Étalonnage de systèmes bi-robots par entraînement de réseaux de neurones

RÉSUMÉ L’objectif de recherche est de parvenir à améliorer la précision de robots soumis à des tâches coopératives. Les travaux se focalise sur l’étalonnage commun des robots et cherche à réduire l’erreur de poursuite statique entre les deux brides des deux robots. La méthode proposée consiste à réaliser un premier étalonnage afin d’obtenir un modèle géométrique de chacun des deux robots et de situer ces modèles dans l’espace de travail. Ensuite, une série de mesure est effectuée afin de pouvoir évaluer l’erreur résiduelle de l’étalonnage pour chaque combinaison de poses du robot maître et du robot esclave. Ces données sont utilisées pour entraîner un réseau de neurones afin de prédire les erreurs non-géométriques et les erreurs aléatoires résiduelles à la suite de la calibration géométrique. L’utilisation de réseau de neurone pour la prédiction de l’erreur de poursuite a tout d’abord été mis à l’épreuve en simulation à partir de données issues d’un projet antérieur portant également sur la calibration de robots coopératifs. Les résultats obtenus ont permis de valider qualitativement la méthode, mais il fut nécessaire de récolter davantage de données expérimentales pour l’obtention de résultats quantitatifs. Un total de mille poses a été mesurées pour chacun des robots sur une cellule expérimentale contenant deux KUKA KR300 R2500 et un Leica LTD800. Une première série de mesure est effectuée, puis les robots sont ensuite étalonnés à partir de la méthode par axe. Puis, une autre série de mesure compensée est exécutée suite à cet l’étalonnage. Un réseau de neurone a été ensuite été entrainé à partir de 900 données provenant des données compensées, prenant en entrée les positions cartésiennes (XYZABC) des deux robots et en sortie les composantes cartésiennes de l’erreur de poursuite entre les deux brides. Les 100 données restantes du groupe de données compensées ont été utilisées pour évaluer la performance de l’approximation de l’erreur. La méthode proposée permet de réduire l’erreur maximale de 1.2 mm à 0.2 mm par axe pour le positionnement et de 0.5 à 0.05° par angle pour l’orientation. En conclusion, l’utilisation de réseaux de neurones pour la calibration des erreurs non-géométriques permet d’améliorer la précision de l’erreur de poursuite entre les brides de robot travaillant en coopération. Mots-clés : Robotique, Robots coopératifs, Étalonnage, Réseaux de neurones,

Abstract

ABSTRACT The research goal of the presented project is to improve accuracy of cooperative robots. The current work focus on dual robot calibration and aim to reduce static pursuit error between the two flanges.The proposed method is to first calibrate each robot geometrical model and to locate both bases in the workspace. A first dataset is measured before calibration and then, a second set is measured once the robots are calibrated in order to quantify the accuracy improvement of the first calibration. The second set of data also allows to compute the residual error after calibration for each combinaison of poses of the master and slave robot. This dataset is used to train a neural network to predict the residual error associated to non-geometric constraints and random error left after calibration. Using a neural network to predict error was first simulated using data from previous work on cooperative robots. The results show that the neural network can accurately approximate error, but additionnal experimental data was necessary to evaluate accuracy. A total of a thousand randomized poses has been measured on an experimental workspace containing two KUKA KR300 R2500 and a Leica LTD800, before and after axis calibration. A neural network was trained using 900 datapoints from the compensated dataset, using the cartesian position (XYZABC) of both robots as an input in order to predict the flange to flange error. The remaining 100 datapoints is then used to evaluate the accuracy of the method. The sucessive calibrations allows to reduce the maximal error from 1.2 mm to 0.2 mm by axis for the postioning and from 0.5° to 0.05° by angle for the orientation. To conclude, using neural network prediction in cooperative robots calibration allows to improve accuracy of flange to flange error. Keywords: Robotic, Cooperative Robots, Calibration, Neural Network,