一、误差补偿技术概述

各位同学好，我是老张。在机器人行业摸爬滚打了十几年，今天咱们来聊聊轨迹规划里一个绕不开的话题——误差补偿。

说实话，我刚入行那会儿，总觉得轨迹规划就是算出一条漂亮的路径就完事了。直到有一次，我调试一台六轴工业机器人，理论轨迹算得漂漂亮亮，结果一跑起来，末端执行器偏差了将近2毫米。嗯，那会儿我才真正意识到——理论模型和实际系统之间，永远隔着一道误差的鸿沟。

1.1 轨迹规划中的误差来源

误差从哪来？我把它归纳成三大类。你想想看，任何一个机器人系统，都逃不开这三座大山。

运动学误差

说白了，就是几何参数不准。比如连杆长度、关节零点位置、齿轮间隙这些。

• 连杆参数误差：加工公差、装配偏差，都会让DH参数跟设计值不一样。我在一个焊接项目里遇到过，两台同型号机器人，标定后DH参数差了0.3mm，这就是制造公差惹的祸。
• 零点漂移：编码器零点跑偏了，关节角度读数就不准。我记得有次调试，机器人回零后位置总差一点，查了半天，原来是编码器电池没电了。
• 传动间隙：齿轮、减速器里的背隙，正反转的时候尤其明显。这个在重载机器人上特别头疼。

动力学误差

这个就复杂了。运动学误差是几何问题，动力学误差是力的问题。

• 惯性参数不准：连杆质量、质心位置、转动惯量，这些参数你很难精确测量。我做过一个协作机器人项目，负载变了，动力学模型就得重新辨识。
• 摩擦力：这东西最烦人。库仑摩擦、粘滞摩擦、Stribeck效应，还跟温度、润滑状态有关。我曾经为了辨识一个关节的摩擦力模型，连续测了三天数据。
• 柔性变形：关节柔性、连杆弹性，高速运动时尤其明显。你想想看，一个长臂机器人末端，加减速时那抖动，就是柔性在作怪。

环境扰动

这个属于"天灾"，你控制不了，只能应对。

• 外部负载变化：抓取不同重量的物体，动力学特性就变了。
• 地面振动：工厂里其他设备一启动，机器人底座都在抖。
• 温度变化：热胀冷缩，连杆长度会变。我有个客户在铸造车间用机器人，夏天和冬天，末端位置能差1mm。

1.2 误差补偿的意义与目标

为什么要做误差补偿？说白了，就是让机器人指哪打哪。

具体目标有三个：

1. 提高绝对定位精度：让机器人末端实际位置，尽可能接近理论位置。这在离线编程里特别重要——你离线编好的程序，到现场不用调就能用。
2. 改善轨迹跟踪性能：让机器人沿着规划好的路径走，不跑偏。尤其是高速运动、曲线轨迹，误差补偿做不好，轨迹就变形了。
3. 增强鲁棒性：面对环境变化、参数摄动，系统还能稳定工作。说白了，就是"皮实"。

1.3 误差补偿技术的分类

补偿方法五花八门，我习惯分成三大类。你理解了这个分类，后面学具体技术就轻松了。

前馈补偿

思路很简单：既然知道误差会来，那就提前把补偿量加进去。

• 基于模型：建立误差模型，反向补偿。比如运动学标定后，把修正后的参数用到正逆解里。
• 基于查表：离线测量误差，做成查找表，运行时查表补偿。我在一个精密装配项目里用过，效果不错。
• 优点：不改变系统稳定性，响应快。
• 缺点：依赖模型精度，对未建模误差无能为力。

反馈补偿

这个大家熟悉——检测误差，然后闭环修正。

• 基于传感器：视觉、激光、力传感器，实时检测末端位置或力，反馈给控制器。
• 基于状态观测：用卡尔曼滤波、龙伯格观测器，估计不可测的状态误差。
• 优点：鲁棒性好，能应对不确定扰动。
• 缺点：有延迟，可能影响稳定性，传感器成本高。

学习补偿

这是近年来的热点。让系统自己从数据中学习误差规律。

• 迭代学习：重复执行同一轨迹，从上次的误差中学习，逐步修正。我在一个点焊机器人项目里用过，跑了5次后，误差就收敛到0.1mm以内了。
• 神经网络：用大量数据训练一个误差模型，然后在线补偿。
• 强化学习：让机器人在运行中不断调整补偿策略。
• 优点：不需要精确模型，能处理复杂非线性误差。
• 缺点：需要大量数据，训练时间长，可解释性差。

下面这张图，是我自己总结的误差补偿技术框架，你一看就明白了：

你看这张图，从左到右，从误差来源到补偿目标，再到具体技术，逻辑很清晰。我个人习惯，做项目时先分析误差来源，再定补偿目标，最后选技术方案。顺序不能乱。

好了，这一章就讲到这里。误差补偿是个系统工程，后面我们会逐一深入每种技术。记住一句话：没有完美的模型，只有不断逼近的补偿。

---