基于激光跟踪仪的Delta并联机构运动学误差标定

以Delta并联机构为研究对象,建立了Delta并联机构的运动学误差模型,对影响其末端精度的几何误差源进行了分析,并指出这些几何误差源可简化为18项.以激光跟踪仪作为测量工具,提出一种步进迭代的误差参数辨识方法,该方法利用Delta并联机构操作空间与关节空间之间的映射关系,通过优化多个检测点相互之间的理论距离与实际距离的残差,计算出Delta并联机构的各项几何误差参数,进而修正Delta并联机构的运动学模型,标定后机构末端精度由1.0,mm数量级提高至0.1,mm数量级,实验结果表明了文中所述方法的有效性和普遍性.     

气动人工肌肉驱动球面并联机器人的位置控制研究

研究将气动人工肌肉驱动器应用于柔索驱动三自由度球面并联机器人机构,介绍了该机器人的运动学模型,提出一种简便的轨迹规划方法,在建立的实验测控系统中,应用含并联机器人的位置逆解和对气动人工肌肉的智能PID控制的位置控制算法,实现对机器人末端的位置控制,通过机器人的位置正解验证了位置控制的控制效果.     

Delta并联机器人装配误差分析与补偿

针对工业应用中并联机器人运动规划与控制的精度需求,提出一种基于多样性反馈的自适应粒子群优化算法(APSO)来提高并联机器人精度。利用机器人机构闭环矢量关系得到运动学正逆解;并应用基于多样性反馈的自适应粒子群优化算法将结构参数优化问题转化为非线性系统优化问题。通过对机器人驱动电机转角进行优化,使得机器人在工作空间内具有理想的工作精度。以SRBD型号Delta型并联机器人进行试验验证,仿真结果可达到10~(-3)毫米级别,验证了方法的有效性用。     

基于单目视觉的Delta机器人零点标定方法

针对实际工程应用中少自由度高速抓放并联机器人的精度问题,提出了一种基于视觉测量的快速标定方法.以Delta机器人为例,通过系统分析和机构合理简化,建立了零点误差模型.构造出基于单目视觉平面测量的零点误差辨识模型,借助单目视觉仅检测机器人动平台沿水平面运动时末端x、y向的位置误差,识别出零点误差,进而修改零点位置实现末端位置误差补偿.标定实验结果表明该方法简单、有效、实用性强.     

神经网络求6-SPS并联机器人正运动学精确解

采用BP网络,利用位置逆解结果,通过训练学习,实现操作从关节变量空间到工作变量空间的非线性映射,从而求出6-SPS并联机器人的正运动学解。为提高正解结果精度,引进辅助网络,运用Kalman滤波器进行误差补偿,并给出了并联机器人的仿真实例。仿真结果表明,该法计算精度高且计算速度满足实时控制的要求。     

基于惯性动作捕捉的主从遥操作关节空间直接控制方法

为了克服传统主从遥操作方法需要进行大量的正/逆运动学解算且操作复杂、不直观的缺点,利用惯性动作捕捉设备将人体手臂动作信息引入遥操作控制回路中,提出了一种基于惯性动作捕捉的主从遥操作关节空间直接控制方法.然后,提出了一种基于四元数的关节空间非奇异映射算法,用于构建虚拟手臂模型,并利用该模型直接控制远端机器人的关节空间.试验结果表明,该方法可以直接控制远端机器人的关节空间,关节空间控制误差小于0.2°;末端位置控制精度小于10 mm,与基于手控器的传统主从遥操作方法相当.因此,基于惯性动作捕捉的主从遥操作方法不仅可以对远端机器人末端位置进行精确控制,而且可以直接控制远端机器人的关节空间,提高操作者的直观性和灵活性.     

并联机器人位姿误差分析

利用并联机器人的运动学反解模型，通过误差传递矩阵的求解来探讨机器人主要误差源与其位姿误差之间的关系，建立了并联机器人的位姿误差模型、并讨论了并联机器人主要误差源对位姿精度的影响，为实际误差的补偿与控制奠定了理论基础．     

机器人逆运动学的微分进化与粒子群优化BP神经网络求解

针对采用传统反向传播(BP)神经网络算法进行逆运动学求解收敛速度慢的问题,提出将微分进化(DE)与粒子群优化(PSO)算法相结合,对用于机器人逆运动学求解的BP神经网络进行优化。基于机器人正解映射建立优化算法的目标函数,在PSO过程中,引入DE操作优化粒子进化方向,并将此混合算法用于BP神经网络权值与阈值的优化。对KUKA机器人进行仿真实验,结果表明:采用该文方法对机器人逆运动学问题的求解精度高,求得的关节角度误差小于0.1°;逆运动学求解结果所对应位姿矩阵的位置误差在0.1 mm数量级,具有较好的泛化能力。该文方法满足机器人位置和姿态方面的精度要求。     

3-PPSR柔性并联机器人力控制研究

针对3-PPSR并联机器人加入大长径比柔性铰链和与外界环境接触产生形变的问题,在控制端提出了基于位置阻抗控制的主动柔顺控制策略。该方法在柔性并联机器人与外界环境对象的等效作用模型和基于位置的阻抗控制模型基础上,引入外界环境作用力和结合系统的力跟踪模型,通过调整初始参考位置控制模型的稳态误差实现基于位置的外力跟踪控制。采用Lyapunov稳定模型和能量方程,在未知环境变量条件下通过力偏差直接控制目标位置的自适应控制系统实现自适应的力控制。实验结果表明,基于位置的外力控制精度可以达到±0.05N,应用自适应控制精度可以达到±0.1N,3-PPSR柔性并联机器人的末端的接触力控制精度得到了提高,满足设计要求,验证了该控制方法的准确性和有效性。     

丝驱动连续体机器人的无模型自适应控制

连续体机器人由于具有高灵活度的特点,被广泛用于微创外科手术、航空、核工业等领域．针对连续体机器人在狭窄、受限环境下的建模误差导致控制精度较低的问题,提出了一种基于无模型自适应控制(MFAC)的连续体机器人末端位置控制方法．首先,对连续体的运动学模型和基于模型的控制方法(MBF)进行了研究,分析了建模误差对连续体机器人运动精度的影响;随后根据连续体机器人的驱动输入与位置输出,实时估计连续体机器人的伪雅可比矩阵,以减弱迟滞、模型误差、外部负载等干扰带来的影响;最后在连续体机器人平台上进行了轨迹跟踪实验,探究了自由状态下连续体机器人末端点的轨迹,随后改变轨迹参数使连续体机器人在不同半径的圆轨迹和不同顶角大小的三角轨迹下进行了轨迹跟踪实验和实验结果比较,并将本文所提出的方法与常见的基于模型的控制方法进行了比较,证明了本文方法具有较好的精度与抗干扰能力．实验结果表明：连续体机器人沿着半径为40 mm的圆形轨迹及其内接三角轨迹的均方根误差的平均值分别为2.31 mm和2.448 mm,具有良好的控制精度,且在运动过程中均方根误差值保持稳定;本文方法的轨迹均方根误差随着连续体运动范围增大而增大,运动...     

基于PSO-GA-BP神经网络的视觉伺服控制系统

传统的基于图像视觉伺服控制需要计算雅可比矩阵和解雅克比矩阵的逆,其结构复杂、计算量大且系统 的实时性不够理想。基于粒子群遗传算法优化的 BP(Back Propagation)神经网络(PSO-GA-BP: Particle Swarm Optimization-Genetic Algorithm-BP)通过学习图像特征空间到机器人运动空间的映射关系,实现了“眼在手上”的 机器人视觉伺服控制,通过优化 BP 神经网络的权值和阈值,防止了其训练时间长、收敛速度慢等弊端。实验 结果表明,优化后的算法运算效率较高,所设计的控制器能使机器人末端执行器在更短的时间内达到预期位 置,图像特征点运动位置的实际值与期望值平均误差约为 2 个像素,具有良好的收敛速度和控制精度。相关结 论可为机器人视觉伺服控制提供优化依据,提高算法的应用性能。     

颌骨重建手术机器人定位精度分析与误差补偿

为提高颌骨重建机器人的精度,借助于—台可以实现绝对坐标测量的高精度光学定位跟踪仪,对机器人系统的定位精度进行了误差分析与补偿研究.针对结构参数和运动变量误差,采用修正的运动学模型,进一步真实地反映了机器人的实际结构参数;对齿轮传动误差和间隙引起的关节回转误差通过实验进行了修正,有效提高了关节传动精度;对零位定位误差,通过机器人逆运动学反解出关节转角,并进行误差补偿,提高了定位基准的精度.实验结果表明上述方法可有效提高颌骨重建机器人的定位精度.      

精密并联机器人系统误差的分析与补偿

为减小机构末端定位误差,提高精密并联机器人运动精度,以6-HTRT并联机构为结构模型,分析了机构的各种制造误差。首先在机构上开发了一种新型虎克铰链,同时采用了预紧装置;然后在控制系统中引入DSP高性能数据处理器;最后,用矢量构造的方法计算机构速度Jacobian矩阵,用数值法计算位置正解,用构造法计算误差Jacobian矩阵,对机构末端误差进行补偿。通过以上措施,可以使系统的精度提高到机构重复运动精度的3倍左右,满足精密并联机器人工作的精度要求。其中,软件误差补偿算法不受并联机构类型的限制,有较大的适用范围。     

基于广义几何误差模型的微机器人精度分析

为描述各种误差源对机器人本体产生的影响 ,提出了一个用于微机器人精度分析的通用方法。通过任意两坐标系间的向后微分关系 ,利用运动学方程以及并联机构的环路特性 ,建立了微机器人的广义几何误差模型。利用此模型 ,可以对微机器人进行精度评估和误差修正。该方法可推广应用到一般并联机器人的误差建模和精度分析     

基于径向基函数网络的能源消费量预测模型

采用径向基函数(RBF)神经网络方法进行能源消费量预测,建立了基于RBF神经网络的能源消费量预测模型。以我国1978~1997年的实际数据作为学习样本,对网络进行训练,拟合效果良好;以1998~2002年的实际数据检验网络,预测精度较高。并通过实例与BP网络进行比较,表明RBF网络预测模型优于BP网络预测模型。     

基于神经网络的空间7R冗余机器人的运动模型辨识

针对空间冗余机器人运动学控制中正、逆运动学求解的复杂性，采用神经网络从两方面解决这一问题。一是从神经网络出发，提出了一种新的动态神经网络结构--状态延迟输入动态递归神经网络（SDIDRNN），提高了网络的学习速度；二是从辩识方案出发，以SDIDRNN为基础，在空间7R冗余机器人正、逆运动学模型辩识的问题上，设计了一种新颖的解耦辩识方案。将其与另外两种具有普通网络结构的辩识方案相比较，说明了该新方案具有更高的学习能力，辩识误差可降低到对比方案的40％-6％。由于学习速度的提高，达到设定误差时的训练次数大大减少，使该方案在机器人运动控制系统中的实时计算能力大大增强，为神经网络在机器人运动学控制中的应用提供了一条崭新的思路，具有重要的应用意义。     

可重构混联机械手模块Tricept与TriVariant的误差建模与性能比较

对于少自由度并联构型装备，必须通过误差建模将影响末端可控和不可控误差的几何误差源进行分离，从而指导机构的精度设计和运动学标定。以5自由度混联机械手模块Tficept和TriVariant为对象，研究了一种少自由度并联构型装备的误差建模方法。该方法可有效分离出影响末端不可控误差的几何误差源，从而得到仅需控制恰约束支链的制造和装配误差，有效抑制末端的不可控姿态误差。研究结果表明，对于等同的任务空间和相同的尺度参数，两机械手具有相近的精度性能。     

基于并联逆的超声波液位传感器故障误差补偿方法

针对过程控制系统(PCS)液位控制单元中超声波液位传感器故障引起的非线性误差,基于神经网络建模方法设计了一种并联逆补偿环节,有效地补偿了故障误差对系统的影响.通过实验分别获得故障传感器与正常传感器测得的液位值,并进行相应的预处理;基于上述离线数据,分别利用LM-BP、径向基函数(RBF)神经网络的非线性逼近特性,设计逆映射中的并联补偿环节;为验证传感器故障误差的补偿效果,基于OPC技术与Matlab搭建了PCS半实体实验平台,将设计的并联补偿环节置于搭建的PCS液位控制单元中进行闭环实验.结果表明,所建方法能有效补偿传感器故障产生的非线性误差,抑制了故障影响在系统中的传播,实体实验也显现了方法的工程可用性.