本文主要進行的是以提高位置精度為目的，基于誤差模型和最小二乘法的DH參數(shù)辨識。需要注意的是，由于DH參數(shù)使得機械臂的位置和姿態(tài)存在強耦合，因此在提高位置精度的同時，姿態(tài)精度也會獲得提升。
DH參數(shù)辨識的主要步驟：

建立誤差模型；

不能辨識的冗余參數(shù)剔除；

雅可比矩陣求偽逆；

迭代求解。

在建立誤差模型的過程中，如果機械臂存在相鄰兩個軸平行時，需要建立含有beta模型的DH參數(shù)。
還有需要注意的是，基于誤差模型的DH參數(shù)校準方法是建立在DH誤差相對較小的情況，只有當此時才能進行線性近似，保證辨識的效果。
本文隨機給出一種6軸的機械臂，同時存在相鄰兩個軸平行，進行參數(shù)辨識。
首先假設，DH模型存在誤差如下:

可以看出無論是距離還是角度都為1e-2數(shù)量級。
然后我們進行數(shù)據(jù)采樣，比較基于NDI采樣的機器人末端位姿和基于機器人運動學讀出的位姿的差異：

進行迭代補償：
（待補充）

辨識結(jié)果：

可以看出，除去冗余參數(shù)，其他DH參數(shù)都能辨識出來。
對比補償前后的絕對精度：

可以看出，補償后的位置精度大大提升。
同時我們再關心一下姿態(tài)精度：

可以看出，雖然我們是建立在辨識位置精度誤差模型的基礎上，機器人位姿關系的強耦合，我們同時也提高了姿態(tài)精度。
因此通過此算法，機器人的位置精度和姿態(tài)精度都大大提升了。

為了更直觀的展示，我們講機器人末端軌跡展示出來。

其中綠線是補償前的軌跡，藍線是補償后的軌跡，可以看出通過DH參數(shù)辨識，我們將機器人的模型和真實的機器人更加接近了，因此也就提高了控制的精度。

總結(jié)

以上是生活随笔為你收集整理的【机器人算法】机器人运动学参数辨识/DH参数校准/DH参数辨识的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。