[发明专利]一种基于定长记忆窗增量学习的工业机器人误差补偿方法

说明书

本发明公开了一种基于定长记忆窗口增量学习和增量模型重构的工业机器人定位误差在线补偿方法，首先研究机器人位姿与定位误差之间的定性关系并确定不同误差等级下机器人位姿坐标阈值，接着提出机器人定位误差在线补偿方法，利用增量模型重构算法自动生成表征机器人末端实际位姿与目标位姿对应关系的深度学习映射模型，将误差提前补偿至规划路径中。在线补偿算法执行过程中，根据机器人位姿变化判断误差等级变化并触发对映射模型的精度验证，当模型精度不满足要求时则依次触发增量学习和模型重构机制，直至映射模型满足精度要求。以上特点使得本发明方法能有效实现工业机器人定位误差的在线补偿与实时校准。

技术领域

本发明属于工业机器人绝对定位精度补偿方法技术领域，具体涉及基于定长记忆窗口增量学习和增量模型重构的工业机器人定位误差在线补偿方法。

背景技术

串联工业机器人是现代制造业重要的自动化设备，具有较强的通用性、操作灵活性和空间可达性，在焊接、装配、磨抛等复杂工况下得到广泛应用。而对于铣削、钻削等典型加工领域，对串联工业机器人的绝对定位精度要求比较高，致使串联工业机器人(以下简称机器人)在该领域的应用及其发展还相对保守。因此，如何提高机器人的绝对定位精度是其在加工领域拓展应用亟需解决的重要问题和发展方向之一。

目前业界普遍认为，机器人定位误差的来源包括两个方面：1)几何参数误差，主要由机械结构误差(如连杆参数误差、关节转角参数误差等)构成，也称之为系统误差；2)非几何误差，则主要由连接挠度、摩擦、连接间隙甚至是外部温度等因素引起，也称之为非系统误差(或称之为随机误差)。针对这两类误差，当前研究可分为参数方法和非参数方法两种类型。这两种方法的主要区别在于是否改变机器人的运动学参数。对于参数方法，以机器人运动学建模为基础，建立其运动学模型参数(如DH参数)与定位误差之间的定量关系，再利用相关算法对DH参数进行优化，调整机器人各关节处相邻连杆之间的坐标转换关系，从而达到补偿机器人定位误差的目的。对于非参数方法，不需调整机器人的运动学模型，而是基于数据驱动的方法直接建立机器人执行末端目标位姿与实际位姿之间的映射关系，识别机器人的定位误差并将其补偿在控制器内部设置的控制模型上。

现有这两类方法存在不足，前者无法有效补偿非几何因素带来的定位误差，后者当前以机器学习方法和简单的多层感知网络方法为主，在建立映射关系能力上较弱，定位精度提升有限。此外，随着机器人服役时间增加，其工作性能和精度逐渐退化，相应地运动学模型参数也在发生变化，末端定位精度也在不断恶化。目前这两类方法都以离线模式为主，不能满足机器人长期在线服役工作需要。特别是对于非参数方法，为解决上述问题需要对建立的执行末端目标位姿与实际位姿之间的映射关系进行重新优化、训练，这个重复过程耗费时间且依赖专业知识，因此亟需在线补偿方法来解决串联工业机器人的定位误差补偿问题。

在线模式下，方法的轻量化决定着其敏捷性也直接影响着其应用效果，为此引入了增量学习范式，一方面提高模型从新数据中整合新知识和提炼已有知识的能力(可塑性)，另一方面防止新输入对已有知识的显著干扰(稳定性)，这两个互相冲突的需求构成了所谓的稳定性-可塑性困境。增量学习目前仍是定义、界限比较模糊的技术，在机器人绝对定位精度补偿领域尚未有应用。目前，增量学习主要分为两类：基于正则化和基于回放的范式。前者通过给新任务的损失函数施加约束来保护旧知识不被覆盖，后者则是保留一部分具有代表性的旧数据与新数据一起训练模型。同时，由于固定结构的深度学习模型的映射能力存在上限，为保证其在机器人工作空间中的任何位置或者在机器人任何退化阶段均能较准确地建立起机器人执行末端位姿与其定位误差的映射关系，从而达到机器人执行末端定位误差在线补偿的目的。于是，在所提方法中引入模型重构机制，即当模型精度无法通过增量学习提升至目标精度水平时则自动重建模型，确保机器人定位精度平稳且保持在目标水平线以上。

发明内容