[发明专利]一种机器人的位置误差补偿方法

权利要求书

1.一种机器人的位置误差补偿方法，其特征在于，包括：

步骤1，随机规划和生成待补偿的机器人的空间位姿，使各空间位姿均匀分布于整个工作空间中，随机生成空间位姿的方程为：

式1中，max(q_m)和min(q_m)为关节参数，max(q_m)表示所述机器人第m个驱动关节取值的最大关节参数；min(q_m)表示所述机器人第m个驱动关节取值的最小关节参数；m表示机器人的驱动关节总数量；rand(1)表示随机生成0至1之间的随机数；随机生成的空间位姿放入输入数据集{q_N}；

步骤2，将所述步骤1得到的输入数据集{q_N}中的关节参数输入到机器人的正运动学方程p＝f(g,n,q)中，输出得到机器人末端执行器的理论位置{p_N}；所述机器人的正运动学方程p＝f(g,n,q)中，p表示机器人末端执行器在工作空间中的位置，g表示机器人的几何参数，n表示机器人的非几何参数，q表示机器人的关节参数；

步骤3，将所述步骤1得到的输入数据集{q_N}中的关节参数输入到所述机器人的控制器中，规划和控制所述机器人的末端执行器运动到理论位置{p_N}；利用外部测量装置测量末端执行器在理论位置{p_N}时的实际位置{p′_N}，由实际位置{p′_N}减去理论位置{p_N}得出所述机器人的位置误差ΔP；

步骤4，建立与所述机器人拟合的人工神经网络：建立包括输入层、中间的隐层和输出层的人工神经网络，该人工神经网络的输入层表示所述机器人的关节参数变量Δq，该输入层的网络节点数量等于所述机器人关节参数的数量；该人工神经网络的输出层表示所述机器人末端执行器的位置误差△p，该输出层节点数量等于所述机器人末端执行器的位置误差参数的数量；该人工神经网络的隐层的数量不小于2，所述隐层的网络层数和每层隐层的节点数任意设置；设定该人工神经网络的初始迭代次数为0；设定该人工神经网络的最大迭代次数；

步骤5，对所述步骤3建立的人工神经网络进行迭代训练，随机生成独立子群，将子群中的每个个体采用二进制编码，并分别对以矩阵表示的所述人工神经网络的隐层的结构、权值参数和阈值参数进行编码；

步骤6，遗传操作：采用以下交叉概率计算公式对所述各个独立子群中的个体之间进行算术交叉操作，所述交叉概率计算公式为：

上述式(2)中，y′为选择出将要交叉的两个染色体中适应度较大的值； 表示平均适应度；y_max表示最大适应度；P_c1和P_c2表示交叉概率因子，分别设置为0.9和0.6；

采用以下变异概率计算公式进行变异概率计算，为：

上述式(3)中，P_m1和P_m2表示变异概率因子，分别设置为0.1和0.01；

步骤7，计算适应度：利用适应度函数计算所述人工神经网络种群中每个个体所代表的网络输出的实际值与理论值之间的误差，并计算所有个体均方根误差，所述适应度函数为：

上述式(4)中，△p′_j表示神经网络输出的需要补偿的末端执行器位置误差；△p_j表示末端执行器的实际位置误差；α表示调整进化过程中网络复杂度和均方根误差比例的调整参数，该调整参数设置为0.95；a(k)表示激活的神经元个数，k表示总的神经元个数；

步骤8，保留当前最优的个体，迭代次数加1；若当前适应度收敛到最小值或已迭代次数超过最大迭代次数时，迭代过程停止，完成人工神经网络的训练执行步骤9；否则，返回所述步骤5继续进行迭代训练；

步骤9，当完成所述人工神经网络的训练后，将所述机器人的关节参数q输入到所述人工神经网络进行处理得出该机器人末端执行器的补偿误差△p′，通过公式△q＝(J^TJ)^-1J^T△p′计算得出在关节空间中补偿的关节参数补偿变量△q，将得到的关节参数补偿变量△q加入输入变量q，得到重新补偿的机器人的关节参数q’，用得到的重新补偿的机器人的关节参数驱动所述机器人，即完成在关节空间对所述机器人末端执行器的位置补偿。