CN110227876A - 基于3d点云数据的机器人焊接路径自主规划方法 - Google Patents

Abstract

本发明公开了一种基于3D点云数据的机器人焊接路径自主规划方法，包括：获取工件焊缝外形的原始三维点云数据，并对原始三维点云数据进行预处理；根据工件的焊缝特征，构建具有相同特征的标尺CAD模型，将标尺CAD模型的特征面信息转化为三维点云数据；对标尺CAD模型的三维点云数据与工件焊缝外形预处理后的三维点云数据进行局部配准运算；根据局部配准结果，进行连续特征搜索，获得完整工件焊缝信息；提取出完整工件焊缝信息中标记的焊接位姿信息；对提取的焊缝位姿信息进行处理，规划机器人的焊接路径；本发明能够提高机器人焊接的自适应性，能够显著减少操作人员现场示教和离线编程的工作量。

Description

基于3D点云数据的机器人焊接路径自主规划方法

技术领域

本发明涉及机器人焊接技术领域，特别是一种基于3D点云数据的机器人焊接路径自主规划方法。

背景技术

弧焊以电弧为载能束，通过焊丝熔化的方式来联结不同构件，属于低成本、高效率的制造技术。随着国民经济发展方式的转换，在制造业转型升级的大背景下，对焊接生产的自动化、柔性化与智能化的需求十分强烈。

焊接生产中，通常采用离线编程软件，通过CAD模型规划路径、生成机器人程序。但由于工件制造误差、现场摆放定位等各种情况，引起实际焊缝与CAD模型不一致，甚至出现较大偏离或偏差，从而导致离线规划的焊接路径不可用，生成的机器人程序无法满足现场生产要求。

目前，激光扫描仪和深度相机在测量和视觉传感领域日趋成熟，在焊接生产中也越来越受到重视。前者直接以坐标点的形式表达，可以直接表达为点云数据，后者为深度图像，但也可以转化为3D点云数据。因此，基于3D点云数据信息，如何将这些信息向焊接生命周期上游延伸，怎样实现焊缝识别及焊接路径自主规划，是进一步提高机器人焊接自动化、柔性化、智能化水平的关键。

发明内容

为解决现有技术中存在的问题，本发明的目的是提供一种基于3D点云数据的机器人焊接路径自主规划方法，本发明能够提高机器人焊接的自适应性，能够显著减少操作人员现场示教和离线编程的工作量。

为实现上述目的，本发明采用的技术方案是：一种基于3D点云数据的机器人焊接路径自主规划方法，包括以下步骤：

a、获取工件焊缝外形的原始三维点云数据，并对原始三维点云数据进行预处理；

b、根据工件的焊缝特征，构建具有相同特征的标尺CAD模型，将标尺CAD模型的特征面信息转化为三维点云数据；

c、对标尺CAD模型的三维点云数据与工件焊缝外形预处理后的三维点云数据进行局部配准运算；

d、根据局部配准结果，进行连续特征搜索，获得完整工件焊缝信息；

e、提取出完整工件焊缝信息中标记的焊接位姿信息；

f、对提取的焊缝位姿信息进行处理，规划机器人的焊接路径。

作为一种优选的实施方式，所述步骤a中，对原始三维点云数据进行预处理具体包括：

点云坐标变换：求解出视觉坐标系和机器人坐标系之间的坐标变换矩阵，将获取的原始三维点云数据由扫描设备坐标表达转换成由机器人坐标表达；

点云分割提取：剔除原始三维点云数据中包含的不感兴趣的背景点，对点云所在的三维空间的每一个维度指定范围值域，将背景点控制在保留值域之外；

点云噪点剔除：剔除原始三维点云数据中的离群噪点，假定任意一点与其周围邻近的k个点的平均距离满足高斯分布，设置滤波阈值对离群噪点进行剔除；

点云数据简化：在保留工件几何特征的情况下，均匀减少三维点云中点的数量。

作为另一种优选的实施方式，在步骤b中，所述的标尺CAD模型所携带的信息包括：焊接路径点坐标位置信息和每一个焊接路径点对应的焊枪姿态信息。

作为另一种优选的实施方式，所述步骤c具体包括以下步骤：

c1、点云信息初始化，读取标尺CAD模型的配准点云数据，读取工件焊缝外形预处理后的三维点云数据；

c2、计算两片点云的重心，获取重心平移矩阵，将两片点云重心平移到坐标原点；

c3、采用遗传算法优化标尺CAD模型的点云位姿变换矩阵。

作为另一种优选的实施方式，在步骤c3中，采用遗传算法优化标尺CAD模型的点云位姿变换矩阵所采用的目标函数为：表示两片点云对应最近点之间，欧氏距离的平均值，其中，p_i(i＝1，2，…N_P)表示标尺CAD模型的点云数据中所有点的坐标数据，q_i(i＝1，2，…N_P)表示工件焊缝外形三维点云数据中与p_i重合或者距离最小的对应点的坐标数据，R表示标尺点云位姿变换的旋转矩阵：R_3×3＝R_x(α)R_y(β)R_z(γ)，R_x(α)，R_y(β)，R_z(γ)表示分别绕x,y,z轴旋转一定角度后的标准正交旋转矩阵：

T表示标尺CAD模型点云位姿变换的平移矩阵：T＝[t_x t_y t_z]′，t_x,t_y,t_z分别表示沿x,y,z方向的平移量，借助计算机编程实现对参数的α，β，γ，t_x，t_y，t_z优化，进而计算出最优位姿变换矩阵，得到位姿变换后的标尺CAD模型的三维点云数据。

作为另一种优选的实施方式，在步骤d中，所述连续特征搜索包括按一定方向对标尺CAD模型进行延伸或者移动标尺CAD模型的位置，搜索具有相同特征的工件焊缝位置，记录每一次搜索完成后的标尺CAD模型焊缝特征，用标尺CAD模型焊缝特征替代工件焊缝特征，实现对工件的完整焊缝的识别。

作为另一种优选的实施方式，所述步骤d具体包括以下步骤：

d1、信息初始化，读取工件焊缝外形的三维点云坐标、配准后标尺CAD模型的边界点坐标以及边界特征信息；

d2、采用遗传算法寻找最优的标尺延伸方向；

d3、输出最优解和最优目标函数值；

d4、根据目标函数值判断是否到达退出条件；若未到达退出条件，记录新边界特征，并将新边界特征替换原来的边界特征返回步骤d2，若达到退出条件，结束搜索。

作为另一种优选的实施方式，在步骤d2中，采用遗传算法寻找最优的标尺延伸方向所采用的目标函数为：表示两片点云对应最近点之间，欧式距离的平均值，其中，b′_j(j＝1，2，…N_B)表示标尺CAD模型边界延伸点的坐标数据，q_j(j＝1，2，…N_B)表示工件焊缝外形三维点云数据中与b′_j重合或者距离最小的对应点的坐标数据，ψ是决定标尺CAD模型边界延伸方向的变量，借助计算机编程实现对参数ψ优化，进而计算每一次延伸的最优方向，得到新的标尺CAD模型三维点云数据。

作为另一种优选的实施方式，步骤e中，所述焊接路径点的坐标数据和其对应的焊枪姿态信息，步骤e具体包括：在标尺CAD模型的边界位置建立局部坐标系以描述其位姿信息，局部配准完成后标记出标尺CAD模型边界位置的焊接位姿信息，连续特征搜索过程中，每一次延伸标尺CAD模型边界或移动标尺CAD模型位置需要更新边界局部坐标，进而标记出焊接位姿信息。

本发明的有益效果是：基于3D点云数据信息，采用局部对齐与连续特征搜索方法，可以实现工件上整条焊缝位置信息与姿态信息的自动提取，可以实现弧焊作业中焊缝的自动识别与焊接路径的自主规划，可以为进一步自动生成机器人程序提供焊枪的位置与姿态数据；本发明能够提高机器人焊接的自适应性，能够显著减少操作人员现场示教和离线编程的工作量。

附图说明

图1是本发明实施例焊接路径规划的流程示意图；

图2是本发明实施例中基于遗传算法的点云局部配准运算流程示意图；

图3是本发明实施例中基于遗传算法的连续特征搜索运算流程示意图；

图4是本发明实施例中构造的标尺CAD模型点云数据示意图；

图5(a)为本发明实施例中预处理后的直线角焊缝待焊工件三维点云数据示意图；

图5(b)为本发明实施例中预处理后的弧线角焊缝待焊工件三维点云数据示意图；

图6(a)为本发明实施例中，重心平移之后，直线角焊缝待焊工件点云与标尺点云之间的位置关系示意图；

图6(b)为本发明实施例中，重心平移之后，弧线角焊缝待焊工件点云与标尺点云之间的位置关系示意图；

图7(a)为本发明实施例中，局部特征配准完成之后，直线角焊缝待焊工件点云与标尺点云之间的位置关系示意图；

图7(b)为本发明实施例中，局部特征配准完成之后，弧线角焊缝待焊工件点云与标尺点云之间的位置关系示意图；

图8(a)为本发明实施例中连续特征搜索完成之后，直线角焊缝待焊工件点云与标尺点云之间的位置关系示意图；

图8(b)为本发明实施例中连续特征搜索完成之后，弧线角焊缝待焊工件点云与标尺点云之间的位置关系示意图；

图9(a)为本发明实施例中直线角焊缝待焊工件提取的焊接位姿信息示意图；

图9(b)为本发明实施例中弧线角焊缝待焊工件提取的焊接位姿信息示意图。

具体实施方式

下面结合附图对本发明的实施例进行详细说明。

实施例：

本实施例以直线角焊缝待焊工件和弧线角焊缝待焊工件进行说明：

如图1所示，一种基于3D点云数据的机器人焊接路径自主规划方法，包括以下步骤：

a、获取工件焊缝外形的原始三维点云数据，并对原始三维点云数据进行预处理；

b、根据工件的焊缝特征，构建具有相同特征的标尺CAD模型，将标尺CAD模型的特征面信息转化为三维点云数据；

c、对标尺CAD模型的三维点云数据与工件焊缝外形预处理后的三维点云数据进行局部配准运算；

d、根据局部配准结果，进行连续特征搜索，获得完整工件焊缝信息；

e、提取出完整工件焊缝信息中标记的焊接位姿信息；

f、对提取的焊缝位姿信息进行处理，规划机器人的焊接路径。

步骤a所述原始三维点云数据预处理，具体地包括：

a1、点云坐标变换，

a2、点云分割提取，

a3、点云噪点剔除，

a4、点云数据简化；

所述点云坐标变换具体是求解出视觉坐标系和机器人坐标系之间的坐标变换矩阵，进一步将获取的点三维云数据由扫描设备坐标表达转换成由机器人坐标表达；

所述点云分割提取是剔除原始三维点云数据中包含的大量不感兴趣的背景点；具体地，是对三维点云所在的三维空间的每一个维度指定合理的范围值域，将背景点控制在保留值域之外；

所述点云噪点剔除是剔除原始三维点云数据中的离群噪点；具体地，假定任意一点与其周围邻近的k个点的平均距离满足高斯分布，设置滤波阈值对离群噪点进行剔除。

所述点云数据简化具体是指在保留工件几何特征的情况下，均匀减少三维点云中点的数量。

所述原始三维点云数据经过预处理，可以提高三维点云数据的质量，有利于后续计算处理，直线角焊缝待焊工件和弧线角焊缝待焊工件三维点云数据预处理后的示意图分别如图5(a)和图5(b)所示；

如图4所示，步骤b中根据工件的焊缝特征，构建具有相同特征的标尺CAD模型具体是指基于焊缝特征的共性设计的标尺模型，其携带的信息包括：焊接路径点坐标位置信息和每一个焊接路径点对应的焊枪姿态信息。

在步骤c中，局部配准运算的目的是使标尺CAD模型特征面位姿与工件面位姿重合，进而识别出工件点云的局部焊缝特征，并为后续的特征搜索提供合理的初始位置。

如图2所示，步骤c具体包括：

c1、点云信息初始化，读取虚拟标尺的配准点云信息，读取预处理后的工件点云信息；

c2、计算两片点云的重心，获取重心平移矩阵，将两片点云重心平移到坐标原点，重心平移之后，直线角焊缝待焊工件和弧线角焊缝待焊工件的点云与标尺点云之间的位置关系示意图分别如图6(a)和图6(b)所示；

c3、采用遗传算法优化标尺点云位姿变换矩阵；

将局部配准过程处理为优化标尺点云位姿变换矩阵，具体地，优化的目标函数是：

函数表示的是两片点云对应最近点之间，欧式距离的平均值，其中，p_i(i＝1，2，…N_P)表示标尺点云中所有点的坐标数据，q_i(i＝1，2，…N_P)表示工件点云中与p_i重合或者距离最小的对应点的坐标数据，R表示标尺点云位姿变换的旋转矩阵，R_3×3＝R_x(α)R_y(β)R_z(γ)，R_x(α)，R_y(β)，R_z(γ)表示分别绕x,y,z轴旋转一定角度后的标准正交旋转矩阵：

T表示标尺点云位姿变换的平移矩阵，T＝[t_x t_y t_z]′，t_x,t_y,t_z分别表示沿x,y,z方向的平移量。

借助计算机编程实现对参数α，β，γ，t_x，t_y，t_z优化，进而计算出最优位姿变换矩阵，得到位姿变换后的标尺点云数据，局部特征配准完成之后，直线角焊缝待焊工件和弧线角焊缝待焊工件点云与标尺点云之间的位置关系分别如图7(a)和图7(b)所示。

步骤d中连续特征搜索是指按一定方向对标尺进行延伸，搜索具有相同特征的工件焊缝位置，记录每一次搜索完成后的标尺特征，用标尺焊缝特征替代工件焊缝特征，实现完整焊缝的识别。

如图3所示，步骤d具体包括:

d1、信息初始化，读取工件点云坐标、配准后虚拟标尺的边界点坐标以及边界特征信息；

d2、采用遗传算法寻找最优的标尺延伸方向；

d3、输出最优解和最优目标函数值；

d4、根据目标函数值判断是否到达退出条件；若未到达退出条件，记录新边界特征，并将新边界特征替换原来的边界特征返回步骤d2，若达到退出条件，结束搜索。

具体地，将连续特征搜索过程处理为寻找最优的标尺延伸方向，其优化的目标函数是：函数表示的是两片点云对应最近点之间，欧式距离的平均值，其中，b′_j(j＝1，2，…N_B)表示标尺边界延伸点的坐标数据，q_j(j＝1，2，…N_B)表示工件点云中与b′_j重合或者距离最小的对应点的坐标数据，ψ是决定标尺边界延伸方向的变量。

借助计算机编程实现对参数ψ优化，进而计算每一次延伸的最优方向，得到新的标尺点云数据，连续特征搜索完成之后，直线角焊缝待焊工件和弧线角焊缝待焊工件点云与标尺点云之间的位置关系示意图分别如图8(a)和图8(b)所示。

步骤e中焊接位姿信息包括：焊接路径点的坐标数据和其对应的焊枪姿态信息。

具体地，在标尺CAD模型的边界位置建立局部坐标系以描述其位姿信息，局部配准完成后标记出标尺边界位置的焊接位姿信息，连续特征搜索过程中，每一次延伸标尺边界或移动标尺位置需要更新边界局部坐标，进而标记出焊接位姿信息，直线角焊缝待焊工件和弧线角焊缝待焊工件标记出的焊接位姿信息示意图分别如图9(a)和图9(b)所示。

以上所述实施例仅表达了本发明的具体实施方式，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。

Claims (9)

1.一种基于3D点云数据的机器人焊接路径自主规划方法，其特征在于，包括以下步骤：

a、获取工件焊缝外形的原始三维点云数据，并对原始三维点云数据进行预处理；

b、根据工件的焊缝特征，构建具有相同特征的标尺CAD模型，将标尺CAD模型的特征面信息转化为三维点云数据；

c、对标尺CAD模型的三维点云数据与工件焊缝外形预处理后的三维点云数据进行局部配准运算；

d、根据局部配准结果，进行连续特征搜索，获得完整工件焊缝信息；

e、提取出完整工件焊缝信息中标记的焊接位姿信息；

f、对提取的焊缝位姿信息进行处理，规划机器人的焊接路径。

2.根据权利要求1所述的基于3D点云数据的机器人焊接路径自主规划方法，其特征在于，所述步骤a中，对原始三维点云数据进行预处理具体包括：

点云坐标变换：求解出视觉坐标系和机器人坐标系之间的坐标变换矩阵，将获取的原始三维点云数据由扫描设备坐标表达转换成由机器人坐标表达；

点云分割提取：剔除原始三维点云数据中包含的不感兴趣的背景点，对点云所在的三维空间的每一个维度指定范围值域，将背景点控制在保留值域之外；

点云噪点剔除：剔除原始三维点云数据中的离群噪点，假定任意一点与其周围邻近的k个点的平均距离满足高斯分布，设置滤波阈值对离群噪点进行剔除；

点云数据简化：在保留工件几何特征的情况下，均匀减少三维点云中点的数量。

3.根据权利要求1所述的基于3D点云数据的机器人焊接路径自主规划方法，其特征在于，在步骤b中，所述的标尺CAD模型所携带的信息包括：焊接路径点坐标位置信息和每一个焊接路径点对应的焊枪姿态信息。

4.根据权利要求1所述的基于3D点云数据的机器人焊接路径自主规划方法，其特征在于，所述步骤c具体包括以下步骤：

c1、点云信息初始化，读取标尺CAD模型的配准点云数据，读取工件焊缝外形预处理后的三维点云数据；

c2、计算两片点云的重心，获取重心平移矩阵，将两片点云重心平移到坐标原点；

c3、采用遗传算法优化标尺CAD模型的点云位姿变换矩阵。

5.根据权利要求4所述的基于3D点云数据的机器人焊接路径自主规划方法，其特征在于，在步骤c3中，采用遗传算法优化标尺CAD模型的点云位姿变换矩阵所采用的目标函数为：表示两片点云对应最近点之间，欧氏距离的平均值，其中，p_i(i＝1，2，…N_P)表示标尺CAD模型的点云数据中所有点的坐标数据，q_i(i＝1，2，…N_P)表示工件焊缝外形三维点云数据中与p_i重合或者距离最小的对应点的坐标数据，R表示标尺点云位姿变换的旋转矩阵：R_3×3＝R_x(α)R_y(β)R_z(γ)，R_x(α)，R_y(β)，R_z(γ)表示分别绕x,y,z轴旋转一定角度后的标准正交旋转矩阵：

T表示标尺CAD模型点云位姿变换的平移矩阵：T＝[t_x t_y t_z]′，t_x,t_y,t_z分别表示沿x,y,z方向的平移量，借助计算机编程实现对参数的α，β，γ，t_x，t_y，t_z优化，进而计算出最优位姿变换矩阵，得到位姿变换后的标尺CAD模型的三维点云数据。

6.根据权利要求1所述的基于3D点云数据的机器人焊接路径自主规划方法，其特征在于，在步骤d中，所述连续特征搜索包括按一定方向对标尺CAD模型进行延伸或者移动标尺CAD模型的位置，搜索具有相同特征的工件焊缝位置，记录每一次搜索完成后的标尺CAD模型焊缝特征，用标尺CAD模型焊缝特征替代工件焊缝特征，实现对工件的完整焊缝的识别。

7.根据权利要求6所述的基于3D点云数据的机器人焊接路径自主规划方法，其特征在于，所述步骤d具体包括以下步骤：

d1、信息初始化，读取工件焊缝外形的三维点云坐标、配准后标尺CAD模型的边界点坐标以及边界特征信息；

d2、采用遗传算法寻找最优的标尺延伸方向；

d3、输出最优解和最优目标函数值；

d4、根据目标函数值判断是否到达退出条件；若未到达退出条件，记录新边界特征，并将新边界特征替换原来的边界特征返回步骤d2，若达到退出条件，结束搜索。

8.根据权利要求7所述的基于3D点云数据的机器人焊接路径自主规划方法，其特征在于，在步骤d2中，采用遗传算法寻找最优的标尺延伸方向所采用的目标函数为：表示两片点云对应最近点之间，欧式距离的平均值，其中，b_j'(j＝1，2，…N_B)表示标尺CAD模型边界延伸点的坐标数据，q_j(j＝1，2，…N_B)表示工件焊缝外形三维点云数据中与b_j'重合或者距离最小的对应点的坐标数据，ψ是决定标尺CAD模型边界延伸方向的变量，借助计算机编程实现对参数ψ优化，进而计算每一次延伸的最优方向，得到新的标尺CAD模型三维点云数据。

9.根据权利要求1所述的基于3D点云数据的机器人焊接路径自主规划方法，其特征在于，步骤e中，所述焊接路径点的坐标数据和其对应的焊枪姿态信息，步骤e具体包括：在标尺CAD模型的边界位置建立局部坐标系以描述其位姿信息，局部配准完成后标记出标尺CAD模型边界位置的焊接位姿信息，连续特征搜索过程中，每一次延伸标尺CAD模型边界或移动标尺CAD模型位置需要更新边界局部坐标，进而标记出焊接位姿信息。