论文部分内容阅读
通过位姿误差的标定和补偿,工业机器人的绝对精度可以大幅提高,一些先进的技术比如离线编程、视觉伺服等因此可以在工业机器人领域得到应用。然而目前已有的误差标定和补偿方法都存在诸如成本高昂、效率低、不易现场实现等不足。本文从低成本、高效率、易于现场实现的角度,对工业机器人位姿误差标定和补偿技术的四个方面进行了深入的研究,取得的成果主要有以下几个方面:
结合本文的研究对象,建立了机器人的Denvait-Hartenberg(DH)运动学方程,针对运动学方程的具体形式,研究了对变换矩阵先进行分解然后再求运动学方程逆解的方法,简化了求逆解过程并获得了运动学方程的逆解,用仿真的方法验证了运动学方程及逆解的正确性。
设计了基于机器视觉的机器人位姿测量方案,提出了把末端操作器的坐标定义成与摄像机坐标重合的误差建模方法,据此建立了包括机器人基坐标与世界坐标转换关系的标定用线性和非线性误差模型;在此基础上研究并实现了线性和非线性误差模型的辨识。仿真实验表明:线性误差模型随着机器人位姿测量点的增多,辨识精度会提高,但提高会变得越来越不明显;非线性误差模型的精度要高于线性误差模型,但计算的时间比线性误差模型要多。
探讨了用平面标定靶进行机器人位姿测量的方法,该方法首先用平面标定靶对摄像机进行标定,然后对获得的摄像机外参数矩阵进行正交化处理,从而得到机器人位姿;同时,为获得更好的误差辨识精度,提出了混沌-复合形混合优化算法,该算法首先对优化变量进行混沌优化,找到优化变量在优化域内的相对较优值,然后再以较优值为顶点,构建复合多边形,进行复合形优化,快速找到全局最优值,利用该算法实现了机器人测量位形的优化。
提出了一种新的基于灰模型白化响应的边缘检测算法以提高机器人位姿测量精度,该算法用原图相邻的若干像素点值,构建GM(1,1,C)模型,算出相应像素点的白化值,从而得到原图像素点的像素值与相应白化值之间的误差。依据边缘像素点的像素值与非边缘像素点的像素值相差大而不满足GM(1,1,C)建模条件,从而导致边缘像素点白化值误差大的特点,实现图像的边缘检测。用实验证明了该算法对各类型的边缘都有较好的检测能力和较好的抗噪声能力,算法因不用计算图像微分而具有较快的图像处理速度;在此基础上,研究了具有亚像素精度的角点提取方法:运用提取得的图像边缘,通过Hough变换直线拟合方法,依射影几何的射影平面上的对偶原理,快速求出拟合直线的交点,从而获得具有亚像素精度的角点。
针对现有的用智能算法进行误差补偿的不足,提出了基于支持向量机回归(Support Vector Machine Regression,SVR)算法的机器人位姿误差在线补偿方法。该方法包括建立基于SVR算法的误差模型、误差模型的辨识和误差补偿三部分内容。针对机器人的末端位姿误差补偿方式和关节转角误差补偿方式,提出了基于SVR算法的末端位姿误差建模和关节转角误差建模的2种方法,进而给出了这2种误差模型的辨识方法,相应地得到了基于SVR算法的末端位姿误差补偿方式和关节转角误差补偿方式。进一步,提出了基于SVR算法的微分变换误差补偿方法,并详细论述了利用SVR结果构造微分变换矩阵的方法和计算转角误差的方法,该方法有效地解决了机器人位于奇异位姿时的误差补偿。最后,通过仿真验证了本章所提出方法的正确性,并得到了如下结论:SVR在机器人参数误差补偿前、后都能有效地对机器人的位姿和关节转角进行预测,表明基于SVR的机器人位姿误差在线补偿方法是可行的;关节转角误差补偿方式比末端位姿误差补偿方式训练精度要好,但前期数据处理较繁琐。
论文最后搭建了实验平台,进行了摄像机标定的实验、机器人位姿测量实验以及机器人参数误差补偿实验。给出了摄像机标定的实验结果,分析了摄像机的测量精度。用摄像机实现了机器人位姿的测量,并给出了测量结果,利用测量结果辨识出了机器人的几何参数误差,之后进了参数误差补偿实验,结果表明机器人的绝对精度得到了较大的提高,从而验证了本文所提出的相关理论和方法的正确性与可行性。
本研究成果丰富了工业机器人的位姿误差标定与补偿方法,对最终实现理想的机器人位姿误差的标定与补偿方式有促进作用。