MÔ HÌNH HÓA TRƯỜNG SAI SỐ VÀ BÙ SAI LỆCH VỊ TRÍ CỦA ROBOT IRB120 BẰNG XỬ LÝ ẢNH VÀ HỌC MÁY

Tóm tắt

Sai số định vị tuyệt đối của robot công nghiệp chuỗi hở phát sinh do sai lệch hình học, sai số lắp ráp và sai số truyền động tích lũy qua nhiều bậc khớp. Sai số này phân bố không đồng đều trong không gian làm việc và hình thành trường sai lệch phi tuyến tại điểm công tác cuối (Tool Center Point - TCP). Bài báo đề xuất phương pháp mô hình hóa trường sai số vị trí TCP của robot ABB IRB120, giữ nguyên cấu trúc hệ điều khiển của robot và cách sử dụng thiết bị, chỉ thay đổi quỹ đạo khâu cuối nhằm bù lại sai số nói trên. Sử dụng hai kênh đo vị trí điểm cuối độc lập với nhau là kênh đo theo encoder của robot và kênh đo không tiếp xúc bằng camera công nghiệp có độ phân giải cao để xác định sai số điểm cuối. Kết quả thực nghiệm cho thấy sai số trung bình giảm từ 0,45 mm xuống 0,21 mm sau khi bù, tương đương mức cải thiện hơn 50%. Phương pháp có chi phí thấp, dễ áp dụng thực tế và không yêu cầu thay đổi phần cứng robot.

Title

MODELING THE ERROR FIELD AND POSITION ERROR COMPENSATION OF THE ABB IRB120 ROBOT USING IMAGE PROCESSING AND MACHINE LEARNING

Abstract

The absolute positioning error of open-chain industrial robots arises from geometric misalignment, assembly errors, and cumulative drive errors across multiple joint stages. This error is unevenly distributed in the workspace and forms a nonlinear error field at the end tool center point (TCP). This paper proposes a method for modeling the TCP position error field of the ABB IRB120 robot, maintaining the robot's control system structure and equipment usage, only changing the end link trajectory to compensate for the aforementioned error. Two independent end point position measurement channels are used: the robot's encoder measurement channel and a non- contact measurement channel using a high-resolution industrial camera to determine the end point error. Experimental results show that the average error decreased from 0.45 mm to 0.21 mm after compensation, equivalent to an improvement of over 50%. The method is low-cost, easy to apply in practice, and does not require changes to the robot's hardware.