CN114193455B - 机器人的加工路径生成方法、设备和存储介质 - Google Patents
机器人的加工路径生成方法、设备和存储介质 Download PDFInfo
- Publication number
- CN114193455B CN114193455B CN202111678218.9A CN202111678218A CN114193455B CN 114193455 B CN114193455 B CN 114193455B CN 202111678218 A CN202111678218 A CN 202111678218A CN 114193455 B CN114193455 B CN 114193455B
- Authority
- CN
- China
- Prior art keywords
- path
- target point
- segment
- curvature
- sequence
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000003754 machining Methods 0.000 title claims description 16
- 238000012545 processing Methods 0.000 claims abstract description 54
- 238000012795 verification Methods 0.000 claims abstract description 8
- 230000011218 segmentation Effects 0.000 claims description 57
- 238000006073 displacement reaction Methods 0.000 claims description 28
- 238000009825 accumulation Methods 0.000 claims description 18
- 238000009795 derivation Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 18
- 239000013598 vector Substances 0.000 description 9
- 238000013459 approach Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 3
- 238000004026 adhesive bonding Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000000227 grinding Methods 0.000 description 2
- 238000003698 laser cutting Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- 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
-
- 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
- B25J9/1661—Programme controls characterised by programming, planning systems for manipulators characterised by task planning, object-oriented languages
-
- 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
- B25J9/1679—Programme controls characterised by the tasks executed
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了一种机器人的加工路径生成方法、设备和存储介质，该方法包括以下步骤：采集目标点序列，将所述目标点序列分为不同的路径段；分别判定各路径段的轮廓类型，并校验各路径段的轮廓类型；根据校验结果将轮廓类型和形状参数均相同的相邻路径段合并为独立轮廓，并将独立轮廓衔接为加工路径。通过本申请可以在较低的计算消耗下自动生成机器人的加工路径。
Description
技术领域
本发明涉及机器人技术领域，具体涉及一种机器人的加工路径生成方法、设备和存储介质。
背景技术
在自动涂胶、打磨、激光切割等应用场合，机器人往往需要沿工件表面或轮廓进行加工运动。
传统方法通过人工对工件轮廓进行分段并根据其形状逐一示教为直线或圆弧。
为了避免繁琐的指令示教过程，部分研究提出在根据工件轮廓或从CAD模型中提取一系列关键目标点，再利用样条曲线对目标点序列进行整体插值或拟合，从而获得连续的加工路径。
传统方法依赖于人工分段和指令示教。为了描述复杂的加工路径，操作人员往往需要示教输入大量指令，效率较低，操作繁琐。除此以外，由于需要人工提前完成示教，这种方法通常局限于固定路径的加工应用，无法适用于工件轮廓多变的柔性制造场景。
采用样条曲线对关键目标点进行整体插值或拟合的方法，免除了繁琐的人工示教分段过程，实现加工路径的自动生成。该方法虽然实现简单，但由于构造样条曲线的计算量较大，机器人的计算消耗会随着目标点位数量的增加而快速增大，计算时间较长，难以适应工业应用现场的实时性需求，限制了工业机器人的应用和推广。
发明内容
本发明提供了一种机器人的加工路径生成方法、设备和存储介质，旨在解决机器人加工生成加工路径的过程中计算消耗过大的技术问题。
为实现上述目的，本发明提供了一种机器人的加工路径生成方法，该方法包括以下步骤：
采集目标点序列，将所述目标点序列分为不同的路径段；
判定所述路径段的轮廓类型，并校验所述轮廓类型；
根据校验结果将轮廓类型及形状参数相同的相邻所述路径段合并为独立轮廓段，将所述独立轮廓段衔接为加工路径。
可选地，根据所述目标点序列的位置分量子序列计算所述目标点序列对应的离散曲率序列；
对所述离散曲率序列近似求导，以得到目标点序列对应的离散曲率导数序列；
根据所述离散曲率导数序列从所述目标点序列中选取分段点，并根据所述分段点将所述目标点序列分为不同的路径段。
可选地，若目标点对应的离散曲率导数为极值点，则判断所述目标点对应的离散曲率导数的绝对值是否大于曲率导数分割阈值，或所述目标点到上一个分段点的累计长度是否大于或等于路径段长度阈值；
若所述目标点对应的离散曲率导数的绝对值大于曲率导数分割阈值，或所述目标点到上一个分段点的累计长度大于或等于路径段长度阈值，则将所述目标点选取为分段点。
可选地，遍历所述路径段中的目标点，计算所述路径段中目标点的平均曲率，根据所述平均曲率对所述路径段标记轮廓类型。
可选地，若所述路径段中目标点的曲率与所述平均曲率差值的绝对值小于或等于曲率偏差阈值且所述平均曲率的绝对值小于或等于平均曲率偏差阈值，则将所述路径段标记为直线段；
若所述路径段中目标点与平均曲率差值的绝对值小于或等于曲率偏差阈值且所述平均曲率的绝对值大于平均曲率偏差阈值，则将所述路径段标记为圆弧段；
若所述路径段中目标点与平均曲率差值的绝对值大于曲率偏差阈值，则将所述路径段标记为曲线段。
可选地若所述路径段为直线段，遍历所述路径段中的目标点，判断所述路径段中目标点是否满足预设直线约束条件；
若所述路径段中存在目标点不满足预设直线约束条件，则将所述直线段改为曲线段。
可选地，若所述路径段为圆弧段，遍历所述路径段中的所有目标点，判断所述路径段中所有目标点是否满足预设圆弧约束条件；
若所述路径段中存在目标点不满足预设圆弧约束条件，则将所述圆弧段改为曲线段。
可选地，将所述路径段设置为待合并路径段；
计算所述待合并路径段中目标点序列的位移累加和，若所述位移累加和大于或等于分段位移阈值，则将所述待合并路径段设置为独立轮廓；
若所述位移累加和小于分段位移阈值，则将所述待合并路径段与下一路径段合并，并将合并后的路径段重新设置为待合并路径段，执行计算所述待合并路径段中目标点序列的位移累加和的步骤。
为实现上述目的，本申请还提出一种机器人的加工路径生成设备，机器人的加工路径生成设备包括存储器、处理器、以及存储在所述存储器上并可在所述处理器上运行的机器人的加工路径生成程序，所述机器人的加工路径生成程序被处理器执行时实现所述机器人的加工路径生成方法。
为实现上述目的，本申请还提出一种存储介质，所述存储介质上存储有机器人的加工路径生成程序，所述机器人的加工路径生成程序被处理器执行时实现所述机器人的加工路径生成方法。
本申请中的机器人加工路径生成方法能够在较低的计算消耗下自动生成机器人的加工路径。具体地，在加工路径的生成过程中，通过对采集到的目标点序列进行自动分段，既避免了传统人工分段示教方法繁琐的操作过程，又避免了现有技术中采用的样条进行整体插值或拟合而产生的大量计算消耗，通过对离散路径中的轮廓段进行识别和分类，减少了规则路径段逼近的计算消耗，提高了生成效率和经济性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1为本发明一实施例的机器人的加工路径生成方法的模块结构示意图；
图2为本发明一实施例的机器人的加工路径生成方法的流程图。
具体实施方式
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。
请参照图1，图1为本发明各个实施例中所提供的机器人的加工路径生成设备的硬件结构示意图。所述机器人的加工路径生成设备包括执行模块01、存储器02、处理器03、电池系统等部件。本领域技术人员可以理解，图1中所示出的设备还可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中，所述处理器03分别与所述存储器02和所述执行模块01连接，所述存储器02上存储有机器人的加工路径生成程序，所述机器人的加工路径生成程序同时被处理器03执行。
执行模块01，可采集目标点序列，将目标点序列分为不同的路径段；判定所述路径段的轮廓类型并校验所述轮廓类型；然后根据校验结果将轮廓类型相同的路径段合并为独立轮廓，将独立轮廓衔接为加工路径。同时反馈以上信息发送给所述处理器03。
存储器02，可用于存储软件程序以及各种数据。存储器02可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、多个功能所需的应用程序等；存储数据区可存储根据机器人的使用所创建的数据或信息等。此外，存储器02可以包括高速随机存取存储器，还可以包括非易失性存储器，例如多个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器03，是处理平台的控制中心，利用各种接口和线路连接整个机器人的各个部分，通过运行或执行存储在存储器02内的软件程序和/或模块，以及调用存储在存储器02内的数据，执行机器人的各种功能和处理数据，从而对机器人的加工路径生成设备进行整体监控。处理器03可包括一个或多个处理单元；优选的，处理器03可集成应用处理器和数字信号处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，数字信号处理器主要处理浮点运算。可以理解的是，上述数字信号处理器也可以不集成到处理器03中。
本领域技术人员可以理解，图1中示出的机器人的加工路径生成设备结构并不构成对设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
根据上述硬件结构，提出本发明方法各个实施例。
在自动涂胶、打磨、激光切割等应用场合，机器人往往需要沿工件表面或轮廓进行加工运动。
传统方法通过人工对工件轮廓进行分段并根据其形状逐一示教为直线或圆弧。
为了避免繁琐的指令示教过程，部分研究提出在根据工件轮廓或从CAD模型中提取一系列关键目标点，再利用样条曲线对目标点序列进行整体插值或拟合，从而获得连续的加工路径。
传统方法依赖于人工分段和指令示教。为了描述复杂的加工路径，操作人员往往需要示教输入大量指令，效率较低，操作繁琐。除此以外，由于需要人工提前完成示教，这种方法通常局限于固定路径的加工应用，无法适用于工件轮廓多变的柔性制造场景。
采用样条曲线对关键目标点进行整体插值或拟合的方法，免除了繁琐的人工示教分段过程，实现加工路径的自动生成。该方法虽然实现简单，但由于构造样条曲线的计算量较大，机器人的计算消耗会随着目标点位数量的增加而快速增大，计算时间较长，难以适应工业应用现场的实时性需求，限制了工业机器人的应用和推广。
为了解决上述问题，本申请提出了一种机器人的加工路径生成方法，参照图2，在本发明机器人的加工路径生成方法的第一实施例中，所述机器人的加工路径生成方法包括：
步骤S100，采集目标点序列，将所述目标点序列分为不同的路径段；
本实施例中，机器人的加工路径生成方法应用于机器人对零件进行加工的场景，机器人通过从零件表面或零件的CAD模型中采集关键的目标点序列，然后根据预设分段规则将目标点序列分割为不同的路径段。其中，预设分段规则为本领域技术人员根据分段的要求提前设置，且可根据实际情况进行实时调整。目标点序列则为目标点将采集的目标点依次排成一列得到的序列。具体地，通过手动示教或根据工件的形状特征采集的目标点位通常是以机器人末端的位姿坐标来描述的，而机器人位姿坐标又具有多种表达形式。在一实施例中，机器人的末端位置用笛卡尔空间坐标Pi表示，机器人末端姿态以单位四元数Qi表示。某一时刻，机器人末端位姿在基坐标系下的坐标Vi可表示为：
Vi＝{Pi，Qi}
其中，位置分量Pi和姿态分量Qi，分别可表示为：
Pi＝{Xi，Yi，Zi}
Qi＝{Ai，Bi，Ci，Di}
其中，Ai，Bi，Ci，Di分别为单位四元数的四个参数，Ai表示单位四元数的实部，Bi，Ci，Di表示单位四元数的虚部。
而通常情况下，从CAD\CAM软件导出或通过视觉、激光扫描等方法获得离散机器人加工路径通常是密集的目标点。那么为了降低机器人处理的数据量，可以按照固定间距或根据零件的形状特征对外部的目标点进行稀疏采样。上述形状特征包括但不限于曲率、矢量夹角等。稀疏采样的方法至少包括等距采样、Douglas-Peucker算法等。在采样得到目标点并将目标点组成目标点序列之后，为了方便识别目标点序列组成的路径的轮廓，根据预设分段规则将所述目标点序列分为不同的路径段。
步骤S200，判定所述路径段的轮廓类型，并校验所述轮廓类型；
本实施例中，在对采集的目标点序列分为至少一个路径段之后，由于不同路径段的形状特征不一样，因此可以根据路径段的形状特征不同，将形状特征不同的路径段判定为不同的轮廓类型，在判定结束之后，为了避免产生过大的误差，还需要对上述判定的轮廓类型进行校验。具体地，形状特征至少包括路径段的曲率、矢量夹角等。而利用形状特征判定路径段的轮廓类型的步骤可以为：获取曲率偏差阈值，然后遍历路径段中的目标点，然后根据曲率偏差阈值、路径段中目标点的平均曲率以及预设平均曲率偏差阈值来将不同的路径段标记为不同的轮廓类型。进一步地，标注的轮廓类型包括直线段轮廓、圆弧段轮廓和曲线段轮廓。在将路径段标记为不同的轮廓类型之后，为了保证判定的精确性，还需要对上述判定的直线段轮廓和圆弧段轮廓进行进一步校验。
步骤S300，根据校验结果将轮廓类型相同的所述路径段合并为独立轮廓，将所述独立轮廓衔接为加工路径。
本实施例中，在利用形状特征将不同路径段判定为不同的轮廓类型，并完成轮廓类型的校验之后，为了避免目标点序列被过度分割，以及避免同一轮廓类型的目标点被分割为多个分段，需要将相同轮廓类型和形状参数的路径段进行合并为独立轮廓，以防止大量的计算造成资源的不必要消耗，从而提升计算效率。进一步地，在确认相邻路径段的轮廓类型相同之后，还需要进一步确认该轮廓类型相同的相邻路径段其形状参数是否相同，若形状参数相同，才可将这些相邻路径段合并为独立轮廓。具体地，若轮廓类型相同的相邻路径段均为直线段，且该相邻直线段的单位方向向量相同，则可判定该相邻直线段的形状参数相同，否则该相邻直线段的形状参数不同；若轮廓类型相同的相邻路径段均为圆弧段，且该相邻圆弧段的圆心和半径均相同，则可判定该相邻圆弧段的形状参数相同，否则该相邻圆弧段的形状参数不同；若轮廓类型相同的相邻路径段为曲线段，则该相邻曲线段的形状参数一定相同。
在完成独立轮廓的合并之后；将各独立轮廓逐段取出并传输到机器人规划单元中，机器人规划单元会根据各独立轮廓的轮廓类型进行规划，并利用常用的样条曲线对不同的分段进行平滑衔接，最终获得连续的机器人加工路径。
本申请中的机器人加工路径生成方法，通过对采集到的目标点序列进行自动分段，既避免了传统人工分段示教方法繁琐的操作过程，又避免了现有技术中采用的样条插值或拟合的方法中大量的计算消耗，通过对离散路径中的轮廓段进行识别和分类，减少了规则路径段逼近的计算消耗，提高了生成效率和经济性。
在一实施例中，所述将所述目标点序列分为不同的路径段的步骤包括：
根据所述目标点序列的位置分量子序列计算所述目标点序列对应的离散曲率序列；
对所述离散曲率序列近似求导，以得到目标点序列对应的离散曲率导数序列；
根据所述离散曲率导数序列从所述目标点序列中选取分段点，并根据所述分段点将所述目标点序列分为不同的路径段。
本实施例中，在采集得到目标点，且目标点组成目标点序列之后，可获得目标点序列中位置分量子序列，并根据位置分量子序列计算目标点对应的离散曲率，在一实施例中，具体的计算公式为：
进一步地，
Li＝PiPi+1
Yi＝Pi-1Pi+1
其中，Pi为第i个目标点的位置分量，Pi＝{Xi，Yi，Zi}，其中，Xi、Yi、Zi分别为第i个目标点在三坐标轴上的坐标位置，Ki为第i个目标点对应的离散曲率，Li和Yi为均为计算第i个目标点对应的离散曲率的中间向量，于是第0个目标点到第n个目标点的目标点序列中位置分量子序列为由于首个目标点和最后一个目标点无法近似求导，因而需要近似求导的位置分量子序列为第1个目标点到第n-1个目标点/> 对应的离散曲率序列为/>
在得到各目标点对应的离散曲率Ki之后，获得离散曲率序列然后定义Pi点处的离散曲率导数为K′i，且K′i满足公式：
至此，可根据目标点的位置分量子序列及离散曲率序列/>可求得对应的离散曲率导数序列/>在得到离散曲率导数序列之后，获取曲率导数分割阈值，即可根据离散曲率导数序列和曲率导数分割阈值从目标点序列中获取分段点，并基于获取的分段点将目标点序列分为不同的路径段。
进一步地，由于部分场景中，离散目标点序列是经由外部传感器或其他测量设备测量得到的，而离散曲率序列又是由离散目标点序列计算得到，因此在外部传感器或其他测量设备不可避免的存在误差的情况下，当目标点之间的间距较小时，各目标点处的离散曲率容易出现波动。因此可以在根据离散目标点序列计算得到离散曲率序列之后，通过滑动滤波法对离散曲率序列进行滤波处理，以降低测试噪声对离散曲率的影响。
在一实施例中，所述根据所述离散曲率导数序列从所述目标点序列中选取分段点的步骤包括：
确定所述目标点序列中的目标点，并确定所述离散曲率导数序列中所述目标点对应的离散曲率导数；
若目标点对应的离散曲率导数为极值点，则判断所述目标点对应的离散曲率导数的绝对值是否大于曲率导数分割阈值，或所述目标点到上一个分段点的累计长度是否大于或等于路径段长度阈值；
若所述目标点对应的离散曲率导数的绝对值大于曲率导数分割阈值，或所述目标点到上一个分段点的累计长度大于或等于路径段长度阈值，则将所述目标点选取为分段点。
本实施例中，在计算得到目标点序列对应的离散曲率导数序列之后，获取曲率导数分割阈值和路径段长度阈值，遍历目标点序列的位置分量子序列，分别判断各目标点的位置分量对应的离散曲率导数是否为极值点，若离散曲率导数为极值点，则判断该离散曲率导数的绝对值是否大于曲率导数分割阈值，并判断该目标点的到上一个分段点的累计长度是否大于或等于路径段长度阈值；若该目标点为极值点且该目标点对应的离散曲率导数的绝对值大于曲率导数分割阈值，或该目标点为极值点且该目标点到上一个分段点的累计长度大于或等于路径段长度阈值，则将该目标点设置为分段点；若该目标点不为极值点，则不将该目标点设置为分段点；或若该目标点为极值点，但是该目标点对应的离散曲率导数的绝对值小于或等于曲率导数分割阈值，且该目标点到上一个分段点的累计长度小于路径段长度阈值，则不将该目标点设置为分段点。
在一实施例中，所述利用形状特征判定所述路径段的轮廓类型的步骤包括：
遍历所述路径段中的目标点，计算所述路径段中目标点的平均曲率，根据所述平均曲率对所述路径段标记轮廓类型。
本实施例中，形状特征包括目标点的离散曲率，并获取曲率偏差阈值和平均曲率偏差阈值，根据路径段内各目标点的离散曲率、路径段的平均曲率、曲率偏差阈值以及平均曲率偏差阈值将不同的路径段标记为不同的轮廓类型。
在一实施例中，所述根据所述平均曲率对所述路径段标记轮廓类型的步骤包括：
若所述路径段中目标点的曲率与所述平均曲率差值的绝对值小于或等于曲率偏差阈值且所述平均曲率的绝对值小于或等于平均曲率偏差阈值，则将所述路径段标记为直线段；
若所述路径段中目标点与平均曲率差值的绝对值小于或等于曲率偏差阈值且所述平均曲率的绝对值大于平均曲率偏差阈值，则将所述路径段标记为圆弧段；
若所述路径段中目标点与平均曲率差值的绝对值大于曲率偏差阈值，则将所述路径段标记为曲线段。
本实施例中，在获取曲率偏差阈值和平均曲率偏差阈值、且计算得到路径段的平均曲率之后，根据上述条件将不同的路径段标记为不同的轮廓类型。具体地，将该路径段中第i个目标点对应的离散曲率记为Ki，将路径段中所有目标点的平均曲率记作KAvg，取平均曲率偏差阈值为EKAVG，取曲率偏差阈值为EK。
若该路径段中目标点与平均曲率差值的绝对值小于或等于曲率偏差阈值且平均曲率的绝对值小于或等于平均曲率偏差阈值，即满足|Ki-KAvg|≤EK且|KAvg|≤EKAVG，则将该路径段标记为直线段；若该路径段中目标点与平均曲率差值的绝对值小于或等于曲率偏差阈值且平均曲率的绝对值大于平均曲率偏差阈值，即|Ki-KAvg|≤EK且|KAvg|＞EKAVG，则将该路径段标记为圆弧段；若该路径段中目标点与平均曲率差值的绝对值大于曲率偏差阈值，即|Ki-KAvg|＞EK，则将该路径段标记为曲线段。
在一实施例中，所述校验所述轮廓类型步骤包括：
若所述路径段为直线段，遍历所述分段中的目标点，判断所述所有目标点是否满足预设直线约束条件；
若所述路径段中存在目标点不满足预设直线约束条件，则将所述直线段改为曲线段。
在一实施例中，所述校验所述轮廓类型的步骤包括：
若所述路径段为圆弧段，遍历所述路径段中的所有目标点，判断所述路径段中所有目标点是否满足预设圆弧约束条件；
若所述路径段中存在目标点不满足预设圆弧约束条件，则将所述圆弧段改为曲线段。
本实施例中，在将不同的路径段标记为不同的轮廓类型之后，为了避免产生过大的偏差，需要对上述标记后的路径段进行校验。具体地，需要对上述直线段或圆弧段进行校验，进一步判断直线段或圆弧段是否符合对应的约束条件。其中，直线约束条件包括直线位置偏差约束条件和直线姿态偏差约束条件；圆弧约束条件包括圆弧位置偏差约束条件和圆弧姿态偏差约束条件。即，若直线段同时满足直线位置偏差约束条件和直线姿态偏差约束条件，则不改变该直线段的轮廓类型；若直线段不满足直线位置偏差约束条件或直线姿态偏差约束条件，则将该直线段的轮廓类型更改为曲线段；同样的，若圆弧段同时满足圆弧位置偏差约束条件和圆弧姿态偏差约束条件，则不改变该圆弧段的轮廓类型；若圆弧段不满足圆弧位置偏差约束条件或圆弧姿态偏差约束条件，则将该圆弧段的轮廓类型更改为曲线段。
在一实施例中，选取位置误差阈值Ep和姿态误差阈值Eo，将该路径段的起点命名为点s，则起点的位置分量为Ps，起点的姿态分量为Qs，将该路径段段的终点命名为点e，则终点的位置分量设置为Pe，终点的姿态分量设置为Qe，该路径段中任一目标点的位置分量为Pi，该路径段中任一目标点的姿态分量为Qi。
若该路径段为直线段，则该直线段中任一点i的位置分量Pi均需要满足下列直线位置偏差约束条件：
其中，N为直线PsPe在PsPiPe三点所在平上过Pi点的法向量，Ep为预设的位置误差阈值，PiPs为i点到s点在的向量位置分量坐标轴上的向量。
令|PiPs|与|PsPe|的比值为β，则第i个目标点的位置分量Pi对应姿态分量Qi应满足下列直线姿态偏差约束条件：
其中，Qi为该直线段中第i个目标点的姿态分量，Qs为该直线段的起点的姿态分量，Qe为该直线段的终点的姿态分量，β为|PiPs|与|PsPe|的比值，表示四元数对数运算，α为圆心角PsPcPi，γ为圆心角PsPcPe。
遍历该直线段中所有目标点，检验是否所有目标点均符合直线位置偏差约束条件或直线姿态偏差约束条件；若该直线段中存在不满足直线位置偏差约束条件或直线姿态偏差约束条件目标点，则认为该直线段不满足预设直线约束条件。
若该路径段为圆弧段，则圆弧段的中点命名为圆弧中间点，并将圆弧中间点命名为位置点m，则可将该圆弧中间点的位置分量设置为Pm，圆弧中间点的姿态分量为Qm，基于圆弧段的起点s、圆弧中间点m和圆弧段的终点e按照三点法构造标准圆弧，可获得标准圆弧对应的圆心坐标c和标准圆弧的半径R。
在构造完成标准圆弧之后，该圆弧段中任一点i的位置分量Pi均需要满足下列圆弧位置偏差约束条件：
R-Ep＜|PiPc|＜R+Ep
且该圆弧段中任一点i的姿态分量Qi均需要满足圆弧姿态偏差约束条件：
其中，Qi为该圆弧段中第i个目标点的姿态分量，Qs为该圆弧段的起点的姿态分量，Qe为该圆弧段的终点的姿态分量，表示四元数对数运算，α为圆心角PsPcPi，γ为圆心角PsPcPe，Ep为预设的位置误差阈值，Ep为预设的姿态误差阈值，R为标准圆弧的半径，PiPc为i点到c点在的向量位置分量坐标轴上的向量，R为该圆弧段的半径。
遍历该圆弧段中所有目标点，检验是否所有目标点均符合圆弧位置偏差约束条件或圆弧姿态偏差约束条件；若直线中存在不满足位置偏差约束的目标点或存在不满足姿态偏差约束的目标点，则认为该圆弧段不满足预设圆弧约束条件。
在一实施例中，所述将轮廓类型相同的所述路径段合并为独立轮廓的步骤包括：
将所述路径段设置为待合并路径段；
计算所述待合并路径段中目标点序列的位移累加和，若所述位移累加和大于或等于分段位移阈值，则将所述待合并路径段设置为独立轮廓；
若所述位移累加和小于分段位移阈值，则将所述待合并路径段与下一路径段合并，并将合并后的路径段重新设置为待合并路径段，执行计算所述待合并路径段中目标点序列的位移累加和的步骤。
本实施例中，由于基于上述将目标点序列分成不同路径段的规则下，目标点序列很有可能被过度分割，使得同一个规则轮廓上的目标点被分割成多个分段。又由于机器人在处理每个分段时需要进行一定的运算和逻辑处理，过小的分段长度往往会增加不必要的计算资源消耗，降低计算效率。因此在利用形状特征判定路径段的轮廓类型并对路径段的轮廓类型进行校验之后，还需要将轮廓类型相同的路径段合并为独立轮廓，以提升计算效率。进一步地，合并轮廓类型相同的路径段的具体步骤为：清空缓存之后，将当前路径段设置为待合并路径段，计算当前路径段中目标点序列的位移累加和，将位移累加和与分段位移阈值进行比较，若位移累加和大于或等于分段位移阈值，则认可该待合并路径段无需与其他路径段进行合并，其可单独形成一条独立轮廓，于是将该待合并路径段设置为独立轮廓并存至二级分段缓存中；若该待合并路径段的位移累加和小于分段位移阈值，则继续判断该待合并路径段之后是否还存在下一路径段，且下一路径段与该待合并路径段的轮廓类型是否相同，若该待合并路径段之后存在下一路径段且下一路径段的轮廓类型与该待合并路径段相同，则将该路径段与下一路径段合并，并将合并后的路径段重新设置为待合并路径段，并再次执行计算该待合并路径段的位移累加和的步骤；否则将该待合并路径段设置为独立轮廓并存至二级分段缓存中。重复上述步骤，直至将所有待合并路径段均设置为独立轮廓。其中，位移累加和可通过目标点序列中相邻两个离散目标点之间的的位移进行累加得到。
本发明还提出一种机器人的加工路径生成设备，机器人的加工路径生成设备包括存储器、处理器、以及存储在所述存储器上并可在所述处理器上运行的机器人的加工路径生成程序，所述机器人的加工路径生成程序用于执行本发明各个实施例所述的方法。
本发明还提出一种存储介质，其上存储有机器人的加工路径生成程序。所述存储介质包括计算机可读存储介质，所述计算机可读存储介质可以是图1的中的存储器，也可以是如ROM(Read-Only Memory，只读存储器)/RAM(Random Access Memory，随机存取存储器)、磁碟、光盘中的至少一种，所述存储介质包括若干指令用以使得一台具有处理器的机器人执行本发明各个实施例所述的方法。
在本发明中，术语“第一”“第二”“第三”“第四”“第五”仅用于描述的目的，而不能理解为指示或暗示相对重要性，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的多个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，本发明保护的范围并不局限于此，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改和替换，这些变化、修改和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 (9)
1.一种机器人的加工路径生成方法，其特征在于，所述方法包括以下步骤：
采集目标点序列，将所述目标点序列分为不同的路径段；
判定所述路径段的轮廓类型，并校验所述轮廓类型；
根据校验结果将轮廓类型相同的所述路径段合并为独立轮廓，将所述独立轮廓衔接为加工路径；其中，所述将轮廓类型相同的所述路径段合并为独立轮廓的步骤包括：
将所述路径段设置为待合并路径段；
计算所述待合并路径段中目标点序列的位移累加和，若所述位移累加和大于或等于分段位移阈值，则将所述待合并路径段设置为独立轮廓；
若所述位移累加和小于分段位移阈值，则将所述待合并路径段与下一路径段合并，并将合并后的路径段重新设置为待合并路径段，执行计算所述待合并路径段中目标点序列的位移累加和的步骤。
2.如权利要求1所述的机器人的加工路径生成方法，其特征在于，所述将所述目标点序列分为不同的路径段的步骤包括：
根据所述目标点序列的位置分量子序列计算所述目标点序列对应的离散曲率序列；
对所述离散曲率序列近似求导，以得到目标点序列对应的离散曲率导数序列；
根据所述离散曲率导数序列从所述目标点序列中选取分段点，并根据所述分段点将所述目标点序列分为不同的路径段。
3.如权利要求2中所述的机器人的加工路径生成方法，其特征在于，所述根据所述离散曲率导数序列从所述目标点序列中选取分段点的步骤包括：
确定所述目标点序列中的目标点，并确定所述离散曲率导数序列中所述目标点对应的离散曲率导数；
若目标点对应的离散曲率导数为极值点，则判断所述目标点对应的离散曲率导数的绝对值是否大于曲率导数分割阈值，或所述目标点到上一个分段点的累计长度是否大于或等于路径段长度阈值；
若所述目标点对应的离散曲率导数的绝对值大于曲率导数分割阈值，或所述目标点到上一个分段点的累计长度大于或等于路径段长度阈值，则将所述目标点选取为分段点。
4.如权利要求1所述的机器人的加工路径生成方法，其特征在于，所述判定所述路径段的轮廓类型的步骤包括：利用形状特征判定所述路径段的轮廓类型；所述形状特征包括平均曲率，所述利用形状特征判定所述路径段的轮廓类型的步骤包括：
遍历所述路径段中的目标点，计算所述路径段中目标点的平均曲率，根据所述平均曲率对所述路径段标记轮廓类型。
5.如权利要求4所述的机器人的加工路径生成方法，其特征在于，所述根据所述平均曲率对所述路径段标记轮廓类型的步骤包括：
若所述路径段中目标点的曲率与所述平均曲率差值的绝对值小于或等于曲率偏差阈值且所述平均曲率的绝对值小于或等于平均曲率偏差阈值，则将所述路径段标记为直线段；
若所述路径段中目标点的曲率与平均曲率差值的绝对值小于或等于曲率偏差阈值且所述平均曲率的绝对值大于平均曲率偏差阈值，则将所述路径段标记为圆弧段；
若所述路径段中目标点与平均曲率差值的绝对值大于曲率偏差阈值，则将所述路径段标记为曲线段。
6.如权利要求5所述的机器人的加工路径生成方法，其特征在于，所述校验所述轮廓类型的步骤包括：
若所述路径段为直线段，遍历所述路径段中的目标点，判断所述路径段中目标点是否满足预设直线约束条件；
若所述路径段中存在目标点不满足预设直线约束条件，则将所述直线段改为曲线段。
7.如权利要求1所述的机器人的加工路径生成方法，其特征在于，所述校验所述轮廓类型的步骤包括：
若所述路径段为圆弧段，遍历所述路径段中的所有目标点，判断所述路径段中所有目标点是否满足预设圆弧约束条件；
若所述路径段中存在目标点不满足预设圆弧约束条件，则将所述圆弧段改为曲线段。
8.一种机器人的加工路径生成设备，其特征在于，包括存储器、处理器、以及存储在所述存储器上并可在所述处理器上运行的机器人的加工路径生成程序，所述机器人的加工路径生成程序被处理器执行时实现如权利要求1至7中任一项所述机器人的加工路径生成方法的步骤。
9.一种存储介质，其特征在于，所述存储介质上存储有机器人的加工路径生成程序，所述机器人的加工路径生成程序被处理器执行时实现如权利要求1至7中任一项所述机器人的加工路径生成方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111678218.9A CN114193455B (zh) | 2021-12-31 | 2021-12-31 | 机器人的加工路径生成方法、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111678218.9A CN114193455B (zh) | 2021-12-31 | 2021-12-31 | 机器人的加工路径生成方法、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114193455A CN114193455A (zh) | 2022-03-18 |
| CN114193455B true CN114193455B (zh) | 2024-04-26 |
Family
ID=80657975
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111678218.9A Active CN114193455B (zh) | 2021-12-31 | 2021-12-31 | 机器人的加工路径生成方法、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114193455B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115592675B (zh) * | 2022-12-01 | 2023-09-12 | 今麦郎饮品股份有限公司 | 一种基于移动式饮品制备机械臂的控制系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS5433101A (en) * | 1977-08-19 | 1979-03-10 | Dainippon Screen Mfg | Picture contour tracking recorder |
| CN106372642A (zh) * | 2016-08-31 | 2017-02-01 | 北京航空航天大学 | 基于轮廓曲线分割弧合并与组合的椭圆快速检测方法 |
| CN108875740A (zh) * | 2018-06-15 | 2018-11-23 | 浙江大学 | 一种应用于激光切割机的机器视觉切割方法 |
-
2021
- 2021-12-31 CN CN202111678218.9A patent/CN114193455B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS5433101A (en) * | 1977-08-19 | 1979-03-10 | Dainippon Screen Mfg | Picture contour tracking recorder |
| CN106372642A (zh) * | 2016-08-31 | 2017-02-01 | 北京航空航天大学 | 基于轮廓曲线分割弧合并与组合的椭圆快速检测方法 |
| CN108875740A (zh) * | 2018-06-15 | 2018-11-23 | 浙江大学 | 一种应用于激光切割机的机器视觉切割方法 |
Non-Patent Citations (1)
| Title |
|---|
| 双摆头五轴龙门数控淬火机床后置处理算法研究;闫赛赛等;西安理工大学学报;第34卷(第3期);第349-353页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114193455A (zh) | 2022-03-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9513623B2 (en) | Method for generating trajectory for numerical control process | |
| US20150100194A1 (en) | Trajectory generation device, moving object, trajectory generation method | |
| CN109001757B (zh) | 一种基于2d激光雷达的车位智能检测方法 | |
| EP2495628A1 (en) | Tool path generation method and device | |
| US11292132B2 (en) | Robot path planning method with static and dynamic collision avoidance in an uncertain environment | |
| CN109683552B (zh) | 一种基面曲线导向的复杂点云模型上的数控加工路径生成方法 | |
| CN114193455B (zh) | 机器人的加工路径生成方法、设备和存储介质 | |
| CN109493389B (zh) | 一种基于深度学习的相机标定方法及系统 | |
| CN113741426B (zh) | 一种基于局部点云曲线拟合的机器人加工路径规划方法 | |
| CN112549019B (zh) | 一种基于连续动态时间规整的工业机器人轨迹准确度分析方法 | |
| CN115810133B (zh) | 基于图像处理和点云处理的焊接控制方法及相关设备 | |
| JP5104248B2 (ja) | 物体認識装置およびロボット装置 | |
| CN115351389A (zh) | 自动焊接方法和装置、电子设备及存储介质 | |
| JP5573275B2 (ja) | 特徴点抽出装置及びこれを用いた動作教示装置、動作処理装置 | |
| CN112097772B (zh) | 机器人及其地图构建方法和装置 | |
| CN109909999B (zh) | 一种获取机器人tcp坐标的方法和装置 | |
| CN114488941A (zh) | 微小线段的轨迹光顺方法、介质及机床数控设备 | |
| CN109655884B (zh) | 一种速度拾取异常点去除方法及系统 | |
| JP5716434B2 (ja) | 形状認識装置、形状認識方法、および、そのプログラム | |
| CN116523984B (zh) | 一种3d点云定位及配准方法、设备和介质 | |
| CN116652972B (zh) | 基于双向贪心搜索算法的串联机器人末端轨迹规划方法 | |
| CN116912312B (zh) | 一种面向复杂曲面构件的三维孔类定位方法 | |
| CN111192254B (zh) | 基于全局阈值与模板匹配的焊缝特征点滤波方法 | |
| US11491650B2 (en) | Distributed inference multi-models for industrial applications | |
| US20230288526A1 (en) | Beacon map construction method, device, and computer-readable storage medium |
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 |