一种基于多头制造技术

本发明专利技术公开了一种基于多头

【技术实现步骤摘要】
一种基于多头GAT的工业机器人定位误差补偿方法及系统


[0001]本专利技术属于工业机器人定位误差补偿领域，更具体地，涉及一种基于多头
GAT
的工业机器人定位误差补偿方法及系统
。

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
。
工业机器人定位精度分为绝对定位精度和重复定位精度，目前市面上的工业机器人普遍重复定位精度较高，绝对定位精度相对较低，难以满足高精工艺的要求
。
当机器人在工作空间中进行大范围复杂加工时，会在大范围内进行频繁的位置和姿态转换，导致定位误差不断发生变化，在这种情况下要精准控制定位精度是非常困难的
。
因此，机器人定位误差的预测和补偿是重要的研究领域
。
[0003]机器人定位误差补偿主要分为模型补偿和非模型补偿
。
[0004]在运动学模型补偿领域，国内外研究者对参数辨识方法进行了大量的研究，已经有了良好且稳定的辨识效果，但运动学模型补偿只考虑了机器人的几何误差，所以想要进一步提高定位精度，还需要对非几何误差进行建模预测和补偿；另外，运动学模型补偿中一些方法需要修改机器人控制器中的运动学参数，但商用机器人通常没有开放控制器修改权限，所以这些方法也难以得到实际应用
。
[0005]非运动学模型补偿领域的方法通常同时考虑了几何误差与非几何误差，能够更有效地补偿定位误差，但总体技术还不够成熟，未形成标准化的应用方案
。
该领域主流的空间插值方法和数据驱动方法都存在一些问题
。
[0006]在空间插值方法中，空间网格插值法可以在一定程度上预测并补偿机器人的定位误差，但是往往需要在高维空间进行采样，采样方法也会对最终的定位误差预测和补偿产生影响，且采样点数量往往较大，需要耗费大量的时间采集数据，在进行误差预测时也仅依据数学上的插值方法，该方法并没有充分利用机器人自身的特性来提高插值效果
。
[0007]数据驱动方法主要以各类机器学习和神经网络为主，但是这些方法都是将采集到的关节角和定位误差看作欧式空间中的样本点，以欧式数据的形式输入到模型中进行训练的
。
而工业机器人定位误差是由关节误差，连杆误差等连续叠加产生的，其中存在一定的结构性信息
。
如果以欧式数据作为模型的输入，就无法提取数据间的结构性特征，使得最终预测出的定位误差精度下降
。
[0008]由此可见，现有工业机器人定位误差补偿技术存在定位精度较低的技术问题
。

技术实现思路

[0009]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多头
GAT(Graph Neural Network
，图注意力网络
)
的工业机器人定位误差补偿方法及系统，由此解决现有工业机器人定位误差补偿技术存在定位精度较低的技术问题
。
[0010]为实现上述目的，按照本专利技术的一个方面，提供了一种基于多头
GAT
的工业机器人
定位误差补偿方法，包括：
[0011]将工业机器人执行运动指令之前的关节角输入定位误差预测模型，使用输出的定位误差对工业机器人执行运动指令之前的关节角进行补偿；
[0012]所述定位误差预测模型通过如下方式得到：
[0013]在工业机器人工作空间内采集关节角及其对应的定位误差，将一组关节角及其对应的定位误差作为图中的一个节点构建节点集合，通过节点之间的欧式距离构建邻接矩阵，节点集合和邻接矩阵组成图结构数据；
[0014]使用图结构数据训练多头
GAT
，多头
GAT
包括输入层
、
特征提取器
、
特征拟合器和输出层，特征提取器包括多层
GAT
，每个
GAT
中设置多头注意力机制；
[0015]在训练时，输入层将图结构数据中节点及其在邻接矩阵中的多阶邻域节点输入特征提取器；
[0016]在每层
GAT
中，通过多头注意力机制并行计算节点与各阶邻域节点之间的相似系数，以提取特征，将多头注意力机制提取的特征融合作为每层
GAT
的输出，在特征提取器的最后将多层
GAT
的输出进行拼接后输入特征拟合器；
[0017]特征拟合器对特征提取器输出的特征进行降维处理后输入输出层，最终输出预测的定位误差；
[0018]计算预测的定位误差与输入层中节点的定位误差之间的误差，反向传播更新多头
GAT
的权重参数，训练至收敛，得到训练好的多头
GAT
，将训练好的多头
GAT
作为定位误差预测模型
。
[0019]进一步地，所述方法还包括：
[0020]将工业机器人执行运动指令之前的关节角输入定位误差预测模型，输出定位误差；
[0021]将定位误差预测模型输出的定位误差与工业机器人执行运动指令之前的关节角对应的位置相加得到实际位置，通过实际位置和预设的目标位置计算伪目标位置，对伪目标位置进行逆解，得到修正后的关节角；
[0022]使用修正后的关节角再次计算新的伪目标位置，多次迭代，直到使用修正后的关节角计算的实际位置与预设的目标位置之间的距离误差小于误差阈值或者迭代次数大于迭代阈值，将此时修正后的关节角作为工业机器人定位误差补偿后的关节角
。
[0023]进一步地，所述工业机器人定位误差补偿后的关节角通过如下步骤获取：
[0024](1)
将迭代计数器置零
k
＝0，伪目标位置
P
pse
的初始值设为目标位置
P0，设定误差阈值
E
t
和迭代阈值
k
t
。
[0025](2)
基于定位误差计算第
k
次迭代修正后的实际位置
[0026][0027]式中，为关节角对应的位置，
f
为定位误差预测模型，则为
f
预测得到的定位误差，
[0028](3)
计算第
k
次迭代修正后的实际位置与目标位置
P0的距离误差
E
：
[0029][0030]式中，
ε
(
·
)
定义为：
[0031][0032]式中，
x
a
、y
a
和
z
a
为实际位置的三个坐标分量；
x0、y0和
z0为目标位置
P0的三个坐标分量；和为预测的定位误差的三个分量；
[0033]如果
E
小于迭代过程中记录的最小的误差<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于多头
GAT
的工业机器人定位误差补偿方法，其特征在于，包括：将工业机器人执行运动指令之前的关节角输入定位误差预测模型，使用输出的定位误差对工业机器人执行运动指令之前的关节角进行补偿；所述定位误差预测模型通过如下方式得到：在工业机器人工作空间内采集关节角及其对应的定位误差，将一组关节角及其对应的定位误差作为图中的一个节点构建节点集合，通过节点之间的欧式距离构建邻接矩阵，节点集合和邻接矩阵组成图结构数据；使用图结构数据训练多头
GAT
，多头
GAT
包括输入层
、
特征提取器
、
特征拟合器和输出层，特征提取器包括多层
GAT
，每个
GAT
中设置多头注意力机制；在训练时，输入层将图结构数据中节点及其在邻接矩阵中的多阶邻域节点输入特征提取器；在每层
GAT
中，通过多头注意力机制并行计算节点与各阶邻域节点之间的相似系数，以提取特征，将多头注意力机制提取的特征融合作为每层
GAT
的输出，在特征提取器的最后将多层
GAT
的输出进行拼接后输入特征拟合器；特征拟合器对特征提取器输出的特征进行降维处理后输入输出层，最终输出预测的定位误差；计算预测的定位误差与输入层中节点的定位误差之间的误差，反向传播更新多头
GAT
的权重参数，训练至收敛，得到训练好的多头
GAT
，将训练好的多头
GAT
作为定位误差预测模型
。2.
如权利要求1所述的一种基于多头
GAT
的工业机器人定位误差补偿方法，其特征在于，所述方法还包括：将工业机器人执行运动指令之前的关节角输入定位误差预测模型，输出定位误差；将定位误差预测模型输出的定位误差与工业机器人执行运动指令之前的关节角对应的位置相加得到实际位置，通过实际位置和预设的目标位置计算伪目标位置，对伪目标位置进行逆解，得到修正后的关节角；使用修正后的关节角再次计算新的伪目标位置，多次迭代，直到使用修正后的关节角计算的实际位置与预设的目标位置之间的距离误差小于误差阈值或者迭代次数大于迭代阈值，将此时修正后的关节角作为工业机器人定位误差补偿后的关节角
。3.
如权利要求2所述的一种基于多头
GAT
的工业机器人定位误差补偿方法，其特征在于，所述工业机器人定位误差补偿后的关节角通过如下步骤获取：
(1)
将迭代计数器置零
k
＝0，伪目标位置
P
pse
的初始值设为目标位置
P0，设定误差阈值
E
t
和迭代阈值
k
t
。(2)
基于定位误差计算第
k
次迭代修正后的实际位置次迭代修正后的实际位置式中，为关节角对应的位置，
f
为定位误差预测模型，则为
f
预测得到的定位误差，
(3)
计算第
k
次迭代修正后的实际位置与目标位置
P0的距离误差
E
：式中，
ε
(
·
)
定义为：式中，
x
a
、y
a
和
z
a
为实际位置的三个坐标分量；
x0、y0和
z0为目标位置
P0的三个坐标分量；和为预测的定位误差的三个分量；如果
E
小于迭代过程中记录的最小的误差
E
best
，则更新
E
best
＝
E
，并更新最优关节角否则进入步骤
(4)
继续迭代，更新迭代次数
k
＝
k+1
；
(4)
根据上一个伪目标位置和实际位置计算当前的伪目标位置；将实际位置与目标位置
P0之间的微小定位误差视为微分运动
Δ
k
‑1：再根据微分运动
Δ
k
‑1和上一个伪目标位置生成新的伪目标位置生成新的伪目标位置
(5)
对进行逆运动学解算，得到对应的关节角
(6)
重复步骤
(2)
‑
(5)
，直到迭代过程中距离误差
E
小于误差阈值
E
t<...

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