(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210694169.6 (22)申请日 2022.06.16 (71)申请人 华中科技大 学 地址 430074 湖北省武汉市洪山区珞喻路 1037号 (72)发明人 叶伯生　黎晗　潘钊　谭帅　 李晓昆　李思澳　唐永杰　 (74)专利代理 机构 华中科技大 学专利中心 42201 专利代理师 徐美琳 (51)Int.Cl. B25J 9/16(2006.01) (54)发明名称 一种基于GBDT算法的工业机器人位置误差 补偿方法和系统 (57)摘要 本发明公开了一种基于GBDT算法的工业机 器人位置误差补偿方法和系统， 其中方法包括： 将各关节的几何参数误差累加得到总位置误差， 将总位置误差最小化搜索出的几何参数误差作 为初始种群， 进行遗传优化， 得到优化后的几何 参数误差； 将关节角度输入训练好的GBDT模型， 预测残余位置误差， 将优化后的几何参数误差、 预测的残余位置误差与关节角度结合得到末端 位置， 将关节角度作为种群中的粒子， 进行种群 搜索， 得到最优关节角度， 控制工业机器人在最 优关节角度下运动， 完成位置误差补偿。 本发明 可有效降低几何参数误差和非几何参数误差对 机器人位置误差的影响， 在机器人控制器参数修 改权限不开放的情况下完成补偿， 具有适用性 广， 稳定性 好， 精度高的优点。 权利要求书3页 说明书11页 附图5页 CN 115107022 A 2022.09.27 CN 115107022 A 1.一种基于GBDT算法的工业机器人位置误差补偿方法， 其特 征在于， 包括： 建立工业机器人的DH模型， 在DH模型上获取几何参数， 将工业机器人各关节的几何参 数误差累加得到总位置误差， 将总位置误差最小化搜索出 的几何参数误差作为初始种群， 进行遗传优化， 得到优化后的几何参数误差； 在已知工业机器人关节角度及其目标位置的情况下， 将关节角度与优化后的几何参数 误差结合得到预测位置， 计算预测 位置与目标位置之间的误差为残余位置误差； 将已知工 业机器人关节角度及其对应残 余位置误差作为GBDT模 型的训练数据， 以GBDT模型输出的残 余位置误差与计算的残余位置误差之间差距最小为目标进行训练， 得到训练好的GBDT模 型； 将关节角度输入训练好的GBDT模型， 预测残余位置误差， 将优化后的几何参数误差、 预 测的残余位置误差与关节角度结合得到工业机器人末端位置， 将关节角度作为种群中的粒 子， 以工业机器人末端位置与目标位置之间的误差最小为 目标进行种群搜索， 得到最优关 节角度， 控制工业机器人在最优关节角度下运动， 完成位置误差补偿。 2.如权利要求1所述的一种基于GBDT算法的工业机器人位置误差补偿方法， 其特征在 于， 所述GBDT模型的训练还 包括： 将计算的残余位置误差作为实际误差， 将GBDT模型输出的残余位置误差与计算的残余 位置误差之 间的差距作为预测误差， 计算由多个已知工业机器人关节角度计算的残余位置 误差的平均值； 计算多个实际误差与预测误差之差的平方和与多个实际误差与平均值之差的平方和 的比值， 将一减去该比值得到决定系数； 计算训练所得GBDT模型的决定系数， 将决定系数最大值对应的GBDT模型作为训练好的 GBDT模型。 3.如权利要求1或2所述的一种基于GBDT算法的工业机器人位置误差补偿方法， 其特征 在于， 所述种群搜索包括： 将关节角度作为种群中的粒子， 种群中第i个粒子的位置xi由关节角度表示； 粒子按照 一定的速度飞行来迭代寻优， 每次迭代过程中粒子速度和位置的更新公式如 下所示： vi， j+1＝wvi， j+c1r1， j[pbesti， j‑xi， j]+c2r2， j[gbest， j‑xi， j] xi， j+1＝xi， j+vi， j+1 其中， j表示当前迭代次数， vi， j表示第j次迭代时的粒子速度， xi， j表示第j次迭代时的 粒子位置， pbesti表示个体最佳位置， gbest表示整个种群的最佳位置， c1和c2表示学习因子， c1 决定pbesti对飞行速度的影响， c2决定gbest对飞行速度的影响， w表示惯性权重因子， r1， j和 r2， j为第j次迭代时的两个随机数； 每次迭代时由工业机器人末端位置与目标位置 之间的误 差计算各 粒子的适应度； 每次迭代时以适应度最大为目标找出个 体最佳位置和全局最佳位置； 当迭代次数达 到最大迭代次数时， 全局最佳位置即为 最优关节角度。 4.如权利要求3所述的一种基于GBDT算法的工业机器人位置误差补偿方法， 其特征在 于， 所述粒子的适应度f：权　利　要　求　书 1/3 页 2 CN 115107022 A 2式中， k为用于调整 适应度函数大小的系数， 工业机器人的目标位置为Pd， 工业机器 人几 何参数为q， 几何参数误差为Δq， F为运动学方程， 计算所得为预测位置， ε(xi)为残余位置 误差， F与 ε(xi)之和为末端位置 。 5.如权利要求3所述的一种基于GBDT算法的工业机器人位置误差补偿方法， 其特征在 于， 所述种群搜索过程中对惯性权 重因子采取动态调整策略： 式中wmax为最大惯性权 重因子， wmin最小惯性权 重因子， J为 最大迭代次数。 6.如权利要求1或2所述的一种基于GBDT算法的工业机器人位置误差补偿方法， 其特征 在于， 所述遗传优化包括： 将总位置误差最小化搜索出的几何参数误差作为初始种群， 对初始种群进行染色体编 码后计算个 体适应度； 当个体适应度小于预设值时， 对染色体编码后的个体进行选择、 交叉和变异， 更新种 群， 当个体适应度大于等于预设值时， 将该个体对应的几何参数误差作为优化后的几何参 数误差。 7.如权利要求6所述的一种基于GBDT算法的工业机器人位置误差补偿方法， 其特征在 于， 所述个体适应度为 其中， 为添 加几何参数误差后关节角度对应的末端实际位置分量， 为关节角度对应的 末端理论位置分量， k为用于调整适应度函数大小的系数， N为关节角度的总组数， i为某一 组关节角度， b为防止分母为0的极小值。 8.如权利要求1或2所述的一种基于GBDT算法的工业机器人位置误差补偿方法， 其特征 在于， 所述总位置误差 ΔP＝JΔq， 其中， J为 误差系数矩阵， Δq为几何参数误差； 对误差系数矩阵进行QR分解， 其中， Q为正交矩阵， R为上三角矩阵， 0为0矩阵； 最终， Δq＝(JTJ)‑1JTΔP。 9.如权利要求1或2所述的一种基于GBDT算法的工业机器人位置误差补偿方法， 其特征 在于， 所述几何参数误差包括： 关节角度误差、 连杆偏置误差、 连杆长度误差和连杆扭转误 差。 10.一种基于GBDT算法的工业机器人位置误差补偿系统， 其特 征在于， 包括： 参数辨识模块， 用于建立工业机器人的DH模型， 在DH模型上获取几何参数， 将工业机器 人各关节的几何参数误差累加得到总位置误差， 将总位置误差最小化搜索出的几何参数误 差作为初始种群， 进行遗传优化， 得到优化后的几何参数误差； 模型训练模块， 用于在已知工业机器人关节角度及其目标位置的情况下， 将关节角度权　利　要　求　书 2/3 页 3 CN 115107022 A 3