| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-21页 |
| 1.1 工业机器人的现状与发展趋势 | 第10-11页 |
| 1.2 工业机器人标定的背景与研究意义 | 第11-13页 |
| 1.3 机器人标定技术的研究现状 | 第13-19页 |
| 1.3.1 国外标定技术研究现状 | 第13-18页 |
| 1.3.1.1 运动学模型标定法 | 第13-16页 |
| 1.3.1.2 机器人自标定研究 | 第16-17页 |
| 1.3.1.3 机器人神经网络标定法 | 第17-18页 |
| 1.3.1.4 动力学标定 | 第18页 |
| 1.3.2 国内研究现状 | 第18-19页 |
| 1.4 本文主要研究内容 | 第19-21页 |
| 第二章 机器人运动学模型及误差分析 | 第21-33页 |
| 2.1 引言 | 第21页 |
| 2.2 机器人运动学模型 | 第21-23页 |
| 2.3 机器人运动学求解 | 第23-29页 |
| 2.3.1 机器人正运动学求解 | 第23-25页 |
| 2.3.2 机器人逆运动学求解 | 第25-28页 |
| 2.3.3 机器人运动学中的雅克比矩阵 | 第28-29页 |
| 2.4 机器人误差分析 | 第29-31页 |
| 2.4.1 误差源分析 | 第29-30页 |
| 2.4.2 机器人的重复精度与绝对精度 | 第30-31页 |
| 2.5 本章小结 | 第31-33页 |
| 第三章 机器人的误差模型及参数误差辨识 | 第33-46页 |
| 3.1 引言 | 第33页 |
| 3.2 机器人误差模型 | 第33-37页 |
| 3.2.1 机器人误差模型概述 | 第33-34页 |
| 3.2.2 机器人几何误差模型的建立 | 第34-37页 |
| 3.3 最小二乘法辨识运动学参数误差 | 第37-41页 |
| 3.3.1 参数识别模型 | 第37-38页 |
| 3.3.2 计算机数值仿真 | 第38-41页 |
| 3.4 极大似然估计法辨识运动学参数误差 | 第41-44页 |
| 3.4.1 极大似然估计参数辨识模型 | 第41-43页 |
| 3.4.2 数值仿真 | 第43-44页 |
| 3.5 模拟结果 | 第44-45页 |
| 3.6 本章小结 | 第45-46页 |
| 第四章 机器人神经网络逆标定法研究与仿真 | 第46-57页 |
| 4.1 引言 | 第46-47页 |
| 4.2 神经网络概述 | 第47页 |
| 4.3 遗传算法在优化BP神经网络中的应用 | 第47-52页 |
| 4.3.1 遗传算法原理 | 第47-48页 |
| 4.3.2 遗传算法优化BP神经网络 | 第48-52页 |
| 4.4 基于GA-BP逆运动学标定法仿真实例 | 第52-56页 |
| 4.5 仿真结果 | 第56页 |
| 4.6 本章小结 | 第56-57页 |
| 第五章 具有重力补偿的机器人控制研究 | 第57-69页 |
| 5.1 引言 | 第57-58页 |
| 5.2 用Lagrange方程建立机器人动力学方程 | 第58-61页 |
| 5.2.1 机器人系统动能 | 第58-60页 |
| 5.2.2 机器人系统势能 | 第60页 |
| 5.2.3 利用拉格朗日方程建立动力学模型 | 第60-61页 |
| 5.3 具有固定重力补偿的PD控制 | 第61-65页 |
| 5.3.1 预备知识 | 第62-63页 |
| 5.3.2 控制方案及稳定性分析 | 第63-65页 |
| 5.4 基于固定重力补偿的仿真实例 | 第65-67页 |
| 5.5 仿真结果 | 第67-68页 |
| 5.6 本章小结 | 第68-69页 |
| 第六章 总结与展望 | 第69-71页 |
| 6.1 全文总结 | 第69-70页 |
| 6.2 研究展望 | 第70-71页 |
| 参考文献 | 第71-76页 |
| 致谢 | 第76-77页 |
| 个人简历、在学期间的研究成果及发表的学术论文 | 第77页 |