目錄
前言
第1章 緒論 1
1.1 機器人精度 1
1.2 精度補償?shù)闹匾��?2
1.3 機器人精度補償技術(shù) 4
1.3.1 機器人運動學(xué)標(biāo)定 5
1.3.2 機器人非運動學(xué)標(biāo)定 10
1.3.3 機器人物理約束標(biāo)定 11
第2章 機器人運動學(xué)模型與誤差分析 13
2.1 引言 13
2.2 位姿描述與齊次變換 13
2.2.1 剛體位姿描述與齊次變換 13
2.2.2 RPY角與歐拉角 15
2.3 機器人正向運動學(xué)模型 17
2.3.1 連桿描述與連桿坐標(biāo)系 17
2.3.2 連桿變換與機器人正向運動學(xué)模型 18
2.3.3 典型KUKA工業(yè)機器人的正向運動學(xué)模型 19
2.4 機器人逆向運動學(xué)模型 22
2.4.1 耦合關(guān)節(jié)約束的唯一封閉解求解方法 23
2.4.2 典型KUKA工業(yè)機器人的逆向運動學(xué)模型 24
2.5 機器人誤差分析與定位精度評估 27
2.5.1 機器人定位誤差的影響因素 27
2.5.2 機器人定位精度評估 29
第3章 機器人運動學(xué)標(biāo)定 37
3.1 引言 37
3.2 機器人運動學(xué)標(biāo)定簡介 37
3.2.1 剛體微分變換 37
3.2.2 機器人MD-H模型 39
3.2.3 相鄰連桿的微分變換 40
3.2.4 機器人運動學(xué)誤差模型 42
3.3 耦合基坐標(biāo)系建立誤差的機器人擴展運動學(xué)標(biāo)定 44
3.4 耦合柔度誤差的機器人擴展運動學(xué)標(biāo)定 47
3.4.1 機器人柔度分析 48
3.4.2 機器人柔度誤差模型 50
3.4.3 耦合柔度誤差的機器人運動學(xué)誤差模型 51
3.5 參數(shù)辨識 52
3.5.1 Levenberg-Marquardt算法參數(shù)辨識 53
3.5.2 擴展卡爾曼濾波參數(shù)辨識 54
3.6 變參數(shù)辨識的機器人精度補償方法 55
3.7 機器人運動學(xué)標(biāo)定方法試驗驗證 57
3.7.1 耦合柔度誤差的機器人擴展運動學(xué)標(biāo)定方法試驗驗證 57
3.7.2 變參數(shù)辨識的機器人精度補償方法試驗驗證 58
第4章 機器人非運動學(xué)標(biāo)定 66
4.1 引言 66
4.2 機器人定位誤差的空間相似性 66
4.2.1 機器人定位誤差空間相似性的定性分析 66
4.2.2 機器人定位誤差空間相似性的定量分析 68
4.2.3 數(shù)值仿真驗證與結(jié)果分析 69
4.3 基于誤差相似度的權(quán)重度量的機器人精度補償方法 73
4.3.1 反距離加權(quán)法 73
4.3.2 機器人空間網(wǎng)格化精度補償方法 75
4.3.3 數(shù)值仿真驗證與結(jié)果分析 76
4.4 基于空間相似性的機器人定位誤差線性無偏最優(yōu)估計 78
4.4.1 基于空間相似性的機器人定位誤差映射 78
4.4.2 機器人定位誤差線性無偏最優(yōu)估計 81
4.4.3 數(shù)值仿真驗證與結(jié)果分析 84
4.5 基于粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的機器人綜合精度補償方法 87
4.5.1 BP神經(jīng)網(wǎng)絡(luò) 87
4.5.2 粒子群優(yōu)化算法 94
4.5.3 基于粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的機器人精度補償方法 96
4.6 機器人定位誤差前饋補償方法 101
4.7 機器人非運動學(xué)標(biāo)定方法試驗驗證 103
4.7.1 機器人定位誤差相似性試驗驗證與分析 103
4.7.2 基于誤差相似度的權(quán)重度量的機器人精度補償方法試驗驗證 110
4.7.3 基于空間相似性的機器人定位誤差補償方法試驗驗證 115
4.7.4 基于粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的機器人綜合精度補償方法試驗驗證 118
第5章 機器人最優(yōu)采樣點 125
5.1 引言 125
5.2 基于能觀性指數(shù)的隨機采樣點選擇方法 125
5.2.1 機器人運動學(xué)參數(shù)的能觀性指數(shù) 126
5.2.2 采樣點選擇方法 128
5.3 空間網(wǎng)格化的均勻采樣點規(guī)劃方法 133
5.3.1 最優(yōu)網(wǎng)格步長 133
5.3.2 采樣點規(guī)劃方法 145
5.4 基于遺傳算法的最優(yōu)采樣點多目標(biāo)優(yōu)化 151
5.4.1 最優(yōu)采樣點數(shù)學(xué)模型 151
5.4.2 多目標(biāo)優(yōu)化問題與非劣解集 153
5.4.3 遺傳算法與NSGA-II 154
5.4.4 基于NSGA-II的機器人最優(yōu)采樣點多目標(biāo)優(yōu)化 161
5.4.5 試驗驗證與分析 164
第6章 機器人自動制孔系統(tǒng)應(yīng)用 175
6.1 引言 175
6.2 機器人自動制孔系統(tǒng) 175
6.2.1 硬件系統(tǒng) 176
6.2.2 軟件系統(tǒng) 178
6.2.3 系統(tǒng)工作流程 180
6.3 坐標(biāo)系建立與統(tǒng)一 180
6.3.1 世界坐標(biāo)系 181
6.3.2 機器人機座坐標(biāo)系 183
6.3.3 法蘭盤坐標(biāo)系 184
6.3.4 工具坐標(biāo)系 186
6.3.5 坐標(biāo)系的統(tǒng)一方法 187
6.4 自動制孔協(xié)調(diào)準(zhǔn)確度綜合補償方法 188
6.4.1 機器人自動制孔協(xié)調(diào)準(zhǔn)確度綜合補償方法 188
6.4.2 產(chǎn)品坐標(biāo)系的建立方法 190
6.4.3 機器人機座坐標(biāo)系換站方法 190
6.5 機器人自動制孔試驗驗證 192
6.6 本章小結(jié) 195
參考文獻(xiàn) 196