次,针对传统的非几何误差补偿方法只能在标定坐标系建立关节位置与末端位置误差之间的映射关系的问题,提出一种改进的非几何误差补偿方法补偿机器人本体非几何误差;再次,基于距离误差辨识双臂基坐标系转换矩阵的参数,补偿双臂几何误差与非几何误差;最后,通过实验验证方法的正确性和有效性。结果表明所提出方法将UR10和UR5机器人的平均定位误差减小至0.170 9 mm和0.050 9 mm。双臂平均协作定位误差减小至0.167 6 mm,与基于参数模型的方法相比协作定位精度提升了27.7%,验证了该方法的优越性。     

一种鲁棒的机械臂动力学参数辨识方法

针对机械臂动力学参数在传统辨识方法下存在辨识精度不高且易受异常数据点影响的问题，提出一种鲁棒的机械臂动力学参数辨识方法。首先，采用牛顿-欧拉法建立机械臂动力学方程，推导得到机械臂动力学线性化重组模型，确定需要辨识的惯性参数最小集合；其次，设计激励轨迹，采用遗传算法优化激励轨迹参数；再次，采用Tent混沌映射对传统粒子群优化算法(PSO)的初始种群位置进行改进，自适应惯性权重和学习因子，同时设计残差权重策略来剔除辨识过程中的异常数据点；最后，采集数据进行参数辨识试验。辨识结果表明：所提方法增强了对异常数据点的鲁棒性，有效提高了辨识精度，与随机权重粒子群算法(RWPSO)相比，文中所提改进粒子群优化算法(IPSO)的残差均方根(RMS)平均减小了10.064 3%,相关系数ρ平均增大了0.827 3%。