一种基于GBDT算法的工业机器人位置误差补偿方法和系统技术方案

本发明专利技术公开了一种基于GBDT算法的工业机器人位置误差补偿方法和系统，其中方法包括：将各关节的几何参数误差累加得到总位置误差，将总位置误差最小化搜索出的几何参数误差作为初始种群，进行遗传优化，得到优化后的几何参数误差；将关节角度输入训练好的GBDT模型，预测残余位置误差，将优化后的几何参数误差、预测的残余位置误差与关节角度结合得到末端位置，将关节角度作为种群中的粒子，进行种群搜索，得到最优关节角度，控制工业机器人在最优关节角度下运动，完成位置误差补偿。本发明专利技术可有效降低几何参数误差和非几何参数误差对机器人位置误差的影响，在机器人控制器参数修改权限不开放的情况下完成补偿，具有适用性广，稳定性好，精度高的优点。精度高的优点。精度高的优点。

【技术实现步骤摘要】
一种基于GBDT算法的工业机器人位置误差补偿方法和系统


[0001]本专利技术属于工业机器人控制领域，更具体地，涉及一种基于GBDT算法的工业机器人位置误差补偿方法和系统。

技术介绍

[0002]工业机器人通常需要在复杂的环境中完成高精度作业，如何保证并提高机器人的定位精度是目前的研究热点之一。机器人的定位精度和机器人的控制系统密不可分，因为对机器人的控制主要通过离线编程完成，而编程时需要利用机器人模型进行计算，但用于计算的理论模型和真实运行的实际模型之间存在偏差，所以会产生位置误差使机器人定位精度下降，这种偏差主要由静态的几何参数误差和动态的非几何参数误差造成。
[0003]提高机器人的定位精度需要通过减少静态误差和动态误差来缩小理论模型和实际模型间的差距，缩小差距的方法分为两种：一种方法是通过提高生产水平、加工精度、装配条件、材料性能从而保证机器人的实际模型与理论模型一致，达到误差预防的效果，但这种方法成本高、灵活性低，通常难以实现。另一种方法是通过高精度测量手段得到位置误差，根据位置误差修改理论模型使理论模型与实际模型间的差距减小，达到误差标定的效果，这种方法成本低、效果好、灵活性强，是提高机器人定位精度的主流方法。
[0004]目前的位置误差标定方法主要是针对静态的几何参数误差展开的，因为几何参数误差对机器人位置误差的影响更大，对几何参数误差进行标定后能满足大多数机器人的精度要求。但实际工程中大多数机器人的控制系统的修改权限不对外开放，几何参数误差无法修正到控制系统中，即使部分机器人可以对几何参数进行修改，也可能导致修改参数后机器人不再满足pieper准则，造成运动学模型无法求逆解的情况。且随着工业机器人产业的发展，部分机器人工作过程中需要考虑负载变化、人机协作、环境干扰等因素，非几何参数误差对这类机器人的影响较大。
[0005]总而言之，为满足机器人的精度要求，需要综合考虑几何参数误差和非几何参数误差进行位置误差标定和补偿，但现有的补偿方法未同时考虑几何参数误差对位置误差的影响、非几何参数误差对位置误差的影响和控制器修改权限不开放的影响，导致机器人定位精度低，存在一定的局限性。

技术实现思路

[0006]针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于GBDT(Gradient Boosting Decision Trees，梯度提升决策树)算法的工业机器人位置误差补偿方法和系统，由此解决现有技术由于未同时考虑几何参数误差对位置误差的影响、非几何参数误差对位置误差的影响以及控制器修改权限不开放的影响，导致机器人定位精度低的技术问题。
[0007]为实现上述目的，按照本专利技术的一个方面，提供了一种基于GBDT算法的工业机器人位置误差补偿方法，包括：
[0008]建立工业机器人的DH模型，在DH模型上获取几何参数，将工业机器人各关节的几何参数误差累加得到总位置误差，将总位置误差最小化搜索出的几何参数误差作为初始种群，进行遗传优化，得到优化后的几何参数误差；
[0009]在已知工业机器人关节角度及其目标位置的情况下，将关节角度与优化后的几何参数误差结合得到预测位置，计算预测位置与目标位置之间的误差为残余位置误差；将已知工业机器人关节角度及其对应残余位置误差作为GBDT模型的训练数据，以GBDT模型输出的残余位置误差与计算的残余位置误差之间差距最小为目标进行训练，得到训练好的GBDT模型；
[0010]将关节角度输入训练好的GBDT模型，预测残余位置误差，将优化后的几何参数误差、预测的残余位置误差与关节角度结合得到工业机器人末端位置，将关节角度作为种群中的粒子，以工业机器人末端位置与目标位置之间的误差最小为目标进行种群搜索，得到最优关节角度，控制工业机器人在最优关节角度下运动，完成位置误差补偿。
[0011]进一步地，所述GBDT模型的训练还包括：
[0012]将计算的残余位置误差作为实际误差，将GBDT模型输出的残余位置误差与计算的残余位置误差之间的差距作为预测误差，计算由多个已知工业机器人关节角度计算的残余位置误差的平均值；
[0013]计算多个实际误差与预测误差之差的平方和与多个实际误差与平均值之差的平方和的比值，将一减去该比值得到决定系数；
[0014]计算训练所得GBDT模型的决定系数，将决定系数最大值对应的GBDT模型作为训练好的GBDT模型。
[0015]进一步地，所述种群搜索包括：
[0016]将关节角度作为种群中的粒子，种群中第i个粒子的位置x
i
由关节角度表示；
[0017]粒子按照一定的速度飞行来迭代寻优，每次迭代过程中粒子速度和位置的更新公式如下所示：
[0018]v
i，j+1
＝wv
i，j
+c1r
1，j
[p
besti，j
‑
x
i，j
]+c2r
2，j
[g
best，j
‑
x
i，j
][0019]x
i，j+1
＝x
i，j
+v
i，j+1j
表示当前迭代次数，v
i，j
表示第j次迭代时的粒子速度，x
i，j
表示第j次迭代时的粒子位置，p
besti
表示个体最佳位置，g
best
表示整个种群的最佳位置，c1和c2表示学习因子，c1决定p
besti
对飞行速度的影响，c2决定g
best
对飞行速度的影响，w表示惯性权重因子，r
1，j
和r
2，j
为第j次迭代时的两个随机数；
[0020]每次迭代时由工业机器人末端位置与目标位置之间的误差计算各粒子的适应度；
[0021]每次迭代时以适应度最大为目标找出个体最佳位置和全局最佳位置；
[0022]当迭代次数达到最大迭代次数时，全局最佳位置即为最优关节角度。
[0023]进一步地，所述粒子的适应度f：
[0024][0025]式中，k为用于调整适应度函数大小的系数，工业机器人的目标位置为P
d
，工业机器人几何参数为q，几何参数误差为Δq，F为运动学方程，计算所得为预测位置，ε(x
i
)为残余位置误差，F与ε(x
i
)之和为末端位置。
[0026]进一步地，所述种群搜索过程中对惯性权重因子采取动态调整策略：
[0027][0028]式中w
max
为最大惯性权重因子，w
min
最小惯性权重因子，J为最大迭代次数。
[0029]进一步地，所述遗传优化包括：
[0030]将总位置误差最小化搜索出的几何参数误差作为初始种群，对初始种群进行染色体编码后计算个体适应度；
[0031]当个体适应度小于预设值时，对染色体编码后本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于GBDT算法的工业机器人位置误差补偿方法，其特征在于，包括：建立工业机器人的DH模型，在DH模型上获取几何参数，将工业机器人各关节的几何参数误差累加得到总位置误差，将总位置误差最小化搜索出的几何参数误差作为初始种群，进行遗传优化，得到优化后的几何参数误差；在已知工业机器人关节角度及其目标位置的情况下，将关节角度与优化后的几何参数误差结合得到预测位置，计算预测位置与目标位置之间的误差为残余位置误差；将已知工业机器人关节角度及其对应残余位置误差作为GBDT模型的训练数据，以GBDT模型输出的残余位置误差与计算的残余位置误差之间差距最小为目标进行训练，得到训练好的GBDT模型；将关节角度输入训练好的GBDT模型，预测残余位置误差，将优化后的几何参数误差、预测的残余位置误差与关节角度结合得到工业机器人末端位置，将关节角度作为种群中的粒子，以工业机器人末端位置与目标位置之间的误差最小为目标进行种群搜索，得到最优关节角度，控制工业机器人在最优关节角度下运动，完成位置误差补偿。2.如权利要求1所述的一种基于GBDT算法的工业机器人位置误差补偿方法，其特征在于，所述GBDT模型的训练还包括：将计算的残余位置误差作为实际误差，将GBDT模型输出的残余位置误差与计算的残余位置误差之间的差距作为预测误差，计算由多个已知工业机器人关节角度计算的残余位置误差的平均值；计算多个实际误差与预测误差之差的平方和与多个实际误差与平均值之差的平方和的比值，将一减去该比值得到决定系数；计算训练所得GBDT模型的决定系数，将决定系数最大值对应的GBDT模型作为训练好的GBDT模型。3.如权利要求1或2所述的一种基于GBDT算法的工业机器人位置误差补偿方法，其特征在于，所述种群搜索包括：将关节角度作为种群中的粒子，种群中第i个粒子的位置x
i
由关节角度表示；粒子按照一定的速度飞行来迭代寻优，每次迭代过程中粒子速度和位置的更新公式如下所示：v
i，j+1
＝wv
i，j
+c1r
1，j
[p
besti，j
‑
x
i，j
]+c2r
2，j
[g
best，j
‑
x
i，j
]x
i，j+1
＝x
i，j
+v
i，j+1
其中，j表示当前迭代次数，v
i，j
表示第j次迭代时的粒子速度，x
i，j
表示第j次迭代时的粒子位置，p
besti
表示个体最佳位置，g
best
表示整个种群的最佳位置，c1和c2表示学习因子，c1决定p
besti
对飞行速度的影响，c2决定g
best
对飞行速度的影响，w表示惯性权重因子，r
1，j
和r
2，j
为第j次迭代时的两个随机数；每次迭代时由工业机器人末端位置与目标位置之间的误差计算各粒子的适应度；每次迭代时以适应度最大为目标找出个体最佳位置和全局最佳位置；当迭代次数达到最大迭...

【专利技术属性】
技术研发人员：叶伯生，黎晗，潘钊，谭帅，李晓昆，李思澳，唐永杰，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：