本技术介绍了一种利用人工免疫算法对机器人加工末端位姿误差进行预测的方法。该方法首先利用机器人末端位姿误差及其对应的关节角数据训练递归神经网络(RNN)模型,并初始化一组抗体形成免疫群体。通过迭代优化,评估每个抗体的适应度,执行克隆、变异和选择操作以更新免疫群体,并进行免疫选择和终止条件检查。最终,将优化后的RNN模型应用于实际机器人加工系统,以提高末端位姿预测的准确性,从而提升生产效率。
背景技术
针对机器人在高精度加工过程中出现设计轨迹与实际运动轨迹存在偏差的情况,需要进一步降低机器人的绝对定位误差。机器人的绝对定位误差主要来自于机器人存在的几何误差和非几何误差。目前的技术大多是在修正机器人参数模型以补偿几何误差的基础上,结合神经网络模型来预测非几何误差。然而,这种方法存在误差累积问题,在几何误差补偿的基础上再进行非几何误差补偿时,可能会导致误差重叠,从而影响预测精度。
结合神经网络模型来预测非几何误差时,针对大规模数据集中的复杂非线性关系,轻量化网络结构难以应对,易陷入局部最优解,且对于噪声和不确定性缺乏鲁棒性,造成预测精度较低。难以满足机器人末端位姿误差预测的高精度与系统的鲁棒性要求。综上现有技术方法或定位误差精度较低,鲁棒性较差,针对数据中的高阶特征和复杂关联的捕捉能力弱,难以满足机器人定位误差预测的高精度的要求。
实现思路