[发明专利]基于神经网络的工业机器人空间网格精度补偿方法

说明书

技术领域

本发明涉及一种机器人定位精度补偿方法，尤其涉及一种用于工业机器人的基于粒子群优化神经网络的空间立体网格精度补偿方法，属于工业机器人标定技术领域。

背景技术

机器人的精度是反映机器人性能的一个重要指标，它包括绝对定位精度和重复定位精度。绝对定位精度误差是机器人实际运动与期望运动之间的偏差，由确定性原始误差(如连杆参数误差、运动副间隙等)所产生；重复定位精度误差是机器人重复执行同一期望运动时，机器人的实际运动之间的相互离散程度，由随机性原始误差(如关节伺服定位误差等)所产生。

通常，一般的工业机器人具有较高的重复定位精度，然而它的绝对定位精度却比较差，重复定位精度达到0.1mm的机器人，其绝对定位精度误差却能有2-3mm。示教利用了机器人的重复定位精度可以达到较高的绝对定位精度，但在实际应用中，很多场合对工业机器人的绝对定位精度要求很高，通常又不能通过示教的方式来完成。所以，对机器人的绝对定位精度进行补偿就显得至关重要。

文献“夏凯，陈崇端，洪涛，等.补偿机器人定位误差的神经网络[J].机器人，1995，17(3)：171-176.”为了提高机器人的定位精度，提出了补偿机器人定位误差的神经网络方法。文章针对RM-501五自由度机器人，通过两种方式用多层感知器神经网络补偿机器人运动学方程定位的误差，分别是基于关节坐标的神经网络补偿和基于直角坐标位置的神经网络补偿。该方法的核心是利用人工神经网络具有很强的自学习、自适应能力，通过训练得到机器人运动学几何参数误差、非几何参数误差等误差源的作用规律，对期望关节角或直角坐标进行补偿，从而来提高机器人的绝对定位精度。该方法避免了其他传统标定方法繁琐的建模及参数辨识过程，但在实际应用中存在以下不足：

1)为了使得训练后的网络能够达到一定的精度以及适应机器人包络范围内的所有点，训练神经网络需要有大量的学习样本，因此测量工作量大；

2)该方法需要将直角坐标转换成关节坐标，因此需要对机器人运动学方程求逆解，这个过程计算量大，且在奇异点附近效果不理想；

3)试验结果表明机器人在标定后的定位精度仍不够理想。

发明内容

本发明为提高工业机器人的绝对定位精度，针对现有技术存在的不足，而提出一种基于粒子群优化神经网络的工业机器人空间网格精度补偿方法。

该方法包括如下步骤：

步骤1：在工业机器人的包络线范围内，按一定的步长把整个包络空间划分成一系列的立方体网格；

步骤2：通过激光跟踪仪测量并建立机器人基坐标系，在几个不同的环境温度水平下用步骤1中划分的每个立方体网格的八个顶点的理论坐标来控制机器人进行定位，并用激光跟踪仪测量并记录实际定位坐标；

步骤3：建立基于粒子群优化的BP神经网络模型，并用步骤2中采集到的数据进行训练；

步骤4：对于期望到达包络线范围内的任一点P的目标定位坐标(X，Y，Z)和所处的实际环境温度T

1)查找该点P所在的立方体网格；

2)分别将P所在立方体网格的八个顶点的理论坐标和环境温度这四个参数作为神经网络的输入，从而预测出对应八个顶点的实际定位坐标；

3)计算该点P与所在立方体网格的八个顶点K_i实际定位坐标的距离d_i，用算得的距离d_i进行反距离加权求得八个顶点K_i相对于该点P的权值q_i，其中i＝1，2，...8，下同；

4)用求得的权值q_i来对八个顶点K_i的X、Y、Z三个方向上的定位误差分别进行空间插值，预算出该点P三个方向上的误差；

5)用求得的误差对该点P的理论坐标(X，Y，Z)进行反向修正，完成机器人在该点P的定位精度补偿。

本发明具有如下技术效果：

1)针对不同型号的工业机器人，通过确定划分网格的最大步长，可以有效地减少测量的工作量，有利于工业机器人快速地投入应用。

2)本方法是在笛卡尔坐标系中进行的，与通常的机器人标定方法相比不需要进行机器人运动学的正解和逆解，计算过程简单迅速，可以实现在线补偿。

3)综合考虑了机器人运动学参数、负载、以及环境温度变化带来的误差，显著提高了机器人的绝对定位精度，使得标定后的工业机器人能适应更广泛的应用场合。

附图说明

图1为本发明补偿方法的算法流程图。