说明:以下数据以及内容全部来自于ABB IRB120机器人采样的数据,英文说明链接:The illustrations of dataset “RobotCali“_Libing111223的博客-CSDN博客Dataset link https://github.com/Lizhibing1490183152/RobotCaliA. Experimental setupB.The critical components ofExperimental setup(1) An ABB IRB120 industrial robot ;(2) A drawstring displacement sensor;(3)A drawstring displacement indicator...https://blog.csdn.net/Libing111223/article/details/123495497?spm=1001.2014.3001.5501数据集链接https://github.com/Lizhibing1490183152/RobotCali,结合相关文献整理得到,不保证完全正确,请读者悉知。
一、实验平台
二、平台组成
- 一台ABB IRB120机器人;
- 一个拉线编码器(图中固定在钢板底座上面);
- 一个拉线位移显示仪(图中有红色数字显示的仪器);
三、数据采集
- 对机器人工作空间中的1042点位置进行手动示教,取样点应覆盖机器人的工作空间,它们的位置由拉线编码器进行测量。
- 拉线位移显示仪显示了测量点位置的拉线长度。
- 示教器上可以获得机器人关节角度和末端位置坐标信息。
- 我们将采集的数据、厂商提供的机器人运动学参数代入标定方法进行计算,优化机器人误差。
四、RobotCali数据格式
数据文件为Excel的.xlsx格式,每行数据包含机器人关节角度、拉线长度和末端位置坐标信息。
- x,y,z为机器人示教器上的末端位置坐标数据
- q1~q6为机器人的关节角度数据
- L为测量点的拉线长度数据
五、机器人和测量仪器规格
- 机器人型号:ABB IRB120工业机器人
- 拉线编码器型号:HY 150-2000
- 拉线位移显示仪型号: HY 9648
其中,机器人采购自上海ABB工程有限公司,是经典的六轴机器人,拉线编码器和拉线位移显示仪采购自济南衡阳智能技术有限公司。
ABB IRB120工业机器人规格:
项目 | 特性 |
重复定位精度 | 0.01mm |
工作半径 | 580mm |
重量 | 25kg |
负载能力 | 3kg |
高度 | 700mm |
拉线编码器规格:
项目 | 特性 |
信号输出类型 | 数字信号 |
电压 | DC 5-24V |
测量范围 | 2000mm |
最大速度 | 1000mm/s |
扩展力 | 5N |
线性 | 0.05% FS |
分辨率 | 0.004mm |
工作温度 |
-25
℃~
+85
℃
|
拉线位移显示仪规格:
项目 | 特性 |
电压 |
AC220V 50Hz
|
输入电阻 | 5K |
脉冲频率 |
≤
500K
|
放大范围 |
0.000
~
999.999
|
显示范围 |
-199999
~
999999
|
脉冲宽度 |
2us
|
工作温度 |
-10
℃~
50
℃
|
RbotCali数据下载说明:
关节i |
αi
/◦
|
ai /mm
| di /mm |
θi
/◦
|
1 | -90 | 0 | 290 | 0 |
2 | 0 | 270 | 0 | -90 |
3 | -90 | 70 | 0 | 0 |
4 | 90 | 0 | 302 | 0 |
5 | -90 | 0 | 0 | 0 |
6 | 0 | 0 | 72 | 0 |
其中,αi 、ai、di、θi分别为扭转角、连杆长度、连杆偏移、关节角。
六、机器人末端位置计算
(1)机器人运动学模型
其中,T为转换矩阵,cθ代表cosθ,sθ代表sinθ。
6自由度机器人转换矩阵关系:
(2)理论拉线长度计算
其中,为测量拉线长度,
为理论计算出的拉线长度,
为理论末端位置,
为测量末端位置 ,
为地面固定点坐标。
我们可以根据理论计算拉线长度与测量拉线长度做差来优化误差,可用LM算法、扩展卡尔曼滤波、粒子滤波、PSO算法、遗传算法,以及神经网络等对机器人误差做优化。读者可自选优化算法来进行机器人误差优化,从而发表海量优秀的论文。
七、参考文献
我们已经发表了两篇关于机器人误差优化的论文,读者可以参考这两篇论文的机器人理论和RbotCali实验描述来进行研究。以下是我们的两篇论文:
(1)Z. Li, S. Li, and X. Luo, “An Overview of Calibration Technology of Industrial Robots,” IEEE/CAA J. Autom. Sinica, vol. 8, no. 1, pp. 23-36, Jan. 2021.
(2)Z. Li, S. Li, and X. Luo, “Data-driven Industrial Robot Arm Calibration: A Machine Learning Perspective,” 18th IEEE International Conference on Networking, Sensing and Control, 2021.
(3)Z. Li, S. Li, O. O. Bamasag, A. Alhothali and X. Luo, “Diversified Regularization Enhanced Training for Effective Manipulator Calibration,” IEEE Trans. Neural Networks and Learning Systems, DOI: 10.1109/TNNLS.2022.3153039.