CN111618824A - 一种连续型机器人臂型自估计方法 - Google Patents

一种连续型机器人臂型自估计方法 Download PDF

Info

Publication number
CN111618824A
CN111618824A CN202010451523.3A CN202010451523A CN111618824A CN 111618824 A CN111618824 A CN 111618824A CN 202010451523 A CN202010451523 A CN 202010451523A CN 111618824 A CN111618824 A CN 111618824A
Authority
CN
China
Prior art keywords
constant
robot
equivalent
constant curvature
section
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
CN202010451523.3A
Other languages
English (en)
Other versions
CN111618824B (zh
Inventor
刘厚德
程淏
王学谦
兰斌
梁斌
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.)
Shenzhen International Graduate School of Tsinghua University
Original Assignee
Shenzhen International Graduate School of Tsinghua University
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 Shenzhen International Graduate School of Tsinghua University filed Critical Shenzhen International Graduate School of Tsinghua University
Priority to CN202010451523.3A priority Critical patent/CN111618824B/zh
Publication of CN111618824A publication Critical patent/CN111618824A/zh
Application granted granted Critical
Publication of CN111618824B publication Critical patent/CN111618824B/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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
    • 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
    • B25J9/1602—Programme controls characterised by the control system, structure, architecture
    • B25J9/1607—Calculation of inertia, jacobian matrixes and inverses

Landscapes

  • Engineering & Computer Science (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Manipulator (AREA)

Abstract

本发明提供一种连续型机器人臂型自估计方法，连续型机器人是平面运动下的基于分段常曲率假设的连续型机器人，包括：区分所述连续型机器人的各个常曲率段并在各个所述常曲率段的段末端配置图像采集单元；采用等效模型对每个所述常曲率段的运动学进行等效并根据广义对极约束技术得到运动时所述图像采集单元与外界特征点的约束关系；从所述连续型机器人的根部按常曲率段连接顺序递推实时求解运动时各段末端的所述图像采集单元与外界特征点之间的约束关系，得到各个所述常曲率段臂型参数，最终实现整体臂型参数自估计。通过配置在连续型机器人机体的图像获取单元可对臂型状态实时自估计，从而为下游规划控制提供丰富的环境感知信息。

Description

一种连续型机器人臂型自估计方法
技术领域
本发明涉及连续机器人技术领域，尤其涉及一种连续型机器人臂型自估计方法。
背景技术
在灾害救援、核与辐射设备检修、有毒废料采样、管道监测等方面，由于空间狭小且面临较大危险，不适合人或大型装备进入以开展工作，因此，体型纤细、运动灵活的连续型机器人(Continuum Robots)成为一个重要选择。连续型机器人具有很好的弯曲特性和避障能力，能够改变自身的形状姿态等适应环境，克服各类障碍物的限制，广泛应用于非结构化环境下的自主作业的特殊场合中，如医疗、军事、灾害救援、海洋探索等领域。然而，目前对连续型机器人的研究主要集中在机器人结构创新设计方面，对于此类机器人的感知规划控制技术远不及传统机械臂成熟，严重限制了其在非结构化环境如狭小空间中灵活工作的能力。
连续型机器人环境感知(臂型位姿估计)是实现其在复杂未知环境下有效规划控制从而避障完成任务的基础。但由于其结构复杂，难以简单地通过传感器得到臂型状态及周围环境信息。如何发挥超冗余连续特种机器人潜力，在复杂环境中实现对未知非结构环境的智能实时感知，已成为急需解决的问题。
视觉传感器由于低成本且信息丰富等优点，在机器人感知中具有较大潜力；然而，目前基于视觉类连续型机器人环境感知方案主要采用外部相机信息，限制了其在未知非结构化场景的应用。随着视觉同步定位与建图(Simultaneous Localization and Mapping,SLAM)技术发展，其已成功应用于无人机等移动式机器人的运动自估计。引入视觉SLAM技术，为实现连续型机器人实时自估计感知另辟蹊径——通过配置在连续型机器人机体的相机、惯性传感器等可对臂型状态实时自估计，从而为下游规划控制提供丰富的环境感知信息。
以上背景技术内容的公开仅用于辅助理解本发明的构思及技术方案，其并不必然属于本专利申请的现有技术，在没有明确的证据表明上述内容在本专利申请的申请日已经公开的情况下，上述背景技术不应当用于评价本申请的新颖性和创造性。
发明内容
本发明为了解决现有的问题，提供一种连续型机器人臂型自估计方法。
为了解决上述问题，本发明采用的技术方案如下所述：
一种连续型机器人臂型自估计方法，所述连续型机器人是平面运动下的基于分段常曲率假设的连续型机器人，具体包括如下步骤：S1：区分所述连续型机器人的各个常曲率段并在各个所述常曲率段的段末端配置图像采集单元；S2：采用等效模型对每个所述常曲率段的运动学进行等效并根据广义对极约束技术得到运动时所述图像采集单元与外界特征点的约束关系；S3：从所述连续型机器人的根部按常曲率段连接顺序递推实时求解运动时各段末端的所述图像采集单元与外界特征点之间的约束关系，得到各个所述常曲率段臂型参数，最终实现整体臂型参数自估计。
优选地，采用二连杆-二关节等效模型的运动学等效方法对连续型机器人运动学进行等效。
优选地，每个所述常曲率段等效为由二个转动关节连接的两个刚性连杆，并通过参数约束在误差范围内进行等效；所述参数包括所述常曲率段的轴向偏转角与偏转辅助角之间的几何关系。
优选地，所述等效包括：短杆-长杆等效、长杆-短杆等效；根据所述短杆-长杆等效获得所述常曲率段的轴向偏转角与偏转辅助角之间的几何关系。
优选地，所述所述常曲率段的轴向偏转角与偏转辅助角之间的几何关系满足：
Figure BDA0002507745770000021
其中，θ是常曲率段的轴向偏转角，
Figure BDA0002507745770000022
是常曲率段的偏转辅助角，L是常曲率段的长度。
优选地，根据广义对极约束技术得到运动时所述图像采集单元与外界特征点的约束关系为：
Figure BDA0002507745770000023
Epcc＝[tCC']×RCC'+RCC'[tC'A']×-[tCA]×RCC'
其中，{fi',fi}为运动前后该段相机观测到的特征点对，Rz(θ)代表z轴方向旋转θ角度，Rz(θ')代表z轴方向旋转θ'角度，A是长杆末端坐标系，B是短杆末端坐标系，C是常曲率段的根部坐标系，D是常曲率段的末端坐标系，A'、B'、C'、D'分别对应A、B、C、D运动前的坐标系，T是矩阵转置包括旋转矩阵R和平移矩阵t，Epcc是PCC对极约束矩阵。
优选地，通过三角恒等关系将约束关系线性化为代数方程组进行求解。
优选地，所述连续型机器人的根部的所述常曲率段的运动由与根部连接的机器人平台决定；顺序递推求解后续所述常曲率段时，各段的运动由前一个所述常曲率段的末端运动决定。
优选地，所述图像获取单元是单目相机、双目相机或深度相机。
优选地，通过所述图像获取单元获取的相邻两帧图像之间的变化程度来判断所述连续型机器人是否产生运动。
本发明的有益效果为：提供一种连续型机器人臂型自估计方法，通过配置在连续型机器人机体的图像获取单元可对臂型状态实时自估计，从而为下游规划控制提供丰富的环境感知信息。
进一步的，本发明的方法不受连续型机器人机械结构模型影响，适用于平面运动下的基于分段常曲率假设的连续型机器人。
第三，本发明的成本低，并且可以适用于多种尺寸连续型机器人；图像获取单元配置于连续机器人机体，而非外部全局相机，因此可以适用于无法配置外部相机的复杂未知非结构环境。
第四，本发明的方案可扩展性强，可以适用于不同常曲率段数的连续型机器人。
最后，将视觉自估计技术引入连续型机器人参数估计中，利于现有视觉技术在连续型机器人上的应用发展。
附图说明
图1是本发明实施例中现有技术中连续型机器人运动学模型基于的几何关系示意图。
图2是本发明实施例中基于分段常曲率假设的连续型机器人某一常曲率段几何关系的示意图。
图3(a)-图3(b)是本发明实施例中连续型机器人常曲率段运动学等效臂型参数描述模型的示意图。
图4是本发明实施例中常曲率段轴偏转平面等效情况示意图。
图5是本发明实施例中一种连续型机器人臂型自估计方法的示意图。
图6是本发明实施例中分段常曲率平面连续型机器人示例图。
图7是本发明实施例中图像获取单元配置方案示意图。
图8是本发明实施例中二连杆-二关节刚性杆等效模型广义对极约束示意图。
具体实施方式
为了使本发明实施例所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
需要说明的是，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者间接在该另一个元件上。当一个元件被称为是“连接于”另一个元件，它可以是直接连接到另一个元件或间接连接至该另一个元件上。另外，连接既可以是用于固定作用也可以是用于电路连通作用。
需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明实施例和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多该特征。在本发明实施例的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
相关名词解释：
连续型机器人：连续型机器人是一种柔顺、灵活性高的新型仿生机器人。与传统离散型机器人由离散的关节和刚性杆组成的结构不同，其弯曲性能优良，能适用于障碍物众多的非结构化环境和狭小工作空间。
分段常曲率假设：分段常曲率假设(Piecewise Constant Curvature,PCC)，PCC假设连续型机器人由多段曲率各自为某一可随时间变化值的圆弧拼接而成。
连续型机器人臂型：连续型机器人通常与机械臂类似，臂型即机械臂构型，是指连续型机器人机械臂的整体外形。
现有连续型机器人运动学描述方法，主要基于分段常曲率假设(PiecewiseConstant Curvature,PCC)；连续型机器人PCC运动描述方法将连续型机器人看作多段曲率可随时间变化的圆弧拼接而成，其考虑了连续型机器人设计及工程实现中的先验信息，从而简化了连续型机器人运动学描述。
如图1所示，是现有技术中连续型机器人运动学模型基于的几何关系示意图。其中，S代表坐标系。
相应运动学齐次变换关系如下：
Figure BDA0002507745770000051
其中，Li为定值即该常曲率段长度，ψi为轴向旋转角，θi为轴向偏转角。连续型机器人各段之间的位姿变换关系由ψi和θi唯一确定。
然而，现有连续型机器人PCC运动描述方法存在以下技术问题：1.描述过程中人为引入了奇异点，易出现数值不稳定情况；2.描述方法中涉及到较强的非线性公式计算，增加了计算难度，不利于进一步应用。
本发明提供一种连续型机器人运动学等效方法及应用，采用二连杆-四关节等效模型的运动学等效方法使用刚性臂对连续型机器人运动学进行等效。
本发明的方法区别于已有的分段常曲率连续型机器人运动学描述技术，采用二连杆-四关节等效模型的运动学等效方法使用传统刚性臂对连续型机器人运动学进行描述，可有效降低描述技术的施用难度。
通过本发明的方法可以使基于分段常曲率假设的连续型机器人的感知、规划、控制转化为以传统刚性机械臂为对象。
如图2所示，基于分段常曲率假设的连续型机器人依据分段常曲率假设进行设计的。整个连续型机器人可分为多个常曲率段，即可近似为多段圆弧，各段长度Li为定值。通过测量可得到各常曲率段的长度，并区分各常曲率段进行下一步各段等效。
如图3(a)和图3(b)所示，分段常曲率连续型机器人各常曲率段在运动学层面上，可等效为由四个转动关节连接的两个刚性连杆，并由特定参数约束其在可接受的误差范围内，等效于该常曲率段的理论运动学情况。在本发明的一种实施例中，参数包括所述常曲率段的轴向偏转角与偏转辅助角之间的几何关系。该方法的重点在于二连杆-四关节刚性臂组合方式及其参数关系，尤其是常曲率段的轴向偏转角与偏转辅助角之间的几何关系。
如图4所示，是本发明一种常曲率段轴偏转平面等效情况示意图。
本发明的等效方法包括短杆-长杆等效、长杆-短杆等效两种方法。
本发明的等效模型由二连杆-四关节组成，刚体杆长度由量取的该常曲率段长度L决定，且常曲率段中轴向偏转角θ与偏转辅助角
Figure BDA0002507745770000064
具有约束关系。根据对称性存在两种等效方式，黑色实线代表长杆-短杆等效方法，黑色虚线代表短杆-长杆等效方法，实际应用中常使用黑色实线等效方式，黑色虚线等效方式仅用于推导等效偏转角之间的几何约束关系；根据短杆-长杆等效方法的几何关系得到以下约束：
Figure BDA0002507745770000061
进一步化简得到：
Figure BDA0002507745770000062
具体等效方法中的参数见表1。
表1等效模型详细参数
Figure BDA0002507745770000063
Figure BDA0002507745770000071
所述常曲率段的构型参数状态变量包括轴向偏转角θ、轴向旋转角ψ，等效长杆长度l1＝3/4L，等效短杆长度l2＝1/4L，等效第一偏转角
Figure BDA0002507745770000072
等效第二偏转角即偏转辅助角
Figure BDA0002507745770000073
轴向偏转角θ和偏转辅助角
Figure BDA0002507745770000074
满足公式(3)。
本发明仅适用于平面运动下的分段常曲率连续型机器人。故上述等效方法中轴向旋转角恒为0，即分段常曲率平面连续型机器人各常曲率段运动学可等效为二连杆-二关节模型进行描述。
随着视觉同步定位与建图(Simultaneous Localization and Mapping,SLAM)技术发展，其已成功应用于无人机等移动式机器人的运动自估计。引入视觉SLAM技术，为实现连续型机器人实时自估计感知另辟蹊径——通过配置在连续型机器人机体的相机、惯性传感器等可对臂型状态实时自估计，从而为下游规划控制提供丰富的环境感知信息。
如图5所示，一种连续型机器人臂型自估计方法，所述连续型机器人是平面运动下的基于分段常曲率假设的连续型机器人，具体包括如下步骤：
S1：区分所述连续型机器人的各个常曲率段并在各个所述常曲率段的段末端配置图像采集单元；
S2：采用等效模型对每个所述常曲率段的运动学进行等效并根据广义对极约束技术得到运动时所述图像采集单元与外界特征点的约束关系；
S3：从所述连续型机器人的根部按常曲率段连接顺序递推实时求解运动时各段末端的所述图像采集单元与外界特征点之间的约束关系，得到各个所述常曲率段臂型参数，最终实现整体臂型参数自估计。
如图6所示，分段常曲率连续型机器人是依据分段常曲率假设进行设计的。整个连续型机器人可分为多个常曲率段，即可近似为多段圆弧，各段长度Li为定值。通过测量可得到各段长度，并区分各常曲率段进行下一步各段等效；
如图7所示，在分段常曲率平面连续型机器人各常曲率段末端(即各常曲率段连接处及连续型机器人末端)配置图像采集单元，图像获取单元是单目相机、双目相机、深度相机或其他可以获取图像的硬件设备。通过现有相机标定方法，对各相机进行标定得到内参及相对于各段末端坐标系的外参。
在本发明的一种实施例中，通过所述图像获取单元获取的相邻两帧图像之间的变化程度来判断所述连续型机器人是否产生运动。
根据前面所述的分段常曲率连续型机器人运动学等效技术可知，分段常曲率平面连续型机器人的运动学描述可由传统刚性臂等效，即将各常曲率段等效为二连杆-二关节运动学描述模型，其中选取长杆-短杆等效方法。
根据长杆-短杆等效方法，得到等效参数为：所述常曲率段的构型参数状态变量轴向偏转角θ、轴向旋转角ψ，等效长杆长度l1＝3/4L，等效短杆长度l2＝1/4L，等效第一偏转角
Figure BDA0002507745770000081
等效第二偏转角即偏转辅助角
Figure BDA0002507745770000082
其中轴向偏转角θ与偏转辅助角
Figure BDA0002507745770000083
约束关系如下：
Figure BDA0002507745770000084
如图8所示，基于二连杆-二关节刚性杆等效得到该段末端相机满足的广义对极约束的示意图。其中，A是长杆末端坐标系，B是短杆末端坐标系，C是常曲率段根部坐标系，D是常曲率段末端坐标系，A、B、C、D之间关系由长杆-短杆等效方式及常曲率段臂型状态决定，A'、B'、C'、D'分别对应A、B、C、D运动前的坐标系。TAA'代表从A'变换到A坐标系的位姿变换矩阵，其中包括：旋转矩阵RAA'和平移矩阵tAA'，其他同理。tBD为相机相对于坐标系B的向量，即等效模型中的短杆，其长度为L/4；{fi',fi}为运动前后该段相机观测到的特征点对。
根据已有的广义对极约束理论，由坐标系B运动产生的广义对极约束关系如下：
Figure BDA0002507745770000091
又由几何关系得到下列关系：
Figure BDA0002507745770000092
(5)代入(4)得：
Figure BDA0002507745770000093
又根据等价模型定义得：
Figure BDA0002507745770000094
Figure BDA0002507745770000095
(8)代入(4)得到：
Figure BDA0002507745770000096
根据模型得：
Figure BDA0002507745770000097
由(1)得：
Figure BDA0002507745770000098
(6)(10)代入(9)可得二连杆-二关节刚性杆等效模型广义对极约束公式：
Figure BDA0002507745770000101
其中，{fi',fi}为运动前后该段相机观测到的特征点对，Rz(θ)代表z轴方向旋转θ角度，Rz(θ')代表z轴方向旋转θ'角度，A是长杆末端坐标系，B是短杆末端坐标系，C是常曲率段的根部坐标系，D是常曲率段的末端坐标系，A'、B'、C'、D'分别对应A、B、C、D运动前的坐标系，T是矩阵转置包括旋转矩阵R和平移矩阵t，Epcc是PCC对极约束矩阵。
从根部按常曲率段连接顺序递推实时求解运动时各段末端相机与外界特征点之间的约束关系，得到各段臂型参数，最终实现整体臂型参数自估计。可通过相机两帧之间的变化程度来判断是否产生运动。
对于分段常曲率假设下的平面连续型机器人，其各常曲率段的自由度仅为1，即轴向偏转角θ。因此二连杆-二关节刚性杆等效模型广义对极约束公式(12)中仅有一个未知量θ，故仅需要一对特征点对{fi',fi}即可求得臂型参数θ。
但由于(12)中存在非线性的三角函数关系，因此没有解析解结果，若迭代求解速度慢并且受初值影响大。本专利方法通过三角恒等关系将(12)线性化为代数方程组进行求解，可提高求解速度及求解精度。
引入辅助变量：
Figure BDA0002507745770000102
(13)代入(11)得
Figure BDA0002507745770000103
添加辅助变量后未知量变为4个。由一对特征点对代入(12)得到1个代数等式关系，其与(14)的3个代数等式关系共同组成四元高次代数方程组。该代数方程组可使用几何代数求解器生成工具得到求解器。对于此问题求解器求解时间在毫秒范围内，可以实现实时求解，进而实现基于视觉的分段常曲率连续型机器人臂型参数实时自估计。
利用上述求解器，从根部按常曲率段连接顺序递推实时求解。求解根部常曲率段时，根部的运动RCC'及tCC'由根部连接的机器人平台决定，即RCC'及tCC'运动情况由机器人平台实时给出；顺序递推求解后续常曲率段时，各段RCC'及tCC'运动由前一个常曲率段末端运动决定。
顺序递推求解得到整体连续型机器人臂型参数。
本发明提供的臂型自估计方法适用于包含任意曲率段的分段常曲率平面连续型机器人，对于包含任意常曲率段的连续型机器人，均可通过顺序递推求解得到整体臂型参数。
本申请实施例还提供一种控制装置，包括处理器和用于存储计算机程序的存储介质；其中，处理器用于执行所述计算机程序时至少执行如上所述的方法。
本申请实施例还提供一种存储介质，用于存储计算机程序，该计算机程序被执行时至少执行如上所述的方法。
本申请实施例还提供一种处理器，所述处理器执行计算机程序，至少执行如上所述的方法。
所述存储介质可以由任何类型的易失性或非易失性存储设备、或者它们的组合来实现。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，ErasableProgrammable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，ElectricallyErasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，FerromagneticRandom Access Memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，Random Access Memory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，SynchronousStatic Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random AccessMemory)、同步动态随机存取存储器(SDRAM，Synchronous Dynamic Random AccessMemory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data RateSynchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM，Sync Link Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本发明实施例描述的存储介质旨在包括但不限于这些和任意其它适合类型的存储器。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，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全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以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，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、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。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的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所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本申请所提供的几个方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。
本申请所提供的几个产品实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的产品实施例。
本申请所提供的几个方法或设备实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或设备实施例。
以上内容是结合具体的优选实施方式对本发明所做的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。
以上内容是结合具体的优选实施方式对本发明所做的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。

Claims (10)

1.一种连续型机器人臂型自估计方法，其特征在于，所述连续型机器人是平面运动下的基于分段常曲率假设的连续型机器人，具体包括如下步骤：
S1：区分所述连续型机器人的各个常曲率段并在各个所述常曲率段的段末端配置图像采集单元；
S2：采用等效模型对每个所述常曲率段的运动学进行等效并根据广义对极约束技术得到运动时所述图像采集单元与外界特征点的约束关系；
S3：从所述连续型机器人的根部按常曲率段连接顺序递推实时求解运动时各段末端的所述图像采集单元与外界特征点之间的约束关系，得到各个所述常曲率段臂型参数，最终实现整体臂型参数自估计。
2.如权利要求1所述的连续型机器人臂型自估计方法，其特征在于，采用二连杆-二关节等效模型的运动学等效方法对连续型机器人运动学进行等效。
3.如权利要求2所述的连续型机器人臂型自估计方法，其特征在于，每个所述常曲率段等效为由二个转动关节连接的两个刚性连杆，并通过参数约束在误差范围内进行等效；所述参数包括所述常曲率段的轴向偏转角与偏转辅助角之间的几何关系。
4.如权利要求3所述的连续型机器人运动学等效方法，其特征在于，所述等效包括：短杆-长杆等效、长杆-短杆等效；
根据所述短杆-长杆等效获得所述常曲率段的轴向偏转角与偏转辅助角之间的几何关系。
5.如权利要求4所述的连续型机器人运动学等效方法，其特征在于，所述所述常曲率段的轴向偏转角与偏转辅助角之间的几何关系满足：
Figure FDA0002507745760000011
其中，θ是常曲率段的轴向偏转角，
Figure FDA0002507745760000012
是常曲率段的偏转辅助角，L是常曲率段的长度。
6.如权利要求5所述的连续型机器人运动学等效方法，其特征在于，根据广义对极约束技术得到运动时所述图像采集单元与外界特征点的约束关系为：
Figure FDA0002507745760000021
Epcc＝[tCC']×RCC'+RCC'[tC'A']×-[tCA]×RCC'
其中，{fi',fi}为运动前后该段相机观测到的特征点对，Rz(θ)代表z轴方向旋转θ角度，Rz(θ')代表z轴方向旋转θ'角度，A是长杆末端坐标系，B是短杆末端坐标系，C是常曲率段的根部坐标系，D是常曲率段的末端坐标系，A'、B'、C'、D'分别对应A、B、C、D运动前的坐标系，T是矩阵转置包括旋转矩阵R和平移矩阵t，Epcc是PCC对极约束矩阵。
7.如权利要求6所述的连续型机器人运动学等效方法，其特征在于，通过三角恒等关系将约束关系线性化为代数方程组进行求解。
8.如权利要求7所述的连续型机器人运动学等效方法，其特征在于，所述连续型机器人的根部的所述常曲率段的运动由与根部连接的机器人平台决定；顺序递推求解后续所述常曲率段时，各段的运动由前一个所述常曲率段的末端运动决定。
9.如权利要求1-8任一所述的连续型机器人运动学等效方法，其特征在于，所述图像获取单元是单目相机、双目相机或深度相机。
10.如权利要求1-8任一所述的连续型机器人运动学等效方法，其特征在于，通过所述图像获取单元获取的相邻两帧图像之间的变化程度来判断所述连续型机器人是否产生运动。
CN202010451523.3A 2020-05-25 2020-05-25 一种连续型机器人臂型自估计方法 Active CN111618824B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010451523.3A CN111618824B (zh) 2020-05-25 2020-05-25 一种连续型机器人臂型自估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010451523.3A CN111618824B (zh) 2020-05-25 2020-05-25 一种连续型机器人臂型自估计方法

Publications (2)

Publication Number Publication Date
CN111618824A true CN111618824A (zh) 2020-09-04
CN111618824B CN111618824B (zh) 2021-05-04

Family

ID=72268087

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010451523.3A Active CN111618824B (zh) 2020-05-25 2020-05-25 一种连续型机器人臂型自估计方法

Country Status (1)

Country Link
CN (1) CN111618824B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113211440A (zh) * 2021-05-12 2021-08-06 清华大学深圳国际研究生院 一种基于多姿态解算的连续型机器人形状感知方法
CN115586748A (zh) * 2022-11-24 2023-01-10 苏州德机自动化科技有限公司 一种移动式智能柔性运动控制系统及其方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009094670A1 (en) * 2008-01-25 2009-07-30 The Trustees Of Columbia University In The City Of New York Systems and methods for force sensing in a robot
US20140084131A1 (en) * 2012-09-26 2014-03-27 Hyun-Sik SIM Apparatus including multi-jointed arm and gravity compensation method
CN108237534A (zh) * 2018-01-04 2018-07-03 清华大学深圳研究生院 一种连续型机械臂的空间避障轨迹规划方法
WO2019042956A1 (en) * 2017-08-28 2019-03-07 Trinamix Gmbh DETECTOR FOR DETERMINING A POSITION OF AT LEAST ONE OBJECT
CN109940597A (zh) * 2019-04-19 2019-06-28 中国民航大学 一种仿蛇脊椎骨的连续型机械臂
CN110181506A (zh) * 2019-04-26 2019-08-30 清华大学 一种基于常曲率假设的弹性软体机器人运动学建模方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009094670A1 (en) * 2008-01-25 2009-07-30 The Trustees Of Columbia University In The City Of New York Systems and methods for force sensing in a robot
US20140084131A1 (en) * 2012-09-26 2014-03-27 Hyun-Sik SIM Apparatus including multi-jointed arm and gravity compensation method
WO2019042956A1 (en) * 2017-08-28 2019-03-07 Trinamix Gmbh DETECTOR FOR DETERMINING A POSITION OF AT LEAST ONE OBJECT
CN108237534A (zh) * 2018-01-04 2018-07-03 清华大学深圳研究生院 一种连续型机械臂的空间避障轨迹规划方法
CN109940597A (zh) * 2019-04-19 2019-06-28 中国民航大学 一种仿蛇脊椎骨的连续型机械臂
CN110181506A (zh) * 2019-04-26 2019-08-30 清华大学 一种基于常曲率假设的弹性软体机器人运动学建模方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
BERNHARD WEBER ET AL: "Multi-Camera based real-Time configuration estimation of continuum robots", 《2012 IEEE/RSJ INTERNATIONAL CONFERENCE ON INTELLIGENT ROBOTS AND SYSTEMS》 *
ROBERT K KATZSCHMANN ET AL: "Dynamic motion control of multi-segment soft robots using piecewise constant curvature matched with an augmented rigid body model", 《2019 2ND IEEE INTERNATIONAL CONFERENCE ON SOFT ROBOTICS》 *
XIN PENG ET AL: "Articulated multi-perspective cameras and their application to truck motion estimation", 《2019 IEEE/RSJ INTERNATIONAL CONFERENCE ON INTELLIGENT ROBOTS AND SYSTEMS》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113211440A (zh) * 2021-05-12 2021-08-06 清华大学深圳国际研究生院 一种基于多姿态解算的连续型机器人形状感知方法
CN113211440B (zh) * 2021-05-12 2022-07-01 清华大学深圳国际研究生院 一种基于多姿态解算的连续型机器人形状感知方法
CN115586748A (zh) * 2022-11-24 2023-01-10 苏州德机自动化科技有限公司 一种移动式智能柔性运动控制系统及其方法
CN115586748B (zh) * 2022-11-24 2023-03-10 苏州德机自动化科技有限公司 一种移动式智能柔性运动控制系统及其方法

Also Published As

Publication number Publication date
CN111618824B (zh) 2021-05-04

Similar Documents

Publication Publication Date Title
CN109910016B (zh) 基于多自由度机械臂的视觉采集标定方法、装置及系统
CN107738254B (zh) 一种机械臂坐标系的转换标定方法与系统
US11642786B2 (en) Humanoid robot and its balance control method and computer readable storage medium
CN109506642B (zh) 一种机器人多相机视觉惯性实时定位方法及装置
CN110880189B (zh) 联合标定方法及其联合标定装置和电子设备
CN111618824B (zh) 一种连续型机器人臂型自估计方法
US20160008988A1 (en) Robotics Platforms Incorporating Manipulators Having Common Joint Designs
CN109544615A (zh) 基于图像的重定位方法、装置、终端及存储介质
JP5012615B2 (ja) 情報処理装置、および画像処理方法、並びにコンピュータ・プログラム
CN112318506A (zh) 机械臂自动标定方法、装置、设备、机械臂和介质
CN112276953B (zh) 连续型超冗余机械臂的臂型协同规划方法、终端设备和存储介质
CN115179294A (zh) 机器人控制方法、系统、计算机设备、存储介质
CN112276914A (zh) 一种基于ar技术的工业机器人及其人机交互方法
CN114216456A (zh) 一种基于imu与机器人本体参数融合的姿态测量方法
CN113211495A (zh) 一种机械臂碰撞检测方法、系统、存储介质和机械臂
US20210156710A1 (en) Map processing method, device, and computer-readable storage medium
CN111695213B (zh) 一种连续型机器人运动学等效方法及应用
CN111618853B (zh) 一种连续型机器人偏差修正运动学等效方法及控制装置
WO2020010625A1 (zh) 机器人运动学模型优化方法、系统和存储装置
US20220203526A1 (en) Humanoid robot control method, humanoid robot using the same, and computer readable storage medium
Dai et al. Unsupervised feature fusion combined with neural network applied to UAV attitude estimation
CN114046800A (zh) 一种基于双层滤波框架的高精度里程估计方法
CN117428791B (zh) 一种用于肩部四轴康复机器人的逆运动学求解方法及系统
CN111251301A (zh) 输电线路检修机器人操作臂的运动规划方法
CN117407630B (zh) 协作机械臂求解肩肘角度逆运动学解析解系统

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