买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：成都信息工程大学

摘要：本发明涉及数据处理技术领域，尤其涉及基于Logistic‑Tent混沌映射LevenbergMarquardt的机器人定位方法及系统，该方法包括以下步骤：S1，测量机器人末端的实际位置；S2，构建机器人的运动学模型，并基于运动学模型计算出机器人末端的理论位置；S3，基于机器人末端的理论位置和实际位置，采用Logistic‑Tent混沌映射LevenbergMarquardt算法识别出机器人的几何参数误差；S4，基于识别出的几何参数误差对机器人的几何参数进行误差补偿。该系统包括测量数据接收模块、理论位置计算模块、几何参数误差识别模块和误差补偿模块。本发明可以有效改善传统LM算法产生的截断误差，提高机器人几何参数误差识别精度，继而提高机器人定位精度。

主权项：1.一种基于Logistic-Tent混沌映射LevenbergMarquardt的机器人定位方法，其特征在于，包括以下步骤：S1，测量机器人末端的实际位置；S2，构建机器人的运动学模型，并基于运动学模型计算出机器人末端的理论位置；S3，基于机器人末端的理论位置和实际位置，采用Logistic-Tent混沌映射LevenbergMarquardt算法识别出机器人的几何参数误差；S4，基于识别出的几何参数误差对机器人的几何参数进行误差补偿；所述S3包括以下步骤：S31，利用机器人末端的位置与几何参数的偏导关系计算第k次迭代的雅克比矩阵Jk，k=1,2,3,……K，K为设置的迭代次数最大值； ；P表示机器人末端的位置向量，D为机器人所具有的关节数量，、di、和θi分别是第i个连杆的连杆长度、连杆偏移距离、连杆扭转角度和关节角度，i=1,2…D；为求偏导运算符；S32，构建目标函数，目标函数为： ； 为以U+x为参数的目标函数，n为样本数量，U为初始几何参数，x是几何参数误差向量，为第j份样本中拉线的实际长度，为第j份样本中拉线的理论长度；j表示第j份样本；δ为差值符号；S33，利用如下公式生成混沌映射点集NM： N m 是第m个分布点，Nm+1是第m+1个分布点，属于[0,1]的随机数，m=1,2,3,……M，r是一个超参数,r∈[0,4]，NM是M个分布点组成的集合，mod表示取模运算；S34，在区间[ak+1，xk+1,1]内产生M个候选解，构成候选集xlm；在区间[xk+1,1，bk+1]内产生M个候选解，构成候选集xrm；候选集xlm中的候选解通过公式计算得到： 候选集xrm中的候选解通过公式计算得到： 其中，，，ak+1=xk+xk+1,12,bk+1=xk+1,1+xk+1,22；xk是第k次迭代的几何参数误差向量，Jk是第k次迭代中xk对应的雅克比矩阵，µ是阻尼因子，I是单位矩阵，fxk表示第k次迭代中基于xk获得的位置误差，fxk+1,1表示第k+1次迭代中基于xk+1,1获得的位置误差，xk+1,1是利用xk迭代的临时解，xk+1,2是利用xk+1,1迭代的临时解，ak+1为xk与xk+1,1的中间值，bk+1为xk+1,1与xk+1,2的中间值；xlk+1m表示候选集xlm中的候选解，xrk+1m表示候选集xrm中的候选解，JkT表示对雅克比矩阵Jk转置，Jk,1T表示对雅克比矩阵Jk,1转置，Jk,1是第k+1次迭代中xk+1,1对应的雅克比矩阵；S35，利用目标函数分别计算候选解集xlm和xrm中每个候选解的适应值，以及候选解xk+1,1的适应值，并将最小适应值对应的候选解赋值给xk+1，作为下一次迭代的初始值；S36，判断迭代次数k是否达到最大值K，如果是则以xK作为最优几何参数误差向量输出，如果不是则令k=k+1，并返回步骤S31。

全文数据：

权利要求：

百度查询： 成都信息工程大学 基于Logistic-Tent混沌映射Levenberg Marquardt的机器人定位方法及系统