融合加权SVD算法的工业机器人运动学标定

针对环境或人为因素引入的测量粗差对测量坐标系和机器人基坐标系的转换存在较大影响的问题,对奇异值分解(SVD)算法进行了改进,并将其应用于机器人运动学标定中。以ABB-IRB2600型机器人为研究对象,建立修正型D-H(MD-H)运动学模型和误差模型;通过激光跟踪仪测量得到机器人末端靶球位置坐标,在SVD算法中,根据补偿前位置误差大小对测量数据重新分配权重,转换测量坐标系和机器人基坐标系;使用LevenbergMarquart(L-M)算法进行了误差参数辨识,并在Matlab中对机器人25个运动学参数进行了仿真补偿。仿真和实验结果表明,加权SVD算法稳定性更优,能够减小测量粗差影响,经标定后机器人的平均绝对误差降低了65.10%,均方根误差降低了65.85%,其绝对定位精度得到了明显提高。

基于IMU的机器人姿态自适应EKF测量算法研究

为了实现机器人运动学参数标定,提出一种用惯性测量单元(IMU)实时获取其末端姿态信息的方法。然而,IMU在进行机器人动态姿态测量时,存在加速度计信号中有害加速度(除重力加速度之外的其他加速度)叠加,噪声统计特性参数不易获取,陀螺仪信号随时间发生漂移等影响测量精度的问题。针对这些问题,设计了一种自适应拓展卡尔曼滤波(EKF)姿态测量改进算法。基于EKF模型,首先构建第一级量测噪声方差阵,设定权重因子,降低有害加速度对测量结果的影响;其次在Sage-Husa自适应滤波算法中引入了渐消记忆因子的思想,实时跟踪采样数据的量测噪声,构建第二级量测噪声方差阵;最后采用姿态更新的四元数算法进行数据融合,修正陀螺仪信号漂移产生的误差。实验结果表明,相比Sage-Husa自适应滤波算法,该算法峰高时俯仰角和横滚角的平均绝对误差分别降低了50%和36.43%,峰谷时俯仰角和横滚角的平均绝对误差分别降低了14.28%和19.44%,能有效提高姿态测量精度。

基于激光跟踪仪的协作机器人标定算法与实验研究

为了提高机器人末端绝对定位精度,提出了一种基于激光跟踪仪测量的机器人几何参数标定方法,对协作机器人的参数误差进行辨识和补偿。为了避免机械臂相邻两个轴平行时会出现奇异性的情况,采用了MDH参数法建立误差模型;为了把测量数据定义在同一坐标轴上,结合了机器人工具坐标系转换(靶球中心点相对于机器人末端坐标系的平移变换);进而用最小二乘优化算法(LM)辨识出机器人的模型参数误差。通过对JAKA协作机器人的仿真、实验计算和标定,机器人的位置误差平均值、标准差、误差最大值分别降低了70.58%、56.76%、57.44%。实验结果表明:该标定算法可以有效地辨识出机器人的模型参数误差,对机器人的模型参数进行补偿后,提高了绝对定位精度。

基于粒子群算法的机器人运动学参数标定研究

为了提高机器人末端绝对定位精度,提出了一种基于粒子群算法的机器人运动学几何参数标定方法,对工业机器人的参数误差进行辨识和补偿。首先,为了避免机械臂相邻两个轴平行时会出现奇异性的情况,采用了MDH参数法建立误差模型;其次,为了把测量数据定义在同一坐标轴上,使用结合模型精度补偿的机器人方位与手眼关系同步标定的坐标转换方法;然后用粒子群算法辨识出机器人的模型几何参数误差。通过对ABB工业机器人的仿真,实验计算和标定,机器人的平均绝对定位精度提高了66.9%。结果表明,文章中的标定算法可以有效地辨识出机器人的模型参数误差,对机器人的模型参数进行补偿后能有效提高绝对定位精度。