机器人柔性视觉测量系统标定方法的改进

提出一种改进的柔性视觉测量系统标定方法。建立了包含手眼关系误差与机器人运动学参数误差的系统误差模型。在机器人末端安装结构光传感器构建了机器人柔性视觉测量系统,并在机器人工作空间中固定一个标准球作为标定参考物。标定时,机器人被控制在不同位姿下测量球心坐标。首先,应用机器人的理论模型初步标定手眼关系;然后,基于球心约束,通过迭代算法同时得到准确的手眼关系和实际的机器人运动学参数。基于ABB IRB2400工业机器人进行了系统标定实验,并利用激光跟踪仪进行精度验证。结果表明:标定前后机器人柔性视觉测量系统的距离测量标准差由0.566mm降低到0.173mm,充分验证了改进方法的有效性和实用性。该方法提高了手眼关系的精度;不需要采用任何昂贵的外部设备,适合工业现场使用。     

基于双目立体视觉的工业机器人在线温度补偿

工业机器人在工业现场进行连续高速作业过程中,电机发热和关节摩擦生热将导致机械臂本体温度升高,引起机器人末端定位漂移,严重影响机器人的重复定位精度和作业精度。针对制造现场的工业机器人,提出了一种基于双目立体视觉的温度误差在线补偿方法,并基于微分运动学和双目视觉原理构建了温度误差补偿模型。在机器人末端安装基准球,同时在基座附近固定视觉测量传感器,机器人完成作业循环之后,以不同的姿态带动基准球至传感器视场内进行补偿测量。此外,通过分析各关节参数随时间变化的规律,筛选出符合温度漂移规律的显著性参数进行补偿,有效降低了补偿测量次数和耗时。实验结果显示,补偿后机器人的重复定位精度可维持在±0.1mm的水平,能够显著改善制造现场工业机器人的作业精度,且整个补偿测量过程耗时10s左右。     

大型圆柱壳体装配平台测量系统的误差标定方法

为了保证大型圆柱壳体装配平台的制造精度,设计了适用于大型壳体尺寸采集的测量系统,并对其进行了误差标定。首先,根据机构形式和受力情况,分析了系统的误差来源,采用修正 D-H 参数法建立了包含系统几何参数误差和柔性误差的误差模型。其中,柔性误差由立柱和机械臂的弯曲产生。其次,在误差模型建立完成后,提出了测量系统误差参数的计算方法:使用控制变量法进行多组实验,计算得到了立柱的柔度参数和机械臂弯曲偏移角,通过迭代最小二乘法辨识出几何参数误差,经三次样条插值得到了整个工作空间内的立柱柔度参数和机械臂弯曲角,并对系统误差进行了补偿。最后,通过实验验证了误差标定算法的有效性。     

考虑关节柔性误差的机器人参数辨识方法研究

考虑到工业机器人绝对定位精度较低,无法满足高精度加工的需要,故提出了一种综合型误差补偿方法。以改进的D-H模型为基础,建立机器人末端工具中心点的距离误差模型,同时对主要受力关节2和3由于自重或者外加负载产生的柔性变形误差进行了研究,建立了柔性误差模型,最后以激光跟踪仪作为测量设备,利用最小二乘法对模型进行求解,通过修正控制器参数补偿误差提高机器人定位精度。经过补偿,自主研发的机器人定位精度有明显的提高,从之前的3.548 mm降至0.939 mm。     

基于单目视觉的移动机械臂抓取作业方法研究

针对移动机械臂自主抓取作业过程中目标识别慢、作业精度低的问题,对基于单目视觉的目标识别与定位算法以及机器人作业精度提高方法展开了研究。以全向移动平台、工业机器人和单目相机等硬件为基础构建了一套移动机械臂抓取作业系统;对单目视觉模板匹配法进行了归纳,采用基于随机树分类的特征点匹配算法对目标进行快速准确地识别与定位;完成了相机内参数标定和机器人手眼位姿标定,分析了手眼位姿与抓取位姿的关系,提出了一种修正手眼位姿的抓取误差补偿方法,减小手眼标定误差对抓取误差的影响,最后进行了移动机械臂的抓取/放置实验。研究结果表明:采用上述方法能够快速准确识别目标,有效减小作业误差,并达到较高的作业精度。     

机器人平面工具TCP的双目视觉标定方法

工业机器人末端工具中心点(TCP)是机器人实际的运动轨迹,TCP的标定效率和精度直接影响机器人的作业质量。针对机器人平面式作业工具TCP的快速、准确标定需求,提出一种基于双目视觉的标定方法。通过改变机器人末端工具位置,结合双目视觉系统对靶标点进行测量,并进行坐标转换计算,从而求解出TCP。搭建机器人TCP标定实验平台,通过对比实验,验证了方法的正确性和有效性,满足实际机器人平面式末端工具的TCP标定要求,避免了传统接触式标定方法存在的碰撞风险。     

基于距离精度的工业机器人标定模型

工业机器人主要有两个性能评价指标:重复定位精度和绝对定位精度。由于制造与安装误差,导致工业机器人定位精度不高,因此,在机器人使用前需要对其进行标定。但在应用传统的方法进行位置误差的标定和补偿时,要涉及到测量系统坐标系与机器人基础坐标系间的变换。由于这一过程很难精确完成,容易引入误差。因此,本文利用距离精度的定义,在修正的5参数DHM(Denavit-Hartenberg Modified)运动学模型的基础上,建立了机器人的距离误差标定模型,该模型可以避免坐标转换带来的误差。基于该模型,利用Matlab软件进行仿真实验。仿真结果显示机器人距离误差标定模型可以明显提高机器人的距离精度,为后续的实验打下基础。     

基于机器人的柔性电子检具测量系统

针对工业生产中常用的专用实物检具成本高、柔性差、自动化程度低的缺点,提出一种工业机器人柔性电子检具测量系统.以工业机器人为柔性自动化平台,将视觉传感器固定于机器人末端工具上,利用机器人示教功能规划测量路径,通过全局标定技术将局部测量结果统一到全局坐标系中.考虑测量过程中机器人重复定位误差是影响系统整体精度的主要因素之一...     

基于复合标定和极限学习机的关节臂式坐标测量机残差建模及补偿

运动学标定是提高关节臂式坐标测量机精度的主要方法，但运动学标定后的残余误差对其测量精度和稳定性仍有很大影响。本文提出一种基于复合标定和极限学习机的关节臂式坐标测量机残差建模及补偿方法，以提高关节臂式坐标测量机的测量精度。首先，在关节臂式坐标测量机运动学建模和误差建模的基础上，建立了运动学参数辨识模型，并依次进行角度参数辨识、长度参数辨识和长度参数等比例缩放的复合辨识，完成了七自由度关节臂式坐标测量机的运动学标定。其次，通过对标定后残余误差图谱的分析，发现残余误差与测量构型有关联，进而构建了以测量摆角、仰角、距离和转角为变量的测量构型。由于测量构型变量与残余误差存在强非线性关系，提出一种基于极限学习机的残余误差预测和补偿方法。通过实验对本文所提模型及方法的有效性进行验证，结果表明：进行残差修正后关节臂式坐标测量机的单点测量误差最大值由0.061 mm下降到0.044 mm，误差均值由0.023 mm下降到0.017 mm，误差标准差由0.011mm下降到0.007 mm；长度测量误差最大值由0.137 mm下降到0.074 mm，误差均值由0.033 mm下降到0.021 mm、误差标准...     

基于RGB-D图像的机器人无标定视觉定位

针对柔性生产单元工业机器人轴孔装配任务中工件的识别和定位,提出一种能适应小批量多规格装配任务的工业机器人无标定视觉定位方法,减少了因复杂的标定过程和工况变化造成的设备停机而消耗的时间。基于深度图像设计了图像处理和特征识别算法,完成了目标工件最小外接矩角点坐标的提取。通过深度图像数据和机器人之间的坐标转换关系计算得出运动控制参数,驱动机器人完成粗定位。运用霍夫圆检测算法从彩色图像中提取待装配圆孔的几何参数,进而驱动机器人完成二次定位。实验结果表明,该方法的定位精度稳定在0.6mm～1.2mm之间,基本满足后续装配过程对定位误差的要求,可用于多规格、小批量轴孔装配过程中目标的识别和定位。     

基于改进IGG3权函数距离误差模型的工业机器人标定

在工业机器人的标定过程中,测量粗差数据会对标定结果精度产生影响,为此,提出了一种基于改进IGG3权函数距离误差模型的工业机器人标定方法,将改进的IGG3权函数最小二乘辨识算法用于工业机器人距离误差标定中,以进一步提高工业机器人的标定精度。以SR4C型工业机器人为研究对象,建立了机器人距离误差数学模型,进行了IGG3权函数最小二乘辨识算法的理论研究。构建了机器人标定实验系统,进行了基于改进IGG3权函数距离误差模型的工业机器人标定实验,实验结果表明,所提方法可有效减小粗差数据对标定精度的影响。该方法可用于工业机器人标定和校准领域,以提高工业机器人定位精度。     

六自由度工业机器人末端定位误差参数辨识与实验研究

为了提高六自由度工业机器人绝对定位精度,对工业机器人进行了运动学建模,并建立了基于MD-H参数误差的机器人末端定位误差辨识模型,应用激光跟踪仪测量系统采集样本点数据,应用基于奇异值分解的最小二乘法求解辨识模型,以获得几何参数误差,并根据辨识出的误差对机器人末端定位精度进行补偿,实验结果表明,经过辨识和补偿后,工业机器人绝对定位精度得到明显提高,可为后续复杂作业的离线编程与作业规划打下基础。     

A non-contact method for detecting on-line industrial robot position errors using a microwave doppler radar motion detector

To be useful, industrial robots must meet positioning accuracy requirements for their given applications. Off-line calibration generally improves robot positioning accuracy to levels needed for open-loop use in most industrial applications. Applications that require greater accuracy with respect to external assemblies generally turn to closed-loop control or passive compliance. However, industrial robot systems do not generally monitor in-process robot position to detect machine faults that can lead to product faults, scrap, machine damage, and additional costs. To achieve greater operational efficiencies, new non-invasive, noncontact methods for monitoring robot position are needed. The investigators developed a low-cost method for in-process industrial robot position monitoring using a Doppler motion detector and a statistical position error measure. The method detects position errors at robot repeatability levels.     

A non-contact method for detecting on-line industrial robot position errors using a microwave Doppler radar motion detector

To be useful, industrial robots must meet positioning accuracy requirements for their given applications. Off-line calibration generally improves robot positioning accuracy to levels needed for open-loop use in most industrial applications. Applications that require greater accuracy with respect to external assemblies generally turn to closed-loop control or passive compliance. However, industrial robot systems do not generally monitor in-process robot position to detect machine faults that can lead to product faults, scrap, machine damage, and additional costs. To achieve greater operational efficiencies, new non-invasive, non-contact methods for monitoring robot position are needed. The investigators developed a low-cost method for in-process industrial robot position monitoring using a Doppler motion detector and a statistical position error measure. The method detects position errors at robot repeatability levels.     

基于线结构光视觉传感器的圆孔定位误差分析

针对空间圆（类圆）孔几何量测量,传统视觉测量方法一般采用双目立体模型,基于立体像对实现对圆孔空间位置的测量,由于传感器成本、体积、重量等的限制,在特殊视觉系统,尤其在发展迅速的基于工业机器人平台的柔性视觉检测系统中均凸显其不足。本文基于单摄像机架构的线结构光视觉传感器,提出圆（类圆）孔定位两步法,并对被测圆心x ,y ,z 向坐标测量误差进行了详细讨论和分析。通过对被测圆心定位误差的分析计算,在实际测量应用中,z 向测量精度可以优于±0.25mm,x, y 向测量精度优于±0.006mm。研究结果表明该方法切实可行,可以满足实际测量需求,极大地扩展了线结构光视觉传感器的应用范围。     

基于标定和关节空间插值的工业机器人轨迹误差补偿

轨迹精度是工业机器人重要的动态性能,目前工业机器人的轨迹精度远低于定位精度,提出一种基于机器人运动学标定和关节空间插值误差补偿的方法来提高机器人轨迹精度。基于MD-H方法建立机器人的运动学模型,在此基础上运用机器人微分运动学理论建立末端位置误差模型和轨迹误差模型。为克服最小二乘法等传统方法在数据噪声较大且不符合高斯分布时收敛慢甚至发散的问题,提出一种基于扩展卡尔曼滤波算法的机器人运动学参数辨识方法,实现运动学参数辨识的快速收敛。经过分析发现机器人误差在关节空间具有连续性的特点,为此提出一种关节空间插值误差补偿方法,建立网格形式的误差补偿数据库,并利用关节空间距离权重函数和已知的网格顶点误差计算各控制点的关节转角误差。通过试验对所提出的参数辨识和关节空间误差补偿方法进行了验证,试验结果表明：经过运动学参数辨识和补偿后机器人的绝对定位精度由1.039 mm提高到0.226 mm,轨迹精度由2.532 mm提高到1.873 mm,应用关节空间插值误差补偿后机器人的轨迹精度进一步提高到1.464 mm。     

基于840Dsl CNC的机器人精确控制技术

为提高工业机器人的控制精度,摒弃机器人原有控制系统,采用一种基于西门子840Dsl数控系统的工业机器人直驱控制方案,引入前馈补偿以及关节半闭环补偿,选取直线绝对式光栅尺,采用以直代曲的方式作为关节第二测量系统,对其进行精确标定,将机器人的重复定位精度提高到0.03 mm,绝对定位精度提高至0.15 mm,相较本体精度提高了88%,轨迹精度提高至0.28 mm,实现了工业机器人的精确控制。     

工业机器人定位误差在线自适应补偿

受工业机器人本体结构几何及非几何误差因素的影响,机器人执行末端的实际运动轨迹与其理论规划轨迹往往不一致,这严重限制了机器人在加工领域的拓展应用。另外,通过研究发现机器人除在工作空间上定位误差等级存在差异分布外,在服役时间上随着机器人工作性能的退化也会显著恶化其定位精度。为解决该问题,提出了一种基于定长记忆窗增量学习的机器人定位误差在线自适应补偿方法。在该方法中,首先定量分析机器人定位误差与位姿的相关关系,将工作空间划分为多个位姿区块并创建校准样本库,建立了位姿映射模型的自适应优化机制以克服空间中误差等级差异分布的问题;然后设计了定长记忆窗增量学习算法,克服神经网络模型的灾难性遗忘缺陷,并平衡了在线模式下建立机器人新、旧位姿数据映射关系的精度和效率,解决了机器人性能退化加剧定位误差影响位姿映射模型适用性的问题,从而确保算法的补偿精度稳定在目标精度水平线以上;最后,利用St?ubli机器人和UR机器人对所提方法进行了精度在线补偿实验验证。实验结果表明该方法可将St?ubli机器人的定位误差从0.85 mm降至0.13 mm,将UR机器人的定位误差从2.11 mm降至0.17 mm,明显提高...     

移动机器人里程计非系统误差不确定性分析方法

移动机器人里程计非系统误差建模是研究移动机器人定位问题的基础。现有的移动机器人里程计非系统误差建模方法多数针对某一种驱动类型移动机器人设计,运动过程中缺乏对里程计累计误差的实时反馈补偿功能,经过长距离运动过程定位精度大幅度降低。基于此,针对同步驱动和差动驱动轮式移动机器人平台提出一种通用的里程计非系统误差建模方法。在假设机器人运动路径近似弧线基础上,依据里程计误差传播规律推导非系统误差与里程计过程输入量之间的近似函数关系,进而对移动机器人位姿跟踪过程中产生的里程计累计误差给予实时反馈补偿。里程计非系统误差建模前后定位过程的对比试验表明,这种非系统误差实时补偿方法有效地减少了移动机器人导航过程中产生的里程计累计误差,提高了定位精度。     

可变胞并联机械臂样机的研制与误差分析

提出了一种通过驱动副锁定组合实现变胞的超冗余并联机械臂,其基础构型是3-PUPS并联机构,对机械臂进行了误差建模与分析,并通过标定系统测量了机械臂实验样机的定位误差。首先,提出了通过对3-PUPS机构各驱动副的组合锁定实现机械臂变胞的设计思路,从而使机械臂可以根据任务需求改变自身构型和性能;然后,采用含误差源的闭环矢量回路法,建立了机械臂3-PUPS机构的误差传递模型,并以此为基础,分析了机械臂的各误差源对其运动平台输出误差的影响规律;接着,根据各误差源对机械臂的输出误差影响程度,确定了各主要运动副配合零件的加工精度等级及公差,在此基础上研制出机械臂的实验样机;最后,采用一套高精度的工业机器人标定系统对机械臂的实验样机进行了定位误差测量,实验表明:机械臂的运动平台的位置误差均在0.005~0.038mm之间,姿态误差均在0.010~0.044°之间,位置误差比通用式工业机器人的位置重复定位精度0.05mm略有提高,姿态误差与通用式工业机器人的姿态重复定位精度0.045°相当。