CN109048903A - 机械臂插轴入孔的方法及设备 - Google Patents

机械臂插轴入孔的方法及设备 Download PDF

Info

Publication number
CN109048903A
CN109048903A CN201810943152.3A CN201810943152A CN109048903A CN 109048903 A CN109048903 A CN 109048903A CN 201810943152 A CN201810943152 A CN 201810943152A CN 109048903 A CN109048903 A CN 109048903A
Authority
CN
China
Prior art keywords
posture
sampling
mechanical arm
grasping end
picture
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.)
Granted
Application number
CN201810943152.3A
Other languages
English (en)
Other versions
CN109048903B (zh
Inventor
卢策吾
丁俊峰
王世全
钟书耘
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Flexiv Robotics Technology Co Ltd
Original Assignee
Shanghai Flexiv Robotics Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Flexiv Robotics Technology Co Ltd filed Critical Shanghai Flexiv Robotics Technology Co Ltd
Priority to CN201810943152.3A priority Critical patent/CN109048903B/zh
Publication of CN109048903A publication Critical patent/CN109048903A/zh
Application granted granted Critical
Publication of CN109048903B publication Critical patent/CN109048903B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
    • B25J9/1669—Programme controls characterised by programming, planning systems for manipulators characterised by special application, e.g. multi-arm co-operation, assembly, grasping
    • 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
    • B25J9/1628—Programme controls characterised by the control loop
    • B25J9/1633—Programme controls characterised by the control loop compliant, force, torque control, e.g. combined with position control
    • 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
    • B25J9/1679—Programme controls characterised by the tasks executed
    • B25J9/1687—Assembly, peg and hole, palletising, straight line, weaving pattern movement
    • 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
    • B25J9/1694—Programme controls characterised by use of sensors other than normal servo-feedback from position, speed or acceleration sensors, perception control, multi-sensor controlled systems, sensor fusion
    • B25J9/1697—Vision controlled systems

Abstract

本发明的目的是提供一种机械臂插轴入孔的方法及设备，本发明通过结合机器视觉和力控进行智能装配的视觉引导技术方法，能够让让工业机器人自动地实现高精度的插轴入孔任务。本发明通过对于目标孔的预采样，结合腕部摄像头等采集所述插轴的插入孔的图片Or和六维力传感器所采集的数据Ft输入用神经网络建立对孔洞相对姿态的预测模型，并且通过多次采样能够提高预测精度，最终实现成功插入。由于无需人为建立规则，具有普适性且自动化程度高。

Description

机械臂插轴入孔的方法及设备
技术领域
本发明涉及计算机领域，尤其涉及一种机械臂插轴入孔的方法及设备。
背景技术
在零件装配生产任务中，插轴入孔任务是常见的任务类型之一。工业机器人被要求自动准确定位，同时满足正确的装配对应关系。更重要地，需要避免两工件发生碰撞从而导致缺陷。插轴入孔问题要求机械臂对于手中的轴与待插孔的相对位置估计非常准确，同时也要求机械臂具备力控的能力以防止工件剧烈碰撞发生损坏。
现有的机械臂插轴入孔的方法，只能针对特定的轴孔元件设定相应的规则，并且调试时间长，虽然精度能够得到保证，但是每次遇到新的不同大小形状的原件就失去效果，需要重新人为设计规则和参数，不具有普适性且需要很多人力。
发明内容
本发明的一个目的是提供一种机械臂插轴入孔的方法及设备。
根据本发明的一个方面，提供了一种机械臂插轴入孔的方法，该方法包括：
步骤S1，获得抓取插轴的机械臂的抓取端的正确插入姿态Pr和所述正确插入姿态Pr下的所述插轴的插入孔的图片Or；
步骤S2，以所述正确插入姿态Pr为中心，将所述插入孔及边缘分割成包括n×n个格点的网格，在每个格点分割后的块范围内随机采样，以得到遍历后的机械臂的抓取端的采样姿态，其中，n为正整数；
步骤S3，将每个格点位置上的每个采样姿态作为抓取端的起始位置，让所述机械臂沿抓取端的法线位置作速度低于预设速度阈值的移动，直到与所述抓取端连接的六维力传感器获取到上下运动z轴的力达到预设力阈值F或所述抓取端的位置偏移达到预设偏移阈值Δh，停止所述机械臂沿抓取端的法线位置的移动，记录此时的采样数据，包括：机械臂的位置和姿态Pt、所述六维力传感器所采集的数据Ft和对应的所述插轴的插入孔的图片Ot，并将所述采样数据添加到数据库D中；
步骤S4，将每个采样得到的所述插轴的插入孔的图片Ot与所述正确插入姿态Pr下的所述插轴的插入孔的图片Or做对比，得到光流图，将所述光流图经过一个卷积神经网络得到光流特征Lt，并将所述光流特征Lt添加到所述数据库D中；
步骤S5，从所述数据库D中提取k个采样作为一个路径序列，k为正整数，将所述提取的k个采样中的每个采样对应的所述六维力传感器所采集的数据Ft、光流特征Lt以及当前个的采样与所述路径序列中前一个的采样之间的运动Pt-Pt-1作为输入，将当前的采样的机械臂的位置和姿态Pt作为输出，并将整个路径序列作为训练数据，训练一个循环神经网络，以得到位置姿态预测模型；
步骤S6，重复从步骤S5开始执行，以得到最终的位置姿态预测模型；
步骤S7，基于所述最终的位置姿态预测模型控制所述抓取端的移动姿态、移动方向和移动距离。
进一步的，上述方法中，步骤S2，在每个格点分割后的块范围内随机采样，以得到遍历后的机械臂的抓取端的采样姿态，包括：
在每个格点位置上改变x向旋转角Rx、y向旋转角Ry和z向旋转角Rz，以得到遍历后的机械臂的抓取端的采样姿态。
进一步的，上述方法中，所述光流特征Lt的维度均比所述图片Ot和图片Or的维度低。
进一步的，上述方法中，步骤S6，重复从步骤S5开始执行，以得到最终的位置姿态预测模型，包括：
重复从步骤S5开始执行，直到得到位置姿态预测模型的测试误差小于预设误差阈值，将误差小于预设误差阈值的位置姿态预测模型作为最终的位置姿态预测模型。
进一步的，上述方法中，步骤S7，基于所述最终的位置姿态预测模型控制所述抓取端的移动姿态、移动方向和移动距离，包括：
步骤S71，获取机械臂的前一位置和姿态Pt-1’；
步骤S72，以所述机械臂的前一位置和姿态Pt-1’为起始位置，控制所述机械臂沿抓取端的法线位置作速度低于预设速度阈值的移动，直到与所述抓取端连接的六维力传感器获取到上下运动z轴的力达到预设力阈值F或所述抓取端的位置偏移达到预设偏移阈值Δh，停止所述机械臂沿抓取端的法线位置的移动，记录此时所在的待预测待位置和姿态Pt’对应的实测数据，包括：所述六维力传感器所采集的数据Ft’和对应的所述插轴的插入孔的图片Ot’；
步骤S73，将所述插轴的插入孔的图片Ot’与所述正确插入姿态Pr下的所述插轴的插入孔的图片Or做对比，得到光流图，将所述光流图经过一个卷积神经网络得到光流特征Lt’；
步骤S74，将所述六维力传感器所采集的数据Ft’、光流特征Lt’和Pr-Pt-1’输入所述位置姿态预测模型，得到所述位置姿态预测模型输出的待预测位置和姿态Pt’；
步骤S75，根据所述位置和姿态Pt’和正确插入姿态Pr，获取所述抓取端的移动姿态、移动方向和移动距离，根据所述移动姿态、移动方向和移动距离控制所述抓取端移动；
步骤S76，记录Pt’作为Pt-1’,将移动后的位置和姿态Pt+1’作为所述机械臂的新的当前位置和姿态Pt’后，重复从步骤S72开始执行。
根据本发明的另一方面，还提供了一种机械臂插轴入孔的设备，该设备包括：
第一装置，用于获得抓取插轴的机械臂的抓取端的正确插入姿态Pr和所述正确插入姿态Pr下的所述插轴的插入孔的图片Or；
第二装置，用于以所述正确插入姿态Pr为中心，将所述插入孔及边缘分割成包括n×n个格点的网格，在每个格点分割后的块范围内随机采样，以得到遍历后的机械臂的抓取端的采样姿态，其中，n为正整数；
第三装置，用于将每个格点位置上的每个采样姿态作为抓取端的起始位置，让所述机械臂沿抓取端的法线位置作速度低于预设速度阈值的移动，直到与所述抓取端连接的六维力传感器获取到上下运动z轴的力达到预设力阈值F或所述抓取端的位置偏移达到预设偏移阈值Δh，停止所述机械臂沿抓取端的法线位置的移动，记录此时的采样数据，包括：机械臂的位置和姿态Pt、所述六维力传感器所采集的数据Ft和对应的所述插轴的插入孔的图片Ot，并将所述采样数据添加到数据库D中；
第四装置，用于将每个采样得到的所述插轴的插入孔的图片Ot与所述正确插入姿态Pr下的所述插轴的插入孔的图片Or做对比，得到光流图，将所述光流图经过一个卷积神经网络得到光流特征Lt，并将所述光流特征Lt添加到所述数据库D中；
第五装置，用于从所述数据库D中提取k个采样作为一个路径序列，k为正整数，将所述提取的k个采样中的每个采样对应的所述六维力传感器所采集的数据Ft、光流特征Lt以及当前个的采样与所述路径序列中前一个的采样之间的运动Pt-Pt-1作为输入，将当前的采样的机械臂的位置和姿态Pt作为输出，并将整个路径序列作为训练数据，训练一个循环神经网络，以得到位置姿态预测模型；
第六装置，用于重复从所述第五装置开始运行，以得到最终的位置姿态预测模型；
第七装置，用于基于所述最终的位置姿态预测模型控制所述抓取端的移动姿态、移动方向和移动距离。
进一步的，上述设备中，所述第二装置，用于在每个格点位置上改变x向旋转角Rx、y向旋转角Ry和z向旋转角Rz，以得到遍历后的机械臂的抓取端的采样姿态。
进一步的，上述设备中，所述光流特征Lt的维度均比所述图片Ot和图片Or的维度低。
进一步的，上述设备中，所述第六装置，用于重复从所述第五装置开始运行，直到得到位置姿态预测模型的测试误差小于预设误差阈值，将误差小于预设误差阈值的位置姿态预测模型作为最终的位置姿态预测模型。
进一步的，上述设备中，所述第七装置包括：
第七一装置，用于获取机械臂的前一位置和姿态Pt-1’；
第七二装置，用于以所述机械臂的前一位置和姿态Pt-1’为起始位置，控制所述机械臂沿抓取端的法线位置作速度低于预设速度阈值的移动，直到与所述抓取端连接的六维力传感器获取到上下运动z轴的力达到预设力阈值F或所述抓取端的位置偏移达到预设偏移阈值Δh，停止所述机械臂沿抓取端的法线位置的移动，记录此时所在的待预测待位置和姿态Pt’对应的实测数据，包括：所述六维力传感器所采集的数据Ft’和对应的所述插轴的插入孔的图片Ot’；
第七三装置，用于将所述插轴的插入孔的图片Ot’与所述正确插入姿态Pr下的所述插轴的插入孔的图片Or做对比，得到光流图，将所述光流图经过一个卷积神经网络得到光流特征Lt’；
第七四装置，用于将所述六维力传感器所采集的数据Ft’、光流特征Lt’和Pr-Pt-1’输入所述位置姿态预测模型，得到所述位置姿态预测模型输出的待预测位置和姿态Pt’；
第七五装置，用于根据所述位置和姿态Pt’和正确插入姿态Pr，获取所述抓取端的移动姿态、移动方向和移动距离，根据所述移动姿态、移动方向和移动距离控制所述抓取端移动；
第七六装置，用于记录Pt’作为Pt-1’,将移动后的位置和姿态Pt+1’作为所述机械臂的新的当前位置和姿态Pt’后，重复从第七二装置开始执行。
根据本发明的另一面，还提供一种基于计算的设备，其中，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：
步骤S1，获得抓取插轴的机械臂的抓取端的正确插入姿态Pr和所述正确插入姿态Pr下的所述插轴的插入孔的图片Or；
步骤S2，以所述正确插入姿态Pr为中心，将所述插入孔及边缘分割成包括n×n个格点的网格，在每个格点分割后的块范围内随机采样，以得到遍历后的机械臂的抓取端的采样姿态，其中，n为正整数；
步骤S3，将每个格点位置上的每个采样姿态作为抓取端的起始位置，让所述机械臂沿抓取端的法线位置作速度低于预设速度阈值的移动，直到与所述抓取端连接的六维力传感器获取到上下运动z轴的力达到预设力阈值F或所述抓取端的位置偏移达到预设偏移阈值Δh，停止所述机械臂沿抓取端的法线位置的移动，记录此时的采样数据，包括：机械臂的位置和姿态Pt、所述六维力传感器所采集的数据Ft和对应的所述插轴的插入孔的图片Ot，并将所述采样数据添加到数据库D中；
步骤S4，将每个采样得到的所述插轴的插入孔的图片Ot与所述正确插入姿态Pr下的所述插轴的插入孔的图片Or做对比，得到光流图，将所述光流图经过一个卷积神经网络得到光流特征Lt，并将所述光流特征Lt添加到所述数据库D中；
步骤S5，从所述数据库D中提取k个采样作为一个路径序列，k为正整数，将所述提取的k个采样中的每个采样对应的所述六维力传感器所采集的数据Ft、光流特征Lt以及当前个的采样与所述路径序列中前一个的采样之间的运动Pt-Pt-1作为输入，将当前的采样的机械臂的位置和姿态Pt作为输出，并将整个路径序列作为训练数据，训练一个循环神经网络，以得到位置姿态预测模型；
步骤S6，重复从所述步骤S5开始执行，以得到最终的位置姿态预测模型；
步骤S7，基于所述最终的位置姿态预测模型控制所述抓取端的移动姿态、移动方向和移动距离。
根据本发明的另一面，还提供一种计算机可读存储介质，其上存储有计算机可执行指令，其中，该计算机可执行指令被处理器执行时使得该处理器：
步骤S1，获得抓取插轴的机械臂的抓取端的正确插入姿态Pr和所述正确插入姿态Pr下的所述插轴的插入孔的图片Or；
步骤S2，以所述正确插入姿态Pr为中心，将所述插入孔及边缘分割成包括n×n个格点的网格，在每个格点分割后的块范围内随机采样，以得到遍历后的机械臂的抓取端的采样姿态，其中，n为正整数；
步骤S3，将每个格点位置上的每个采样姿态作为抓取端的起始位置，让所述机械臂沿抓取端的法线位置作速度低于预设速度阈值的移动，直到与所述抓取端连接的六维力传感器获取到上下运动z轴的力达到预设力阈值F或所述抓取端的位置偏移达到预设偏移阈值Δh，停止所述机械臂沿抓取端的法线位置的移动，记录此时的采样数据，包括：机械臂的位置和姿态Pt、所述六维力传感器所采集的数据Ft和对应的所述插轴的插入孔的图片Ot，并将所述采样数据添加到数据库D中；
步骤S4，将每个采样得到的所述插轴的插入孔的图片Ot与所述正确插入姿态Pr下的所述插轴的插入孔的图片Or做对比，得到光流图，将所述光流图经过一个卷积神经网络得到光流特征Lt，并将所述光流特征Lt添加到所述数据库D中；
步骤S5，从所述数据库D中提取k个采样作为一个路径序列，k为正整数，将所述提取的k个采样中的每个采样对应的所述六维力传感器所采集的数据Ft、光流特征Lt以及当前个的采样与所述路径序列中前一个的采样之间的运动Pt-Pt-1作为输入，将当前的采样的机械臂的位置和姿态Pt作为输出，并将整个路径序列作为训练数据，训练一个循环神经网络；
步骤S6，重复步骤S5，以得到最终的位置姿态预测模型；
步骤S7，基于所述最终的位置姿态预测模型控制所述抓取端的移动姿态、移动方向和移动距离。
与现有技术相比，本发明通过结合机器视觉进行智能装配的视觉引导技术方法以及和力控，能够让让工业机器人自动地实现高精度的插轴入孔任务。其中，机器视觉是利用电子相机产生的图像信息，为机器增加视觉功能的技术。它具有信息量丰富、非接触测量和处理手段多样等优点。力控能够感知机械臂对物体施加的力和力矩，避免剧烈的碰撞以保护工件。
本发明通过对于目标孔的预采样，结合腕部摄像头等采集所述插轴的插入孔的图片Or和六维力传感器所采集的数据Ft输入用神经网络建立对孔洞相对姿态的预测模型，并且通过多次采样能够提高预测精度，最终实现成功插入。由于无需人为建立规则，具有普适性且自动化程度高。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1示出根据本发明一实施例的机械臂插轴入孔的方法的流程图。
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
下面结合附图对本发明作进一步详细描述。
在本申请一个典型的配置中，终端、服务网络的设备和可信方均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
如图1所示，本发明提供一种机械臂插轴入孔的方法，所述方法包括：
步骤S1，获得抓取插轴的机械臂的抓取端的正确插入姿态Pr和所述正确插入姿态Pr下的所述插轴的插入孔的图片Or；在此，所述正确插入姿态Pr下的所述插轴的插入孔的图片Or可以通过连接于所述机械臂腕部的相机获取；
步骤S2，以所述正确插入姿态Pr为中心，将所述插入孔及边缘分割成包括n×n个格点的网格，在每个格点分割后的块范围内随机采样，以得到遍历后的机械臂的抓取端的采样姿态，其中，n为正整数；
在此，步骤S2，在每个格点分割后的块范围内随机采样，以得到遍历后的机械臂的抓取端的采样姿态，包括：
在每个格点位置上改变x向旋转角Rx、y向旋转角Ry和z向旋转角Rz，以得到遍历后的机械臂的抓取端的采样姿态；
步骤S3，将每个格点位置上的每个采样姿态作为抓取端的起始位置，让所述机械臂沿抓取端的法线位置作速度低于预设速度阈值的移动，直到与所述抓取端连接的六维力传感器获取到上下运动z轴的力达到预设力阈值F或所述抓取端的位置偏移达到预设偏移阈值Δh，停止所述机械臂沿抓取端的法线位置的移动，记录此时的采样数据，包括：机械臂的位置和姿态Pt、所述六维力传感器所采集的数据Ft和对应的所述插轴的插入孔的图片Ot，并将所述采样数据添加到数据库D中；
步骤S4，将每个采样得到的所述插轴的插入孔的图片Ot与所述正确插入姿态Pr下的所述插轴的插入孔的图片Or做对比，得到光流图，将所述光流图经过一个卷积神经网络得到光流特征Lt，并将所述光流特征Lt添加到所述数据库D中；在此，可以将所述光流图经过一个卷积神经网络得到低维度光流特征Lt，即所述光流特征Lt的维度均比所述图片Ot和图片Or的维度要低，以方便后续循环神经网络的学习效率，易于收敛；
步骤S5，从所述数据库D中提取k个采样作为一个路径序列，k为正整数，将所述提取的k个采样中的每个采样对应的所述六维力传感器所采集的数据Ft、光流特征Lt以及当前个的采样与所述路径序列中前一个的采样之间的运动Pt-Pt-1作为输入，将该当前个的采样的机械臂的位置和姿态Pt作为输出，并将整个路径序列作为训练数据，训练一个循环神经网络；
步骤S6，重复从步骤S5开始执行，以得到最终的位置姿态预测模型；在此，可以重复从步骤S5开始执行，直到得到位置姿态预测模型的测试误差小于预设误差阈值，将误差小于预设误差阈值的位置姿态预测模型作为最终的位置姿态预测模型；
步骤S7，基于所述最终的位置姿态预测模型控制所述抓取端的移动姿态、移动方向和移动距离。
在此，本发明通过结合机器视觉进行智能装配的视觉引导技术方法以及和力控，能够让让工业机器人自动地实现高精度的插轴入孔任务。其中，机器视觉是利用电子相机产生的图像信息，为机器增加视觉功能的技术。它具有信息量丰富、非接触测量和处理手段多样等优点。力控能够感知机械臂对物体施加的力和力矩，避免剧烈的碰撞以保护工件。
本发明通过对于目标孔的预采样，结合腕部摄像头等采集所述插轴的插入孔的图片Or和六维力传感器所采集的数据Ft输入用神经网络建立对孔洞相对姿态的预测模型，并且通过多次采样能够提高预测精度，最终实现成功插入。由于无需人为建立规则，具有普适性且自动化程度高。
本发明的机械臂插轴入孔的方法一实施例中，步骤S7，基于所述最终的位置姿态预测模型控制所述抓取端的移动姿态、移动方向和移动距离，包括：
步骤S71，获取机械臂的前一位置和姿态Pt-1’后，转到步骤S72；
步骤S72，以所述机械臂的前一位置和姿态Pt-1’为起始位置，控制所述机械臂沿抓取端的法线位置作速度低于预设速度阈值的移动，直到与所述抓取端连接的六维力传感器获取到上下运动z轴的力达到预设力阈值F或所述抓取端的位置偏移达到预设偏移阈值Δh，停止所述机械臂沿抓取端的法线位置的移动，记录此时所在的待预测待位置和姿态Pt’对应的实测数据，包括：所述六维力传感器所采集的数据Ft’和对应的所述插轴的插入孔的图片Ot’，之后转到步骤S73；
步骤S73，将所述插轴的插入孔的图片Ot’与所述正确插入姿态Pr下的所述插轴的插入孔的图片Or做对比，得到光流图，将所述光流图经过一个卷积神经网络得到光流特征Lt’后，转到步骤S74；
步骤S74，将所述六维力传感器所采集的数据Ft’、光流特征Lt’和Pr-Pt-1’输入所述位置姿态预测模型，得到所述位置姿态预测模型输出的待预测位置和姿态Pt’后，转到步骤S74；
步骤S75，根据所述位置和姿态Pt’和正确插入姿态Pr，获取所述抓取端的移动姿态、移动方向和移动距离，根据所述移动姿态、移动方向和移动距离控制所述抓取端移动后，转到步骤S75；
步骤S76，记录Pt’作为Pt-1’,将移动后的位置和姿态Pt+1’作为所述机械臂的新的当前位置和姿态Pt’后，转到步骤S72。
根据本发明的另一方面，还提供了一种机械臂插轴入孔的设备，该设备包括：
第一装置，用于获得抓取插轴的机械臂的抓取端的正确插入姿态Pr和所述正确插入姿态Pr下的所述插轴的插入孔的图片Or；
第二装置，用于以所述正确插入姿态Pr为中心，将所述插入孔及边缘分割成包括n×n个格点的网格，在每个格点分割后的块范围内随机采样，以得到遍历后的机械臂的抓取端的采样姿态，其中，n为正整数；在此，所述第二装置，可以用于在每个格点位置上改变x向旋转角Rx、y向旋转角Ry和z向旋转角Rz，以得到遍历后的机械臂的抓取端的采样姿态；
第三装置，用于将每个格点位置上的每个采样姿态作为抓取端的起始位置，让所述机械臂沿抓取端的法线位置作速度低于预设速度阈值的移动，直到与所述抓取端连接的六维力传感器获取到上下运动z轴的力达到预设力阈值F或所述抓取端的位置偏移达到预设偏移阈值Δh，停止所述机械臂沿抓取端的法线位置的移动，记录此时的采样数据，包括：机械臂的位置和姿态Pt、所述六维力传感器所采集的数据Ft和对应的所述插轴的插入孔的图片Ot，并将所述采样数据添加到数据库D中；
第四装置，用于将每个采样得到的所述插轴的插入孔的图片Ot与所述正确插入姿态Pr下的所述插轴的插入孔的图片Or做对比，得到光流图，将所述光流图经过一个卷积神经网络得到光流特征Lt，并将所述光流特征Lt添加到所述数据库D中；
第五装置，用于从所述数据库D中提取k个采样作为一个路径序列，k为正整数，将所述提取的k个采样中的每个采样对应的所述六维力传感器所采集的数据Ft、光流特征Lt以及当前个的采样与所述路径序列中前一个的采样之间的运动Pt-Pt-1作为输入，将该当前个的采样的机械臂的位置和姿态Pt作为输出，并将整个路径序列作为训练数据，训练一个循环神经网络，以得到位置姿态预测模型；
第六装置，用于重复从所述第五装置开始运行，以得到最终的位置姿态预测模型；
第七装置，用于基于所述最终的位置姿态预测模型控制所述抓取端的移动姿态、移动方向和移动距离。
进一步的，上述设备中，所述光流特征Lt的维度均比所述图片Ot和图片Or的维度低。
进一步的，上述设备中，所述第六装置，用于重复从所述第五装置开始运行，直到得到位置姿态预测模型的测试误差小于预设误差阈值，将误差小于预设误差阈值的位置姿态预测模型作为最终的位置姿态预测模型。
进一步的，上述设备中，所述第七装置包括：
第七一装置，用于获取机械臂的前一位置和姿态Pt-1’；
第七二装置，用于以所述机械臂的前一位置和姿态Pt-1’为起始位置，控制所述机械臂沿抓取端的法线位置作速度低于预设速度阈值的移动，直到与所述抓取端连接的六维力传感器获取到上下运动z轴的力达到预设力阈值F或所述抓取端的位置偏移达到预设偏移阈值Δh，停止所述机械臂沿抓取端的法线位置的移动，记录此时所在的待预测待位置和姿态Pt’对应的实测数据，包括：所述六维力传感器所采集的数据Ft’和对应的所述插轴的插入孔的图片Ot’；
第七三装置，用于将所述插轴的插入孔的图片Ot’与所述正确插入姿态Pr下的所述插轴的插入孔的图片Or做对比，得到光流图，将所述光流图经过一个卷积神经网络得到光流特征Lt’；
第七四装置，用于将所述六维力传感器所采集的数据Ft’、光流特征Lt’和Pr-Pt-1’输入所述位置姿态预测模型，得到所述位置姿态预测模型输出的待预测位置和姿态Pt’；
第七五装置，用于根据所述位置和姿态Pt’和正确插入姿态Pr，获取所述抓取端的移动姿态、移动方向和移动距离，根据所述移动姿态、移动方向和移动距离控制所述抓取端移动；
第七六装置，用于记录Pt’作为Pt-1’,将移动后的位置和姿态Pt+1’作为所述机械臂的新的当前位置和姿态Pt’后，重复从第七二装置开始执行。
根据本发明的另一面，还提供一种基于计算的设备，其中，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：
步骤S1，获得抓取插轴的机械臂的抓取端的正确插入姿态Pr和所述正确插入姿态Pr下的所述插轴的插入孔的图片Or；
步骤S2，以所述正确插入姿态Pr为中心，将所述插入孔及边缘分割成包括n×n个格点的网格，在每个格点分割后的块范围内随机采样，以得到遍历后的机械臂的抓取端的采样姿态，其中，n为正整数；
步骤S3，将每个格点位置上的每个采样姿态作为抓取端的起始位置，让所述机械臂沿抓取端的法线位置作速度低于预设速度阈值的移动，直到与所述抓取端连接的六维力传感器获取到上下运动z轴的力达到预设力阈值F或所述抓取端的位置偏移达到预设偏移阈值Δh，停止所述机械臂沿抓取端的法线位置的移动，记录此时的采样数据，包括：机械臂的位置和姿态Pt、所述六维力传感器所采集的数据Ft和对应的所述插轴的插入孔的图片Ot，并将所述采样数据添加到数据库D中；
步骤S4，将每个采样得到的所述插轴的插入孔的图片Ot与所述正确插入姿态Pr下的所述插轴的插入孔的图片Or做对比，得到光流图，将所述光流图经过一个卷积神经网络得到光流特征Lt，并将所述光流特征Lt添加到所述数据库D中；
步骤S5，从所述数据库D中提取k个采样作为一个路径序列，k为正整数，将所述提取的k个采样中的每个采样对应的所述六维力传感器所采集的数据Ft、光流特征Lt以及当前个的采样与所述路径序列中前一个的采样之间的运动Pt-Pt-1作为输入，将该当前个的采样的机械臂的位置和姿态Pt作为输出，并将整个路径序列作为训练数据，训练一个循环神经网络，以得到位置姿态预测模型；
步骤S6，重复从所述步骤S5开始执行，以得到最终的位置姿态预测模型；
步骤S7，基于所述最终的位置姿态预测模型控制所述抓取端的移动姿态、移动方向和移动距离。
根据本发明的另一面，还提供一种计算机可读存储介质，其上存储有计算机可执行指令，其中，该计算机可执行指令被处理器执行时使得该处理器：
步骤S1，获得抓取插轴的机械臂的抓取端的正确插入姿态Pr和所述正确插入姿态Pr下的所述插轴的插入孔的图片Or；
步骤S2，以所述正确插入姿态Pr为中心，将所述插入孔及边缘分割成包括n×n个格点的网格，在每个格点分割后的块范围内随机采样，以得到遍历后的机械臂的抓取端的采样姿态，其中，n为正整数；
步骤S3，将每个格点位置上的每个采样姿态作为抓取端的起始位置，让所述机械臂沿抓取端的法线位置作速度低于预设速度阈值的移动，直到与所述抓取端连接的六维力传感器获取到上下运动z轴的力达到预设力阈值F或所述抓取端的位置偏移达到预设偏移阈值Δh，停止所述机械臂沿抓取端的法线位置的移动，记录此时的采样数据，包括：机械臂的位置和姿态Pt、所述六维力传感器所采集的数据Ft和对应的所述插轴的插入孔的图片Ot，并将所述采样数据添加到数据库D中；
步骤S4，将每个采样得到的所述插轴的插入孔的图片Ot与所述正确插入姿态Pr下的所述插轴的插入孔的图片Or做对比，得到光流图，将所述光流图经过一个卷积神经网络得到光流特征Lt，并将所述光流特征Lt添加到所述数据库D中；
步骤S5，从所述数据库D中提取k个采样作为一个路径序列，k为正整数，将所述提取的k个采样中的每个采样对应的所述六维力传感器所采集的数据Ft、光流特征Lt以及当前个的采样与所述路径序列中前一个的采样之间的运动Pt-Pt-1作为输入，将该当前个的采样的机械臂的位置和姿态Pt作为输出，并将整个路径序列作为训练数据，训练一个循环神经网络；
步骤S6，重复步骤S5，以得到最终的位置姿态预测模型；
步骤S7，基于所述最终的位置姿态预测模型控制所述抓取端的移动姿态、移动方向和移动距离。
上述各设备和存储介质实施例的详细内容，具体各参见各方法实施例的对应部分，在此，不再赘述。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
需要注意的是，本发明可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本发明的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本发明的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。另外，本发明的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。
另外，本发明的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本发明的方法和/或技术方案。而调用本发明的方法的程序指令，可能被存储在固定的或可移动的记录介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输，和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此，根据本发明的一个实施例包括一个装置，该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该装置运行基于前述根据本发明的多个实施例的方法和/或技术方案。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

Claims (12)

1.一种机械臂插轴入孔的方法，其中，该方法包括：
步骤S1，获得抓取插轴的机械臂的抓取端的正确插入姿态Pr和所述正确插入姿态Pr下的所述插轴的插入孔的图片Or；
步骤S2，在每个格点分割后的块范围内随机采样，以得到遍历后的机械臂的抓取端的采样姿态；
步骤S3，将每个格点位置上的每个采样姿态作为抓取端的起始位置，让所述机械臂沿抓取端的法线位置作速度低于预设速度阈值的移动，直到与所述抓取端连接的六维力传感器获取到上下运动z轴的力达到预设力阈值F或所述抓取端的位置偏移达到预设偏移阈值Δh，停止所述机械臂沿抓取端的法线位置的移动，记录此时的采样数据，包括：机械臂的位置和姿态Pt、所述六维力传感器所采集的数据Ft和对应的所述插轴的插入孔的图片Ot，并将所述采样数据添加到数据库D中；
步骤S4，将每个采样得到的所述插轴的插入孔的图片Ot与所述正确插入姿态Pr下的所述插轴的插入孔的图片Or做对比，得到光流图，将所述光流图经过一个卷积神经网络得到光流特征Lt，并将所述光流特征Lt添加到所述数据库D中；
步骤S5，从所述数据库D中提取k个采样作为一个路径序列，k为正整数，将所述提取的k个采样中的每个采样对应的所述六维力传感器所采集的数据Ft、光流特征Lt以及当前个的采样与所述路径序列中前一个的采样之间的运动Pt-Pt-1作为输入，将当前的采样的机械臂的位置和姿态Pt作为输出，并将整个路径序列作为训练数据，训练一个循环神经网络，以得到位置姿态预测模型；
步骤S6，重复从步骤S5开始执行，以得到最终的位置姿态预测模型；
步骤S7，基于所述最终的位置姿态预测模型控制所述抓取端的移动姿态、移动方向和移动距离。
2.根据权利要求1所述的方法，其中，步骤S2，在每个格点分割后的块范围内随机采样，以得到遍历后的机械臂的抓取端的采样姿态，包括：
以所述正确插入姿态Pr为中心，将所述插入孔及边缘分割成包括n×n个格点的网格，在每个格点位置上改变x向旋转角Rx、y向旋转角Ry和z向旋转角Rz在每个格点分割后的块范围内随机采样，以得到遍历后的机械臂的抓取端的采样姿态，其中，n为正整数。
3.根据权利要求1所述的方法，其中，所述光流特征Lt的维度均比所述图片Ot和图片Or的维度低。
4.根据权利要求1所述的方法，其中，步骤S6，重复从步骤S5开始执行，以得到最终的位置姿态预测模型，包括：
重复从步骤S5开始执行，直到得到位置姿态预测模型的测试误差小于预设误差阈值，将误差小于预设误差阈值的位置姿态预测模型作为最终的位置姿态预测模型。
5.根据权利要求1至4任一项所述的方法，其中，步骤S7，基于所述最终的位置姿态预测模型控制所述抓取端的移动姿态、移动方向和移动距离，包括：
步骤S71，获取机械臂的前一位置和姿态Pt-1’；
步骤S72，以所述机械臂的前一位置和姿态Pt-1’为起始位置，控制所述机械臂沿抓取端的法线位置作速度低于预设速度阈值的移动，直到与所述抓取端连接的六维力传感器获取到上下运动z轴的力达到预设力阈值F或所述抓取端的位置偏移达到预设偏移阈值Δh，停止所述机械臂沿抓取端的法线位置的移动，记录此时所在的待预测待位置和姿态Pt’对应的实测数据，包括：所述六维力传感器所采集的数据Ft’和对应的所述插轴的插入孔的图片Ot’；
步骤S73，将所述插轴的插入孔的图片Ot’与所述正确插入姿态Pr下的所述插轴的插入孔的图片Or做对比，得到光流图，将所述光流图经过一个卷积神经网络得到光流特征Lt’；
步骤S74，将所述六维力传感器所采集的数据Ft’、光流特征Lt’和Pr-Pt-1’输入所述位置姿态预测模型，得到所述位置姿态预测模型输出的待预测位置和姿态Pt’；
步骤S75，根据所述位置和姿态Pt’和正确插入姿态Pr，获取所述抓取端的移动姿态、移动方向和移动距离，根据所述移动姿态、移动方向和移动距离控制所述抓取端移动；
步骤S76，记录Pt’作为Pt-1’,将移动后的位置和姿态Pt+1’作为所述机械臂的新的当前位置和姿态Pt’后，重复从步骤S72开始执行。
6.一种机械臂插轴入孔的设备，其中，该设备包括：
第一装置，用于获得抓取插轴的机械臂的抓取端的正确插入姿态Pr和所述正确插入姿态Pr下的所述插轴的插入孔的图片Or；
第二装置，用于在每个格点分割后的块范围内随机采样，以得到遍历后的机械臂的抓取端的采样姿态；
第三装置，用于将每个格点位置上的每个采样姿态作为抓取端的起始位置，让所述机械臂沿抓取端的法线位置作速度低于预设速度阈值的移动，直到与所述抓取端连接的六维力传感器获取到上下运动z轴的力达到预设力阈值F或所述抓取端的位置偏移达到预设偏移阈值Δh，停止所述机械臂沿抓取端的法线位置的移动，记录此时的采样数据，包括：机械臂的位置和姿态Pt、所述六维力传感器所采集的数据Ft和对应的所述插轴的插入孔的图片Ot，并将所述采样数据添加到数据库D中；
第四装置，用于将每个采样得到的所述插轴的插入孔的图片Ot与所述正确插入姿态Pr下的所述插轴的插入孔的图片Or做对比，得到光流图，将所述光流图经过一个卷积神经网络得到光流特征Lt，并将所述光流特征Lt添加到所述数据库D中；
第五装置，用于从所述数据库D中提取k个采样作为一个路径序列，k为正整数，将所述提取的k个采样中的每个采样对应的所述六维力传感器所采集的数据Ft、光流特征Lt以及当前个的采样与所述路径序列中前一个的采样之间的运动Pt-Pt-1作为输入，将当前的采样的机械臂的位置和姿态Pt作为输出，并将整个路径序列作为训练数据，训练一个循环神经网络，以得到位置姿态预测模型；
第六装置，用于重复从所述第五装置开始运行，以得到最终的位置姿态预测模型；
第七装置，用于基于所述最终的位置姿态预测模型控制所述抓取端的移动姿态、移动方向和移动距离。
7.根据权利要求6所述的设备，其中，所述第二装置，用于以所述正确插入姿态Pr为中心，将所述插入孔及边缘分割成包括n×n个格点的网格，在每个格点位置上改变x向旋转角Rx、y向旋转角Ry和z向旋转角Rz在每个格点分割后的块范围内随机采样，以得到遍历后的机械臂的抓取端的采样姿态，其中，n为正整数。
8.根据权利要求6所述的设备，其中，所述光流特征Lt的维度均比所述图片Ot和图片Or的维度低。
9.根据权利要求6所述的设备，其中，所述第六装置，用于重复从所述第五装置开始运行，直到得到位置姿态预测模型的测试误差小于预设误差阈值，将误差小于预设误差阈值的位置姿态预测模型作为最终的位置姿态预测模型。
10.根据权利要求6至9任一项所述的设备，其中，所述第七装置包括：
第七一装置，用于获取机械臂的前一位置和姿态Pt-1’；
第七二装置，用于以所述机械臂的前一位置和姿态Pt-1’为起始位置，控制所述机械臂沿抓取端的法线位置作速度低于预设速度阈值的移动，直到与所述抓取端连接的六维力传感器获取到上下运动z轴的力达到预设力阈值F或所述抓取端的位置偏移达到预设偏移阈值Δh，停止所述机械臂沿抓取端的法线位置的移动，记录此时所在的待预测待位置和姿态Pt’对应的实测数据，包括：所述六维力传感器所采集的数据Ft’和对应的所述插轴的插入孔的图片Ot’；
第七三装置，用于将所述插轴的插入孔的图片Ot’与所述正确插入姿态Pr下的所述插轴的插入孔的图片Or做对比，得到光流图，将所述光流图经过一个卷积神经网络得到光流特征Lt’；
第七四装置，用于将所述六维力传感器所采集的数据Ft’、光流特征Lt’和Pr-Pt-1’输入所述位置姿态预测模型，得到所述位置姿态预测模型输出的待预测位置和姿态Pt+1’；
第七五装置，用于根据所述位置和姿态Pt’和正确插入姿态Pr，获取所述抓取端的移动姿态、移动方向和移动距离，根据所述移动姿态、移动方向和移动距离控制所述抓取端移动；
第七六装置，用于记录Pt’作为Pt-1’,将移动后的位置和姿态Pt+1’作为所述机械臂的新的当前位置和姿态Pt’后，重复从第七二装置开始执行。
11.一种基于计算的设备，其中，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：
步骤S1，获得抓取插轴的机械臂的抓取端的正确插入姿态Pr和所述正确插入姿态Pr下的所述插轴的插入孔的图片Or；
步骤S2，在每个格点分割后的块范围内随机采样，以得到遍历后的机械臂的抓取端的采样姿态；
步骤S3，将每个格点位置上的每个采样姿态作为抓取端的起始位置，让所述机械臂沿抓取端的法线位置作速度低于预设速度阈值的移动，直到与所述抓取端连接的六维力传感器获取到上下运动z轴的力达到预设力阈值F或所述抓取端的位置偏移达到预设偏移阈值Δh，停止所述机械臂沿抓取端的法线位置的移动，记录此时的采样数据，包括：机械臂的位置和姿态Pt、所述六维力传感器所采集的数据Ft和对应的所述插轴的插入孔的图片Ot，并将所述采样数据添加到数据库D中；
步骤S4，将每个采样得到的所述插轴的插入孔的图片Ot与所述正确插入姿态Pr下的所述插轴的插入孔的图片Or做对比，得到光流图，将所述光流图经过一个卷积神经网络得到光流特征Lt，并将所述光流特征Lt添加到所述数据库D中；
步骤S5，从所述数据库D中提取k个采样作为一个路径序列，k为正整数，将所述提取的k个采样中的每个采样对应的所述六维力传感器所采集的数据Ft、光流特征Lt以及当前个的采样与所述路径序列中前一个的采样之间的运动Pt-Pt-1作为输入，将当前的采样的机械臂的位置和姿态Pt作为输出，并将整个路径序列作为训练数据，训练一个循环神经网络，以得到位置姿态预测模型；
步骤S6，重复从所述步骤S5开始执行，以得到最终的位置姿态预测模型；
步骤S7，基于所述最终的位置姿态预测模型控制所述抓取端的移动姿态、移动方向和移动距离。
12.一种计算机可读存储介质，其上存储有计算机可执行指令，其中，该计算机可执行指令被处理器执行时使得该处理器：
步骤S1，获得抓取插轴的机械臂的抓取端的正确插入姿态Pr和所述正确插入姿态Pr下的所述插轴的插入孔的图片Or；
步骤S2，在每个格点分割后的块范围内随机采样，以得到遍历后的机械臂的抓取端的采样姿态；
步骤S3，将每个格点位置上的每个采样姿态作为抓取端的起始位置，让所述机械臂沿抓取端的法线位置作速度低于预设速度阈值的移动，直到与所述抓取端连接的六维力传感器获取到上下运动z轴的力达到预设力阈值F或所述抓取端的位置偏移达到预设偏移阈值Δh，停止所述机械臂沿抓取端的法线位置的移动，记录此时的采样数据，包括：机械臂的位置和姿态Pt、所述六维力传感器所采集的数据Ft和对应的所述插轴的插入孔的图片Ot，并将所述采样数据添加到数据库D中；
步骤S4，将每个采样得到的所述插轴的插入孔的图片Ot与所述正确插入姿态Pr下的所述插轴的插入孔的图片Or做对比，得到光流图，将所述光流图经过一个卷积神经网络得到光流特征Lt，并将所述光流特征Lt添加到所述数据库D中；
步骤S5，从所述数据库D中提取k个采样作为一个路径序列，k为正整数，将所述提取的k个采样中的每个采样对应的所述六维力传感器所采集的数据Ft、光流特征Lt以及当前个的采样与所述路径序列中前一个的采样之间的运动Pt-Pt-1作为输入，将当前的采样的机械臂的位置和姿态Pt作为输出，并将整个路径序列作为训练数据，训练一个循环神经网络；
步骤S6，重复步骤S5，以得到最终的位置姿态预测模型；
步骤S7，基于所述最终的位置姿态预测模型控制所述抓取端的移动姿态、移动方向和移动距离。
CN201810943152.3A 2018-08-17 2018-08-17 机械臂插轴入孔的方法及设备 Active CN109048903B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810943152.3A CN109048903B (zh) 2018-08-17 2018-08-17 机械臂插轴入孔的方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810943152.3A CN109048903B (zh) 2018-08-17 2018-08-17 机械臂插轴入孔的方法及设备

Publications (2)

Publication Number Publication Date
CN109048903A true CN109048903A (zh) 2018-12-21
CN109048903B CN109048903B (zh) 2021-08-27

Family

ID=64686398

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810943152.3A Active CN109048903B (zh) 2018-08-17 2018-08-17 机械臂插轴入孔的方法及设备

Country Status (1)

Country Link
CN (1) CN109048903B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110296680A (zh) * 2019-06-11 2019-10-01 清华大学 机器人抓取货品的姿态测量方法和系统
CN110449882A (zh) * 2019-08-02 2019-11-15 珞石（北京）科技有限公司 结合力控的搜索装配方法
CN110549331A (zh) * 2019-07-16 2019-12-10 浙江工业大学 精密孔轴自动装配的方法和设备
CN111702759A (zh) * 2020-06-09 2020-09-25 珠海格力智能装备有限公司 示教系统及机器人的示教方法
CN112192614A (zh) * 2020-10-09 2021-01-08 西南科技大学 一种基于人机合作的核运维机器人轴孔装配方法
CN110549331B (zh) * 2019-07-16 2024-05-03 浙江工业大学 精密孔轴自动装配的方法和设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09329413A (ja) * 1996-06-07 1997-12-22 Honda Motor Co Ltd 変速歯車組立軸の組付検査装置及び変速歯車組立軸の組付検査方法
CN106228563A (zh) * 2016-07-29 2016-12-14 杭州鹰睿科技有限公司 基于三维视觉的自动装配系统
CN106874914A (zh) * 2017-01-12 2017-06-20 华南理工大学 一种基于深度卷积神经网络的工业机械臂视觉控制方法
CN107633502A (zh) * 2017-07-27 2018-01-26 西北工业大学 一种轴孔装配自动对中的靶心识别方法
CN108161991A (zh) * 2018-01-26 2018-06-15 北京邮电大学 一种基于力反馈的机器人装配自动寻孔方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09329413A (ja) * 1996-06-07 1997-12-22 Honda Motor Co Ltd 変速歯車組立軸の組付検査装置及び変速歯車組立軸の組付検査方法
CN106228563A (zh) * 2016-07-29 2016-12-14 杭州鹰睿科技有限公司 基于三维视觉的自动装配系统
CN106874914A (zh) * 2017-01-12 2017-06-20 华南理工大学 一种基于深度卷积神经网络的工业机械臂视觉控制方法
CN107633502A (zh) * 2017-07-27 2018-01-26 西北工业大学 一种轴孔装配自动对中的靶心识别方法
CN108161991A (zh) * 2018-01-26 2018-06-15 北京邮电大学 一种基于力反馈的机器人装配自动寻孔方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李海龙: "基于视觉/力传感器的机器人柔顺装配技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110296680A (zh) * 2019-06-11 2019-10-01 清华大学 机器人抓取货品的姿态测量方法和系统
CN110296680B (zh) * 2019-06-11 2020-11-24 清华大学 机器人抓取货品的姿态测量方法和系统
CN110549331A (zh) * 2019-07-16 2019-12-10 浙江工业大学 精密孔轴自动装配的方法和设备
CN110549331B (zh) * 2019-07-16 2024-05-03 浙江工业大学 精密孔轴自动装配的方法和设备
CN110449882A (zh) * 2019-08-02 2019-11-15 珞石（北京）科技有限公司 结合力控的搜索装配方法
CN111702759A (zh) * 2020-06-09 2020-09-25 珠海格力智能装备有限公司 示教系统及机器人的示教方法
CN112192614A (zh) * 2020-10-09 2021-01-08 西南科技大学 一种基于人机合作的核运维机器人轴孔装配方法

Also Published As

Publication number Publication date
CN109048903B (zh) 2021-08-27

Similar Documents

Publication Publication Date Title
CN109048903A (zh) 机械臂插轴入孔的方法及设备
CN108829116B (zh) 基于单目摄像头的避障方法及设备
Scaramuzza et al. Visual-inertial odometry of aerial robots
Li et al. 2-D system theory based iterative learning control for linear continuous systems with time delays
CN107972070A (zh) 机器人性能的测试方法、测试系统及计算机可读存储介质
Huang et al. Set-membership-based fault detection and isolation for robotic assembly of electrical connectors
CN104842371B (zh) 一种基于非最小化的最优化算法的机器人手眼标定方法
CN107589719A (zh) 一种原点复归方法和装置
CN111152223A (zh) 一种全自动机器人手眼标定方法
CN109145981A (zh) 深度学习自动化模型训练方法及设备
CN108919794B (zh) 一种双轮差速型移动机器人的全局路径规划方法及其装置
Taghirad et al. Robust solution to three-dimensional pose estimation using composite extended Kalman observer and Kalman filter
CN113874844A (zh) 情景感知装置的仿真方法、装置和系统
CN112809668B (zh) 一种机械臂自动手眼标定的方法及系统、终端
CN116673968B (zh) 基于强化学习的机械臂轨迹规划要素选择方法及系统
CN111604904B (zh) 机器人的定位校准方法及装置、电子设备
CN109489660A (zh) 机器人定位方法及设备
JP2008167329A (ja) 時系列データ圧縮方法
CN110815208B (zh) 控制系统、解析装置以及控制方法
CN117067261A (zh) 机器人监控方法、装置、设备及存储介质
Hayat et al. Vision based identification and force control of industrial robots
CN112325907B (zh) 一种机器人路径规划算法的测试方法、装置、设备及介质
Gyorfi et al. A minimum-jerk speed-planning algorithm for coordinated planning and control of automated assembly manufacturing
Zhang et al. Vision-based six-dimensional peg-in-hole for practical connector insertion
Gordić Detection of interaction forces in industrial robotics

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant