[发明专利]机器人重力位姿分解的关节误差离线补偿方法、系统及终端

说明书

本发明属于机器人技术领域，公开了一种机器人重力位姿分解的关节误差离线补偿方法、系统及终端，在工作空间中生成均匀的随机点，然后使用非对称样条差值法得到训练集轨迹，通过在机器人上实际运行得到运动时对应的关节实际位置；将得到的机器人关节理论位置使用非线性处理提取其运动特征，并将末端的负载分解至每个关节，计算得到运行该轨迹时的关节误差；根据构建深度学习模型，对关节跟踪误差进行训练；使用训练好的模型对需要补偿的加工轨迹进行离线预测得到其运动误差，对该轨迹进行离线补偿。本发明采集机器人在训练集轨迹上的关节运动误差，通过深度学习模型拟合包括非线性误差在内的关节误差，相对于现有的离线补偿方法，补偿过程简单，补偿精度高。

技术领域

本发明属于机器人技术领域，尤其涉及一种机器人重力位姿分解的关节误差离线补偿方法、系统及终端。

背景技术

目前，在机器人加工领域，机器人的关节误差会影响机器人刀具中心点的轨迹误差，直接造成加工产品的轮廓误差增大，从而直接造成加工精度的下降。为了减小机器人的关节误差，提高机器人加工质量。现在主要采取对关节误差进行补偿的方法来减小机器人关节运动误差，现有的补偿方法一般分为两种：在线补偿，通过在机器人末端执行器上增加传感器或者使用视觉系统如双目相机、激光跟踪仪等确定机器人末端执行器的实际位置，再将偏差输入控制器进行闭环控制；离线补偿，通过构建机器人数学物理模型，预测机器人在运动时的误差，然后使用预测的误差对机器人进行开环控制，现有的离线补偿方法一般包括物理数学模型建模与利用机器学习方法对误差进行预测。对上述方法存在如下问题：在加工过程中，实际的加工环境可能会遮挡相机或者无法安装传感器，并且对机器人在运动中的实时姿态测量存在一定的挑战。机器人的准确误差模型难以构建，非线性误差对机器人的误差影响较大，且机器人的非线性误差部分难以辨识。现有的机器学习方法无法准确的考虑机器人位姿的影响，模型训练集构建困难。总的来说，现有的机器人关节误差补偿方法存在一定的局限性，使得在实际加工过程中机器人关节运动误差较大，工具末端偏离设计轨迹，无法满足设计需求。

通过上述分析，现有技术存在的问题及缺陷为：现有的机器人关节误差补偿方法存在一定的局限性，需要构建机器人准确运动学模型，并且对于机器人关节在运动时的非线性误差往往难以建模，并且现有的方法没有考虑机器人位姿对关节跟踪误差的影响，使得对机器人关节跟踪误差补偿难度大，补偿精度低，从而影响机器人末端执行器运动精度，无法满足设计需求。

解决以上问题及缺陷的难度为：

构建机器人运动学模型的准确参数辨识过程繁琐，关节的运动非线性误差来源多并且难以准确建模，机器人在运动过程位姿的变化会使机器人刚度变化，影响关节误差，使得运动过程中的关节跟踪误差无法被准确预测。

解决以上问题及缺陷的意义为：

通过神经网络模型，解决了机器人关节精确运动学模型构建困难、非线性误差难以建模的问题，将末端的载荷分解至每个关节，充分考虑了机器人负载和空间位姿对关节跟踪误差的影响；准确的预测了机器人关节的跟踪误差，并通过对输入指令进行预补偿提高关节运动精度，提高机器人的加工质量。

发明内容

针对现有技术存在的问题，本发明提供了一种机器人重力位姿分解的关节误差离线补偿方法、系统及终端。本发明在得到机器人加工轨迹后，充分的考虑机器人末端负载和位姿的影响，然后进行非线性处理后利用深度学习模型预测机器人在加工轨迹上的关节误差，从而对机器人关节误差进行离线补偿，提升机器人加工精度。

本发明是这样实现的，一种机器人重力位姿分解的关节误差离线补偿方法，包括：

步骤一，在工作空间中生成均匀的随机点，然后使用非对称样条差值法得到训练集轨迹，通过在机床上实际运行得到运动时对应的关节实际位置；

步骤二，将得到的机器人关节理论位置使用非线性处理提取其运动特征，并计算得到运行该轨迹时的关节误差；