CN117124336B - 一种串联机器人的绝对定位误差两步补偿方法及系统 - Google Patents

Abstract

本发明公开了一种串联机器人的绝对定位误差两步补偿方法及系统，该方法包括：获取机器人的定位误差坐标，随机采样选取多组点位，以这些点位相对机器人末端初始位置的相对坐标作为输入量，在约束关节姿态的前提下，利用串联机器人逆运动学模型，求解所需的关节转角，并利用求解的关节转角驱动机器人，更新位姿关节转角驱动机器人，获取第一次补偿后的串联机器人定位误差坐标，构建第一次补偿后的串联机器人定位误差预测模型，获取第二次补偿后的串联机器人定位坐标。本发明能够同时补偿由串联机器人几何参数误差与时变关节间隙引起的绝对定位误差。本发明作为一种串联机器人的绝对定位误差两步补偿方法及系统，可广泛应用于机器人定位技术领域。

Description

一种串联机器人的绝对定位误差两步补偿方法及系统

技术领域

本发明涉及机器人定位技术领域，尤其涉及一种串联机器人的绝对定位误差两步补偿方法及系统。

背景技术

近年来，随着机器人产业的飞速发展，机器人开始被大批量应用于装配、码垛、上下料、零件加工等工业领域。其中，串联机器人工作空间大、灵活性高，在工业领域应用最为广泛；目前，串联机器人的重复定位精度比较高，可达到±0.02mm左右，而绝对定位精度则比较低，只有±1-2mm左右，难以满足对定位精度要求高的精细装配的要求；因此，需要提高串联机器人的绝对定位精度；

误差补偿法通过人为手段生成新的误差并与机器人的原始误差相抵消，是提高串联机器人绝对定位精度的主要方法，而目前常用的误差补偿方法为运动学标定，该方法运用高精度测量设备例如激光跟踪仪，对串联机器人的末端位置信息进行采集，结合机器人运动学模型，分析模型预测误差，进一步运用系统辨识，标定机器人的结构参数，以提升机器人的绝对定位精度，但是，该方法只能补偿由机器人几何参数误差引起的绝对定位误差，无法补偿由时变关节间隙引起的绝对定位误差，且时变关节间隙存在强非线性，难以通过精准建模预测，导致对应的绝对定位误差补偿困难。

发明内容

为了解决上述技术问题，本发明的目的是提供一种串联机器人的绝对定位误差两步补偿方法及系统，无需时变关节间隙精准建模，实现通过补偿机器人几何参数误差与时变关节间隙引起的绝对定位误差，进而提高串联机器人的绝对定位精度。

本发明所采用的第一技术方案是：一种串联机器人的绝对定位误差两步补偿方法，包括以下步骤：

确定串联机器人的工作空间并获取串联机器人的定位误差坐标；

根据串联机器人的定位误差坐标构建误差雅可比矩阵并进行分解辨识处理，得到串联机器人各连杆长度的误差辨识结果；

根据串联机器人各连杆长度的误差辨识结果获取更新位姿关节转角并驱动串联机器人运动，得到第一次串联机器人定位误差坐标补偿结果；

基于第一次串联机器人定位误差坐标补偿结果，获取第一次补偿后的串联机器人定位误差坐标；

对第一次补偿后的串联机器人定位误差坐标进行矢量分解，得到串联机器人的空间坐标系误差矢量；

基于串联机器人的空间坐标系误差矢量，构建串联第一次补偿后的串联机器人定位误差预测模型；

基于串联第一次补偿后的串联机器人定位误差预测模型获取第二次补偿后的串联机器人定位坐标，并根据第二次补偿后的串联机器人定位坐标指导串联机器人运动。

进一步，所述确定串联机器人的工作空间这一步骤，其具体包括：

根据串联机器人的空间位置，构建串联机器人空间直角坐标系；

根据串联机器人空间直角坐标系，确定串联机器人各关节的转角范围；

根据串联机器人各关节的转角范围，通过DH法对串联机器人各关节的位姿进行求解，构建串联机器人正运动学模型；

根据串联机器人各关节的转角范围，通过伪随机数进行抽样并对抽样结果进行排列组合，得到串联机器人随机采样的关节空间；

结合串联机器人正运动学模型和串联机器人随机采样的关节空间，确定串联机器人的工作空间。

进一步，所述获取串联机器人的定位误差坐标这一步骤，其具体包括：

基于串联机器人的工作空间，通过激光跟踪仪对串联机器人各关节末端进行信息采集，得到串联机器人各关节末端的初始坐标；

基于串联机器人的工作空间，构建串联机器人各关节位姿约束条件；

构建串联机器人逆运动学模型，根据串联机器人各关节位姿约束条件对串联机器人进行逆运动学求解，得到串联机器人各关节位姿对应的第一位姿关节转角；

根据第一位姿关节转角驱动串联机器人进行运动，并通过激光跟踪仪对串联机器人各关节末端进行信息采集，得到串联机器人各关节末端的实际坐标；

将串联机器人各关节末端的实际坐标与串联机器人各关节末端的初始坐标进行作差计算，得到串联机器人的定位误差坐标。

进一步，所述根据串联机器人的定位误差坐标构建误差雅可比矩阵并进行分解辨识处理，得到串联机器人各连杆长度的误差辨识结果这一步骤，其具体包括：

基于串联机器人定位误差的微分传递原理，构建串联机器人的误差雅可比矩阵，所述误差雅可比矩阵表示串联机器人的定位误差坐标与串联机器人各连杆长度的误差之间的偏微分关系；

对串联机器人的误差雅可比矩阵进行正交三角分解，得到分解后的误差雅可比矩阵参数；

将小于预设阈值的误差雅可比矩阵参数进行剔除处理，得到去除冗余参数的误差雅克比矩阵；

结合去除冗余参数的误差雅克比矩阵与串联机器人的定位误差坐标并通过最小二乘法进行辨识，得到串联机器人各连杆长度的误差；

获取串联机器人各连杆长度的理论误差并与串联机器人各连杆长度的误差进行相加，得到串联机器人各连杆长度的误差辨识结果。

进一步，所述根据串联机器人各连杆长度的误差辨识结果获取更新位姿关节转角并驱动串联机器人运动，得到第一次串联机器人定位误差坐标补偿结果这一步骤，其具体包括：

将串联机器人各连杆长度的误差辨识结果代入串联机器人正运动学模型，得到更新位姿关节转角；

根据更新位姿关节转角驱动串联机器人进行运动，并通过激光跟踪仪对串联机器人各关节末端进行信息采集，得到第一修正后串联机器人各关节末端的坐标；

将第一修正后串联机器人各关节末端的坐标与串联机器人各关节末端的实际坐标进行作差处理，得到第一次串联机器人定位误差坐标补偿结果。

进一步，所述基于第一次串联机器人定位误差坐标补偿结果，获取第一次补偿后的串联机器人定位误差坐标这一步骤，其具体包括：

基于第一次串联机器人定位误差坐标补偿结果，定义串联机器人行进夹角，所述串联机器人行进夹角表示竖直平面与XoZ面的夹角；

根据串联机器人行进夹角驱动串联机器人进行直线运动，获取串联机器人各关节末端的位移坐标；

结合串联机器人各连杆长度的误差辨识结果与串联机器人各关节末端的位移坐标对串联机器人进行逆运动学求解，得到串联机器人的第二位姿关节转角；

将第二位姿关节转角代入至串联机器人正运动学模型，得到串联机器人各关节末端的理论坐标；

根据串联机器人的第二位姿关节转角驱动串联机器人进行运动，并通过通过激光跟踪仪进行采集，得到串联机器人各关节末端的实际坐标；

将串联机器人各关节末端的理论坐标与串联机器人各关节末端的实际坐标进行作差处理，获取第一次补偿后的串联机器人定位误差坐标。

进一步，所述对第一次补偿后的串联机器人定位误差坐标进行矢量分解，得到串联机器人的空间坐标系误差矢量这一步骤，其具体包括：

对第一次补偿后的串联机器人定位误差坐标进行矢量分解，得到串联机器人的水平面误差矢量与串联机器人的Z轴方向误差矢量；

对串联机器人的水平面误差矢量进行矢量分解，得到串联机器人的x轴方向误差矢量与串联机器人的Y轴方向误差矢量；

整合串联机器人的X轴方向误差矢量、串联机器人的Y轴方向误差矢量和串联机器人的Z轴方向误差矢量，得到串联机器人的空间坐标系误差矢量。

进一步，所述基于串联机器人的空间坐标系误差矢量，构建串联第一次补偿后的串联机器人定位误差预测模型这一步骤，其具体包括：

通过多项式函数对串联机器人的空间坐标系误差矢量进行数值拟合处理，得到数值拟合关系，所述数值拟合关系表示多项式函数的系数与串联机器人行进夹角以及竖直平面之间的拟合关系；

将数值拟合关系代入至多项式函数，构建串联第一次补偿后的串联机器人定位误差预测模型。

进一步，所述基于串联第一次补偿后的串联机器人定位误差预测模型获取第二次补偿后的串联机器人定位坐标这一步骤，其具体包括：

根据串联第一次补偿后的串联机器人定位误差预测模型，预测第一次补偿后的串联机器人定位误差；

结合串联机器人逆运动学模型与串联机器人各连杆长度的误差辨识结果，构建串联机器人前馈补偿量；

根据串联机器人前馈补偿量对第一次补偿后的串联机器人定位误差进行二次补偿处理，得到第二次补偿后的串联机器人定位坐标

本发明所采用的第二技术方案是：一种串联机器人的绝对定位误差两步补偿系统，包括：

确定模块，用于确定串联机器人的工作空间并获取串联机器人的定位误差坐标；

辨识模块，用于根据串联机器人的定位误差坐标构建误差雅可比矩阵并进行分解辨识处理，得到串联机器人各连杆长度的误差辨识结果；

驱动模块，用于根据串联机器人各连杆长度的误差辨识结果获取更新位姿关节转角并驱动串联机器人运动，得到第一次串联机器人定位误差坐标补偿结果；

一次补偿模块，用于基于第一次串联机器人定位误差坐标补偿结果，获取第一次补偿后的串联机器人定位误差坐标；

分解模块，用于对第一次补偿后的串联机器人定位误差坐标进行矢量分解，得到串联机器人的空间坐标系误差矢量；

构建模块，用于基于串联机器人的空间坐标系误差矢量，构建串联第一次补偿后的串联机器人定位误差预测模型；

二次补偿模块，用于基于串联第一次补偿后的串联机器人定位误差预测模型获取第二次补偿后的串联机器人定位坐标并根据第二次补偿后的串联机器人定位坐标指导串联机器人运动。

本发明方法及系统的有益效果是：本发明通过确定串联机器人的工作空间与获取串联机器人的定位误差坐标，并在该空间范围内通过随机采样选取多组点位，以这些点位相对机器人末端初始位置的相对坐标作为输入量，在约束关节姿态的前提下，利用串联机器人逆运动学模型，求解所需的关节转角，并利用求解的关节转角驱动机器人，联立串联机器人各连杆长度的误差辨识结果，更新位姿关节转角驱动串联机器人，获取第一次补偿后的串联机器人定位误差坐标，进一步对第一次补偿后的串联机器人定位误差坐标进行矢量分解并构建串联第一次补偿后的串联机器人定位误差预测模型，获取第二次补偿后的串联机器人定位坐标，即在无需借助时变关节间隙精准建模的条件下，能够同时补偿由串联机器人几何参数误差与时变关节间隙引起的绝对定位误差。

附图说明

图1是本发明实施例一种串联机器人的绝对定位误差两步补偿方法的步骤流程图；

图2是本发明实施例一种串联机器人的绝对定位误差两步补偿系统的结构框图；

图3是本发明具体实施例激光跟踪仪测量串联机器人末端定位误差的实验平台的装置图；

图4是本发明具体实施例根据机器人定位误差的微分传递原理辨识机器人各连杆长度的流程图；

图5是本发明具体实施例第一步定位误差补偿的补偿效果图；

图6是本发明具体实施例在XoY面上以不同的与特定的直线进给量与在不同的高度平面内做远离点o的理论直线运动的离散点示意图；

图7是本发明具体实施例对第一次补偿后的定位误差进行矢量分解的示意图；

图8是本发明具体实施例通过MATLAB的拟合工具箱对X方向上的定位误差与对应的直线进给量按多项式函数进行数值拟合的结果图；

图9是本发明具体实施例通过MATLAB的拟合工具箱对Y方向上的定位误差与对应的直线进给量按多项式函数进行数值拟合的结果图；

图10是本发明具体实施例通过MATLAB的拟合工具箱对Z方向上的定位误差与对应的直线进给量按多项式函数进行数值拟合的结果图；

图11是本发明具体实施例定位误差二次补偿的补偿效果图；

附图标记：1、串联机器人基座；2、串联机器人各关节；3、串联机器人各连杆；4、串联机器人；5、串联机器人末端；6、靶球；7、激光跟踪仪。

具体实施方式

下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。

本发明搭建了运用激光跟踪仪测量串联机器人末端5定位误差的实验平台，并基于此提供了一种串联机器人绝对定位误差的两步补偿法，其中，串联机器人操作机（也称为手臂）的杆件和运动副（关节）是采用串联方式（开链式）进行连接的。

参照图1，本发明提供了一种串联机器人的绝对定位误差两步补偿方法，该方法包括以下步骤：

S1、确定串联机器人的工作空间并获取串联机器人的定位误差坐标；

具体地，通过搭建利用激光跟踪仪测量串联机器人末端定位误差的实验平台，对串联机器人工作空间内的随机采样点进行定位误差的采集；

在本实施例中，如图3所示，以串联机器人基座1为坐标原点，定义空间直角坐标系XYZ，其中Z轴对应高度方向，进一步建立串联机器人的正运动学模型即已知各关节转角求串联机器人末端位姿的数学模型，可利用DH法等常规方法建立；

然后，对于串联机器人各关节2，在许用关节转角范围内，利用伪随机数进行抽样，进一步将各关节抽样转角排列组合，形成随机采样的关节空间。运用正运动学模型与随机采样的关节空间，确定串联机器人的工作空间；

把激光跟踪仪置于串联机器人的工作空间的前方，激光跟踪仪7的高度应当适度高于串联机器人，放置的位置应当让激光跟踪仪的测量范围大于串联机器人的工作空间，通过把靶球6安装在串联机器人末端上进行信息采集。进一步地，在该工作空间范围内通过随机采样选取多组点位。以这些点位相对机器人末端初始位置的相对坐标作为输入量，在随机约束关节姿态的前提下，利用串联机器人逆运动学模型即已知串联机器人的末端位姿求各关节转角的数学模型，求解所需的关节转角，并利用求解的关节转角驱动机器人。运用激光跟踪仪采集机器人末端位置的实际坐标，并计算实际相对坐标，将实际相对坐标与输入量对应做差，获得串联机器人4在不同点位的定位误差。

S2、根据串联机器人的定位误差坐标构建误差雅可比矩阵并进行分解辨识处理，得到串联机器人各连杆3长度的误差辨识结果；

具体地，根据机器人定位误差的微分传递原理，构建反映串联机器人的定位误差与机器人各连杆长度的误差之间的偏微分关系的误差雅可比矩阵，通过正交三角分解和近零检测对误差雅可比矩阵的参数进行筛选，剔除掉对机器人末端位置影响小的参数，进一步结合步骤S1得到的定位误差数据，利用最小二乘法对串联机器人各连杆长度进行参数辨识；

在本实施例中，根据机器人定位误差的微分传递原理，构建反映串联机器人的定位误差与机器人各连杆长度的误差之间的偏微分关系的误差雅可比矩阵，通过正交三角分解 和近零检测对误差雅可比矩阵的参数进行筛选，剔除掉对机器人末端位置影响小的参数，进一步结合步骤S1得到的定位误差数据，利用最小二乘法对串联机器人各连杆的长度进行参数辨识；

具体地，利用机器人定位误差的微分传递原理，可得：

;

上式中，表示机器人末端在各随机采样点的定位误差列向量的组合向量，表示机器人各连杆的长度误差列向量；

误差雅可比矩阵为：

;

上式中，表示第/>个连杆的长度，/>表示串联机器人连杆的数量，/> 为机器人末端在第/>个采样点沿/>轴方向的位移，/>表示步骤S1中在该工作空间范围内通过随机采样选取多组点位的总数；

再对误差雅可比矩阵进行正交三角分解，其中，上三角形矩阵对角线上的元素记为误差雅可比矩阵相应列的特征值，特征值越小表明该特征值对应的列的参数对于机器人末端位置的影响越小，故而忽略特征值为0或者特征值非常接近0的列对应的参数，形成去除冗余参数的误差雅克比矩阵；

结合步骤S1得到的定位误差数据与去除冗余参数的误差雅克比矩阵，利用最小二乘法辨识机器人各连杆的长度误差。然后，将机器人各连杆的长度误差与机器人各连杆的理论长度相加，形成机器人各连杆的长度的辨识结果，如图4所示。

S3、根据串联机器人各连杆长度的误差辨识结果获取更新位姿关节转角并驱动串联机器人运动，得到第一次串联机器人定位误差坐标补偿结果；

具体地，结合步骤S2辨识的机器人各连杆长度与机器人正运动学模型，实现第一步定位误差补偿；

在本实施例中，将步骤S2辨识的机器人各连杆长度代入机器人拟运动学模型，可以更新所需的关节转角。利用更新的关节转角驱动串联机器人，可以使机器人末端的实际位姿更贴近机器人末端的目标位姿。利用激光跟踪仪测量机器人末端的实际位姿，观察其补偿效果，具体补偿效果如图5所示；

具体地，参照图5，对于机器人运动到工作空间内的区别于步骤S1中随机采样点位的某一点位，第一步定位误差补偿的补偿效果如图5所示。

S4、基于第一次串联机器人定位误差坐标补偿结果，获取第一次补偿后的串联机器人定位误差坐标；

具体地，在完成第一次定位误差补偿的基础上，使机器人各连杆束在同一竖直平面，定义该竖直平面与XoZ面的夹角为。然后，以不同的/>、机器人末端所处的不同的高度平面与机器人末端在一个高度平面沿远离点o的方向特定的直线进给量为目标输入量，运用几何关系，求解机器人末端的位移相对坐标。将求解的相对坐标导入机器人逆运动学模型，结合步骤S2中辨识的连杆长度，解算出达到目标输入量所需的关节转角。进一步地，利用解算的关节转角驱动串联机器人使机器人末端以不同的/>与特定的直线进给量，在不同的高度平面内做远离点o的理论直线运动，同时，将解算的关节转角导入机器人正运动学模型，获取机器人末端的理论预测位移相对坐标。运用步骤S1中所述的坐标采集方法，采集这些收放运动上的离散点的实际坐标。将理论预测位移相对坐标与对应的实际坐标做差，进而计算机器人第一次补偿后的定位误差，参照图6，在平行于XoY面的一个平面上，以不同的/>与特定的直线进给量做远离点o的理论直线运动的离散点如图6所示(本发明图6中仅显示第一象限的离散点，其它象限的情况可以类推)。

S5、对第一次补偿后的串联机器人定位误差坐标进行矢量分解，得到串联机器人的空间坐标系误差矢量；

具体地，对第一次补偿后的定位误差矢量进行正交分解，分为水平面上的误差矢量和Z轴方向上的误差矢量；

在本实施例中，参照图7，按照公式进行，式中，/>为第一次补偿后的定位误差，/>为第一次补偿后/>轴方向上的定位误差，/>为第一次补偿后水平面上的定位误差，/>为第一次补偿后的定位误差矢量与oZ轴的夹角；

进一步对水平面上的定位误差进行矢量分解，分解为X方向上的定位误差和Y方向上的定位误差；

具体地，参照图7，按照公式进行，式中为第一次补偿后/>轴方向上的定位误差，/>为第一次补偿后/>轴方向上的定位误差，/>为水平面上的定位误差矢量与oY轴的夹角。

S6、基于串联机器人的空间坐标系误差矢量，构建串联第一次补偿后的串联机器人定位误差预测模型；

具体地，对于不同的a与高度平面，将第一次补偿后X轴方向上的定位误差与对应的直线进给量按相同阶数的多项式函数进行数值拟合。对于第一次补偿后Y轴方向和Z轴方向上的定位误差，也采用相同的数值拟合方法。分析各多项式函数系数与以及高度平面位置之间的拟合关系，进一步将其代入对应多项式函数，形成机器人末端第一次补偿后的定位误差的预测模型；

在本实施例中，在完成第一次补偿后，利用激光跟踪仪，在不同和不同高度平面的远离o点的直线运动上的离散点上，采集机器人末端的实际坐标，然后，按步骤S4-S5步方法，计算第一次补偿后X、Y、Z轴方向的定位误差。根据计算的定位误差，利用MATLAB的拟合工具箱，将第一次补偿后X轴方向上的定位误差与对应的直线进给量按相同阶数的多项式函数进行数值拟合，并保持残差的平方和大于0.8，如图8所示。对于第一次补偿后Y轴方向和Z轴方向上的定位误差，也采用相同的数值拟合方法，如图9和图10所示。

S7、基于串联第一次补偿后的串联机器人定位误差预测模型获取第二次补偿后的串联机器人定位坐标，并根据第二次补偿后的串联机器人定位坐标指导串联机器人运动。

具体地，根据步骤S5建立的第一次补偿后的定位误差的预测模型，预测在第一次补偿后，机器人末端从初始位置运动至任意目标位置的定位误差，结合机器人逆运动学模型与辨识后的连杆长度，获取机器人关节空间的前馈补偿量，实现定位误差二次补偿；

在本实施例中，参照图11，将机器人各关节前馈补偿量与利用所述步骤S2中辨识的各连杆长度和机器人逆运动学模型解算出的关节驱动角对应相加，将相加后的结果作为关节驱动角的二次更新值。利用更新的关节转角驱动串联机器人，可以使机器人末端的实际位姿进一步贴近机器人末端的目标位姿，实现定位误差二次补偿，补偿效果如图11所示。

参照图2，一种串联机器人的绝对定位误差两步补偿系统，包括：

确定模块，用于确定串联机器人的工作空间并获取串联机器人的定位误差坐标；

辨识模块，用于根据串联机器人的定位误差坐标构建误差雅可比矩阵并进行分解辨识处理，得到串联机器人各连杆长度的误差辨识结果；

驱动模块，用于根据串联机器人各连杆长度的误差辨识结果获取更新位姿关节转角并驱动串联机器人运动，得到第一次串联机器人定位误差坐标补偿结果；

一次补偿模块，用于基于第一次串联机器人定位误差坐标补偿结果，获取第一次补偿后的串联机器人定位误差坐标；

分解模块，用于对第一次补偿后的串联机器人定位误差坐标进行矢量分解，得到串联机器人的空间坐标系误差矢量；

构建模块，用于基于串联机器人的空间坐标系误差矢量，构建串联第一次补偿后的串联机器人定位误差预测模型；

二次补偿模块，用于基于串联第一次补偿后的串联机器人定位误差预测模型获取第二次补偿后的串联机器人定位坐标并根据第二次补偿后的串联机器人定位坐标指导串联机器人运动。

上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种串联机器人的绝对定位误差两步补偿方法，其特征在于，包括以下步骤：

确定串联机器人的工作空间并获取串联机器人的定位误差坐标；

根据串联机器人的定位误差坐标构建误差雅可比矩阵并进行分解辨识处理，得到串联机器人各连杆长度的误差辨识结果；

根据串联机器人各连杆长度的误差辨识结果获取更新位姿关节转角并驱动串联机器人运动，得到第一次串联机器人定位误差坐标补偿结果；

基于第一次串联机器人定位误差坐标补偿结果，获取第一次补偿后的串联机器人定位误差坐标；

对第一次补偿后的串联机器人定位误差坐标进行矢量分解，得到串联机器人的空间坐标系误差矢量；

基于串联机器人的空间坐标系误差矢量，构建串联第一次补偿后的串联机器人定位误差预测模型；

基于串联第一次补偿后的串联机器人定位误差预测模型获取第二次补偿后的串联机器人定位坐标，并根据第二次补偿后的串联机器人定位坐标指导串联机器人运动。

2.根据权利要求1所述一种串联机器人的绝对定位误差两步补偿方法，其特征在于，所述确定串联机器人的工作空间这一步骤，其具体包括：

根据串联机器人的空间位置，构建串联机器人空间直角坐标系；

根据串联机器人空间直角坐标系，确定串联机器人各关节的转角范围；

根据串联机器人各关节的转角范围，通过DH法对串联机器人各关节的位姿进行求解，构建串联机器人正运动学模型；

根据串联机器人各关节的转角范围，通过伪随机数进行抽样并对抽样结果进行排列组合，得到串联机器人随机采样的关节空间；

结合串联机器人正运动学模型和串联机器人随机采样的关节空间，确定串联机器人的工作空间。

3.根据权利要求2所述一种串联机器人的绝对定位误差两步补偿方法，其特征在于，所述获取串联机器人的定位误差坐标这一步骤，其具体包括：

基于串联机器人的工作空间，通过激光跟踪仪对串联机器人各关节末端进行信息采集，得到串联机器人各关节末端的初始坐标；

基于串联机器人的工作空间，构建串联机器人各关节位姿约束条件；

构建串联机器人逆运动学模型，根据串联机器人各关节位姿约束条件对串联机器人进行逆运动学求解，得到串联机器人各关节位姿对应的第一位姿关节转角；

根据第一位姿关节转角驱动串联机器人进行运动，并通过激光跟踪仪对串联机器人各关节末端进行信息采集，得到串联机器人各关节末端的实际坐标；

将串联机器人各关节末端的实际坐标与串联机器人各关节末端的初始坐标进行作差计算，得到串联机器人的定位误差坐标。

4.根据权利要求3所述一种串联机器人的绝对定位误差两步补偿方法，其特征在于，所述根据串联机器人的定位误差坐标构建误差雅可比矩阵并进行分解辨识处理，得到串联机器人各连杆长度的误差辨识结果这一步骤，其具体包括：

基于串联机器人定位误差的微分传递原理，构建串联机器人的误差雅可比矩阵，所述误差雅可比矩阵表示串联机器人的定位误差坐标与串联机器人各连杆长度的误差之间的偏微分关系；

对串联机器人的误差雅可比矩阵进行正交三角分解，得到分解后的误差雅可比矩阵参数；

将小于预设阈值的误差雅可比矩阵参数进行剔除处理，得到去除冗余参数的误差雅克比矩阵；

结合去除冗余参数的误差雅克比矩阵与串联机器人的定位误差坐标并通过最小二乘法进行辨识，得到串联机器人各连杆长度的误差；

获取串联机器人各连杆长度的理论误差并与串联机器人各连杆长度的误差进行相加，得到串联机器人各连杆长度的误差辨识结果。

5.根据权利要求4所述一种串联机器人的绝对定位误差两步补偿方法，其特征在于，所述根据串联机器人各连杆长度的误差辨识结果获取更新位姿关节转角并驱动串联机器人运动，得到第一次串联机器人定位误差坐标补偿结果这一步骤，其具体包括：

将串联机器人各连杆长度的误差辨识结果代入串联机器人正运动学模型，得到更新位姿关节转角；

根据更新位姿关节转角驱动串联机器人进行运动，并通过激光跟踪仪对串联机器人各关节末端进行信息采集，得到第一修正后串联机器人各关节末端的坐标；

将第一修正后串联机器人各关节末端的坐标与串联机器人各关节末端的实际坐标进行作差处理，得到第一次串联机器人定位误差坐标补偿结果。

6.根据权利要求5所述一种串联机器人的绝对定位误差两步补偿方法，其特征在于，所述基于第一次串联机器人定位误差坐标补偿结果，获取第一次补偿后的串联机器人定位误差坐标这一步骤，其具体包括：

基于第一次串联机器人定位误差坐标补偿结果，定义串联机器人行进夹角，所述串联机器人行进夹角表示竖直平面与XoZ面的夹角；

根据串联机器人行进夹角驱动串联机器人进行直线运动，获取串联机器人各关节末端的位移坐标；

结合串联机器人各连杆长度的误差辨识结果与串联机器人各关节末端的位移坐标对串联机器人进行逆运动学求解，得到串联机器人的第二位姿关节转角；

将第二位姿关节转角代入至串联机器人正运动学模型，得到串联机器人各关节末端的理论坐标；

根据串联机器人的第二位姿关节转角驱动串联机器人进行运动，并通过激光跟踪仪进行采集，得到串联机器人各关节末端的实际坐标；

将串联机器人各关节末端的理论坐标与串联机器人各关节末端的实际坐标进行作差处理，获取第一次补偿后的串联机器人定位误差坐标。

7.根据权利要求6所述一种串联机器人的绝对定位误差两步补偿方法，其特征在于，所述对第一次补偿后的串联机器人定位误差坐标进行矢量分解，得到串联机器人的空间坐标系误差矢量这一步骤，其具体包括：

对第一次补偿后的串联机器人定位误差坐标进行矢量分解，得到串联机器人的水平面误差矢量与串联机器人的Z轴方向误差矢量；

对串联机器人的水平面误差矢量进行矢量分解，得到串联机器人的x轴方向误差矢量与串联机器人的Y轴方向误差矢量；

整合串联机器人的X轴方向误差矢量、串联机器人的Y轴方向误差矢量和串联机器人的Z轴方向误差矢量，得到串联机器人的空间坐标系误差矢量。

8.根据权利要求7所述一种串联机器人的绝对定位误差两步补偿方法，其特征在于，所述基于串联机器人的空间坐标系误差矢量，构建串联第一次补偿后的串联机器人定位误差预测模型这一步骤，其具体包括：

通过多项式函数对串联机器人的空间坐标系误差矢量进行数值拟合处理，得到数值拟合关系，所述数值拟合关系表示多项式函数的系数与串联机器人行进夹角以及竖直平面之间的拟合关系；

将数值拟合关系代入至多项式函数，构建串联第一次补偿后的串联机器人定位误差预测模型。

9.根据权利要求8所述一种串联机器人的绝对定位误差两步补偿方法，其特征在于，所述基于串联第一次补偿后的串联机器人定位误差预测模型获取第二次补偿后的串联机器人定位坐标这一步骤，其具体包括：

根据串联第一次补偿后的串联机器人定位误差预测模型，预测第一次补偿后的串联机器人定位误差；

结合串联机器人逆运动学模型与串联机器人各连杆长度的误差辨识结果，构建串联机器人前馈补偿量；

根据串联机器人前馈补偿量对第一次补偿后的串联机器人定位误差进行二次补偿处理，得到第二次补偿后的串联机器人定位坐标。

10.一种串联机器人的绝对定位误差两步补偿系统，其特征在于，包括以下模块：

确定模块，用于确定串联机器人的工作空间并获取串联机器人的定位误差坐标；

辨识模块，用于根据串联机器人的定位误差坐标构建误差雅可比矩阵并进行分解辨识处理，得到串联机器人各连杆长度的误差辨识结果；

驱动模块，用于根据串联机器人各连杆长度的误差辨识结果获取更新位姿关节转角并驱动串联机器人运动，得到第一次串联机器人定位误差坐标补偿结果；

一次补偿模块，用于基于第一次串联机器人定位误差坐标补偿结果，获取第一次补偿后的串联机器人定位误差坐标；

分解模块，用于对第一次补偿后的串联机器人定位误差坐标进行矢量分解，得到串联机器人的空间坐标系误差矢量；

构建模块，用于基于串联机器人的空间坐标系误差矢量，构建串联第一次补偿后的串联机器人定位误差预测模型；

二次补偿模块，用于基于串联第一次补偿后的串联机器人定位误差预测模型获取第二次补偿后的串联机器人定位坐标并根据第二次补偿后的串联机器人定位坐标指导串联机器人运动。