一种基于球面约束的机械臂拉线标定方法及系统

技术领域

本发明涉及机器人标定技术领域，特别涉及一种基于球面约束的机械臂拉线标定方法及系统。

背景技术

工业机器人是机器人学的一个分支，它代表了机电一体化的最高成就。工业机器人，一般指的是在工厂车间环境中，配合自动化生产的需要，代替人来完成材料或零件的搬运、加工、装配等操作的一种机器人。国际标准化组织(IO)对工业机器人所下的定义是“机器人是一种自动的、位置可控的、具有编程能力的多功能机械手，这种机械手具有几个轴，能借助于可编程序操作来处理各种材料、零件、工具和专用设备，以执行种种任务”。它综合了机械工程、电子工程、计算机技术、自动控制及人工智能等多种科学的最新研究成果，是机电一体化技术的典型代表。

随着科学技术的不断发展，对机器人的工作能力提出了更高的要求，不仅要求机器人的外形美观、操作简单，而且具有一定的稳定性、灵活性和开放性。

随着机器人应用领域不断的扩大，企业对机器人性能的要求越来越高。而定位精度是影响机器人性能的重要因素，所以经常要对机器人进行标定来提高机器人的定位精度从而满足工业上需要。机器人标定是国内外研究的热点，已成为机器人生产及使用过程中的重要工作之一。围绕机器人连杆参数标定，工具坐标系标定，机器人与其他设备之间的标定这3个方面进行了研究，从标定原理到具体方法应用，不同的标定对象标定方法不相同。

国内外对于工具坐标系标定的研究有很多，主要都是求解末端工具坐标系在机器人基坐标系表示而得到的。位置坐标的测量通常采用激光探测仪，其成本较高，维护难度较大。

发明内容

针对现有技术中机器人标定精度降低的问题，本发明提出一种基于球面约束的机械臂拉线标定方法及系统，通过拉线编码器来完成数据测量，并构建经过残差神经网络训练的标定模型，从而提高标定精度。

为了实现上述目的，本发明提供以下技术方案：

一种基于球面约束的机械臂拉线标定方法，具体包括以下步骤：

S1：采集工业机器人机械臂末端位置实时数据；

S2：根据机械臂末端位置历史数据构建误差识别模型；

S3：对误差识别模型进行更新迭代训练；

S4：将S1中采集的工业机器人机械臂末端位置实时数据输入S3中更新迭代训练完成的误差识别模型，输出标定的DH参数，从而完成机械臂拉线标定。

优选地，所述S1中，机械臂末端位置实时数据为通过拉线编码器对机械臂末端位置到地面测量点的拉线长度测量获得的真实数据，包括机械臂末端位置坐标、六轴机器人各关节角度、拉线长度。

优选地，所述S2包括：

S2-1：根据机械臂末端位置历史数据构建误差识别模型的目标函数U

S2-2：在目标函数U

优选地，所述S2-1中，目标函数U

公式(1)中，w表示工业机器人的DH参数，包括连杆长度α

优选地，对于每一个机械臂拉线长度数据P

公式(2)中，y

再使用残差网络的结构使BP神经网络处于最优状态：

x

公式(3)中，x

根据反向传播得到损失函数E：

公式(4)中，E表示损失函数；x

求取BP神经网络的均方误差为：

公式(5)中，E

BP神经网络中的参数更新规则为：

公式(6)中，η表示学习率；ω

优选地，所述S2-2中，限制目标函数R

公式(7)中，n表述测量点总数；P

优选地，所述S3包括：

S31：判断限制目标函数R(w)输出的误差是否已经小于阈值s；如果大于阈值s，则重复迭代更新；如果小于阈值s，则结束并输出更新后的w，即标定后的DH参数；

S32：判断训练过程中迭代轮数控制变量a是否大于训练迭代轮数上限T，若超过训练迭代轮数上限T，则训练结束。

本发明还提供一种基于球面约束的机械臂拉线标定系统，包括数据接收模块、数据存储模块、误差识别模型构造模块、更新模块和输出模块；

数据接收模块，用于接收工业机器人机械臂末端位置实时数据并发送到数据存储模块进行存储；

误差识别模型构造模块，用于根据机械臂末端位置历史数据构造误差识别模型；

更新模块，用于对误差识别模型进行更新迭代训练；

输出模块，用于输出更新标定后的机器人DH参数并发送到数据存储模块进行存储。

综上所述，由于采用了上述技术方案，与现有技术相比，本发明至少具有以下有益效果：

(1)通过球面约束对误差识别模型进行限制，提高计算效率；

(2)通过残差神经网络求解误差识别模型，从而输出更新的控制参数，提高标定精度；

(3)通过拉线编码器来完成数据测量，降低了设备成本。

附图说明：

图1为根据本发明示例性实施例的一种基于球面约束的机械臂拉线标定方法示意图。

图2为根据本发明示例性实施例的一种基于球面约束的机械臂拉线标定系统示意图。

图3为根据本发明示例性实施例的一残差网络结构示意图。

图4为应用本发明前和应用本发明后的模型收敛执行时间对比示意图。

图5为应用本发明前和应用本发明后数据分析过程中RMSE对比示意图。

具体实施方式

下面结合实施例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。

在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的系统或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

如图1所示，本发明提供一种基于球面约束的机械臂拉线标定方法，具体包括以下步骤：

S1：采集工业机器人机械臂末端位置实时数据。

本实施例中，机械臂末端位置实时数据为通过拉线编码器对机械臂末端位置到地面测量点的拉线长度测量获得的真实数据，包括机械臂末端位置坐标记为(x

S2：根据机械臂末端位置历史数据构建误差识别模型。

S2-1：根据机械臂末端位置历史数据构建误差识别模型的目标函数U

公式(1)中，w表示工业机器人的DH参数，包括连杆长度α

本实施例中，机械臂末端位置历史数据也为通过拉线编码器对机械臂末端位置到地面测量点的拉线长度测量获得的真实数据，包括机械臂末端位置坐标记为(x

本实施例中，对于每一个已知机械臂拉线长度数据P

公式(2)中，y

本实施例中，BP神经网络通过权值和ReLU激活函数拟合非线性映射关系，但是随着网络深度的增加，误差甚至会增大，网络性能无法进一步提升。使用残差网络的结构保证了残差BP神经网络的学习能力能够不受网络深度的增加的影响，使网络一直处于最优状态。

如图3所示，H(x)＝F(x)+x，可以转换为学习一个残差函数：

F(x)＝H(x)-x (3)

只要F(x)＝0，就构成了一个恒等映射H(x)＝x；而且，拟合残差肯定更加容易。

残差结构可简单的写成如下形式：

x

公式(4)中，x

本实施例中，将前向传播输出的预测值和真实值进行比较，根据反向传播得到损失函数E，再基于损失函数来更新BP神经网络中的参数，使得每一次的迭代过程损失函数值减小，当迭代结束后最终输出w参数，即工业机器人的DH参数。

本实施例中，前向传播和反向传播中参数根据公式(4)链式法则更新：

公式(5)中，E表示损失函数；x

本实施例中，BP神经网络在(x

公式(6)中，E

本实施例中，BP神经网络中的参数更新规则为：

公式(7)中，ω

S2-2：为了增强模型的泛化性能并且提高标定精度，通常在U

Φ

结合约束方程，根据公式(1)和泰勒展开公式构建如下限制目标函数R

公式(6)中，n表述测量点总数；P

S3：对误差识别模型的限制目标函数R

S31：判断限制目标函数R

S32：判断训练过程中迭代轮数控制变量a是否大于训练迭代轮数上限T，最大训练迭代轮数T的取值例如为1000，若超过训练迭代轮数上限T，则训练结束。

上述步骤S31和S32在执行时无先后顺序。例如，首先执行步骤S31，如果在执行步骤S31后满足结束训练的条件，那么模型训练结束，步骤S32无需再执行；如果在执行步骤S31后不满足结束训练的条件，则执行步骤S32。

S4：将S1中采集的工业机器人机械臂末端位置实时数据输入S3中更新迭代训练完成的误差识别模型，输出更新后的DH参数，从而完成机械臂拉线标定。

基于上述一种基于球面约束的机械臂拉线标定方法，如图2所示，本发明还提供一种基于球面约束的机械臂拉线标定系统，包括数据接收模块、数据存储模块、误差识别模型构造模块、更新模块和输出模块。

数据接收模块的输出端与数据存储模块的第一输入端连接，数据存储模块的输出端与误差识别模型构造模块的输入端连接，误差识别模型构造模块的输出端与更新模块的输入端连接，更新模块的输出端与输出模块的输入端连接，输出模块的输出端与数据存储模块的第二输入端连接。

数据接收模块，用于接收工业机器人机械臂末端位置实时数据并发送到数据存储模块进行存储。

误差识别模型构造模块，用于根据机械臂末端位置历史数据构造误差识别模型；

更新模块，用于对误差识别模型进行更新迭代训练；

输出模块，用于输出更新标定后的机器人DH参数并发送到数据存储模块进行存储。

图4为应用本发明的预测系统和方法前后，标定模型的数据分析时间对比图。由图4可以得出，应用了本发明的标定系统和方法后，针对机械臂末端位置数据，模型的执行时间远少于不应用本发明的标定系统和方法的情况。具体地，由图4可以得到，运用了本发明的标定系统和方法后，未使用本发明的标定系统和方法的模型的执行时间约为使用本发明的标定系统和方法的3倍。即运用本发明的标定系统和方法后，模型的执行时间比原来提高了3倍之多，大大提高了模型的运行效率。

图5为应用本发明的标定系统和方法前后数据分析过程中RMSE对比图，RMSE是标定误差的衡量尺度，RMSE越小精度越高。由图5可以得出，应用本发明的标定系统和方法后大大提高了模型在机械臂标定中的精度。在实际应用中，可以更好的为工业领域提供安全、可靠、有实际保证且符合个性化需求的标定服务。

本发明还提供一种电子设备，所述电子设备包括处理器，所述处理器用于运行存储器中存储的计算机程序，以使得所述电子设备实现上述实施例中一种基于球面约束的机械臂拉线标定方法的步骤。

本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储计算机程序，所述计算机程序在处理器上运行时实现上述实施例中一种基于球面约束的机械臂拉线标定方法的步骤。

计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质至少可以包括：能够将计算机程序代码携带到电子设备的任何实体或系统、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。

本领域的普通技术人员可以理解，上述各实施方式是实现本发明的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。