ロボットキャリブレーションは、測定されたロボットの幾何学が物理系と一致するパラメータや座標変換を特定します。ジョイントゼロ、キネマティック、ツールセンターポイント、カメラ内在校正、ハンドアイキャリブレーションは異なる誤差を解消します。誤った手順を実行すると、誤った量の正確な推定値が出る可能性があります。
まずは、タスクエラーがどこに現れ、どのフレームやパラメータが原因になるのかを尋ねてみてください。繰り返し性とは、同じポーズに戻ることを指します。絶対的正確性とは、外部の参照との一致を指します。繰り返し可能なロボットでも、キャリブレーションによって改善される一貫した位置誤差を持つことがあります。
このガイドをエン コーダーガイド および バーチャルコミューショニングガイドと一緒にご利用ください。キャリブレーションは構造のたわみ、バックラッシュ、センサーノイズ、熱ドリフトを除去しません。代表的な負荷と温度のもとで最終課題を検証します。
誤った座標変換やパラメータを先に特定する
ワールドとロボットのベースから、ジョイント、フランジ、ツール、カメラ、ターゲットを通じてチェーンを引きます。ロボットの姿勢、カメラの視点、ツール、ペイロードの観測誤差を比較してください。一定のツールオフセットは、姿勢依存的な運動学的誤差とは異なる原因を示唆します。
測定誤差とロボット誤差を区別しましょう。外部トラッカー、キャリブレーションターゲット、フィクスチャーにはそれぞれ不確実性があります。基準が支持する小数点数よりも多くの小数点を収集する前に、正確性要件と不確実性予算を定義してください。
ジョイントゼロキャリブレーションはエンコーダの参照を復元します
ジョイントゼロ校正は、エンコーダの基準と機構の定義されたジョイント角とのオフセットを推定します。インデックスマーク、ハードストップ、精密フィクスチャー、二次センサー、マスタリングツールなどが使用されることがあります。オフセットは前方運動学を通じて伝播し、姿勢依存の工具誤差となります。
影響を受けたすべての継手を、記録された方向と荷重条件で参照してください。バックラッシュや重力によって、アプローチによって見かけのゼロ点が変わることがあります。エンコーダのカウント、オフセット、温度、機械的状態を記録し、サービス後に再現できるようにします。
| キャリブレーションタイプ | 推定量 | 必須観測 | 典型的な症状 |
|---|---|---|---|
| ジョイントゼロ | エンコーダからジョイントへのオフセット | 基準ポーズまたは照明器具 | ポーズ依存ツールエラー |
| 運動学的 | リンク長と軸の形状 | 多くの測定されたロボットポーズ | システマティックワークスペースエラー |
| TCP | フランジでの工具変換 | 複数の向きや接触 | ツールチップオフセット |
| カメラの本質的 | 焦点パラメータと歪みパラメータ | フレームを横断するターゲット画像 | 画像再投影誤差 |
| ハンドアイ | カメラからグリッパーへの変換またはベース変換 | ロボットのポーズとターゲット観測 | 視覚誘導配置オフセット |
TCP校正では、ツールをフランジに対して位置特定します
工具中心点校正は、フランジフレーム内の作業点の位置やしばしば向きを推定します。一般的な方法は、複数の工具の向きを1つの固定された物理的点の周りに移動させたり、工具軸を基準に合わせたりします。
基準点を安定させつつ、多様な向きを使いましょう。緩い工具、柔軟な延長部、または不正確な接点固定器具が見積もりを損なう原因となります。フィッティングで使われていない独立した点や向きにアプローチして検証します。
カメラの本質部品は、ジオメトリ融合前にキャリブレーションされなければなりません
カメラの本質的な要素には、焦点距離、主点、レンズ歪みが含まれます。手と目のキャリブレーションは、画像観測がすでに適切なカメラモデルで変換されていることを前提としています。内在的な欠陥はロボットカメラの変換エラーとして現れることがあります。
OpenCVの キャリブレーションドキュメント は、カメラおよびハンドアイ機能に明確な座標変換規則を提供しています。画像面積、奥行き、向き全体でキャリブレーション済みのターゲットを捉え、1つの平均値ではなく再投影の残留パターンを検査します。
手と目のキャリブレーションはカメラとロボットのフレームをつなげます
アイインハンドキャリブレーションは、カメラと動くグリッパー間の固定変換を推定します。アイ・トゥ・ハンドキャリブレーションは、固定カメラとロボットのベースや作業フレームとの関係を推定します。入力変換と望ましい出力は異なるため、すべての上付き文字と方向にラベルを付けてください。
手目で見る場合、複数のロボットの動きとターゲット観測がAX=XBの関係を形成します。解決策は正確なロボットの姿勢とターゲット検出に依存します。ほぼ同じビューのクラスターではなく、よく分離された回転や平行移動を使いましょう。
AXはXBに等しい、観測可能で多様な動きが必要です
OpenCVは、手と目の変換を決定するために少なくとも2回の非平行な回転軸の動きが必要であり、より多くのポーズの使用を推奨しています。縮退運動は、ソルバーが結果を返しても一部のパラメータを弱く観測します。
方向軸、距離、作業スペースをまたぎながら、ターゲットを視認し鋭く保つプランポーズ。モーションブラーや曖昧なターゲット検出のあるフレームはリジェクトしてください。複数のアルゴリズムを比較し、変換の整合性を検査しますが、独立したタスクエラーで選択します。
| データ品質チェック | 良い証拠です | 不合格パターン | 是正措置 |
|---|---|---|---|
| 回転多様性 | 複数の非平行軸 | 不安定な向き | 手首の回転を明確にする |
| 翻訳多様性 | 広く有用な基準 | 奥行き感度 | 距離と位置を変える |
| ターゲットカバレッジ | 画像面積と角度の多様性 | エッジ歪み残差 | 本質データセットの改善 |
| ロボットポーズの品質 | 定住されたタイムスタンプ付きの状態 | 不整合変換 | シンクロしてホールド |
| 検証分割 | 見えないポーズとターゲット | 訓練のみの精度 | 予備独立試験 |
運動学的校正による構造幾何学の推定
運動学的キャリブレーションは、外部姿勢測定を用いてリンク長、ジョイント軸方向、ベースフレームおよび関連パラメータを調整します。パラメータ識別可能性は重要です。なぜなら、複数の誤りが限られたデータセット上で同様のツールの置換を生み出す可能性があるからです。
ロボットに適したパラメータモデルを使用し、観測不可能な組み合わせをフィッティングするのは避けてください。既知の幾何学を正則化または制約する。作業空間およびペイロードの状態全体で検証;低いフィッティング残差をタスク精度の保証と解釈しないでください。
校正データと検証データは分離されなければなりません
ソルバーは、使用した観測値によって最もよく見えます。予備姿勢、ターゲットの配置、タスクの軌道を検証する。位置や方向の誤差分布、最悪ケース、空間パターンを報告し、単なる平均二乗根の値だけでなく。
同じ独立した参照を使ってビフォー・アフターの結果を比較します。衝突、バックラッシュ、ターゲットの動き、画像の曖昧さ、タイムスタンプの誤りなどのアウトライヤーを調査します。いくつかの大きな誤差は、平均よりも生産にとって重要な影響を与えることがあります。
温度、荷重、衝突によってキャリブレーションが変わることがあります
ロボットのリンク、リデューサー、カメラ、マウントは温度とともに膨張します。ペイロードは構造物を曲げます。衝突やメンテナンスのイベントは、工具、ベース、センサーがずれることがあります。したがって、キャリブレーションはチェックと更新のためのトリガーを持つ制御状態です。
ウォームアップ、周囲温度、ペイロード、工具のシリアル番号、治具の状態を追跡します。完全なキャリブレーションの合間にクイック検証成果物を使いましょう。ハードウェアの継続、再調整、点検の閾値を設定しましょう。
安定した基準からツールやセンサーへと校正
下流変換をフィッティングする前に、ジョイント参照とベースジオメトリを復元してください。カメラの内蔵部品を手の目より先にキャリブレーションしてください。インストールされたツール用のTCPをキャリブレーションし、実際のタスクで結合チェーンを検証します。
バージョンパラメータ、生の観測データ、ソフトウェア、ターゲットジオメトリ、結果をまとめて提供します。デプロイメントはどのキャリブレーションセットがアクティブかを知る必要があります。上流の変更後に独立した精度チェックを再実行します。
- すべての座標変換を描いてラベル付けします。
- 下流のキャリブレーション前にジョイントの参照を固定してください。
- 多様で観察可能なポーズと正確なターゲットを使いましょう。
- 独立したデータを有効に留めておく。
- 負荷、温度、サービスの再チェックトリガーを定義します。
よくある質問
TCPとハンドアイキャリブレーションは同じですか？
いいえ。TCP校正では、ツールがフランジに対して相対的に位置を特定します。ハンドアイキャリブレーションはカメラとグリッパーまたはロボットベースを接続します。
手と目のキャリブレーションは1つの画像で使えますか？
いいえ。複数のロボットポーズと、十分に多様な動きを持つターゲット観測に依存しています。
良好な再現性はキャリブレーションの必要性をなくすのでしょうか？
いいえ。ロボットは外部座標系から一貫してずれたまま、正確にポーズを繰り返すことができます。
ジョイントゼロキャリブレーションは構造の曲げを修正しますか？
いいえ。参照オフセットを補正します。荷重依存のたわみや幾何学の誤差は、他のモデルや補正を必要とします。
キャリブレーションはいつ再行すべきですか？
衝突、工具やカメラの交換、エンコーダーや機械の整備、異常誤差、重大な負荷や温度変化の後は再確認してください。
キャリブレーションスコープノート
校正品質は観測可能性、基準不確実性、同期、機械的安定性によって制限されます。フィッティングデータと検証データを分離し、変換慣例を維持し、独立したタスク空間測定で統合システムを検証します。