【技术实现步骤摘要】
本专利技术涉及机器人控制，尤其是涉及一种基于质量驱动(quality-driven)的神经网络对工业机器人位置误差及其区间预测的方法。
技术介绍
1、航空制孔、喷涂、打磨、焊接等工业制造领域已经广泛应用了工业机器人平台。通常工业机器人的重复定位精度较高，但是绝对定位精度较低。随着工业制造领域对高精度定位的需求不断增长，机器人的绝对定位精度已经无法满足实际需求。工业机器人的加工装配误差等因素形成的几何参数误差是导致机器人绝对位置误差的主要来源。针对几何参数误差导致的机器人位置误差，国内外研究主要利用参数辨识的方法对几何参数误差进行估计，来提高机器人运动学建模精度，进一步提升机器人的定位精度。但是参数辨识的方法忽略了因负载、热效应、变形、关节齿轮回差、扰动等非几何参数误差的影响。学者们利用神经网络、机器学习等方法对非几何参数误差进行预测和补偿。虽然上述方法对非几何参数误差导致的机器人位置误差进行了补偿，但目前上述方法均认为机器人的位置误差是一个确定的值，但实际上由于随机误差的影响，机器人的位置误差是一个随机变量。目前对随机变量的分布区间的预测研究较少，因此对工业机器人的位置误差及其区间的预测对提高机器人定位误差具有重要意义。
2、现有的工业机器人位置补偿方法主要集中在对位置误差的预测上，而较少关注预测结果的置信度和可能范围。这种方法在机器人执行复杂任务时可能无法充分捕捉到由多种因素(如机械磨损、温度变化等)引起的动态误差变化。
技术实现思路
1、本专利技术的目的是克服上述现
2、本专利技术的目的可以通过以下技术方案来实现：
3、一种机器人位置误差及其区间预测方法，步骤包括：
4、获取工业机器人工作的关节角度矢量，并计算理论位置与实际位置的差值，构建包含关节角度矢量和位置误差的数据集；
5、将包含关节角度矢量和位置误差的数据集输入基于神经网络的预测模型；
6、通过计算预测区间覆盖概率和平均预测区间宽度，在保证预测区间覆盖概率达标的同时最小化平均预测区间宽度，来进行位置误差区间预测；
7、通过定义可学习参数生成预测区间边界的相对权重，并使用均方误差损失进行预测值的回归，来进行位置误差预测；
8、预测模型输出位置误差值与其区间预测结果。
9、作为优选技术方案，所述的预测区间覆盖概率(prediction interval coverageprobability,picp)表示为：
10、
11、其中，c为估计的预测区间内的数据点总数；n为关节角矢量组数；
12、所述的平均预测区间宽度(mean prediction interval width,mpiw)表示为：
13、
14、其中，分别为第i个样本在预测的上下界。
15、作为优选技术方案，所述方法采用基于可能性的方法寻找最大化picp的神经网络参数；通过最小化损失函数来调整预测区间的宽度；并且使用拉格朗日乘子平衡区间宽度与覆盖率来优化预测模型。
16、作为优选技术方案，所述方法根据hq(high-quality)准则，在预测区间覆盖概率达标的前提下最小化平均预测区间宽度；
17、落在区间外的点不进行计算，所述的平均预测区间宽度损失函数表达式为：
18、
19、其中，c表示在估计的预测区间内的数据点总数；分别表示预测区间的上下界，ki表示样本i是否在估计的预测区间内。
20、作为优选技术方案，所述方法采用基于可能性的方法，寻找使预测区间覆盖概率最大化的神经网络参数ω：
21、
22、其中，向量k表示每个样本是否在估计的预测区间内，其中每个元素ki被视为一个二元变量，以(1-α)的概率取值为1。
23、作为优选技术方案，当样本数量足够大时，将ki的二项分布近似成均值为n(1-α)，方差为nα(1-α)的正态分布：
24、
25、使用最小化负对数似然函数解决最大化似然函数的问题，将ki正态分布简化为：
26、
27、只有当预测区间覆盖概率小于(1-α)时进行惩罚，所述的预测区间覆盖概率损失函数表达式为：
28、
29、作为优选技术方案，所述的位置误差ex(θi)通过定义一个可学习的参数v，生成位置误差的边界相对权重，位置误差预测的公式如下：
30、
31、其中，v∈(0,1)，使用均方误差损失进行预测值的回归，位置误差预测的均方误差损失函数表达式为：
32、
33、作为优选技术方案，所述神经网络模型的损失函数，通过引入拉格朗日乘子λ来调整区间宽度与覆盖率的影响程度，表达式为：
34、
35、其中，表示平均预测区间宽度损失函数；losspicp表示预测区间覆盖概率损失函数；lossmse表示位置误差预测的均方误差损失函数。
36、作为优选技术方案，所述的神经网络模型包括：
37、输入层，接受工业机器人关节角的多维向量；
38、隐藏层，包括具有q个隐藏单元的全连接层和relu激活函数；
39、输出层，包括3个节点，分别表示预测得到的区间的上下界和关于位置误差预测的边界相对权重。
40、作为优选技术方案，方法通过对训练集进行子采样，并对每个子集分别进行神经网络拟合，训练出多个神经网络模型并组成多样性模型集合；
41、通过聚合各个神经网络模型的预测结果对样本进行区间和具体值预测。
42、与现有技术相比，本专利技术具有以下有益效果：
43、本专利技术提出了一种基于质量驱动的神经网络方法，该方法不仅能预测位置误差，还能预测误差的可能范围，而且在预测区间内不对数据的分布做出任何先验假设，从而在多种实际应用场景中提高了其适用性与预测值的有效性。这种区间预测的方法能够提供误差范围，从而在一定程度上提高了补偿的鲁棒性和可靠性。
本文档来自技高网...【技术保护点】
1.一种机器人位置误差及其区间预测方法，其特征在于，步骤包括：
2.根据权利要求1所述的一种机器人位置误差及其区间预测方法，其特征在于，所述的预测区间覆盖概率表示为：
3.根据权利要求1所述的一种机器人位置误差及其区间预测方法，其特征在于，所述方法采用基于可能性的方法寻找最大化PICP的神经网络参数；通过最小化损失函数来调整预测区间的宽度；并且使用拉格朗日乘子平衡区间宽度与覆盖率来优化预测模型。
4.根据权利要求3所述的一种机器人位置误差及其区间预测方法，其特征在于，所述方法根据HQ准则，在预测区间覆盖概率达标的前提下最小化平均预测区间宽度；
5.根据权利要求4所述的一种机器人位置误差及其区间预测方法，其特征在于，所述方法采用基于可能性的方法，寻找使预测区间覆盖概率最大化的神经网络参数ω：
6.根据权利要求5所述的一种机器人位置误差及其区间预测方法，其特征在于，当样本数量足够大时，将ki的二项分布近似成均值为n(1-α)，方差为nα(1-α)的正态分布：
7.根据权利要求6所述的一种机器人位置误差及其区间预测
8.根据权利要求7所述的一种机器人位置误差及其区间预测方法，其特征在于，所述神经网络模型的损失函数，通过引入拉格朗日乘子λ来调整区间宽度与覆盖率的影响程度，表达式为：
9.根据权利要求1所述的一种机器人位置误差及其区间预测方法，其特征在于，所述的神经网络模型包括：
10.根据权利要求9所述的一种机器人位置误差及其区间预测方法，其特征在于，方法通过对训练集进行子采样，并对每个子集分别进行神经网络拟合，训练出多个神经网络模型并组成多样性模型集合；
...【技术特征摘要】
1.一种机器人位置误差及其区间预测方法，其特征在于，步骤包括：
2.根据权利要求1所述的一种机器人位置误差及其区间预测方法，其特征在于，所述的预测区间覆盖概率表示为：
3.根据权利要求1所述的一种机器人位置误差及其区间预测方法，其特征在于，所述方法采用基于可能性的方法寻找最大化picp的神经网络参数；通过最小化损失函数来调整预测区间的宽度；并且使用拉格朗日乘子平衡区间宽度与覆盖率来优化预测模型。
4.根据权利要求3所述的一种机器人位置误差及其区间预测方法，其特征在于，所述方法根据hq准则，在预测区间覆盖概率达标的前提下最小化平均预测区间宽度；
5.根据权利要求4所述的一种机器人位置误差及其区间预测方法，其特征在于，所述方法采用基于可能性的方法，寻找使预测区间覆盖概率最大化的神经网络参数ω：
6.根据权利要求5所述的一种机器人位置误差...
【专利技术属性】
技术研发人员：陈冬冬，陈硕，孔冬冬，施伟豪，黎佳豪，王鑫，
申请(专利权)人：上海大学，
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。