1.本发明属于机器人视觉检测领域，特别是涉及一种机器人在线检测系统动态误差补偿方法。


背景技术：

2.工业机器人广泛应用于在线、重复的作业任务，如测量、焊接、装配等。通用解决方案之一是在机器人末端安装激光扫描仪，以构建检测系统。当机器人长时间无规律运行时，内部发热和环境温度是降低重复性的重要因素。由于几何运动标定误差、零件热变形和关节润滑粘度变化，机器人的末端位置坐标误差大且具有时变性。传统的解决方案是基于运动学模型动态标定机器人并补偿误差的波动性。然而，运动学建模时参数过多造成模型冗余，以及无效的标定姿态，会导致系统动态精度和效率的降低。
3.机器人运动学标定和误差补偿已经得到了广泛的研究。david daney等人提出了一种基于约束优化方法的算法，用于选择机器人校准的最佳姿势。lee s.等人定义了一个广义误差模型，包括关节间隙误差、运动学参数误差和执行器控制误差。基于灵敏度分析方法，分析了影响机器人定位精度的主要误差参数，将机器人的定位精度从0.85mm提高到0.26mm。luo x.等人提出了一种基于dh模型和关节间隙的误差模型，可以预测关节在任何位置的定位精度。通过对弯曲路径的仿真，验证了误差补偿模型的有效性，误差补偿方法可使机器人的定位精度提高近76.46％。zhang l.等人提出了一种中心对称静摩擦模型，结合分段函数来描述关节摩擦的滞后效应，并基于混合优化算法和遗传算法识别了6个机器人关节的动力学参数。
4.许多研究集中于时变因素的影响。为了补偿机器人热膨胀引起的温度相关误差，eastwood和webb提出了两个线性模型来预测运动学模型中的长度和旋转。neubauer等人开发了一种识别开链机器人动态参数的方法，并基于前馈控制预测摩擦相关参数，以减少温度的影响。尹s.等人提出了一种基于视觉系统的实时动态误差补偿方法，并通过加热和冷却机器人，采用逐关节方法将运动学参数与温度关联起来。lubrano e.和r.clavel结合机器人电机参数，找到温度相关性，并通过控制器补偿动态误差。r.li和y.zhao基于有限元方法分析了机器人的温度分布。一个机器人预热实验被用来分析温度和运动学参数之间的显著相关性。rafal kluz等人使用lillefors分布来确定温度对随机变量的影响，并根据shapiro-wilk检验减小了误差。此外，将误差最小的点作为装配工作空间中的最佳标定姿态。zhu等人提出了一种基于双目立体视觉的在线热补偿方法。在分析关节参数的时变模式后，选择重要参数来补偿所有关节参数的热误差。通过减少与热漂移模式对应的参数，可以有效地减少时间消耗，并将kuka机器人的动态误差降低到
±
0.1mm。
5.根据近年来的研究，机器人视觉系统的精度稳定性取决于模型的冗余度，在线检测的效率取决于有效的标定位姿。因此，可以概括为以下两个问题：
6.(1)减少模型冗余度，提高系统重复性精度。机器人变形的研究主要集中在时变运动参数的辨识上。然而，由于机器人模型的非线性，参数之间会相互影响，导致无法与时变
关联。
7.(2)优化动态补偿的最佳位置，提高动态补偿效率。为了平衡系统的重复性和效率，机器人的姿态选取很关键。现有方法将雅可比矩阵用作优化标准，但忽略了高阶误差，导致标定姿态失效。


技术实现要素：

8.为解决上述问题，本发明提供了如下方案：一种机器人在线检测系统动态误差补偿方法，包括：
9.构建机器人检测系统，基于所述机器人检测系统进行建模，获得所述机器人检测系统的运动学模型和时变参数模型；
10.基于所述运动学模型进行参数标定，采集标定姿态信息；
11.根据所述标定姿态信息对所述时变参数模型进行迭代优化，获得目标时变运动参数；
12.优化所述标定姿态信息，补偿所述时变运动参数至符合设定阈值后，进行评估检测。
13.优选地，所述机器人检测系统包括机器人、3d激光扫描仪、标定球；
14.基于所述运动学模型进行参数标定，采集标定姿态信息的过程包括，基于所述标定球扫描所述机器人的标定姿态，进行参数标定；通过改变所述机器人的姿态，扫描不同方向的标定球完成标定姿态的长周期循环测量，获得所述标定姿态信息。
15.优选地，根据所述标定姿态信息对所述时变参数模型进行迭代优化，获得所述目标时变运动参数的过程包括，每次对一个参数进行识别，识别为时变参数扩展到所述时变参数模型，识别为时不变参数从所述时变参数模型中进行裁剪。
16.优选地，所述识别过程包括，
17.(1)裁剪外部坐标系中的时变参数；
18.(2)识别具有s型趋势的时变参数；
19.(3)基于误差敏感性删除冗余参数；
20.(4)重复步骤(2)和(3)进行迭代优化。
21.优选地，所述识别具有s型趋势的时变参数的过程包括，
22.拟合s型函数，获得参数平衡时间；基于所述标定姿态信息，获得运动学参数序列；将所述运动学参数序列规范化为以零为中心的数据，通过tanh函数拟合规范化的参数序列，将具有最大平衡时间的参数识别为时变参数并添加到所述时变参数模型。
23.优选地，所述基于误差敏感性删除冗余参数通过模型雅可比矩阵的qr分解获得。
24.优选地，所述迭代优化过程还包括，当系统误差波动范围增大，取消扩展或裁剪的操作，重置成上一个迭代步骤的模型；否则，更新模型。
25.优选地，通过删除对参数向量的一阶微分具有相同影响的点，获得最小化姿态的数量，优化所述标定姿态信息。
26.优选地，补偿所述时变运动参数至符合设定阈值包括，在开始检测任务之前，扫描指定的标定球以评估系统的误差是否超过设定阈值；如果误差超过阈值，则扫描优化标定姿态并补偿所述时变运动学参数，以获得修正后的变换关系；如果误差不超过阈值，则启动
机器人视觉在线测量系统的检测任务。
27.本发明公开了以下技术效果：
28.本发明提供的一种机器人在线检测系统动态误差补偿方法，结合时变灵敏度、误差灵敏度和迭代优化过程来快速获得低冗余度的运动学模型，通过减少模型冗余度，大大提高了系统重复性精度；同时，基于k-均值聚类算法的姿态优化方法来平衡系统的重复性和效率，优化了动态补偿的最佳位置，提高了动态补偿效率。
附图说明
29.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
30.图1为本发明实施例的方法流程图；
31.图2为本发明实施例的机器人视觉系统的运动学模型示意图；
32.图3为本发明实施例的运动学参数迭代优化流程图。
具体实施方式
33.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
34.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
35.如图1所示，本发明提供了一种机器人在线检测系统动态误差补偿方法,首先，建立系统的运动学模型，通过改变机器人姿态，从不同方向扫描标定球来标定模型参数。然后，完成机器人从冷态到热态的连续扫描实验，采集一组动态测量数据，并采用迭代优化方法识别机器人的时变运动参数。此外，通过优化标定姿态，提高动态补偿的效率。在开始检测任务之前，扫描指定的标定球以评估系统的误差是否超过阈值。如果误差超过阈值，则扫描优化标定姿态并补偿时变运动学参数，以获得修正后的变换关系。
36.本发明的具体步骤如下：
37.步骤一：机器人视觉在线检测系统构建和长周期循环数据采集；
38.机器人视觉在线检测系统构建是通过将激光扫描仪集成到机器人末端，以构建测量系统。该系统由三部分组成：一个工业机器人(fanuc lr mate 200id)、一个3d激光扫描仪，以及一个由四个标准球体组成的标定对象。其中，激光扫描仪可直接获取被测物体的点云和形心，扫描球的均方根误差(rmse)可达0.0107mm。标定物上的四个球心坐标通过三坐标测量机测量校准，精度
±
0.01mm。
39.搭建机器人视觉在线检测系统，建立运动学模型并标定。通过随机调整机器人获得n个初始标定姿态，完成标定姿态的长周期循环测量，以获得一组数据。
40.如图2所示，关于运动学模型的标定过程如下：球体的中心坐标定义为pi。通过随
机移动机器人，3d传感器从不同姿势扫描每个球体。激光扫描仪相机坐标系(ccs)中的圆心定义为c
ij
。其中j是扫描姿势的序列号，在本文中等于200。
41.从摄像机坐标系到用户坐标系(ucs)的转换满足式(1)。
[0042][0043]
其中，可分为三个部分：
[0044][0045]
在式(2)中，是从基准坐标系(bcs)到用户坐标系(ucs)的转换。是从刀具坐标系(tcs)到基准坐标系(bcs)的转换。是从相机坐标系(ccs)到刀具坐标系(tcs)的转换。和基于欧拉角建模，且基于机器人的简化mdh模型构建，如式(3)-(5)所示。
[0046][0047][0048][0049]
其中，trans(x,y,z)是平移变换，rot
x
,roty,rotz是旋转变换。joint是机器人关节的数量。为了避免机器人的奇异性(j2和j3近似平行)，简化了机器人的mdh模型，删除了六个参数，包括：d2,β1,β3,β4,β5,β6。
[0050]
然后，计算式(1)的全微分，将式(2)-(5)代入，结果可进一步简化为雅可比矩阵：
[0051][0052]
式中，为对应于c
ij
的机器人关节角度向量，可从机器人的寄存器中获得，或根据系统的逆运动学模型计算。是30个运动学参数的向量：
[0053]
(x0,y0,z0,r0,w0,p0,...,θi,di,ai,αi,βi,
…
,xe,ye,ze,re,we,pe)
t
[0054]
其中，6个参数限制为零：θ1＝d1＝θ6＝d6＝a6＝α6＝0。基于lm(levenberg-marquarelt)算法，可以校准参数向量由于是从临时存储器中读取的，因此无法避免关节的角度误差，可以通过改变雅可比矩阵的形式进行补偿，如式(7)所示。基于lm算法，可以得到校正后的关节的角度
[0055][0056]
步骤二：时变参数的识别和模型迭代优化；
[0057]
每次识别一个时变参数并将其扩展到模型中，或者识别一个时不变参数并将其从模型中裁剪。如图3所示，时变参数识别的流程包括：
[0058]
step1.裁剪外部坐标系中的时变参数。由于机器人基座和检测目标安装于同一平台上，且激光扫描仪和机器人属于刚性连接，因此可以初步判定和中的12个参数为时不变参数。
[0059]
step2.识别具有s型趋势的时变参数。一般来说，在机器人从启动开始的连续运动
过程中，各运动学参数主要取决于材料膨胀和润滑油阻尼的变化。机器人各部分的温度变化符合牛顿冷却定律，当机器人的加热功率高于与环境的热交换功率时，温度呈指数变化。当加热功率与热交换功率相等时，就达到了稳态平衡。因此，通过拟合s型函数，可以快速得到各参数的平衡时间。根据长周期循环测量的结果，可以得到各运动学参数的序列。通过将参数序列规范化为以零为中心的数据，如式(9)所示
[0060][0061]
继而，可通过tanh函数拟合规范化的参数序列，并将具有最大平衡时间(即最小ak)的参数被识别为时变参数并添加到模型中，该参数可通过式(10)获得。
[0062][0063]
其中t是采样数据序列，n是序列长度，是参数k的序列。ck是与稳态的偏差。ak是时间轴的缩放量(最大平衡时间的倒数)。bk是时间轴的偏差。
[0064]
step3.基于误差敏感性删除冗余参数。如果某个运动学参数对机器人末端扰动的影响很小，则无论该参数是否随时间变化，都可以忽略。最常见的误差灵敏度分析方法是模型雅可比矩阵的qr分解，如式(11)所示。r矩阵是上三角矩阵。r矩阵的特征值表示每个运动参数的梯度。参数特征值越小，对机器人末端的影响越小，可以从模型中删除。
[0065][0066]
step4.迭代优化。为了避免识别错误的结果，重复第2步和第3步，每次只识别一个时变参数或者时不变参数，并逐个扩展/裁剪参数。
[0067]
根据公式(8)中的重复性判据，验证系统的精度稳定性。如果系统误差波动范围增大，则取消扩展或裁剪的操作，重置成上一个迭代步骤的模型；否则，更新模型。
[0068][0069]
其中s是测量的采样数据集，是基于参数集m的运动学模型。根据上述迭代方法，当删除所有时不变参数时，获得最终的动态补偿模型m。
[0070]
步骤三：动态标定姿态的优化；
[0071]
随着标定姿态数量的增加，误差会减小，但会消耗更多的时间。因此，通过优化标定姿态，保障精度的同时，提高动态补偿的效率。
[0072]
补偿动态误差的关键是周期性地标定运动参数。为了避免精度跳变，需要减少运动学系统的冗余度。从时间维度来看，理想情况下，不随时间变化的参数不会影响动态误差。然而，由于非线性系统的标定结果具有多解，实际上所有参数在时间轴上都是随机波动的。此外，由于运动学模型的冗余性，时变的参数将影响其附近的其他参数。
[0073]
为了最小化姿态的数量，需要删除对参数向量的一阶微分具有相同影响的点。根据式(1)，对于具有的一组姿势pi,c
ij
,可通过式(12)获得相应的残差δ
ij
。
[0074][0075]
其中，pi,c
ij
,是常数。代入式(6)，系统刚体变换矩阵的一阶微分通过式(13)计算。
[0076][0077]
进一步化简可得式(14)。
[0078][0079]
进而，可以根据姿态标定残差之间的距离，判断冗余性，即可以用残差中心来替换其周围的残差。结合k均值聚类算法，聚类中心δc可以代替最近的数据集。最后，δc是残差空间中的虚拟点，在现实世界中很难找到相应的姿势，因此根据式(15)计算δc最近的点。
[0080][0081]
其中，kn是k-均值算法的聚类数，也是标定姿态的数量，取值为模型m中参数数量2/3的进位整数(本案例kn＝7)。
[0082]
步骤四：执行检测任务时的动态补偿
[0083]
在开始检测任务之前，扫描指定的标定球以评估系统的误差是否超过设定阈值。如果误差超过阈值，则扫描优化标定姿态并补偿时变运动学参数，以获得修正后的变换关系。如果误差不超过阈值，则启动机器人视觉在线测量系统的检测任务。
[0084]
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。