(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211142953.2 (22)申请日 2022.09.20 (71)申请人 上海交通大 学 地址 200240 上海市闵行区东川路80 0号 (72)发明人 习俊通　叶帆　董言真　陈晓波　 (74)专利代理 机构 北京东方盛凡知识产权代理 有限公司 1 1562 专利代理师 高天星 (51)Int.Cl. B25J 9/16(2006.01) (54)发明名称 一种基于参数重组神经网络的机器人残差 补偿方法 (57)摘要 本发明公开了一种基于参数重组神经网络 的机器人残差补偿方法,包括以下步骤： 获取被 测物体的原始位置数据； 通过校准后的系统运动 学模型获取世界坐标系中的初始位置； 将与所述 系统运动学模型和所述原始数据相关的参数进 行参数重组， 将重组后的参数输入DNN中获取残 余误差； 基于所述残余误差与所述初始位置进行 误差补偿， 获取校正后的位置， 完成残差补偿。 本 发明提高定位精度。 权利要求书1页 说明书8页 附图3页 CN 115319756 A 2022.11.11 CN 115319756 A 1.一种基于参数重组神经网络的机器人残差补偿方法， 其特 征在于， 包括以下步骤： 获取被测物体的原 始位置数据； 通过校准后的系统运动学模型获取世界坐标系中的初始位置； 将与所述系统运动学模型和所述原始数据相关的参数进行参数重组， 将重组后的参数 输入DNN中获取残余 误差； 基于所述残余 误差与所述初始位置进行误差补偿， 获取 校正后的位置， 完成残差补偿。 2.如权利要求1所述的基于参数重组神经网络的机器人残差补偿方法， 其特征在于， 获 取被测物体的原始位置数据具体包括： 通过机器人将扫描仪驱动到测量点， 然后采集扫描 仪坐标系中的位置， 作为被测物体的原 始数据。 3.如权利要求1所述的基于参数重组神经网络的机器人残差补偿方法， 其特征在于， 根 据经典的基于模型的方法和若干个标准球对所述系统运动学模型进行 校准。 4.如权利要求3所述的基于参数重组神经网络的机器人残差补偿方法， 其特征在于， 获 取世界坐标系中的初始位置具体包括： 采集在局部和世界坐标系中的标定球坐标， 对校准 后的系统运动学模型进行 标定， 获取世界坐标系中的初始位置 。 5.如权利要求1所述的基于参数重组神经网络的机器人残差补偿方法， 其特征在于， 将 与所述系统运动学模型和所述原 始位置数据相关的参数进行参数重组具体包括： 根据每个关节的刚性变换， 获得机器人基座 坐标系中的参数； 基于所述参数采用DH方法构建重组模型， 获得影响第k个关节误差的所有变量归纳非 线性函数； 根据所述非线性 函数获取若干个 变量。 6.如权利要求5所述的基于参数重组神经网络的机器人残差补偿方法， 其特征在于， 所 述第k个关节误差包括： 从关节到机器人基座的转换、 关节本身的运动学参数以及从关节到 激光扫描仪的转换。 7.如权利要求6所述的基于参数重组神经网络的机器人残差补偿方法， 其特征在于， 将 重组后的参数输入DN N中获取残余 误差中的DN N包括： 输入层、 融合层和数据回归层； 将重组后的参数输入所述输入层， 所述输入层有若干个独立多层感知机， 每个独立多 层感知及对应机器人的若干个关节： 根据所述输入层的若干个独立多层感知机的输出结果， 通过数据串联的方式融合成一 维向量； 将所述融合层的一维向量通过若干个独立多层感知机采用回归方式预测机器人在当 前位置的残差 。 8.如权利要求1所述的基于参数重组神经网络的机器人残差补偿方法， 其特征在于， 基 于所述残余误差与所述初始位置进行误差补偿， 获取校正后的位置具体包括： 基于系统运 动学模型计算机器人位置在世界坐标系下的理论坐标， 将所述位置的运动学模型重组参数 输入已训练的DNN中获得残余误差， 通过所述理论坐标与所述残余误差相加获的校正后的 位置。权　利　要　求　书 1/1 页 2 CN 115319756 A 2一种基于参数重组神经 网络的机器人残差补偿方 法 技术领域 [0001]本发明属于机器人残差补偿技术领域， 尤其涉及 一种基于参数重组神经网络的机 器人残差补偿方法。 背景技术 [0002]工业机器人与三维视觉传感器的结合已广泛应用于高精度定位领域， 如装配、 机 床加工、 焊接、 分拣等。 然而， 存在一些引入非线性位置误差的因素， 如几何 ‑运动学校准误 差、 关节间隙、 非均匀编码器反馈和机械变形等。 因此， 机器人运动学标定和误差补偿是提 高全局绝对定位精度的重要途径。 [0003]近几十年来， 许多研究都集中在提高机器人视觉系统定位精度的方法上， 可分为 基于模型的方法和非模型方法。 结合双目立体视觉， Luo  X.提出了一种基于关节间隙的误 差模型来预测和补偿任意位置的定位精度。 这种基于模型的方法需要获得机器人视觉系统 的精确运动学模型， 然而， 建模引入的误差是不可避免的。 此外， 非模型方法基于非线性回 归直接预测位置精度。 Wang  Z.提出了一种利用人工神经网络(ANN)的校准方法。 首先， 根据 机器人的质量分布， 将关节角工作空间划分为若干局部区域。 然后， 使用Denavit ‑ Hartenberg(DH)模型识别每个区域的系统几何参数。 基于模型的EKF机器人几何误差辨识 与神经网络补偿方法相结合， 可以有效地解决所有机器人误差源的校正问题。 Zhang  Q提出 了一种基于 GA‑DNN非线性回归和柔性误差的全局补偿方法， 以实现机器人在任何外部负载 下的高精度定位。 [0004]类似地， 在Aoy agi的研究中， 使用神经 网络减少残余误差， 同时通过机器人的标称 逆运动学获得训练数据[2 4]。 这些方法简单地忽略了 分析模型， 因此将增加计算工作量， 浪 费更多时间， 降低精度。 为此， Nguyen等人提出了一种新的人工神经网络(ANN)方法， 通过使 用部分机器人驱动关节坐标来补偿这些未建模的误差， 这有助于减少不同机器人配置中的 非线性误差。 [0005]在本发明中， 基于误差传递模型重新组织参数， 并提出了一种新的DNN结构以提高 定位精度。 该系统使用集成在机器人手中的3D传感器扫描目标。 通过校准物体姿态来建立 数据集， 在输入和输出之间建立强映射相关性， 并提出一种新的深度神经网络结构用于训 练和循环验证。 发明内容 [0006]本发明的目的在于提出一种基于参数重组神经网络的机器人残差补偿 方法， 提高 定位精度。 [0007]为实现上述目的， 本发明提供了一种基于参数重 组神经网络的机器人残差补偿 方 法， 包括以下步骤： [0008]获取被测物体的原 始位置数据； [0009]通过校准后的系统运动学模型获取世界坐标系中的初始位置；说　明　书 1/8 页 3 CN 115319756 A 3