CN109465829B - 一种基于转换矩阵误差模型的工业机器人几何参数辨识方法 - Google Patents

一种基于转换矩阵误差模型的工业机器人几何参数辨识方法 Download PDF

Info

Publication number
CN109465829B
CN109465829B CN201811515456.6A CN201811515456A CN109465829B CN 109465829 B CN109465829 B CN 109465829B CN 201811515456 A CN201811515456 A CN 201811515456A CN 109465829 B CN109465829 B CN 109465829B
Authority
CN
China
Prior art keywords
industrial robot
transformation matrix
pose
robot
industrial
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
Application number
CN201811515456.6A
Other languages
English (en)
Other versions
CN109465829A (zh
Inventor
乔贵方
张腾飞
孙大林
温秀兰
芮平
张颖
王东霞
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.)
Nanjing Institute of Technology
Original Assignee
Nanjing Institute of Technology
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 Nanjing Institute of Technology filed Critical Nanjing Institute of Technology
Priority to CN201811515456.6A priority Critical patent/CN109465829B/zh
Publication of CN109465829A publication Critical patent/CN109465829A/zh
Application granted granted Critical
Publication of CN109465829B publication Critical patent/CN109465829B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning

Landscapes

  • Engineering & Computer Science (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Manipulator (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明是一种基于转换矩阵误差模型的工业机器人几何参数辨识方法，其中工业机器人结构包括机器人控制柜、工业机器人、智能工业相机、相机安装架、控制信号通讯电缆以及传输信号通讯电缆。而工业机器人几何参数辨识方法则首先建立工业机器人的转换矩阵误差模型，其次，获取工业机器人的末端位姿名义变换矩阵以及工业机器人的末端位姿实际变换矩阵，最终，将名义变换矩阵以及实际变换矩阵带入转换矩阵误差模型内得到几何参数误差，将几何参数误差输入机器人控制柜，调整工业机器人末端的定位精准度。该方法无须昂贵外部测量设备，无须做额外标定动，能够作提高工业生产线效率、产能和自动化程度。

Description

一种基于转换矩阵误差模型的工业机器人几何参数辨识方法
技术领域
本发明是涉及工业机器人参数标定技术领域，具体的说是一种基于转换矩阵误差模型的工业机器人几何参数辨识方法。
背景技术
工业机器人作为智能制造装备的代表，高端制造业发展的焦点，其研发、制造与应用成为衡量一个国家科技创新水平的重要标志。随着机器人技术的快速发展，工业机器人的应用领域也在不断扩展，如航空航天工业的制孔、铆接等，这些应用对工业机器人的精度要求也越来越高。目前，工业机器人的重复定位精度较高可达到±0.02mm左右，但绝对精度普遍较低一般为几毫米甚至更高。
工业机器人的绝对定位误差主要分为几何参数误差和非几何参数误差，其中几何参数误差约占总误差的90％，与此同时，如温度引起的定位误差也可以通过几何参数进行补偿。由于工业机器人的实际几何参数与其名义值之间存在偏差，导致工业机器人的末端位姿的定位精度较差。工业机器人几何参数无法直接进行测量，一般可以通过标定技术实现几何参数的辨识与补偿。目前几何参数标定方法可以分为开环法、闭环法和轴线测量法。开环法和闭环法均是建立机器人几何参数误差与末端位姿误差的数学模型，可统称为误差模型法。开环法是利用外部测量设备获取机器人的末端位置、位姿或相对距离，如激光跟踪仪、立体视觉测量、拉线传感器、激光干涉仪等，但此方法所采用的测量设备价格较为昂贵。闭环法又称为自标定方法，是一种利用机器人内部传感器的测量信息与不同位形之间的末端约束，获取部分位置信息的标定方法，如基于球面、平面或点约束等，此标定方法虽不采用昂贵的测量设备，但因关节位置传感器的精度不高，几何参数的辨识精度相对较低。轴线测量法是通过单轴旋转获取关节轴线的方向向量，进而计算几何参数，此标定方法的标定精度相对前两种方法较低，仍需采用激光跟踪仪、激光干涉仪等昂贵测量设备。以上三种标定方法均为离线标定，工业机器人需要停止当前作业任务，甚至需要从生产线中搬移工业机器人，进入相应标定程序，对产线的生产产能和效率影响较大。
发明内容
本发明针对现有技术中的不足，提供一种基于转换矩阵误差模型的工业机器人几何参数辨识方法。
为实现上述目的，本发明采用以下技术方案：
一种基于转换矩阵误差模型的工业机器人几何参数辨识方法，工业机器人结构包括机器人控制柜、工业机器人、智能工业相机、相机安装架、控制信号通讯电缆以及传输信号通讯电缆，所述的智能工业相机通过相机安装架固定安装在工业机器人末端，所述的工业机器人与机器人控制柜通过控制信号通讯电缆信号连接，所述的智能工业相机与机器人控制柜通过传输信号通讯电缆信号连接，其特征在于：智能工业相机(3)的坐标系与工业机器人(2)的末端坐标系转换矩阵可以通过标定法直接获取；
所述的工业机器人几何参数辨识方法如下：
步骤1，建立工业机器人的转换矩阵误差模型；
假设工业机器人的末端在j位姿下的名义位姿为Tj n，实际位姿为Tj r，工业机器人的末端在j+1位姿下的名义位姿为Tj+1 n，实际位姿为Tj+1 r，工业机器人的末端j位姿与末端j+1位姿下的名义转换矩阵为Tn，实际转换矩阵为Tr，则有式1-1关系：
Figure BDA0001901854460000021
式1-1整理可得式1-2，
Figure BDA0001901854460000022
假设工业机器人的末端位姿误差分别为
Figure BDA0001901854460000023
式1-2整理可得式1-3，
Figure BDA0001901854460000024
假设工业机器人的几何参数误差为△Ω，Hj，Hj+1分别为工业机器人的末端在j位姿与j+1位姿下的雅克比矩阵，可知式1-4，
Figure BDA0001901854460000025
将式1-4代入式1-3中可得式1-5
Figure BDA0001901854460000026
步骤2，从机器人控制柜中读取工业机器人的末端位姿名义变换矩阵Tn；
步骤3，利用智能工业相机测量工业机器人的末端位姿实际变换矩阵Tr；
步骤4，将步骤2和步骤3中得到的名义变换矩阵Tn以及实际变换矩阵Tr数据带入式1-5，计算得到工业机器人的几何参数误差△Ω，将该误差补偿到机器人控制器中；
步骤5，重复步骤1至步骤4，进一步提高工业机器人末端定位精度。
所述的步骤3中测量工业机器人的末端位姿实际变换矩阵Tr的具体步骤如下：工业机器人在运行轨迹线上任选两个不同的位姿点，利用智能工业相机分别在以上两个不同位姿点处采集两张现场图像，要求不同位姿点处采集的两张现场图像内具有相同的目标物体，通过特征点匹配算法获取不同位姿点处采集的两张现场图像的特征点匹配，利用图像中目标物体特征点间的几何约束关系计算求解两张现场图像的转换矩阵，进而得到工业机器人的末端位姿实际变换矩阵Tr。
所述的特征点匹配算法包括但不限于SIFT特征匹配算法、SURF算法以及ORB特征提取算法，所述的计算求解两张现场图像的转换矩阵方法为点集云配准算法，所述的点集云配准算法包括但不限于PnP算法、ICP算法以及NDT算法。
所述的工业机器人在运行过程中按照设定动作周期运行，在周期运行轨迹线上任选两个不同的位姿点前，判断工业机器人的工作时间是否满足标定周期，当工业机器人的工作时间已满足标定周期后，选取不同的位姿点并调用机器人几何参数标定程序。
所述的智能工业相机的坐标系与工业机器人的末端坐标系转换矩阵可以通过EYE-IN-HAND手眼标定法获取。
本发明一种基于转换矩阵误差模型的工业机器人几何参数辨识方法的有益效果是：
第一，无须昂贵外部测量设备，能够有效提高工业机器人的末端定位精度；
第二，工业机器人无须做额外标定动作，在运行的过程中即可实现精准测量修正，无停机维护时间，从而提高工业生产线效率、产能和自动化程度；
第三，通过对两张采集自不同位姿下的具有相同目标的图像进行点集云配准算法计算，能够对旋转、尺度缩放、亮度变化保持不变性，而且对仿射变换、视角变化、噪声也具有稳定性，提高位姿转换矩阵的测量精度。
附图说明
图1为本发明一种基于转换矩阵误差模型的工业机器人几何参数辨识方法中工业机器人标定系统的结构原理图。
图2为本发明一种基于转换矩阵误差模型的工业机器人几何参数辨识方法中工业机器人标定系统相机安装架的结构原理图。
图3为本发明一种基于转换矩阵误差模型的工业机器人几何参数辨识方法中转换矩阵测量示意图。
图4为本发明一种基于转换矩阵误差模型的工业机器人几何参数辨识方法的工作流程示意图。
附图标记：1、机器人控制柜；2、工业机器人；3、智能工业相机；4、相机安装架；5、控制信号通讯电缆；6、传输信号通讯电缆；201、j位姿；202、j+1位姿。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
如图1和图2所示，一种基于转换矩阵误差模型的工业机器人几何参数辨识方法，工业机器人结构包括机器人控制柜1、工业机器人2、智能工业相机3、相机安装架4、控制信号通讯电缆5以及传输信号通讯电缆6，所述的智能工业相机3通过相机安装架4固定安装在工业机器人2末端，所述的工业机器人2与机器人控制柜1通过控制信号通讯电缆5信号连接，所述的智能工业相机3与机器人控制柜1通过传输信号通讯电缆6信号连接。
本实施例中，机器人控制柜1内安装有能够处理和发送信号的处理器，处理器用于接收智能工业相机3采集到的图像数据并对图像数据进行处理；同时处理器还能够存储工业机器人2的预设位姿，并发送控制信号到工业机器人2各个关节电机的控制模块中；智能工业相机3通过相机安装架4固定在工业机器人2末端，本实施例中相机安装架4能够保证智能工业相机3镜头所在平面与工业机器人2末端端面始终平行；优选的，相机安装架4与工业机器人2末端的固定面与相机安装架4与智能工业相机3的固定面相互平行，其中，相机安装架4与智能工业相机3的固定面中央位置开有通孔，智能工业相机3的镜头穿过上述通孔，并使智能工业相机3与相机安装架4固定连接。
本实施例中，机器人控制柜1通过控制信号通讯电缆5控制工业机器人2各个关节电机的工作状态，工作状态包括但不限于启动、停止、转速、正转、反转等。机器人控制柜1通过传输信号通讯电缆6接收智能工业相机3的图像数据。
如图3和图4所示，上述的工业机器人的几何参数辨识方法如下：
步骤1，建立工业机器人2的转换矩阵误差模型；
假设工业机器人2的末端在j位姿201下的名义位姿为Tj n，实际位姿为Tj r，工业机器人2的末端在j+1位姿202下的名义位姿为Tj+1 n，实际位姿为Tj+1 r，工业机器人2的末端j位姿201与末端j+1位姿202下的名义转换矩阵为Tn，实际转换矩阵为Tr，则有式1-1关系：
Figure BDA0001901854460000041
式1-1整理可得式1-2，
Figure BDA0001901854460000042
假设工业机器人2的末端位姿误差分别为
Figure BDA0001901854460000051
式1-2整理可得式1-3，
Figure BDA0001901854460000052
假设工业机器人2的几何参数误差为△Ω，Hj，Hj+1分别为工业机器人2的末端在j位姿201与j+1位姿202下的雅克比矩阵，可知式1-4，
Figure BDA0001901854460000053
将式1-4代入式1-3中可得式1-5
Figure BDA0001901854460000054
步骤2，从机器人控制柜1中读取工业机器人2的末端位姿名义变换矩阵Tn；
步骤3，利用智能工业相机3测量工业机器人2的末端位姿实际变换矩阵Tr；
步骤4，将步骤2和步骤3中得到的名义变换矩阵Tn以及实际变换矩阵Tr数据带入式1-5，计算得到工业机器人2的几何参数误差△Ω，将该误差补偿到机器人控制器中；
步骤5，重复步骤1至步骤4，进一步提高工业机器人2末端定位精度。
本实施例中，步骤1的1-5式中雅克比矩阵Hj，Hj+1以及末端j位姿201下的名义位姿
Figure BDA0001901854460000055
均为已知，因此，只需获取工业机器人2的末端名义转换矩阵为Tn，实际转换矩阵为Tr，即可实现工业机器人2的几何参数辨识；
本实施例中，步骤2中智能工业相机3的坐标系与工业机器人2的末端坐标系转换矩阵可以通过EYE-IN-HAND手眼标定法直接获取；
本实施例中，步骤3中测量工业机器人2的末端位姿实际变换矩阵Tr的具体步骤如下：工业机器人2在运行轨迹线上任选两个不同的位姿点，利用智能工业相机3分别在以上两个不同位姿点处采集两张现场图像，要求不同位姿点处采集的两张现场图像内具有相同的目标物体，通过特征点匹配算法获取不同位姿点处采集的两张现场图像的特征点匹配，利用图像中目标物体特征点间的几何约束关系计算求解两张现场图像的转换矩阵，进而得到工业机器人2的末端位姿实际变换矩阵Tr。进一步的，不同位姿点处采集的两张现场图像存储的机器人控制柜1内的存储器中，处理器通过调用存储器的图行，再进行后续的转换矩阵求解。
本实施例中，特征点匹配算法包括但不限于SIFT特征匹配算法、SURF算法以及ORB特征提取算法，所述的计算求解两张现场图像的转换矩阵方法为点集云配准算法，所述的点集云配准算法包括但不限于PnP算法、ICP算法以及NDT算法。
典型的特征点匹配算法获取两张不同位姿下所采集的现场图像的特征点匹配，利用PnP或ICP或NDT等典型点集云配准算法计算得到工业机器人2的末端位姿实际变换矩阵Tr。上述典型算法不仅对旋转、尺度缩放、亮度变化保持不变性，而且对仿射变换、视角变化、噪声也具有一定程度的稳定性。因此，该种处理方法在计算得到转换矩阵时具有较好的测量精度。
本实施例中，工业机器人2在运行过程中按照设定动作周期运行，在周期运行轨迹线上任选两个不同的位姿点前，判断工业机器人2的工作时间是否满足标定周期，当工业机器人2的工作时间已满足标定周期后，选取不同的位姿点并调用机器人几何参数标定程序。
本实施例中，步骤4中，获取得到的工业机器人2的末端位姿名义变换矩阵Tn以及工业机器人2的末端位姿实际变换矩阵Tr，带入1-5式子中，通过参数辨识算法计算得到工业机器人2的几何参数误差，进一步的，参数辨识算法包括但不限于最小二乘法、遗传算法等典型算法。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (5)

1.一种基于转换矩阵误差模型的工业机器人几何参数辨识方法，工业机器人结构包括机器人控制柜(1)、工业机器人(2)、智能工业相机(3)、相机安装架(4)、控制信号通讯电缆(5)以及传输信号通讯电缆(6)，所述的智能工业相机(3)通过相机安装架(4)固定安装在工业机器人(2)末端，所述的工业机器人(2)与机器人控制柜(1)通过控制信号通讯电缆(5)信号连接，所述的智能工业相机(3)与机器人控制柜(1)通过传输信号通讯电缆(6)信号连接，其特征在于：智能工业相机(3)的坐标系与工业机器人(2)的末端坐标系转换矩阵可以通过标定法直接获取；
所述的工业机器人几何参数辨识方法如下：
步骤1，建立工业机器人(2)的转换矩阵误差模型；
假设工业机器人(2)的末端在j位姿(201)下的名义位姿为Tj n，实际位姿为Tj r，工业机器人(2)的末端在j+1位姿(202)下的名义位姿为Tj+1 n，实际位姿为Tj+1 r，工业机器人(2)的末端j位姿(201)与末端j+1位姿(202)下的名义转换矩阵为Tn，实际转换矩阵为Tr，则有式1-1关系：
Figure FDA0002968667450000011
式1-1整理可得式1-2，
Figure FDA0002968667450000012
假设工业机器人(2)的末端位姿误差分别为
Figure FDA0002968667450000013
式1-2整理可得式1-3，
Figure FDA0002968667450000014
假设工业机器人(2)的几何参数误差为△Ω，Hj，Hj+1分别为工业机器人(2)的末端在j位姿(201)与j+1位姿(202)下的雅克比矩阵，可知式1-4，
Figure FDA0002968667450000015
将式1-4代入式1-3中可得式1-5
Figure FDA0002968667450000016
步骤2，从机器人控制柜(1)中读取工业机器人(2)的末端位姿名义变换矩阵Tn；
步骤3，利用智能工业相机(3)测量工业机器人(2)的末端位姿实际变换矩阵Tr；
步骤4，将步骤2和步骤3中得到的名义变换矩阵Tn以及实际变换矩阵Tr数据带入式1-5，计算得到工业机器人(2)的几何参数误差△Ω，将该误差补偿到机器人控制器中；
步骤5，重复步骤1至步骤4，进一步提高工业机器人(2)末端定位精度。
2.如权利要求1所述的一种基于转换矩阵误差模型的工业机器人几何参数辨识方法，其特征在于：所述的步骤3中测量工业机器人(2)的末端位姿实际变换矩阵Tr的具体步骤如下：工业机器人(2)在运行轨迹线上任选两个不同的位姿点，利用智能工业相机(3)分别在以上两个不同位姿点处采集两张现场图像，要求不同位姿点处采集的两张现场图像内具有相同的目标物体，通过特征点匹配算法获取不同位姿点处采集的两张现场图像的特征点匹配，利用图像中目标物体特征点间的几何约束关系计算求解两张现场图像的转换矩阵，进而得到工业机器人(2)的末端位姿实际变换矩阵Tr。
3.如权利要求2所述的一种基于转换矩阵误差模型的工业机器人几何参数辨识方法，其特征在于：所述的特征点匹配算法包括SIFT特征匹配算法、SURF算法以及ORB特征提取算法，所述的计算求解两张现场图像的转换矩阵方法为点集云配准算法，所述的点集云配准算法包括PnP算法、ICP算法以及NDT算法。
4.如权利要求2所述的一种基于转换矩阵误差模型的工业机器人几何参数辨识方法，其特征在于：所述的工业机器人(2)在运行过程中按照设定动作周期运行，在周期运行轨迹线上任选两个不同的位姿点前，判断工业机器人(2)的工作时间是否满足标定周期，当工业机器人(2)的工作时间已满足标定周期后，选取不同的位姿点并调用机器人几何参数标定程序。
5.如权利要求1所述的一种基于转换矩阵误差模型的工业机器人几何参数辨识方法，其特征在于：所述的智能工业相机(3)的坐标系与工业机器人(2)的末端坐标系转换矩阵可以通过EYE-IN-HAND手眼标定法获取。
CN201811515456.6A 2018-12-12 2018-12-12 一种基于转换矩阵误差模型的工业机器人几何参数辨识方法 Active CN109465829B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811515456.6A CN109465829B (zh) 2018-12-12 2018-12-12 一种基于转换矩阵误差模型的工业机器人几何参数辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811515456.6A CN109465829B (zh) 2018-12-12 2018-12-12 一种基于转换矩阵误差模型的工业机器人几何参数辨识方法

Publications (2)

Publication Number Publication Date
CN109465829A CN109465829A (zh) 2019-03-15
CN109465829B true CN109465829B (zh) 2021-05-04

Family

ID=65676230

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811515456.6A Active CN109465829B (zh) 2018-12-12 2018-12-12 一种基于转换矩阵误差模型的工业机器人几何参数辨识方法

Country Status (1)

Country Link
CN (1) CN109465829B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110202581A (zh) * 2019-06-28 2019-09-06 南京博蓝奇智能科技有限公司 机器人末端执行器工作误差的补偿方法、装置及电子设备
CN110889239B (zh) * 2019-12-06 2022-03-04 中国航发控制系统研究所 基于飞参数据辨识的航空燃气涡轮发动机建模方法
CN113650018B (zh) * 2021-09-01 2022-12-16 珠海格力智能装备有限公司 轴式机器人轨迹规划方法、装置与计算机可读存储介质
CN113459108B (zh) * 2021-09-02 2021-11-12 杭州灵西机器人智能科技有限公司 基于插值补偿的手眼标定方法、系统、装置和介质
CN114523474B (zh) * 2022-03-01 2023-06-27 合肥工业大学 一种距离限制的工业机器人运动学参数估计方法
CN114800499B (zh) * 2022-04-20 2023-08-25 北京三快在线科技有限公司 位姿调整方法、装置、计算机可读存储介质及电子设备

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001061533A2 (en) * 2000-02-18 2001-08-23 Rose Ralph E Method and apparatus for training a state machine
EP2188685B1 (en) * 2007-08-28 2012-02-22 The University of Surrey Inverse kinematics
CN102314690A (zh) * 2011-06-07 2012-01-11 北京邮电大学 机械臂运动学参数分离辨识方法
CN105844624B (zh) * 2016-03-18 2018-11-16 上海欧菲智能车联科技有限公司 动态标定系统、动态标定系统中的联合优化方法及装置
CN106737855B (zh) * 2016-08-22 2019-07-02 南京理工大学 一种综合位姿误差模型与刚度补偿的机器人精度补偿方法
CN107443382B (zh) * 2017-09-12 2020-09-22 清华大学 工业机器人结构参数误差辨识与补偿方法
CN108927807B (zh) * 2018-08-14 2020-08-07 河南工程学院 一种基于点特征的机器人视觉控制方法

Also Published As

Publication number Publication date
CN109465829A (zh) 2019-03-15

Similar Documents

Publication Publication Date Title
CN109465829B (zh) 一种基于转换矩阵误差模型的工业机器人几何参数辨识方法
CN110370286B (zh) 基于工业机器人和单目相机的定轴运动刚体空间位置识别方法
CN108818536B (zh) 一种机器人手眼标定的在线偏移修正方法及装置
CN110116407B (zh) 柔性机器人位姿测量方法及装置
CN107214703B (zh) 一种基于视觉辅助定位的机器人自标定方法
JP4021413B2 (ja) 計測装置
CN106935683B (zh) 一种太阳能电池片高速视觉定位及矫正系统及其方法
CN105783711B (zh) 三维扫描仪校正系统及其校正方法
CN110490932B (zh) 单目红外共面光标迭代优化测量行车吊臂空间位姿方法
CN109781164B (zh) 一种线激光传感器的静态标定方法
CN103020952A (zh) 信息处理设备和信息处理方法
CN104827480A (zh) 机器人系统的自动标定方法
CN111897349A (zh) 一种基于双目视觉的水下机器人自主避障方法
CN109191527B (zh) 一种基于最小化距离偏差的对位方法及装置
CN113267180B (zh) 一种基于3d深度视觉的agv叉车托盘定位及叉取方法
CN111890373A (zh) 车载机械臂的感知定位方法
CN115294198A (zh) 一种基于视觉的机械臂全局性能测量系统及方法
JP2007533963A (ja) 物体の３ｄ位置の非接触式光学的測定方法及び測定装置
CN115311371A (zh) 一种双机器人自动测量划线系统标定方法
CN111331604A (zh) 一种基于机器视觉的阀门旋拧柔顺作业方法
CN114001651B (zh) 一种基于双目视觉测量和先验检测数据的大型细长筒类构件位姿原位测量方法
CN113781558B (zh) 一种姿态与位置解耦的机器人视觉寻位方法
CN114627166A (zh) 基于点云配准icp算法的机器人云台伺服控制方法
CN114012719A (zh) 一种六轴机器人的零点标定方法及系统
CN109397293B (zh) 一种基于移动机器人的地面水平误差建模及补偿方法

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