CN115847396A - 一种基于复合分支神经网络的工业机器人定位误差自适应补偿方法 - Google Patents

Abstract

本发明公开了一种基于复合分支神经网络的工业机器人定位误差自适应补偿方法，引入神经结构搜索技术设计主从控制器架构的神经结构搜索框架，首先在主控的驱动下诊断从控根据给定的不同误差等级位姿数据自动创建误差等级诊断模型，随即预测从控根据诊断模型筛选出的不同误差等级位姿数据自动创建补偿位姿预测模型，最后主控整合诊断模型和预测模型形成复合分支网络模型。应用过程中，主控首先激活复合分支模型中的诊断网络支路判断当前位姿下定位误差等级，随之激活对应误差等级下的预测网络支路以生成补偿位姿，并利用误差级别对补偿位姿进行修正。将本发明方法应用于

和UR机器人精度补偿案例，结果表明该发明方法性能优于同类方法。

Description

一种基于复合分支神经网络的工业机器人定位误差自适应补 偿方法

技术领域

本发明属于工业机器人绝对定位精度补偿方法技术领域，具体涉及基于复合分支神经网络的工业机器人定位误差自适应补偿方法。

背景技术

串联工业机器人具有通用性、操作灵活性和空间可达性强等特点，在焊接、磨抛等复杂工况下已得到广泛应用。故利用该类型机器人可实现数控机床无法实现的一些超大型构件的加工，这为大型构件提供了一种新颖的高效高精的加工模式，该模式已引起了学术界和工业界的重视。但目前机器人在大型构件铣削方面的应用还较为保守，因为工件的铣削精度主要取决于机器人的静态精度和动态稳定性，尤其是机器人的静态精度对其绝对定位精度要求较高。因此，提高和优化机器人的绝对定位精度是保证工件铣削质量的一种有效途径。

受系统误差(由机器人结构误差即连杆参数误差、关节转角参数误差等构成，也称为几何误差)和随机误差(主要由机器人关节连接挠度、摩擦、连接间隙甚至是外部温度等因素引起，也称之为非几何误差)影响，在实际工作时机器人末端执行器的实际位姿与目标位姿不一致，这也致使机器人实际运行轨迹与其离线规划的目标运行轨迹存在较大偏差。针对上述两类误差，研究者们提出了基于运动学模型补偿的参数方法和直接建立机器人末端执行器实际位姿与目标位姿映射关系的非参数方法。

通过综述研究发现，机器人定位误差补偿问题存在以下两个特点：在空间上，其定位误差等级存在差异分布，当机器人位姿变化较大，即各关节旋转范围较大时，关节挠度、间隙和摩擦都会发生明显变化，不可避免地导致机器人在不同的子工作空间中存在不同程度的定位误差；在时间上，机器人工作性能的退化会显著恶化其定位精度，这是因为随着机器人服役时间增加，其工作性能会逐渐退化，运动学模型参数也会不断变化，导致其末端定位误差也会显著提高。无论是基于参数法还是基于非参数法，当前对机器人定位精度进行优化主要是通过离线方式实现的。另外，在机器人定位精度优化的过程中，也鲜有研究综合考虑定位误差等级变化与机器人性能退化对定位误差补偿的影响，这使得建立的定位精度优化模型不能适用于机器人全生命周期，需要对模型反复地迭代训练和优化，该过程不仅费时，而且可能由于优化的延迟导致误差补偿效果不能满足机器人的使用要求。因此，亟需一种自适应的机器人定位误差补偿方法来克服空间上误差等级差异分布和时间上机器人性能退化加剧定位误差的问题。

发明内容

针对现有技术方法存在的不足，本发明的目的在于提供一种复合分支神经网络的工业机器人定位误差自适应补偿方法。该方法将机器人定位误差补偿空间中和时间上的两个关键问题抽象为误差等级诊断和补偿位姿预测问题，并引入神经结构搜索技术设计主从控制器架构的神经结构搜索框架，对机器人定位误差进行自适应地分级补偿。

为实现上述目的，本发明一种复合分支神经网络的工业机器人定位误差自适应补偿方法，具体包括以下步骤：

S1、主控设定误差等级，诊断从控基于位姿数据自动创建误差等级诊断模型；

S2、根据主控设定的误差等级，预测从控针对不同等级的位姿数据分别创建补偿位姿预测模型；

S3、主控将误差等级诊断模型和多个补偿位姿预测模型整合为一个复合分支网络模型，并根据该模型的表现调整误差等级的划分，引导从控重新建模，直至达到补偿精度要求；

S4、针对待补偿的机器人位姿数据，主控激活模型的诊断支路，判断当前位姿所属误差等级；

S5、主控根据模型诊断支路的判断结果激活对应的预测支路，输出补偿位姿，并利用诊断的误差级别对预测结果进行分级过滤和平滑，最后将其载入控制器驱动机器人末端移动工作，实现定位误差自适应补偿；

所述主控负责协调从控的训练和优化、整合复合分支神经网络模型以及激活网络的相应通道进行位姿误差等级诊断和补偿位姿预测，本质上是一种控制逻辑，是本发明方法的大脑；

所述诊断从控是一个神经网络模型，通过输出决策序列来创建误差等级诊断模型，建立位姿与误差等级之间的映射关系，旨在克服机器人工作空间中误差等级存在差异分布对高精度误差补偿的影响；

所述预测从控是一个神经网络模型，通过输出决策序列来创建补偿位姿预测模型，建立实际位姿与目标位姿的映射关系，将误差提前补偿至目标位姿中，旨在克服机器人性能退化加剧定位误差对高精度误差补偿的影响；

所述步骤S5中利用诊断的误差级别对预测结果进行分级过滤和平滑是指首先利用诊断出的某等级误差的阈值对预测模型的输出进行过滤，剔除异常值，保证模型预测结果的有效性和稳定性。

进一步，所述步骤S1具体为：

S11、主控划定误差等级，将采样自机器人工作空间中的实际、目标位姿数据按照对应的误差等级进行分类；

S12、诊断从控以分类后的位姿数据为输入，输出决策序列，从搜索空间中选择对应的网络层，自动创建误差等级诊断模型；

S13、根据诊断模型的精度表现，诊断从控不断调整优化决策序列，直至自动创建满足精度要求的误差等级诊断模型；

所述步骤S12中的诊断从控为串并行混合的神经网络模型，其输入为诊断候选模型的空架构，经过中间网络层的计算，输出对应与候选模型空架构的决策序列；

所述步骤S12中的搜索空间为包括不同超参数组合的卷积层、全连接层、长短时记忆网络层和双向长短时记忆网络层等8层网络的网络层库。

进一步，所述步骤S13中诊断模型的精度表示如下：

式中A_d表示诊断模型精度表现的衡量指标，N表示批量数据所包含的位姿点数，K表示设定的误差等级数，

为诊断模型针对批量数据中第j个位姿点所处误差等级的诊断结果的第i个分量，而

则是对应批量数据中第j个位姿点所处误差等级独热编码标签的第i个分量；

所述步骤S13中诊断从控优化决策序列的目标函数如下所示：

其中T_d表示诊断从控的目标函数，M表示诊断从控进行的决策轮数，T为决策序列长度，

为诊断从控第j轮决策序列中第t维决策值，

表示第j轮决策创建的诊断模型的诊断精度，也即该轮决策的奖励值，用交叉熵来刻画策略和回报概率分布之间的距离，当两者越接近，交叉熵越小，也即当决策序列的累计奖励越大，对应的决策序列出现的概率也越大时交叉熵损失才会变小，在给定的候选模型验证环境下，相同的动作对应的回报是一样的，控制器与验证环境交互过程中，发现某一决策序列对应的回报更大，于是就通过交叉熵损失函数更新控制器的网络参数增大对应动作出现的概率。

进一步，所述步骤S2具体为：

S21、预测从控以某一误差等级下的位姿数据为输入，输出决策序列，从搜索空间中选择对应的网络层，自动创建补偿位姿预测模型；

S22、根据预测模型的精度表现，预测从控不断调整优化决策序列，直至自动创建满足精度要求的补偿位姿预测模型；

S23、重复上述过程，直至针对各种误差等级下的位姿数据均创建出满足精度要求的补偿位姿预测模型；

所述步骤S22中补偿位姿预测模型的精度表示如下：

式中

表示补偿位姿预测模型针对批量数据中第j个位姿点第i维坐标的预测值，

表示第i维坐标的目标值，

表示目标位姿的均值，N表示批量中包含的位姿点数；坐标的前三维表示位移，其误差权重为ω₁，后三维表示姿态，权重为ω₂，μ为误差等级权重，随着误差等级的升高不断变大，A_p越接近1，表示补偿位姿预测模型预测精度越高，反之预测可靠性越差。

进一步，所述步骤S3中复合分支网络模型的表现表示为：

其中A_d为诊断模型的精度，

为多个补偿位姿预测模型的平均精度，考虑到诊断精度和预测精度相互之间存在影响，设置了系数α和β综合评价复合分支网络模型，若粗粒度划分误差等级，那么诊断难度会降低，但预测难度上升；而若误差等级划分太细，诊断难度会上升，尽管也降低了预测难度，但诊断偏差的这部分位姿会调用错误的预测模型进行补偿，会影响最终的预测精度。

本发明的有益效果为：

本发明公开了一种基于复合分支神经网络的工业机器人定位误差自适应补偿方法，在所发明的方法中，将机器人定位误差补偿空间和时间这两方面的影响因素抽象为误差等级诊断和补偿位姿预测问题，引入神经结构搜索技术设计主从控制器架构的神经结构搜索框架，首先在主控的驱动下诊断从控根据给定的不同误差等级位姿数据自动创建误差等级诊断模型，随即预测从控根据诊断模型筛选出的不同误差等级位姿数据自动创建补偿位姿预测模型，最后主控整合诊断模型和预测模型，形成复合分支网络模型。应用过程中，主控制器首先激活复合分支模型中的诊断网络支路判断当前位姿下定位误差等级，随之激活对应误差等级下的预测网络支路以生成补偿位姿，并利用误差级别对补偿位姿进行修正，将修正补偿位姿载入机器人控制器实现位姿补偿。将本发明方法应用于

机器人和UR机器人精度补偿案例，结果表明，该方法将

工业机器人的定位误差从0.884mm降至0.135mm，将UR机器人的定位误差从2.11mm降低至0.158mm，性能优于同类方法。

附图说明

图1为本发明提供的基于复合分支神经网络的工业机器人定位误差自适应补偿方法实现流程图；

图2为本发明提供的从控结构图；

图3为本发明提供的长短时记忆网络结构示意图；

图4为本发明提供的验证方案设置图；

图5为本发明提供的分级过滤与平滑效果图；

图6为本发明提供的自动建模过程主从控性能指标记录图；

图7为本发明提供的误差等级诊断模型输出降维展示图；

图8为本发明提供的补偿前后定位误差统计图；

图9为本发明提供的补偿前后机器人轨迹三维展示图；

具体实施方式

如图1所示，本发明一种基于复合分支神经网络的工业机器人定位误差自适应补偿方法包括以下步骤：

S1、主控设定误差等级，诊断从控基于位姿数据自动创建误差等级诊断模型；

S2、根据主控设定的误差等级，预测从控针对不同等级的位姿数据分别创建补偿位姿预测模型；

S3、主控将误差等级诊断模型和多个补偿位姿预测模型整合为一个复合分支网络模型，并根据该模型的表现调整误差等级的划分，引导从控重新建模，直至达到补偿精度要求；

S4、针对待补偿的机器人位姿数据，主控激活模型的诊断支路，判断当前位姿所属误差等级；

S5、主控根据模型诊断支路的判断结果激活对应的预测支路，输出补偿位姿，并利用诊断的误差级别对预测结果进行分级过滤和平滑，最后将其载入控制器驱动机器人末端移动工作，实现定位误差自适应补偿；

上述主控负责协调从控的训练和优化、整合复合分支神经网络模型以及激活网络的相应通道进行位姿误差等级诊断和补偿位姿预测，本质上是一种控制逻辑，是本发明方法的大脑；

上述诊断从控是一个神经网络模型，通过输出决策序列来创建误差等级诊断模型，建立位姿与误差等级之间的映射关系，旨在克服机器人工作空间中误差等级存在差异分布对高精度误差补偿的影响；

上述预测从控是一个神经网络模型，通过输出决策序列来创建补偿位姿预测模型，建立实际位姿与目标位姿的映射关系，将误差提前补偿至目标位姿中，旨在克服机器人性能退化加剧定位误差对高精度误差补偿的影响；

所述步骤S5中利用诊断的误差级别对预测结果进行分级过滤和平滑是指首先利用诊断出的某等级误差的阈值对预测模型的输出进行过滤，剔除异常值，保证模型预测结果的有效性和稳定性。

上述步骤S1具体为：

S11、主控划定误差等级，将采样自机器人工作空间中的实际、目标位姿数据按照对应的误差等级进行分类；

S12、诊断从控以分类后的位姿数据为输入，输出决策序列，从搜索空间中选择对应的网络层，自动创建误差等级诊断模型；

S13、根据诊断模型的精度表现，诊断从控不断调整优化决策序列，直至自动创建满足精度要求的误差等级诊断模型；

上所述步骤S12中的诊断从控为串并行混合的神经网络模型，其输入为诊断候选模型的空架构，经过中间网络层的计算，输出对应与候选模型空架构的决策序列。如图2所示，诊断从控的输入是一个大小为(10,1)的零向量，表示候选诊断模型待确定的10层网络。考虑到连续卷积操作提取的高低层特征不能相互替代，选择5个小尺寸的卷积层进行特征提取，并将提取的特征进行组合形成混合特征，以支持从控进行更好的决策。此外，还在从控结构中引入了注意力机制，给混合特征中的不同分量赋予不同的权重，提高特征多样性。具体地，首先通过全局平均池化层将混合特征压缩为行向量，保存成阈值基，然后利用全连接层和标准化层将阈值基转化为属于(0,1)的阈值系数；再将阈值系数转换为列向量并与阈值基相乘，得到与原始混合特征尺寸相同的阈值矩阵，最后，特征矩阵与阈值矩阵作差得到(10,5)的决策矩阵。一方面，将决策矩阵中小于零的分量设为零，消除原始特征中的细微干扰；另一方面，阈值矩阵中不同分量的值是不同的，可以在训练过程中动态调整，这相当于对原始特征矩阵的不同分量施加不同的“注意力”，便是注意力机制的体现。决策矩阵的10行表示确定候选模型的10维决策，分别对应候选模型的10层，5列表示每个维度决策有5个选项，即空网络层和搜索空间中提供的4种网络。空网络层决策选项的设置便于控制器调整候选模型的深度，提高决策自由度。预测从控的结构与诊断从控相同。

上述步骤S12中的搜索空间如表1所示。诊断从控和预测从控对应的搜索空间也是相同的，均是由卷积层，全连接层和长短时记忆网络层构成，如表1所示，包括四种不同超参数的卷积网络层、两种全连接层和一种长短时记忆网络层以及一种双向长短时记忆网络层。候选模型的深度上限为10层，其中前6层由卷积神经网络构建，称为特征提取模块；后4层由全连接网络或者长短时记忆网络层构建，对应于诊断候选模型称为诊断模块，而对应于预测候选模型称为预测模块。因此，控制器输出决策矩阵中的前六行决策均对应搜索空间中的卷积层，而后四行决策则对应搜索空间中的全连接层和长短时记忆网络层。

表1搜索空间

特征提取模块各卷积网络层的激活函数选择LeakeyReLU，能有效克服梯度的硬零稀疏性，因此在优化过程中更具鲁棒性，对于提取更具代表性、有助于诊断和预测模块做出正确判断的数据特征有积极作用。而在诊断模块和预测模块中网络层的激活函数选择ReLU，只输出大于零的分量，收敛速度更快、计算速度更快，支持诊断、预测模块更高效地输出结果。

LSTM由多个重复的记忆单元组成，每个记忆单元都包含隐藏状态和单元状态两种状态，如图3所示。搜索空间中提供了LSTM和Bi-LSTM供控制器选择，前者设置了序列返回属性，会同时输出记忆单元状态和隐藏状态；后者则是兼顾了记忆单元从前往后以及从后到前的双向影响，对于预测问题通常更加有效。从控会自动根据问题的难易创建不同深度、由不同类型和不同超参数网络层构成的候选模型，比如在诊断模型的创建过程中LSTM通常不会被最终选择。

诊断、预测模块之后添加输出层即构成完整的误差等级诊断和补偿位姿预测模块，输出层均选用全连接层，前者神经元数同主控确定的误差等级数，选用SoftMax作为激活函数；后者神经元数为6，对应于位姿的六维坐标，选用Sigmoid作为激活函数。

上述步骤S13中诊断模型的精度表示如下：

式中A_d表示诊断模型精度表现的衡量指标，N表示批量数据所包含的位姿点数，K表示设定的误差等级数，

为诊断模型针对批量数据中第j个位姿点所处误差等级的诊断结果的第i个分量，而

则是对应批量数据中第j个位姿点所处误差等级独热编码标签的第i个分量；

所述步骤S13中诊断从控优化决策序列的目标函数如下所示：

其中T_d表示诊断从控的目标函数，M表示诊断从控进行的决策轮数，T为决策序列长度，

为诊断从控第j轮决策序列中第t维决策值，

表示第j轮决策创建的诊断模型的诊断精度，也即该轮决策的奖励值，用交叉熵来刻画策略和回报概率分布之间的距离，当两者越接近，交叉熵越小，也即当决策序列的累计奖励越大，对应的决策序列出现的概率也越大时交叉熵损失才会变小，在给定的候选模型验证环境下，相同的动作对应的回报是一样的，控制器与验证环境交互过程中，发现某一决策序列对应的回报更大，于是就通过交叉熵损失函数更新控制器的网络参数增大对应动作出现的概率。

上述步骤S2具体为：

S21、预测从控以某一误差等级下的位姿数据为输入，输出决策序列，从搜索空间中选择对应的网络层，自动创建补偿位姿预测模型；

S22、根据预测模型的精度表现，预测从控不断调整优化决策序列，直至自动创建满足精度要求的补偿位姿预测模型；

S23、重复上述过程，直至针对各种误差等级下的位姿数据均创建出满足精度要求的补偿位姿预测模型；

所述步骤S22中补偿位姿预测模型的精度表示如下：

式中

表示补偿位姿预测模型针对批量数据中第j个位姿点第i维坐标的预测值，

表示第i维坐标的目标值，

表示目标位姿的均值，N表示批量中包含的位姿点数；坐标的前三维表示位移，其误差权重为ω₁，后三维表示姿态，权重为ω₂，μ为误差等级权重，随着误差等级的升高不断变大，A_p越接近1，表示补偿位姿预测模型预测精度越高，反之预测可靠性越差。

上述步骤S3中复合分支网络模型的表现表示为：

其中A_d为诊断模型的精度，

为多个补偿位姿预测模型的平均精度，考虑到诊断精度和预测精度相互之间存在影响，设置了系数α和β综合评价复合分支网络模型，若粗粒度划分误差等级，那么诊断难度会降低，但预测难度上升；而若误差等级划分太细，诊断难度会上升，尽管也降低了预测难度，但诊断偏差的这部分位姿会调用错误的预测模型进行补偿，会影响最终的预测精度。

在本发明的实施例中，提供了采用本发明方法完成机器人定位误差自适应补偿的实验过程：

1.实验设置：

为了验证本发明方法，分别以

TX200机器人和UR10 CB3机器人为验证对象，基于开发的联合控制软件系统，以激光跟踪仪AT960搭配测量靶标T-Mac组成机器人末端位姿测量系统，设计了工业机器人实际位姿和目标位姿数据采集及定位误差补偿验证实验，如图4所示。

对于

TX200机器人，基于基坐标系O-XYZ规划的用于采集机器人末端位姿数据的工作空间、各轴的单位移动距离和转动角度以及总共采集的样本数量如表1所示。数采过程中机器人采用多轴移动和单轴转动相结合的复合运动形式，即末端执行器的移动是沿着三个坐标轴移动的复合运动，而末端的旋转是指绕某一坐标轴转动时另两个坐标轴方向保持90°姿态不变的运动。

为满足校准样本库数据采集与机器人定位精度在线补偿的需要，开发了激光跟踪仪与工业机器人综合控制系统，系统界面如图4c所示。控制系统可通过TCP/IP协议分别向激光跟踪仪和机器人控制器发送测量指令和运动控制命令，同时也可获取机器人的实际位姿和目标位姿数据。

对于UR10 CB3机器人，则选用的是机器人定位误差公开数据集，由德国弗朗霍夫研究所提供。该部分实验设置如图4d所示，而机器人工作空间等相关规划如表2所示。另外，机器人末端位姿数据采集过程中机器人同样采用多轴移动和单轴转动相结合的复合运动形式。

表2实验规划

2.方法对比

在应用方法补偿定位误差前，进行了以下5组实验探究误差等级的划分与其对诊断模型和预测模型性能影响的关系，分别划分误差等级1、5、10、15、20，并记录相应设置下诊断从控和预测从控自动创建达到精度要求的模型所需的时间、诊断模型的精度、针对多个误差等级创建的预测模型的平均精度和最低精度及其平均补偿误差。此外记录了排除错误诊断以致错误调用预测模型带来的偏差的理想平均预测精度，以定量展示误差等级诊断和位姿预测之间的相互影响，如表3所示。

表3误差等级划分对比记录

由表中数据可知，随着主控逐渐细粒度地划分误差等级，对于诊断从控而言，误差等级诊断的难度越来越高，因此其创建误差等级诊断模型所需的时间越来越长，诊断精度也越来越低；对于预测从控而言，某一等级误差的幅度越来越窄，补偿位姿预测的难度相对降低，因此针对每个误差等级创建预测模型所需的时间越来越短，预测模型的理想平均预测精度(即预测模型本身的预测精度)也越来越高。然而实际的平均预测精度与相应的平均补偿误差呈先上升后下降的趋势，这是因为主控会根据诊断模型的诊断结果调用对应的位姿预测模型，当诊断精度越来越低，其带给预测的偏差也越来越大，导致平均预测精度逐渐低于理想平均预测精度。值得提出的是，预测从控下面还记录了预测模型的最低精度，即便预测模型的平均精度达到要求，而某一误差等级的预测精度过低，同样无法达到使用要求，因此预测从控的训练目标兼顾了平均精度和最低精度的要求。

单独通过对诊断模型和预测模型的性能评价均不能很好的引导主、从控进行协调训练，为此提出了一个总性能指标

来评价最终的复合分支网络模型，其中α取0.4，β取0.6。在主、从控的训练过程中，设置总精度高于0.98的目标要求，如此可确保诊断精度高于0.95，预测精度高于0.967。

本发明方法中的一个重要设计是步骤S5中通过诊断的误差级别将预测位姿进行分级过滤和平滑。调用相应的预测模型针对

数据集分布在(1.150,1.237)mm之间的位姿点进行误差补偿，并利用1.150mm和1.237mm的误差阈值过滤预测出的补偿位姿，最后进行卷积平滑，位姿点X、Y、Z方向和总位移的补偿前、补偿后、分级过滤以及平滑后的定位误差如图5所示。由图可知，尽管预测模型输出的补偿后位姿的分布中心相对于补偿前位姿更加靠近目标位姿，定位误差有了显著降低，但仍然存在较大的波动幅度，有个别位姿点定位误差甚至超过了补偿前。在进行补偿位姿预测前对位姿点所处的误差级别进行准确诊断是本发明方法的创新点和优势，利用诊断出误差级别的误差阈值对预测位姿进行过滤是很自然且有意义的。图中很清楚地显示出，过滤后预测位姿去除了所有异常点，分布更加合理，更具有实际应用意义。最后，对过滤后预测位姿进行卷积平滑，进一步降低波动幅度，提高稳定性。

3.方法补偿效果验证

依次从主从控自动建模、误差等级诊断和补偿位姿预测三个方面来展示本发明方法的补偿效果。针对

机器人验证对象，主控通过调节误差等级的划分协调诊断从控和预测从控训练，这个过程中复合分支网络模型的总精度、诊断从控的训练损失以及预测从控的训练损失如图6所示。随着主控协调周期的推进，误差等级逐渐细粒度划分，在这个过程中诊断从控的损失越来越高，可知诊断模型的误差越来越大；而主控精度在上升后进入下降，预测从控的损失也在下降后进入上升阶段，原因在上一节进行了论述。可以看到，大概是将机器人定位误差划分为8个误差等级时，总精度在最高点达到了大于0.98的目标要求，因此选取此种设置下从控创建的误差等级诊断模型和补偿位姿预测模型。

数据集中位姿点的定位误差分布在(0.46,1.32)mm，将其均等划分为8个误差等级，各个误差等级下位姿点数分别为266、497、476、245、371、448、364、105，诊断从控创建的误差等级诊断模型有8层，诊断精度达98.7％，第二类与第一类和第三类、第六类和第七类以及第八类和第七类均存在少量样本的混淆。图7是对诊断模型分类不同误差等级位姿数据的过程的可视化展示。图7a是原始位姿数据，不同颜色代表不同误差等级，无法通过位姿将不同误差等级的位姿数据划分开。经由卷积层搭建的特征提取模块和由全连接层构成的分类模块处理后，相同误差等级的位姿数据开始聚拢，再由输出层softmax激活函数处理后，绝大多数位姿数据被正确诊断，表现在图7d中则是相同颜色的点完全收缩在一起，而不同颜色的点保持较远距离，值得提出的是粉色的位姿点也就是误差等级8下的位姿点只有105个，加上聚拢后重合度较高，因此聚拢后的粉色位姿点只占据很小的一块区域。

针对UR数据集，将其定位误差(0.72，2.53)mm划分为10个等级，分别包含216,731,1334,1511,1380,1329,1333,1274,1035,356个位姿点。每种误差等级下，80％的位姿点数据作为训练数据，20％作为验证数据。设计了这样的自适应补偿验证场景：将各误差等级下作为验证数据的位姿点数据按照10个一组进行随机打乱，依次取出，首先调用诊断模型进行所处误差等级判断，再根据误差级别调用相应的预测模型进行补偿位姿预测以及分级过滤和平滑。最后，根据诊断的结果将同一误差级别下的位姿点数据合并在一起，分组统计补偿前后的定位误差。

对于每种误差等级，两种机器人补偿前后定位误差的统计结果如图8所示。其中，图中横轴为通过位姿坐标区分的不同子工作空间，纵轴表示定位误差，标签中橙色和紫色分别表示补偿前机器人定位误差的标准差和均值，红色和绿色分别表示补偿后机器人定位误差的标准差和均值。图8(a)中数据表明在应用所提方法后，

机器人各组子工作空间的平均定位误差降低至0.13mm，最好可达至0.1mm；图8(b)展示了补偿后UR机器人平均误差降低至0.16mm，最好可达至0.14mm。

为了更直观地展示所提方法的补偿效果，将工作空间中的极限位姿点连接成空间环形，对比展示两种机器人的目标轨迹、补偿前实际轨迹以及补偿后实际轨迹，如图9所示。结果表明所提方法通过降低机器人的绝对定位误差，提升了机器人的运动轨迹精度，这对于保证和提高工业机器人的加工精度促进其应用于实际加工场景具有重要现实意义。

本发明的有益效果为：

本发明公开了一种基于复合分支神经网络的工业机器人定位误差自适应补偿方法，在所发明的方法中，将机器人定位误差补偿空间和时间这两方面的影响因素抽象为误差等级诊断和补偿位姿预测问题，引入神经结构搜索技术设计主从控制器架构的神经结构搜索框架，首先在主控的驱动下诊断从控根据给定的不同误差等级位姿数据自动创建误差等级诊断模型，随即预测从控根据诊断模型筛选出的不同误差等级位姿数据自动创建补偿位姿预测模型，最后主控整合诊断模型和预测模型，形成复合分支网络模型。应用过程中，主控制器首先激活复合分支模型中的诊断网络支路判断当前位姿下定位误差等级，随之激活对应误差等级下的预测网络支路以生成补偿位姿，并利用误差级别对补偿位姿进行修正，将修正补偿位姿载入机器人控制器实现位姿补偿。将本发明方法应用于

机器人和UR机器人精度补偿案例，结果表明，该方法将

工业机器人的定位误差从0.884mm降至0.135mm，将UR机器人的定位误差从2.11mm降低至0.158mm，性能优于同类方法。

Claims (5)

1.一种基于复合分支神经网络的工业机器人定位误差自适应补偿方法，其特征在于，包括以下步骤：

S1、主控设定误差等级，诊断从控基于位姿数据自动创建误差等级诊断模型；

S2、根据主控设定的误差等级，预测从控针对不同等级的位姿数据分别创建补偿位姿预测模型；

S3、主控将误差等级诊断模型和多个补偿位姿预测模型整合为一个复合分支网络模型，并根据该模型的表现调整误差等级的划分，引导从控重新建模，直至达到补偿精度要求；

S4、针对待补偿的机器人位姿数据，主控激活模型的诊断支路，判断当前位姿所属误差等级；

S5、主控根据模型诊断支路的判断结果激活对应的预测支路，输出补偿位姿，并利用诊断的误差级别对预测结果进行分级过滤和平滑，最后将其载入控制器驱动机器人末端移动工作，实现定位误差自适应补偿；

所述主控负责协调从控的训练和优化、整合复合分支神经网络模型以及激活网络的相应通道进行位姿误差等级诊断和补偿位姿预测，本质上是一种控制逻辑，是所提方法的大脑；

所述诊断从控是一个神经网络模型，通过输出决策序列来创建误差等级诊断模型，建立位姿与误差等级之间的映射关系，旨在克服机器人工作空间中误差等级存在差异分布对高精度误差补偿的影响；

所述预测从控是一个神经网络模型，通过输出决策序列来创建补偿位姿预测模型，建立实际位姿与目标位姿的映射关系，将误差提前补偿至目标位姿中，旨在克服机器人性能退化加剧定位误差对高精度误差补偿的影响；

所述步骤S5中利用诊断的误差级别对预测结果进行分级过滤和平滑是指首先利用诊断出的某等级误差的阈值对预测模型的输出进行过滤，剔除异常值，保证模型预测结果的有效性和稳定性。

2.如权利要求1所述的基于复合分支神经网络的工业机器人定位误差自适应补偿方法，其特征在于，所述步骤S1具体为：

S11、主控划定误差等级，将采样自机器人工作空间中的实际、目标位姿数据按照对应的误差等级进行分类；

S12、诊断从控以分类后的位姿数据为输入，输出决策序列，从搜索空间中选择对应的网络层，自动创建误差等级诊断模型；

S13、根据诊断模型的精度表现，诊断从控不断调整优化决策序列，直至自动创建满足精度要求的误差等级诊断模型；

所述步骤S12中的诊断从控为串并行混合的神经网络模型，其输入为诊断候选模型的空架构，经过中间网络层的计算，输出对应与候选模型空架构的决策序列；

所述步骤S12中的搜索空间为包括不同超参数组合的卷积层、全连接层、长短时记忆网络层和双向长短时记忆网络层等8层网络的网络层库。

3.如权利要求2所述的基于复合分支神经网络的工业机器人定位误差自适应补偿方法，其特征在于，所述步骤S13中诊断模型的精度表示如下：

式中A_d表示诊断模型精度表现的衡量指标，N表示批量数据所包含的位姿点数，K表示设定的误差等级数，

为诊断模型针对批量数据中第j个位姿点所处误差等级的诊断结果的第i个分量，而

则是对应批量数据中第j个位姿点所处误差等级独热编码标签的第i个分量；

所述步骤S13中诊断从控优化决策序列的目标函数如下所示：

其中T_d表示诊断从控的目标函数，M表示诊断从控进行的决策轮数，T为决策序列长度，

为诊断从控第j轮决策序列中第t维决策值，

表示第j轮决策创建的诊断模型的诊断精度，也即该轮决策的奖励值，用交叉熵来刻画策略和回报概率分布之间的距离，当两者越接近，交叉熵越小，也即当决策序列的累计奖励越大，对应的决策序列出现的概率也越大时交叉熵损失才会变小，在给定的候选模型验证环境下，相同的动作对应的回报是一样的，控制器与验证环境交互过程中，发现某一决策序列对应的回报更大，于是就通过交叉熵损失函数更新控制器的网络参数增大对应动作出现的概率。

4.如权利要求1所述的基于复合分支神经网络的工业机器人定位误差自适应补偿方法，其特征在于，所述步骤S2具体为：

S21、预测从控以某一误差等级下的位姿数据为输入，输出决策序列，从搜索空间中选择对应的网络层，自动创建补偿位姿预测模型；

S22、根据预测模型的精度表现，预测从控不断调整优化决策序列，直至自动创建满足精度要求的补偿位姿预测模型；

S23、重复上述过程，直至针对各种误差等级下的位姿数据均创建出满足精度要求的补偿位姿预测模型；

所述步骤S22中补偿位姿预测模型的精度表示如下：

式中

表示补偿位姿预测模型针对批量数据中第j个位姿点第i维坐标的预测值，

表示第i维坐标的目标值，

表示目标位姿的均值，N表示批量中包含的位姿点数；坐标的前三维表示位移，其误差权重为ω₁，后三维表示姿态，权重为ω₂，μ为误差等级权重，随着误差等级的升高不断变大，A_p越接近1，表示补偿位姿预测模型预测精度越高，反之预测可靠性越差。

5.如权利要求1所述的基于复合分支神经网络的工业机器人定位误差自适应补偿方法，其特征在于，所述步骤S3中复合分支网络模型的表现表示为：

其中A_d为诊断模型的精度，

为多个补偿位姿预测模型的平均精度，考虑到诊断精度和预测精度相互之间存在影响，设置了系数α和β综合评价复合分支网络模型，若粗粒度划分误差等级，那么诊断难度会降低，但预测难度上升；而若误差等级划分太细，诊断难度会上升，尽管也降低了预测难度，但诊断偏差的这部分位姿会调用错误的预测模型进行补偿，会影响最终的预测精度。

Images