CN110385720A 一种基于深度神经网络的机器人定位误差补偿方法 （南京航空航天大学）

一种基于深度神经网络的机器人定位误差本发明公开了一种基于深度神经网络的机理论坐标数据和对应的实际定位误差作为一组标点的定位误差进行预测，得到定位误差预测2S1：根据加工任务确定机器人的加工空间范围S2：将每个采样点的理论坐标数据和对应的实际S3：构建机器人定位误差预测模型，采用样本数据对机器人定位S4：输入目标点的理论位姿数据至机器人定位误差预测模其中，矩阵S的每列表示一个拉丁超立方采样得到的样本向量,每行表示每个参数的M对采样点理论位姿和实际定位误差进行错误数据剔除3S31：采用遗传粒子群优化算法优化深度前馈神经网络以获得网络的最优初始权值和S33：在设定范围内遍历网络隐层数和节点数，利用训练集的样本对网络模型进行训所述深度前馈神经网络模型的损失函数为其中，yi表示训练样本7.根据权利要求1-6任意一项中所述的基于深度神经网络的机器人定位误差补偿方t对所述输出结果进行反归一化处理得到目标点的定位误差预测值对目标点位置反向迭加其定位误差预测值，获得目标点前馈补偿后的定位点坐标8.根据权利要求1-6任意一项中所述的基于深度神经网络的机器人定位误差补偿方4根据实际加工任务确定工业机器人的加工范围，在工业在所述采样空间内通过拉丁超立方采样得到若干个采9.根据权利要求1-6任意一项中所述的基于深度神经网络的机器人定位误差补偿方S5：定期检测经机器人定位误差预测模型误差补偿修10.根据权利要求1-6任意一项中所述的基于深度神经网络的机器人定位误差补偿方5法中，实现目标点定位误差的估计与补偿，进而提高机器人的绝对定位精度。公开号6所有样本数据进行预处理后将其按照预设比例[0023]S31：采用遗传粒子群优化算法优化深度前馈神经网络以获得网络的最优初始权7[0026]S34：将测试集的采样点理论位姿作为已训练好的机器人定位误差预测模型的输[0027]进一步的实施例中，所述机器人定位误差预测模型采用深度+bl)t所述加工空间范围内通过拉丁超立方采样得到若干个采样点的理论位姿数据包括以下步[0042]S5：定期检测经机器人定位误差预测模型误差补偿修正后的目标点坐标的精度8[0049]步骤S2中的数据预处理包括对采样点理论位姿和实际定位误差进行错误数据剔[0052]所述步骤S3中的机器人定位误差预测模型为深度前馈神经网样本数据来训练机器人定位误差预测模型，然后利用训练好的机器人定位误差预测模型，9[0056](1)综合考虑采样方法和姿态对机器人定位误差的影响，采用拉丁超立方采样方[0057](2)所述拉丁超立方采样方法通过对采样参数进行分层随机采样，能够保持参数[0058](3)先采用GPSO算法优化深度神经网络来获取网络最优权值和阈值，以进一步提施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面[0070]下面以图2所示的其中一种工业机器人的试验平台为例来说明本发明的具体实施业机器人1的机械臂末端设置有末端执行器3，本发明的目的即是将末端执行器3精确运行机器人1自身固有的定位误差，通常工业机器人的实际到达点位置会略微偏移执行目标点范围内的长方体区域作为采样空间。根据拉丁超立方采样方法在此空间规划2000个采样+bl)L-,mT:u确定网络最佳隐层节点数的范围，其中n,m分别为输入层和输出层节点数，的输入，对深度神经网络模型的输出结果进行反归一化处理得到目标点的预测定位误差定位点坐标pana=[x'+Ai,y'+Aj,z'+Ai,a',b',c'],最后将此补偿后的坐标Pmodified输入[0081]图5是本发明实施例中基于遗传粒子群算法优化深度神经网络(GPSO-DNN)的定位经网络模型(PSO-DNN)、遗传算法优化深度神经网络模型(GA-DNN)与GPSO-DNN的预测结果模型中，上述三种模型的预测精度如图6所示。由图6可知，PSO-DNN模型的预测误差在[0086]为验证本发明中基于遗传粒子群算法优化深度神经网络模型(GPSO-DNN)的机器补偿到0.316mm，定位误差降低了68.49补偿后的机器人绝对定位精度满足飞机装配的≤0.5mm精度要求，验证了基于GPSO-DNN模型的机器人定位误差补偿方法的可行性和通用[0088]S5：定期检测经机器人定位误差预测模型误差补偿修正后的目标点坐标的精度[0090]综上所述，本发明公开的是一种基于深度神经网络的机器人定[0091]在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一