CN107545591A - 一种基于六点触点法的机器人手眼标定方法 - Google Patents

Abstract

一种基于六点触点法的机器人手眼标定方法，该方法包括：S1、所述工业相机设定光学中心坐标；S2、初始化坐标点；S3、采用最小二乘法和单纯型法求取非线性方程得到相关参数；S4、采用Levenberg‑Marquardt非线性最优化方法对获得的相关参数进行多次优化；S5、判断机器人控制器是否给出图像识别命令；S6、所述机器人控制器对图像当前帧进行处理，并获得特征物体的图像中点像素坐标；S7、所述图像中点像素坐标通过机器人基坐标系中变换得出的机器人抓取点，并将该抓取点的坐标发送给机器人控制器。实施本发明的有益效果：减少采用标定针触棋盘格方式标定人参与的人为误差和减少机器人手眼标定的操作时间，改善采用标定针触棋盘格方式手眼标定精度低和操作繁琐等缺陷。

Description

一种基于六点触点法的机器人手眼标定方法

技术领域

本发明涉及机器人控制技术领域，更具体地说，涉及一种基于六点触点法的机器人手眼标定方法。

背景技术

目前，手眼系统EYE-IN-HAND和手眼系统YET-TO-HAND工业机器人常用较为简单的手眼标定方式：通过相机标定板标定出相机世界坐标系与像素坐标系之间的关系，再用机器人的用户坐标系标定并与相机世界坐标系相重合的方式。此标定方法需要标定出机器人标定针的工具坐标系，并用标定针碰触相机标定板的相关坐标点。

此方法的确定是需要依靠相机标定板和待标定的点数需要很多，工业机器人需要标定用户坐标系和工具坐标系，此两个坐标系的标定都会给整个系统带来很大的人为误差。

目前，很多智能相机(Dalser、康奈视等品牌)与机器人相结合应用，目的是完成视觉抓取任务。基本上采用机器人运动多点，获得当前机器人相关坐标系中某一平面上的对应坐标点并与相机图像上的像素点的一一对应关系。现有技术大部分在智能相机中得以实现，且智能相机的算法不公开。

发明内容

本发明所要解决的技术问题是，提供一种基于六点触点法的机器人手眼标定方法中，通过图像识别出物体特征的六个像素点以及应用机器人的相关坐标系(机器人全局坐标系)使抓手或吸盘直接运动到六个物体特征点的正上方，通过对相机标定两步法中的多个参数进行非线性优化完成工业相机坐标系与机器人基坐标系中的一个平面(Oxy、Oxz或Oyz)对应关系，应用工业相机替代智能相机，再配有一些特有的图像识别算法完成机器人视觉抓取任务。

本发明解决上述技术问题，提供如下解决的技术方案：一种基于六点触点法的机器人手眼标定方法，该方法包括如下步骤：

S1、所述工业相机设定光学中心坐标；

S2、初始化多组机器人基坐标系中Oxy平面内坐标点和初始化多组图像像素与之相对应像素坐标系下的坐标点；

S3、采用最小二乘法求取线形方程和单纯型法求取非线性方程得到对应机器人基坐标与相机坐标系的相关参数；

S4、采用Levenberg-Marquardt非线性最优化方法对获得的相关参数进行多次优化；

S5、判断机器人控制器是否给出图像识别命令，如果是则进行步骤S6，否则进行步骤S5；

S6、所述机器人控制器对图像当前帧进行处理，并获得特征物体的图像中点像素坐标；

S7、所述图像中点像素坐标通过机器人基坐标系中变换得出的机器人抓取点，并将该抓取点的坐标发送给机器人控制器。

在本发明的基于六点触点法的机器人手眼标定方法中，所述步骤S2中初始化多组机器人基坐标系中Oxy平面内坐标点和初始化多组图像像素与之相对应像素坐标系下的坐标点分别采用初始化六组机器人基坐标系中Oxy平面内坐标点和初始化六组图像像素与之相对应像素坐标系下的坐标点。

在本发明的基于六点触点法的机器人手眼标定方法中，所述机器人通过六组图像像素以及应用机器人基坐标系控制机器人手或吸盘直接运动到六个物体特征点的正上方。

在本发明的基于六点触点法的机器人手眼标定方法中，所述步骤S3包括如下步骤：

S31、在单面摄像机模型中，设定(xw，yw，zw)是点P在世界坐标系owxwywzw中的三维坐标和(x，y，z)是同一点P在摄像机坐标系oxyz中的坐标；

S32、将相机坐标系到世界坐标系的旋转矩阵通过最小二乘法线性方程利用最少六个图像识别点求解待优化的第一相关参数；

S33、利用单纯形法对非线性方程进行求解待优化的第二相关参数。

在本发明的基于六点触点法的机器人手眼标定方法中，所述步骤S32包括如下步骤：

A1、应用线性方程求解相机坐标系到世界坐标系的旋转矩阵中采用至少六个图像识别点最小二乘法线性方程求解；

A2、利用最小二乘法解超定方程组；

A3、通过向量正交化求取相机旋转矩阵的第一相关参数。

在本发明的基于六点触点法的机器人手眼标定方法中，所述步骤S33包括如下步骤：

B1、根据第一公式minf(x)，x＝(x₁,x₂)^T，其中，x∈Rⁿ在N维空间Rⁿ中适当选取N+1个点构成单纯形；

B2、计算函数值f(x⁽ⁱ⁾),i＝0,1,…,n,决定坏点x^(h)和好点x^(l)，分别通过第二公式和第三公式得到最大坏点f_h和最小好点f_l；

B3、通过第四公式算出除点坏点x^(h)外的n个点x⁽⁰⁾,...,x^(h+1),...x⁽ⁿ⁾的中心x^(c)，并通过第五公式求出反射点x^(r)；

B4、判断f_r＝f(x^(r))是否不小于f_h，如果是则对数据进行压缩数据f_s＝f(x^(s)),然后进行步骤B6，否则进行步骤B5；

B5、对数据进行扩张，即令x^(e)＝x^(h)+u(x^(r)-x^(h))＝ux^(r)+(1-u)x^(h)其中u>1为扩张系数，可取u∈[1.2,2](扩张条件f_r<f_h也可换为f_r≤f_l)，计算f_e＝f(x^(e))，若f_e≤f_r，则令x^(s)＝x^(e)，f_s＝f_e；否则，令x^(s)＝x^(r)，f_s＝f_r

B6、根据f_s＝f(x^(s)),判断该函数组是否小于最大函数值f_h，如果是则将该点和其他点构成新的单纯形，重新确定x^(l)c和x^(h)，然后进行步骤B3；否则进行步骤B7；

B7、判断或是否成立，如果是则计算结束，取x^*≈x^(l),f^*≈f_l；否则缩短边长，令x⁽ⁱ⁾＝(x⁽ⁱ⁾+x^(l))/2,i＝0,1,…,n返回1，继续进行计算。

在本发明的基于六点触点法的机器人手眼标定方法中，所述第二公式为f_h＝f(x^(h))＝max{f(x⁽⁰⁾)，…，f(x⁽ⁿ⁾)}；

所述第三公式为f_l＝f(x^(l))＝min{f(x⁽⁰⁾)，…，f(x⁽ⁿ⁾)}；

所述第四公式为

所述第五公式为x^(r)＝2x^(c)-x^(h)。

在本发明的基于六点触点法的机器人手眼标定方法中，所述步骤S4包括如下步骤：

S41、对第一相关参数和第二相关参数通过Levenberg-Marquardt算法进行数据优化得到第一优化数据；

S42、将第一优化数据带入图像中心点通过Levenberg-Marquardt算法进行数据优化得到第二优化数据；

S43、将第二优化数据从工业相机坐标系到相应机器人坐标系的变换矩阵R和平移矩阵T进行优化得到第三优化数据；

S44、将第三优化数据经过图像中心点和相机坐标系到机器人相应坐标系的旋转矩阵和平移矩阵进行最后一次优化得到工业相机坐标系到机器人相应坐标系中其中的某一平面对应关系的第四优化数据。

在本发明的基于六点触点法的机器人手眼标定方法中，所述步骤S7中所述机器人控制器通过抓取点的坐标进行分析处理，控制机器人手或吸盘直接运动到物体特征点的正上方。

实施本发明的基于六点触点法的机器人手眼标定方法，具有以下有益效果：展示视觉引导的最新科技成果，改变现有视觉工业机器人采用标定针触棋盘格方式的手眼标定方法。减少采用标定针触棋盘格方式标定人参与的人为误差和减少机器人手眼标定的操作时间，改善“采用标定针触棋盘格方式”手眼标定精度低和操作繁琐等缺陷。并为机器人相关企业设计智能相机打下坚实的标定基础，同时也打断视觉工业机器人应用六点触点法只能应用智能相机的垄断。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1为本发明的基于六点触点法的机器人手眼标定方法流程示意图；

图2为本发明的基于六点触点法的机器人手眼标定方法的单平面摄像机的实施例流程示意图；

图3为本发明的基于六点触点法的机器人手眼标定方法的实施例流程示意图；

图4为本发明的基于六点触点法的机器人手眼标定方法的Levenberg-Marquardt算法的流程示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

如图1所示，为本发明的基于六点触点法的机器人手眼标定方法流程示意图；一种基于六点触点法的机器人手眼标定方法，该方法包括如下步骤：

S1、所述工业相机设定光学中心坐标；

S2、初始化多组机器人基坐标系中Oxy平面内坐标点和初始化多组图像像素与之相对应像素坐标系下的坐标点；

S3、采用最小二乘法求取线形方程和单纯型法求取非线性方程得到对应机器人基坐标与相机坐标系的相关参数；

S4、采用Levenberg-Marquardt非线性最优化方法对获得的相关参数进行多次优化；

S5、判断机器人控制器是否给出图像识别命令，如果是则进行步骤S6，否则进行步骤S5；

S6、所述机器人控制器对图像当前帧进行处理，并获得特征物体的图像中点像素坐标；

S7、所述图像中点像素坐标通过机器人基坐标系中变换得出的机器人抓取点，并将该抓取点的坐标发送给机器人控制器。

在本发明的基于六点触点法的机器人手眼标定方法中，所述步骤S2中初始化多组机器人基坐标系中Oxy平面内坐标点和初始化多组图像像素与之相对应像素坐标系下的坐标点分别采用初始化六组机器人基坐标系中Oxy平面内坐标点和初始化六组图像像素与之相对应像素坐标系下的坐标点。

在本发明的基于六点触点法的机器人手眼标定方法中，所述机器人通过六组图像像素以及应用机器人基坐标系控制机器人手或吸盘直接运动到六个物体特征点的正上方。

进一步的，在本发明的基于六点触点法的机器人手眼标定方法中，所述步骤S3包括如下步骤：

S31、在单面摄像机模型中，设定(xw，yw，zw)是点P在世界坐标系owxwywzw中的三维坐标和(x，y，z)是同一点P在摄像机坐标系oxyz中的坐标；

S32、将相机坐标系到世界坐标系的旋转矩阵通过最小二乘法线性方程利用最少六个图像识别点求解待优化的第一相关参数；

S33、利用单纯形法对非线性方程进行求解待优化的第二相关参数。

如图2所示，为本发明的基于六点触点法的机器人手眼标定方法的单平面摄像机的实施例流程示意图。在本发明的基于六点触点法的机器人手眼标定方法中，所述步骤S32包括如下步骤：

A1、应用线性方程求解相机坐标系到世界坐标系的旋转矩阵中采用至少六个图像识别点最小二乘法线性方程求解；

A2、利用最小二乘法解超定方程组；

A3、通过向量正交化求取相机旋转矩阵的第一相关参数。

相机两步法是由ROGER Y.TSAI提出的,此标定方法共性：(1)已知特征点二维图像坐标与三维空间坐标(2)需要标定参照物。优点是适用任何摄像机模型、标定精度高；缺点是需标定参照物，某些应用中难以实现。

两步法的单面摄像机模型是带有如图2所示的一阶径向畸变真空模型。设(xw,yw,zw)是点P在世界坐标系owxwywzw中的三维坐标；(x,y,z)是同一点P在摄像机坐标系oxyz中的坐标、摄像机坐标系定义为:原点在o点(光学中心)，z轴与光轴重合；oxy是原点在o点(光轴z与成像平面的交点)平行于x,y轴CCD成像平面坐标系，焦距f是成像平面和光心的距离，(Xu,Yu)是理想针孔模型下点P的成像坐标，(Xd,Yd)是由镜头径向畸变引起的偏离(Xu,Yu)的实际成像点。o’ij是原点在o’(计算机图像的左上角)、i轴向右、j轴向下的计算机图像平面坐标系，(Xf,Yf)和(CX,CY)分别是(Xd,Yd)和CCD成像平面坐标系的原点o在该坐标系中的坐标。

应用线性方程求解相机坐标系到世界坐标系的旋转矩阵中r′₁＝Ty-1r1、r′₂＝Ty-1r2、r′₄＝Ty-1r4、r′₅＝Ty-1r5和r′₃＝Ty-1Tx,其中本专利未知数采用最少六个图像识别点通过最小二乘法线性方程求解。

最小二乘方法解超定方程组

线性方程组

当m>n时，称为超定方程组。由线性代数知识知道，这样的方程组一般没有精确解，现在利用最小二乘原理，求它们的近似解。

设方程组有一组近似解(x₁,x₂,…,x_n)，代入方程组中每一个方程的左端，显然它不会等于常数项b_i，令它们之差为δ_i，假设

求一组数使

取最小值。

利用多元函数求极值，得

用矩阵形式给出，即得

A^TAx＝A^Tb

其中A为m×n阶矩阵。

方程组即A^TAx＝A^Tb为法方程组，求得x^*即为超定方程组(等式6-2)在均方误差度量下的最佳近似解。

计算Ty和确定Ty的符号

式中，求得|Ty|后，首先假设Ty为正号，计算下面的式子：

r₁＝r₁′Ty,r₂＝r₂′Ty,r₄＝r₄′Ty,r₅＝r₅′Ty

x＝r₁x_w+r₂y_w+Tx

y＝r₄x_w+r₅y_w+Ty

若x和X有同样的符号以及y和Y有同样的符号，Ty为正号，否则为负号。通过向量正交化求取相机旋转矩阵中剩下的r3、r6、r7、r8、r9

现在对于R，已知r1、r2、r4、r5利用正交性可计算出R，得到

式中s＝-sgn(r₁r₄+r₂r₅)，另外r7、r8、r9可由头两行的叉乘得到

r₉＝r₁r₅-r₂r₄。

如图3所示，为在本发明的基于六点触点法的机器人手眼标定方法的单纯形法在步骤S33的程序框图中，所述单纯形法是一种多变量函数的寻优方法，其主要思想是先找一个基本可行解，判断是否为最优解，如果不是则找另外一个解，再进行判定，如此叠代运算，直至找到最优解或者判定其无界。

单纯形法不是沿某一个方向前进行搜索，而是对n维空间的n+1个点(它们构成一个单纯形的顶点或极点)上的函数值进行比较，丢掉其中最“坏”的点代入以新点，构成一个新的单纯形，这样来逼近函数的最小点。

其中，所述步骤S33包括如下步骤：

B1、根据第一公式minf(x)，x＝(x₁,x₂)^T，其中，x∈Rⁿ在N维空间Rⁿ中适当选取N+1个点x⁽⁰⁾,x⁽¹⁾,…,x⁽ⁿ⁾构成单纯形；通常选取为正规单纯形(即等边长相等的单纯形)，一般地可以要求这n+1个点使向量组x⁽¹⁾-x⁽⁰⁾,x⁽²⁾-x⁽⁰⁾,…,x⁽ⁿ⁾-x⁽⁰⁾线性无关。

B2、计算函数值f(x⁽ⁱ⁾),i＝0,1,…,n,决定坏点x^(h)和好点x^(l)，分别通过第二公式和第三公式得到最大坏点f_h和最小好点f_l；

f_h＝f(x^(h))＝max{f(x⁽⁰⁾),…,f(x⁽ⁿ⁾)}

f_l＝f(x^(l))＝min{f(x⁽⁰⁾),…,f(x⁽ⁿ⁾)}

B3、通过第四公式算出除点坏点x^(h)外的n个点x⁽⁰⁾,...,x^(h+1),...x⁽ⁿ⁾的中心x^(c)，

并通过第五公式求出反射点x^(r)

x^(r)＝2x^(c)-x^(h)；

B4、判断fr＝f(x^(r))是否不小于f_h，即x^(s)＝x^(h)+λ(x^(r)-x^(h))＝(1-λ)x^(h)+λx^(r)，如果是则对数据进行压缩数据f_s＝f(x^(s)),，然后进行步骤B6，否则进行步骤B5；

这里λ∈(0,1)为给定的压缩系数，可取λ＝1/4或是λ＝3/4，一般要求λ≠0.5。

B5、对数据进行扩张，即令x^(e)＝x^(h)+u(x^(r)-x^(h))＝ux^(r)+(1-u)x^(h)其中u>1为扩张系数，可取u∈[1.2,2](扩张条件f_r<f_h也可换为f_r≤f_l)，计算f_e＝f(x^(e))，若f_e≤f_r，则令x^(s)＝x^(e)，f_s＝f_e；否则，令x^(s)＝x^(r)，f_s＝f_r。

B6、根据f_s＝f(x^(s)),判断该函数组是否小于最大函数值f_h，如果是则将该点和其他点构成新的单纯形，重新确定x^(l)c和x^(h)，然后进行步骤B3；否则进行步骤B7；

B7、判断或是否成立，如果是则计算结束，取x^*≈x^(l),f^*≈f_l；否则缩短边长，令x⁽ⁱ⁾＝(x⁽ⁱ⁾+x^(l))/2,i＝0,1,…,n返回1，继续进行计算。

根据图像像素关系和相机世界坐标系等式6-21和等式6-22的关系应用单纯形法可以求取初始待优化的fu、fv、Tz和K1。

其中

在本发明的基于六点触点法的机器人手眼标定方法中，所述第二公式为f_h＝f(x^(h))＝max{f(x⁽⁰⁾)，…，f(x⁽ⁿ⁾)}；

所述第三公式为f_l＝f(x^(l))＝min{f(x⁽⁰⁾)，…，f(x⁽ⁿ⁾)}；

所述第四公式为

所述第五公式为x^(r)＝2x^(c)-x^(h)。

如图4所示，为本发明的基于六点触点法的机器人手眼标定方法的Levenberg-Marquardt算法的流程示意图。在本发明的基于六点触点法的机器人手眼标定方法中，所述步骤S4包括如下步骤：

S41、对第一相关参数和第二相关参数通过Levenberg-Marquardt算法进行数据优化得到第一优化数据；

S42、将第一优化数据带入图像中心点通过Levenberg-Marquardt算法进行数据优化得到第二优化数据；

S43、将第二优化数据从工业相机坐标系到相应机器人坐标系的变换矩阵R和平移矩阵T进行优化得到第三优化数据；

S44、将第三优化数据经过图像中心点和相机坐标系到机器人相应坐标系的旋转矩阵和平移矩阵进行最后一次优化得到工业相机坐标系到机器人相应坐标系中其中的某一平面对应关系的第四优化数据。

Levenberg-Marquardt算法它是使用最广泛的非线性最小二乘算法，中文为列文伯格-马奈尔特法。它是利用梯度求最大(小)值的算法，形象的说，属于“爬山”法的一种。它同时具有牛顿法和梯度法的优点。当λ很小时，步长等于牛顿法步长，当λ很大时，步长约等于梯度下降法的步长。

LM算法的实现并不算难，它的关键是用模型函数f对待估参数向量p在其领域内做线性近似，忽略掉二阶以上的导数项，从而转化为线性最小二乘问题，它具有收敛速度快等优点。LM算法属于一种“信赖域法”，所谓的信赖域法，即是：在最优化算法中，都是要求一个函数的最小值，每一步迭代中，都要求目标函数值是下降的，而信赖域法，顾名思义，就是初始点开始，先假设一个可以信赖的最大位移s，然后在以当前点中心，以s为半径的区域内，通过寻找目标函数的一个近似函数(二次的)的最优点，来求解得到真正的位移。在得到了位移之后，再计算目标函数值，如果其使目标函数值的下降满足了一定条件，那么就说明这个位移是可靠的，则继续按此规则迭代计算下去；如果其不能使目标函数值的下降满足一定的条件，则应减小信赖域的范围，再重新求解。

在本发明的基于六点触点法的机器人手眼标定方法中，所述步骤S7中所述机器人控制器通过抓取点的坐标进行分析处理，控制机器人手或吸盘直接运动到物体特征点的正上方。

与现有技术相比，实施本发明的基于六点触点法的机器人手眼标定方法，具有以下有益效果：展示视觉引导的最新科技成果，改变现有视觉工业机器人采用标定针触棋盘格方式的手眼标定方法。减少采用标定针触棋盘格方式标定人参与的人为误差和减少机器人手眼标定的操作时间，改善“采用标定针触棋盘格方式”手眼标定精度低和操作繁琐等缺陷。并为机器人相关企业设计智能相机打下坚实的标定基础，同时也打断视觉工业机器人应用六点触点法只能应用智能相机的垄断。

以上所述实施例仅表达了本发明的实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种基于六点触点法的机器人手眼标定方法，其特征在于，该方法包括如下步骤：

S1、所述工业相机设定光学中心坐标；

S2、初始化多组机器人基坐标系中Oxy平面内坐标点和初始化多组图像像素与之相对应像素坐标系下的坐标点；

S3、采用最小二乘法求取线形方程和单纯型法求取非线性方程得到对应机器人基坐标与相机坐标系的相关参数；

S4、采用Levenberg-Marquardt非线性最优化方法对获得的相关参数进行多次优化；

S5、判断机器人控制器是否给出图像识别命令，如果是则进行步骤S6，否则进行步骤S5；

S6、所述机器人控制器对图像当前帧进行处理，并获得特征物体的图像中点像素坐标；

S7、所述图像中点像素坐标通过机器人基坐标系中变换得出的机器人抓取点，并将该抓取点的坐标发送给机器人控制器。

2.根据权利要求1所述的基于六点触点法的机器人手眼标定方法，其特征在于，所述步骤S2中初始化多组机器人基坐标系中Oxy平面内坐标点和初始化多组图像像素与之相对应像素坐标系下的坐标点分别采用初始化六组机器人基坐标系中Oxy平面内坐标点和初始化六组图像像素与之相对应像素坐标系下的坐标点。

3.根据权利要求2所述的基于六点触点法的机器人手眼标定方法，其特征在于，所述机器人通过六组图像像素以及应用机器人基坐标系控制机器人手或吸盘直接运动到六个物体特征点的正上方。

4.根据权利要求1所述的基于六点触点法的机器人手眼标定方法，其特征在于，所述步骤S3包括如下步骤：

S31、在单面摄像机模型中，设定(xw，yw，zw)是点P在世界坐标系owxwywzw中的三维坐标和(x，y，z)是同一点P在摄像机坐标系oxyz中的坐标；

S32、将相机坐标系到世界坐标系的旋转矩阵通过最小二乘法线性方程利用最少六个图像识别点求解待优化的第一相关参数；

S33、利用单纯形法对非线性方程进行求解待优化的第二相关参数。

5.根据权利要求4所述的基于六点触点法的机器人手眼标定方法，其特征在于，所述步骤S32包括如下步骤：

A1、应用线性方程求解相机坐标系到世界坐标系的旋转矩阵中采用至少六个图像识别点最小二乘法线性方程求解；

A2、利用最小二乘法解超定方程组；

A3、通过向量正交化求取相机旋转矩阵的第一相关参数。

6.根据权利要求4所述的基于六点触点法的机器人手眼标定方法，其特征在于，所述步骤S33包括如下步骤：

B1、根据第一公式min f(x)，x＝(x₁,x₂)^T，其中，x∈Rⁿ在N维空间Rⁿ中适当选取N+1个点构成单纯形；

B2、计算函数值f(x⁽ⁱ⁾),i＝0,1,…,n,决定坏点x^(h)和好点x^(l)，分别通过第二公式和第三公式得到最大坏点f_h和最小好点f_l；

B3、通过第四公式算出除点坏点x^(h)外的n个点x⁽⁰⁾,...,x^(h+1),...x⁽ⁿ⁾的中心x^(c)，并通过第五公式求出反射点x^(r)；

B4、判断f_r＝f(x^(r))是否不小于f_h，如果是则对数据进行压缩数据f_s＝f(x^(s)),然后进行步骤B6，否则进行步骤B5；

B5、对数据进行扩张，即令x^(e)＝x^(h)+u(x^(r)-x^(h))＝ux^(r)+(1-u)x^(h)其中u>1为扩张系数，可取u∈[1.2,2](扩张条件f_r＜f_h也可换为f_r≤f_l)，计算f_e＝f(x^(e))，若f_e≤f_r，则令x^(s)＝x^(e)，f_s＝f_e；否则，令x^(s)＝x^(r)，f_s＝f_r

B6、根据f_s＝f(x^(s)),判断该函数组是否小于最大函数值f_h，如果是则将该点和其他点构成新的单纯形，重新确定x^(l)c和x^(h)，然后进行步骤B3；否则进行步骤B7；

B7、判断或是否成立，如果是则计算结束，取x^*≈x^(l),f^*≈f_l；否则缩短边长，令x⁽ⁱ⁾＝(x⁽ⁱ⁾+x^(l))/2,i＝0,1,…,n返回1，继续进行计算。

7.根据权利要求6所述的基于六点触点法的机器人手眼标定方法，其特征在于，所述第二公式为f_h＝f(x^(h))＝max{f(x⁽⁰⁾)，…，f(x⁽ⁿ⁾)}；

所述第三公式为f_l＝f(x^(l))＝min{f(x⁽⁰⁾)，…，f(x⁽ⁿ⁾)}；

所述第四公式为

所述第五公式为x^(r)＝2x^(c)-x^(h)。

8.根据权利要求1或4所述的基于六点触点法的机器人手眼标定方法，其特征在于，所述步骤S4包括如下步骤：

S41、对第一相关参数和第二相关参数通过Levenberg-Marquardt算法进行数据优化得到第一优化数据；

S42、将第一优化数据带入图像中心点通过Levenberg-Marquardt算法进行数据优化得到第二优化数据；

S43、将第二优化数据从工业相机坐标系到相应机器人坐标系的变换矩阵R和平移矩阵T进行优化得到第三优化数据；

S44、将第三优化数据经过图像中心点和相机坐标系到机器人相应坐标系的旋转矩阵和平移矩阵进行最后一次优化得到工业相机坐标系到机器人相应坐标系中其中的某一平面对应关系的第四优化数据。

9.根据权利要求1所述的基于六点触点法的机器人手眼标定方法，其特征在于，所述步骤S7中所述机器人控制器通过抓取点的坐标进行分析处理，控制机器人手或吸盘直接运动到物体特征点的正上方。