一种基于复合分支神经网络的工业机器人定位误差自适应补偿方法技术

本发明专利技术公开了一种基于复合分支神经网络的工业机器人定位误差自适应补偿方法，引入神经结构搜索技术设计主从控制器架构的神经结构搜索框架，首先在主控的驱动下诊断从控根据给定的不同误差等级位姿数据自动创建误差等级诊断模型，随即预测从控根据诊断模型筛选出的不同误差等级位姿数据自动创建补偿位姿预测模型，最后主控整合诊断模型和预测模型形成复合分支网络模型。应用过程中，主控首先激活复合分支模型中的诊断网络支路判断当前位姿下定位误差等级，随之激活对应误差等级下的预测网络支路以生成补偿位姿，并利用误差级别对补偿位姿进行修正。将本发明专利技术方法应用于和UR机器人精度补偿案例，结果表明该发明专利技术方法性能优于同类方法。性能优于同类方法。性能优于同类方法。

【技术实现步骤摘要】
一种基于复合分支神经网络的工业机器人定位误差自适应补偿方法


[0001]本专利技术属于工业机器人绝对定位精度补偿方法
，具体涉及基于复合分支神经网络的工业机器人定位误差自适应补偿方法。

技术介绍

[0002]串联工业机器人具有通用性、操作灵活性和空间可达性强等特点，在焊接、磨抛等复杂工况下已得到广泛应用。故利用该类型机器人可实现数控机床无法实现的一些超大型构件的加工，这为大型构件提供了一种新颖的高效高精的加工模式，该模式已引起了学术界和工业界的重视。但目前机器人在大型构件铣削方面的应用还较为保守，因为工件的铣削精度主要取决于机器人的静态精度和动态稳定性，尤其是机器人的静态精度对其绝对定位精度要求较高。因此，提高和优化机器人的绝对定位精度是保证工件铣削质量的一种有效途径。
[0003]受系统误差(由机器人结构误差即连杆参数误差、关节转角参数误差等构成，也称为几何误差)和随机误差(主要由机器人关节连接挠度、摩擦、连接间隙甚至是外部温度等因素引起，也称之为非几何误差)影响，在实际工作时机器人末端执行器的实际位姿与目标位姿不一致，这也致使机器人实际运行轨迹与其离线规划的目标运行轨迹存在较大偏差。针对上述两类误差，研究者们提出了基于运动学模型补偿的参数方法和直接建立机器人末端执行器实际位姿与目标位姿映射关系的非参数方法。
[0004]通过综述研究发现，机器人定位误差补偿问题存在以下两个特点：在空间上，其定位误差等级存在差异分布，当机器人位姿变化较大，即各关节旋转范围较大时，关节挠度、间隙和摩擦都会发生明显变化，不可避免地导致机器人在不同的子工作空间中存在不同程度的定位误差；在时间上，机器人工作性能的退化会显著恶化其定位精度，这是因为随着机器人服役时间增加，其工作性能会逐渐退化，运动学模型参数也会不断变化，导致其末端定位误差也会显著提高。无论是基于参数法还是基于非参数法，当前对机器人定位精度进行优化主要是通过离线方式实现的。另外，在机器人定位精度优化的过程中，也鲜有研究综合考虑定位误差等级变化与机器人性能退化对定位误差补偿的影响，这使得建立的定位精度优化模型不能适用于机器人全生命周期，需要对模型反复地迭代训练和优化，该过程不仅费时，而且可能由于优化的延迟导致误差补偿效果不能满足机器人的使用要求。因此，亟需一种自适应的机器人定位误差补偿方法来克服空间上误差等级差异分布和时间上机器人性能退化加剧定位误差的问题。

技术实现思路

[0005]针对现有技术方法存在的不足，本专利技术的目的在于提供一种复合分支神经网络的工业机器人定位误差自适应补偿方法。该方法将机器人定位误差补偿空间中和时间上的两个关键问题抽象为误差等级诊断和补偿位姿预测问题，并引入神经结构搜索技术设计主从
控制器架构的神经结构搜索框架，对机器人定位误差进行自适应地分级补偿。
[0006]为实现上述目的，本专利技术一种复合分支神经网络的工业机器人定位误差自适应补偿方法，具体包括以下步骤：
[0007]S1、主控设定误差等级，诊断从控基于位姿数据自动创建误差等级诊断模型；
[0008]S2、根据主控设定的误差等级，预测从控针对不同等级的位姿数据分别创建补偿位姿预测模型；
[0009]S3、主控将误差等级诊断模型和多个补偿位姿预测模型整合为一个复合分支网络模型，并根据该模型的表现调整误差等级的划分，引导从控重新建模，直至达到补偿精度要求；
[0010]S4、针对待补偿的机器人位姿数据，主控激活模型的诊断支路，判断当前位姿所属误差等级；
[0011]S5、主控根据模型诊断支路的判断结果激活对应的预测支路，输出补偿位姿，并利用诊断的误差级别对预测结果进行分级过滤和平滑，最后将其载入控制器驱动机器人末端移动工作，实现定位误差自适应补偿；
[0012]所述主控负责协调从控的训练和优化、整合复合分支神经网络模型以及激活网络的相应通道进行位姿误差等级诊断和补偿位姿预测，本质上是一种控制逻辑，是本专利技术方法的大脑；
[0013]所述诊断从控是一个神经网络模型，通过输出决策序列来创建误差等级诊断模型，建立位姿与误差等级之间的映射关系，旨在克服机器人工作空间中误差等级存在差异分布对高精度误差补偿的影响；
[0014]所述预测从控是一个神经网络模型，通过输出决策序列来创建补偿位姿预测模型，建立实际位姿与目标位姿的映射关系，将误差提前补偿至目标位姿中，旨在克服机器人性能退化加剧定位误差对高精度误差补偿的影响；
[0015]所述步骤S5中利用诊断的误差级别对预测结果进行分级过滤和平滑是指首先利用诊断出的某等级误差的阈值对预测模型的输出进行过滤，剔除异常值，保证模型预测结果的有效性和稳定性。
[0016]进一步，所述步骤S1具体为：
[0017]S11、主控划定误差等级，将采样自机器人工作空间中的实际、目标位姿数据按照对应的误差等级进行分类；
[0018]S12、诊断从控以分类后的位姿数据为输入，输出决策序列，从搜索空间中选择对应的网络层，自动创建误差等级诊断模型；
[0019]S13、根据诊断模型的精度表现，诊断从控不断调整优化决策序列，直至自动创建满足精度要求的误差等级诊断模型；
[0020]所述步骤S12中的诊断从控为串并行混合的神经网络模型，其输入为诊断候选模型的空架构，经过中间网络层的计算，输出对应与候选模型空架构的决策序列；
[0021]所述步骤S12中的搜索空间为包括不同超参数组合的卷积层、全连接层、长短时记忆网络层和双向长短时记忆网络层等8层网络的网络层库。
[0022]进一步，所述步骤S13中诊断模型的精度表示如下：
[0023][0024]式中A
d
表示诊断模型精度表现的衡量指标，N表示批量数据所包含的位姿点数，K表示设定的误差等级数，为诊断模型针对批量数据中第j个位姿点所处误差等级的诊断结果的第i个分量，而则是对应批量数据中第j个位姿点所处误差等级独热编码标签的第i个分量；
[0025]所述步骤S13中诊断从控优化决策序列的目标函数如下所示：
[0026][0027]其中T
d
表示诊断从控的目标函数，M表示诊断从控进行的决策轮数，T为决策序列长度，为诊断从控第j轮决策序列中第t维决策值，表示第j轮决策创建的诊断模型的诊断精度，也即该轮决策的奖励值，用交叉熵来刻画策略和回报概率分布之间的距离，当两者越接近，交叉熵越小，也即当决策序列的累计奖励越大，对应的决策序列出现的概率也越大时交叉熵损失才会变小，在给定的候选模型验证环境下，相同的动作对应的回报是一样的，控制器与验证环境交互过程中，发现某一决策序列对应的回报更大，于是就通过交叉熵损失函数更新控制器的网络参数增大对应动作出现的概率。
[0028]进一步，所述步骤S2具体为：
[0029]S21、预测从控以某一误差等级下的位姿数据为输入，输出决策序列，从搜索空间中选择对应的网络层，自动创建补偿位姿预测模型；
[0030]S本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于复合分支神经网络的工业机器人定位误差自适应补偿方法，其特征在于，包括以下步骤：S1、主控设定误差等级，诊断从控基于位姿数据自动创建误差等级诊断模型；S2、根据主控设定的误差等级，预测从控针对不同等级的位姿数据分别创建补偿位姿预测模型；S3、主控将误差等级诊断模型和多个补偿位姿预测模型整合为一个复合分支网络模型，并根据该模型的表现调整误差等级的划分，引导从控重新建模，直至达到补偿精度要求；S4、针对待补偿的机器人位姿数据，主控激活模型的诊断支路，判断当前位姿所属误差等级；S5、主控根据模型诊断支路的判断结果激活对应的预测支路，输出补偿位姿，并利用诊断的误差级别对预测结果进行分级过滤和平滑，最后将其载入控制器驱动机器人末端移动工作，实现定位误差自适应补偿；所述主控负责协调从控的训练和优化、整合复合分支神经网络模型以及激活网络的相应通道进行位姿误差等级诊断和补偿位姿预测，本质上是一种控制逻辑，是所提方法的大脑；所述诊断从控是一个神经网络模型，通过输出决策序列来创建误差等级诊断模型，建立位姿与误差等级之间的映射关系，旨在克服机器人工作空间中误差等级存在差异分布对高精度误差补偿的影响；所述预测从控是一个神经网络模型，通过输出决策序列来创建补偿位姿预测模型，建立实际位姿与目标位姿的映射关系，将误差提前补偿至目标位姿中，旨在克服机器人性能退化加剧定位误差对高精度误差补偿的影响；所述步骤S5中利用诊断的误差级别对预测结果进行分级过滤和平滑是指首先利用诊断出的某等级误差的阈值对预测模型的输出进行过滤，剔除异常值，保证模型预测结果的有效性和稳定性。2.如权利要求1所述的基于复合分支神经网络的工业机器人定位误差自适应补偿方法，其特征在于，所述步骤S1具体为：S11、主控划定误差等级，将采样自机器人工作空间中的实际、目标位姿数据按照对应的误差等级进行分类；S12、诊断从控以分类后的位姿数据为输入，输出决策序列，从搜索空间中选择对应的网络层，自动创建误差等级诊断模型；S13、根据诊断模型的精度表现，诊断从控不断调整优化决策序列，直至自动创建满足精度要求的误差等级诊断模型；所述步骤S12中的诊断从控为串并行混合的神经网络模型，其输入为诊断候选模型的空架构，经过中间网络层的计算，输出对应与候选模型空架构的决策序列；所述步骤S12中的搜索空间为包括不同超参数组合的卷积层、全连接层、长短时记忆网络层和双向长短时记忆网络层等8层网络的网络层库。3.如权利要求2所述的基于复合分支神经网络的工业机器人定位误差自适应补偿方法，其特征在于，所述步骤S13中诊断模型的精度表示如下：
式中A

【专利技术属性】
技术研发人员：樊伟，周健，郑联语，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：