论文题目：基于深度学习的工业机器人位姿精度综合补偿技术研究
答辩委员会：
主席：周来水教授/博导 南京航空航天大学
委员：毕可东教授/博导 东南大学
王禹林教授/博导 南京理工大学
张丽艳教授/博导 南京航空航天大学
陈 柏教授/博导 南京航空航天大学
廖文和教授/博导 南京航空航天大学
田 威 教授/博导 南京航空航天大学
秘书：胡俊山讲师/硕导 南京航空航天大学
答辩时间：2021年12月28日14:00-17:00
地点：明故宫校区6#201
学位论文简介：
工业机器人凭借着其自由度高、开放性好、作业空间大、成本低等优势，被逐渐应用于航空航天、大型船舶等高端大型设备制造领域，这对机器人精度有着更高的要求，然而受自身结构和制造安装等因素的影响，工业机器人普遍存在绝对位姿精度低的特点，精度补偿是提升机器人绝对位姿精度的有效途径。而现有精度补偿方法研究仍然存在一些不足：仅对机器人的定位误差进行了补偿，较少考虑姿态误差的影响，难以实现机器人全位姿精度综合补偿；由于机器人非几何误差难以建立参数化模型，多数研究仅考虑了几何误差的影响，较少实现机器人综合误差的综合补偿；不同机器人具有不同的运动学参数，传统精度补偿方法对不同的机器人需要建立不同的误差估计模型，误差估计模型的通用性较差；神经网络有利于解决机器人误差的综合补偿，但神经网络对误差预测的精确性和鲁棒性有待进一步提升，而且深度神经网络存在对大规模学习样本的依赖问题。结合上述问题，本文针对基于深度学习的机器人位姿精度综合补偿技术开展了系统研究。本文的主要研究工作包括：
（1）确立了机器人位姿误差综合补偿策略，提出了机器人位姿综合测量方法，实现了机器人末端执行器位置和姿态精确测量：构建了机器人空间位姿描述方法和典型工业机器人的运动学模型，为后续的误差分析、测量与补偿研究提供了理论支撑。从机器人结构组成、传动方式、误差表现等方面分析了机器人的误差来源及对末端执行器位姿误差的影响，讨论了常用补偿策略的作用方式与特点，确立了最优补偿策略。建立了机器人位姿误差测量的双目视觉方法，通过布局机制和平滑方法减小了测量噪声，为机器人末端执行器位姿的精确测量提供了保障。
（2）提出了一种基于深度信念网络的机器人位姿误差补偿方法，实现了机器人位置和姿态误差综合补偿：结合双目视觉测量采集了机器人大规模构型下的位姿误差样本数据，基于深度信念网络建立了机器人末端执行器理论位姿坐标与实际位姿误差的映射模型。并利用粒子群算法对深度信念网络的结构和参数进行优化，训练后的网络模型可以实现机器人目标位姿误差估计，经过精度补偿试验证明所提方法能够有效实现机器人的绝对位置精度和姿态精度提升。
（3）建立了融合误差相似性和深度信念网络的机器人位姿误差预测与补偿方法，提升了误差预测精确性和鲁棒性，同时交叉对比的训练方式扩充了学习样本量：基于机器人误差相似性理论对机器人的误差相似性特征进行了分析和验证，建立了并联结构的深度信念网络模型来提取除原数据特征之外的误差相似性特征和对比信息。以机器人末端执行器理论位姿坐标与对应的实际位姿误差为样本数据，通过交叉对比的方式对网络模型进行学习训练，误差相似性作为网络的监督特征来提升模型的精确性。所建深度信念网络模型在两台工业机器人上进行了精度补偿试验验证，相较于第三章的补偿效果，该方法具有更好精确性和鲁棒性。
（4）提出了小样本数据下机器人位姿误差补偿迁移学习策略，实现了小样本学习数据下机器人位姿误差的综合补偿，展现了面向精度补偿的深度学习网络模型的泛化能力和通用性：以训练后的深度信念网络模型为基础，构建了迁移学习策略对预训练网络模型进行固化和知识迁移，利用偏最小二乘回归法对迁移后的深度信念网络模型进行有监督的微调。通过小样本机器人误差数据微调训练后的网络模型在不同型号的工业机器人上进行了精度补偿试验，并与其他精度补偿方法进行了效果对比，结果展现了所构建模型的有效性、便捷性和通用性。
（5）建立了面向飞机装配的机器人自动制孔系统的精度补偿方法，实现了机器人的高精度自动制孔，验证了所提精度补偿技术的实用性：介绍了机器人自动制孔系统的软硬件组成和工作流程，阐述了实现机器人制孔精度补偿的流程和坐标系建立方法，用所构建的小样本下深度学习精度补偿方案开展了机器人自动制孔试验，制孔精度可以满足航空航天等高端大尺寸产品精度要求且略优于其他精度补偿方法。
主要创新点如下：
(1) 针对工业机器人位置和姿态的综合误差，构建了机器人位姿误差估计的深度信念网络模型，有效实现了包含位置和姿态的全位姿误差补偿，可以综合考虑机器人的几何误差和非几何误差，不依赖于特定的运动学模型，也不需要对机器人系统进行昂贵的编码器改造。
(2) 提出了融合深度信念网络和误差相似性的机器人位姿误差预测与补偿方法，结合了深度学习特征提取和误差相似性统计学优点，交叉对比的训练方式可以提取对比信息并扩充学习样本数量，有效提高了机器人位姿误差预测的鲁棒性和精确性。
(3) 为了减小深度学习网络模型对大规模学习样本的依赖，提出了基于迁移学习策略的机器人位姿误差预测深度信念网络模型，有效实现了小样本数据下不同机器人位姿误差的预测和补偿，解决了传统精度补偿方法中模型通用性差的问题。
