一种基于神经网络模型的多自由度定位器驱动量估计方法

本发明属于调姿定位领域，具体涉及一种基于神经网络模型的多自由度定位器驱动量估计方法。

背景技术：

1、视觉引导机器人广泛应用于以飞机装配为代表的高精度装配过程中。然而，视觉引导机器人的装配精度同时受到视觉测量、手眼标定和机器人校准精度的影响，而手眼标定与机器人校准精度较低的高精度视觉测量并不能有效提高总装精度。在常用的手眼标定过程中，有许多因素会导致最终的校准误差，包括视觉测量误差和机器人运动误差。在机器人校准的情况下，也存在许多误差因素，包括激光跟踪器的测量不确定性和定位器自身轴的角度偏差。这些因素是非线性的，即这些误差的大小不随输入而变化。大多数现有的校准方法，特别是机器人校准方法，都依赖于没有考虑这些误差的精确线性模型，因此导致手眼校准和机器人校准结果不准确。

2、为了解决这个问题，我们建议使用非线性映射、端到端的估计方法直接解决机器人校准和手眼校准中的一系列问题，将手眼校准和机器人校准的参数同时覆盖在神经网络参数中，并构建一个性能优异的端到端估计神经网络，实现了从目标物体姿态的变化到定位器驱动体积的变化的直接映射。

技术实现思路

1、为解决上述技术问题，本发明提供一种基于神经网络模型的多自由度定位器驱动量估计方法，以解决现有技术中的问题，本发明所采用的技术方案是：

2、一种基于神经网络模型的多自由度定位器驱动量估计方法，包括以下步骤：

3、步骤(1)，采集神经网络训练数据与预处理：

4、多自由度定位器在进行运动空间运动，安装于定位器末端的相机同时采集标定板图像，记录多自由度定位器驱动量和标定板在相机坐标系中的位姿数据；并将标定板在相机中的位姿数据与对应的多自由度定位器驱动量配对为多组数据作为神经网络训练的数据集；

5、步骤(2)，搭建神经网络模型：

6、采用lenet网络结构作为神经网络结构基础；

7、步骤(3)，训练与更新神经网络模型

8、将步骤(1)的数据集分类为训练集和测试集，其中若干组数据用于训练，若干组数据用于测试，然后采用训练集对步骤(2)的神经网络进行训练，将测试集输入网络模型用于验证模型误差，不断更新迭代参数，选取神经网络模型误差最小的参数用于多自由度定位器驱动量计算；

9、步骤(4)，使用神经网络模型计算定位器的驱动量：

10、输入目标物体在相机坐标系的位姿变化，并使用步骤(3)的神经网络模型估算多自由度定位器的驱动量。

11、本发明具有以下有益效果：

12、本发明通过采用非线性映射、端到端的估计方法估计多自由度定位器驱动量，以多自由度定位器位姿数据和相机采集的标定板数据作为训练数据，搭建输入为定位目标变化量、输出为多自由度定位器驱动量的神经网络，采用adam优化算法对神经网络训练，得出神经网络参数，完成模型标定。本发明的有益之处在于减少了基于机器视觉测量引导的多自由度定位器运动系统标定时的误差源，提高了多自由度定位的运动准确度。

技术特征：

1.一种基于神经网络模型的多自由度定位器驱动量估计方法，其特征在于，包括以下步骤：

2.如权利要求1所述的一种基于神经网络模型的多自由度定位器驱动量估计方法，其特征在于，对于步骤(2)中的神经网络结构，卷积层数量为2，池化层数量为1，分别命名为卷积层1和卷积层2，卷积层1的输入输出通道分别设置为1和6，卷积层2的输入输出通道分别设置为6和16。

3.如权利要求1所述的一种基于神经网络模型的多自由度定位器驱动量估计方法，其特征在于，所述步骤(3)的训练输入数据定义为b＝(δx,δy,δz,δa,δb,δc,)，其中δx,δy,δz是位置变化，δa,δb,δc是姿态变化；

4.如权利要求1所述的一种基于神经网络模型的多自由度定位器驱动量估计方法，其特征在于，所述步骤(4)包括：

5.如权利要求4所述的一种基于神经网络模型的多自由度定位器驱动量估计方法，其特征在于，阈值δ设置为多自由度定位器单个轴运动精度。

技术总结本发明属于调姿定位领域，公开一种基于神经网络模型的多自由度定位器驱动量估计方法，用于解决机器视觉测量引导多自由度驱动器调姿场景下定位器驱动量估计易受手眼标定误差影响大的问题。本发明通过采用非线性映射、端到端的估计方法估计多自由度定位器驱动量，以多自由度定位器位姿数据和相机采集的标定板数据作为训练数据，搭建输入为定位目标变化量、输出为多自由度定位器驱动量的神经网络，采用Adam优化算法对神经网络训练，得出神经网络参数，完成模型标定。本发明的有益之处在于减少了基于机器视觉测量引导的多自由度定位器运动系统标定时的误差源，提高了多自由度定位的运动准确度。技术研发人员：李根,李泷杲,周蒯,候国义,黄翔,楼佩煌受保护的技术使用者：南京航空航天大学苏州研究院技术研发日：技术公布日：2024/7/29