一种基于参数重组神经网络的机器人残差补偿方法技术

本发明专利技术公开了一种基于参数重组神经网络的机器人残差补偿方法,包括以下步骤：获取被测物体的原始位置数据；通过校准后的系统运动学模型获取世界坐标系中的初始位置；将与所述系统运动学模型和所述原始数据相关的参数进行参数重组，将重组后的参数输入DNN中获取残余误差；基于所述残余误差与所述初始位置进行误差补偿，获取校正后的位置，完成残差补偿。本发明专利技术提高定位精度。发明专利技术提高定位精度。发明专利技术提高定位精度。

【技术实现步骤摘要】
一种基于参数重组神经网络的机器人残差补偿方法


[0001]本专利技术属于机器人残差补偿
，尤其涉及一种基于参数重组神经网络的机器人残差补偿方法。

技术介绍

[0002]工业机器人与三维视觉传感器的结合已广泛应用于高精度定位领域，如装配、机床加工、焊接、分拣等。然而，存在一些引入非线性位置误差的因素，如几何
‑
运动学校准误差、关节间隙、非均匀编码器反馈和机械变形等。因此，机器人运动学标定和误差补偿是提高全局绝对定位精度的重要途径。
[0003]近几十年来，许多研究都集中在提高机器人视觉系统定位精度的方法上，可分为基于模型的方法和非模型方法。结合双目立体视觉，Luo X.提出了一种基于关节间隙的误差模型来预测和补偿任意位置的定位精度。这种基于模型的方法需要获得机器人视觉系统的精确运动学模型，然而，建模引入的误差是不可避免的。此外，非模型方法基于非线性回归直接预测位置精度。Wang Z.提出了一种利用人工神经网络(ANN)的校准方法。首先，根据机器人的质量分布，将关节角工作空间划分为若干局部区域。然后，使用Denavit
‑
Hartenberg(DH)模型识别每个区域的系统几何参数。基于模型的EKF机器人几何误差辨识与神经网络补偿方法相结合，可以有效地解决所有机器人误差源的校正问题。Zhang Q提出了一种基于GA
‑
DNN非线性回归和柔性误差的全局补偿方法，以实现机器人在任何外部负载下的高精度定位。
[0004]类似地，在Aoyagi的研究中，使用神经网络减少残余误差，同时通过机器人的标称逆运动学获得训练数据[24]。这些方法简单地忽略了分析模型，因此将增加计算工作量，浪费更多时间，降低精度。为此，Nguyen等人提出了一种新的人工神经网络(ANN)方法，通过使用部分机器人驱动关节坐标来补偿这些未建模的误差，这有助于减少不同机器人配置中的非线性误差。
[0005]在本专利技术中，基于误差传递模型重新组织参数，并提出了一种新的DNN结构以提高定位精度。该系统使用集成在机器人手中的3D传感器扫描目标。通过校准物体姿态来建立数据集，在输入和输出之间建立强映射相关性，并提出一种新的深度神经网络结构用于训练和循环验证。

技术实现思路

[0006]本专利技术的目的在于提出一种基于参数重组神经网络的机器人残差补偿方法，提高定位精度。
[0007]为实现上述目的，本专利技术提供了一种基于参数重组神经网络的机器人残差补偿方法，包括以下步骤：
[0008]获取被测物体的原始位置数据；
[0009]通过校准后的系统运动学模型获取世界坐标系中的初始位置；
[0010]将与所述系统运动学模型和所述原始数据相关的参数进行参数重组，将重组后的参数输入DNN中获取残余误差；
[0011]基于所述残余误差与所述初始位置进行误差补偿，获取校正后的位置，完成残差补偿。
[0012]可选的，获取被测物体的原始位置数据具体包括：通过机器人将扫描仪驱动到测量点，然后采集扫描仪坐标系中的位置，作为被测物体的原始数据。
[0013]可选的，根据经典的基于模型的方法和若干个标准球对所述系统运动学模型进行校准。
[0014]可选的，获取世界坐标系中的初始位置具体包括：采集在局部和世界坐标系中的标定球坐标，对校准后的系统运动学模型进行标定，获取世界坐标系中的初始位置。
[0015]可选的，将与所述系统运动学模型和所述原始位置数据相关的参数进行参数重组具体包括：
[0016]根据每个关节的刚性变换，获得机器人基座坐标系中的参数；
[0017]基于所述参数采用DH方法构建重组模型，获得影响第k个关节误差的所有变量归纳非线性函数；
[0018]根据所述非线性函数获取若干个变量。
[0019]可选的，所述第k个关节误差包括：从关节到机器人基座的转换、关节本身的运动学参数以及从关节到激光扫描仪的转换。
[0020]可选的，将重组后的参数输入DNN中获取残余误差中的DNN包括：输入层、融合层和数据回归层；
[0021]将重组后的参数输入所述输入层，所述输入层有若干个独立多层感知机，每个独立多层感知及对应机器人的若干个关节：
[0022]根据所述输入层的若干个独立多层感知机的输出结果，通过数据串联的方式融合成一维向量；
[0023]将所述融合层的一维向量通过若干个独立多层感知机采用回归方式预测机器人在当前位置的残差。
[0024]可选的，基于所述残余误差与所述初始位置进行误差补偿，获取校正后的位置具体包括：基于系统运动学模型计算机器人位置在世界坐标系下的理论坐标，将所述位置的运动学模型重组参数输入已训练的DNN中获得残余误差，通过所述理论坐标与所述残余误差相加获的校正后的位置。
[0025]本专利技术技术效果：本专利技术公开了一种基于参数重组神经网络的机器人残差补偿方法，提出了一种新的DNN结构以提高定位精度。该系统使用集成在机器人手中的3D传感器扫描目标；通过校准物体姿态来建立数据集，在输入和输出之间建立强映射相关性，并提出一种新的深度神经网络结构用于训练和循环验证。
附图说明
[0026]构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0027]图1为本专利技术实施例机器人视觉在线检测系统示意图；
[0028]图2为本专利技术实施例基于参数重组神经网络的机器人系统残差补偿方法流程图；
[0029]图3为本专利技术实施例机器人残差回归的深度神经网络架构示意图；
[0030]图4为本专利技术实施例系统搭建和初始标定示意图，其中(a)为摆动式激光三维传感器原理图，(b)为实验系统实体图；
[0031]图5为本专利技术实施例初始机器人外部的模型参数示意图；
[0032]图6为本专利技术实施例汽车钣金零件检测示意图。
具体实施方式
[0033]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
[0034]需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0035]如图1
‑
6所示，本实施例中提供一种基于参数重组神经网络的机器人残差补偿方法，包括：
[0036]获取被测物体的原始位置数据；
[0037]通过校准后的系统运动学模型获取世界坐标系中的初始位置；
[0038]将与所述系统运动学模型和所述原始数据相关的参数进行参数重组，将重组后的参数输入DNN中获取残余误差；
[0039]基于所述残余误差与所述初始位置进行误差补偿，获取校正后的位置，完成残差补偿。
[0040]进一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于参数重组神经网络的机器人残差补偿方法，其特征在于，包括以下步骤：获取被测物体的原始位置数据；通过校准后的系统运动学模型获取世界坐标系中的初始位置；将与所述系统运动学模型和所述原始数据相关的参数进行参数重组，将重组后的参数输入DNN中获取残余误差；基于所述残余误差与所述初始位置进行误差补偿，获取校正后的位置，完成残差补偿。2.如权利要求1所述的基于参数重组神经网络的机器人残差补偿方法，其特征在于，获取被测物体的原始位置数据具体包括：通过机器人将扫描仪驱动到测量点，然后采集扫描仪坐标系中的位置，作为被测物体的原始数据。3.如权利要求1所述的基于参数重组神经网络的机器人残差补偿方法，其特征在于，根据经典的基于模型的方法和若干个标准球对所述系统运动学模型进行校准。4.如权利要求3所述的基于参数重组神经网络的机器人残差补偿方法，其特征在于，获取世界坐标系中的初始位置具体包括：采集在局部和世界坐标系中的标定球坐标，对校准后的系统运动学模型进行标定，获取世界坐标系中的初始位置。5.如权利要求1所述的基于参数重组神经网络的机器人残差补偿方法，其特征在于，将与所述系统运动学模型和所述原始位置数据相关的参数进行参数重组具体包括：根据每个关节的刚性变换，获得机器人基座坐...

【专利技术属性】
技术研发人员：习俊通，叶帆，董言真，陈晓波，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：