Las operaciones de precisión robótica de equipos de alta gama a gran escala tienen grandes espacios de trabajo y numerosas incertidumbres. Tienen un efecto de error distribuido de manera desigual en la posición en el espacio. El método de estereotipado convencional actual ignora la incertidumbre en el sistema robótico; el método probabilístico o difuso a menudo se debe a la falta de muestras estadísticas en el proyecto, y es difícil definir con precisión el modelo probabilístico o difuso porque el patrón de distribución probabilística o la afiliación difusa no se pueden conocer de antemano. En este artículo, proponemos un método de particionamiento del espacio de trabajo robótico basado en la fiabilidad no probabilística que solo necesita conocer los límites superior e inferior de los valores de los parámetros inciertos y se adapta para realizar una calibración precisa de los robots en escenarios de muestras pequeñas o con poca información. El método considera las diferencias en la fiabilidad no probabilística de las posiciones finales del robot en diferentes rangos de espacio de trabajo y utiliza la agrupación KLFCM combinada con un algoritmo genético para realizar una optimización de particionamiento jerárquico en dos etapas. Los resultados experimentales muestran que, en comparación con la compensación global, los valores promedio de los límites superior e inferior de los intervalos de error en las direcciones x, y y z de la compensación particionada se reducen en un 31.17%, 7.26%, 14.30%, 34.91%, 2.48% y 35.82%, respectivamente, verificando que el método en este estudio puede realizar de manera más precisa la calibración y compensación de categorización particionada del robot, y mejorar efectivamente la fiabilidad y adaptabilidad espacial de la calibración y compensación de parámetros del robot en todo el dominio del espacio de trabajo. La fiabilidad y adaptabilidad espacial de la calibración y compensación de parámetros se mejoran efectivamente en todo el dominio del espacio de trabajo del robot.