Este documento propone un método de calibración mejorado basado en datos para un robot híbrido de seis grados de libertad (DOF). Se centra principalmente en mejorar la eficiencia de medición y la practicidad de los métodos de calibración basados en datos existentes a través de los siguientes enfoques. (1) El movimiento arbitrario del robot híbrido se descompone de manera equivalente en tres sub-movimientos independientes mediante la descomposición del movimiento. A continuación, los sub-movimientos se combinan de acuerdo con reglas de movimiento específicas. Así, se pueden adquirir una gran cantidad de poses del robot en todo el espacio de trabajo a través de un número limitado de mediciones, resolviendo efectivamente la maldición de la dimensionalidad en la medición. (2) Se establece un mapeo entre las variables de articulación nominales y los valores de compensación de articulación utilizando una red neuronal de retropropagación (BPNN), que se entrena directamente utilizando los datos de medición a través de un algoritmo único que involucra cinemática inversa. Así, la practicidad de la calibración basada en datos se mejora significativamente. Los experimentos de validación se llevan a cabo en un robot TriMule-200. Los resultados muestran que los errores máximos de posición/orientación del robot se reducen en un 91.16%/88.17% a 0.085 mm/0.022 grados, respectivamente, después de la calibración.