66、机器人技术中的创新：信息扩散少样本学习与集成动力轮模块

机器人技术中的创新：信息扩散少样本学习与集成动力轮模块

1. 信息扩散少样本学习实验

1.1 实验设置

在机器人校准过程的实验中，采用了特定的设备组合。实验装置包括一台桌面式通用机器人 UR10、一台测量精度为 ±15 μm + 6 μm/m 的徕卡 AT960 - LR 激光跟踪仪，以及一个安装在法兰上的 6 自由度 T - MAC 目标。

通过分别旋转机器人的第 1 个和第 3 个关节，测量 T - MAC 的位姿，从而拟合出激光跟踪仪坐标系 {L} 相对于机器人基座坐标系 {B} 的位姿变换矩阵 (B_T^L)。接着，对机器人进行离线编程，使其在空间中移动（避免 T - MAC 被遮挡），同时激光跟踪仪实时测量，获取 T - MAC 在 {L} 中的位姿。机器人末端位置误差 (B_e) 通过将测量得到的 T - MAC 在 {L} 中的位置 (L_p) 经过 (B_T^L) 转换到 {B} 中，并与使用补偿正向运动学 (FK(θ)) 获取的 T - MAC 位置进行比较来计算，计算公式为：
[B_e = B_T^L · L_p - T_T^F · FK(θ)]

基于上述方法，在机器人常用工作空间 800×500×800 (mm^3) 的范围内随机收集了 60 组残差误差数据，其中 42 个样本被选作原始训练样本集，18 个样本作为测试集。该数据集可在 https://github.com/Alvin8584/RobotCalibationDataforUR10 公开获取。

1.2 ID - DE 评估与残差误差补偿

研究了基于信息扩散（ID）的数据集增强方法（ID - DE）对各种学习方法的影响。