基于 PSO 优化神经网络和空间网格的机器人位姿标定方法

工业机器人绝对定位误差补偿方法摘要：随着我国经济在快速发展，社会在不断进步，现场环境下工业机器人连续作业运行容易导致定位漂移问题，利用外部高精度测量系统获取其末端执行器精确三维位置信息是机器人绝对定位误差的有效补偿方式。

针对误差补偿三维测量高效率、高精度、高适应性要求，提出了一种基于工作空间测量定位系统的工业机器人精度补偿方法。

利用测量定位系统的动态特性，设计了针对机器人工作轨迹空间的网格划分策略，根据定位误差实际分布情况调整网格边长，通过采集网格节点绝对定位误差矢量值，研究了反距离加权算法以完成轨迹关键节点定位误差矢量的插值计算，最终完成末端执行器绝对定位误差补偿。

试验结果表明，所研究方法实时性好、效率高，安装20kg负载补偿后机器人绝对定位误差平均值由1.36mm降为0.19mm，提升了约86%，能够显著改善工业机器人现场作业精度。

关键词：工业机器人；误差补偿；网格划分引言随着工业机器人智能控制技术的发展，需要构建工业机器人的输出稳定性控制模型，结合工业机器人的位姿补偿和误差定位的方法，进行工业机器人的控制稳定性设计，提高工业机器人的空间三维定位和控制能力，相关的工业机器人定位方法研究在工业机器人的输出定位控制中具有重要意义。

在进行工业机器人的定位控制中，需要结合工业机器人的定位参数分布，进行控制稳定性测试，结合三维空间定位的方法，提高工业机器人的输出稳定性和自适应性，研究工业机器人的空间定位误差补偿方法，在提高工业机器人的稳定性方面意义重大，相关的工业机器人定位误差补偿方法研究受到人们极大的重视。

1机器人介绍本文研究对象LR20型工业机器人为安徽零点精密机械有限公司自主研发并量产的通用工业机器人，重复定位精度达到士0.05mm,LR20型工业机器人本体自重仅230kg，结构紧凑能够满足轻量化要求，防护等级达到IP65。

该机器人采用管线内置技术，保证了不受外部恶劣环境的干扰，但对内部空间的布局和管线磨损等方面的要求较高;同时该机器人可以满足地面与悬吊两种安装方式。

基于PSO算法的神经网络参数优化研究随着人工智能和机器学习技术的发展，神经网络在解决各种实际问题中得到了广泛应用。

而神经网络的性能很大程度上依赖于其参数的设置，于是如何优化神经网络参数成为了研究的重点之一。

本文将探讨基于PSO算法的神经网络参数优化研究。

1. 神经网络简介神经网络是一种模拟人脑神经元信息交互的模型，它可以在不需要显式编程的情况下自动从数据中学习，并能够解决多种计算问题，如分类、回归、聚类等。

神经网络基本由输入层、隐层、输出层构成。

其中，输入层接收数据输入，隐层是神经网络的核心，它通过各种计算来提取输入数据的特征信息，输出层产生最终的分类结果或回归值。

神经网络的性能主要取决于其结构和参数的设置。

神经网络的结构包括输入层、隐层和输出层的节点数及节点之间的连接关系。

神经网络的参数包括权重和偏置项，这些参数需要根据实际问题进行优化，以达到最佳性能。

2. 神经网络参数优化的方法神经网络参数的优化方法有很多，常见的有梯度下降法、遗传算法、粒子群优化算法等。

梯度下降法是一种基于梯度信息的优化方法，它通过计算误差函数对权重进行更新。

但是由于误差函数可能存在多个局部最优解，因此梯度下降法有可能陷入局部最优。

遗传算法是一种基于生物进化原理的优化算法，它通过模拟生物进化过程来搜索最优解。

但是遗传算法的计算复杂度较高，不适合处理大规模数据。

粒子群优化算法（PSO）是一种基于群体智能的优化算法，它通过模拟鸟群捕食的过程来搜索最优解。

在PSO算法中，每个粒子代表一个解，并且具有位置和速度两个属性。

每个粒子根据自身的历史最优解和群体中的最优解来更新自己的位置和速度，直到达到最优解。

PSO算法具有计算速度快、易于实现等优点，被广泛应用于神经网络参数优化中。

3. 基于PSO算法的神经网络参数优化实验本文在UCI机器学习库中选取了三个数据集（Iris、Wine、Breast Cancer Wisconsin），分别应用BP神经网络和PSO-BP神经网络进行训练和测试，并比较两种算法的优化效果。

基于PSO算法的工业机器人轨迹优化研究在当今这个科技日新月异的时代，工业机器人的应用已经如同雨后春笋般迅速普及。

它们在制造业、物流、医疗等领域发挥着不可或缺的作用。

然而，随着任务的复杂性增加，如何提高这些机器人的工作效率和准确性成为了一个亟待解决的问题。

本文将探讨一种基于粒子群优化（PSO）算法的工业机器人轨迹优化方法，旨在为这一挑战提供新的解决方案。

首先，让我们来想象一下工业机器人在执行任务时的场景：它们的动作必须精确无误，就像一位经验丰富的舞者在舞台上翩翩起舞，每一个转身、每一次跳跃都必须恰到好处。

而PSO算法就像是这位舞者的编舞老师，通过不断的调整和优化动作序列，使得整个舞蹈更加流畅和高效。

PSO算法是一种模拟鸟群觅食行为的智能优化算法。

在这个比喻中，每一个“粒子”代表一只鸟，它们在空中飞翔寻找食物的过程中，会不断交换信息，最终找到最佳的食物源。

同样地，在工业机器人轨迹优化问题中，每一个“粒子”代表一条可能的运动轨迹，通过模拟鸟群的行为模式，算法能够在众多可能的轨迹中找到最优解。

这种算法的优势在于其强大的全局搜索能力和快速的收敛速度。

正如一支箭直指靶心，PSO算法能够迅速锁定目标并精准打击。

它不仅能够处理复杂的非线性问题，还能够适应动态变化的环境条件。

这对于工业机器人来说意义重大，因为它们常常需要在多变的生产环境中工作。

然而，任何技术都不是银弹。

PSO算法虽然强大，但也存在一些局限性。

例如，它可能会陷入局部最优解，就像一只飞蛾扑向火光，误以为那是通往自由的道路。

此外，参数设置对算法性能影响巨大，不当的参数配置可能导致优化效果大打折扣。

因此，我们在应用PSO算法进行工业机器人轨迹优化时，必须谨慎行事。

我们需要深入研究算法的内在机制，精心设计实验验证其有效性，并根据实际情况调整参数以达到最佳效果。

同时，我们也应该探索与其他算法的结合使用，如遗传算法、蚁群算法等，以期获得更加全面和鲁棒的解决方案。

基于PSO-BP神经网络的人体穴位定位系统设计
杨向萍;吴玉丹
【期刊名称】《电子技术应用》
【年(卷),期】2018(044)009
【摘要】穴位的位置是否找准会直接影响治疗效果,因此设计了一种基于粒子群算法优化神经网络(PSO-BP)的穴位相对坐标预测模型,然后与ARM结合构成一个可以用于人体穴位定位的系统.首先采用PC进行MATLAB仿真训练学习,然后将最优权值及阈值保存下来并简化算法嵌入ARM内,将在线预测转变为离线过程.实验结果表明:经粒子群优化过的BP神经网络有效地改善了局部极值缺陷,可应用于定位端预测穴位的位置,并在LCD中显示穴位相关信息,控制端收到位置数据后可执行电机上的运动操作.
【总页数】4页(P75-78)
【作者】杨向萍;吴玉丹
【作者单位】东华大学机械工程学院,上海201600;东华大学机械工程学院,上海201600
【正文语种】中文
【中图分类】TN4
【相关文献】
1.基于图形处理的人体内异物定位测量系统设计 [J], 康秀娟;施展
2.基于PSO-BP神经网络的无线传感器网络定位算法 [J], 闫驰
3.基于PSO-BP神经网络的煤矿井下自适应定位算法 [J], 崔丽珍;许凡非;王巧利;高丽丽
4.基于梯度下降和滑动窗口混合算法的人体穴位定位研究 [J], 付阳阳; 高志宇
5.基于视觉定位的按摩机器人穴位跟踪系统设计与研究 [J], 党丽峰;罗天瑞;施琴因版权原因，仅展示原文概要，查看原文内容请购买。

工业机器人几何参数标定综述温秀兰;芮平;张颖;崔俊宇;张腾飞【摘要】工业机器人几何参数误差是影响机器人作业精度的主要误差源,对其精确标定能够在不改变硬件设备前提下提高机器人绝对定位精度.在深入分析国内外有关几何参数标定方法基础上,根据测量方法的不同将机器人几何参数标定总结为外部测量标定法和自标定法两种.对外部测量标定法从建模、测量、参数辨识和误差补偿方面进行总结;对自标定法从基于空间约束和冗余传感器两个方面展开阐述.分析现有机器人几何参数标定方法存在的不足,提出面向新一代几何产品技术规范(GPS)的机器人几何参数标定发展方向.【期刊名称】《南京工程学院学报（自然科学版）》【年(卷),期】2017(015)004【总页数】7页(P1-7)【关键词】计量学;工业机器人;几何参数误差;标定;绝对定位精度【作者】温秀兰;芮平;张颖;崔俊宇;张腾飞【作者单位】南京工程学院自动化学院,江苏南京211167;南京工程学院自动化学院,江苏南京211167;南京工程学院自动化学院,江苏南京211167;南京工程学院自动化学院,江苏南京211167;南京工程学院自动化学院,江苏南京211167【正文语种】中文【中图分类】TP394.1;TH691.9工业机器人定位性能的衡量指标主要是重复定位精度和绝对定位精度[1]．目前工业机器人的重复定位精度可达到0.1 mm左右,而绝对定位精度都比较低,仅为2～3 mm,通过机器人标定能够较好地提高绝对定位精度[2]．机器人标定分为关节级标定、运动学(即几何参数)标定与非运动学标定[3]．研究发现,机器人的几何参数误差是影响机器人作业精度的主要误差源,约占总误差的90 %[4]．为此多年来一直有学者致力于机器人几何参数标定方法研究[3,5]．根据几何参数标定特点,Roth将标定过程分为建模、测量、参数辨识及误差补偿4个步骤,并提出建立完善的几何学误差模型需要具备三个条件:模型的完整性、参数极小性和模型连续性．在测量过程中,根据实际情况,通常有依赖外部测量设备和自身传感器两种不同的选择,对应的有外部测量标定法和自标定法．本文就国内外工业机器人几何参数标定方法进行分析与总结,指出现有标定方法存在的问题,提出面向新一代几何产品技术规范(GPS)的机器人几何参数标定的发展方向,旨在对机器人作业精度的提高有指导作用．1 外部测量标定法1.1 建模工业机器人常用的运动学模型是由文献[6]提出的DH模型,该模型通过齐次变换矩阵来描述相邻连杆之间的空间关系．但是,当机器人相邻关节旋转轴线平行或者接近平行时出现奇异点,无法满足模型连续性的要求,直接影响标定结果的准确性．为了解决该问题,学者们提出了众多修正模型:文献[4]、[7]针对转动关节,在传统的DH模型基础上提出了一种4参数的MDH模型，通过增加1个旋转参数,弥补了DH模型的缺陷，但当相邻两轴垂直或接近垂直时,该模型也具有奇异性；文献[8]在DH模型基础上提出了S模型,使用6个参数描述运动模型，与DH模型相比,该模型坐标原点位置更加自由；文献[9]提出另一种修正的DH模型,通过6个虚拟关节来描述任一关节,使得两个平行关节的轴线即使有微小偏离也可以通过模型参数的微小变化来建模表示；文献[10]提出CPC (Complete and Parametrically Continuous Kinematic Model)模型,方法具有完整性和连续性特征,但因引入了冗余参数因子,不满足参数极小性；文献[11]提出的形状矩阵模型允许连杆坐标系在杆件上任意放置,且该方法的连杆参数具有完整性、比例性的特征,便于应用到工业机器人上；零参照位置模型[12]不再把公共法线方向作为连杆参数,摆脱了在建模过程中构造内部连杆坐标系的限制,避免了模型的奇异性；针对繁琐的建模过程,在零参考位置模型基础上,文献[13]提出了POE公式法,该方法只需要基本坐标系和工具坐标系来描述运动学模型,可以大大简化建模过程,具有普遍适用性；文献[14]针对六自由度串联机器人将DH模型参数转化为最小完整连续运动学(CMMK)模型参数,以解决DH参数模型奇异和冗余带来的非线性优化不易收敛问题；文献[15]以SR165型六自由度工业机器人为研究对象,建立了DH模型和MDH模型相结合的机器人运动学模型,验证了运动学标定试验的实用性．1.2 测量测量设备的选择对标定结果有着很大的影响．通常采用的测量系统主要有三坐标测量机、视觉系统和激光跟踪仪．1) 三坐标测量机[16]是一种以精密机械为基础的高效率高精度测量设备,可用于机器人位姿测量,缺点为占用空间大、花费成本高．文献[17]采用三坐标测量机对Hexapod机器人进行标定试验后,机器人位姿坐标的最大位置误差由0.267 6 mm 降为0.010 5 mm;最大转角误差由0.006 8 rad降为0.001 1 rad．2) 视觉系统通过摄像机的成像原理,得到目标与环境的变化关系,从而达到测量的效果．视觉系统可以根据摄像机的数目,分为单目视觉和多目视觉系统,也可以按摄像机的固定位置,分为手眼视觉系统和头眼视觉系统．其中手眼视觉系统是摄像机固定在工业机器人的末端,随机器人的运动而运动,头眼视觉系统则是摄像机固定在工作环境内的某个固定位置,不因工业机器人的运动而发生位置改变．文献[18]提出一种将 Harris算法与梯度阈值算法相结合的新方法,并验证了这种算法能够很好地适应光线差的环境．3) 激光跟踪仪是一种先进的三维坐标测量仪器,近年来在机器人运动学参数标定中得到广泛采用．文献[19]采用激光跟踪仪对工业机器人进行测量,完成了机器人运动学参数标定；文献[20]针对ABB IRB2400 型工业机器人提出了一种多级标定法,利用激光跟踪仪检测将定位误差最大值从1.583 mm减小到0.172 mm,平均值从0.420 mm减小到0.066 mm,有效提高了绝对精度；文献[21]采用激光跟踪仪测量得到机器人运动学参数,验证了单轴运动空间曲线拟合方法可以有效估计整个机器人工作空间内的运动误差不确定度分布；文献[22]提出了一种变参数误差模型,利用激光跟踪仪在KUKA工业机器人上进行运动学标定、验证补偿效果,提高了机器人的绝对定位精度；文献[23]针对一种3P3R型串联机器人,使用激光跟踪仪分别测量空载和加载情况下的定位误差,完成了机器人运动学参数标定试验．1.3 参数辨识参数辨识的本质是非线性函数寻求最优解的过程,常用的辨识算法主要有最小二乘法、LM(Levenberg-Marquardt)法、扩展卡尔曼滤波法、极大似然法等．1) 最小二乘法[24]不用考虑系统的测量噪声,且易于编程实现,所以比较常用．文献[25]采用迭代的最小二乘法辨识模型参数,使得机器人定位误差减少了93.1 %；文献[26]提出基于最小二乘法的运动学标定模型及生成方法,使得机器人平均定位精度提高了近4倍．但若各运动学误差的数量级不同会影响其标定效果．2) LM法[27]同时具有梯度法和牛顿法的优点,使其局部收敛性变强、算法收敛速度快、稳定性高．密歇根州立大学的席宁[28]研究团队通过LM算法识别关节偏移,对机器人的关节偏移实现标定；文献[29]通过LM优化方法得到机器人的实际D-H参数,将定位误差平均值从0.903 1 mm降低到0.481 8 mm．3) 扩展卡尔曼滤波法[30]是以最小均方差为估计的最佳准则,运用时变系统可以获得精确的实时参数,具有计算简单、快速、所需存储量少的优点．文献[31]在对SCARA机器人进行运动学参数辨识的过程中分别采用了非线性优化方法、递归线性方程法和扩展卡尔曼滤波法等,并取得了良好的结果；文献[32]提出一种基于无迹卡尔曼滤波(UKF)的机器人在线手眼标定算法,试验结果验证了该算法在小高斯噪声、较大高斯噪声以及非等方向性高斯噪声模型下,与最小二乘法相比具有更高的精度．4) 极大似然法可应用于系统参数辨识,并且适用范围非常广泛．文献[33]采用极大似然估计算法辨识了机器人的运动学参数；文献[34]针对Motoman P-8机器人,分别利用圆周点法、模拟退火法、蒙特卡罗法对其进行了参数辨识;文献[35]基于可观测矩阵与雅克比的条件数确定了机器人标定的最佳形位．1.4 补偿误差补偿对机器人标定结果的影响较大,现阶段,在运动学误差补偿方面,国内外采取的方法主要有关节量误差补偿法、微分误差补偿法、基于神经网络和基于插补思想的误差补偿法[36]．1) 关节量误差补偿法通过对标定之后得到的新运动学模型进行运动学参数正解,得到末端位置,使得理论位置与实际位置更接近．文献[37]设计开发一款用于精密装配的小型并联机器人,并通过关节量误差补偿的方法对其标定,提高精度．2) 微分误差补偿法基于微分变换建立误差模型,辨识出机器人真实的运动学参数,并将其补偿到末端执行器中,使末端执行器的偏移量能够弥补末端位置误差,从而减小了末端位置误差．文献[38]利用微分变换的方法建立误差模型,使绝对定位误差降低了69.6 %．3) 神经网络补偿法利用神经网络的自学习和自适应能力比较强的优点,通过前期大量釆集末端位置点,经神经网络训练,得到末端位置点的误差规律,以提高机器人的定位精度．文献[39]利用BP神经网络系统完成机器人的实时补偿,使机器人平均位置误差降低了93.03 %,平均姿态误差降低了79.06 %．4) 插值补偿法通过空间插值来预测出机器人在目标期望点处的定位误差,然后将它逆补偿到理论坐标上，从而来提高机器人的绝对定位精度．文献[40]提出一种模糊插值标定方法,不仅简化了标定过程,而且符合并联机器人工作空间较小的特点；文献[41]提出的基于空间插值精度补偿方法,将KUKA KR150机器人绝对定位误差的最大值降低为0.386 mm,平均值降低为0.156 mm．表1列出了几种不同标定方法对机器人定位误差的减小量．5) 插补补偿法将机器人的工作空间进行网格划分,根据机器人末端执行器在网格内的不同运动位置,采取不同的插补方式来补偿末端执行器位置误差．文献[42]提出一种将机器人的位置和姿态拆分开标定的方法,采用空间网格配合粒子群算法优化神经网络,使得机器人的定位、定姿精度都有很大的提高．表1 不同标定方法对机器人定位误差减小量标定方法最大绝对定位误差减小量/mm平均绝对定位误差减小量/mm平均位置误差减小百分值/%平均姿态误差减小百分值/%多级标定[20]1.4110.354LM优化[29]0.4213神经网络[39]93.0379.06空间插值精度[41]0.3860.156基于距离约束和球约束优化模型[43]1.1940.6122 自标定法在强辐射和真空等恶劣环境中,基于外部测量设备的传统标定方法无法达到预期效果,同时,测量设备的复杂性又要求操作人员具有很高的专业素养，这些局限性在一定程度上提高了标定成本．因此,人们开始期望一种新的方法,可以在没有任何外部测量设备的情况下测量位姿数据,同时得到的数据又拥有很高的可靠性．为解决上述问题,有学者提出了只依赖机器人内部传感器来确定模型运动学参数,不使用任何外部测量设备对机器人末端位姿进行测量的方法,即自标定法．该方法有基于空间约束的自标定和基于冗余传感器的自标定两种．2.1 基于空间约束的自标定通过驱动末端到达一组满足某种几何约束的空间位置点,再利用被测点之间的位置约束关系按照误差模型建立方程组实现自标定,通常此方法不需要进行机器人基础坐标系和测量坐标系之间的转换[44]．自标定对测量工具要求不苛刻、测量过程简单、数据获取便捷可靠．文献[43]提出基于距离约束和球约束工作原理的优化模型,使得机器人的定位误差最大值从1.321 mm减小到0.127 mm,平均值从0.698 mm减小到0.086 mm；文献[45]针对方程组系数矩阵退化的问题,提出了一种简易的十字杆件标定法．2.2 基于冗余传感器的自标定基于冗余传感器的自标定即依赖于自身传感器的标定方法,主要有摄像机自标定和其他传感器自标定．1) 摄像机自标定是指不依赖于标定参照物,仅利用摄像机在运动过程中周围环境图像与图像之间的对应关系来对摄像机进行标定的方法,包括摄像机几何和光学特性的内参数标定以及摄像机相对于世界坐标系的位姿的外参数标定．文献[46]提出一种改进的柔性视觉测量系统标定方法,提高了手眼关系的精度,使机器人柔性视觉测量系统的距离测量标准差由0.566 mm降低到0.173 mm;文献[47]设计并实现了一种在线自动化的手眼标定系统,保证了在线计算的实时性,且整个标定过程仅耗时15 min;文献[48]引入手眼关系矩阵的解耦运算,分别标定手眼旋转矩阵和平移向量,修正了手眼标定过程要求机器人运动次数过多的缺点．2) 其他传感器自标定除了通过摄像机作为视觉传感器来完成标定工作外,还可以通过机器人的其他内部传感器来完成自标定．文献[49]利用声纳传感器的数据,采用极大似然估计法对机器人的运动学参数进行了自标定,能快速在线修改运动学参数．针对自标定法难以获得机器人末端位置完整误差信息的缺点,文献[50]在采用内部传感器进行测量的基础上使用外部设备对末端位置信息进行检测．3 结语迄今为止,学者们在几何参数标定领域已经取得了许多研究成果,一些方法已经在实际中得到应用．但是,随着高端制造业对工业机器人绝对定位精度要求的不断提高,现有几何参数标定方法仍然存在不足．例如几何参数中常常忽略了关节角误差,事实上由于关节角引起的误差对机器人精度同样有很大的影响,因此如何将关节角引入几何参数标定中,还需要进一步研究．另外,在标定过程中,连杆受重力影响,在不同角度下的形变不同,由此产生的误差导致标定结果具有随机性．因此如何采取有效措施消除重力和重力转矩的影响是今后需要进一步研究解决的难题．目前我国对工业机器人定位性能评价仍然是按照ISO9283标准得到的单向重复定位精度,缺乏规范的检测认证平台,导致国内品牌机器人的质量参差不齐,严重制约我国机器人产业的健康发展．新一代几何产品技术规范(GPS)将产品的功能、规范与测量认证集成一体,要求在对零件几何参数检测时,不仅要给出测量结果,而且要给出测量结果的不确定度,并对评定结果进行一致性比较．而上述关于工业机器人的几何参数标定研究多数集中在对经典参数辨识、误差补偿方法的改进,试验验证多是仿真研究,虽然仿真效果良好,但是算法很难在实际机器人上得到验证及充分应用．其原因是由于涉及商业秘密,所购买的机器人控制器都是封闭式的,控制算法及底层参数固定在EPROM中,研究者很难直接修改其实际参数验证所提出理论方法的正确性．因此迫切需要在自主研发机器人时，开展符合新一代GPS要求的几何参数标定方法及其不确定度评定研究,开展几何参数标定理论与方法的应用验证技术理论研究,探索建立适合工业机器人几何参数标定的检测认证方法和标准体系,这也是本课题组今后重点开展的研究．参考文献:【相关文献】[1] GREENWAY B. Robot accuracy[J]. Industrial Robot, 2000, 27(4):257-265.[2] 李定坤, 叶声华,任永杰,等.机器人定位精度标定技术的研究.计量学报,2007,28(3):224-227.[3] ROTH Z S, MOORING B W, RAVANI B. An overview of robot calibration[J]. IEEE Journal on Robotics & Automation, 1987, 3(5):377-385.[4] JUDD R P, KNASINSKI A B. A technique to calibrate industrial robots with experimental verification[J]. IEEE Transactions on Robotics & Automation, 1990, 6(1):20-30.[5] 王东署,迟健男,机器人运动学标定综述[J]. 计算机应用研究,2007,24(9):9-11[6] DENAVIT J, HARTENBERG R S. A kinematic notation for lower-pair mechanisms based on matrices[J]. Trans.of the Asme.Journal of Applied Mechanics, 1955, 22:215-221.[7] HAYATI S A. Robot arm geometric link parameter estimation[C]//IEEE Conference on Decision and Control, 1983:1477-1483.[8] STONE H W, SANDERSON A C. Statistical performance evaluation of the S-model arm signature identification technique[C]//IEEE International Conference on Robotics and Automation, 1988(2):939-946.[9] DRIELS M R, PATHRE U S. Robot manipulator kinematic compensation using a generalized jacobian formulation[J]. Journal of Robotic Systems, 1987, 4(2):259-280. [10] ZHUANG H, ROTH Z S, HAMANO F. A complete and parametrically continuous kinematic model for robot manipulators[J]. IEEE Transactions on Robotics & Automation, 1992, 8(4):451-463.[11] SHETH P N, UICKER J J. IMP (Integrated Mechanisms Program), a computer aided design analysis system for mechanisms and linkages [J]. ASME Journal of Engineering for Industry, 1992, 94: 454-464[12] KAZEROUNIAN K, QIAN G Z. Kinematic calibration of robotic manipulators[J]. Journal of Mechanical Design, 1989, 111(4):482-487.[13] PARK K O F C. Kinematic calibration using the product of exponentials formula[J]. Robotica, 1996, 14(4):415-421.[14] 张旭, 郑泽龙, 齐勇. 六自由度串联机器人D-H模型参数辨识及标定[J]. 机器人, 2016,38(3):360-370.[15] 杨小磊, 丛明, 刘冬,等. 六自由度工业机器人运动学标定方法[J]. 华中科技大学学报(自然科学版), 2015(S1):41-44.[16] DRIELS M R, SWAYZE L W, POTTER L S. Full-pose calibration of a robot manipulator using a coordinate-measuring machine[J]. The International Journal of Advanced Manufacturing Technology, 1993, 8(1):34-41.[17] 张国庆, 杜建军. 精密小型Hexapod并联机器人标定试验及精度分析[J]. 纳米技术与精密工程, 2013, 11(1):34-40.[18] 孙凤连, 李扬. 工业机器人视觉系统中双目摄像头标定算法研究[J]. 计算机与数字工程, 2015, 43(4):562-565.[19] VINCZE M, PRENNINGER J P, GGANDER H. A laser tracking system to measure position and orientation of robot end effectors under motion[J]. International Journal of Robotics Research, 1994, 13(4):305-314.[20] GUO Y, YIN S, REN Y, et al. A multilevel calibration technique for an industrial robot with parallelogram mechanism[J]. Precision Engineering, 2015, 40:261-272.[21] 李睿, 曲兴华. 工业机器人运动学参数标定误差不确定度研究[J]. 仪器仪表学报, 2014,35(10):2192-2199.[22] 洪鹏, 田威, 梅东棋,等. 空间网格化的机器人变参数精度补偿技术[J]. 机器人, 2015, 37 (3):327-335.[23] 刘志, 赵正大, 谢颖,等. 考虑结构变形的机器人运动学标定及补偿[J]. 机器人, 2015, 37(3):376-384.[24] NUBIOLA A, BONEV I A. Absolute calibration of an ABB IRB 1600 robot using a laser tracker[J]. Robotics and Computer-Integrated Manufacturing, 2013, 29(1):236-245. [25] 张铁, 戴孝亮, 杜亮. 基于距离测量的机器人误差标定及参数选定[J]. 北京航空航天大学学报, 2014, 40(5):585-590.[26] 高文斌, 王洪光, 姜勇,等. 一种模块化机器人的标定方法研究[J]. 机械工程学报, 2014,50(3):33-40.[27] LIGHTCAP C, HAMMNER S, SCHMITZ T, et al. Improved positioning accuracy of the PA10-6CE robot with geometric and flexibility calibration[J]. IEEE Transactions on Robotics, 2008, 24(2):452-456.[28] GAO B, LIU Y, XI N, et al. Developing an efficient calibration system for joint offset of industrial robots[J]. Journal of Applied Mathematics, 2014(8):1-9.[29] 吴德烽, 李爱国, 马孜,等. 三维表面扫描机器人系统本体标定新方法[J]. 机械工程学报, 2011, 47(17):9-14.[30] MARTINELLI A, TOMATIS N, TAPUS A, et al. Simultaneous localization and odometry calibration for mobile robot[C]//LEEE/RSJ International Conference on Intelligent Robots and Systems, 2006,22(1):1499-1504.[31] OMODEI A, LEGNANI G, ADAMINI R. Three methodologies for the calibration of industrial manipulators: Experimental results on a SCARA robot[J]. Journal of Robotic Systems, 2000, 17(6):291-307.[32] 王君臣, 王田苗, 杨艳,等. 基于无迹卡尔曼滤波的机器人手眼标定[J]. 机器人, 2011, 33(5):621-627.[33] RENDERS J M, ROSSIGNOL E, BECQUET M, et al. Kinematic calibration and geometrical parameter identification for robots[J]. IEEE Transactions on Robotics & Automation, 1991, 7(6):721-732.[34] ROBERT J H. A comparison of identification techniques for robot calibration[D]. Cleveland： Case Western Reserve University, 2008.[35] DANEY D. Optimal measurement configurations for Gough platformcalibration[C]//IEEE International Conference on Robotics and Automation, 2002(1):147-152.[36] NGUUEN H N, ZHOU J, KANG H J. A calibration method for enhancing robot accuracy through integration of an extended Kalman filter algorithm and an artificial neural network[J]. Neurocomputing, 2015, 151:996-1005.[37] 张国庆, 杜建军. 精密装配用并联机器人标定及机构误差分析[J]. 哈尔滨工业大学学报, 2013, 45(2):47-52.[38] 王殿君, 王超星, 陈亚,等. 模块化六自由度机器人运动学标定与试验研究[J]. 高技术通讯, 2016, 26(6):577-584.[39] 王战中, 王文龙, 靳超松,等. 机器人神经网络逆标定法研究与仿真[J]. 制造业自动化,2015(6):12-15.[40] BAI Y, ZHUANG H, WANG D. Apply fuzzy interpolation method to calibrate parallel machine tools[J]. The International Journal of Advanced Manufacturing Technology, 2012, 60(5):1178-1183.[41] 周炜, 廖文和, 田威. 基于空间插值的工业机器人精度补偿方法理论与试验[J]. 机械工程学报, 2013, 49(3):42-48.[42] 王一, 宋志伟, 王祎泽,等. 基于PSO优化神经网络和空间网格的机器人位姿标定方法[J]. 中国测试, 2016, 42(8):98-102.[43] JOUBAIR A, BONEV I A. Kinematic calibration of a six-axis serial robot using distance and sphere constraints[J]. The International Journal of Advanced Manufacturing Technology, 2015, 77(1):515-523.[44] GANG C, TONG L, MING C, et al. Review on kinematics calibration technology of serial robots[J]. International Journal of Precision Engineering and Manufacturing, 2014, 15(8):1759-1774.[45] 熊杰, 杨东升, 王允森,等. 基于位置约束的工业机器人运动学标定[J]. 组合机床与自动化加工技术, 2016(2):60-64.[46] 杨守瑞, 尹仕斌, 任永杰, 等. 机器人柔性视觉测量系统标定方法的改进[J]. 光学精密工程, 2014, 22(12):3239-3246.[47] CHENG Y. An autonomous hand-eye calibration method[C]// International Conference on Climbing and Walking Robots and the Support Technologies for Mobile Machines， Clawar, 2015:545-554.[48] 洪磊, 嵇保健, 王玉国,等. 改进的单特征点机器人手眼自标定方法[J]. 北京邮电大学学报, 2016, 39(1):96-101.[49] ROY N, THRUN S. Online self-calibration for mobile robots[C]//IEEE InternationalConference on Robotics and Automation, 1999(3):2292-2297.[50] DANEY D, EMIRIS I Z. Robust parallel robot calibration with partial information[C]//IEEE International Conference on Robotics and Automation, 2001(4):3262-3267.。

专利名称：一种基于神经网络的物体位姿识别方法专利类型：发明专利
发明人：谷依田,莫凌飞
申请号：CN202010847309.X
申请日：20200821
公开号：CN112085804A
公开日：
20201215
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于神经网络的物体位姿识别方法，该方法包括步骤：用户预先根据物体放置在方桌或者圆桌上，在初始化界面上进行动态/静态识别模式的选择；摄像机拍摄图片并绘制出桌面坐标系；得到相对于空间坐标系的变换矩阵；然后运行YOLO6D神经网络，识别到桌面上放置的物品，并得到物品的边框，进而求出静态识别模式的角度或动态识别模式下与圆桌中心的距离，再实现识别结果的可视化，然后将物品坐标数据缓存，求出缓存的各个坐标的加权平均值，作为最终的识别结果，并将数据缓存；将缓存的数据写入文本文件中，保存结果，结束识别。

该方法能够通过单张照片识别出桌面上的物品并估计物品的位置和朝向。

申请人：东南大学
地址：210096 江苏省南京市玄武区四牌楼2号
国籍：CN
代理机构：南京众联专利代理有限公司
代理人：许小莉
更多信息请下载全文后查看。

基于PSO算法的神经网络优化设计李燕;徐冠【摘要】近年来,一种新的基于种群优化的算法--粒子种群优化(PSO)算法,正受到人们的普遍关注.文章简单介绍了基于粒子群优化算法(PSO)的神经网络优化算法,并给出了完整的源程序.【期刊名称】《桂林航天工业学院学报》【年(卷),期】2009(014)004【总页数】3页(P439-441)【关键词】粒子群优化算法;进化计算;神经网络【作者】李燕;徐冠【作者单位】桂林航天工业高等专科学校,教务处,广西,桂林,541004;桂林航天工业高等专科学校,机械工程系,广西,桂林,541004【正文语种】中文【中图分类】TP183粒子群优化算法(PSO)是一种进化计算技术(evolutionary computation),它同遗传算法类似,是一种基于迭代的优化工具。

PSO初始化为一群随机粒子(随机解)。

然后通过迭代找到最优解。

在每一次迭代中,粒子通过跟踪两个“极值”来更新自己。

第一个就是粒子本身所找到的最优解。

这个解叫做个体极值p Best.另一个极值是整个种群目前找到的最优解。

这个极值是全局极值gBest。

在找到这两个最优值时,粒子更新自己的速度和新的位置。

同遗传算法相比较,PSO算法没有交叉和变异,而是根据自己的速度来决定搜索,粒子还有一个重要的特点,就是有记忆。

PSO的信息共享机制与遗传算法也是不同的。

在遗传算法中,染色体(chromosomes)互相共享信息,所以整个种群的移动是比较均匀的向最优区域移动。

在PSO中,只有gBest(or pBest)给出信息给其他的粒子,这是单向的信息流动。

整个搜索更新过程是跟随当前最优解的过程。

与遗传算法比较,在大多数的情况下,所有的粒子可能更快的收敛于最优解。

在该设计中使用PSO算法对一个具有三层结构的简单神经网络的权值和阈值进行优化,神经网络的结构如下图所示,进而实现了对异或问题的自动识别。

(1)编码方式。

程序中,粒子就表示神经网络的一组权重(和阈值),根据上图所示的神经网络的结构,应该是2* 2+2*1=6个权值,还有3个阈值,共有9个参数,因此每个粒子的维数设为9,权重的范围设定为[-1,1],神经网络的权值和阈值都用实数进行编码。

基于PSO-BP神经网络的分拣机器人视觉反馈跟踪杨静宜;白向伟【期刊名称】《国外电子测量技术》【年(卷),期】2024(43)1【摘要】针对分拣机器人视觉反馈跟踪精度差、耗时较长的问题,研究基于粒子群算法-反向传播(particle swarm optimization-back propagation,PSO-BP)神经网络的分拣机器人视觉反馈跟踪方法,以提升视觉反馈跟踪效果。

依据分拣机器人的视觉反馈信息,建立分拣机器人运动学模型,并求解分拣机器人机械臂输出位置和输入位置的误差函数;利用PSO算法优化BP神经网络的权值与偏置;在权值与偏置优化后的BP神经网络内,输入误差函数,预测分拣机器人视觉反馈跟踪控制量;利用预测视觉反馈跟踪控制量,在线调整增量式比例-积分-微分(proportional-integral-derivative,PID)的参数,输出高精度的分拣机器人视觉反馈跟踪控制量,实现分拣机器人视觉反馈跟踪。

实验结果表明,该方法可有效视觉反馈跟踪分拣机器人机械臂的关节角;存在干扰情况下,在运行时间为10 s左右时,阶跃响应趋于稳定;有干扰情况下,视觉反馈跟踪的平均误差为0.09 cm,耗时平均值为0.10 ms;无干扰情况下,平均误差为0.03 cm,耗时平均值为0.04 ms。

【总页数】7页(P166-172)【作者】杨静宜;白向伟【作者单位】河北工程技术学院人工智能与大数据学院;河北工程技术学院教学科研部【正文语种】中文【中图分类】TP273【相关文献】1.基于模糊控制的移动机器人视觉反馈跟踪2.神经网络PID控制的机器人视觉反馈跟踪3.基于BP神经网络的包装分拣机器人视觉标定算法4.基于改进BP神经网络的食品分拣机器人视觉伺服控制方法5.盐酸氨溴索联合莫西沙星治疗慢性支气管炎的疗效研究因版权原因，仅展示原文概要，查看原文内容请购买。