一种工业机器人位置误差置信区间预测和评价方法技术

本发明专利技术涉及一种工业机器人位置误差置信区间预测和评价方法，包括：构建训练集和测试集，将训练集输入到模型中训练基于贝叶斯线性回归的位置误差模型；训练好模型后，将测试集输入到模型中进行位置误差置信区间的预测；计算置信区间宽度均值和方差，计算测量位置误差的高斯分布模型，计算测量结果与预测结果之间的散度，将置信区间宽度均值和方差以及散度作为位置误差置信区间的预测精度评价标准。与现有技术相比，本发明专利技术能够更精确高效的预测目标位置的位置误差，并对相关置信区间进行预测推导，同时利用置信区间宽度均值和方差以及散度指标去评价预测出的置信区间，能够准确反映位置误差的不确定性以及预测所得置信区间的可靠性。靠性。靠性。

【技术实现步骤摘要】
一种工业机器人位置误差置信区间预测和评价方法


[0001]本专利技术涉及机器人
，尤其是涉及一种工业机器人位置误差置信区间预测和评价方法。

技术介绍

[0002]工业机器人由于其高灵活性、高智能和高通用性，被应用于许多工业制造领域。工业机器人的定位精度的高低将直接影响实际的工业生产，不同行业对定位精度有不同的标准。工业机器人的制造误差、装配误差以及关节柔度和热效应分别会造成几何和非几何参数误差。工业机器人的参数误差将导致机器人的理论位置和实际位置之间的偏差。由于几何参数和非几何参数误差的影响，使得机器人的位置误差包括系统误差和随机误差，机器人的位置误差不是一个确定值，而是一个随机变量。此外，由于位置误差的存在，工业机器人无法满足高精度的要求。因此，提高工业机器人的绝对定位精度具有重要意义。
[0003]目前国内外热门的精度补偿方法既有最小二乘、扩展卡尔曼滤波(EKF)、LM算法等参数辨识算法用于机器人标定，又有极限学习机(ELM)、协同克里金(Co
‑
Kriging)、神经网络等方法对末端位置误差进行预测。前者只能对机器人几何参数误差进行补偿，具有一定的局限性，而后者虽然有对机器人几何误差和非几何误差进行补偿，但此方法把机器人位置误差当成确定值，没有考虑到随机噪声产生的随机误差具有随机性的特点。因此，上述算法并不能满足需求。

技术实现思路

[0004]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种工业机器人位置误差置信区间预测和评价方法，考虑到机器人位置误差中的非几何误差引发的随机噪声的影响，建立基于贝叶斯线性回归的位置误差预测模型，用模型来预测目标位置的位置误差置信区间，并利用置信区间去反映位置误差的不确定性，同时，采用了置信区间宽度均值与方差以及KL散度指标去评价置信区间的稳定性和准确性。
[0005]本专利技术的目的可以通过以下技术方案来实现：
[0006]一种工业机器人位置误差置信区间预测和评价方法，包括以下步骤：
[0007]步骤1：对工业机器人选取多个关节角度矢量和末端位置，采集工业机器人在各关节角度矢量下的位置误差，并在每个末端位置进行k次重复测量，每个关节角度矢量均对应k个位置误差；对采集的数据进行划分，得到训练样本集和测试数据集；
[0008]步骤2：根据重复测量的数据对训练样本集进行划分，得到k组训练数据，分别基于贝叶斯线性回归方法进行训练，得到k个分别沿x、y、z轴方向的位置误差模型；
[0009]步骤3：对工业机器人输入目标关节角矢量，并对对应的末端位置进行k次重复测量，得到与所述目标关节角矢量相对应的k个位置误差；
[0010]步骤4：根据目标关节角矢量相对应的k个位置误差，计算测量的沿x、y、z轴方向的位置误差高斯分布函数d
m
(θ
*
)；
[0011]步骤5：将目标关节角矢量输入k个位置误差模型中，预测k个分别沿x、y、z轴方向的位置误差的预测均值和方差；
[0012]步骤6：根据预测的k个分别沿x、y、z轴方向的位置误差的预测均值和方差，计算得到分别沿x、y、z轴方向的位置误差高斯分布函数d
p
(θ
*
)以及置信区间；
[0013]步骤7：根据测试数据集中各个关节角度矢量及其对应的位置误差，依次执行步骤3
‑
步骤6，得到与关节角度矢量数量相同的分别沿x、y、z轴位置误差的高斯分布函数，从而计算预测的位置误差高斯分布函数的置信区间宽度均值与方差，以及d
m
(θ
*
)与d
p
(θ
*
)的散度，根据计算结果评价工业机器人位置误差预测结果的可靠性。
[0014]进一步地，所述置信区间宽度均值与方差的计算表达式分别为：
[0015][0016][0017]式中，CI_width_mean为置信区间宽度均值，为第i个沿x、y、z轴位置误差的预测标准偏差，n为测试数据集中关节角度矢量的总数，CI_width_var为置信区间宽度方差；
[0018]CI_width_mean的值越小表示预测结果越可靠，CI_width_var的值越小说明置信区间越平滑和稳定。
[0019]进一步地，所述d
m
(θ
*
)与d
p
(θ
*
)的散度的计算表达式为：
[0020][0021]式中，σ
g
为沿x、y、z轴位置误差的预测标准偏差，μ
g
为沿x、y、z轴位置误差的预测均值，σ
x
为沿x、y、z轴位置误差的测量标准偏差，μ
x
为沿x、y、z轴位置误差的测量均值，为d
m
(θ
*
)与d
p
(θ
*
)的散度；
[0022]若散度越小，说明预测的位置误差高斯分布与测量的差异很小，进而表明预测的置信区间就越准确；
[0023]若散度越大，说明预测的位置误差高斯分布与测量的差异很大，预测的置信区间的准确度就相对较差。
[0024]进一步地，根据置信区间宽度和置信区间方差判断预测的置信区间的可靠性和稳定性，根据散度判断预测的置信区间的准确性，验证几何参数非几何误差对置信区间的影响，从而判断非几何误差补偿后的预测结果可靠性是否提升。
[0025]进一步地，所述步骤1具体为：
[0026]在工业机器人的工作空间中随机选取2n组关节角度矢量Θ＝[θ1,θ2,...,θ
2n
]T
，利用机器人正向运动学公式计算得到相应采样位置的理论位置坐标，再通过机器人控制系统控制机器人末端到达采样位置，测量设备对2n组末端位置进行k次重复测量得到实际位置坐标，求得实际位置与理论位置的差值即为所需要的位置误差，
[0027]从2n组样本集中取出n组关节角度矢量θ＝[θ1,θ2,...,θ
n
]T
和相应的位置误差d(θ)＝[d(θ1),d(θ2),...,d(θ
n
)]T
，构建成训练样本集D＝[D1,D2,
···
,D
k
](k∈Z)，另外n
组构成测试数据集。
[0028]进一步地，所述步骤2具体包括以下步骤：
[0029]步骤201：将工业机器人沿x、y、z轴方向的位置误差以回归模型的形式表示，所述回归模型为基于核化模型的线性回归模型；
[0030]步骤202：采用贝叶斯线性回归方法，在推理阶段，利用贝叶斯规则计算权重向量所服从的分布，在预测阶段，基于推理出的权重向量的分布，估计目标位置误差的分布，从而确定所述线性回归模型的表达式；
[0031]步骤203：分别根据k组训练数据，通过步骤201
‑
202基于于贝叶斯线性回归方法进行训本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种工业机器人位置误差置信区间预测和评价方法，其特征在于，包括以下步骤：步骤1：对工业机器人选取多个关节角度矢量和末端位置，采集工业机器人在各关节角度矢量下的位置误差，并在每个末端位置进行k次重复测量，每个关节角度矢量均对应k个位置误差；对采集的数据进行划分，得到训练样本集和测试数据集；步骤2：根据重复测量的数据对训练样本集进行划分，得到k组训练数据，分别基于贝叶斯线性回归方法进行训练，得到k个分别沿x、y、z轴方向的位置误差模型；步骤3：对工业机器人输入目标关节角矢量，并对对应的末端位置进行k次重复测量，得到与所述目标关节角矢量相对应的k个位置误差；步骤4：根据目标关节角矢量相对应的k个位置误差，计算测量的沿x、y、z轴方向的位置误差高斯分布函数d
m
(θ
*
)；步骤5：将目标关节角矢量输入k个位置误差模型中，预测k个分别沿x、y、z轴方向的位置误差的预测均值和方差；步骤6：根据预测的k个分别沿x、y、z轴方向的位置误差的预测均值和方差，计算得到分别沿x、y、z轴方向的位置误差高斯分布函数d
p
(θ
*
)以及置信区间；步骤7：根据测试数据集中各个关节角度矢量及其对应的位置误差，依次执行步骤3
‑
步骤6，得到与关节角度矢量数量相同的分别沿x、y、z轴位置误差的高斯分布函数，从而计算预测的位置误差高斯分布函数的置信区间宽度均值与方差，以及d
m
(θ
*
)与d
p
(θ
*
)的散度，根据计算结果评价工业机器人位置误差预测结果的可靠性。2.根据权利要求1所述的一种工业机器人位置误差置信区间预测和评价方法，其特征在于，所述置信区间宽度均值与方差的计算表达式分别为：在于，所述置信区间宽度均值与方差的计算表达式分别为：式中，CI_width_mean为置信区间宽度均值，为第i个沿x、y、z轴位置误差的预测标准偏差，n为测试数据集中关节角度矢量的总数，CI_width_var为置信区间宽度方差；CI_width_mean的值越小表示预测结果越可靠，CI_width_var的值越小说明置信区间越平滑和稳定。3.根据权利要求2所述的一种工业机器人位置误差置信区间预测和评价方法，其特征在于，所述d
m
(θ
*
)与d
p
(θ
*
)的散度的计算表达式为：式中，σ
g
为沿x、y、z轴位置误差的预测标准偏差，μ
g
为沿x、y、z轴位置误差的预测均值，σ
x
为沿x、y、z轴位置误差的测量标准偏差，μ
x
为沿x、y、z轴位置误差的测量均值，为d
m
(θ
*
)与d
p
(θ
*
)的散度；若散度越小，说明预测的位置误差高斯分布与测量的差异很小，进而表明预测的置信区间就越准确；
若散度越大，说明预测的位置误差高斯分布与测量的差异很大，预测的置信区间的准确度就相对较差。4.根据权利要求3所述的一种工业机器人位置误差置信区间预测和评价方法，其特征在于，根据置信区间宽度和置信区间方差判断预测的置信区间的可靠性和稳定性，根据散度判断预测的置信区间的准确性，验证几何参数非几何误差对置信区间的影响，从而判断非几何误差补偿后的预测结果可靠性是否提升。5.根据权利要求1所述的一种工业机器人位置误差置信区间预测和评价方法，其特征在于，所述步骤1具体为：在工业机器人的工作空间中随机选取2n组关节角度矢量Θ＝[θ1,θ2,...,θ
2n
]
T
...

【专利技术属性】
技术研发人员：陈冬冬，吕品，孔冬冬，施伟豪，王宇斌，黎佳豪，
申请(专利权)人：上海大学，
类型：发明
国别省市：