[发明专利]一种基于深度学习的工业机器人位姿精度补偿方法

说明书

本发明公开一种基于深度学习的工业机器人位姿精度补偿方法，本发明结合工业机器人的误差相似性，提出了一种用于工业机器人位姿误差补偿的深度学习模型，包括构建两个深度信念网络相并联的模型架构，以工业机器人的状态特征及其对应的位姿误差参数为样本数据，采用组合对比的方式对深度学习模型进行训练，并将工业机器人的误差相似性作为到网络模型监督学习的附加特征，训练后的深度学习模型可以更精准的实现工业机器人位姿误差的预测和补偿；本发明结合了深度学习特征表达能力强和统计学可解释强的优点，以机器人误差相似性作为监督学习附加特征，引入了除机器人状态特征本身之外的对比信息，提升了深度学习模型的预测精度。

技术领域

本发明涉及工业机器人位姿误差补偿技术领域，具体涉及一种基于深度学习的工业机器人位姿精度补偿方法。

背景技术

随着智能制造战略的落实推进，工业机器人因其高效率、高灵活性、自动化程度高等特点已被逐渐应用于高端制造领域，但工业机器人绝对位姿精度远低于重复位姿精度的特点，导致工业机器人无法满足高端制造产品精度要求，特别是结合离线编程的大尺寸复杂结构的应用场景，绝对位姿精度低成为制约工业机器人在智能制造应用的主要障碍。精度补偿技术

有着低成本和通用性强的优势，是解决这一问题的有效途径。

专利CN104535027B公开了一种变参数误差辨识的机器人精度补偿方法，通过构建机器人在不同空间下的位姿点误差，根据机器人目标位姿点所在的空间，依据目标位姿点周围已知误差的位姿点，通过L-M算法来拟合目标位姿误差，该方法需要依据机器人参数运动学模型，受已经误差位姿点数和空间范围的影响。专利CN102607552A公开了一种基于神经网络的工业机器人的空间网格精度补偿方法，通过粒子群优化的BP神经网络来训练机器人在不同温度下的定位误差规律，并结合已知误差样本点的空间插值来实现机器人定位误差的预测与补偿，该方法的补偿精度与效果受插值样本精度与数量的影响，且神经网络只是用于考虑温度对机器人的影响。专利CN110385720A公开了一种基于深度神经网络的机器人定位误差补偿方法，构建了神经网络模型，以机器人理论位姿与对应的位置误差为训练样本，训练的神经网络模型可以预测机器人目标点的位置误差，该方法不需要构建复杂的运动误差模型，同时考虑了机器人定位姿态对定位误差的影响，但是误差预测过程的可解释性较弱，另外无法实现机器人姿态误差的预测与补偿。文献“周炜，廖文和，田威.基于空间插值的工业机器人精度补偿方法理论与试验[J],机械工程学报,2013(3).42-48”,“Yanfa n Zeng,WeiTian,Wenhe Liao.Positional error similarity analysis forerror co mpensation of industrial robots[J],Robotics and Computer-IntegratedManufactu ring,2016(42)113-120.”提出工业机器人的误差相似性概念，当工业机器人两组关节转角之间偏差越小时，工业机器人末端对应的位姿之间差异也越小，对应的位姿误差也越相似，并对机器人的误差相似性进行了分析与应用验证。但依据机器人误差相似性的精度补偿方法只能补偿位置误差，而且还没有将机器人误差相似性与深度学习相结合的精度补偿方法。现有的机器人精度补偿方法大致可以概括为以下不足：只实现了机器人目标位姿的位置误差补偿，姿态误差没有得到补偿；采样步长和分布对精度补偿的准确性有较大影响；误差预测模型的可解释性弱。

发明内容

(一)解决的技术问题

本发明的目的在于提供一种基于深度学习的工业机器人位姿精度补偿方法，结合工业机器人误差相似性，构件了一种用于工业机器人位姿误差补偿的深度学习模型，以工业机器人的状态特征及其对应的位姿误差参数为样本数据，训练后的深度学习模型可以更精准的实现工业机器人位姿误差的预测和补偿。本发明结合了深度学习特征表达能力强和统计学可解释强的优点，以机器人误差相似性作为监督学习附加特征，引入了除机器人状态特征本身之外的对比信息，提升了深度学习模型的预测精度。本发明可以更显著的提升工业机器人的位姿精度，拓展了工业机器人的高精度加工能力。