本發(fā)明涉及一種機器人運動學(xué)參數(shù)誤差辨識方法，特別涉及基于預(yù)處理擴展卡爾曼濾波算法的機器人運動學(xué)參數(shù)誤差辨識方法，屬于機器人技術(shù)、參數(shù)辨識。

背景技術(shù)：

1、隨著機器人技術(shù)的日益成熟與發(fā)展，機器人已經(jīng)廣泛應(yīng)用于打磨、焊接、搬運、鋪貼等多種場景，這也對機器人運動學(xué)精度提出了越來越高的要求。但由于機器人在實際應(yīng)用過程中存在加工誤差、裝配誤差以及連桿變形等誤差，導(dǎo)致機器人實際連桿參數(shù)與理論連桿參數(shù)產(chǎn)生偏差。隨著機器人各連桿相互串聯(lián)，誤差從機器人基座到末端逐級放大，致使機器人實際定位精度精度產(chǎn)生偏差。

2、目前針對機器人運動學(xué)參數(shù)誤差辨識方法研究主要存在以下問題：

3、現(xiàn)有的辨識方法缺少對測量坐標系轉(zhuǎn)換的考慮。在機器人實際誤差辨識過程中，需要借助激光跟蹤儀等測量設(shè)備來測量機器人末端點位姿，并將點位坐標轉(zhuǎn)換到機器人基坐標系下。然而由于環(huán)境擾動等因素不可避免產(chǎn)生測量誤差，影響測量坐標系轉(zhuǎn)換精度，進而降低最終的誤差補償效果。

4、另外，常見的誤差辨識方法容易受噪聲的干擾。機器人是高度非線性系統(tǒng)，lsm算法、lm算法是求解非線性問題的有效方法。但是這些算法對噪聲非常敏感。在采集機器人位姿數(shù)據(jù)時，受測量擾動、儀器本身測量誤差等因素影響，測量數(shù)據(jù)出現(xiàn)較大波動，此時算法在擬合時廣義逆矩陣容易出現(xiàn)奇異性問題，導(dǎo)致辨識精度不高。

技術(shù)實現(xiàn)思路

1、本發(fā)明的技術(shù)解決問題是：克服現(xiàn)有技術(shù)的不足，提供一種機器人運動學(xué)參數(shù)誤差辨識方法，將機器人基坐標系與激光跟蹤儀坐標系轉(zhuǎn)換過程與擴展卡爾曼濾波算法參數(shù)辨識相結(jié)合，提高機器人運動學(xué)參數(shù)誤差補償精度。

2、本發(fā)明的技術(shù)解決方案是：

3、本發(fā)明公開了一種機器人運動學(xué)參數(shù)誤差辨識方法，包括：

4、s1：根據(jù)誤差產(chǎn)生機理與機器人md-h模型，構(gòu)建機器人運動學(xué)參數(shù)誤差辨識模型；

5、s2：依次旋轉(zhuǎn)機器人各關(guān)節(jié)，采集相應(yīng)的機器人末端點位信息；

6、s3：根據(jù)機器人末端點位信息，利用最小二乘算法，計算機器人基坐標系坐標軸；

7、s4：利用示教器控制機器人隨機運動，采集機器人末端相應(yīng)的隨機點位信息；

8、s5：根據(jù)隨機點位信息和機器人基坐標系坐標軸，利用擴展卡爾曼濾波算法，對運動學(xué)參數(shù)誤差進行辨識，得到機器人運動學(xué)參數(shù)誤差；

9、s6：根據(jù)機器人運動學(xué)參數(shù)誤差，對機器人運動學(xué)參數(shù)進行誤差補償。

10、進一步地，在上述方法中，所述機器人運動學(xué)參數(shù)誤差辨識模型，具體為：

11、δp＝j(luò)·δq

12、δq＝[δθ1,δα1,δa1,δd1…δa6,δd6,δβ2,δβ3,δtx,δty,δtz]t

13、其中，δp表示末端位置誤差，j表示描述誤差模型的擴展雅克比矩陣，δq表示待辨識的參數(shù)偏差向量；δθi為機器人各關(guān)節(jié)的關(guān)節(jié)轉(zhuǎn)角誤差，δdi位關(guān)節(jié)偏置誤差，δai為連桿長度誤差，δαi為關(guān)節(jié)扭角誤差，δβi為旋轉(zhuǎn)角誤差，其中下標i表示機器人第i個關(guān)節(jié)，i為1～6；δtx、δty、δtz分別表示工具坐標系在x、y、z方向的位置誤差。

14、進一步地，在上述方法中，依次旋轉(zhuǎn)機器人各關(guān)節(jié)，具體為：依次旋轉(zhuǎn)機器人的第一關(guān)節(jié)、第二關(guān)節(jié)，使用激光跟蹤儀采集得到機器人末端一系列點位信息。

15、進一步地，在上述方法中，所述步驟s3中，根據(jù)機器人末端點位信息，利用最小二乘算法，計算機器人基坐標系坐標軸，具體方法為：

16、根據(jù)機器人末端點位信息，計算待擬合球面上的球心(xo,yo,zo)；

17、采用最小二乘法，求解待擬合球面上的點(xij,yij,zij)所在的平面，方程為ax+by+cz+1＝0；

18、過球心(xo,yo,zo)作平面的垂線，得到垂線方程；

19、根據(jù)垂直方程，計算所擬合圓弧的圓心oci坐標(xoc,yoc,zoc)；

20、連接圓心與球心，得到待擬合球面上的點(xij,yij,zij)所在的平面的法向量；

21、所述法向量即為機器人基坐標系相應(yīng)坐標軸。

22、進一步地，在上述方法中，待擬合球面上的球心(xo,yo,zo)，具體為：

23、(xij-xo)2+(yij-yo)2+(zij-zo)2＝r2

24、其中，(xij,yij,zij)為待擬合球面上的點，下標ij為轉(zhuǎn)動第i關(guān)節(jié)時第j次所測得的點，(xo,yo,zo)為球體球心，r為待擬合球體的半徑；

25、進一步地，在上述方法中，垂線方程，具體為：

26、

27、其中，(xo,yo,zo)為球體球心，a、b、c為待擬合球面上的點所在的平面方程的系數(shù)。

28、進一步地，在上述方法中，所擬合圓弧的圓心的坐標，具體為：

29、

30、其中，(xo,yo,zo)為擬合球體球心oi坐標；a、b、c為待擬合球面上的點(xij,yij,zij)所在的平面方程的系數(shù)。

31、進一步地，在上述方法中，所述對運動學(xué)參數(shù)誤差進行辨識，得到機器人運動學(xué)參數(shù)誤差，具體方法為：

32、對參數(shù)計算公式進行迭代，直到δqk|k滿足精度要求時，得到機器人運動學(xué)參數(shù)誤差δq；

33、參數(shù)計算公式，具體為：

34、δqk|k＝δqk∣k-1+kk(δpk-jkδqk∣k-1)

35、

36、δpk＝j(luò)kδqk+ek

37、pk|k-1＝pk-1|k-1+q

38、其中，k|k-1表示在測量k點時的先驗估計值，k-1|k-1表示測量k-1點的后驗估計值，q表示在第(k-1)次迭代時系統(tǒng)噪聲協(xié)方差矩陣；ek表示測量k點時的測量噪聲帶來的偏差，jk表示誤差模型的擴展雅克比矩陣，δqk表示測量k點時機器人運動學(xué)參數(shù)誤差；r表示測量過程中測量噪聲協(xié)方差矩陣；kk表示第k次迭代時卡爾曼增益，δpk表示機器人在k點時末端位置偏差。

39、進一步地，在上述方法中，所述根據(jù)辨識結(jié)果，對機器人運動學(xué)參數(shù)誤差進行補償，具體方法為：

40、qreal＝qtheoy+δq

41、其中，qtheoy為機器人理論運動學(xué)參數(shù)；δq為辨識所得機器人運動學(xué)參數(shù)誤差；qreal為補償后的機器人實際運動學(xué)參數(shù)。

42、進一步地，在上述方法中，所述機器人末端點位信息是采用激光跟蹤儀測量獲得。

43、本發(fā)明與現(xiàn)有技術(shù)的有益效果在于：

44、(1)本發(fā)明采用最小二乘算法進行機器人基坐標系標定，實現(xiàn)了激光跟蹤儀坐標系與機器人基坐標系的精準轉(zhuǎn)換，完成了機器人基坐標系的標定，解決了因測量坐標系轉(zhuǎn)換誤差而導(dǎo)致的補償精度降低的問題；

45、(2)本發(fā)明采用最小二乘算法作為機器人參數(shù)辨識的預(yù)處理過程，實現(xiàn)了機器人運動學(xué)參數(shù)辨識維度的降低，完成了高維空間向非凸性更低的低維空間的轉(zhuǎn)換，解決了因參數(shù)辨識維度過高導(dǎo)致的辨識結(jié)果精度差的問題；

46、(3)本發(fā)明采用擴展卡爾曼濾波算法進行機器人運動學(xué)參數(shù)誤差辨識，實現(xiàn)了噪聲協(xié)方差矩陣的機器人點位測量干擾噪聲的處理，解決了因測量噪聲存在而導(dǎo)致的算法辨識精度降低的問題。