(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210434481.1 (22)申请日 2022.04.24 (65)同一申请的已公布的文献号 申请公布号 CN 114523478 A (43)申请公布日 2022.05.24 (73)专利权人 季华实验室 地址 528200 广东省佛山市南海区桂城街 道环岛南路28号 (72)发明人 康信勇　范朝龙　袁悦　范黎　 (74)专利代理 机构 佛山市海融科创知识产权代 理事务所(普通 合伙) 44377 专利代理师 许家裕 (51)Int.Cl. B25J 9/16(2006.01)(56)对比文件 CN 106914897 A,2017.07.04 CN 111203890 A,2020.0 5.29 CN 114282773 A,202 2.04.05 CN 114248270 A,202 2.03.29 CN 10808126 6 A,2018.0 5.29 CN 112536797 A,2021.0 3.23 US 20212 91310 A1,2021.09.23 JP H0929673 A,19 97.02.04 CN 111278613 A,2020.0 6.12 KR 20050018545 A,20 05.02.23 US 20190 01489 A1,2019.01.0 3 审查员 李祥亮 (54)发明名称 机械臂结构参数的补偿模型获取方法和补 偿方法 (57)摘要 本申请属于机械臂控制技术领域， 公开了一 种机械臂结构参数的补偿模型获取方法和补偿 方法， 通过 获取机械臂末端在 多个目标点处的目 标位姿和实测位姿； 根据这些目标位姿和实测位 姿， 计算得到多个第一位姿误差数据； 创建BP神 经网络模型； BP神经网络模型以机械臂末端的第 一位姿误差数据为输入， 以机械臂的结构参数误 差为输出数据， 并以根据输出数据进行补偿后的 理论位姿与对应的实测位姿之间的等效误差为 指标； 利用第一位姿误差数据对BP神经网络模型 进行训练， 直到指标满足要 求； 从而， 可得到 可靠 的结构参数补偿模型， 使用该结构参数补偿模型 可得到可靠的结构参数误差， 能够有效地对机械 臂自身结构参数进行误差补偿， 提高机械臂末端 定位精度。 权利要求书3页 说明书9页 附图2页 CN 114523478 B 2022.06.28 CN 114523478 B 1.一种机械臂结构参数的补偿模型获取方法， 用于获取机械臂的结构参数补偿模型， 其特征在于， 包括 步骤： A1.获取机 械臂末端在多个目标点处的目标位姿和实测位姿； A2.根据所述多个目标点的目标位姿和实测位姿， 计算得到多个第一 位姿误差数据； A3.创建BP神经网络模型； 所述BP神经网络模型以所述机械臂末端 的第一位姿误差数 据为输入， 以所述机械臂的结构参数误差为输出数据， 并以根据所述输出数据进行补偿后 的理论位姿与对应的实测位姿之间的等效误差为指标； A4.利用所述第一位姿误差数据对所述BP神经网络模型进行训练， 直到所述指标满足 要求。 2.根据权利要求1所述的机械臂结构参数的补偿模型获取方法， 其特征在于， 所述第 一 位姿误差数据包括三个坐标误差数据和三个姿态角度误差数据； 所述结构参数误差包括所 述机械臂的各 连杆的长度误差和各关节的转角误差； 所述BP神经网络模型包括输入层、 隐含层和输出层， 所述输入层的神经元个数为6， 所 述输出层的神经 元个数小于或等于所述机 械臂的连 杆数量和关节数量之和。 3.根据权利要求2所述的机械臂结构参数的补偿模型获取方法， 其特征在于， 所述指标 为： ； 其中， 为所述指标， 为所述目标点的总个数， 为第 个所述目标点的实测位姿， 为第 个所述目标点的根据所述输出 数据进行补偿后的理论 位姿。 4.根据权利要求2所述的机械臂结构参数的补偿模型获取方法， 其特征在于， 步骤A4包 括： A401.初始化所述输入层到所述隐含层的权值、 所述隐含层到所述输出层的权值、 所述 输入层到所述隐含层的阈值和所述隐含层到所述输出层的阈值； A402.把一未使用的所述第一位姿误差数据输入所述输入层， 以计算得到所述输出数 据； A403.计算各 所述目标点的根据所述输出 数据进行补偿后的理论 位姿； A404.根据各 所述目标点的所述理论 位姿和所述实测位姿计算所述指标； A405.判断所述指标 是否满足要求； A406.若否， 则更新所述输入层到所述隐含层的权值、 所述隐含层到所述输出层的权 值、 所述输入层到所述隐含层的阈值和所述隐含层到所述输出层的阈值， 并返回步骤A402； A407.若是， 则结束训练。 5.根据权利要求4所述的机械臂结构参数的补偿模型获取方法， 其特征在于， 步骤A401 包括： 把所述输入层到所述 隐含层的权值、 所述 隐含层到所述输出层的权值、 所述输入层到 所述隐含层的阈值和所述隐含层到所述输出层的阈值设置为0和1之间的随机数。 6.根据权利要求4所述的机械臂结构参数的补偿模型获取方法， 其特征在于， 步骤A402 包括：权　利　要　求　书 1/3 页 2 CN 114523478 B 2由所述隐含层根据以下公式计算隐含层输出： ; 其中， 为所述隐含层的第 个神经元的所述隐含层输出， 为所述隐含层的神经元 的个数， 为所述输入层的第 个神经元到所述隐含层的第 个神经元的权值， 为所 述输入层的第 个神经元的输入数据， 为所述输入层的第 个神经元到所述隐含层的 第 个神经元的阈值， 为激活函数， 所述激活函数为： ， 为自变 量； 由所述输出层根据以下公式计算所述输出 数据： ; 其中， 为所述输出层的第 个神经元的所述输出数据， 为所述隐含层的第 个 神经元到所述输出层的第 个神经元的权 值， 为所述隐含层的第 个神经元到所述输出 层的第 个神经元的阈值， 为输出层的神经 元的数量。 7.根据权利要求4所述的机械臂结构参数的补偿模型获取方法， 其特征在于， 步骤A403 包括： 获取所述机械臂末端在各 所述目标点处的实际关节角度数据； 根据所述输出 数据对所述机 械臂各连杆的长度和所述实际关节角度数据进行补偿； 根据补偿后的各连杆的长度和补偿后的实际关节角度数据， 采用机器人运动学正解算 法计算各 所述目标点的所述理论 位姿。 8.根据权利要求4所述的机械臂结构参数的补偿模型获取方法， 其特征在于， 步骤A405 包括： 若所述指标不大于预设的最大期望误差， 则判定所述指标满足要求， 否则， 判定所述指 标不满足要求。 9.根据权利要求4所述的机械臂结构参数的补偿模型获取方法， 其特征在于， 步骤A406 包括： 根据以下公式更新所述输入层到所述隐含层的权值： ； 其中， 为所述输入层的第 个神经元到所述隐含层的第 个神经元的更新后的权 值， 为所述输入层的第 个神经元到所述隐含层的第 个神经元的权值， 为预设的学 习率， 为所述隐含层的第 个神经元的隐含层输出， 为所述输入层的第 个神经元的 输入数据， 为所述隐含层的神经 元的个数， 为所述指标， 为输出层的神经 元的数量； 根据以下公式更新所述隐含层到所述输出层的权值：权　利　要　求　书 2/3 页 3 CN 114523478 B 3