[发明专利]基于GA-RBF网络的机器人末端性能预测模型的构建方法

说明书

本发明公开了基于GA‑RBF网络的机器人末端性能预测模型的构建方法，搭建机器人末端数据采集的轴关节采集硬件平台，将EtherCAT总线和激光跟踪仪作为末端测试的辅助工具，分别作为训练GA‑RBF网络的输入和输出数据获取的方式；通过总线实时采集各个关节的位置、速度、转矩反馈得到数据作为GA‑RBF网络的输入，激光跟踪坐标测量系统采集的末端数据作为GA‑RBF网络的输出，训练出基于GA‑RBF网络的机器人末端性能预测模型。本发明大大提高了轴关节伺服脉冲的采集精度，对于后续RBF网络在末端数据上预测的应用以及由轴关节数据DH模型计算末端参数精度上都有了较大的提高，高精度的数据研究更贴近实际意义。

技术领域

本发明涉及了一种智能算法的实际工程应用，具体地说，是一种基于遗传算法优化RBF神经网络(GA-RBF)的智能算法在机器人末端性能测试上的应用。

背景技术

对于现今机器人(这里主要说的是六自由度机械臂)行业激烈的竞争，大部分机器人制造商为了提升自身的核心竞争力，迫切需要一套完善的机器人测试方案。机器人相关测试也应运而生，而机器人末端的误差精度最能反映机器人的整体性能好坏，因此末端误差精度一直是机器人测试的热点问题。造成机器人末端误差的因素有很多：包括结构参数导致的误差，运动变量导致的误差；还有惯量和自重，连杆的振动等无法避免的随机误差。除此之外还有外界环境导致的误差，尤其是温度和磨损问题；控制系统方面的编程问题和控制算法的差异性等误差。各种误差因素的存在势必会对机器人工作精度产生影响，而且它们之间还存在相关性。

对于机器人的测试还没有形成一个完善的被公认的测试指标。比如国内大部分机器人公司对机器人的测试停留在比较基础的层次，依旧普遍采用外接高精度的测距仪器，例如激光跟踪仪对机器人的绝对定位精度和重复定位精度进行测量与分析，没有形成较为系统的机器人测试规范，也没有较为系统的测试步骤。同时实际工作中也不可能对每一台机器人实行利用激光跟踪仪的精度测试。

针对以上所提出的实际工程问题，为寻求更好的解决方案。因此本发明提出了基于GA-RBF网络的机器人末端参数计算方法。根据遗传算法优化的基函数宽度，中心向量和权值向量，得到优化后的RBF网络，实现对机器人末端数据的预测。本发明给出了获得这一RBF网络的构建方法。

发明内容

发明目的：本发明的目的是为了解决现有技术中的不足，提供一种基于GA-RBF网络的机器人末端性能预测模型的构建方法，该模型一旦构建，即可通过对机器人运行情况各个轴关节的实时数据的采集，利用该模型计算出机器人末端数据，作为机器人进行性能分析的依据。

技术方案：本发明所述的基于GA-RBF网络的机器人末端性能预测模型的构建方法，包括：

(1)搭建机器人末端数据采集的轴关节采集硬件平台，将EtherCAT总线和激光跟踪仪作为末端测试的辅助工具，分别作为训练GA-RBF网络的输入和输出数据获取的方式；

(2)通过EtherCAT总线实时采集各个关节的位置、速度、转矩反馈得到数据作为GA-RBF网络的输入，激光跟踪坐标测量系统采集的末端数据作为GA-RBF网络的输出，训练出基于GA-RBF网络的机器人末端性能预测模型。

进一步的，所述的轴关节采集硬件平台包括伺服驱动器、RC控制器、示教器和上位机，所述的伺服驱动器包括多个，各伺服驱动器一端与各关节连接，用于采集各个关节的位置、速度、转矩数据，另一端通过EtherCAT总线汇总至RC控制器，所述RC控制器还连接有示教器和上位机。

进一步的，所述伺服驱动器内包括therCAT通讯模块。

进一步的，所述激光跟踪坐标测量系统包括激光跟踪仪主机、跟踪摄像头、上位机和T-Mac传感器，所述激光跟踪仪主机分别通过通讯线缆与跟踪摄像头、上位机、T-Mac传感器连接，该系统用于实时采集机器人的末端位置和速度参数数据。

进一步的，所述T-Mac传感器安装在机器人末端法兰的端平面中心。