专利交易市场

本发明涉及机械臂标定领域，公开了一种柔性超冗余机械臂标定方法、系统、存储介质及计算设备，其包括：建立冗余机械臂的名义正运动学模型，确定雅可比矩阵；获取所有关节所受重力矩阵，并在重力矩的基础上得到关节产生的额外的关节转角及弹性系数；通过位姿传感器及已知的机械臂名义MDH参数和冗余机械臂名义正运动学模型，得到关节在测量构型处的位姿误差向量；将所有关节的弹性系数与所有关节的MDH参数误差归并至一个向量Δu，建立Δu到Ej的映射关系，求解得到的Δu定义为首次辨识结果，进行迭代渐近辨识，得到最终的MDH参数和关节弹性系数的辨识结果，以对MDH参数误差和关节弹性系数进行分步分类补偿，得到所有关节最终补偿后的转角指令。

本发明公开了一种基于分布式位姿采集和模型降维的机械臂标定方法及装置，该方法通过位姿传感器获得不同测量构型下各关节的实际位姿数据，并与对应关节的名义位姿数据对比分析，获取对应关节的位姿误差，同时利用前段关节的DH参数误差向量求解后段关节的位姿误差，进而剔除前段关节对末端关节位姿误差的影响，最后基于标定模型分别获得对应DH参数误差向量，并通过修正关节指令的方式间接补偿DH参数误差，该方法将拥挤在传统单一标定模型中的DH参数误差疏散至多个子标定模型，显著改善了模型性态水平，实现了DH参数误差辨识精度的进一步提升，提高了标定精度，同时保证了误差辨识结果的完整性。

本发明提供了一种基于多目标视觉测量和机器学习的机械臂无模型实时标定方法及装置。该方法包括：在指定点邻域生成若干训练点；采集每个训练点对应的各关节靶标位姿，由机械臂正运动学计算得到靶标位姿对应的机械臂关节位姿；利用靶标位姿及关节位姿训练一系列DNN；利用DNN得到各关节实际位姿；判断各关节位姿误差是否超出了阈值；若超出了阈值，得到齐次变换矩阵，从中提取实际和名义DH参数集合，得到各关节DH参数误差；补偿DH参数误差。本发明提供的基于多目标视觉测量和机器学习的机械臂无模型实时标定方法及装置实现了标定精度和效率的统一。

本发明提供了一种基于双目视觉和深度学习的机械臂不停工实时标定方法及装置。该方法包括：生成测量构建库；从中选择m2组运行指令；从m2组运行指令中选择出测量构型；搭建位姿采样系统；围绕测量构型生成神经网络的训练点；获取靶标位姿，同时计算机械臂末端位姿；训练深度神经网络；补偿DH参数误差；选择监测点；利用深度神经网络得到末端实际位姿；判断末端位姿误差是否超出了阈值；若超出了阈值，求解新产生的DH参数误差；补偿新产生的DH参数误差。本方法使机械臂定位误差实时监测和实时标定成为可能，无需机械臂停工，实现了作业精度和效率的统一。