基于关节误差补偿的焊接机器人绝对定位精度提升方法

为解决焊接机器人绝对定位精度低的问题，研究人员提出了一种基于高斯过程回归(GPR)的关节空间误差补偿方法。通过结合笛卡尔空间和关节空间的采样策略，建立了关节误差预测模型，并将补偿值直接集成到机器人控制器中。实验表明，该方法将焊接机器人末端定位的平均绝对误差(MAE)从0.6 mm显著降低至0.25 mm以内，为离线编程在焊接领域的应用提供了关键技术支撑。

　　

在机械制造领域，焊接任务正以前所未有的速度增长。焊接机器人凭借其高自由度、大工作空间和低成本等优势，显著提升了生产效率、质量稳定性和操作人员的工作环境。然而，尽管工业机器人具有极高的重复定位精度（小于0.1 mm），但由于相对较低的刚度导致的关节运动误差，使得末端执行器的绝对定位偏差较大（通常超过1 mm），这严重限制了机器人在离线编程焊接中的应用。

传统示教再现编程方式下，机器人的高重复性尚能满足焊接场景需求。但随着离线仿真与计算机辅助设计方法的集成发展，离线编程在机器人焊接中日益普及，机器人绝对定位精度不足的问题愈发凸显。影响串联工业机器人定位精度的因素可分为几何误差（运动学参数误差）和非几何误差。几何误差主要源于制造和装配过程中的尺寸偏差、连杆长度误差和关节零点误差等，可通过运动学校准、提高制造精度和软件补偿等方法进行修正。非几何误差则主要由外部环境和机器人动态特性引起，包括弹性变形、间隙和摩擦等，需通过建立误差模型、实时监测与反馈控制等手段进行补偿。

针对上述问题，广西科技重大专项资助的研究团队开展了一项创新性研究。研究人员提出了一种基于高斯过程回归（Gaussian Process Regression, GPR）的关节空间误差直接预测方法，避免了传统方法中复杂的系统集成和姿态误差到关节空间补偿值的转换过程。该方法通过结合笛卡尔空间和关节空间的采样策略，建立了关节误差预测模型，并将补偿值直接集成到机器人控制器中，显著简化了系统集成流程。

研究采用了三项关键技术：

1. 结合关节空间初始采样与笛卡尔空间网格划分的混合采样方法，确保采样点覆盖整个工作空间状态；
2. 基于GPR的关节误差预测模型，以期望关节位置和关节误差作为输入特征；
3. 将误差模型集成到基于RTX64和Win10平台的自主开发机器人控制系统中，实现实时补偿。

研究结果部分：
在机器人定位误差分析中，研究人员针对6自由度（6-DOF）焊接机器人建立了Denavit-Hartenberg（DH）参数模型，通过关节旋转角度（θ）和连杆参数（a，d，α）的转换关系分析定位误差来源。

误差模型建立框架部分，研究构建了从机器人运动到误差预测的完整流程：控制系统发送指令→机器人执行运动→激光跟踪仪测量实际位置→计算关节角度误差→建立GPR预测模型→输出补偿值。

模型训练数据采集部分，采用空间网格划分方法规划采样点，使用API Radian激光跟踪仪进行位置测量，确保采样点充分反映整个工作空间状态。

实验平台部分，配置了焊接机器人、主动靶球、激光跟踪仪和自主开发的控制系统，通过单点多姿态、空间多点和连续焊接轨迹测试验证方法有效性。

研究结论表明，该方法将焊接机器人定位的平均绝对误差（MAE）从约0.6 mm显著降低至0.25 mm以内，有效解决了机器人姿态变化时的定位补偿不足问题。相较于传统方法，直接预测关节补偿值的策略简化了控制系统集成，促进了离线编程的广泛应用。

这项研究的创新性主要体现在三个方面：首先，提出的混合采样方法为分析焊接机器人末端绝对定位误差提供了更全面的数据基础；其次，基于GPR建立的关节误差预测模型将末端定位精度提升至0.3 mm以内；最后，直接预测关节补偿值的方法简化了机器人控制系统集成流程。该成果为提升工业机器人在高精度焊接应用中的性能提供了有效解决方案，对推动智能制造发展具有重要意义。论文发表在《Engineering Applications of Artificial Intelligence》，为相关领域研究提供了重要参考。