一種基于模糊神經(jīng)網(wǎng)絡(luò)的機器人標定誤差補償方法
【專利摘要】本發(fā)明公開了一種基于模糊神經(jīng)網(wǎng)絡(luò)的機器人標定誤差補償方法，包括以下步驟：編寫相鄰連桿間的齊次變換矩陣；根據(jù)所述變換矩陣計算機器人末端執(zhí)行器的運動學方程以及誤差方程通式；根據(jù)幾何參數(shù)名義值、所述運動學方程及所述誤差方程通式生成關(guān)于角θi的運動學方程及誤差方程；根據(jù)所述運動學方程和所述誤差方程對機器人進行第一次誤差補償；應(yīng)用模糊神經(jīng)網(wǎng)絡(luò)模型對機器人進行第二次誤差補償。采用此方法，可以使機器人誤差補償模型更加快速、準確、魯棒性強。
【專利說明】一種基于模糊神經(jīng)網(wǎng)絡(luò)的機器人標定誤差補償方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于機械加工制造領(lǐng)域，主要涉及一種基于模糊神經(jīng)網(wǎng)絡(luò)的機器人標定誤 差補償方法。

【背景技術(shù)】
[0002] 現(xiàn)今機器人廠家生產(chǎn)的機器人其重復(fù)定位精度比較高，而絕對定位精度卻較低。 隨著機器人離線編程技術(shù)越來越廣泛，提高機器人絕對定位精度已成為其中一關(guān)鍵技術(shù)問 題。工業(yè)機器人標定一般分為建模、測量、參數(shù)辨識和補償四步，其中補償是標定的最后一 步。由于機器人在制造和安裝過程中存在著定位誤差、安裝誤差和工作誤差(傳動、變形等 誤差)，使得工作中的機器人絕對定位精度低，需要對誤差進行補償，通常采取解逆運動學 問題對關(guān)節(jié)角進行補償，一般采用Newton-Raphson方法來解決逆補償問題，但此方法具有 以下兩點不足：幾何誤差必須小，否則不能保證算法收斂；計算量大，不易在線實時補償。
[0003] 針對這種方法的不足，研究人員提出了一些新方法實現(xiàn)機器人定位誤差的補償。 申請?zhí)枮?01110113246. 6,公開了一種用于工業(yè)機器人的空間立體網(wǎng)格精度補償方法，該 方法利用工業(yè)機器人具有較高重復(fù)定位精度的特性，采用激光跟蹤儀來建立理論坐標與實 際定位坐標之間的關(guān)系，對于包絡(luò)空間內(nèi)劃分的某個立方體網(wǎng)格內(nèi)的任一點，，采用空間插 值法來對機器人的理論坐標進行修正，完成機器人在該點的絕對定位精度補償，此種方法 的缺點在于機器人運動過程中大部分點的坐標是由少數(shù)通過測量出得準確點坐標經(jīng)過插 值獲得的，由于機器人誤差具有非線性的特點，所以插值點無法滿足機器人離線編程的精 度。文獻名為"BP神經(jīng)網(wǎng)絡(luò)補償并聯(lián)機器人定位誤差"（《光學精密工程》，2008,第16卷第 5期，878-883頁)，采用神經(jīng)網(wǎng)絡(luò)技術(shù)對6自由度精密并聯(lián)機器人末端位姿的誤差進行補 償，但是神經(jīng)網(wǎng)絡(luò)沒有分類能力，新加入的樣本要影響已學習成功的網(wǎng)絡(luò)，所以要求刻畫每 個輸入樣本的特征的數(shù)目也必須相同。


【發(fā)明內(nèi)容】

[0004] 本發(fā)明的主要目的在于提供一種基于模糊神經(jīng)網(wǎng)絡(luò)的機器人標定誤差補償方法， 其可克服現(xiàn)有的缺陷，實現(xiàn)高精度和魯棒性的機器人標定誤差補償。
[0005] 為實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：
[0006] 編寫相鄰連桿間的齊次變換矩陣；
[0007] 根據(jù)所述變換矩陣計算機器人末端執(zhí)行器的運動學方程以及誤差方程通式；
[0008] 根據(jù)幾何參數(shù)名義值、所述運動學方程及所述誤差方程通式生成關(guān)于角ei的運 動學方程及誤差方程；
[0009] 根據(jù)所述運動學方程和所述誤差方程對機器人進行第一次誤差補償；
[0010] 應(yīng)用模糊神經(jīng)網(wǎng)絡(luò)模型對機器人進行第二次誤差補償。
[0011] 優(yōu)選地，應(yīng)用模糊神經(jīng)網(wǎng)絡(luò)模型對機器人進行第二次誤差補償，包括：
[0012] 將從運動學參數(shù)中得到的語言變量分別輸入到相應(yīng)的節(jié)點中；
[0013] 將所述節(jié)點分別用一隸屬函數(shù)表示；
[0014] 根據(jù)系統(tǒng)的模糊規(guī)則數(shù)輸出每個節(jié)點的徑向基單元；
[0015] 計算每個節(jié)點的模糊規(guī)則數(shù)占系統(tǒng)總模糊規(guī)則數(shù)的百分比；
[0016] 根據(jù)所述百分比計算二次補償后的誤差；
[0017] 如果所述二次補償后的誤差值滿足事先預(yù)定的參數(shù)，則保留此模型；如不滿足，則 對模型進行進一步優(yōu)化。
[0018] 優(yōu)選地，相鄰連桿間的齊次變換矩陣是根據(jù)機器人運動學理論編寫。
[0019] 優(yōu)選地，根據(jù)運動學方程和誤差方程對機器人進行第一次誤差補償具體為：通過 最小二乘法解線性方程組的方法求解機器人的幾何參數(shù)誤差，對相關(guān)參數(shù)進行參數(shù)辨識。
[0020] 本發(fā)明的有益效果：
[0021] 模糊推理不需要建立補償對象精確數(shù)學模型，是以人的經(jīng)驗作為知識模型，以模 糊邏輯推理作為補償模型的智能算法；神經(jīng)網(wǎng)絡(luò)具有較強的自學習功能，可以逼近任意非 線性函數(shù)，用作誤差補償具有自適應(yīng)能力和不依賴于模型的特性。將二則的結(jié)合用于機器 人標定過程中的誤差補償，可以發(fā)揮兩種建模策略的優(yōu)點，使得機器人誤差補償模型更加 快速、準確、魯棒性強。

【專利附圖】

【附圖說明】
[0022] 圖1是本發(fā)明一種基于模糊神經(jīng)網(wǎng)絡(luò)的機器人標定誤差補償方法流程圖。

【具體實施方式】
[0023] 為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合附圖及實施例，對 本發(fā)明進行進一步詳細說明。應(yīng)當理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并 不用于限定本發(fā)明。
[0024] 參考圖1所示，本發(fā)明公開了一種基于模糊神經(jīng)網(wǎng)絡(luò)的機器人標定誤差補償方 法，該方法包括如下步驟：
[0025] SlO:編寫相鄰連桿間的齊次變換矩陣；
[0026] 根據(jù)機器人運動學理論編寫相鄰連桿間的齊次變換矩陣。
[0027] S20:根據(jù)所述變換矩陣計算機器人末端執(zhí)行器的運動學方程以及誤差方程通 式；
[0028] S30 :根據(jù)幾何參數(shù)名義值、所述運動學方程及所述誤差方程通式生成關(guān)于角0i 的運動學方程及誤差方程；
[0029] 由于機器人的連桿長度名義值<，連桿偏置名義值<，扭角名義值<和末端執(zhí)行 器長度1均為常量，因此，可先在誤差方程通式中輸入上述幾何參數(shù)名義值，即可生成一個 關(guān)于關(guān)節(jié)角e,的運動學方程及誤差方程：
[0030] T=f:( 9i) (1)
[0031] A p =f2 ( 9j) (2)
[0032] S40 :根據(jù)所述運動學方程和所述誤差方程對機器人進行第一次誤差補償；
[0033] 通過激光跟蹤儀測量機器人在工作空間中的一組末端實際位置坐標p%并將記錄 的每個測點所對應(yīng)的理論關(guān)節(jié)角值輸入到所述運動學方程和誤差方程中計算得到末端名 義位置Pn，從而得到實際位置誤差量Ap ;通過最小二乘法解線性方程組的方法求解機器人 的幾何參數(shù)誤差，對相關(guān)參數(shù)進行參數(shù)辨識。
[0034] S50 :應(yīng)用模糊神經(jīng)網(wǎng)絡(luò)模型對機器人進行第二次誤差補償；
[0035] 將得到的幾何參數(shù)誤差補償?shù)綑C器人控制器中的運動學參數(shù)中，應(yīng)用模糊神經(jīng)網(wǎng) 絡(luò)模型對機器人進行第二次誤差補償，所述模糊神經(jīng)網(wǎng)絡(luò)模型采用5層結(jié)構(gòu)，分別為輸入 層、隸屬函數(shù)層、T-范數(shù)層、歸一化層和輸出層。具體補償步驟為：
[0036] S501 :將從運動學參數(shù)中得到的語言變量分別輸入到相應(yīng)的節(jié)點中；
[0037] 在輸入層，輸入r各語言變量X1, X2，…，分別輸入到相應(yīng)的節(jié)點中去，在該實施 例中，輸入的語言變量為機器人末端位姿參數(shù)x，y，z，0X，0y，0 Z，其中r為6。
[0038] S502:將所述節(jié)點分別用一隸屬函數(shù)表示；
[0039] 隸屬函數(shù)層，該層每個節(jié)點分別表示一個隸屬函數(shù)，該隸屬函數(shù)用如下的高斯函 數(shù)表示：

【權(quán)利要求】
1. 一種基于模糊神經(jīng)網(wǎng)絡(luò)的機器人標定誤差補償方法，其特征在于，包括如下步驟： 編寫相鄰連桿間的齊次變換矩陣； 根據(jù)所述變換矩陣計算機器人末端執(zhí)行器的運動學方程以及誤差方程通式； 根據(jù)幾何參數(shù)名義值、所述運動學方程及所述誤差方程通式生成關(guān)于角的運動學 方程及誤差方程； 根據(jù)所述運動學方程和所述誤差方程對機器人進行第一次誤差補償； 應(yīng)用模糊神經(jīng)網(wǎng)絡(luò)模型對機器人進行第二次誤差補償。
2. 如權(quán)利要求1所述的一種基于模糊神經(jīng)網(wǎng)絡(luò)的機器人標定誤差補償方法，其特征在 于：所述應(yīng)用模糊神經(jīng)網(wǎng)絡(luò)模型對機器人進行第二次誤差補償，包括： 將從運動學參數(shù)中得到的語言變量分別輸入到相應(yīng)的節(jié)點中； 將所述節(jié)點分別用一隸屬函數(shù)表示； 根據(jù)系統(tǒng)的模糊規(guī)則數(shù)輸出每個節(jié)點的徑向基單元； 計算每個節(jié)點的模糊規(guī)則數(shù)占系統(tǒng)總模糊規(guī)則數(shù)的百分比； 根據(jù)所述百分比計算二次補償后的誤差； 如果所述二次補償后的誤差值滿足事先預(yù)定的參數(shù)，則保留此模型；如不滿足，則對模 型進行進一步優(yōu)化。
3. 如權(quán)利要求1所述的一種基于模糊神經(jīng)網(wǎng)絡(luò)的機器人標定誤差補償方法，其特征在 于：所述相鄰連桿間的齊次變換矩陣是根據(jù)機器人運動學理論編寫。
4. 如權(quán)利要求1所述的一種基于模糊神經(jīng)網(wǎng)絡(luò)的機器人標定誤差補償方法，其特征在 于：所述根據(jù)運動學方程和誤差方程對機器人進行第一次誤差補償具體為：通過最小二乘 法解線性方程組的方法求解機器人的幾何參數(shù)誤差，對相關(guān)參數(shù)進行參數(shù)辨識。
【文檔編號】G05B13/00GK104516268SQ201310451794
【公開日】2015年4月15日 申請日期:2013年9月28日 優(yōu)先權(quán)日:2013年9月28日
【發(fā)明者】鄒風山, 徐方, 曲道奎, 李邦宇, 董狀, 張濤 申請人:沈陽新松機器人自動化股份有限公司