一种五自由度混联机器人误差预测及实时补偿技术的制作方法

技术特征：
1.一种五自由度混联机器人误差预测及实时补偿技术，其特征是，包括以下步骤：(1)混联机器人位姿误差分解；(2)并联机构位姿误差测量及预测；(3)串联转头误差预测；(4)混联机器人关节误差补偿；(5)补偿神经网络训练；(6)构造关节误差补偿器；所述步骤(1)中的混联机器人位姿误差分解方法具体如下：将五自由度混联机器人分解为1t2r三自由度并联机构和两自由度串联转头，则机器人的正运动学模型k(q)可表示为：k(q)＝k(q
p
,q
w
)＝k
p
(q
p
)k
w
(q
w
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)q＝(q1,q2,q3,q4,q5)
t
,q
p
＝(q1,q2,q3)
t
,q
w
＝(q4,q5)
t
式中，k
p
(
·
)和k
w
(
·
)分别表示并联机构和串联转头的正运动学模型；q
p
和q
w
分别表示并联机构和串联转头的关节量；根据线性叠加原理，混联机器人末端位姿误差旋量ξ∈r6可表示为：ξ＝x
p
ξ
p
x
c
ξ
c
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)式中，ξ
p
∈r6，表示并联机构动平台的位姿误差旋量；ξ
c
∈r6，表示串联转头末端位姿误差旋量；所述步骤(2)中并联机构位姿误差测量及预测的过程如下:选用激光跟踪仪(81)作为测量仪器，建立激光跟踪仪测量坐标系(74)及机器人基坐标系(71)，确定所述激光跟踪仪测量坐标系(74)与机器人基坐标系(71)之间的相对位姿关系，并以机器人基坐标系(71)作为后续误差测量与补偿等环节的统一基准；利用激光跟踪仪(81)测量位姿测量装置(91)上三个靶球的球心位置坐标，据此计算动平台(5)在机器人基坐标系(71)下的位姿，并与动平台(5)理想位姿相比较，得到并联机构动平台(5)的位姿误差旋量ξ
p
＝(δx
p δy
p δz
p δα
p δβ
p δγ
p
)
t
；将每个测量位形下并联机构的关节量q
p
和对应的动平台位姿误差旋量ξ
p
作为一组样本数据，构造网络训练样本集；将样本集按照一定规则划分成训练集和测试集，并对样本数据进行归一化处理：进行归一化处理：式中，x
i
为样本数据某一维度的参数值，x
max
和x
min
分别表示该维度的最大和最小参数值，表示归一化后的参数值；以并联机构关节量为输入，动平台位姿误差旋量为输出，构造一个三层bp神经网络作
为误差预测神经网络；该网络由输入层、输出层和一个隐含层组成，网络输入层包含3个节点，分别代表并联机构关节量q
p
的三个分量，网络输出层包含6个节点，分别代表动平台位姿误差旋量ξ
p
的六个分量；网络隐含层采用tan
‑
sigmoid激活函数：f(x)＝2/(1 e
‑
2x
)
‑
1；输出层采用线性激活函数：f(x)＝kx；通过对比实验确定预测神经网络的最优网络结构及参数；根据隐含层节点数目的不同，构造多个不同结构的神经网络，分别对各网络模型进行训练和验证，选择预测精度最高的网络结构及其训练参数作为并联机构误差预测模型；当动平台(5)运动至工作空间内任一位形时，将并联机构的关节量q
p
经归一化后输入上述并联机构误差预测模型，并对网络输出结果进行反归一化，即可预测得到该位形下动平台(5)的位姿误差旋量ξ
p
；所述步骤(3)的串联转头误差预测过程如下：构造转头d
‑
h参数模型，建立机器人末端连体系73相对于动平台连体系(72)的齐次变换方程：t
w
＝t4t5ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)t
i
＝rot(z,θ
i
)trans(z,d
i
)trans(x,a
i
)rot(x,α
i
)式中，θ
i
，a
i
，d
i
，α
i
为转头各关节的d
‑
h参数；将混联机器人回零后保持并联机构不动，分别旋转串联转头(6)的每一个回转轴，测量并拟合各旋转轴轴线的空间位置，得到转头真实d
‑
h参数，并将其代入转头d
‑
h参数模型，得到串联转头的真实运动学模型；当串联转头(6)运动至空间任一位形时，可由该模型预估末端连体系(73)相对于动平台连体系(72)的真实位姿，并与各位形下末端连体系(73)理想位姿相比较，得到串联转头的末端位姿误差旋量ξ
c
＝(δx
c δy
c δz
c δα
c δβ
c δγ
c
)
t
；根据式(2)将预测得到的并联动平台的位姿误差旋量ξ
p
和串联转头末端位姿误差旋量ξ
c
合成为混联机器人末端位姿误差旋量ξ，得到混联机器人整机误差预测模型m
h
；所述步骤(4)的混联机器人关节误差补偿原理如下：在机器人误差相对其名义值足够小的前提下，混联机器人的末端位姿误差旋量ξ可表示为：ξ＝t
a
ρ
a
ζ
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)ρ
a
＝(ρ
a,1 ρ
a,2 ρ
a,3 ρ
a,4 ρ
a,5
)
t
∈r5式中，t
a
表示运动误差雅可比，其是名义驱动关节变量q＝(q1,q2,q3,q4,q5)
t
的函数，可由机器人速度分析得到；ρ
a
表示关节运动误差向量；ρ
a,i
和分别表示第i个(i＝1,2,l,5)驱动关节运动误差的大小以及末端关于参考点的单位微小位移旋量；ζ∈r6表示除关节运动误差外系统中所有未建模误差源引起的机器人末端位姿误差旋量；根据混联机器人速度模型构造驱动力雅可比w
a
∈r6×5，并用其转置左乘式(5)两端，得：，并用其转置左乘式(5)两端，得：构造混联机器人关节误差补偿方程：
δq＝(δq
1 δq
2 δq
3 δq
4 δq5)
t
∈r5令则式(7)可表示为：将式(6)代入式(8)，得到混联机器人关节误差补偿向量：所述步骤(5)的补偿神经网络训练过程如下：以机器人名义关节量为输入，关节补偿量为输出，构造一个三层bp神经网络作为误差补偿神经网络；该网络由输入层、输出层和一个隐含层组成，网络输入层包含5个节点，分别代表机器人名义关节量q的五个分量，网络输出层包含5个节点，分别代表关节补偿量δq的五个分量；网络隐含层采用tan
‑
sigmoid激活函数：f(x)＝2/(1 e
‑
2x
)
‑
1；输出层采用线性激活函数：f(x)＝kx；基于混联机器人整机误差预测模型m
h
和关节误差补偿原理，构造包含大量训练样本的样本集；对样本数据归一化处理后将样本集按照一定规则划分成训练集和测试集，并通过对比实验确定补偿神经网络的最优网络结构及训练参数；所述步骤(6)中关节误差补偿器的构造方法如下：将上述关节误差补偿神经网络模型转化为函数模型m
c
(q)：式中，和分别为网络隐含层和输出层激活函数；w
i,j
和w
j,k
分别为隐含层和输出层的连接权值；b
j
和b
k
分别为隐含层和输出层的阈值；将关节误差补偿函数模型m
c
(q)写入机器人控制系统中的运动学程序缓冲区，同时将训练得到的网络权值{w}和阈值{b}存入变量寄存器，得到嵌入式关节误差补偿器。

技术总结
本发明公开了一种基于神经网络的五自由度混联机器人误差预测及实时补偿技术。本发明包括以下步骤：(1)混联机器人位姿误差分解；(2)并联机构位姿误差测量及预测；(3)串联转头误差预测；(4)混联机器人关节误差补偿；(5)补偿神经网络训练；(6)构造关节误差补偿器。本发明直接利用机器人的误差测量数据实施预测和补偿，可同时补偿由机器人几何误差，以及间隙、摩擦、温度、重力等非几何因素引起的机器人末端位姿误差，属于一种综合误差补偿方法，补偿效果明显优于传统的基于几何误差辨识的误差补偿方法。补偿方法。补偿方法。


技术研发人员：刘海涛 闫志彪 贾悦婷 肖聚亮 黄田
受保护的技术使用者：天津大学
技术研发日：2021.10.28
技术公布日：2022/1/4