CN105014667B - 一种基于像素空间优化的相机与机器人相对位姿标定方法 - Google Patents
一种基于像素空间优化的相机与机器人相对位姿标定方法 Download PDFInfo
- Publication number
- CN105014667B CN105014667B CN201510478644.6A CN201510478644A CN105014667B CN 105014667 B CN105014667 B CN 105014667B CN 201510478644 A CN201510478644 A CN 201510478644A CN 105014667 B CN105014667 B CN 105014667B
- Authority
- CN
- China
- Prior art keywords
- robot
- camera
- optimization
- scaling board
- coordinate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims abstract description 33
- 238000012546 transfer Methods 0.000 claims description 13
- 230000007704 transition Effects 0.000 claims description 9
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 4
- NJPPVKZQTLUDBO-UHFFFAOYSA-N novaluron Chemical compound C1=C(Cl)C(OC(F)(F)C(OC(F)(F)F)F)=CC=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F NJPPVKZQTLUDBO-UHFFFAOYSA-N 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 abstract description 6
- 238000004422 calculation algorithm Methods 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 abstract description 3
- 230000009466 transformation Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012946 outsourcing Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/1605—Simulation of manipulator lay-out, design, modelling of manipulator
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Manipulator (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于像素空间优化的相机与机器人相对位姿标定方法。本发明采用机器人末端携带标定板在固定相机视野内运动,利用标定板的空间运动约束信息,标定得到最优的相机与机器人基座的相对位姿关系。首先通过利用旋转矩阵的线性不变性求解齐次变换矩阵,得到的初步的标定结果;然后将初步标定结果作为优化初值,在像素空间进行优化,使得重投影误差最小。本发明采用了迭代优化算法,无需精密的外部测量设备,利用图像像素空间的模型约束,结合有效的优化初值获取方法,得到了相对高精度的标定结果,可满足工业应用中视觉伺服机器人完成定位和抓取工作的需求。
Description
技术领域
本发明属于先进制造与自动化领域,具体地说,是一种基于像素空间优化的相机与机器人相对位姿标定方法。
背景技术
随着工业机器人的发展,基于视觉伺服的机器人/机械臂作业在越来越多的场景得到应用,是目前“机器换人”和产业转型的核心问题。具备视觉系统的工业机器人可以更加灵活智能的与环境交互,取代人工完成更多的任务,把工人从流水线上的重复工作中解放出来。视觉传感器与机器人空间位姿标定的精度是保证手眼系统可以正常运行的关键,标定的精度决定了视觉伺服机器人定位和抓取的准确度。
相机与机器人之间相对位置和方向关系的求解问题是机器人学与计算机视觉领域的一个基本问题。以往的方法把这类问题归结为求解齐次变换方程AX=XB,对于此方程的求解一般分为两类:一类是基于旋转矩阵的线性不变性[1],将方程线性化并采用线性最小二乘求解,此类方法先求解旋转变换部分,再利用旋转变换的结果求解平移变换,这会导致误差传递,因此此类方法对噪声敏感,精度不高,一类是通过迭代优化的方法[2],此类方法依赖于优化初值的选择,选择不当的初值会使优化结果陷入局部最优,无法得到满意的标定精度。标定数据通过相机来观测标定板的运动(此运动由机器人的运动引起)来获得,标定板上的特征点对应的图像坐标是直接的观测数据,以上方法并没有利用相机的成像信息。
[1]Tsai R Y,Lenz R K,A new technique for fully autonomous andefficient 3D robotics hand/eye calibration,in\emph{IEEE Trans.on Robotics andAutomation},1989,5(3):345-358.
[2]Zuang H,Shiu Y C,A noise-tolerant algorithm for robotic hand-eyecalibration with or without sensor orientation measurement,in\emph{IEEETrans.on Systems,Man and Cybernetics},1993,23(4):1168-1175.
发明内容
本发明的目的是针对现有的机器人与相机标定方法中存在的不足,提出了一种基于像素空间优化的相机与机器人相对位姿标定方法。
本发明是通过以下技术方案来实现的:
本发明的有益效果如下:
本发明无需外部测量设备,借助低成本的标定板完成相机与机器人相对位姿的标定,首先通过利用旋转矩阵的线性不变性求解齐次变换矩阵,得到初步的标定结果。然后将初步标定结果作为优化初值,在像素空间进行优化,使得重投影误差最小,充分利用了图像信息。由于存在两个未知参数,因此采用了迭代优化的方法,假设其中一参数为已知量,求解另一个未知参数,并将求解的结果互相迭代,当标定结果收敛时停止迭代,可得到精确的标定结果,本发明针对工业应用场景的实际需求,提供了高精度的相机与机器人相对位姿标定方法。
本发明无需依赖标定初值的选择,又兼顾了相机与机器人相对位姿标定的精度,使得标定结果不受噪声的影响,克服了传统方法中存在的不足。实验证明应用本发明中的方法得到的标定结果建立机器人和相机之间的位置关系,机器人可以在视觉系统的伺服下完成高精度的抓取任务,平均抓取误差为0.873mm。
附图说明
图1为基于像素空间优化的相机与机器人相对位姿标定方法流程示意图;
图2为适用本发明技术方案的Hand-to-eye手眼标定装置示意图;
图3为本发明技术方案标定过程中运动状态转移示意图;
具体实施方法
本发明公开了一种基于像素空间优化的相机与机器人相对位姿标定方法,图1为基于像素空间优化的相机与机器人相对位姿标定方法流程示意图,具体步骤如下:
(1)固定标定板在机器人末端,控制机器人运动,使得运动停止时,标定板在相机视野内;
(2)当运动停止后,记录机器人末端坐标系到基座坐标系的转换关系Te r,采集图像得到标定板上棋盘格角点像坐标{(u1,v1),(u2,v2),...,(um,vm)},计算标定板坐标系到相机坐标系的转换关系Tb c;
(3)再控制机器人运动n若干次,得到n+1运动停止时的状态数据
{Te r,Tb c,{(u1,v1),(u2,v2),...,(um,vm)}}(1,2,...,n+1);
(4)根据运动状态转移中相机、标定板、机器人末端与机器人基座坐标系之间的转换关系,建立以下状态转移方程:
(Tb c)(1)=Tr c·(Te r)(1)·Tb e
(Tb c)(2)=Tr c·(Te r)(2)·Tb e
(Tb c)(n+1)=Tr c·(Te r)(n+1)·Tb e
Tr c是机器人基座坐标系到相机坐标系的齐次转换矩阵,Tb e是标定板坐标系到机器人末端坐标系的齐次转换矩阵;
(5)消去Tb e,令Tb表示标定板的状态转移矩阵,Te表示机器人末端的转移矩阵,得到n个齐次转换方程:(Tb)(i)·Tr c=Tr c·(Te)(i),即AX=XB;
(6)利用旋转矩阵的线性不变性求解齐次转换方程AX=XB,将求得的Tr c'作为优化求解的初始值;
(7)在像素空间迭代优化,得到精确的Tr c和Tb e,根据相机的成像模型以及方程(Tb c)(i)=Tr c·(Te r)(i)·Tb e,可得:
此方程为优化求解的目标方程,其中相机的内参数矩阵是已知参数,迭代优化求解的步骤如下:
(7-1)迭代过程包括两个阶段:标定板到机器人末端位姿关系求解阶段和机器人基座到相机位姿关系求解阶段;
(7-2)将(6)中得到的结果作为初始值(Tr c)(0)=Tr c',将代入方程
(Tb c)(i)=Tr c·(Te r)(i)·Tb e得到Tb e的初始值(Tb e)(0);
(7-3)标定板到机器人末端位姿关系求解阶段:n+1组状态数据作为输入数据,将(Tr c)(k-1)作为已知量带入优化目标方程,(Tb e)(k-1)作为优化的初始值,优化的目标为最小化重投影误差其中(uj,vj)为观测角点像坐标,(uj',vj')为重投影后的角点像坐标,采用Levenberg-Marquardt算法求解(Tb e)(k);
(7-4)机器人基座到相机位姿关系求解阶段:n+1组状态数据
{Te r,Tb c,{(u1,v1),(u2,v2),...,(um,vm)}}(1,2,...,n+1)作为输入数据,将(Tb e)(k)作为已知量带入优化目标方程,(Tr c)(k-1)作为优化的初始值,优化的目标为最小化重投影误差其中(uj,vj)为观测角点像坐标,(uj',vj')为重投影后的角点像坐标,采用Levenberg-Marquardt算法求解(Tr c)(k);
(7-5)根据(Tb e)(k),(Tr c)(k)和(Tb e)(k-1),(Tr c)(k-1)判断标定结果是否收敛:计算
err=||(Tr c)(k)-(Tr c)(k-1)||f+||(Tb e)(k)-(Tb e)(k-1)||f
||·||f表示矩阵的Frobenius范数,如果err小于设定的阈值,则停止迭代,得到最终的标定结果Tr c=(Tr c)(k),即否则置k=k+1;
下面通过具体实施例对本发明的技术方案作进一步地说明:
图2适用本发明技术方案的Hand-to-eye手眼标定装置示意图,基于像素空间优化相机与机器人相对位姿标定方法的步骤如下:
(1)工业机器人基座固定,相机固定安装在机器人外部工作区域的上方,已知相机的内参数,在机器人末端固定棋盘格标定板,装置图如图2所示;
(2)控制机器人运动,使标定板运动到视野范围内,当运动停止时,可以得到机器人末端坐标系到基座坐标系的转换关系,用齐次变换矩阵Te r表示,包含旋转和平移变换;
(3)相机采集图像,得到棋盘格m个角点在像平面中的坐标
{(u1,v1),(u2,v2),...,(um,vm)},结合相机内参数计算标定板坐标系到相机坐标系的转换关系,用齐次变换矩阵Tb c表示;
(4)再控制机器人进行n(n>2)次转轴非平行的运动,同样要保证标定板在相机视野范围,每次运动后采集图像,根据步骤(2)(3)可以得到n+1组状态数据{Te r,Tb c,{(u1,v1),(u2,v2),...,(um,vm)}}(1,2,...,n+1);
(5)根据运动状态转移中相机、标定板、机器人末端与机器人基座坐标系之间的转换关系,建立以下状态转移方程:
(Tb c)(1)=Tr c·(Te r)(1)·Tb e
(Tb c)(2)=Tr c·(Te r)(2)·Tb e
(Tb c)(n+1)=Tr c·(Te r)(n+1)·Tb e
运动转移状态示意图如图3所示,图3为本发明技术方案标定过程中运动状态转移示意图,其中Tr c是机器人基座坐标系到相机坐标系的齐次转换矩阵,Tb e是标定板坐标系到机器人末端坐标系的齐次转换矩阵,Tr c与Tb e都是固定不变的;
(6)将(5)中的方程两两顺序组合,消去Tb e,令 Tb表示标定板的状态转移矩阵,Te表示机器人末端的转移矩阵,可得n个齐次变换方程:(Tb)(i)·Tr c=Tr c·(Te)(i),其中i表示状态索引;
(7)将状态转移矩阵分块表示,齐次变换方程可表示为:
其中R表示旋转矩阵,t表示平移向量。
(8)旋转矩阵R等价的旋转向量表示为:其中θ为旋转角,(n1,n2,n3)t为转轴方向的单位向量,表示Pr的反对称矩阵,由齐次变换方程可得(Rb)(i)Rr c=Rr c(Re)(i),将其中的旋转矩阵都变换为旋转向量可得n个线性方程Skew((Pb)(i)+(Pe)(i))Pr c'=(Pe)(i)-(Pb)(i);
(9)由线性最小二乘算法求解得到Pr c',根据公式求解出Pr c,将Pr c转换为欧拉角表示的旋转矩阵Rr c,再将Rr c带回齐次变换方程,求得tr c,将此结果作为迭代优化的初始值;
(10)在像素空间迭代优化,得到精确的Tr c和Tb e,根据相机的成像模型以及方程(Tb c)(i)=Tr c·(Te r)(i)·Tb e,可得:
此方程为优化求解的目标方程,其中相机的内参数矩阵是已知参数,迭代优化求解的步骤如下:
(10-1)迭代过程包括两个阶段:标定板到机器人末端位姿关系求解阶段和机器人基座到相机位姿关系求解阶段;
(10-2)将(9)中得到的结果作为初始值(Tr c)(0)=Tr c',将代入方程
(Tb c)(i)=Tr c·(Te r)(i)·Tb e得到Tb e的初始值(Tb e)(0);
(10-3)标定板到机器人末端位姿关系求解阶段:n+1组状态数据
{Te r,Tb c,{(u1,v1),(u2,v2),...,(um,vm)}}(1,2,...,n+1)作为输入数据,将(Tr c)(k-1)作为已知量带入优化目标方程,(Tb e)(k-1)作为优化的初始值,优化的目标为最小化重投影误差其中(uj,vj)为观测角点像坐标,(uj',vj')为重投影后的角点像坐标,采用Levenberg-Marquardt算法求解(Tb e)(k);
(10-4)机器人基座到相机位姿关系求解阶段:n+1组状态数据
{Te r,Tb c,{(u1,v1),(u2,v2),...,(um,vm)}}(1,2,...,n+1)作为输入数据,将(Tb e)(k)作为已知量带入优化目标方程,(Tr c)(k-1)作为优化的初始值,优化的目标为最小化重投影误差其中(uj,vj)为观测角点像坐标,(uj',vj')为重投影后的角点像坐标,采用Levenberg-Marquardt算法求解(Tr c)(k);
(10-5)根据(Tb e)(k),(Tr c)(k)和(Tb e)(k-1),(Tr c)(k-1)判断标定结果是否收敛:计算
err=||(Tr c)(k)-(Tr c)(k-1)||f+||(Tb e)(k)-(Tb e)(k-1)||f
||·||f表示矩阵的Frobenius范数,如果err小于设定的阈值,则停止迭代,得到最终的标定结果Tr c=(Tr c)(k),否则置k=k+1。
以上例举的仅是本发明的优选实施方式,本发明并不限于以上实施例,本领域技术人员在不脱离本发明的精神和构思的前提下直接导出或联想到的其他改进和变化,均应认为包含在本发明的保护范围内。
Claims (3)
1.一种基于像素空间优化的相机与机器人相对位姿标定方法,其特征在于,机器人在末端固定标定板,通过运动控制使标定板在固定安装的相机视野下摆放不同位姿,结合各个姿态下已知的机器人末端运动信息和标定板在图像中的识别结果,迭代优化相机与机器人基座和标定板与机器人末端两个参数,最终获得精确的相机与机器人基座相对位姿关系,具体标定步骤如下:
1)、固定标定板在机器人末端,控制机器人运动,使得运动停止时,标定板在相机视野内;
2)、当运动停止后,记录机器人末端坐标系到基座坐标系的转换关系Te r,采集图像得到标定板上棋盘格角点像坐标{(u1,v1),(u2,v2),...,(um,vm)},计算标定板坐标系到相机坐标系的转换关系Tb c;
3)、再控制机器人运动n次,得到n+1运动停止时的状态数据
{Te r,Tb c,{(u1,v1),(u2,v2),...,(um,vm)}}(1,2,...,n+1);
4)、根据运动状态转移中相机、标定板、机器人与机器人基座坐标系之间的转换关系,建立以下状态转移方程:
(Tb c)(1)=Tr c·(Te r)(1)·Tb e
(Tb c)(2)=Tr c·(Te r)(2)·Tb e
(Tb c)(n+1)=Tr c·(Te r)(n+1)·Tb e
Tr c是机器人基座坐标系到相机坐标系的齐次转换矩阵,Tb e是标定板坐标系到机器人末端坐标系的齐次转换矩阵;
5)、消去Tb e,令Tb表示标定板的状态转移矩阵,Te表示机器人末端的转移矩阵,得到n个齐次转换方程:(Tb)(i)·Tr c=Tr c·(Te)(i),即AX=XB;
6)、利用旋转矩阵的线性不变性求解齐次转换方程AX=XB,将求得的Tr c'作为优化求解的初始值;
7)、在像素空间迭代优化,得到精确的Tr c和Tb e,根据相机的成像模型以及方程(Tb c)(i)=Tr c·(Te r)(i)·Tb e,可得:
此方程为优化求解的目标方程,其中相机的内参数矩阵是已知参数。
2.根据权利要求1所述的基于像素空间优化的相机与机器人相对位姿标定方法,其特征在于,所述的步骤7)中的迭代优化过程包括两个阶段:标定板到机器人末端位姿关系求解阶段和机器人基座到相机位姿关系求解阶段。
3.根据权利要求1或2所述的基于像素空间优化的相机与机器人相对位姿标定方法,其特征在于,所述的迭代优化求解的具体步骤如下:
1)、将权利要求1中步骤6)中得到的结果作为初始值(Tr c)(0)=Tr c',将代入方程(Tb c)(i)=Tr c·(Te r)(i)·Tb e得到Tb e的初始值(Tb e)(0);
2)、标定板到机器人末端位姿关系求解阶段:n+1组状态数据作为输入数据,将(Tr c)(k-1)作为已知量带入优化目标方程,(Tb e)(k-1)作为优化的初始值,优化的目标为最小化重投影误差其中(uj,vj)为观测角点像坐标,(uj',vj')为重投影后的角点像坐标,采用Levenberg-Marquardt算法求解(Tb e)(k);
3)、机器人基座到相机位姿关系求解阶段:n+1组状态数据
{Te r,Tb c,{(u1,v1),(u2,v2),...,(um,vm)}}(1,2,...,n+1)作为输入数据,将(Tb e)(k)作为已知量带入优化目标方程,(Tr c)(k-1)作为优化的初始值,优化的目标为最小化重投影误差其中(uj,vj)为观测角点像坐标,(uj',vj')为重投影后的角点像坐标,采用Levenberg-Marquardt算法求解(Tr c)(k);
4)、根据(Tb e)(k),(Tr c)(k)和(Tb e)(k-1),(Tr c)(k-1)判断标定结果是否收敛:计算
err=||(Tr c)(k)-(Tr c)(k-1)||f+||(Tb e)(k)-(Tb e)(k-1)||f
||·||f表示矩阵的Frobenius范数,如果err小于设定的阈值,则停止迭代,得到最终的标定结果Tr c=(Tr c)(k),否则置k=k+1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510478644.6A CN105014667B (zh) | 2015-08-06 | 2015-08-06 | 一种基于像素空间优化的相机与机器人相对位姿标定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510478644.6A CN105014667B (zh) | 2015-08-06 | 2015-08-06 | 一种基于像素空间优化的相机与机器人相对位姿标定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105014667A CN105014667A (zh) | 2015-11-04 |
CN105014667B true CN105014667B (zh) | 2017-03-08 |
Family
ID=54405149
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510478644.6A Active CN105014667B (zh) | 2015-08-06 | 2015-08-06 | 一种基于像素空间优化的相机与机器人相对位姿标定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105014667B (zh) |
Families Citing this family (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10173324B2 (en) * | 2015-11-16 | 2019-01-08 | Abb Schweiz Ag | Facilitating robot positioning |
CN105773613B (zh) * | 2016-03-30 | 2017-09-19 | 东莞市速美达自动化有限公司 | 一种水平机器人相机坐标系校定方法 |
CN106078771B (zh) * | 2016-08-10 | 2017-04-26 | 中南大学 | 一种基于多Kinect协同的移动机器人室内全视角识别装置及其控制系统和方法 |
CN108734738B (zh) * | 2017-04-18 | 2021-10-29 | 杭州海康威视数字技术股份有限公司 | 相机标定方法及装置 |
JP7003463B2 (ja) * | 2017-07-11 | 2022-01-20 | セイコーエプソン株式会社 | ロボットの制御装置、ロボットシステム、並びに、カメラの校正方法 |
CN107314778B (zh) * | 2017-08-04 | 2023-02-10 | 广东工业大学 | 一种相对姿态的标定方法、装置及系统 |
CN107498558A (zh) * | 2017-09-19 | 2017-12-22 | 北京阿丘科技有限公司 | 全自动手眼标定方法及装置 |
CN107932502A (zh) * | 2017-11-07 | 2018-04-20 | 陕西科技大学 | 一种基于双目立体视觉的scara机器人轨迹规划方法 |
CN107993227B (zh) * | 2017-12-15 | 2020-07-24 | 深圳先进技术研究院 | 一种获取3d腹腔镜手眼矩阵的方法和装置 |
CN108765498B (zh) * | 2018-05-30 | 2019-08-23 | 百度在线网络技术(北京)有限公司 | 单目视觉跟踪方法、装置及存储介质 |
CN109360243B (zh) | 2018-09-28 | 2022-08-19 | 安徽爱观视觉科技有限公司 | 一种多自由度可动视觉系统的标定方法 |
CN110969665B (zh) * | 2018-09-30 | 2023-10-10 | 杭州海康威视数字技术股份有限公司 | 一种外参标定方法、装置、系统及机器人 |
CN109658457B (zh) * | 2018-11-02 | 2021-09-17 | 浙江大学 | 一种激光与相机任意相对位姿关系的标定方法 |
CN109483534B (zh) * | 2018-11-08 | 2022-08-02 | 腾讯科技(深圳)有限公司 | 一种物体抓取方法、装置和系统 |
US11254019B2 (en) * | 2019-03-05 | 2022-02-22 | The Boeing Company | Automatic calibration for a robot optical sensor |
CN109732611A (zh) * | 2019-03-12 | 2019-05-10 | 重庆微浪生物科技有限公司 | 一种机械手臂控制方法 |
CN110009689B (zh) * | 2019-03-21 | 2023-02-28 | 上海交通大学 | 一种用于协作机器人位姿估计的图像数据集快速构建方法 |
CN110276799B (zh) * | 2019-05-29 | 2021-09-21 | 季华实验室 | 一种坐标标定方法、标定系统及机械臂 |
JP6785931B1 (ja) * | 2019-08-30 | 2020-11-18 | Dmg森精機株式会社 | 生産システム |
CN111136656B (zh) * | 2019-12-24 | 2020-12-08 | 上海智殷自动化科技有限公司 | 一种用于机器人三维不规则物体自动识别及抓取的方法 |
CN112525074B (zh) * | 2020-11-24 | 2022-04-12 | 杭州素问九州医疗科技有限公司 | 标定方法、系统、机器人、计算机装置和导航系统 |
CN112767493B (zh) * | 2020-12-30 | 2023-06-13 | 浙江大学 | Stewart平台运动学参数的机器视觉标定方法 |
CN112936301B (zh) * | 2021-01-26 | 2023-03-03 | 深圳市优必选科技股份有限公司 | 一种机器人手眼标定方法、装置、可读存储介质及机器人 |
CN113442169B (zh) * | 2021-06-16 | 2022-09-27 | 武汉联影智融医疗科技有限公司 | 机器人的手眼标定方法、装置、计算机设备和可读存储介质 |
CN113601503B (zh) * | 2021-07-30 | 2023-06-27 | 武汉联影智融医疗科技有限公司 | 手眼标定方法、装置、计算机设备和存储介质 |
CN113524204B (zh) * | 2021-09-15 | 2021-12-17 | 苏州鼎纳自动化技术有限公司 | 一种坐标系重合校准方法及系统 |
CN113997295B (zh) * | 2021-12-30 | 2022-04-12 | 湖南视比特机器人有限公司 | 机械臂的手眼标定方法、装置、电子设备及存储介质 |
CN114474058B (zh) * | 2022-02-11 | 2023-12-05 | 中国科学院自动化研究所 | 视觉引导的工业机器人系统标定方法 |
CN117249764B (zh) * | 2023-11-17 | 2024-02-13 | 菲特(天津)检测技术有限公司 | 车身定位方法、装置和电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0151417A1 (en) * | 1984-01-19 | 1985-08-14 | Hitachi, Ltd. | Method for correcting systems of coordinates in a robot having visual sensor device and apparatus therefor |
JP3543329B2 (ja) * | 1991-11-11 | 2004-07-14 | 豊田工機株式会社 | ロボットの教示装置 |
CN101402199A (zh) * | 2008-10-20 | 2009-04-08 | 北京理工大学 | 基于视觉的手眼式低伺服精度机器人移动目标抓取方法 |
CN102294695A (zh) * | 2010-06-25 | 2011-12-28 | 鸿富锦精密工业(深圳)有限公司 | 机器人标定方法及标定系统 |
CN102794763A (zh) * | 2012-08-31 | 2012-11-28 | 江南大学 | 基于线结构光视觉传感器引导的焊接机器人系统标定方法 |
CN103192386A (zh) * | 2012-01-06 | 2013-07-10 | 沈阳新松机器人自动化股份有限公司 | 基于图像视觉的洁净机器人自动化标定方法 |
-
2015
- 2015-08-06 CN CN201510478644.6A patent/CN105014667B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0151417A1 (en) * | 1984-01-19 | 1985-08-14 | Hitachi, Ltd. | Method for correcting systems of coordinates in a robot having visual sensor device and apparatus therefor |
JP3543329B2 (ja) * | 1991-11-11 | 2004-07-14 | 豊田工機株式会社 | ロボットの教示装置 |
CN101402199A (zh) * | 2008-10-20 | 2009-04-08 | 北京理工大学 | 基于视觉的手眼式低伺服精度机器人移动目标抓取方法 |
CN102294695A (zh) * | 2010-06-25 | 2011-12-28 | 鸿富锦精密工业(深圳)有限公司 | 机器人标定方法及标定系统 |
CN103192386A (zh) * | 2012-01-06 | 2013-07-10 | 沈阳新松机器人自动化股份有限公司 | 基于图像视觉的洁净机器人自动化标定方法 |
CN102794763A (zh) * | 2012-08-31 | 2012-11-28 | 江南大学 | 基于线结构光视觉传感器引导的焊接机器人系统标定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105014667A (zh) | 2015-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105014667B (zh) | 一种基于像素空间优化的相机与机器人相对位姿标定方法 | |
CN107680135B (zh) | 定位方法、系统及所适用的机器人 | |
CN108399639A (zh) | 基于深度学习的快速自动抓取与摆放方法 | |
EP3407088A1 (en) | Systems and methods for tracking location of movable target object | |
CN110211180A (zh) | 一种基于深度学习的机械臂自主抓取方法 | |
CN105234943A (zh) | 一种基于视觉识别的工业机器人示教装置及方法 | |
JP2022542241A (ja) | ロボット装置からの視覚的出力を補強するシステム及び方法 | |
CN105196292A (zh) | 一种基于迭代变时长视觉伺服控制方法 | |
Gratal et al. | Visual servoing on unknown objects | |
CN108151713A (zh) | 一种单目vo快速位姿估计方法 | |
CN110260866A (zh) | 一种基于视觉传感器的机器人定位与避障方法 | |
CN105096341A (zh) | 基于三焦张量和关键帧策略的移动机器人位姿估计方法 | |
Qu et al. | Dynamic visual tracking for robot manipulator using adaptive fading Kalman filter | |
Liu et al. | A novel camera fusion method based on switching scheme and occlusion-aware object detection for real-time robotic grasping | |
Kim et al. | Hybrid position and image based visual servoing for mobile robots | |
CN110722547B (zh) | 模型未知动态场景下移动机器人视觉镇定 | |
CN204288242U (zh) | 基于曲线三维重建的机器人喷涂轨迹提取装置 | |
Gans et al. | Visual servoing to an arbitrary pose with respect to an object given a single known length | |
Axelrod et al. | Improving hand-eye calibration for robotic grasping and manipulation | |
CN107443369A (zh) | 一种基于视觉测量模型逆辨识的机器臂无标定伺服控制方法 | |
CN109542094A (zh) | 无期望图像的移动机器人视觉镇定控制 | |
Lin et al. | Toward autonomous rotation-aware unmanned aerial grasping | |
Yu et al. | Mobile robot capable of crossing floors for library management | |
Zhang et al. | Tracking with the CAD Model of Object for Visual Servoing | |
CN112050814A (zh) | 一种室内变电站无人机视觉导航系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |