工业机器人精度补偿研究现状 机器人在工业领域得到大量应用的重要原因之一就是其操作具有极高的精度以及平稳性，能够保证产品质量的稳定。机器人的精度表现为绝对定位精度和重复定位精度。随着机器人技术的不断发展，其重复定位精度已经达到很高的级别，但绝对定位精度仍有很大的提升空间。 目前大量的机器人仍采用示教再现的方式工作，也叫作“Play-Back”方式。这种方式虽然操作简单，但是在线编程往往十分耗时。随着基于传感器的第二代机器人的大量应用，离线编程操作将是更好的选择。越来越多的机器人生产厂商也逐渐转向离线编程，但是机器人的结构偏差会影响到机器人的绝对定位精度。 参数辨识是提高机器人绝对精度的主要手段，相关研究主要集中误差模型建立、辨识、补偿等方面。 在误差建模方面，最经典的是基于坐标变换的4参数DH模型，由于当相邻杆件平行时DH模型存在奇异问题，Hayati在DH模型的Y轴添加一个旋转参数，提出了MDH模型。Stone提出了每个杆件利用三平移和三旋转6参数形容的S模型。Zhuang和Rothf提出了4参数的CPC模型和修正的CPC模型，6参数MCPC(modified completeand parametrically continuous)模型。陈钢等人利用MCPC方法建立机器人运动学方程，建立误差模型，提出将位置参数与角度参数分离标定。白云飞等人提出将误差建模与结构建模分开，提出了一种6参数模型，具有一定参考价值。 运动学参数的辨识是借助非线性优化的算法得到机器人结构真实参数的过程。参数辨识借助的一般方法主要有最小二乘法，L-M方法，卡尔曼滤波等方法。(1) L-M方法结合了牛顿法与梯度法，抗干扰能力较强，但是运行需要内存很大，限制了其应用;(2)卡尔曼滤波的方法存在滤波发散等情况并且没有考虑误差的分布，会导致精度降低;(3)最小二乘法，此法不受扰动因素的影响，虽然计算量较大但是可以借助MATLAB等计算工具进行运算，应用最为广泛。 对机器人进行精度分析的目的在于补偿，即将辨识出的误差参数补偿到机器人的结构参数中，目前误差补偿主要有微分法、关节空间补偿以及基于神经网络的实时在线补偿: (1)微分法是通过标定模型的参数补偿;(2)关节空间法是直接在空间进行参数补偿;(3)基于神经网络的实时在线补偿具有自适应能力，不必考虑运动模型自身的误差，但是任务量巨大。

• 上一篇：机器人结构优化研究现状
• 下一篇：有限元法在焊接机器人研究中的应用