基于SSA-BP算法的锚护机器人误差补偿研究

生产、装配、碰撞或磨损都会造成锚护机器人末端精度降低,负载工作导致机身变形也会影响末端精度,为降低锚护机器人锚钻误差,高精度完成井下打孔、对孔、支护任务,本文提出了一种由麻雀算法改进BP神经网络(SSA-BP算法)的误差补偿方法。首先,利用旋量法搭建误差模型,并采用虚拟样机验证误差模型的正确性;其次,搭建末端位姿误差预测模型,实现对误差的预测和补偿;最后,通过SSA-BP算法、BP算法和PSO-BP算法三种补偿法的对比仿真,证明了SSA-BP算法的补偿精度更高、稳定性更好。经过试验验证,锚护机器人末端误差可降至10 mm以下,精度提高了80%。由此可知,SSA-BP算法在锚护机器人误差补偿方面有着优秀的准确性、优越性和可行性,为矿山安全开采提供了高效保障。

基于改进麻雀搜索算法的锚护机器人逆运动学求解

针对麻雀搜索算法(sparrow search algorithm,SSA)在求锚护机器人逆运动学解过程中容易出现收敛速度慢、易陷入局部最优等不足,提出一种优化麻雀搜索算法的逆运动学新解法。先通过反向学习策略生成初始种群,增加种群多样性;之后再引入柯西-高斯变异,提高算法的全局寻优能力,防止陷入区域最优解的情况;最后,以CMM2-24钻车为例,对锚护机器人进行仿真实验。实验结果显示,锚护机器人的位置、姿态以及位姿3个方面的误差收敛精度均有明显提高。充分说明了ISSA精度高、收敛速度快、稳定性好。

基于残差BP神经网络的6自由度机器人视觉标定

基于视觉伺服控制的机器人手眼标定和逆运动学求解一直是视觉伺服领域的核心问题。随着应用场景的逐渐复杂,传统手眼标定方法已无法满足需求;随着网络深度的增加,单一BP神经网络逆运动学求解算法的误差趋于饱和甚至变大,无法进一步提升网络性能。针对以上问题,本文将手眼标定和逆运动学求解融合为拟合目标图像坐标到机器人各关节角之间的映射关系问题,提出了一种残差BP神经网络算法。使用多个残差网络模块的方式加深BP神经网络的深度,残差模块的输入信息可以在网络内跨层传输,较好地解决了因深度增加网络模型容易产生梯度消失而无法提升网络性能的问题;通过6自由度机器人雅可比方程对逆运动学解的空间进行划分,确定了8个独立的区域,基于独立区域方法对训练数据进行处理,从而避免了多自由度机器人逆运动学多解对网络学习的影响,网络训练精度提升了2个数量级,训练速度提高了2倍。在REBot-V-6R型6自由度机器人输送线分拣系统中进行二维平面抓取和三维实物抓取实验,实验结果验证了该方法的准确性。结果表明,该方法比1层BP神经网络、3层BP神经网络、5层BP神经网络的训练精度分别提高了4个数量级、2个数量级、5个数量级,测试精度提高2个数量级;与传统标定方法相比,本文方法节约了逆运动学求解过程的计算成本,抓取位姿精度提高了1个数量级。

基于唯一域方法的机器人逆向运动学求解

针对机器人的逆运动学多解问题,提出一种基于唯一域求解的新方法。利用机器人的雅可比矩阵行列式等于0确定的边界,将机器人的关节空间划分为与逆运动学多解数目一致的唯一域;各唯一域的边界作为约束条件,将唯一域内的逆运动学求解转换为CMA-ES算法的有约束寻优;利用佳点集均匀分布性的特点,优化唯一域中CMA-ES算法求解的初始均值点。通过求6R工业机器人的逆运动学多解,阐述了该方法的应用,并以机械臂逆解数值法为参照,在钱江一号6R工业机器人和KUKA仿人机械臂上进行了2个仿真实验对比。仿真结果表明,本文所提方法在满足精度要求的前提下,平均求解时间更短。实验1中,CMA-ES算法求解一组逆解的平均速度约为5.1 ms/次,数值法求解的平均速度约为7.5 ms/次;实验2中,一组逆解的求解平均速度约为18.9 ms/次,数值法求解的平均速度约为54.8 ms/次;CMA-ES算法对两款机器人的位置跟踪精度均稳定在10-6mm数量级。

几何分域的多模块神经网络求解平面3R机械手逆运动学

针对神经网络求机器人逆运动学多解时输入与输出间存在一对多的映射问题,提出一种基于几何分域的多模块神经网络求解平面3R机械手逆运动学方法。该方法通过将连杆分离-重新组合的方式进行几何分析,将平面3R机械手分为两组具有多解的子空间,同时增加末端执行器方位角的规划,使得用于两个子空间训练的BP神经网络中,输入与输出间具有唯一映射关系。用训练好的两个BP神经网络分别对同一段规划好的圆形轨迹进行预测,得到的两段预测轨迹平滑且与规划轨迹基本一致,这一结果表明,所提方法可以获得平面3R机械手高精度的逆运动学多解。

改进CMA-ES算法及其在7自由度仿人臂逆运动学求解中的应用

提出一种改进的CMA-ES算法:将原算法随机生成初始均值点,改为由佳点集中优秀个体加权求和得到;增加越界敏感因子和步长缩放系数,用于新个体存在越界行为时,修正步长更新。以7自由度仿人臂为例,用改进的CMA-ES算法求逆运动学解,结果表明改进的CMA-ES算法可实时、高精度地求解:在点对点运动中,改进的算法单次求解时间约为9.7 ms,适应度函数稳定在10^-8级别;在工作空间的连续轨迹中,位置跟踪误差稳定在10^-5 mm级别,单次平均求解时间约为14.1 ms。

基于BP神经网络的包装分拣机器人视觉标定算法

手眼标定确定了机器人基座坐标系和摄像机坐标系之间的非线性映射关系,在视觉伺服中起着重要作用。针对视觉伺服控制系统中的手眼标定问题,基于机器人工具箱和神经网络工具箱,在MATLAB/Simulink环境下,使用误差反向传播(BP)神经网络算法和径向基(RBF)神经网络算法进行仿真,拟合了6自由度分拣机器人和单目摄像机之间的映射关系,通过仿真结果分析了两种算法的精度。此外,在同一实验条件下使用BP神经网络与张氏法对机械臂进行手眼标定,通过在机械臂实际工作空间内抓取同一组随机取样本点进行实验,并对比随机样本点的抓取精度。仿真和实验结果表明BP神经网络在标定精度上优于RBF神经网络算法和张氏标定法,能够在实际应用中提高手眼标定的精确度,具有一定的工程意义。

一种基于旋量理论的机器人关节结构误差对其精度影响的分析方法

为提高工业机器人的定位精度,应用旋量理论,提出了一种分析关节误差源对机器人精度影响的分析方法。该方法通过分析机器臂关节两轴线在不同几何误差作用下的空间位置关系,将关节误差表示成旋量的形式,结合POE公式,给出了包含关节误差的机器人正向运动学显式表达式,并以一个三关节机械臂为例,用Adams仿真验证了该方法的正确性。