CN110695991B - 基于变异粒子群优化的自动手眼标定方法 - Google Patents
基于变异粒子群优化的自动手眼标定方法 Download PDFInfo
- Publication number
- CN110695991B CN110695991B CN201910919716.4A CN201910919716A CN110695991B CN 110695991 B CN110695991 B CN 110695991B CN 201910919716 A CN201910919716 A CN 201910919716A CN 110695991 B CN110695991 B CN 110695991B
- Authority
- CN
- China
- Prior art keywords
- mechanical arm
- coordinate system
- camera
- joint
- matrix
- 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
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
-
- 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
Abstract
本发明公开了一种基于变异粒子群优化的自动手眼标定方法,初始化机械臂位姿,并从图像中提取特征物体和特征物体的特征点;采集机械臂关节角度数据以及特征点在相机坐标系下的坐标,进而确定机械臂末端坐标系到机械臂基座坐标系的转换矩阵,以及特征点在相机坐标系下的三维坐标的集合矩阵;采用在线变异粒子群优化算法,估计相机坐标系与机械臂末端坐标系的转换关系参数;通过能量最优函数计算各关节最优旋转角度,对机械臂关节角度进行补偿,同时考虑特征点质心与相机坐标系原点的距离限制,确定下一步的移动方向;重复在线变异粒子群优化算法和能量最优函数,直至机械臂走完固定路径。本发明减少了标定时间,降低了参数估计误差。
Description
技术领域
本发明涉及机械臂手眼标定领域,具体涉及一种基于变异粒子群优化的自动手眼标定方法。
背景技术
随着计算机技术的不断发展,机械臂已广泛应用于生产生活之中。针对非结构化环境的应用需求,将视觉系统加入机械臂控制系统构成视觉伺服系统,可使机械臂具有环境和目标感知能力,极大地提高了机械臂控制的智能化水平。
手眼标定通过标定机械臂坐标系与视觉坐标系的关系矩阵,为机械臂高精度视觉伺服控制奠定基础。传统的手眼标定方法以离线手眼标定方法为主,其中,Tsai两步法是这类方法的代表,该方法首先利用通用旋转变换求得旋转矩阵,然后利用最小二乘法计算平移向量。由于离线手眼标定方法对采集到的数据是否含有异常值或是否发生退化现象无法得到实时的反馈,因此一些学者提出了在线手眼标定方法。例如王君臣等提出一种基于无迹卡尔曼滤波的手眼标定方法,通过无迹卡尔曼滤波在线估计标定参数,其标定精度高于最小二乘标定算法。然而,这类方法对于标定位姿的生成没有一种规范定量的计算方法,位姿选取仍然耗时较多。
发明内容
本发明的目的在于提供一种基于变异粒子群优化的自动手眼标定方法。
实现本发明目的的技术解决方案为:一种基于变异粒子群优化的自动手眼标定方法,包括以下步骤:
步骤1,搭建机械臂手眼标定实验系统,初始化机械臂位姿,并从图像中提取特征物体和特征物体的特征点;
步骤2,控制机械臂进行固定路径的平移和旋转运动,采集机械臂关节角度数据以及特征点在相机坐标系下的坐标,进而确定机械臂末端坐标系到机械臂基座坐标系的转换矩阵,以及特征点在相机坐标系下的三维坐标的集合矩阵;
步骤3,采用在线变异粒子群优化算法,估计相机坐标系与机械臂末端坐标系的转换关系参数;
步骤4,通过能量最优函数计算各关节最优旋转角度,对机械臂关节角度进行补偿,同时考虑特征点质心与相机坐标系原点的距离限制,确定下一步的移动方向;
步骤5,循环步骤3-4,直至机械臂走完固定路径,即完成自动手眼标定。
本发明与现有技术相比,其显著优点为:通过变异粒子群算法优化得到的手眼参数,同时通过能量最优法在线补偿机械臂位姿,无需人工给定机械臂标定路径,就能保证标定过程中特征点始终保持在相机视野范围内,大大减少了标定时间,降低了机械臂关节运动量较小时的参数估计误差。
附图说明
图1为本发明基于变异粒子群优化的自动手眼标定方法流程图。
图2为基于深度相机的手眼关系示意图。
图3为相机坐标系补偿前后示意图。
具体实施方式
下面结合附图和具体实施例,进一步说明本发明方案。
如图1所示,基于变异粒子群优化的自动手眼标定方法,包括以下步骤:
步骤1,搭建机械臂手眼标定实验系统,初始化机械臂位姿,并从图像中提取特征物体和特征物体的特征点,具体步骤如下:
步骤1-1,搭建基于深度相机的Eye-in-hand手眼系统,该系统中相机安装于机械臂末端关节,所需标定的是相机坐标系与机械臂末端坐标系的转换关系。
基于深度相机的Eye-in-hand手眼系统的坐标系关系如图2所示。图中,为机械臂末端坐标系到机械臂基座坐标系的转换矩阵,由机械臂各关节角度确定;为相机坐标系到机械臂末端坐标系的转换矩阵,由手眼标定参数构成;Pc为特征点在相机坐标系下的三维坐标的集合矩阵,其定义如下:设pi为一个四维向量,由第i个特征点在相机坐标系下的三维坐标向量和一个元素1组成,则Pc定义为Pc=[p1,p2,…,pn] (1)
其中,n为特征点个数;Pr表示特征物体的特征点在机械臂基座坐标系下的三维坐标的集合矩阵,其定义如下:设第i次采集的机械臂末端坐标系到机械臂基座坐标系的转换矩阵为特征点在相机坐标系下的三维坐标的集合矩阵为Pc(i),当特征物体在机械臂基座坐标系下固定不动时,由图1中的坐标系关系,可得
其中,Constant表示常量,s为标定过程中采集的机械臂位姿数。
步骤1-2,将机械臂调整至初始位姿,保证特征物体在相机中心,从图像中提取特征物体,检测特征物体的角点作为特征点。
步骤2,控制机械臂进行固定路径的平移和旋转运动,采集机械臂关节角度数据以及特征点在相机坐标系下的坐标,进而确定机械臂末端坐标系到机械臂基座坐标系的转换矩阵,以及特征点在相机坐标系下的三维坐标的集合矩阵,具体步骤如下:
步骤2-1,随机生成一组增量式机械臂路径,控制机械臂按照生成路径进行平移和旋转运动;
步骤2-2,采用角点跟踪方法跟踪特征点,计算特征点在相机坐标系下的坐标;
设特征角点在图像坐标系下的三维坐标为(u,v),由式(3)计算得到特征角点在相机坐标系下的三维坐标:
其中,fx,fy,u0,v0为相机内参,通过深度相机标定得出,xc、yc、zc为特征点在相机坐标系下的三维坐标,zc可由深度相机直接读取出。记录每个角点的三维数据,并转化为式(1)的形式。
步骤3,采用在线变异粒子群优化算法,估计相机坐标系与机械臂末端坐标系的转换关系参数,具体步骤如下:
本发明中,需要估计的对象是相机坐标系到机械臂末端坐标系的转换矩阵由六个参数确定,分别为绕相机三个坐标轴旋转角度α、β、γ以及坐标原点的平移量tx、ty、tz。在线变异粒子群优化算法中,定义第i个粒子的位置为xi=[αi,βi,γi,txi,tyi,tzi],速度为vi=[vαi,vβi,vγi,vtxi,vtyi,vtzi],粒子的更新过程为:
其中,k、k+1分别表示迭代次数,bi为第i个粒子搜索过程中的最优位置,g为所有粒子搜索过程中的最优位置,c1、c2为加速度因子,在初始化粒子群框架时设置;r1、r2为(0,1)间的随机数;w为惯性因子,由式(5)确定:
其中,kmax表示粒子群算法最大迭代次数,用于控制收敛速度,w0、w1分别为设置的惯性因子初值与终值。
为避免粒子过早收敛,引入遗传算法变异思想,对粒子施加扰动量
其中,k表示迭代次数,s表示观测数据组数,λ1、λ2为预设系数,G(·)表示正态分布的随机数向量。
变异后的粒子表示为:
xi′=xi+disti (7)
定义适应度函数为:
其中,Var(Pr(j)|x=xi)表示第j个矩阵Pr(j)在粒子为xi下的方差,矩阵的方差可由矩阵每个元素的方差和表示。
步骤4,通过能量最优函数计算各关节最优旋转角度,对机械臂关节角度进行补偿,同时考虑特征点质心与相机坐标系原点的距离限制,确定下一步的移动方向,具体实现步骤如下:
步骤4-1,定义补偿动作的能量函数为:
步骤4-2,以补偿动作的能量函数最小为目标,计算各关节最优旋转角度;
相机坐标系补偿前后示意图如图3所示,图中,O为相机坐标原点,po、分别为补偿前后的图像中心,pc为点p在补偿前图像中的成像位置。记补偿前特征点质心坐标为p=[x,y,z]T,补偿后特征点质心坐标为p*=[x*,y*,z*]T,在相机坐标原点不平移的情况下,可得:
由坐标轴旋转变换关系可得:
p*=Rp (12)
其中,R=RzRyRx,由几何关系得:
其中,P与P*的定义与式(1)中的特征点集矩阵定义相同。该式与式(12)联立,可得:
对能量值J求关于θz的偏导;
另外,由式(15)可得
式中,为矩阵关于θ*的雅可比矩阵,为矩阵关于θz的雅可比矩阵。联立式(16)、式(17)与式(18)可求得J关于θz的偏导,从而求得能量最优情况下的θz角度,并由式(15)求得机械臂补偿后各关节角度,进行角度补偿;
步骤4-3,设图像边界阈值为d,则将限制特征点在图像坐标系下可表示为:
联立公式(3)和(19),可得特征点与相机坐标系原点的距离满足如下关系:
式中,xc、yc的上界可由特征点与特征点质心的三维距离确定,因此可以确定zc的下界,在控制机械臂末端朝一个固定方向进行位移时,若zc小于下界,则调整机械臂末端运动方向,防止特征点移出相机视野。
步骤5,循环步骤3和步骤4,直至机械臂走完固定路径,具体步骤如下:
判断机械臂是否走完步骤2-1所生成的增量式路径,若是,结束标定,若否,则继续采集数据并优化标定参数。
Claims (3)
1.基于变异粒子群优化的自动手眼标定方法,其特征在于,包括以下步骤:
步骤1,搭建基于深度相机的Eye-in-hand手眼系统,初始化机械臂位姿,并从图像中提取特征物体和特征物体的特征点;
步骤2,控制机械臂进行固定路径的平移和旋转运动,采集机械臂关节角度数据以及特征点在相机坐标系下的坐标,进而确定机械臂末端坐标系到机械臂基座坐标系的转换矩阵,以及特征点在相机坐标系下的三维坐标的集合矩阵;
步骤3,采用在线变异粒子群优化算法,估计相机坐标系与机械臂末端坐标系的转换关系参数;
步骤4,通过能量最优函数计算各关节最优旋转角度,对机械臂关节角度进行补偿,同时考虑特征点质心与相机坐标系原点的距离限制,确定下一步的移动方向;
步骤5,循环步骤3-4,直至机械臂走完固定路径,即完成自动手眼标定;
步骤3中,在线变异粒子群优化算法框架为:
定义第i个粒子的位置为xi=[αi,βi,γi,txi,tyi,tzi],速度为vi=[vαi,vβi,vγi,vtxi,vtyi,vtzi],粒子的更新过程为:
其中,αi、βi、γi分别表示第i个粒子绕相机坐标系三个坐标轴的旋转角度,txi、tyi、tzi分别表示第i个粒子的坐标原点沿相机坐标系三个坐标轴的平移量,k、k+1分别表示迭代次数,bi为第i个粒子搜索过程中的最优位置,g为所有粒子搜索过程中的最优位置,c1、c2为加速度因子,c1、c2在初始化粒子群优化算法框架时设置,r1、r2为(0,1)间的随机数,w为惯性因子,由式(5)确定:
其中,kmax表示粒子群优化算法最大迭代次数,用于控制收敛速度,w0、w1分别为设置的惯性因子初值与终值;
定义对粒子施加扰动量为:
其中,k表示迭代次数,s表示观测数据组数,λ1、λ2为预设系数,G(·)表示正态分布的随机数向量,则变异后的粒子表示为:
xi′=xi+disti (7)
定义适应度函数为:
其中,Var(Pr(j)|x=xi)表示第j个矩阵Pr(j)在粒子为xi下的方差,矩阵的方差可由矩阵每个元素的方差和表示;
步骤4的具体方法为:
步骤4-1,定义补偿动作的能量最优函数为:
步骤4-2,以补偿动作的能量最优函数最小为目标,计算各关节最优旋转角度;
设补偿前特征点质心坐标为p=[x,y,z]T,补偿后特征点质心坐标为p*=[x*,y*,z*]T,在相机坐标系原点不平移的情况下,可得:
由坐标轴旋转变换关系可得:
p*=Rp (12)
其中,R=RzRyRx,由几何关系得:
另外,由式(15)可得
步骤4-3,设图像边界阈值为d,则将限制特征点在图像坐标系下可表示为:
联立公式(3)和(19),可得特征点与相机坐标系原点的距离满足如下关系:
式中,xc、yc、zc为特征点在相机坐标系下的三维坐标,fx,fy,u0,v0为相机内参,xc、yc的上界能够由特征点与特征点质心的三维距离确定,因此能够确定zc的下界,在控制机械臂末端朝一个固定方向进行位移时,若zc小于下界,则调整机械臂末端运动方向,防止特征点移出相机视野,(u,v)为特征点在图像坐标系下的三维坐标。
2.根据权利要求1所述的基于变异粒子群优化的自动手眼标定方法,其特征在于,步骤1的具体方法为:
步骤1-1,该系统中相机安装于机械臂末端关节;
机械臂末端坐标系到机械臂基座坐标系的转换矩阵由机械臂各关节角度确定;相机坐标系到机械臂末端坐标系的转换矩阵为标定所要确定的结果,手眼标定参数由绕相机坐标系三个坐标轴的旋转角度α、β、γ以及相机坐标系原点延相机坐标系三个坐标轴的平移量tx、ty、tz构成;特征点在相机坐标系下的三维坐标的集合矩阵Pc定义如下:设pi为一个四维向量,由第i个特征点在相机坐标系下的三维坐标向量和一个元素1组成,则Pc定义为
Pc=[p1,p2,…,pn] (1)
其中,n为特征点个数;特征点在机械臂基座坐标系下的三维坐标的集合矩阵Pr,其定义如下:设第i次采集的机械臂末端坐标系到机械臂基座坐标系的转换矩阵为特征点在相机坐标系下的三维坐标的集合矩阵为Pc(i),当特征物体在机械臂基座坐标系下固定不动时,得到:
其中,Constant表示常量,s为标定过程中采集的机械臂位姿数,i=1,2,…,s;
步骤1-2,将机械臂调整至初始位姿,保证特征物体在相机中心,从图像中提取特征物体,检测特征物体的角点作为特征点。
3.根据权利要求1所述的基于变异粒子群优化的自动手眼标定方法,其特征在于,步骤2的具体方法为:
步骤2-1,随机生成一组增量式机械臂路径,控制机械臂按照生成路径进行平移和旋转运动,其中:
步骤2-2,采用角点跟踪方法跟踪特征点,计算特征点在相机坐标系下的三维坐标的集合矩阵Pc;
设特征点在图像坐标系下的三维坐标为(u,v),则计算特征点在相机坐标系下三维坐标的公式为:
其中,fx,fy,u0,v0为相机内参,通过深度相机标定得出,xc、yc、zc为特征点在相机坐标系下的三维坐标,zc由深度相机直接读取出;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910919716.4A CN110695991B (zh) | 2019-09-26 | 2019-09-26 | 基于变异粒子群优化的自动手眼标定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910919716.4A CN110695991B (zh) | 2019-09-26 | 2019-09-26 | 基于变异粒子群优化的自动手眼标定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110695991A CN110695991A (zh) | 2020-01-17 |
CN110695991B true CN110695991B (zh) | 2022-03-22 |
Family
ID=69197167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910919716.4A Active CN110695991B (zh) | 2019-09-26 | 2019-09-26 | 基于变异粒子群优化的自动手眼标定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110695991B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111890356A (zh) * | 2020-06-30 | 2020-11-06 | 深圳瀚维智能医疗科技有限公司 | 机械臂坐标系和相机坐标系标定方法、装置、设备及介质 |
CN112171661A (zh) * | 2020-08-25 | 2021-01-05 | 广西大学 | 一种基于视觉信息融合的机械臂抓取目标物体方法 |
CN112381885B (zh) * | 2020-11-13 | 2022-02-22 | 湖南大学 | 一种基于多种群粒子并行结构算法的机器人相机标定方法 |
CN112659129B (zh) * | 2020-12-30 | 2022-08-09 | 杭州思锐迪科技有限公司 | 机器人的定位方法、装置、系统和计算机设备 |
CN113172636B (zh) * | 2021-06-29 | 2021-11-02 | 深圳市越疆科技有限公司 | 一种自动手眼标定方法、装置及存储介质 |
CN114193444A (zh) * | 2021-11-11 | 2022-03-18 | 湖北工业大学 | 一种机器人手眼标定方法、系统、设备及介质 |
CN114406559A (zh) * | 2022-01-26 | 2022-04-29 | 中国铁建电气化局集团有限公司 | 一种用于自动焊接设备的机械臂回零装置以及方法 |
CN114700953B (zh) * | 2022-04-29 | 2023-09-08 | 华中科技大学 | 一种基于关节零位误差的粒子群手眼标定方法及系统 |
CN114886567B (zh) * | 2022-05-12 | 2023-06-23 | 苏州大学 | 一种面向具有远心不动点约束的手术机器人手眼标定方法 |
CN116423526B (zh) * | 2023-06-12 | 2023-09-19 | 上海仙工智能科技有限公司 | 一种机械臂工具坐标的自动标定方法及系统、存储介质 |
CN116872216B (zh) * | 2023-08-28 | 2023-12-08 | 安徽工业大学 | 一种基于有限时间控制的机器人视觉伺服作业方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880903A (zh) * | 2012-07-13 | 2013-01-16 | 刘立峰 | 混沌量子粒子群模糊神经网络叠前非线性流体识别方法 |
WO2018076776A1 (zh) * | 2016-10-25 | 2018-05-03 | 深圳光启合众科技有限公司 | 机器人、机械臂及其控制方法和装置 |
CN108120451A (zh) * | 2017-12-21 | 2018-06-05 | 苏州大学 | 基于改进pso优化神经网络的硅微加速度计温度补偿方法、系统 |
WO2018133439A1 (zh) * | 2017-01-19 | 2018-07-26 | 北京工业大学 | 一种考虑末端运动误差的六自由度机器人轨迹规划方法 |
CN109658460A (zh) * | 2018-12-11 | 2019-04-19 | 北京无线电测量研究所 | 一种机械臂末端相机手眼标定方法和系统 |
CN110243307A (zh) * | 2019-04-15 | 2019-09-17 | 深圳市易尚展示股份有限公司 | 一种自动化三维彩色成像与测量系统 |
-
2019
- 2019-09-26 CN CN201910919716.4A patent/CN110695991B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880903A (zh) * | 2012-07-13 | 2013-01-16 | 刘立峰 | 混沌量子粒子群模糊神经网络叠前非线性流体识别方法 |
WO2018076776A1 (zh) * | 2016-10-25 | 2018-05-03 | 深圳光启合众科技有限公司 | 机器人、机械臂及其控制方法和装置 |
WO2018133439A1 (zh) * | 2017-01-19 | 2018-07-26 | 北京工业大学 | 一种考虑末端运动误差的六自由度机器人轨迹规划方法 |
CN108120451A (zh) * | 2017-12-21 | 2018-06-05 | 苏州大学 | 基于改进pso优化神经网络的硅微加速度计温度补偿方法、系统 |
CN109658460A (zh) * | 2018-12-11 | 2019-04-19 | 北京无线电测量研究所 | 一种机械臂末端相机手眼标定方法和系统 |
CN110243307A (zh) * | 2019-04-15 | 2019-09-17 | 深圳市易尚展示股份有限公司 | 一种自动化三维彩色成像与测量系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110695991A (zh) | 2020-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110695991B (zh) | 基于变异粒子群优化的自动手眼标定方法 | |
CN110116407B (zh) | 柔性机器人位姿测量方法及装置 | |
CN111590581B (zh) | 机器人的定位补偿方法及装置 | |
CN110900598B (zh) | 机器人三维运动空间动作模仿学习方法和系统 | |
CN106777656B (zh) | 一种基于pmpsd的工业机器人绝对精度校准方法 | |
CN110900610B (zh) | 一种基于lm算法和粒子滤波算法优化的工业机器人标定方法 | |
CN110065075B (zh) | 一种基于视觉的空间细胞机器人外部状态感知方法 | |
CN112767493B (zh) | Stewart平台运动学参数的机器视觉标定方法 | |
CN111489399B (zh) | 一种视觉跟踪组件安装参数标定装置和方法 | |
CN113910219A (zh) | 运动臂系统以及控制方法 | |
CN112000135B (zh) | 基于人脸最高温点特征反馈的三轴云台视觉伺服控制方法 | |
CN110370271B (zh) | 工业串联机器人的关节传动比误差校准方法 | |
CN113421291B (zh) | 利用点云配准技术和三维重建技术的工件位置找正方法 | |
CN108717262B (zh) | 一种基于矩特征学习神经网络的异形曲面跟踪方法及系统 | |
CN113910218B (zh) | 一种基于运动学与深度神经网络融合的机器人标定方法和装置 | |
CN114474003A (zh) | 一种基于参数辨识的车载建筑机器人误差补偿方法 | |
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 | |
CN115446836B (zh) | 一种基于多种图像特征信息混合的视觉伺服方法 | |
CN117283528A (zh) | 一种并联机器人运动学模型在线学习方法 | |
CN109815562B (zh) | 一种基于容差空间的装配位姿优化方法 | |
CN114111772B (zh) | 一种基于数据手套的水下机器人软体作业手位置跟踪方法 | |
CN114636400B (zh) | 基于ann深度学习的多盾体间相对位姿测量方法及系统 | |
TWI762371B (zh) | 機械手臂與輪廓感測器座標系相對關係之自動校正方法與系統 | |
CN115246123A (zh) | 一种基于单目移动视觉的机器人运动学参数标定方法及系统 | |
CN113051767A (zh) | 一种基于视觉伺服的agv滑模控制方法 |
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 |