CN111596614A

CN111596614A - 基于云边协同的运动控制误差补偿系统及方法

Info

Publication number: CN111596614A
Application number: CN202010490517.9A
Authority: CN
Inventors: 陈世超; 孔令辉; 朱凤华; 熊刚; 沈震; 谭思敏; 商秀芹; 王飞跃
Original assignee: Institute of Automation of Chinese Academy of Science; Cloud Computing Industry Technology Innovation and Incubation Center of CAS
Current assignee: Institute of Automation of Chinese Academy of Science; Cloud Computing Industry Technology Innovation and Incubation Center of CAS
Priority date: 2020-06-02
Filing date: 2020-06-02
Publication date: 2020-08-28
Anticipated expiration: 2040-06-02
Also published as: CN111596614B

Abstract

本发明属于工业机器人领域，具体涉及了一种基于云边协同的运动控制误差补偿系统及方法，旨在解决运动控制误差的补偿算法固定不变，无法满足机械臂不同条件下的自适应误差补偿的问题。本发明包括：边缘服务器运行误差补偿算法求解补偿量，与控制程序融合生成具有误差补偿的控制指令。边缘侧发起加工任务时，与中心服务器交互确定是否更新或下发误差补偿算法；若中心服务器没有相应误差补偿算法，则通过数字孪生建模仿真平台构建相应机械臂及加工件仿真系统，对误差补偿算法仿真更新，并择优下发至边缘服务器，补偿运动控制量，生成具有误差补偿的运动控制指令。本发明实现对机械臂运动误差精准补偿，减少了复杂多变的工况对运动控制精度的影响。

Description

基于云边协同的运动控制误差补偿系统及方法

技术领域

本发明属于工业机器人领域，具体涉及了一种基于云边协同的运动控制误差补偿系统及方法。

背景技术

随着科技的进步与发展，机械臂的应用范围也越来越广泛，在实际生产环境中，加工精度决定产品的质量，因机械臂的控制存在逆向运动学求解问题，运动学参数的误差会影响到关节角度的求解，因此要提高机械臂加工精度就需要进行误差补偿。

传统的误差补偿方式对于不同任务的误差补偿需求差异性考虑不足，表现为误差补偿算法几乎固定不变，但随机械臂的不断使用、加工环境的变化，机械臂的精度降低、结构变化不可避免，这就需要误差补偿算法更具灵活性、环境适应性。

发明内容

为了解决现有技术中的上述问题，即运动控制误差的补偿算法固定不变，无法满足机械臂不同条件下的自适应误差补偿的问题，本发明提供了一种基于云边协同的运动控制误差补偿系统，该误差补偿系统包括中心服务器、边缘服务器和终端机械臂控制单元；

所述中心服务器，用于构建机械臂和加工件的数字孪生系统，并建立运动控制系统的误差补偿仿真环境；还用于根据加工要求，调用相应的机械臂控制程序，并调用不同的误差算法进行仿真择优，将获得的最优误差算法存储并发送至所述边缘服务器；

所述边缘服务器，基于所述最优误差算法以及实时的加工数据，获取误差补偿量，与相应运动控制程序融合生成具有误差补偿效果的控制指令后发送至所述终端机械臂控制单元；所述实时的加工数据包括实时的机械臂位姿信息和环境参数；

所述终端机械臂控制单元，用于获取实时的加工数据并发送至所述边缘服务器；还用于将所述具有误差补偿效果的控制指令发送至机械臂。

在一些优选的实施例中，所述中心服务器包括加工设备模型库、加工件模型库、误差补偿算法模型库和数字孪生建模仿真平台；

所述加工设备模型库，用于存储终端加工设备以及夹具的数字模型，并在完成加工任务后更新设备的模型信息；

所述加工件模型库，用于存储成品和半成品加工件的数字模型以及接收所述数字孪生建模仿真平台生成的新的模型或更新的原存储模型；

所述误差补偿算法模型库，用于存储针对不同加工任务的误差算法以及根据加工任务进行误差补偿算法择优与下发；

所述数字孪生建模仿真平台，基于图形化编辑语言，通过拖拽方式建立对运动控制进行误差补偿方法试验的仿真环境并进行各误差补偿算法的仿真择优以及构建加工设备模型和夹具模型。

在一些优选的实施例中，所述边缘服务器包括加工任务客户端、数据采集模块、数据处理模块、误差补偿模块、控制指令生成模块、误差补偿算法库和运动控制算法库；

所述加工任务客户端，为边缘侧人机交互的入口，用于根据加工任务选择运动控制算法，并发起任务加工操作；

所述数据采集模块，用于接收所述终端机械臂控制单元上传的实时的加工数据；

所述数据处理模块用于对所述实时的加工数据进行预处理，获得预处理数据；

所述误差补偿模块，基于所述预处理数据，调用相应的误差补偿算法求解误差补偿量；

所述控制指令生成模块，基于所述预处理数据以及误差补偿量，结合加工任务相应的运动控制程序，获取具有误差补偿效果的控制指令；

所述误差补偿算法库，用于存储边缘侧部署的误差补偿算法以及接收并存储从所述中心服务器平台下发的误差补偿算法，并为加工任务提供相应误差补偿算法；

所述运动控制算法库，用于存储边缘侧部署的运动控制算法，并根据不同的加工任务选择相应的运动控制算法。

在一些优选的实施例中，所述实时的机械臂位姿运动参数和环境参数包括：

实时的机械臂的关节角、机械臂末端位姿、电机转速及扭矩、被加工件位置、装配夹具参数、外部负载和外部电压。

在一些优选的实施例中，所述加工设备模型库还用于存储机械臂动力学模型；

所述机械臂动力学模型，用于描述机械臂末端运动和各关节变量之间的关系。

在一些优选的实施例中，所述数字孪生建模仿真平台进行各误差补偿算法的仿真择优之后，还设置有误差补偿算法库在线更新的步骤，其方法为：

所述数字孪生建模仿真平台，在每一次的误差补偿算法仿真择优之后，可利用已有加工任务的仿真系统进行误差补偿算法的仿真择优，并对误差补偿算法库中已有加工任务原有误差补偿算法进行更新。

本发明的另一方面，提出了一种基于云边协同的运动控制误差补偿方法，基于上述的基于云边协同的运动控制误差补偿系统，该误差补偿方法包括：

步骤S10，边缘服务器通过加工任务客户端从运动控制算法库中调用相关运动控制算法，对加工任务进行轨迹规划从而生成控制程序，发起加工任务，同时向误差补偿算法库中调用相关误差补偿算法；

步骤S20，若所述边缘服务器的误差补偿算法库中有相应加工任务运动控制的误差补偿算法，跳转步骤S80；

步骤S30，若所述边缘服务器的误差补偿算法库中没有相应加工任务运动控制的误差补偿算法，则向中心服务器平台发送误差补偿算法部署请求；

步骤S40，所述中心服务器平台收到所述边缘服务器发送的误差补偿算法部署请求后，根据请求内容从误差补偿算法模型库调取相应的补偿算法并下发给所述边缘服务器；

步骤S50，若所述中心服务器平台没有所述边缘服务器请求部署的误差补偿算法，则根据所述边缘服务器上传的机械臂标识信息和相应的加工任务，利用数字孪生建模仿真平台构建加工任务的仿真系统，建立当前生产环境下的运动控制模型，调用所述边缘服务器上传的本次加工任务的控制程序，进行相应运动控制误差补偿方法仿真择优；

步骤S60，将仿真择优获取的最优运动控制误差补偿算法下发至所述边缘服务器，并存入所述中心服务器的误差补偿算法模型库中；

步骤S70，所述边缘服务器接收所述中心服务器下发的误差补偿算法，并存入相应误差补偿算法库中；

步骤S80，所述边缘服务器根据调取的相应加工任务的误差补偿算法，计算加工轨迹下的机械臂位姿的关节角补偿量，将关节角补偿量与运动控制程序相融合，生成具有加工轨迹误差补偿的运动控制指令并发送至机械臂。

在一些优选的实施例中，步骤S50中“进行相应运动控制误差补偿方法仿真择优”，其标准为：

加工任务的仿真运动控制模型的加工路径与所设定的路径总体偏差最小或达到设定的加工标准。

在一些优选的实施例中，步骤S50中“建立当前生产环境下的运动控制模型”，其方法为：

边缘服务器上传本次加工任务所涉及的机械臂标识信息，中心服务器根据所述机械臂标识信息，从所述中心服务器的加工设备模型库中调取相应的机械臂模型以及从所述加工件模型库中调取相应的加工件模型。

在一些优选的实施例中，步骤S50中“进行相应运动控制误差补偿方法仿真择优”之后还可利用已有加工任务的仿真系统进行误差补偿算法的仿真择优，并对误差补偿算法库中已有加工任务原有误差补偿算法进行更新。

在一些优选的实施例中，步骤S80中“计算加工轨迹下的机械臂位姿的关节角补偿量”，其方法包括插值补偿法、神经网络方法、镜像法。

本发明的有益效果：

本发明基于云边协同的运动控制误差补偿系统，通过中心服务器平台建模的方式实现云端与边缘侧协同计算，在中心服务器平台使用多种补偿算法并行计算结构参数补偿量，利用建模仿真的方式测试误差补偿算法，将模型误差考虑在内，提高了补偿算法的精度；中心服务器平台利用模型对多种误差补偿算法仿真实验，择优下发误差补偿算法，且能对已有误差补偿算法从优更新，使边缘侧误差补偿算法具有自适应性，能够应用于复杂多变的工况下的运动控制误差补偿。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本发明基于云边协同的运动控制误差补偿系统的框架示意图；

图2是本发明基于云边协同的运动控制误差补偿系统的各模块框架示意图

图3是本发明基于云边协同的运动控制误差补偿系统一种实施例的误差补偿方法流程示意图；

图4是本发明基于云边协同的运动控制误差补偿系统一种实施例的控制量和运动量关系的逻辑图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

本发明的一种基于云边协同的运动控制误差补偿系统，该误差补偿系统包括中心服务器、边缘服务器和终端机械臂控制单元；

为了更清晰地对本发明基于云边协同的运动控制误差补偿系统进行说明，下面结合图1对本发明实施例中各模块展开详述。

本发明一种实施例的基于云边协同的运动控制误差补偿方法，包括中心服务器、边缘服务器和终端机械臂控制单元，各部分详细描述如下：

中心服务器，用于构建机械臂和加工件的数字孪生系统，并建立运动控制系统的误差补偿仿真环境；还用于根据加工要求，调用相应的机械臂控制程序，并调用不同的误差算法进行仿真择优，将获得的最优误差算法存储并发送至所述边缘服务器。

如图2上部分所示，中心服务器包括加工设备模型库、加工件模型库、误差补偿算法模型库和数字孪生建模仿真平台：

加工设备模型库，用于存储终端加工设备以及夹具等设备的数字模型，例如SQLServer、Oracle Spatial用于存储3D模型，MySQL 存储设备的顶点(机械臂末端)、各关节相对位置关系等建立D-H参数模型之类的正向运动学模型所需信息，且在完成加工任务后更新对应的设备(即对应机械臂)的模型信息(机械臂动力学模型)，机械臂动力学模型用于描述机械臂末端运动和各关节变量之间的关系。

加工件模型库，用于存储成品和半成品加工件的数字模型以及接收所述数字孪生建模仿真平台生成的新的模型或更新的原存储模型。

加工件模型库，还用于在数字孪生建模仿真平台在仿真环境进行补偿方法仿真时提供必要模型以供与目标产品比较误差。

误差补偿算法模型库，用于存储针对不同加工任务的误差算法，以执行末端的仿真路径S_p、执行末端位姿P为输入，求解结构参数的补偿量ΔQ，根据边缘侧的加工任务进行误差补偿算法择优与下发。

数字孪生建模仿真平台，是构建加工设备模型和夹具模型的建模平台，并建立对运动控制进行误差补偿方法试验的仿真环境与当前生产环境下的运动控制模型，对不同的运动控制误差补偿方法进行仿真试验，计算加工任务的仿真运动控制模型的加工路径S_p与所设定路径S_d的相合程度以检验误差补偿效果。

数字孪生建模仿真平台基于图形化编辑语言，通过拖拽方式建立对运动控制进行误差补偿方法试验的仿真环境。

本发明一个实施例中，数字孪生建模仿真平台使用3DMAX 软件建立3D模型，使用LabVIEW软件搭建仿真环境。在其他的实施例中，还可以使用SW软件建立3D模型，使用Tecnomatix Process Simulate 软件搭建仿真环境，本发明对此不作限定。

数字孪生建模仿真平台进行各误差补偿算法的仿真择优之后，还设置有误差补偿算法库在线更新的步骤，其方法为：

数字孪生建模仿真平台，在每一次的误差补偿算法仿真择优之后，可利用已有加工任务的仿真系统进行误差补偿算法的仿真择优，并对误差补偿算法库中已有加工任务原有误差补偿算法进行更新。

边缘服务器，基于所述最优误差算法以及实时的加工数据，获取误差补偿量，与相应运动控制程序融合生成具有误差补偿效果的控制指令后发送至所述终端机械臂控制单元；所述实时的加工数据包括实时的机械臂位姿信息和环境参数。

如图2中间部分所示，边缘服务器包括加工任务客户端、数据采集模块、数据处理模块、误差补偿模块、控制指令生成模块、误差补偿算法库和运动控制算法库：

加工任务客户端，为边缘侧人机交互的入口，用于根据加工任务选择运动控制算法，并发起任务加工操作。

数据采集模块，用于接收所述终端机械臂控制单元上传的实时的加工数据。

本发明一个实施例中，传感网络向边缘服务器的数据传输基于Modbus协议，采取Modbus TCP传输模式。在其他的实施例中，还可以根据需要选择其他相应的协议与传输模式，本发明对此不作限定。

数据处理模块用于对所述实时的加工数据进行预处理，获得预处理数据。

数据预处理包括但不限于模数转换、数据滤波、降压、去噪等。

误差补偿模块，基于所述预处理数据，调用相应的误差补偿算法求解误差补偿量。

控制指令生成模块，基于所述预处理数据以及误差补偿量，结合加工任务相应的运动控制程序，获取具有误差补偿效果的控制指令。

误差补偿算法库，用于存储边缘侧部署的误差补偿算法以及接收并存储从所述中心服务器平台下发的误差补偿算法，并为加工任务提供相应误差补偿算法，获取对应的误差补偿量ΔQ。

运动控制算法库，用于存储边缘侧部署的运动控制算法，可以供边缘服务器根据不同的加工任务选择相应的运动控制算法以进行加工任务的轨迹规划，生成控制程序。

轨迹是指机械臂或加工刀具在运动过程中的位移、速度、加速度等；轨迹规划，是指根据任务的要求，计算出预期的运动轨迹。

实时的机械臂位姿运动参数和环境参数包括：

终端机械臂控制单元，用于实时感知机械臂加工的关节角等结构参数、电机转速及扭矩、被加工件位置、装配夹具数据以及外部参数如负载、电压等，并将其传输到边缘服务器进一步处理，同时接收边缘服务器生成的误差补偿后的控制指令，调整控制角度，完成加工件的加工。

如图2下部分所示，终端机械臂控制单元包括传感网络，传感网络包含多种传感器，能够实时感知当前加工条件下的机械臂位姿信息、结构参数、控制量数据、环境数据，本发明一个实施例中，将数据通过有线方式如Modbus、Profibus或无线方式如WiFi传输至边缘服务器的数据采集模块，接口采用RS485标准。终端机械臂控制单元的后端还包括机械臂本体，机械臂本体能够加载边缘服务器提供的误差补偿后的控制程序，执行加工指令，与具体场景下的夹具、承接台等相应的辅助设备共同完成工件的加工任务。在其他实施例中还可以选用其他的数据传输方式以及其他的接口标准，本发明对此不作限定。

如图3所示，本发明第二实施例的基于云边协同的运动控制误差补偿方法，基于上述的基于云边协同的运动控制误差补偿系统，该误差补偿方法包括：

步骤S10，边缘服务器通过加工任务客户端输入模具成品模型、选择执行机械臂，在SolidWorks软件中建立产品数字模型，在 SolidCAM中选择刀具，终端机械臂上安装电主轴和刀具，按照实际情况在刀具上设置工具端的TCP坐标，根据加工特征建立加工路径，从而生成G代码文件；此外，边缘服务器从运动控制算法库中调用加减速控制算法等运动控制算法，对G代码编译后进行轨迹插补、轨迹规划，生成控制程序。之后从误差补偿算法库中调取对应于模具模型、机械臂及刀具ID的误差补偿算法F：S→ΔQ，发起模具的打磨加工任务。

步骤S20，边缘服务器的误差补偿算法库中若有对应该模具打磨加工的误差补偿算法F₀，则向中心服务器发起误差补偿算法最新版本确认请求，将本地服务器ID、误差补偿算法ID、机械臂ID、算法版本号、请求类型封装为json包通过以太网发送至中心服务器平台。中心服务器根据补偿算法ID校对误差补偿算法模型库中相应算法版本号，若现有算法F₀是最新版本，则跳转步骤S80；若非最新版本，则将误差补偿算法模型库中相应算法封装后根据边缘服务器ID通过以太网下发，替换边缘服务器的原有算法，跳转步骤S80。

步骤S30，边缘服务器的误差补偿算法库中若没有对应于该模具打磨加工的误差补偿算法，则向中心服务器平台发送误差补偿算法部署请求，将本地服务器ID、机械臂ID、请求类型、模具成品模型、控制程序封装为压缩文件，通过以太网发送至中心服务器平台。

步骤S40，中心服务器平台收到边缘服务器发送的误差补偿算法部署请求后，根据机械臂及刀具ID、模具成品模型从误差补偿算法模型库调取相应的补偿算法，通过以太网下发给指定ID的边缘服务器。

步骤S50，若中心服务器平台没有边缘服务器请求部署的误差补偿算法，则根据边缘服务器上传的机械臂标识信息和相应的加工任务，利用数字孪生建模仿真平台构建加工任务的仿真系统，根据机械臂及刀具ID从加工设备模型库中调取模型，建立当前生产环境下的运动控制模型，导入Tecnomatix Process Simulate和LabVIEW软件中，调用边缘服务器上传的压缩文件中的本次加工任务控制程序，进行运动控制误差补偿方法仿真择优。

进行相应运动控制误差补偿方法仿真择优的标准为：加工任务的仿真运动控制模型的加工路径与所设定的路径总体偏差最小或达到设定的加工标准。

建立当前生产环境下的运动控制模型，其方法为：

进行相应运动控制误差补偿方法仿真择优之后还可利用已有加工任务的仿真系统进行误差补偿算法的仿真择优，并对误差补偿算法库中已有加工任务原有误差补偿算法进行更新。

数字孪生建模仿真平台对误差补偿方法仿真时使用的获取补偿量的算法(即误差补偿算法)包括但不限于插值补偿法、神经网络方法、镜像法等方法。在不同的实施例中，可以根据场景选取合适的误差补偿算法进行补偿量的获取，本发明在此不一一详述。

步骤S60，经过反复误差补偿仿真，数字孪生建模仿真平台择优将相应运动控制误差补偿算法通过以太网下发至指定ID的边缘服务器，并结合机械臂及刀具ID、模具成品模型存入中心服务器平台的误差补偿算法模型库中，记录算法初始版本号。

步骤S70，选择相应的运动控制误差补偿算法标准为：根据历史加工记录中理论误差限等加工误差标准与实际加工误差的关系确定本次加工任务的加工误差标准，仿真时以不同补偿算法求解目标位姿下的补偿量，得到不同补偿方法输入到仿真的运动控制模型中，计算仿真运动控制模型的加工路径S_p与所设定的路径S_d的总体偏差σ与局部最大偏差δ_max，以上述偏差迭代更新误差补偿算法中的某些参数，如神经网络算法的神经元权值或阈值w_i，以得到更精确的误差补偿量；若已有补偿算法对应的上述偏差达到产品加工标准，则选择偏差最小的补偿算法下发到边缘服务器；若没有算法满足加工标准，则将所设定路径划分为若干不相交的子路径

在各子路径分别使用不同误差补偿算法求解补偿量，使模型路径和所设定路径的上述偏差更小，直至偏差达到加工标准方可下发。

仿真运动控制模型的加工路径S_p与所设定的路径S_d的总体偏差σ，其计算方法如式(1)所示：

其中，σ_yoz,σ_zox,σ_xoy分别表示空间坐标系下仿真加工路径和设定路径在x＝0、y＝0、z＝0三个平面的偏差，S_p,yoz,S_p,zox,S_p,xoy分别表示空间坐标系下仿真加工路径在三个平面的投影，S_d,yoz,S_d,zox,S_d,xoy分别表示空间坐标系下设定路径的坐标曲线在三个平面的投影。

仿真运动控制模型的加工路径S_p与所设定的路径S_d的局部最大偏差δ_max，其计算方法如式(2)所示：

其中，Ω表示整段加工路径曲线，l表示完整加工路径的子路径，

分别是S_p,yoz,S_p,zox,S_p,xoy对应于完整曲线l子路径的部分，

分别是S_d,yoz,S_d,zox,S_d,xoy对应于完整曲线l子路径的部分。

迭代更新误差补偿算法中神经网络的神经元权值w_i，如式(3) 所示：

w_i←w_i+ηδ_max 式(3)

其中，η代表神经网络的学习率。

将所设定路径S_d划分为若干不相交的子路径

如式(4) 所示：

其中，m代表设定路径划分的子路径数。

数字孪生建模仿真平台还可以对已有的加工任务进行补偿算法仿真，择优将误差补偿算法模型库中原有的误差补偿算法进行更新，同时更新其版本号。

如图4所示，为本发明基于云边协同的运动控制误差补偿系统一种实施例的控制量和运动量关系的逻辑图，阐释了本发明所涉及的补偿量、补偿算法、运动轨迹的内在联系，通过对误差补偿算法的迭代择优，让机械臂仿真运动与预期运动轨迹更为接近，在实际运动中，实际运动轨迹与仿真运动轨迹趋向一致，这样实际运动的轨迹与预期运动的轨迹也趋向一致。

步骤S80，边缘服务器根据传感网络采集到的机械臂实时位姿信息，调取本次模具打磨加工任务的误差补偿算法F：S→ΔQ，计算加工路径S_d下的机械臂位姿的关节角补偿量ΔQ，将关节角补偿量与运动控制程序的设定量相融合，生成具有加工轨迹误差补偿的二进制运动控制指令，按照Modbus TCP模式传输至机械臂，最终控制终端机械臂的加工。

所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的方法的具体工作过程及有关说明，可以参考前述系统实施例中的对应过程，在此不再赘述。

需要说明的是，上述实施例提供的基于云边协同的运动控制误差补偿系统及方法，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。

术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。

术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。

至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims

1.一种基于云边协同的运动控制误差补偿系统，其特征在于，该误差补偿系统包括中心服务器、边缘服务器和终端机械臂控制单元；

2.根据权利要求1所述的基于云边协同的运动控制误差补偿系统，其特征在于，所述中心服务器包括加工设备模型库、加工件模型库、误差补偿算法模型库和数字孪生建模仿真平台；

3.根据权利要求2所述的基于云边协同的运动控制误差补偿系统，其特征在于，所述边缘服务器包括加工任务客户端、数据采集模块、数据处理模块、误差补偿模块、控制指令生成模块、误差补偿算法库和运动控制算法库；

4.根据权利要求1所述的基于云边协同的运动控制误差补偿系统，其特征在于，所述实时的机械臂位姿运动参数和环境参数包括：

5.根据权利要求2所述的基于云边协同的运动控制误差补偿系统，其特征在于，所述加工设备模型库还用于存储机械臂动力学模型；

6.根据权利要求3所述的基于云边协同的运动控制误差补偿系统，其特征在于，所述数字孪生建模仿真平台进行各误差补偿算法的仿真择优之后，还设置有误差补偿算法库在线更新的步骤，其方法为：

7.一种基于云边协同的运动控制误差补偿方法，其特征在于，基于权利要求1-6任一项所述的基于云边协同的运动控制误差补偿系统，该误差补偿方法包括：

8.根据权利要求7所述的基于云边协同的运动控制误差补偿方法，其特征在于，步骤S50中“进行相应运动控制误差补偿方法仿真择优”，其标准为：

9.根据权利要求7所述的基于云边协同的运动控制误差补偿方法，其特征在于，步骤S50中“建立当前生产环境下的运动控制模型”，其方法为：

10.根据权利要求7所述的基于云边协同的运动控制误差补偿方法，其特征在于，步骤S50中“进行相应运动控制误差补偿方法仿真择优”之后还可利用已有加工任务的仿真系统进行误差补偿算法的仿真择优，并对误差补偿算法库中已有加工任务原有误差补偿算法进行更新。

11.根据权利要求7所述的基于云边协同的运动控制误差补偿方法，其特征在于，步骤S80中“计算加工轨迹下的机械臂位姿的关节角补偿量”，其方法包括插值补偿法、神经网络方法、镜像法。