本发明涉及机器人技术，尤其涉及一种基于改进型径向基神经网络的机械臂绝对定位精度标定方法。
背景技术：
工业机器人因具有重复精度高、可靠性好、适用性强等优点，被广泛应用于焊接、激光切割、自动化装配等领域。但其绝对定位精度较差，一般采用标定的方法来提高。影响工业机器人绝对定位精度的因素有很多，包括：机器人零部件的加工制造误差，机器人的安装误差，传动机构的误差，机器人连杆和关节的柔性以及机器人工作环境等。而传统基于模型的标定方法无法全面考虑到这些因素，标定精度不高。
针对现有技术存在的不足，本文提出了一种基于改进型径向基神经网络的机械臂绝对定位精度标定方法。该方法将改进后的径向基神经网络应用于机械臂位置误差训练之中，通过建立位置和位置误差的关系，对目标点的位置误差进行预测和补偿。该方法标定精度高且简便易行。
技术实现要素：
本发明的目的在于提出一种改进型径向基神经网络，用于标定机械臂绝对定位精度。
本发明通过以下技术方案实现。
本发明方法所使用的装置包括机械臂、激光跟踪仪和靶球。本发明方法可分为三个阶段：测量、预测和补偿。在测量数据阶段，本发明方法通过驱动机械臂依次到达规划好的样本点，并借助激光跟踪仪和靶球依次测量机械臂的实际坐标，从而求解理论坐标和实际坐标的位置误差。在预测阶段，本发明方法将基函数中心直接设为样本点，并借助半变异函数确定基函数的宽度，通过求解样本点的权值矩阵，进一步对目标点的位置误差进行预测。在补偿阶段，本发明方法根据目标点的预测误差对控制命令进行修改。
本发明所述的基于改进型径向基神经网络的机械臂绝对定位精度标定方法的有益效果在于：
[1]不需要建立复杂的运动学模型，且补偿阶段不要求控制软件开源，适用性广且易于实现；
[2]通过半变异函数确定基函数的宽度，充分考虑了样本点之间的相关性和变异性，标定精度高；
[3]可实现对目标点位置误差的预测，适用于离线编程。
附图说明
图1为本发明中测量机械臂末端位置误差所使用的装置图。
图中：1.机械臂、2.激光跟踪仪、3.靶球。
具体实施方式
如图1所示，本发明方法所使用的装置包括机械臂1、激光跟踪仪2和靶球3。
进一步地，靶球3固定于机械臂1末端，靶球3的中心点设为工具中心点(TCP)。
本发明方法的具体实施步骤如下：
步骤1：统一基坐标系、测量坐标系和工具坐标系；
步骤2：通过离线编程在机械臂1的运动空间中随机规划出n个点Pi(xi,yi,zi),i＝1,2,…,n，作为TCP的理论位置；
步骤3：将机械臂1依次驱动到这n个点，借助于激光跟踪仪2测量在这n个点的实际位置，即Pi’(xi’,yi’,zi’),i＝1,2,…,n；
步骤4：根据这n个点的理论位置和实际位置求解这n个点的位置误差：
e(Pi)＝(ex(Pi),ey(Pi),ez(Pi))＝Pi'-Pi,i＝1,2,…,n
步骤5：设各基函数中心Ci为各样本点Pi，即：
Ci＝Pi,i＝1,2,…,n
其中，P为样本点集，||P-Ci||表示差向量的模；
步骤6：建立样本点的位置和位置误差沿X、Y和Z轴的实验半变异函数γx(h)、γy(h)和γz(h)，以γx(h)为例:
其中，N(h)为距离为h的点对总数；
根据γx(h)的计算结果从球面模型、指数模型、高斯模型和线性模型等理论模型中选取合适的半变异函数模型，并确定模型参数，其中ax,ay和az分别为X、Y和Z轴半变异函数模型的范围；
步骤7：根据半变异函数模型参数确定用于计算基函数宽度的范围b：
b＝min{axm,aym,azm}
其中，m介于0到1之间；
步骤8：计算距离基函数中心Ci小于b的所有基函数中心与Ci的平均距离di，并计算基函数中心Ci的宽度widi：
widi＝kdi,i＝1,2,…,n
其中，k介于0到1之间；
步骤9：计算各基函数并求取样本点的权值矩阵W：
其中，
步骤10：预测机械臂1运动空间中某点P0(x0,y0,z0)的位置误差e^(P0)：
其中：
步骤11：根据预测误差e^(P0)对控制指令进行补偿，补偿方式如下：
xm＝x0+ex^(P0)
ym＝y0+ey^(P0)
zm＝z0+ez^(P0)
其中，xm,ym和zm是补偿后的新的位置。