# 實驗室
[@home](https://hackmd.io/@aiRobots/S1SoCbG9d/https%3A%2F%2Fhackmd.io%2F%40aiRobots%2FHJDjnMG5O?fbclid=IwAR1yxwebVbpxcAgRfPxtNkvbgp_r20zFOb0XlASTCWYi-bk0lOXZnunwXwA)

## 找自己技術興趣

### Real-time path planning with deadlock avoidance of multiple cleaning robots
[論文連結](https://ieeexplore.ieee.org/document/1242224)
+ 重點:
+ 多台機器人清潔任務需要規畫路線，分擔清潔任務，減少完成清掃任務的時間，要求機器人路徑穿過工作空間中的整個區域(完全覆蓋路徑規劃)。
+ 每個清潔機器人都將其他機器人視為移動障礙物。機器人路徑由神經網路的動態活動景觀、先前的機器人位置和其他機器人位置自主生成。
+ 提出新型神經網路方法，用於在任意變化的環境中避免與障礙物和其他機器人發生碰撞，並協同工作以提高清潔生產率。
+ 所提出的模型可以處理多機器人協作的deadlock情況。
+ 實時路徑是使用神經網路生成的，不需要任何環境先驗知識或任何預定義的地圖資訊。
+ 模型不需要學習過程，神經元之間只有局部橫向連接，每個神經元的動態特徵由從霍奇金和赫胥黎[10]的生物神經系統膜模型得出的分流方程描述。

## 精度校準

### Experimental Analysis of Robot Hybrid Calibration Based on Geometrical Identification and Artificial Neural Network
提出先透過識別出幾何參數，再配合人工神經網路ANN去校準
[論文連結](https://ieeexplore.ieee.org/document/9968704)
:::warning
+ 重點:
+ 採用混合校準方法(利用多種不同方法或技術來進行校準，該方法分兩步實現：識別幾何參數和人工神經網路（ANN）殘差近似)提高了輕型協作機器人的精度
+ 
由於裝配和製造，這些參數通常與實際參數不同。因此，這種差異會導致定位誤差。因此，必須通過幾何校準來識別參數。
+ 
ANN將機器人的關節位置作為輸入，並且必須預測測量位置與理論位置之間的差異
+ 定位誤差從3.10mm降低到0.13mm
+ 幾何參數的全域識別減少了用於ANN訓練的數據量
+ 考慮的機器人（ KUKA LBR iiwa 14R820）能夠達到高精度，接近其可重複性，無需彈性靜態校準，因為偏轉誤差由 ANN 補償
:::

### Accurate robot calibration by SAI method through visual measurement
利用參考資料中SAI方法去校準，但需要關節旋轉前後坐標點，本文提出利用視覺測量系統去取得，只需要關節旋轉前後七張照片就可以取得
[論文連結](https://ieeexplore.ieee.org/document/6739878)
index:robot calibration, SAI method, twist visual measurement, POE model

:::warning
+ 重點:
+ 提出如何利用視覺測量有效實現機器人SAI校準。
+ SAI方法是利用扭矩參數進行機器人校準
+ SAI主要思想是測量在世界坐標下每個機器人關節旋轉前後機器人端點的坐標
+ 為了獲取它需要在每個關節旋轉之前和之後獲取末端點的坐標，使用文中提及視覺測量系統，利用攝像頭進行數據測量，每個關節旋轉之前和之後只需 7 張照片，利用圖像點和相機的內外參數即可獲得坐標。
+ 實驗驗證在機器人上實現SAI方法不僅可以簡化流程、降低成本，而且可以保證高精度。
+ 視覺測量精度約為機器人定位精度的0.13倍，且隨著視覺測量系統精度的提高，末端攝像頭引入的機器人定位誤差減小。
:::

+ 參考資料:
1. Mooring etc.[1] presented CPA (circle point analysis) method based on D-H model
通過測量機器人上目標點的位置來提取關節軸，並通過軸方程得到所有關節參數(which means that the joint axis is extracted by measuring the position of the target point on the robot and all joints parameters are got by the axis equation;)
2. Stone[2] presented ASI (arm signature Identification) based on S model
控制機器人所有關節做旋轉運動時，超聲波測量儀器在機器人上的測量點，以及所有關節的軸方程可以獲得(which means that when all joints of the robot are controlled to do rotational motion, the gauge point on robot with the ultrasonic measuring instruments, and the axis equations of all joints can be got)
3. Zhang[3] presented a linear method to CPC
當依次控制機器人的所有關節做旋轉運動時，可以通過測量機器人末端的姿態來得到機器人參數，但存在傳播錯誤(which means that when all joints of the robot are successively controlled to do rotational motion, the robot parameters can be gotten by measuring the posture at the end of the robot, but there is propagation of error)
4. Matthias[4] realized the calibration to robot hand-eye and body at the same time by a mirror; (通過鏡子實現了對機器人手眼和身體的同時標定)
5. Wang[5] presented a linear SAI (Screw Axis Identification) calibration method based on exponential product model(基於指數乘積模型的線性SAI（螺桿軸識別）標定方法)
可以解決之前誤差的傳播，避免標定機器人的外部姿態，並且易於實現(which can solve the propagation of error before and avoid calibrating the extern posture of the robot, and can be realized easily. )

+ 指數乘積運動學模型:
+ 指數乘積模型是運動學模型之一，是結合螺旋理論和指數乘積模型建立的。該模型有兩個坐標系：一個是世界坐標系，另一個是末端工具坐標系。
+ 世界坐標系建立在測量儀器上，記為W，末端工具坐標系建立在位於機器人末端雙目相機的左相機上，標記為C，如圖1所示。

### Calibration of the arc-welding robot by neural network
[連結](https://ieeexplore.ieee.org/document/1527649)
弧焊機器人RH-06A。該機器人具有六個旋轉關節。機器人的基礎坐標系設置在與第一個關節坐標系相同的位置。

坐標系統的說明如圖所示。其中d1、d2、d3、d4、d5為連杆長度。

+ 將BP神經網絡分別與理想運動學模型和實際運動學模型結合，使用2種方案分別對弧焊機器人RH-06A(arc-welding robot RH-06A )進行校準。這兩種方法都可以大大提高校準精度，而後者的校準效果更好。

+ 方法一:BP網絡與機器人的理想運動學模型結合，使用三種方案對機器人進行校準，將姿態誤差降低到初始值的1/5。

+ Ideal Kinematics Model(理想運動學模型)
+ Neuro-kinematics calibration(神經運動學校準方法)
+ 神經運動學（NK）模型，該模型包括一個神經網絡和機器人的理想運動學模型。
+ 由於輸入-輸出關係高度非線性，為了簡化實施並減少學習時間，NN採用了具有動量的三層BP網絡，並使用提前停止方法。
+ NN具有一個隱藏層，其轉移函數是sigmoidal，而輸出神經元具有線性激活函數。
+ NK模型中NN的訓練參數值為學習率0.01和動量0.9。
+ 使用第一組姿勢（校準集）來訓練NN。在訓練過程中，會迭代地進行監測，以確保對第二組姿勢（控制集）的姿勢預測質量。當控制集中的誤差不再改進時，訓練將終止。此外，為了進一步進行控制，校準結束時，還對第三組姿勢（驗證集）進行了預測誤差評估。

+ 方法二:將BP網絡與實際運動學模型結合。能夠進一步提高機器人的精度。

+ Real Kinematics Model:考慮了所有幾何參數的誤差去修正

+ 
Sre表示通過非線性優化過程校準的實際運動學模型[2]
SNK表示從圖5中3種方案獲得的姿態模型。通過重複之前的校準過程並獲得新的校準結果，如表5所示。

### Vision System Calibration of Agricultural Wheeled-Mobile Robot Based on BP Neural Network
[連結](https://ieeexplore.ieee.org/document/4370166)

+ 介紹:
+ **相機校準**是正確應用整個視覺系統的基礎，它指的是**建立圖像像素點與實際位置點之間的關係。**
+ **相機模型參數**可以通過圖像坐標和世界坐標的相應特徵點進行計算。
+ Q: 因為存在著實際位置點和影像點之間的復雜非線性關係，這由於各種畸變而無法通過線性方法進行精確校準。
+ A: 基於**BP神經網絡的校準方法**，該方法可以接近任何非線性關係。
+ 參考:
+ [2] method of Zhengyou Zhang:基於2D圖案的相機校準方法。該方法的前提是必須通過相機從兩個或更多方向拍攝圖案，相機和2D圖案都可以自由移動，並且移動參數不需要知道。

#### On-Line Precision Calibration of Mobile Manipulators Based on the Multi-Level Measurement Strategy
[論文連結](https://ieeexplore.ieee.org/document/9330517)
+ Autonomous industrial mobile manipulator (AIMM)
自主工業移動機械手臂（AIMM）由移動平台和具有六個自由度（DoFs）的機械手臂組成，在工業環境中能夠自主移動並獨立執行靈巧任務。
+ 重點:

1. 專注於對AIMM進行大空間自主校準。應對在大空間中進行高精度校準的問題，
2. 多層引導式測量策略，其中包括低成本的視覺定位和引導系統，以及高精度的分佈式基站（BS）測量系統。
3. 基於安裝在機械手臂末端的末端執行器的測量數據，AIMM能夠在任何地方自動執行在線校準任務，而無需考慮高精度定位移動平台的昂貴設備以及機器人離線校準的停工時間。