基于BAS-PSO算法的机器人定位精度提升

鉴于工业机器人的精度性能无法满足高端制造领域的要求,研究了机器人定位精度提升方法,阐述了基于位姿微分变换的运动学误差模型和基于坐标误差传递的运动学误差模型的构建方法,提出了一种基于BAS-PSO算法的运动学参数辨识方法,并通过实验对比分析了不同运动学误差模型的精度。实验结果表明,基于BAS-PSO算法辨识后TX60机器人的平均综合位置/姿态误差分别从(0.312 mm,0.221°)降低为(0.0938 mm,0.0442°);而基于正运动学模型直接辨识后机器人的平均位置误差和平均姿态误差分别为0.0975 mm和0.0986°。本文提出的BAS-PSO算法具有较好的辨识精度和收敛速度,直接利用正运动学模型辨识的机器人运动学参数具有更好的辨识稳定性和精度。

基于ZRM-MDH模型转换的串联机器人运动学参数标定

运动学参数误差是影响工业机器人绝对定位精度的主要因素,通过误差标定能够有效地提高工业机器人的精度。运动学模型的完整性、连续性与冗余性对运动学参数的辨识精度影响较大。为尽可能地提高机器人的标定精度,并易于实现机器人误差补偿,本文提出一种基于ZRM-MDH模型转换的机器人运动学参数标定方法。首先,基于零参考模型(ZRM)建立TX60型串联工业机器人的位姿误差模型,结合测量位姿误差辨识ZRM的参数;其次,基于圆点分析法将ZRM转换成MDH模型。在TX60型机器人前侧工作区域内任意选择50个测量点,实施运动学参数误差标定。实验表明,基于MDH模型标定后的机器人平均综合定位误差为0.081 mm,而经过ZRMMDH模型转换后的机器人平均综合定位误差为0.062 mm。为验证标定方法的稳定性,在TX60型机器人前侧工作区域内,选择5个区域实施运动学参数误差标定,结果表明,基于ZRM-MDH模型转换获得的标定精度稳定性相对较好。

基于改进粒子群算法的机器人几何参数标定研究

为了提高机器人末端绝对定位精度,提出了基于改进粒子群算法(IPSO)的机器人几何参数标定方法.首先,为避免当机器人相邻两轴线平行或接近平行时,模型存在奇异性,建立了串联机器人MDH模型;其次,针对机器人几何参数标定特点,提出用改进粒子群算法优化标定机器人几何参数,其中粒子初始位置和速度由拟随机Halton序列产生,采用浓缩因子法修改粒子飞行速度,建立了用IPSO标定机器人几何参数目标函数数学模型,确立了用该算法优化标定几何参数的具体步骤.通过对ER10L-C10工业机器人仿真与实测标定,结果证实:采用该方法能够快速标定机器人几何参数,经标定后的机器人末端绝对定位精度有大幅提高.该算法简单,鲁棒性强,易于在工业机器人标定中推广应用.

基于最优位姿集的机器人标定及不确定度评定

为解决因标定位姿点随机选择导致机器人标定结果不稳定、可靠性低问题,研究了基于雅克比矩阵奇异值计算可观测指标的最优位姿点数目及最优位姿集选择算法,建立了机器人MDH模型,采用LM算法对几何参数进行辨识,使用LeicaAT960激光跟踪仪分别在最优位姿集和随机位姿集下对Staubli TX60机器人末端位姿大量实测;在分析研究机器人标定不确定度来源基础上,采用测量不确定指南(GUM)计算几何参数标定的不确定度及蒙特卡洛模拟法对机器人末端位置不确定度进行评估,结果表明,经最优位姿集标定后的机器人不仅在测试点精度有大幅提升,而且几何参数及末端位置平均不确定度约为随机位姿集标定的0.11倍,标定结果稳定可靠,泛化能力强,适于在高精度、大范围作业场合推广应用。

工业机器人运动学参数标定的位姿点集优化研究

针对工业机器人标定时因位姿点选择随机导致标定结果不稳定的问题,开展了位姿点集优化方法研究。首先,以可观测指数O 1为依据,通过随机搜索算法确定最优位姿点的数目;其次,提出改进最优点集选择算法用于筛选最优位姿集。通过对EFORT ER10L-C10和Staubli TX60机器人进行标定实验,结果表明:采用优化初始位姿集能够将改进最优点集选择算法运行效率提高约12%,与随机位姿集标定结果相比,经最优位姿集标定后的机器人其测试集平均绝对位置精度提升约9%,EFORT ER10L-C10和Staubli TX60机器人运动学参数的泛化能力分别提高91%、53%,证实了提出方法可获得泛化能力更强的运动学参数,使标定结果更加稳定,进一步提高机器人标定精度,适于在大范围、高精度机器人作业中推广应用。

基于几何参数标定的串联机器人精度提升

为了提升串联机器人绝对定位精度,提出了基于零参考模型(ZRM)的机器人几何参数标定方法。建立了包含方向矢量和连接矢量的机器人零参考模型;针对模型特点,利用改进遗传算法(IGA)优化求解零位方向分量和位置方向分量,给出了用IGA标定几何参数目标函数值计算方法及求解几何参数误差的具体步骤。通过对ER10L-C10工业机器人不同测点下仿真标定及实测研究结果表明:IGA方法能够快速对机器人ZRM的几何参数实现标定,当标定点设定为50个左右时,标定后的机器人在测试点的精度提升泛化能力较好,对ER10L-C10机器人在整个工作空间内实测标定其末端绝对定位精度提升约90%,该方法适于在有高定位精度要求的串联机器人中推广应用。

工业场景下基于深度学习的散乱堆叠工件识别

针对工业机器人分拣场景下的散乱堆叠工件目标识别率不高、实时性较差的问题,采用检测速度较快且性能较好的深度学习YOLO v3算法对工业场景下的法兰盘和三通管进行目标识别,使用Darknet53网络,采用Kmeans聚类得到先验框的尺寸,并使用logistic对目标进行预测.通过KinectV2相机采集目标RGB数据制作数据集,完成样本的训练.试验结果表明,在工业场景下YOLO v3算法相较于传统算法HOG+SVM对散乱堆叠的目标识别结果准确率更高、识别速度更快,并且具有良好的鲁棒性.