CN111590581B - 机器人的定位补偿方法及装置 - Google Patents

Abstract

本发明公开了一种机器人的定位补偿方法及装置。其中，该方法包括：采集机器人在预设空间网格移动时的移动点集，其中，空间网格是指在机器人的工作区域按照预定步长的立方体划分的网格；利用移动点集训练得到误差补偿模型，其中，误差补偿模型是根据机器人的法兰中心点的理论位置与实际位置之间的误差补偿参数建立的模型；获取机器人拟到达的目标位置的实际坐标；利用误差补偿模型计算机器人移动至实际坐标的补偿参数，其中，补偿参数用于对机器人移动至实际坐标的定位精度进行补偿；基于补偿参数，控制机器人到达目标位置。本发明解决了相关技术中机器人定位误差补偿速度较慢，且适应性低，无法满足机器人的定位精度补充需求的技术问题。

Description

机器人的定位补偿方法及装置

技术领域

本发明涉及机器人控制技术领域，具体而言，涉及一种机器人的定位补偿方法及装置。

背景技术

相关技术中，机器人在产品生产制造、加工装配等方面的应用越来越广泛.由于采用工业机器人进行加工装配时主要依赖于绝对定位精度，若是绝对定位精度过低会严重影响产品质量，现有提高机器人定位精度的方案包括：离线误差补偿和在线误差补偿。其中，离线误差补偿即在使用机器人进行工作之前，通过一定的方法补偿机器人定位精度，如数学逼近方法和在线误差补偿等，但这些补偿机器人定位精度的方法都存在一些不足，数学逼近法求解复杂非线性模型的效果欠佳，难以满足飞机钻铆等应用的高精度要求；在线误差补偿通常需要在机器人末端增加一个实时反馈装置，使机器人在工作过程中能够不断地调整末端直至理想位置。而在线误差补偿，通常能够获得较高的定位精度，但是在机器人末端执行器上增加反馈装置使得机器人在一些复杂场景中不易操作，容易导致机器人的定位精度补偿速度慢，且适应性较低。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种机器人的定位补偿方法及装置，以至少解决相关技术中机器人定位误差补偿速度较慢，且适应性低，无法满足机器人的定位精度补充需求的技术问题。

根据本发明实施例的一个方面，提供了一种机器人的定位补偿方法，包括：采集机器人在预设空间网格移动时的移动点集，其中，所述空间网格是指在机器人的工作区域按照预定步长的立方体划分的网格；利用所述移动点集训练得到误差补偿模型，其中，所述误差补偿模型是根据所述机器人的法兰中心点的理论位置与实际位置之间的误差补偿参数建立的模型；获取机器人拟到达的目标位置的实际坐标；利用所述误差补偿模型计算所述机器人移动至所述实际坐标的补偿参数，其中，所述补偿参数用于对所述机器人移动至所述实际坐标的定位精度进行补偿；基于所述补偿参数，控制所述机器人到达所述目标位置。

可选地，采集机器人在预设空间网格移动时的移动点集的步骤，包括：以所述机器人的基坐标系为基准，以所述预定步长作为划分规则，将所述机器人的工作区域划分为多个空间立方体；从所述机器人的工作区域的第一个基点开始，按照预设采集规则在多个空间立方体中采集所述机器人末端的采样点的三维坐标；基于所述三维坐标，确定所述机器人在移动时的移动点集。

可选地，在采集机器人在预设空间网格移动时的移动点集之后，所述定位补偿方法还包括：将所述多个空间立方体划分为多个采样层；采集所述机器人在每个采样层中各坐标系方向的变化参数和变化特征；基于所述变化参数和所述变化特征，建立所述误差补偿模型。

可选地，利用所述移动点集训练得到误差补偿模型包括：以第一向量表示所述移动点集中每个采样点的对应的实际坐标，并以第二向量表示所述移动点集中每个采样点对应的理论坐标；确定构建所述误差补偿模型的反馈神经网络，所述反馈神经网络包括：输入层、隐含层、输出层；将所述第一向量和第二向量组成的向量集输入至所述反馈神经网络的输入层；确定所述输入层的神经元与所述隐含层的神经元之间的第一连接权值，并确定所述隐含层的神经元与所述输出层的神经元之间的第二连接权值；基于所述第一连接权值和所述第二连接权值，确定采样点的理论坐标集和测试坐标集；基于所述理论坐标集确定所述误差补偿模型，并利用所述测试坐标集对所述误差补偿模型进行测试。

可选地，确定所述输入层的神经元与所述隐含层的神经元之间的第一连接权值，并确定所述隐含层的神经元与所述输出层的神经元之间的第二连接权值包括：确定所述隐含层的神经元个数；基于所述神经元个数，产生所述输入层的神经元与所述隐含层的神经元之间的第一连接权值；确定构建误差补偿模型的激活函数和隐含层输出矩阵；基于所述激活函数、所述隐含层输出矩阵、所述第一连接权值和所述隐含层的神经元数量阈值，确定所述隐含层的神经元与所述输出层的神经元之间的第二连接权值。

可选地，在利用所述移动点集训练得到误差补偿模型之后，所述定位补偿方法还包括：基于每个采样点的实际坐标和理论坐标，确定与每个采样点对应的误差向量和绝对误差值；基于所述误差向量和所述绝对误差值，确定与每个采样点对应的预测偏差值；基于每个采样点的预测偏差值，计算预测偏差平均值；基于所述预测偏差平均值，筛选目标取值区间，其中，所述目标取值区间用于优化所述误差补偿模型的计算准确度。

可选地，利用极限学习算法ELM构建所述误差补偿模型。

根据本发明实施例的另一方面，还提供了一种机器人的定位补偿装置，包括：采集单元，用于采集机器人在预设空间网格移动时的移动点集，其中，所述空间网格是指在机器人的工作区域按照预定步长的立方体划分的网格；训练单元，用于利用所述移动点集训练得到误差补偿模型，其中，所述误差补偿模型是根据所述机器人的法兰中心点的理论位置与实际位置之间的误差补偿参数建立的模型；获取单元，用于获取机器人拟到达的目标位置的实际坐标；移动单元，用于利用所述误差补偿模型计算所述机器人移动至所述实际坐标的补偿参数，其中，所述补偿参数用于对所述机器人移动至所述实际坐标的定位精度进行补偿；控制单元，用于基于所述补偿参数，控制所述机器人到达所述目标位置。

可选地，所述采集单元包括：第一划分模块，用于以所述机器人的基坐标系为基准，以所述预定步长作为划分规则，将所述机器人的工作区域划分为多个空间立方体；第一采集模块，用于从所述机器人的工作区域的第一个基点开始，按照预设采集规则在多个空间立方体中采集所述机器人末端的采样点的三维坐标；第一确定模块，用于基于所述三维坐标，确定所述机器人在移动时的移动点集。

可选地，所述定位补偿装置还包括：第二划分模块，用于在采集机器人在预设空间网格移动时的移动点集之后，将所述多个空间立方体划分为多个采样层；第二采集模块，用于采集所述机器人在每个采样层中各坐标系方向的变化参数和变化特征；第一建立模块，用于基于所述变化参数和所述变化特征，建立所述误差补偿模型。

可选地，所述训练单元包括：第二确定模块，用于以第一向量表示所述移动点集中每个采样点的对应的实际坐标，并以第二向量表示所述移动点集中每个采样点对应的理论坐标；第三确定模块，用于确定构建所述误差补偿模型的反馈神经网络，所述反馈神经网络包括：输入层、隐含层、输出层；第一输入模块，用于将所述第一向量和第二向量组成的向量集输入至所述反馈神经网络的输入层；第四确定模块，用于确定所述输入层的神经元与所述隐含层的神经元之间的第一连接权值，并确定所述隐含层的神经元与所述输出层的神经元之间的第二连接权值；第五确定模块，用于基于所述第一连接权值和所述第二连接权值，确定采样点的理论坐标集和测试坐标集；第六确定模块，用于基于所述理论坐标集确定所述误差补偿模型，并利用所述测试坐标集对所述误差补偿模型进行测试。

可选地，所述第四确定模块包括：第一确定子模块，用于确定所述隐含层的神经元个数；第一产生模块，用于基于所述神经元个数，产生所述输入层的神经元与所述隐含层的神经元之间的第一连接权值；第二确定子模块，用于确定构建误差补偿模型的激活函数和隐含层输出矩阵；第三确定子模块，用于基于所述激活函数、所述隐含层输出矩阵、所述第一连接权值和所述隐含层的神经元数量阈值，确定所述隐含层的神经元与所述输出层的神经元之间的第二连接权值。

可选地，所述定位补偿装置还包括：第七确定模块，用于在利用所述移动点集训练得到误差补偿模型之后，基于每个采样点的实际坐标和理论坐标，确定与每个采样点对应的误差向量和绝对误差值；第八确定模块，用于基于所述误差向量和所述绝对误差值，确定与每个采样点对应的预测偏差值；计算模块，用于基于每个采样点的预测偏差值，计算预测偏差平均值；筛选模块，用于基于所述预测偏差平均值，筛选目标取值区间，其中，所述目标取值区间用于优化所述误差补偿模型的计算准确度。

可选地，利用极限学习算法ELM构建所述误差补偿模型。

根据本发明实施例的另一方面，还提供了一种工业机器人，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的机器人的定位补偿方法。

根据本发明实施例的另一方面，还提供了一种计算机存储介质，所述计算机存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机存储介质所在设备执行上述任意一项所述的机器人的定位补偿方法。

本发明实施例中，在对机器人定位精度进行补偿时，先采集机器人在预设空间网格移动时的移动点集，然后利用移动点集训练得到误差补偿模型，之后可获取机器人拟到达的目标位置的实际坐标，利用误差补偿模型计算机器人移动至实际坐标的补偿参数，基于补偿参数，控制机器人到达目标位置。在该实施例中，可以采用不同采样间隔的移动点集作为训练集进行误差补偿模型训练和补偿测试，并建立机器人法兰中心点理论位置与实际位置之间的误差补偿模型，通过误差补偿模型可对机器人的工作区域内任意一点的绝对定位精度进行补偿，补偿速度快，且绝对定位精度高、泛化性能好，能够满足机器人的定位精度需求，从而解决相关技术中机器人定位误差补偿速度较慢，且适应性低，无法满足机器人的定位精度补充需求的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种可选的机器人的定位补偿方法的流程图；

图2是根据本发明实施例的一种可选的空间网格采样点规划的示意图；

图3是根据本发明实施例的一种可选的反馈神经网络的结构示意图；

图4是根据本发明实施例的一种可选的构建误差补偿模型的示意图；

图5是根据本发明实施例的一种可选的工业机器人各坐标系转换关系的示意图；

图6是根据本发明实施例的一种可选的机器人各坐标系的转换方法的流程图；

图7是根据本发明实施例的一种可选的机器人的定位补偿装置的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为便于本领域技术人员理解本发明，下面对本发明实施例中涉及的部分术语或名词做出解释：

ELM，Extreme Learing Machine，简称极限学习机，是一种基于前馈神经网络构建的机器学习系统或方法。本申请中将ELM应用于机器人的定位精度补偿，建立基于ELM算法的误差补偿模型，可对工作区域内任意一点的绝对定位精度进行补偿。

本发明实施例涉及的误差补偿模型，可优化隐含层神经元取值，提高定位精度。

根据本发明实施例，提供了一种机器人的定位补偿方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本发明实施例的一种可选的机器人的定位补偿方法的流程图，如图1所示，该方法包括如下步骤：

步骤S102，采集机器人在预设空间网格移动时的移动点集，其中，空间网格是指在机器人的工作区域按照预定步长的立方体划分的网格；

步骤S104，利用移动点集训练得到误差补偿模型，其中，误差补偿模型是根据机器人的法兰中心点的理论位置与实际位置之间的误差补偿参数建立的模型；

步骤S106，获取机器人拟到达的目标位置的实际坐标；

步骤S108，利用误差补偿模型计算机器人移动至实际坐标的补偿参数，其中，补偿参数用于对机器人移动至实际坐标的定位精度进行补偿；

步骤S110，基于补偿参数，控制机器人到达目标位置。

通过上述步骤，可以在对机器人定位精度进行补偿时，先采集机器人在预设空间网格移动时的移动点集，然后利用移动点集训练得到误差补偿模型，之后可获取机器人拟到达的目标位置的实际坐标，利用误差补偿模型计算机器人移动至实际坐标的补偿参数，基于补偿参数，控制机器人到达目标位置。在该实施例中，可以采用不同采样间隔的移动点集作为训练集进行误差补偿模型训练和补偿测试，并建立机器人法兰中心点理论位置与实际位置之间的误差补偿模型，通过误差补偿模型可对机器人的工作区域内任意一点的绝对定位精度进行补偿，补偿速度快，且绝对定位精度高、泛化性能好，能够满足机器人的定位精度需求，从而解决相关技术中机器人定位误差补偿速度较慢，且适应性低，无法满足机器人的定位精度补充需求的技术问题。

本发明实施例涉及的机器人包括但不限于：工业机器人(如六轴机器人)、教育机器人，利用机器人可以实现焊接、钻铆、打磨、喷漆等场景的应用，提高机器人在零部件自动化作业时的绝对定位精度。

下面结合上述各实施步骤来说明本发明。

步骤S102，采集机器人在预设空间网格移动时的移动点集，其中，空间网格是指在机器人的工作区域按照预定步长的立方体划分的网格。

通过对机器人的空间网格进行采样，可以得到移动点集。

可选的，采集机器人在预设空间网格移动时的移动点集的步骤，包括：以机器人的基坐标系为基准，以预定步长作为划分规则，将机器人的工作区域划分为多个空间立方体；从机器人的工作区域的第一个基点开始，按照预设采集规则在多个空间立方体中采集机器人末端的采样点的三维坐标；基于三维坐标，确定机器人在移动时的移动点集。

图2是根据本发明实施例的一种可选的空间网格采样点规划的示意图，如图2所示，以机器人基坐标系为基准，在机器人工作空间中首先规划出实际工作区域，即立方体P1P2P3P4P5P6P7P8，在工作区域中以距离d为预定步长(固定采样步长)，采样路径可以为：在面P1P2P3P4上进行Z字形采样，即从起始点P1开始至P2再回到P1P3上距P1预定步长的位置采集第2行，直至采样至P4，再以相同的方式采集第2层，直至采集完采样终点P8。每次采样均以机器人零点位置为起始位置，以相同的姿态到达采样点，然后使用测量设备对机器人末端的实际位置进行三维坐标测量，从而得到移动点集。

可选的，在采集机器人在预设空间网格移动时的移动点集之后，定位补偿方法还包括：将多个空间立方体划分为多个采样层；采集机器人在每个采样层中各坐标系方向的变化参数和变化特征；基于变化参数和变化特征，建立误差补偿模型。

上述各采样层的坐标系方向包括：X方向、Y方向、Z方向。

另一种可选的，在利用移动点集训练得到误差补偿模型之后，定位补偿方法还包括：基于每个采样点的实际坐标和理论坐标，确定与每个采样点对应的误差向量和绝对误差值；基于误差向量和绝对误差值，确定与每个采样点对应的预测偏差值；基于每个采样点的预测偏差值，计算预测偏差平均值；基于预测偏差平均值，筛选目标取值区间，其中，目标取值区间用于优化误差补偿模型的计算准确度。

基于图2所示的采样空间，记第i个采样点(即图中黑色圆点)理论坐标为T_i(x_i，y_i，z_i)(i＝1：n)，实际坐标为Pi(x′_i，y′_i，z′_i)(i＝1：n)，通过第一公式表示第i个采样点的误差向量，其中第一公式为:

e_i＝P_i-T_i＝(x′_i-x_i，y′_i-y_i，z′_i-z_i)， 式(1)；

令Δx_i＝x′_i-x_i,Δy_i＝y′_i-y_i,Δz_i＝z′_i-z_i，则第一公式可表示如下第二公式：

e_i＝(Δx_i，Δy_i，Δz_i)， 式(2)；

然后，通过第三公式表示绝对误差值，该绝对误差值为欧氏距离，第三公式为：

结合各采样点的采集路径，比较各采样层(与面P1P2P3P4平行)之间的绝对误差值可反映定位误差大小沿机器人基坐标系Z方向的变化情况，比较单独采样层上各采样行(与线段P1P2平行)之间的绝对误差值可反映定位误差大小沿机器人基坐标系X方向的变化情况，比较单独采样行上各采样点之间误差绝对值可反映定位误差大小沿机器人基坐标系Y方向的变化情况。

本发明实施例，通过分别取与P1P5或P1P3或P1P2平行的线段上的点进行定位误差向量方向的比较，得到定位误差方向沿机器人基坐标系各方向的变化特征，机器人定位误差的大小和方向沿其基坐标系不同坐标轴方向都存在着确定的连续变化特征，该变化特征可以包括:

(1)、绝对误差值随着采样点Z坐标的增加基本不变；

(2)、绝对误差值随着采样点X坐标的减小而增大；

(3)、绝对误差值随着采样点Y坐标的增大而减小，但在Y＝0处会突变增大。

在得到变化特征后，可以基于变化参数和变化特征，进一步建立误差模型进而进行机器人定位精度补偿。

步骤S104，利用移动点集训练得到误差补偿模型，其中，误差补偿模型是根据机器人的法兰中心点的理论位置与实际位置之间的误差补偿参数建立的模型。

在本发明实施例，可利用极限学习算法ELM构建误差补偿模型，该ELM的结构可以理解为单隐含层的反馈神经网络。

可选的，利用移动点集训练得到误差补偿模型包括：以第一向量表示移动点集中每个采样点的对应的实际坐标，并以第二向量表示移动点集中每个采样点对应的理论坐标；确定构建误差补偿模型的反馈神经网络，反馈神经网络包括：输入层、隐含层、输出层；将第一向量和第二向量组成的向量集输入至反馈神经网络的输入层；确定输入层的神经元与隐含层的神经元之间的第一连接权值，并确定隐含层的神经元与输出层的神经元之间的第二连接权值；基于第一连接权值和第二连接权值，确定采样点的理论坐标集和测试坐标集；基于理论坐标集确定误差补偿模型，并利用测试坐标集对误差补偿模型进行测试。

图3是根据本发明实施例的一种可选的反馈神经网络的结构示意图，如图3所示，其包括输入层、隐含层、输出层。

输入层与隐含层、隐含层与输出层神经元间全连接。通过I₁，I₂，I₃……I_N表示输入层神经元，通过O₁，O₂，O₃……O_M表示输出层神经元，通过q₁，q₂，q₃……q_L表示隐含层神经元，w_ij表示输入层第i(i＝1：N)个神经元与隐含层第j(j＝1：L)个神经元之间的第一连接权值，β_jk表示隐含层第j(j＝1:L)个神经元与输出层第k(k＝1：M)个神经元之间的第二连接权值.令向量P_i、t_i(i＝1：n)分别表示采样点的实际坐标和理论坐标。

下面分别通过第四公式确定实际坐标，第五公式确定理论坐标，

第四公式：P_i＝[x′_i y′_i z′_i]^T,i＝1:n， 式(4)；

第五公式：t_i＝[x_i y_i z_i]^T，i＝1:n， 式(5)；

以p_i、t_i为ELM算法的一组对应输入和输出，本发明可先定义M＝N＝3，x′_i y′_i z′_i和x_i y_i z_i分别对应着I₁，I₂，I₃和O₁，O₂，O₃，则ELM算法的全部输入P(通过第六公式表示)和输出T(通过第七公式表示)为：

第六公式：

第七公式：

另一种可选的，确定输入层的神经元与隐含层的神经元之间的第一连接权值，并确定隐含层的神经元与输出层的神经元之间的第二连接权值包括：确定隐含层的神经元个数；基于神经元个数，产生输入层的神经元与隐含层的神经元之间的第一连接权值；确定构建误差补偿模型的激活函数和隐含层输出矩阵；基于激活函数、隐含层输出矩阵、第一连接权值和隐含层的神经元数量阈值，确定隐含层的神经元与输出层的神经元之间的第二连接权值。

设定隐含层神经元个数L，并随机产生输入层与隐含层之间的第一连接权值w、隐含层神经元阈值b。通过第八公式表示第一连接权值w，通过第九公式表示神经元阈值，其中，第八公式为：

第九公式为：

设定ELM算法的激活函数为f(x)(f(x)在任意区间无限可微)，则此时仅有隐含层与输出层之间的第二连接权值β没有确定，且β为L×3维矩阵。根据图3的线性网络，可通过第十公式重新表示第五公式，第十公式为：

其中：w_j＝[w_j1 w_j2 w₃]，j＝1：L。

式(10)可进一步表示为式(11)：Hβ＝T。

其中，H和T均为已知量，H为反馈神经网络中的隐含层输出矩阵，由输入P、激活函数f(x)、第一连接权值w和阈值b四个已知量表示。

为防止ELM算法出现过拟合的问题，隐层神经元个数L的取值小于训练样本数量n，因此隐含层和输出层之间的第二连接权值β的解为式(12)：

其中，H⁺为输出矩阵的广义逆矩阵。

由于作为ELM算法参数的隐含层神经元个数L的取值对误差补偿模型泛化性能影响较大，使用过少的隐含层神经元会导致拟合模型误差较大，过多的隐含层神经元会使误差模型出现过拟合，且降低模型训练效率，因此本发明实施例中，进一步调整L数值对补偿模型进行优化。

图4是根据本发明实施例的一种可选的构建误差补偿模型的示意图，如图4所示，在使用ELM算法进行训练时，通过采样点理论坐标和采样点实际坐标，结合选取的激活函数和设定的隐含层神经元个数进行训练，得到误差补偿模型，而在误差补偿模型的优化阶段，结合测试点的实际坐标，得到预测后的测试点预测坐标，并基于测试点的理论坐标，判断定位精度是否符合要求，若是符合，则可以进一步优化该误差补偿模型，若是不符合，则需要重新调整隐含层的神经元个数，从而进一步对补偿模型进行优化。

为优化神经元个数L取值，取采样点包络范围内的另一组采集点作为误差补偿算法中优化目标的测试点，分别记其理论坐标集和实际测量坐标集为X^t和Y^p。通过式(13)表示理论坐标集，通过式(14)表示实际测量坐标集。

其中，m表示测试点集样本数。

以实际坐标集Y^p为ELM算法的输入，则由训练后的式(10)可计算得到误差模型预测的理论坐标，记为X^f。通过式(15)表示理论坐标，

误差补偿模型的预测偏差E为测试点集的理论坐标X^t和误差模型预测的理论坐标X_f的差通过式(16)表示：

由式(1)和(3)，可得第j(j＝1：m)个测试点的预测偏差通过式(17)表示：

其中，

预测偏差平均值E_A通过式(18)表示：

预测偏差E_A是神经元个数L的函数，该值越小，表明在相应的L取值下建立的误差模型泛化性能越好.编写程序自动调节隐含层神经元个数L。具体是从训练集样本数n的1％开始取值，至与训练集样本数n相同为止，根据E_A值的大小筛选出泛化性能好的L取值区间。由于L取值决定ELM算法线性方程组中方程的个数，因此为提高训练求解及预测效率，在泛化性能好的L取值区间中取L值较小时的权值w、β、阈值b代入式(10)，得到优化后的误差补偿模型。

步骤S106，获取机器人拟到达的目标位置的实际坐标。

在确定机器人拟到达的目标位置的实际坐标后，通过误差补偿模型，计算机器人移动时的理论坐标，然后通过补偿参数，控制机器人精确到达目标位置。

步骤S108，利用误差补偿模型计算机器人移动至实际坐标的补偿参数，其中，补偿参数用于对机器人移动至实际坐标的定位精度进行补偿。

步骤S110，基于补偿参数，控制机器人到达目标位置。

下面通过另一种可选的实施例来说明本发明。

本发明实施例，以GR20A型6自由度工业机器人为例进行说明，以分析机器人定位误差规律并完成基于ELM算法的误差补偿实验，测量设备使用的是3维三光学测量仪。

在采集得到多个采样点数据(例如，采集13点×13行×13层＝2197组采样点数据)后，在所规划的采样立方体中，随机采集第一组数据点作为误差模型优化测试的测试点，再随机采集第二组数据点作为误差补偿模型实际补偿效果的验证点，图5是根据本发明实施例的一种可选的工业机器人各坐标系转换关系的示意图，如图5所示，包括建立以机器人底座中心点的基坐标系，法兰盘中心坐标系，世界坐标系，和测量系统坐标系。

图6是根据本发明实施例的一种可选的机器人各坐标系的转换方法的流程图，如图6所示，可以先由测量系统建立法兰坐标系、世界坐标系及测量系统坐标系三者之间的关系，进而分别转动机器人A1、A6轴，同时测量各转动位置下标记点在世界坐标系下的坐标，测量世界坐标系下标记点的初始位置坐标，同时测量各理论位置下标记点在世界坐标系下坐标。在测量各转动位置下标记点在世界坐标系下的坐标后，可以分别对A1、A6轴转动时测量得到的标记点作圆拟合，进而得到世界坐标系下的机器人x轴和z轴，结合初始位置下的法兰盘中心在世界坐标系下的坐标，可以确定世界坐标系与机器人基坐标系的转换关系，确定世界坐标系与机器人基坐标系之间的平移关系。而在测量各理论位置下标记点在世界坐标系下坐标之后，结合标记点与法兰盘中心偏差参数，确定各理论位置下法兰盘中心在世界坐标系下的坐标，进而确定各理论位置下机器人法兰盘中心在其基坐标系下的实际坐标。

对实验采集的第一组验证点的3维坐标进行坐标转换之后，由式(1)-(3)进行绝对误差计算，得出补偿前的误差范围和误差值。根据提出的误差补偿模型，求得补偿后的绝对误差情况，将其与误差补偿前的绝对误差值进行对比，结果显示利用ELM算法采用不同采样间隔的点集作为训练集进行误差补偿模型训练和补偿测试均能有效提高机器人绝对定位精度。

下面通过另一种可选的实施例来说明本发明。

图7是根据本发明实施例的一种可选的机器人的定位补偿装置的示意图，如图7所示，该定位补偿装置可以包括：采集单元71、训练单元73、获取单元75、移动单元77、控制单元79，其中，

采集单元71，用于采集机器人在预设空间网格移动时的移动点集，其中，空间网格是指在机器人的工作区域按照预定步长的立方体划分的网格；

训练单元73，用于利用移动点集训练得到误差补偿模型，其中，误差补偿模型是根据机器人的法兰中心点的理论位置与实际位置之间的误差补偿参数建立的模型；

获取单元75，用于获取机器人拟到达的目标位置的实际坐标；

移动单元77，用于利用误差补偿模型计算机器人移动至实际坐标的补偿参数，其中，补偿参数用于对机器人移动至实际坐标的定位精度进行补偿；

控制单元79，用于基于补偿参数，控制机器人到达目标位置。

上述机器人的定位补偿装置，可以在对机器人定位精度进行补偿时，先通过采集单元71采集机器人在预设空间网格移动时的移动点集，然后通过训练单元73利用移动点集训练得到误差补偿模型，之后可通过获取单元75获取机器人拟到达的目标位置的实际坐标，通过移动单元77利用误差补偿模型计算机器人移动至实际坐标的补偿参数，通过控制单元79基于补偿参数，控制机器人到达目标位置。在该实施例中，可以采用不同采样间隔的移动点集作为训练集进行误差补偿模型训练和补偿测试，并建立机器人法兰中心点理论位置与实际位置之间的误差补偿模型，通过误差补偿模型可对机器人的工作区域内任意一点的绝对定位精度进行补偿，补偿速度快，且绝对定位精度高、泛化性能好，能够满足机器人的定位精度需求，从而解决相关技术中机器人定位误差补偿速度较慢，且适应性低，无法满足机器人的定位精度补充需求的技术问题。

可选的，采集单元包括：第一划分模块，用于以机器人的基坐标系为基准，以预定步长作为划分规则，将机器人的工作区域划分为多个空间立方体；第一采集模块，用于从机器人的工作区域的第一个基点开始，按照预设采集规则在多个空间立方体中采集机器人末端的采样点的三维坐标；第一确定模块，用于基于三维坐标，确定机器人在移动时的移动点集。

在本发明实施例中，定位补偿装置还包括：第二划分模块，用于在采集机器人在预设空间网格移动时的移动点集之后，将多个空间立方体划分为多个采样层；第二采集模块，用于采集机器人在每个采样层中各坐标系方向的变化参数和变化特征；第一建立模块，用于基于变化参数和变化特征，建立误差补偿模型。

可选的，训练单元包括：第二确定模块，用于以第一向量表示移动点集中每个采样点的对应的实际坐标，并以第二向量表示移动点集中每个采样点对应的理论坐标；第三确定模块，用于确定构建误差补偿模型的反馈神经网络，反馈神经网络包括：输入层、隐含层、输出层；第一输入模块，用于将第一向量和第二向量组成的向量集输入至反馈神经网络的输入层；第四确定模块，用于确定输入层的神经元与隐含层的神经元之间的第一连接权值，并确定隐含层的神经元与输出层的神经元之间的第二连接权值；第五确定模块，用于基于第一连接权值和第二连接权值，确定采样点的理论坐标集和测试坐标集；第六确定模块，用于基于理论坐标集确定误差补偿模型，并利用测试坐标集对误差补偿模型进行测试。

另一种可选的，第四确定模块包括：第一确定子模块，用于确定隐含层的神经元个数；第一产生模块，用于基于神经元个数，产生输入层的神经元与隐含层的神经元之间的第一连接权值；第二确定子模块，用于确定构建误差补偿模型的激活函数和隐含层输出矩阵；第三确定子模块，用于基于激活函数、隐含层输出矩阵、第一连接权值和隐含层的神经元数量阈值，确定隐含层的神经元与输出层的神经元之间的第二连接权值。

可选的，定位补偿装置还包括：第七确定模块，用于在利用移动点集训练得到误差补偿模型之后，基于每个采样点的实际坐标和理论坐标，确定与每个采样点对应的误差向量和绝对误差值；第八确定模块，用于基于误差向量和绝对误差值，确定与每个采样点对应的预测偏差值；计算模块，用于基于每个采样点的预测偏差值，计算预测偏差平均值；筛选模块，用于基于预测偏差平均值，筛选目标取值区间，其中，目标取值区间用于优化误差补偿模型的计算准确度。

可选的，利用极限学习算法ELM构建误差补偿模型。

上述的机器人的定位补偿装置还可以包括处理器和存储器，上述采集单元71、训练单元73、获取单元75、移动单元77、控制单元79等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。

上述处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来补偿机器人在定位时的精度。

上述存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

根据本发明实施例的另一方面，还提供了一种工业机器人，包括：处理器；以及存储器，用于存储处理器的可执行指令；其中，处理器配置为经由执行可执行指令来执行上述任意一项的机器人的定位补偿方法。

根据本发明实施例的另一方面，还提供了一种计算机存储介质，计算机存储介质包括存储的程序，其中，在程序运行时控制计算机存储介质所在设备执行上述任意一项的机器人的定位补偿方法。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：采集机器人在预设空间网格移动时的移动点集，其中，空间网格是指在机器人的工作区域按照预定步长的立方体划分的网格；利用移动点集训练得到误差补偿模型，其中，误差补偿模型是根据机器人的法兰中心点的理论位置与实际位置之间的误差补偿参数建立的模型；获取机器人拟到达的目标位置的实际坐标；利用误差补偿模型计算机器人移动至实际坐标的补偿参数，其中，补偿参数用于对机器人移动至实际坐标的定位精度进行补偿；基于补偿参数，控制机器人到达目标位置。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.一种机器人的定位补偿方法，其特征在于，包括：

采集机器人在预设空间网格移动时的移动点集，其中，所述空间网格是指在机器人的工作区域按照预定步长的立方体划分的网格；

在采集机器人在预设空间网格移动时的移动点集之后，定位补偿方法还包括：将多个空间立方体划分为多个采样层；采集机器人在每个采样层中各坐标系方向的变化参数和变化特征；基于变化参数和变化特征，建立误差补偿模型，其中，机器人定位误差的大小和方向沿其基坐标系不同坐标轴方向都存在连续变化特征；

利用所述移动点集训练得到误差补偿模型，其中，所述误差补偿模型是根据所述机器人的法兰中心点的理论位置与实际位置之间的误差补偿参数建立的模型；

获取机器人拟到达的目标位置的实际坐标；

利用所述误差补偿模型计算所述机器人移动至所述实际坐标的补偿参数，其中，所述补偿参数用于对所述机器人移动至所述实际坐标的定位精度进行补偿；

基于所述补偿参数，控制所述机器人到达所述目标位置。

2.根据权利要求1所述的定位补偿方法，其特征在于，采集机器人在预设空间网格移动时的移动点集的步骤，包括：

以所述机器人的基坐标系为基准，以所述预定步长作为划分规则，将所述机器人的工作区域划分为多个空间立方体；

从所述机器人的工作区域的第一个基点开始，按照预设采集规则在多个空间立方体中采集所述机器人末端的采样点的三维坐标；

基于所述三维坐标，确定所述机器人在移动时的移动点集。

3.根据权利要求2所述的定位补偿方法，其特征在于，利用所述移动点集训练得到误差补偿模型包括：

以第一向量表示所述移动点集中每个采样点的对应的实际坐标，并以第二向量表示所述移动点集中每个采样点对应的理论坐标；

确定构建所述误差补偿模型的反馈神经网络，所述反馈神经网络包括：输入层、隐含层、输出层；

将所述第一向量和第二向量组成的向量集输入至所述反馈神经网络的输入层；

确定所述输入层的神经元与所述隐含层的神经元之间的第一连接权值，并确定所述隐含层的神经元与所述输出层的神经元之间的第二连接权值；

基于所述第一连接权值和所述第二连接权值，确定采样点的理论坐标集和测试坐标集；

基于所述理论坐标集确定所述误差补偿模型，并利用所述测试坐标集对所述误差补偿模型进行测试。

4.根据权利要求3所述的定位补偿方法，其特征在于，确定所述输入层的神经元与所述隐含层的神经元之间的第一连接权值，并确定所述隐含层的神经元与所述输出层的神经元之间的第二连接权值包括：

确定所述隐含层的神经元个数；

基于所述神经元个数，产生所述输入层的神经元与所述隐含层的神经元之间的第一连接权值；

确定构建误差补偿模型的激活函数和隐含层输出矩阵；

基于所述激活函数、所述隐含层输出矩阵、所述第一连接权值和所述隐含层的神经元数量阈值，确定所述隐含层的神经元与所述输出层的神经元之间的第二连接权值。

5.根据权利要求3所述的定位补偿方法，其特征在于，在利用所述移动点集训练得到误差补偿模型之后，所述定位补偿方法还包括：

基于每个采样点的实际坐标和理论坐标，确定与每个采样点对应的误差向量和绝对误差值；

基于所述误差向量和所述绝对误差值，确定与每个采样点对应的预测偏差值；

基于每个采样点的预测偏差值，计算预测偏差平均值；

基于所述预测偏差平均值，筛选目标取值区间，其中，所述目标取值区间用于优化所述误差补偿模型的计算准确度。

6.根据权利要求1所述的定位补偿方法，其特征在于，利用极限学习算法ELM构建所述误差补偿模型。

7.一种机器人的定位补偿装置，其特征在于，包括：

采集单元，用于采集机器人在预设空间网格移动时的移动点集，其中，所述空间网格是指在机器人的工作区域按照预定步长的立方体划分的网格；

在采集机器人在预设空间网格移动时的移动点集之后，机器人的定位补偿装置还用于：将多个空间立方体划分为多个采样层；采集机器人在每个采样层中各坐标系方向的变化参数和变化特征；基于变化参数和变化特征，建立误差补偿模型，其中，机器人定位误差的大小和方向沿其基坐标系不同坐标轴方向都存在连续变化特征；

训练单元，用于利用所述移动点集训练得到误差补偿模型，其中，所述误差补偿模型是根据所述机器人的法兰中心点的理论位置与实际位置之间的误差补偿参数建立的模型；

获取单元，用于获取机器人拟到达的目标位置的实际坐标；

移动单元，用于利用所述误差补偿模型计算所述机器人移动至所述实际坐标的补偿参数，其中，所述补偿参数用于对所述机器人移动至所述实际坐标的定位精度进行补偿；

控制单元，用于基于所述补偿参数，控制所述机器人到达所述目标位置。

8.一种工业机器人，其特征在于，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至6中任意一项所述的机器人的定位补偿方法。

9.一种计算机存储介质，其特征在于，所述计算机存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机存储介质所在设备执行权利要求1至6中任意一项所述的机器人的定位补偿方法。

Images