CN110154023B - 一种基于运动学分析的多臂协同焊接机器人控制方法 - Google Patents
一种基于运动学分析的多臂协同焊接机器人控制方法 Download PDFInfo
- Publication number
- CN110154023B CN110154023B CN201910428896.6A CN201910428896A CN110154023B CN 110154023 B CN110154023 B CN 110154023B CN 201910428896 A CN201910428896 A CN 201910428896A CN 110154023 B CN110154023 B CN 110154023B
- Authority
- CN
- China
- Prior art keywords
- robot
- joint
- arm
- welding robot
- welding
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J11/00—Manipulators not otherwise provided for
- B25J11/005—Manipulators for mechanical processing tasks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1628—Programme controls characterised by the control loop
- B25J9/1653—Programme controls characterised by the control loop parameters identification, estimation, stiffness, accuracy, error analysis
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Manipulator (AREA)
- Numerical Control (AREA)
Abstract
本发明涉及一种基于运动学分析的多臂协同焊接机器人控制方法,用以实现壁板与桁条之间T型结构接头双侧焊缝的精准焊接,包括以下步骤:1)建立模块化多臂焊接机器人运动学模型;2)建立协同焊接机器人机械臂末端输出位姿矩阵,进行机器人正运动学分析,验证机器人运动学参数与运动学正解的正确性,并得到机器人各个关节运动量的数据样本;3)构建并训练GRNN神经网络,并对多臂协同焊接机器人移动关节和转动关节运动量进行预测,最终根据预测值完成多臂协同焊接机器人的焊接控制。与现有技术相比,本发明具有适用性强、预测准确、误差小、应用性好等优点。
Description
技术领域
本发明涉及航空焊接机器人运动控制领域,尤其是涉及一种基于运动学分析的多臂协同焊接机器人控制方法。
背景技术
在航空制造业中,大型结构件的筋壁板通常采用T型接头结构,这种结构适合采用双光束激光焊接工艺。这种焊接工艺适合机器人作业,但是对于航空业中大型结构件复杂焊缝曲线的焊接,单一机器人无法胜任,需要采用多条机械臂焊接机器人协同完成焊接作业。解决具有多臂协同焊接机器人运动学问题,可以为其工作性能分析奠定基础,有助于这一类在航天航空领域有实际应用价值构型的机器人的速度、加速度、动力学等后续研究。
机器人的运动学求解方法主要有解析法和数值法。解析法虽然因求得机器人全部运动学逆解而能把机器人的运动学特性完整地进行描述,但针对不同拓扑结构的机器人,其消元过程不尽相同,缺乏通用性。数值法计算过程清晰、简洁,对机器人位置正逆解问题能够有效地进行求解,但是往往需要约束条件,无法得到位置正逆解的全部解。
对于多臂协同焊接机器人逆运动学求解,尚未有对此类机器人进行高效求解的先例。神经网络可以高效地逼近非线性函数,广义回归神经网络(GRNN)是一种高度并行径向基网络,相较于误差反向传播神经网络(BPNN)而言,GRNN以径向基神经网络为基础,稳定性较好,适用于非线性预测,与传统径向基神经网络相比,GRNN具有更强逼近效果和更高的训练效率。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于运动学分析的多臂协同焊接机器人控制方法。
本发明的目的可以通过以下技术方案来实现:
一种基于运动学分析的多臂协同焊接机器人控制方法,用以实现壁板与桁条之间T型结构接头双侧焊缝的精准焊接,包括以下步骤:
1)建立模块化多臂协同焊接机器人运动学模型;
2)建立多臂协同焊接机器人机械臂末端输出位姿矩阵,进行机器人正运动学分析,验证机器人运动学参数与运动学正解的正确性,并得到机器人各个关节运动量的数据样本;
3)构建并训练GRNN神经网络,并对多臂协同焊接机器人移动关节和转动关节运动量进行预测,最终根据预测值完成多臂协同焊接机器人的焊接控制。
所述的步骤1)中,多臂协同焊接机器人包括三自由度移动桁架以及布置在桁架左右两边的两条6自由度转动副焊接机械臂、布置在桁架中间的一条3自由度转动副按压机械臂,对于多臂协同焊接机器人拓扑结构,根据机器人各支链装配的几何条件,将其模块化,建立与多臂协同焊接机器人拓扑结构相统一的DH参数表,并确定机器人尺度参数,构建机器人运动学模型。
所述的多臂协同焊接机器人满足以下条件:
(1)具有高架桥式结构、多自由度,既有移动关节又有转动关节;
(2)具有两条焊接机械臂和一条按压机械臂;
(3)两条焊接机械臂以一定角度安装于移动桁架两侧;
(4)等维输入、等维输出。
所述的步骤2)中,多臂协同焊接机器人第i条机械臂末端输出位姿矩阵Ti为:
其中,pi为基坐标下末端执行器位置矩阵,[ni oi ai]为基坐标下末端执行器姿态矩阵。
所述的步骤3)中,以多臂协同焊接机器人末端位姿x作为GRNN神经网络的输入变量,以多臂协同焊接机器人移动关节和转动关节运动量y作为GRNN神经网络的输出变量,对GRNN神经网络进行训练,则有:
其中,k为数据样本的数目,输入变量维数为18,输出变量维数为18,为基坐标下机器人第m个末端位置的第h组数据样本值,为基坐标下机器人第m个末端姿态的第h组数据样本值,n为机器人移动关节数目,s为机器人转动关节数目,分别为机器人移动关节和转动关节的运动量。
所述的GRNN神经网络中,输入层神经元的数目与输入变量的维数对应,输入层将输入变量传递给模式层,模式层神经元的数目与样本数目k对应,其传递函数为:
其中,σ为光滑因子,x为输入变量,xh为第h个神经元对应的学习样本,h=1,2,…,k。
所述的GRNN神经网络中,求和层采用两种类型神经元进行求和,具体包括:
其中,yhl为模式层第h个输出样本yh中的第l个元素,即以这个元素当作模式层中第h个神经元与求和层中第l个神经元之间的连接权值。
所述的GRNN神经网络中,输出层神经元的数目与输出变量的维数对应,各神经元的输出为两种求和结果的相除,则有:
所述的步骤3)中,为了验证GRNN神经网络的预测准确性,输入N组测试数据,使多臂协同焊接机器人末端位于空间中不同位置,对每组轨迹点求解各个关节运动量的绝对误差,采用期望误差ew评价指标评判预测效果,则有:
其中,qap为预测的关节运动量,qas为理论关节运动量,a为不同种类关节的数目,当计算移动关节运动量误差时,Nu=3,当计算转动关节运动量误差时,Nu=15。
与现有技术相比,本发明具有以下优点:
一、适用性强:针对航空领域中焊接双曲度壁板T形接头双侧焊缝的多臂协同焊接机器人,建立具有多条机械臂协同工作的焊接机器人的运动学模型,可为满足具有高架桥式结构、多自由度,既有移动关节又有转动关节、具有两条焊接机械臂和一条按压机械臂且两条焊接机械臂以一定角度安装于移动桁架两侧的同类型机器人运动学模型建立提供借鉴,对于提高机器人轨迹规划和实时控制精度具有重要意义。
二、预测准确:分析多臂协同焊接机器人正运动学,给出其运动学方程,并通过数值算例分析,验证机器人运动学模型正确有效,为得到机器人有效的移动与转动关节数据样本提供切实依据,保证了预测数据样本的准确性。
三、误差小、应用性好:基于GRNN神经网络,对机器人逆运动学进行预测及计算,GRNN神经网络在训练时收敛速度快和不易陷入局部极小,多臂协同焊接机器人的逆运动学求解方法的误差低,具有良好的预测效果,应用性好。
附图说明
图1为多臂协同焊接机器人运动学分析方法流程图。
图2为多臂协同焊接机器人三维模型。
图3为焊接机械臂安装角度示意图。
图4为多臂协同焊接机器人DH坐标系。
图5为机器人结构参数示意图,其中,图(5a)为焊接机械臂,图(5b)为按压机械臂。
图6为多臂协同焊接机器人逆运动学移动关节预测值与理论值绝对误差图。
图7为多臂协同焊接机器人逆运动学转动关节预测值与理论值绝对误差图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
本发明的基本思想是基于多臂协同焊接机械臂,建立模块化运动学模型,应用神经网络可以高效地逼近非线性函数,GRNN以径向基神经网络为基础,稳定性较好,适用于非线性预测,与传统径向基神经网络相比,GRNN具有更强逼近效果和更高的训练效率。基于GRNN的多臂协同焊接机械臂逆运动学分析方法,有助于提高求解的精度、效率以及稳定性。
(1)多臂协同焊接机器人运动学模型
多臂协同焊接机器人三维模型如图2所示,其主机构由三条机械臂及三自由度移动桁架构成,左右两边布置的机械臂为6自由度转动副焊接机械臂,用于对双曲度蒙皮T形接头处双侧焊缝的焊接;中间的机械臂为3自由度转动副按压机械臂,用于焊接作业过程中按压飞机双曲度蒙皮上的桁条;三条机械臂倒挂在沿着Z方向移动的移动桁架上。
根据机器人各支链装配的几何条件,将其模块化为三条支链:支链1由3自由度移动桁架和中间3自由度按压机械臂组成,左、右6自由度焊接机械臂分别为支链2、3,三条机械臂的结构参数表示如图3所示。根据机器人结构参数及关节之间的关系,建立与机器人拓扑结构统一的DH参数表与机器人DH坐标系图,以表达机器人第i条支链第j个关节的运动学参数,如表1与图4所示。多臂协同焊接机器人两条焊接机械臂安装于zw方向的移动桁架左右两侧,安装方位角如图3所示,为了表示有安装偏角的机器人,区别于传统的DH表,需在表中添加关节1-0,2-0,3-0,见表1。
表1焊接机器人DH参数
(2)建立协同焊接机器人焊接机械臂末端及按压机械臂末端输出位姿矩阵
以关节转角和平移为变量,机器人齐次变换矩阵为:
由此,可得焊接机器人手臂末端综合变换矩阵为:
根据各个关节的变换矩阵,得到机器人机械臂末端位姿输出矩阵表示为:
式中,pi为基坐标下末端执行器位置矩阵,[ni oi ai]为基坐标下末端执行器姿态矩阵。
设定机器人末端坐标系与基坐标系重合,然后将末端坐标系相对于基坐标系以zw-yw-xw的顺序旋转,即先将末端坐标系绕zw轴旋转αi角,再绕yw轴旋转βi角,最后绕xw轴旋转γi角,机器人手臂末端姿态可由αi、βi、γi表示,相应地,由旋转矩阵得到机器人手臂末端的姿态为:
(3)机器人正解验证运动学模型的正确性
将机器人的结构参数与驱动参数带入以上公式,得到机器人机械手臂的运动学实数正解。在ADAMS中进行仿真,得到机器人三条机械臂的末端输出,对比结果,验证机器人运动学模型的正确性。
(4)得到机器人移动与转动关节数据样本
对多臂协同焊接机器人进行逆运动学求解时,输入训练样本,使网络的输出与实际输出的误差达到最小,合理地选择样本将增强神经网络的学习和泛化能力,从而提高最终的求解精度。而训练样本需要根据机器人各个关节的运动范围来进行选择。根据机器人关节的运动范围,均匀划分各个关节运动空间为k组。为第l个关节第h组运动变量的取值为:
(5)基于GRNN神经网络算法,完成对多臂协同焊接机器人逆运动学的计算,得到控制器中机器人各个关节协调运动时运动量的精准数值。
网络的输入变量为多臂协同焊接机器人末端位姿 k为数据样本的数目,输入变量维数为18,为基坐标下机器人第m个末端位置的第h组数据样本值,为基坐标下机器人第m个末端姿态的第h组数据样本值。输出变量为多臂协同焊接机器人移动关节和转动关节运动量输出变量维数为18,n为机器人移动关节数目,s为机器人转动关节数目,分别为机器人移动关节和转动关节的运动量。通过数据样本,训练GRNN神经网络。
输入层神经元的数目对应着输入变量的维数,输入层将输入变量传递给模式层。模式层神经元的数目对应着样本数目k,其传递函数为:
式中,σ为光滑因子,x为网络输入变量,xh为第h个神经元对应的学习样本,h=1,2,…,k。求和层使用两种类型神经元进行求和,分别为:
式中,yhl是模式层第h个输出样本yh中的第l个元素,即以这个元素当作模式层中第h个神经元与求和层中第l个神经元之间的连接权值。
输出层神经元的数目对应着输出变量的维数,各神经元的输出为两种求和结果相除,即:
将除去训练数据后剩余的数据样本作为测试数据,输入至训练后的网络,得到机器人各个关节的预测值,即机器人控制器中各关节运动量的输入,并将预测值用以评价神经网络训练效果。
(6)误差分析
为了准确的评价预测模型的准确性,输入N组测试数据,使多臂协同焊接机器人末端位于空间中不同位置,对每组轨迹点求解各个关节运动量的绝对误差,采用期望误差评价指标评判模型的预测效果,即:
其中,qap为预测的关节运动量,qas为理论关节运动量,a为不同种类关节的数目,当计算移动关节运动量误差时,Nu=3;当计算转动关节运动量误差时,Nu=15。
实施例:
本发明采用MATLAB神经网络工具箱根据发明内容进行计算。其效果通过具体多臂协同焊接机器人实例进行说明。多臂协同焊接机器人的结构参数数值如下:L11=41mm,L12=1000mm,L13=215mm,L21=L31=675mm,L22=L32=260mm,L23=L33=680mm,L24=L34=35mm,L25=L35=670mm,L26=L36=158mm。任意选取一组机器人关节驱动参数:θ11=0°,θ12=0°,θ13=45°,θ21=-30°,θ22=90°,θ23=-30°,θ24=-15°,θ25=-60°,θ26=60°,θ31=30°,θ32=90°,θ33=-30°,θ34=15°,θ35=-60°,θ36=-60°,x=0mm,y=0mm,z=0mm。代入多臂协同焊接机器人运动学模型,计算得到机器人机械手臂的运动学实数正解如表2所示。
表2机器人的运动学正解
在ADAMS中进行仿真,得到机器人三条机械臂的末端输出如表3所示。对比表2,本发明建立的多臂协同机器人运动学模型下解得的机器人末端位姿,与在ADAMS环境下仿真得到的机器人末端位姿非常接近,证明了该机器人运动学模型正确有效。
表3 ADAMS中机器人位姿
根据表4中机器人关节的运动范围,均匀划分各个关节运动空间,将每个关节运动范围均匀划分为10000组。计算得到相应10000组机器人位姿的数据样本,如表5所示。
表4关节运动范围
关节 | 支链1 | 支链2 | 支链3 |
1 | 0mm~5 502mm | ±185° | ±185° |
2 | 0mm~3 006mm | -65°~125° | -65°~125° |
3 | 0mm~1 003mm | -220°~64° | -220°~64° |
4 | ±350° | ±350° | ±350° |
5 | ±130° | ±130° | ±130° |
6 | ±350° | ±350° | ±350° |
表5机器人末端位姿
将9960组机器人位姿和机器人转角作为训练样本,其中xi、yi、zi、αi、βi、γi(i=1,2,3)表示支链1、2、3的末端位姿,网络的输入变量为多臂协同焊接机器人末端位姿输出变量为多臂协同焊接机器人移动关节和转动关节运动量 训练GRNN神经网络,完成对多臂协同焊接机器人逆运动学的计算。
将表5中其余40组的多机械臂末端位姿,作为测试数据,输入至训练后的网络,得到机器人各个关节的预测值,用以评价神经网络训练效果。
15个转动关节运动误差的期望值和3个平移关节运动误差的期望值,如图6与图7所示。基于GRNN神经网络预测的机器人移动关节运动量误差平均值为1.71×10-7mm,转动关节运动量误差平均值为1.34×10-7°,计算时间:1.276959秒;以上数据均在处理器为:Intel(R)Xeon(R)[email protected],内存为16.0GB的计算机上计算所得。
结果表明,基于GRNN神经网络建立的多臂协同焊接机器人逆解预测模型的预测精度很高,收敛速度快和不易陷入局部极小,误差变化不大,稳定性好,具有良好的预测效果。
以上结合附图对本发明的具体实施方式作了说明,但这些说明不能被理解为限制了本发明的范围,本发明的保护范围由随附的权利要求书限定,任何在本发明权利要求基础上的改动都是本发明的保护范围。
Claims (6)
1.一种基于运动学分析的多臂协同焊接机器人控制方法,用以实现壁板与桁条之间T型结构接头双侧焊缝的精准焊接,其特征在于,包括以下步骤:
1)建立模块化多臂协同焊接机器人运动学模型,多臂协同焊接机器人包括三自由度移动桁架以及布置在桁架左右两边的两条6自由度转动副焊接机械臂、布置在桁架中间的一条3自由度转动副按压机械臂,对于多臂协同焊接机器人拓扑结构,根据机器人各支链装配的几何条件,将其模块化,建立与多臂协同焊接机器人拓扑结构相统一的DH参数表,并确定机器人尺度参数,构建机器人运动学模型,所述的多臂协同焊接机器人满足以下条件:
(1)具有高架桥式结构、多自由度,既有移动关节又有转动关节;
(2)具有两条焊接机械臂和一条按压机械臂;
(3)两条焊接机械臂以一定角度安装于移动桁架两侧;
(4)等维输入、等维输出;
2)建立多臂协同焊接机器人机械臂末端输出位姿矩阵,进行机器人正运动学分析,验证机器人运动学参数与运动学正解的正确性,并得到机器人各个关节运动量的数据样本,多臂协同焊接机器人第i条机械臂末端输出位姿矩阵Ti为:
其中,pi为基坐标下末端执行器位置矩阵,[ni oi ai]为基坐标下末端执行器姿态矩阵;
3)构建并训练GRNN神经网络,并对多臂协同焊接机器人移动关节和转动关节运动量进行预测,最终根据预测值完成多臂协同焊接机器人的焊接控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910428896.6A CN110154023B (zh) | 2019-05-22 | 2019-05-22 | 一种基于运动学分析的多臂协同焊接机器人控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910428896.6A CN110154023B (zh) | 2019-05-22 | 2019-05-22 | 一种基于运动学分析的多臂协同焊接机器人控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110154023A CN110154023A (zh) | 2019-08-23 |
CN110154023B true CN110154023B (zh) | 2021-06-04 |
Family
ID=67631998
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910428896.6A Active CN110154023B (zh) | 2019-05-22 | 2019-05-22 | 一种基于运动学分析的多臂协同焊接机器人控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110154023B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111027674B (zh) * | 2019-11-21 | 2023-02-07 | 腾讯科技(深圳)有限公司 | 应用于多智能体***的测试方法和装置 |
CN112496582B (zh) * | 2020-11-23 | 2022-05-10 | 博迈科海洋工程股份有限公司 | 一种海洋工程复杂节点多机器人焊接协同控制方法 |
CN113552807B (zh) * | 2021-09-22 | 2022-01-28 | 中国科学院自动化研究所 | 数据集生成方法、装置、电子设备及存储介质 |
CN114734440B (zh) * | 2022-04-15 | 2023-09-05 | 同济大学 | 一种混联双臂搬运机器人运动学参数精准标定方法 |
CN114888793B (zh) * | 2022-04-21 | 2023-08-04 | 同济大学 | 一种多臂双光束激光焊接机器人双层协同控制方法 |
CN115026418B (zh) * | 2022-07-14 | 2023-05-02 | 同济大学 | 一种桁架多臂机器人运动支链分解与拓扑结构表示方法 |
CN116476080B (zh) * | 2023-06-20 | 2023-08-29 | 西湖大学 | 一种基于几何可行性的空中自动抓取作业规划方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102010023663A1 (de) * | 2010-06-12 | 2011-12-15 | Daimler Ag | Prüfeinrichtung zur Online-Prüfung von Schweiß- bzw. Lötprozessen |
CN108081266A (zh) * | 2017-11-21 | 2018-05-29 | 山东科技大学 | 一种基于深度学习的机械臂手部抓取物体的方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202506943U (zh) * | 2011-12-21 | 2012-10-31 | 中国一冶集团有限公司 | 双头骑行焊机 |
CN102581490A (zh) * | 2012-03-21 | 2012-07-18 | 中国航空工业集团公司北京航空制造工程研究所 | 一种三向旋转双光束激光焊接头 |
CN205218362U (zh) * | 2015-12-24 | 2016-05-11 | 于波涛 | 门式双机器人焊接工作站 |
-
2019
- 2019-05-22 CN CN201910428896.6A patent/CN110154023B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102010023663A1 (de) * | 2010-06-12 | 2011-12-15 | Daimler Ag | Prüfeinrichtung zur Online-Prüfung von Schweiß- bzw. Lötprozessen |
CN108081266A (zh) * | 2017-11-21 | 2018-05-29 | 山东科技大学 | 一种基于深度学习的机械臂手部抓取物体的方法 |
Non-Patent Citations (3)
Title |
---|
三维T型接头激光焊接轨迹控制关键技术;梁斌焱;《中国优秀硕士论文学位论文全文数据库,工程科技Ⅰ辑》;20170615(第6期);正文第9-12页,第38-44页 * |
助老助残机械手控制技术研究;王鑫;《中国优秀硕士论文学位论文全文数据库信息科技辑》;20180325(第3期);正文第9-13页,第42-47页 * |
王鑫.助老助残机械手控制技术研究.《中国优秀硕士论文学位论文全文数据库信息科技辑》.2018,(第3期),第9-13页,第42-47页. * |
Also Published As
Publication number | Publication date |
---|---|
CN110154023A (zh) | 2019-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110154023B (zh) | 一种基于运动学分析的多臂协同焊接机器人控制方法 | |
WO2021238191A1 (zh) | 机器人的定位补偿方法及装置 | |
CN109782601B (zh) | 一种协调机械臂自适应神经网络同步鲁棒控制器设计方法 | |
CN109325315B (zh) | 一种连续型机械臂的静力学建模方法 | |
CN110228067B (zh) | 一种基于激光跟踪仪的双臂机器人组合操作测试方法 | |
CN108717262B (zh) | 一种基于矩特征学习神经网络的异形曲面跟踪方法及*** | |
CN103692433A (zh) | 可模型解耦的三臂杆五自由度平移焊接机器人及其解耦方法 | |
CN107791248B (zh) | 基于不满足Pieper准则的六自由度串联机器人的控制方法 | |
CN113580148B (zh) | 基于等效运动链的并联机器人运动学标定方法 | |
CN114161425B (zh) | 一种工业机器人的误差补偿方法 | |
CN113878581B (zh) | 一种五自由度混联机器人误差预测及实时补偿方法 | |
CN104933232A (zh) | 一类杆端浮动型六自由度并联机器人带角度补偿的运动学求解方法 | |
CN113160334A (zh) | 一种基于手眼相机的双机器人***标定方法 | |
Liu et al. | Research on kinematic modeling and analysis methods of UR robot | |
Ma et al. | Robot error compensation based on incremental extreme learning machines and an improved sparrow search algorithm | |
Gao et al. | Forward kinematics modeling of spatial parallel linkage mechanisms based on constraint equations and the numerical solving method | |
CN105234930A (zh) | 基于构形平面的冗余机械臂运动控制方法 | |
CN109190282B (zh) | 一种闭链机构的装配调整方法及其控制装置、机械装置 | |
CN110695994A (zh) | 一种面向双臂机械手协同重复运动的有限时间规划方法 | |
Zhou et al. | Automatic planning and coordinated control for redundant dual‐arm space robot system | |
Huang et al. | Kinematics modelling and adams matlab/simulink co-simulation for automated aerobridge docking process | |
CN111283682A (zh) | 一种4-upu四自由度并联机器人正向运动学的几何投影解法 | |
Yuan et al. | A new algorithm for solving inverse kinematics of robot based on bp and rbf neural network | |
CN108638057B (zh) | 一种类人机器人双臂运动规划方法 | |
CN114012733A (zh) | 一种用于pc构件模具划线的机械臂控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |