欠驱动缆驱并联机器人初始位姿自标定算法的比较分析：数据采集策略与精度权衡

《Robotica》：A comparative analysis of initial-pose self-calibration algorithms for underactuated cable-driven parallel robots

本研究针对欠驱动缆驱并联机器人(UACDPR)启动时因相对传感器参考值未知导致的初始位姿估计难题，提出了两种自动化数据采集方法。通过结合静态平衡约束与多传感器融合，实现了快速高精度的自标定，显著提升了标定效率与位姿估计准确性，为UACDPR的实用化部署提供了关键技术支撑。

　　

在工业自动化和大型空间操作领域，缆驱并联机器人(CDPR)因其高负载重量比、易重构性和大工作空间而备受关注。然而，一类特殊的CDPR——欠驱动缆驱并联机器人(UACDPR)，其缆绳数量少于末端执行器(EE)的自由度数(DoF)，虽在成本降低和避障能力上具有优势，却带来了一个棘手问题：系统启动时，由于依赖相对传感器（如编码器、AHRS等）测量EE状态，这些传感器的参考值未知，导致EE的初始位姿无法直接确定。传统的标定方法依赖外部测量设备（如激光跟踪器），不仅成本高昂，且难以适应频繁重构的需求。而现有的自标定方法虽避免了外部传感器，却常因数据采集效率低、标定精度有限（位置误差可达2.5厘米，姿态误差达2.2度）或需人工干预，难以满足实际应用中对自动化与快速启动的要求。

为解决上述问题，博洛尼亚大学工业工程系的Filippo Zoffoli、Edoardo Idà和Marco Carricato在《Robotica》上发表了题为“A comparative analysis of initial-pose self-calibration algorithms for underactuated cable-driven parallel robots”的研究论文。他们开发了两种新型数据采集算法，旨在通过优化测量位姿选择与运动控制策略，在保证精度的同时大幅缩短标定时间，推动UACDPR自标定技术的实用化进程。

关键技术方法

研究基于4缆UACDPR原型机，集成增量编码器（测量缆长变化Δl_i和摆轮角变化Δσ_i）、AHRS（测量EE欧拉角φ, θ和偏航角变化Δχ）及张力传感器（测量缆张力τ_i）。通过静态工作空间分析（采用α-shape算法界定可行位姿范围）生成均衡分布的测量位姿网格。两种标定算法分别利用全部传感器（τlσ?法）或仅几何约束（lσ?法），将初始位姿估计转化为非线性加权最小二乘(NWLS)优化问题，以传感器测量值与模型预测值残差最小化为目标，通过解析梯度计算提升求解效率。

研究结果

1. 静态平衡位姿的数据采集有效性

通过纯力控制策略引导EE遍历预设的静态平衡位姿（如8点或27点网格），实验表明，基于张力测量的τlσ?法在仅需8个测量位姿时，即将初始位置误差降至12毫米，显著优于仅依赖几何约束的lσ?法（误差23毫米）。

2. 测量位姿数量对精度的影响

增加测量位姿数量（如从k=8增至k=27）可提升lσ?法的姿态估计精度（偏航角误差从5.44°降至2.86°），但对τlσ?法的改善不显著，甚至因噪声累积导致方向误差增大至3.14°，揭示张力数据在少样本下的优势。

3. 标定时间与自动化水平的平衡

τlσ?法因依赖静态平衡需更长的数据采集时间（27点位姿需5.11分钟），但通过并行计算优化求解过程，总标定时间控制在10分钟内；lσ?法虽采集更快（2.13分钟），但需更多样本（k=128）达到相近精度，凸显了张力约束在减少测量次数方面的潜力。

4. 模型简化对标定鲁棒性的影响

尽管研究假设缆绳无质量、不可伸长且忽略滑轮摩擦，但通过多传感器融合（如AHRS提供姿态基准）有效补偿了模型不确定性，验证了在简化物理模型下仍可实现毫米级位置估计精度。

结论与展望

本研究通过对比两种自标定算法，明确了静态平衡约束与张力测量在提升UACDPR初始位姿估计精度中的关键作用：τlσ?法以少量测量位姿实现高精度位置估计，适用于对时间敏感的场景；lσ?法则通过增加采样点提升姿态精度，为动态标定提供可能。未来工作将聚焦于开发集成运动规划与在线位姿选择的自动化工具，进一步缩短标定时间，并探索在机器人重构后的参数自标定应用，最终推动UACDPR在工业检测、海上作业等复杂环境中的全面应用。