【技术实现步骤摘要】
本专利技术涉及人工智能，具体地涉及一种多自由度串联机构定位误差预测方法。
技术介绍
1、多自由度串联机构是机器人、机械臂等运动装置中常用的一种结构设计，它的主要作用是将多个关节依次连接起来，从而实现一系列复杂的运动和动作。多自由度串联机构具有较高的灵活性和较低的成本，因此被广泛应用于制造业，例如拥有六轴自由度的工业机器人，然而其几何误差的影响限制了其在大空间内定位误差的预测精度。
2、空间网格补偿法是提高多自由度串联机构定位误差的有效方法之一，然而存在所需采样位姿多导致误差测量环节非常耗时，且选择位姿样本以片面代表所有区域数据等问题。因此，有必要提出一种多自由度串联机构定位误差预测方法，以实现多自由度串联机构在大工作空间内末端定位误差的准确预测，同时提高多自由度串联机构定位误差补偿效率。
技术实现思路
1、本专利技术的目的在于克服现有技术存在的缺点，提出设计一种基于误差相似度与多源迁移领域自适应的多自由度串联机构定位误差预测方法，实现多自由度串联机构在大工作空间内末端定位误差的准确预测，同时提高多自由度串联机构定位误差补偿效率。
2、本专利技术解决其技术问题所采取的技术方案是：
3、一种多自由度串联机构定位误差预测方法，包括以下步骤：
4、s1、通过网格划分将多自由度串联机构工作空间划分为若干个扇形柱状体；
5、s2、基于均匀边界采样原理和不同区域的定位误差分布相似度原则，选取位于扇形柱状体的8个顶点的空间作为源域空间，其
6、s3、在源域空间基于分级采样策略将完备的多自由度串联机构采样位姿及误差测量数据作为源域数据，基于多源数据可迁移性分析在目标域空间将采样位姿及误差测量数据作为目标域数据；
7、s4、基于子空间对齐的多源迁移领域自适应方法将8个源域与每个目标域的数据映射到同一特征空间；
8、s5、将源域与目标域中的指定子空间的特征空间对齐后，在此基础上将源域标签数据集与指定子空间的标签空间对齐，形成指定子空间的迁移数据集；
9、s6、将所有子空间迁移数据集与目标域数据融合形成目标域训练数据集，用于训练姿态误差预测模型；
10、s7、训练姿态误差预测模型；
11、s8、使用回归模型预测多自由度串联机构指定位姿的定位误差，补偿误差并生成新的坐标值和姿态角。
12、本专利技术多自由度串联机构姿态角相比于多自由度串联机构位置对多自由度串联机构定位误差影响较小，采用分级采样方法在源域构建具备完整多自由度串联机构位姿及误差数据集，能够降低采样特征数量。
13、进一步的，步骤s1中，将多自由度串联机构工作空间划分为64个扇形柱状体。
14、进一步的，步骤s3中，对于源域空间，包括：
15、s31、首先在柱体坐标系下对坐标值进行均匀采样获得h个数据，并将采样后的坐标值转为笛卡儿坐标系下的坐标值x、y、z，其中h为正整数；
16、s32、在已有笛卡儿坐标值基础上，对3个姿态角采用均匀采样方法获得数据集，从数据集中采用随机采样方法获得h/2个姿态角数据；
17、s33、位置与姿态角的多自由度串联机构定位误差测量结果合并为尺寸l=3/2*h的特征空间。
18、进一步的，步骤s3中，所述目标域空间中作为目标域数据的采样位姿及误差测量数据量为源域空间中作为源域数据的采样位姿及误差测量数据量的1/15-1/8，即目标域空间只需要将少量的采样位姿及误差测量数据作为目标域数据。
19、进一步的，对于目标域空间，目标域数据需满足：
20、目标域与源域特征空间可以通过变换矩阵实现特征一一映射；
21、远离源域的子空间采样点数量根据相距距离按正比比例增多。
22、进一步的，步骤s7，包括：
23、s71、设置目标域数据初始权重和测量权重；
24、s72、基于高斯过程回归模型建立误差预测模型，根据拟合误差值动态调整权重值直到所有数据拟合误差分布满足要求；根据要求和效果通过试验和反复迭代来选择最合适的初始权重 ω t,i，根据回归模型预测值计算加权拟合误差 e t,i，可以获得目标域样本权重 ε t：
25、；
26、其中，t为迭代次数，n为源域数据个数，m为目标域数据个数，k为目标域子空间个数， e t,i为迭代次数为t时，目标域第j个子空间的计算加权拟合误差， ω t,i为迭代次数为t时，目标域第j个子空间的初始权重。当 ε t＞0.5，则停止迭代。
27、本专利技术的技术效果：
28、与现有技术相比，本专利技术的一种多自由度串联机构定位误差预测方法，选取几个空间作为源域空间并进行数据多源迁移，根据特征空间及误差分布规律制定源域与目标域采样准则，利用特征空间对齐与自适应权重的迁移学习方法建立多自由度串联机构误差预测模型，大大减少了采样点的数量，源域数据与目标域数据均用于训练高斯过程回归模型，基于加权拟合误差指标自适应迭代目标域样本权重，提高了子空间对齐精度与模型预测精度。
本文档来自技高网...【技术保护点】
1.一种多自由度串联机构定位误差预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的多自由度串联机构定位误差预测方法，其特征在于，步骤S1中，将多自由度串联机构工作空间划分为64个扇形柱状体。
3.根据权利要求1所述的多自由度串联机构定位误差预测方法，其特征在于，步骤S3中，对于源域空间，包括：
4.根据权利要求1所述的多自由度串联机构定位误差预测方法，其特征在于，步骤S3中，所述目标域空间中作为目标域数据的采样位姿及误差测量数据量为源域空间中作为源域数据的采样位姿及误差测量数据量的1/15-1/8。
5.根据权利要求1所述的多自由度串联机构定位误差预测方法，其特征在于，对于目标域空间，目标域数据需满足：
6.根据权利要求1所述的多自由度串联机构定位误差预测方法，其特征在于，步骤S7，包括：
【技术特征摘要】
1.一种多自由度串联机构定位误差预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的多自由度串联机构定位误差预测方法，其特征在于，步骤s1中，将多自由度串联机构工作空间划分为64个扇形柱状体。
3.根据权利要求1所述的多自由度串联机构定位误差预测方法，其特征在于，步骤s3中，对于源域空间，包括：
4.根据权利要求1所述的多自由度串联机构定...
【专利技术属性】
技术研发人员：叶瑛歆，吴乐，倪鹤鹏，姬帅，柳竹青，丁信忠，梁亮，常建明，于复生，
申请(专利权)人：山东建筑大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。