机械臂结构参数的补偿模型获取方法和补偿方法技术

本申请属于机械臂控制技术领域，公开了一种机械臂结构参数的补偿模型获取方法和补偿方法，通过获取机械臂末端在多个目标点处的目标位姿和实测位姿；根据这些目标位姿和实测位姿，计算得到多个第一位姿误差数据；创建BP神经网络模型；BP神经网络模型以机械臂末端的第一位姿误差数据为输入，以机械臂的结构参数误差为输出数据，并以根据输出数据进行补偿后的理论位姿与对应的实测位姿之间的等效误差为指标；利用第一位姿误差数据对BP神经网络模型进行训练，直到指标满足要求；从而，可得到可靠的结构参数补偿模型，使用该结构参数补偿模型可得到可靠的结构参数误差，能够有效地对机械臂自身结构参数进行误差补偿，提高机械臂末端定位精度。定位精度。定位精度。

【技术实现步骤摘要】
机械臂结构参数的补偿模型获取方法和补偿方法


[0001]本申请涉及机械臂控制
，具体而言，涉及一种机械臂结构参数的补偿模型获取方法和补偿方法。

技术介绍

[0002]现有机械臂在工作过程由于机械臂本身的结构参数误差（如连杆长度误差、关节转角误差等），使得机械臂末端理论位置与实际位置之间存在误差，若能够有效地对机械臂自身结构参数进行误差补偿，则可以减小机械臂末端位置理论与实际的误差，从而提高机械臂的精度性能。

技术实现思路

[0003]本申请的目的在于提供一种机械臂结构参数的补偿模型获取方法和补偿方法，可得到能够有效地对机械臂自身结构参数进行误差补偿的补偿模型，以对机械臂自身结构参数进行误差补偿。
[0004]第一方面，本申请提供了一种机械臂结构参数的补偿模型获取方法，用于获取机械臂的结构参数补偿模型，包括步骤：A1.获取机械臂末端在多个目标点处的目标位姿和实测位姿；A2.根据所述多个目标点的目标位姿和实测位姿，计算得到多个第一位姿误差数据；A3.创建BP神经网络模型；所述BP神经网络模型以所述机械臂末端的第一位姿误差数据为输入，以所述机械臂的结构参数误差为输出数据，并以根据所述输出数据进行补偿后的理论位姿与对应的实测位姿之间的等效误差为指标；A4.利用所述第一位姿误差数据对所述BP神经网络模型进行训练，直到所述指标满足要求。
[0005]通过该方法得到的结构参数补偿模型，在使用时，当输入机械臂末端的位姿误差数据后，能够输出机械臂的结构参数误差，使用该结构参数误差对机械臂的结构参数进行补偿后，能够保证补偿后的理论位姿与对应的实测位姿之间的等效误差足够小，从而，有效地对机械臂自身结构参数进行误差补偿。
[0006]优选地，所述第一位姿误差数据包括三个坐标误差数据和三个姿态角度误差数据；所述结构参数误差包括所述机械臂的各连杆的长度误差和各关节的转角误差；所述BP神经网络模型包括输入层、隐含层和输出层，所述输入层的神经元个数为6，所述输出层的神经元个数小于或等于所述机械臂的连杆数量和关节数量之和。
[0007]优选地，所述指标为：；
其中，为所述指标，为所述目标点的总个数，为第个所述目标点的实测位姿，为第个所述目标点的根据所述输出数据进行补偿后的理论位姿。
[0008]利用补偿后末端的理论位姿与实测位姿之间的等效误差作为指标，保证连杆长度和关节转角补偿后实现末端定位精度的提高。
[0009]优选地，步骤A4包括：A401.初始化所述输入层到所述隐含层的权值、所述隐含层到所述输出层的权值、所述输入层到所述隐含层的阈值和所述隐含层到所述输出层的阈值；A402.把一未使用的所述第一位姿误差数据输入所述输入层，以计算得到所述输出数据；A403.计算各所述目标点的根据所述输出数据进行补偿后的理论位姿；A404.根据各所述目标点的所述理论位姿和所述实测位姿计算所述指标；A405.判断所述指标是否满足要求；A406.若否，则更新所述输入层到所述隐含层的权值、所述隐含层到所述输出层的权值、所述输入层到所述隐含层的阈值和所述隐含层到所述输出层的阈值，并返回步骤A402；A407.若是，则结束训练。
[0010]优选地，步骤A401包括：把所述输入层到所述隐含层的权值、所述隐含层到所述输出层的权值、所述输入层到所述隐含层的阈值和所述隐含层到所述输出层的阈值设置为0和1之间的随机数。
[0011]优选地，步骤A402包括：由所述隐含层根据以下公式计算隐含层输出：；其中，为所述隐含层的第个神经元的所述隐含层输出，为所述隐含层的神经元的个数，为所述输入层的第个神经元到所述隐含层的第个神经元的权值，为所述输入层的第个神经元的输入数据， 为所述输入层的第个神经元到所述隐含层的第个神经元的阈值，为激活函数，所述激活函数为：，为自变量；由所述输出层根据以下公式计算所述输出数据：;其中，为所述输出层的第个神经元的所述输出数据，为所述隐含层的第个神经元到所述输出层的第个神经元的权值，为所述隐含层的第个神经元到所述输出层的第个神经元的阈值，为输出层的神经元的数量。
[0012]优选地，步骤A403包括：获取所述机械臂末端在各所述目标点处的实际关节角度数据；根据所述输出数据对所述机械臂各连杆的长度和所述实际关节角度数据进行补偿；根据补偿后的各连杆的长度和补偿后的实际关节角度数据，采用机器人运动学正解算法计算各所述目标点的所述理论位姿。
[0013]优选地，步骤A405包括：若所述指标不大于预设的最大期望误差，则判定所述指标满足要求，否则，判定所述指标不满足要求。
[0014]优选地，步骤A406包括：根据以下公式更新所述输入层到所述隐含层的权值：；其中，为所述输入层的第个神经元到所述隐含层的第个神经元的更新后的权值，为所述输入层的第个神经元到所述隐含层的第个神经元的权值，为预设的学习率，为所述隐含层的第个神经元的隐含层输出，为所述输入层的第个神经元的输入数据，为所述隐含层的神经元的个数，为所述指标，为输出层的神经元的数量；根据以下公式更新所述隐含层到所述输出层的权值：；其中，为所述隐含层的第个神经元到所述输出层的第个神经元的更新后的权值，为所述隐含层的第个神经元到所述输出层的第个神经元的权值；根据以下公式更新所述输入层到所述隐含层的阈值：；其中，为所述输入层的第个神经元到所述隐含层的第个神经元的更新后的阈值，为所述输入层的第个神经元到所述隐含层的第个神经元的阈值；根据以下公式更新所述隐含层到所述输出层的阈值：；
其中，为所述隐含层的第个神经元到所述输出层的第个神经元的更新后的阈值，为所述隐含层的第个神经元到所述输出层的第个神经元的阈值。
[0015]上述训练过程，实际上是使用最快下降法对BP神经网络模型进行训练，并通过反向传播来不断调整网络的权值和阈值，使网络的输出误差最小。
[0016]第二方面，本申请提供了一种机械臂结构参数的补偿方法，包括步骤：获取机械臂末端的目标位姿和实测位姿；计算所述实测位姿与所述目标位姿之间的位姿误差数据；把所述位姿误差数据输入预先训练好的结构参数补偿模型，得到所述结构参数补偿模型输出的结构参数误差；所述结构参数补偿模型为通过前文所述的机械臂结构参数的补偿模型获取方法获取的结构参数补偿模型；根据所述结构参数误差对所述机械臂的结构参数进行补偿。
[0017]由于使用通过前文所述的机械臂结构参数的补偿模型获取方法获取的结构参数补偿模型来进行结构参数误差的提取，得到的结构参数误差可靠性好，能够有效地对机械臂自身结构参数进行误差补偿，提高机械臂末端定位精度。
[0018]有益效果：本申请提供的机械臂结构参数的补偿模型获取方法和补偿方法，通过获取机械臂末端在多个目标点处的目标位姿和实测位姿；根据所述多个目标点的目标位姿和实测位姿，计算得到多个第一位姿误差数据；创建BP神经网络模型；所述BP神经网络模型以所述机械臂末端的第一位姿误差数据为输入，以所述机械臂的结构参数误差为输出数据，并以根据所述输出数据进行补偿后的理论位姿与对应本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种机械臂结构参数的补偿模型获取方法，用于获取机械臂的结构参数补偿模型，其特征在于，包括步骤：A1.获取机械臂末端在多个目标点处的目标位姿和实测位姿；A2.根据所述多个目标点的目标位姿和实测位姿，计算得到多个第一位姿误差数据；A3.创建BP神经网络模型；所述BP神经网络模型以所述机械臂末端的第一位姿误差数据为输入，以所述机械臂的结构参数误差为输出数据，并以根据所述输出数据进行补偿后的理论位姿与对应的实测位姿之间的等效误差为指标；A4.利用所述第一位姿误差数据对所述BP神经网络模型进行训练，直到所述指标满足要求。2.根据权利要求1所述的机械臂结构参数的补偿模型获取方法，其特征在于，所述第一位姿误差数据包括三个坐标误差数据和三个姿态角度误差数据；所述结构参数误差包括所述机械臂的各连杆的长度误差和各关节的转角误差；所述BP神经网络模型包括输入层、隐含层和输出层，所述输入层的神经元个数为6，所述输出层的神经元个数小于或等于所述机械臂的连杆数量和关节数量之和。3.根据权利要求2所述的机械臂结构参数的补偿模型获取方法，其特征在于，所述指标为：；其中，为所述指标，为所述目标点的总个数，为第个所述目标点的实测位姿，为第个所述目标点的根据所述输出数据进行补偿后的理论位姿。4.根据权利要求2所述的机械臂结构参数的补偿模型获取方法，其特征在于，步骤A4包括：A401.初始化所述输入层到所述隐含层的权值、所述隐含层到所述输出层的权值、所述输入层到所述隐含层的阈值和所述隐含层到所述输出层的阈值；A402.把一未使用的所述第一位姿误差数据输入所述输入层，以计算得到所述输出数据；A403.计算各所述目标点的根据所述输出数据进行补偿后的理论位姿；A404.根据各所述目标点的所述理论位姿和所述实测位姿计算所述指标；A405.判断所述指标是否满足要求；A406.若否，则更新所述输入层到所述隐含层的权值、所述隐含层到所述输出层的权值、所述输入层到所述隐含层的阈值和所述隐含层到所述输出层的阈值，并返回步骤A402；A407.若是，则结束训练。5.根据权利要求4所述的机械臂结构参数的补偿模型获取方法，其特征在于，步骤A401包括：把所述输入层到所述隐含层的权值、所述隐含层到所述输出层的权值、所述输入层到所述隐含层的阈值和所述隐含层到所述输出层的阈值设置为0和1之间的随机数。6.根据权利要求4所述的机械臂结构参数的补偿模型获取方法，其特征在于，步骤A402
包括：由所述隐含层根据以下公式计算隐含层输出：;其中，为所述隐含层的第个神经元的所述隐含层输出，为所述隐含层的神经元的个数，为所述输入层的第个神经元到所述隐含层的第个神经元的权值，为...

【专利技术属性】
技术研发人员：康信勇，范朝龙，袁悦，范黎，
申请(专利权)人：季华实验室，
类型：发明
国别省市：