【技术实现步骤摘要】
本专利技术涉及机器人误差补偿方法，具体涉及一种基于自适应卡尔曼滤波与神经网络的七轴机器人误差补偿方法。
技术介绍
1、目前工业机器人误差补偿主要通过激光跟踪仪或多传感器融合采集多轴机器人位姿参数作为机器人真实位姿参数，没考虑到测量不确定度问题，因而得到的关节补偿量误差较大，进而工业机器人的轨迹精度和定位精度无法得到保证。测量不确定度不仅包括测量设备(如激光跟踪仪、传感器)本身的影响，还包括环境因素、人为因素的影响。
2、专利文献cn106097390b公开了一种基于卡尔曼滤波的机器人运动学参数标定方法，通过测量仪器直接得到机器人末端实际位姿，另外采用标准卡尔曼滤波算法对系统中存在的噪声进行滤除。
3、专利文献cn110385720b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，通过利用深度神经网络来表达机器人理论位姿与实际定位误差间复杂的映射关系，能预测到目标点定位误差并进行误差补偿，从而提高机器人的绝对定位精度。
技术实现思路
1、本专利技术的目的在于提供一种基于自适应卡尔曼滤波与神经网络的机器人误差补偿方法，利用自适应卡尔曼滤波算法克服测量不确定度问题，采用经过粒子群算法和遗传算法优化后的神经网络进行机器人各关节误差预测，提高机器人轨迹精度和定位精度。
2、为了达到上述的目的，本专利技术提供一种基于自适应卡尔曼滤波与神经网络的机器人误差补偿方法，包括：1)运用d-h算法建立七轴机器人的运动学模型，获得七轴机器人末端执行器理论位姿参数；2
3、与现有技术相比，本专利技术的有益技术效果是：
4、1)在本专利技术中同时考虑机器人的安装、加工对机器人产生的几何误差、负载对于机器人末端受力变形和测量不确定性的影响，从而使最终的误差补偿精度更高；
5、2)与传统的采用标准卡尔曼滤波算法相比，本专利技术不但能够给出更为准确的估计结果，同时可以剔除系统噪声和测量噪声的模型不准确问题；
6、3)与传统的神经网络预测模型相比，采用遗传算法优化神经网络结构和粒子群算法优化神经网络的权值、阈值后的误差预测模型，预测结果更加精确，而且预测迅速，有效提高了机器人的路径精度和定位精度。
本文档来自技高网...【技术保护点】
1.基于自适应卡尔曼滤波与神经网络的机器人误差补偿方法，其特征在于，包括：
2.如权利要求1所述的基于自适应卡尔曼滤波与神经网络的机器人误差补偿方法，其特征在于，所述步骤1)包括：
3.如权利要求1所述的基于自适应卡尔曼滤波与神经网络的机器人误差补偿方法，其特征在于，所述步骤4)包括：
4.如权利要求3所述的基于自适应卡尔曼滤波与神经网络的机器人误差补偿方法，其特征在于，所述步骤4-2)中，遗传算法中选取实数编码、选择策略采用轮盘赌法、交叉操作方法选取实数交叉法、变异方法采用单点变异方法、适应度函数为误差平方和函数。
5.如权利要求3所述的基于自适应卡尔曼滤波与神经网络的机器人误差补偿方法，其特征在于，所述步骤4-2)中，利用七轴机器人末端执行器理论位姿参数和七轴机器人末端执行器测量位姿参数获得各关节转角误差数据。
6.如权利要求3所述的基于自适应卡尔曼滤波与神经网络的机器人误差补偿方法，其特征在于，所述步骤4-3)中，粒子群算法的学习因子设置为2、惯性权重设置为0.9、粒子数设置为200、粒子最大速度参数设置为0.5。
...【技术特征摘要】
1.基于自适应卡尔曼滤波与神经网络的机器人误差补偿方法，其特征在于，包括：
2.如权利要求1所述的基于自适应卡尔曼滤波与神经网络的机器人误差补偿方法，其特征在于，所述步骤1)包括：
3.如权利要求1所述的基于自适应卡尔曼滤波与神经网络的机器人误差补偿方法，其特征在于，所述步骤4)包括：
4.如权利要求3所述的基于自适应卡尔曼滤波与神经网络的机器人误差补偿方法，其特征在于，所述步骤4-2)中，遗传算法中选取实数编码、选择策略采用轮盘赌法、交叉操作方法选取实数交...
【专利技术属性】
技术研发人员：李光保，高栋，路勇，平昊，周愿愿，陈浩，付晓玲，耿翰林，
申请(专利权)人：上海航天精密机械研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。