CN111445519A - 一种工业机器人三维姿态估计方法、装置及存储介质 - Google Patents
一种工业机器人三维姿态估计方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111445519A CN111445519A CN202010231968.0A CN202010231968A CN111445519A CN 111445519 A CN111445519 A CN 111445519A CN 202010231968 A CN202010231968 A CN 202010231968A CN 111445519 A CN111445519 A CN 111445519A
- Authority
- CN
- China
- Prior art keywords
- industrial robot
- dimensional
- matrix
- dimensional attitude
- attitude
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000011159 matrix material Substances 0.000 claims abstract description 80
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000003062 neural network model Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000007257 malfunction Effects 0.000 abstract description 8
- 238000001514 detection method Methods 0.000 abstract description 7
- 239000013598 vector Substances 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 208000012661 Dyskinesia Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种工业机器人三维姿态估计方法、装置及存储介质,方法包括:通过预设的视觉传感器得到工业机器人的二维图像;对二维图像进行二维姿态估计处理,得到二维姿态矩阵;通过预设的测距传感器得到工业机器人深度信息;根据所述工业机器人深度信息对所述二维姿态矩阵进行世界坐标系转换,得到工业机器人三维姿态矩阵,将所述工业机器人三维姿态矩阵作为工业机器人三维姿态信息。本发明可实时估计并输出工业机器人三维姿态,为基于工业机器人姿态的相关应用提供了有效的技术手段,为工业机器人误动作检测和保障工业机器人安全奠定了技术基础,相较于二维姿态的估计结果,本发明更加准确,在工业机器人误动作检测等应用中可减少误报率。
Description
技术领域
本发明主要涉及机器人智能技术领域,具体涉及一种工业机器人三维姿态估计方法、装置及存储介质。
背景技术
工业机器人是集自动化,机械,嵌入式,液压,电气等硬件及其控制软件在内组成的复杂系统,其可以代替工人从事一些危险和复杂的重复性劳动;由于工业机器人精度高且无需休息,其已经广泛应用于制造业;然而,随着工业机器人的大量应用,工业机器人伤人事件时有发生,导致工业机器人安全事故的主要原因有人为因素和机器人自身故障,其中机器人自身误动作导致的安全事故占据了一半以上的比例。人为因素可以通过加强管理和培训进行控制,而机器人自身误动作导致的安全问题需要通过技术手段进行解决;由于信号干扰,器件老化,金属疲劳等各种原因,机器人误动作在机器人作业过程中大量存在,机器人误动作轻则造成机器人运动失调,导致挤压、碰撞事故,重则威胁到附近人员的生命安全;特别是在人机协作场景下,机器人安全问题至关重要。
工业机器人姿态估计是检测工业机器人异常姿态和误动作的基础。目前,人体姿态估计已经较为成熟,出现了OpenPose人体姿态估计深度神经网络模型,可有效识别人体二维姿态;Kinect等传感器结合RGB相机和激光测距可识别人体三维姿态;然而,对于工业机器人的三维姿态估计缺乏有效的方法和传感器;现有人体姿态估计方法无法应用于工业机器人的三维姿态估计,为了检测工业机器人异常动作,保障工业机器人作业安全,急需对工业机器人三维姿态估计开展研究并研制相关传感器。
发明内容
本发明所要解决的技术问题是针对现有技术的不足,提供一种工业机器人三维姿态估计方法、装置及存储介质。
本发明解决上述技术问题的技术方案如下:一种工业机器人三维姿态估计方法,包括如下步骤:
通过预设的视觉传感器得到工业机器人的二维图像;
对所述二维图像进行二维姿态估计处理,得到二维姿态矩阵;
通过预设的测距传感器得到工业机器人深度信息;
根据所述工业机器人深度信息对所述二维姿态矩阵进行世界坐标系转换,得到工业机器人三维姿态矩阵,将所述工业机器人三维姿态矩阵作为工业机器人三维姿态信息。
本发明解决上述技术问题的另一技术方案如下:一种工业机器人三维姿态估计装置,包括:
二维图像获得模块,用于通过预设的视觉传感器得到工业机器人的二维图像;
二维图像姿态估计模块,用于对所述二维图像进行二维姿态估计处理,得到二维姿态矩阵;
深度信息获得模块:用于通过预设的测距传感器得到工业机器人深度信息;
三维姿态获得模块,用于根据所述工业机器人深度信息对所述二维姿态矩阵进行世界坐标系转换,得到工业机器人三维姿态矩阵,将所述工业机器人三维姿态矩阵作为工业机器人三维姿态信息。
本发明解决上述技术问题的另一技术方案如下:一种工业机器人三维姿态估计装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,当所述处理器执行所述计算机程序时,实现如上所述的工业机器人三维姿态估计方法。
本发明解决上述技术问题的另一技术方案如下:一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,当所述计算机程序被处理器执行时,实现如上所述的工业机器人三维姿态估计方法。
本发明的有益效果是:对工业机器人二维图像的二维姿态估计处理得到工业机器人二维姿态矩阵,并根据工业机器人深度信息对工业机器人二维姿态矩阵的世界坐标系转换得到工业机器人三维姿态矩阵,将工业机器人三维姿态矩阵作为工业机器人三维姿态信息,可实时估计并输出工业机器人三维姿态,为基于工业机器人姿态的相关应用提供了有效的技术手段,为工业机器人误动作检测和保障工业机器人安全奠定了技术基础,相较于二维姿态的估计结果,本方法更加准确,在工业机器人误动作检测等应用中可减少误报率。
附图说明
图1为本发明一实施例提供的工业机器人三维姿态估计方法的流程示意图;
图2为本发明一实施例提供的工业机器人三维姿态估计装置的模块框图;
图3为本发明另一实施例提供的工业机器人三维姿态估计装置的结构框图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
图1为本发明一实施例提供的工业机器人三维姿态估计方法的流程示意图。
如图1所示,一种工业机器人三维姿态估计方法,包括如下步骤:
通过预设的视觉传感器得到工业机器人的二维图像;
对所述二维图像进行二维姿态估计处理,得到二维姿态矩阵;
通过预设的测距传感器得到工业机器人深度信息;
根据所述工业机器人深度信息对所述二维姿态矩阵进行世界坐标系转换,得到工业机器人三维姿态矩阵,将所述工业机器人三维姿态矩阵作为工业机器人三维姿态信息。
优选地,所述二维图像可以为RGB图像。
上述实施例中,对工业机器人二维图像的二维姿态估计处理得到工业机器人二维姿态矩阵,并根据工业机器人深度信息对工业机器人二维姿态矩阵的世界坐标系转换得到工业机器人三维姿态矩阵,根据工业机器人三维姿态矩阵得到工业机器人三维姿态,可实时估计并输出工业机器人三维姿态,为基于工业机器人姿态的相关应用提供了有效的技术手段,为工业机器人误动作检测和保障工业机器人安全奠定了技术基础,相较于二维姿态的估计结果,本方法更加准确,在工业机器人误动作检测等应用中可减少误报率。
可选地,作为本发明的一个实施例,所述对所述二维图像进行二维姿态估计处理,得到二维姿态矩阵的过程包括:
构建工业机器人的二维姿态估计深度神经网络模型;
根据预设工业机器人姿态数据集对所述二维姿态估计深度神经网络模型进行训练,所述预设工业机器人姿态数据集包括标注信息,所述标注信息为工业机器人的多个轴关节的位置信息;
根据经训练的二维姿态估计深度神经网络训练模型对所述工业机器人二维图像进行二维姿态估计处理,得到工业机器人二维姿态矩阵,所述工业机器人二维姿态矩阵包括多个工业机器人轴关节像素坐标,每个工业机器人轴关节像素坐标表示为(u,v)。
具体地,所述工业机器人二维姿态估计深度神经网络模型由人体二维姿态估计深度神经网络模型OpenPose扩展而来,扩展后的模型称为RoboOpenPose;与OpenPose相比,RoboOpenPose热点数量由18个修改为n个,其中n为工业机器人轴关节的数量。
应理解地,所述二维姿态矩阵(P1,P2,…,Pn)由n个工业机器人二维姿态向量构成,其中,Pi,i∈1…n为第i个工业机器人的二维姿态向量;所述二维姿态向量(u1,v1,…,um,vm)T由m个所述工业机器人轴关节像素坐标(u,v),其中,(uj,vj),j∈1…m为第j个轴关节像素坐标。
上述实施例中,根据预设工业机器人姿态数据集对工业机器人二维姿态估计深度神经网络模型进行训练,预设工业机器人姿态数据集包括标注信息,标注信息为工业机器人的多个轴关节的位置信息,根据经训练的工业机器人二维姿态估计深度神经网络训练模型对工业机器人二维图像的二维姿态估计处理得到工业机器人二维姿态矩阵,工业机器人二维姿态矩阵包括多个工业机器人轴关节像素坐标,每个工业机器人轴关节像素坐标表示为(u,v),为工业机器人三维姿态提供了基础,为工业机器人误动作检测和保障工业机器人安全奠定了技术基础。
可选地,作为本发明的一个实施例,所述工业机器人深度信息包括与各个所述工业机器人轴关节像素坐标(u,v)对应的深度值,所述根据所述工业机器人深度信息对所述二维姿态矩阵进行世界坐标系转换,得到工业机器人三维姿态矩阵,将所述工业机器人三维姿态矩阵作为工业机器人三维姿态信息的过程包括:
根据各个所述深度值分别对对应的所述工业机器人轴关节像素坐标(u,v)进行计算,得到各个工业机器人轴关节世界坐标(x,y,z)T;
根据多个所述工业机器人轴关节世界坐标(x,y,z)T得到工业机器人三维姿态矩阵。
具体地,所述工业机器人三维姿态矩阵(S1,S2,…,Sn)由n个三维姿态向量构成,其中,S,i∈1…n为第i个工业机器人的三维姿态向量;所述三维姿态向量(x1,y1,z1,…,xm,ym,zm)T由m个工业机器人轴关节世界坐标(x,y,z)T构成,其中,(xj,yj,zj)T,j∈1…m为第j个轴关节世界坐标。
上述实施例中,根据各个深度值分别对对应的工业机器人轴关节像素坐标(u,v)的计算得到多个工业机器人轴关节世界坐标(x,y,z)T,根据多个工业机器人轴关节世界坐标(x,y,z)T得到工业机器人三维姿态矩阵。
可选地,作为本发明的一个实施例,所述根据所述工业机器人深度信息对所述二维姿态矩阵进行世界坐标系转换,得到工业机器人三维姿态矩阵,将所述工业机器人三维姿态矩阵作为工业机器人三维姿态信息的过程包括:
根据各个所述深度值和第一式分别对对应的所述工业机器人轴关节像素坐标(u,v)进行计算,得到各个工业机器人轴关节世界坐标(x,y,z)T,所述第一式为:
其中,所述视觉传感器包括用于拍摄工业机器人的相机,K为相机的内参数矩阵,M为相机的外参数矩阵,d为工业机器人轴关节像素坐标(u,v)对应的的深度值。
具体地,所述相机的内参数矩阵是摄像机固有的属性,所述相机的外参数矩阵与摄像机安装的位置等有关系。
上述实施例中,根据各个所述深度值和第一式分别对对应的所述工业机器人轴关节像素坐标(u,v)的计算得到各个工业机器人轴关节世界坐标(x,y,z)T,为之后得到工业机器人三维姿态矩阵提供了数据支持,可实时估计并输出多个工业机器人三维姿态,为基于工业机器人姿态的相关应用提供了有效的技术手段,为工业机器人误动作检测和保障工业机器人安全奠定了技术基础,同时与二维姿态估计相比,更加准确,在工业机器人误动作检测等应用中可减少误报率。
图2为本发明一实施例提供的工业机器人三维姿态估计装置的模块框图。
可选地,作为本发明的另一个实施例,如图2所示,一种工业机器人三维姿态估计装置,包括:
二维图像获得模块,用于通过预设的视觉传感器得到工业机器人的二维图像;
二维图像姿态估计模块,用于对所述二维图像进行二维姿态估计处理,得到二维姿态矩阵;
深度信息获得模块:用于通过预设的测距传感器得到工业机器人深度信息;
三维姿态获得模块,用于根据所述工业机器人深度信息对所述二维姿态矩阵进行世界坐标系转换,得到工业机器人三维姿态矩阵,将所述工业机器人三维姿态矩阵作为工业机器人三维姿态信息。
可选地,作为本发明的一个实施例,所述二维图像姿态估计模块具体用于:
构建工业机器人的二维姿态估计深度神经网络模型;
根据预设工业机器人姿态数据集对所述二维姿态估计深度神经网络模型进行训练,所述预设工业机器人姿态数据集包括标注信息,所述标注信息为工业机器人的多个轴关节的位置信息;
根据经训练的二维姿态估计深度神经网络训练模型对所述工业机器人二维图像进行二维姿态估计处理,得到工业机器人二维姿态矩阵,所述工业机器人二维姿态矩阵包括多个工业机器人轴关节像素坐标,每个工业机器人轴关节像素坐标表示为(u,v)。
可选地,作为本发明的一个实施例,所述三维姿态获得模块具体用于:
根据各个所述深度值分别对对应的所述工业机器人轴关节像素坐标(u,v)进行计算,得到各个工业机器人轴关节世界坐标(x,y,z)T;
根据多个所述工业机器人轴关节世界坐标(x,y,z)T得到工业机器人三维姿态矩阵。
可选地,作为本发明的一个实施例,所述三维姿态获得模块具体用于:
根据各个所述深度值和第一式分别对对应的所述工业机器人轴关节像素坐标(u,v)进行计算,得到各个工业机器人轴关节世界坐标(x,y,z)T,所述第一式为:
其中,所述视觉传感器包括用于拍摄工业机器人的相机,K为相机的内参数矩阵,M为相机的外参数矩阵,d为工业机器人轴关节像素坐标(u,v)对应的的深度值。
可选地,作为本发明的另一个实施例,如图3所示,一种工业机器人三维姿态估计装置,包括:
视觉传感器,用于采集工业机器人二维图像;
测距传感器,用于获取工业机器人深度信息;
微型计算模块,用于进行图像处理和逻辑控制;
神经网络加速模块,用于对所述工业机器人姿态估计神经网络模型进行加速计算;
存储模块,用于将所述相机的内参数矩阵、所述相机的外参数矩阵和所述经训练的二维姿态估计深度神经网络训练模型进行存储;
外部接口模块,用于与其他设备连接,并将所述工业机器人三维姿态矩阵发送至其它设备上。
可选地,作为本发明的一个实施例,所述微型计算模块分别与所述视觉传感器、所述测距传感器、所述神经网络加速模块、所述存储模块和所述外部接口电性连接。
可选地,本发明的另一个实施例提供一种工业机器人三维姿态估计装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,当所述处理器执行所述计算机程序时,实现如上所述的工业机器人三维姿态估计方法。该装置可为计算机等装置。
可选地,本发明的另一个实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,当所述计算机程序被处理器执行时,实现如上所述的用于工业机器人三维姿态估计方法。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。用于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种工业机器人三维姿态估计方法,其特征在于,包括如下步骤:
通过预设的视觉传感器得到工业机器人的二维图像;
对所述二维图像进行二维姿态估计处理,得到二维姿态矩阵;
通过预设的测距传感器得到工业机器人深度信息;
根据所述工业机器人深度信息对所述二维姿态矩阵进行世界坐标系转换,得到工业机器人三维姿态矩阵,将所述工业机器人三维姿态矩阵作为工业机器人三维姿态信息。
2.根据权利要求1所述的三维姿态估计方法,其特征在于,所述对所述二维图像进行二维姿态估计处理,得到二维姿态矩阵的过程包括:
构建工业机器人的二维姿态估计深度神经网络模型;
根据预设工业机器人姿态数据集对所述二维姿态估计深度神经网络模型进行训练,所述预设工业机器人姿态数据集包括标注信息,所述标注信息为工业机器人的多个轴关节的位置信息;
根据经训练的二维姿态估计深度神经网络训练模型对所述工业机器人二维图像进行二维姿态估计处理,得到工业机器人二维姿态矩阵,所述工业机器人二维姿态矩阵包括多个工业机器人轴关节像素坐标,每个工业机器人轴关节像素坐标表示为(u,v)。
3.根据权利要求2所述的三维姿态估计方法,其特征在于,所述工业机器人深度信息包括与各个所述工业机器人轴关节像素坐标(u,v)对应的深度值,所述根据所述工业机器人深度信息对所述二维姿态矩阵进行世界坐标系转换,得到工业机器人三维姿态矩阵,将所述工业机器人三维姿态矩阵作为工业机器人三维姿态信息的过程包括:
根据各个所述深度值分别对对应的所述工业机器人轴关节像素坐标(u,v)进行计算,得到各个工业机器人轴关节世界坐标(x,y,z)T;
根据多个所述工业机器人轴关节世界坐标(x,y,z)T得到工业机器人三维姿态矩阵。
5.一种工业机器人三维姿态估计装置,其特征在于,包括:
二维图像获得模块,用于通过预设的视觉传感器得到工业机器人的二维图像;
二维图像姿态估计模块,用于对所述二维图像进行二维姿态估计处理,得到二维姿态矩阵;
深度信息获得模块:用于通过预设的测距传感器得到工业机器人深度信息;
三维姿态获得模块,用于根据所述工业机器人深度信息对所述二维姿态矩阵进行世界坐标系转换,得到工业机器人三维姿态矩阵,将所述工业机器人三维姿态矩阵作为工业机器人三维姿态信息。
6.根据权利要求5所述的姿态估计装置,其特征在于,所述二维图像姿态估计模块具体用于:
构建工业机器人的二维姿态估计深度神经网络模型;
根据预设工业机器人姿态数据集对所述二维姿态估计深度神经网络模型进行训练,所述预设工业机器人姿态数据集包括标注信息,所述标注信息为工业机器人的多个轴关节的位置信息;
根据经训练的二维姿态估计深度神经网络训练模型对所述工业机器人二维图像进行二维姿态估计处理,得到工业机器人二维姿态矩阵,所述工业机器人二维姿态矩阵包括多个工业机器人轴关节像素坐标,每个工业机器人轴关节像素坐标表示为(u,v)。
7.根据权利要求5所述的姿态估计装置,其特征在于,所述三维姿态获得模块具体用于:
根据各个所述深度值分别对对应的所述工业机器人轴关节像素坐标(u,v)进行计算,得到各个工业机器人轴关节世界坐标(x,y,z)T;
根据多个所述工业机器人轴关节世界坐标(x,y,z)T得到工业机器人三维姿态矩阵。
9.一种工业机器人三维姿态估计装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,当所述处理器执行所述计算机程序时,实现如权利要求1至4任一项所述的工业机器人三维姿态估计方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,当所述计算机程序被处理器执行时,实现如权利要求1至4任一项所述的工业机器人三维姿态估计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010231968.0A CN111445519A (zh) | 2020-03-27 | 2020-03-27 | 一种工业机器人三维姿态估计方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010231968.0A CN111445519A (zh) | 2020-03-27 | 2020-03-27 | 一种工业机器人三维姿态估计方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111445519A true CN111445519A (zh) | 2020-07-24 |
Family
ID=71651326
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010231968.0A Pending CN111445519A (zh) | 2020-03-27 | 2020-03-27 | 一种工业机器人三维姿态估计方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111445519A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112446923A (zh) * | 2020-11-23 | 2021-03-05 | 中国科学技术大学 | 人体三维姿态估计方法、装置、电子设备及存储介质 |
CN113927604A (zh) * | 2021-12-01 | 2022-01-14 | 南通大学 | 基于5g通信的工业机器人控制自检方法、系统及终端 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108460338A (zh) * | 2018-02-02 | 2018-08-28 | 北京市商汤科技开发有限公司 | 人体姿态估计方法和装置、电子设备、存储介质、程序 |
CN108921907A (zh) * | 2018-07-26 | 2018-11-30 | 上海慧子视听科技有限公司 | 一种运动测试评分的方法、装置、设备及存储介质 |
CN110238831A (zh) * | 2019-07-23 | 2019-09-17 | 青岛理工大学 | 基于rgb-d图像及示教器的机器人示教系统及方法 |
-
2020
- 2020-03-27 CN CN202010231968.0A patent/CN111445519A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108460338A (zh) * | 2018-02-02 | 2018-08-28 | 北京市商汤科技开发有限公司 | 人体姿态估计方法和装置、电子设备、存储介质、程序 |
CN108921907A (zh) * | 2018-07-26 | 2018-11-30 | 上海慧子视听科技有限公司 | 一种运动测试评分的方法、装置、设备及存储介质 |
CN110238831A (zh) * | 2019-07-23 | 2019-09-17 | 青岛理工大学 | 基于rgb-d图像及示教器的机器人示教系统及方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112446923A (zh) * | 2020-11-23 | 2021-03-05 | 中国科学技术大学 | 人体三维姿态估计方法、装置、电子设备及存储介质 |
CN113927604A (zh) * | 2021-12-01 | 2022-01-14 | 南通大学 | 基于5g通信的工业机器人控制自检方法、系统及终端 |
CN113927604B (zh) * | 2021-12-01 | 2024-03-22 | 南通大学 | 基于5g通信的工业机器人控制自检方法、系统及终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110561432B (zh) | 一种基于人机共融的安全协作方法及装置 | |
US11498220B2 (en) | Control system and control method | |
CN109872355B (zh) | 一种基于深度相机的最短距离获取方法及装置 | |
CN113284179B (zh) | 一种基于深度学习的机器人多物体分拣方法 | |
CN111445519A (zh) | 一种工业机器人三维姿态估计方法、装置及存储介质 | |
CN104007240A (zh) | 一种基于双目识别与电子鼻网络气体检测的融合定位技术 | |
CN111445531A (zh) | 一种多目相机导航方法、装置、设备及存储介质 | |
CN114972421A (zh) | 车间物料识别追踪与定位方法、系统 | |
CN113052907A (zh) | 一种动态环境移动机器人的定位方法 | |
CN110720113A (zh) | 一种参数处理方法、装置及摄像设备、飞行器 | |
CN117893998A (zh) | 基于机器视觉的人机位姿智能防碰方法 | |
CN113239861B (zh) | 驾驶员头部动作的确定方法、存储介质、电子装置 | |
CN115902977A (zh) | 基于视觉和gps的变电站机器人双重定位方法及系统 | |
Saeedi et al. | 3D localization and tracking in unknown environments | |
Lu et al. | Human-robot collision detection based on the improved camshift algorithm and bounding box | |
CN112037197A (zh) | 一种热轧棒材冷剪物料堆积检测方法、系统及介质 | |
US20230182305A1 (en) | Cooperation System | |
JP6548683B2 (ja) | 対象物画像推定装置および対象物画像判定装置 | |
CN114442605B (zh) | 定位检测方法、装置、自主移动设备以及存储介质 | |
US20230410338A1 (en) | Method for optimizing depth estimation model, computer device, and storage medium | |
CN116494236A (zh) | 机器人控制方法、装置、系统和存储介质 | |
WO2023100282A1 (ja) | データ生成システム、モデル生成システム、推定システム、学習済みモデルの製造方法、ロボット制御システム、データ生成方法、およびデータ生成プログラム | |
CN117288180A (zh) | 一种基于视觉传感器的动静融合环境建图方法及系统 | |
CN117671595A (zh) | 起重机事故监测方法及其在事故回溯中的应用 | |
Jun et al. | Implementaion of 3D Collaborative Object Detection Systems using RGB-D Sensors |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200724 |
|
RJ01 | Rejection of invention patent application after publication |