La calibración cinemática juega un papel fundamental en la mejora de la precisión de posicionamiento absoluto de los robots industriales, siendo la identificación de parámetros y la compensación de errores sus componentes centrales. Si bien el método convencional de identificación de parámetros, basado en la linealización, ha mostrado promesas, sufre de la pérdida de información del sistema de orden superior. Para abordar este problema, proponemos un filtro de Kalman no lineal (UKF) con covarianza de ruido de proceso adaptativa para la identificación de parámetros cinemáticos de robots. Se establece el modelo cinemático de un robot industrial típico de 6 grados de libertad. Se introduce el UKF para identificar los parámetros constantes desconocidos dentro de este modelo. Para mitigar la dependencia del UKF en la covarianza de ruido de proceso, se propone una estrategia de covarianza de ruido de proceso adaptativa para ajustar y corregir esta covarianza. La efectividad del algoritmo propuesto se demuestra a través de experimentos de identificación y compensación de errores para el robot industrial. Los resultados indican su superior estabilidad y precisión en diversas condiciones iniciales. En comparación con el algoritmo UKF convencional, el enfoque propuesto mejora la estabilidad de precisión del robot en un 25% bajo diferentes condiciones iniciales. Además, en comparación con métodos alternativos como el algoritmo de Kalman extendido, el algoritmo de optimización por enjambre de partículas y el algoritmo del lobo gris, el enfoque propuesto ofrece mejoras promedio del 4.13%, 26.47% y 41.59%, respectivamente.