[发明专利]一种工业机器人的位置与姿态误差综合补偿方法

说明书

本发明公开一种工业机器人的位置与姿态误差综合补偿方法，包括构建机器人末端实际位置与姿态的双目视觉测量，采样机器人在大规模构型下的末端实际位置与姿态误差，建立机器人理论位置姿态及对应误差的训练数据集和验证数据集，通过训练深度学习模型来实现机器人目标点位置和姿态误差的综合预测与补偿，本发明不仅可以实现机器人位置与姿态误差的综合补偿，基于大规模机器人构型下的采样数据可以更好的反应机器人位置与姿态误差的分布规律；可以有效降低工业机器人的位置与姿态误差。

技术领域

本发明涉及工业机器人位姿误差补偿技术领域，具体涉及一种工业机器人的位置与姿态误差综合补偿方法。

背景技术

工业机器人具有高柔性、高效率、关节灵活、开放性好、维护成本低等优势，是智能制造的重要组成单元，工业机器人的精度是影响产品质量的一个重要因素。但是由于工业机器人的制造、装配、连杆变形、齿轮间隙等引起的误差，导致工业机器人的绝对位姿精度要远低于重复位姿精度。工业机器人绝对位姿精度低，会导致产品加工质量急剧下降。特别是结合离线编程的飞机装配等高级制造领域，工业机器人误差补偿技术是一个必须要解决的难题。

专利CN104535027B公开了一种变参数误差辨识的机器人精度补偿方法，通过构建机器人在不同空间下的位姿点误差，根据机器人目标位姿点所在的空间，依据目标位姿点周围已知误差的位姿点，通过L-M算法来拟合目标位姿误差，该方法需要依据机器人参数运动学模型，受已经误差位姿点数和空间范围的影响。专利CN102607552A公开了一种基于神经网络的工业机器人的空间网格精度补偿方法，通过粒子群优化的BP神经网络来训练机器人在不同温度下的定位误差规律，并结合已知误差样本点的空间插值来实现机器人定位误差的预测与补偿，该方法的补偿精度与效果受插值样本精度与数量的影响，且神经网络只是用于考虑温度对机器人的影响。专利CN110385720A公开了一种基于深度神经网络的机器人定位误差补偿方法，构建了神经网络模型，以机器人理论位姿与对应的位置误差为训练样本，训练的神经网络模型可以预测机器人目标点的位置误差，该方法不需要构建复杂的运动误差模型，同时考虑了机器人定位姿态对定位误差的影响，但是误差预测过程的可解释性较弱，另外无法实现机器人姿态误差的预测与补偿。现有的机器人精度补偿方法大致存在以下不足：只实现了机器人目标点的位置误差补偿，姿态误差没有得到补偿；不同机器人构型的采样点规模太小，不足以充分的反应机器人位置误差和姿态误差的分布规律。

发明内容

(一)解决的技术问题

本发明的目的是提供一种工业机器人的位置与姿态误差综合补偿方法，通过构建机器人末端实际位置与姿态的双目视觉测量，对机器人在大规模构型下的末端理论位置姿态及对应的实际误差进行采样，用样本数据来训练深度学习模型，训练后的深度学习模型可以实现机器人目标点位置误差和姿态误差的综合预测与补偿。本发明可以同时提升工业机器人的绝对位置精度和姿态精度，有利于拓展工业机器人的场景。

(二)技术方案

为实现上述目的，本发明提供如下技术方案：一种工业机器人的位置与姿态误差综合补偿方法，具体包括以下步骤：

S1：在机器人末端执行器的规划工作空间内生成不同机器人构型的采样点，并获取采样点的理论位置和姿态数据；

S2：在机器人末端执行器和基座上固定视觉靶标点；

S3：将工业机器人初始位置设为Home点位置，构建工业机器人基坐标系F_B；

S4：根据机器人基坐标系，建立跟踪坐标系F_M、视觉坐标系F_S；将机器人末端执行器上的视觉靶标点与所述跟踪坐标系F_M固连；双目视觉通过跟踪测量末端执行器上靶标点的跟踪坐标系F_M来获取机器人末端执行器实际的位置和姿态，对应测量步骤S1中的所述采样点的实际位置和姿态信息，并计算出对应的位置误差和姿态误差；