CN114310873A - 位姿转换模型的生成方法、控制方法、系统、设备和介质 - Google Patents
位姿转换模型的生成方法、控制方法、系统、设备和介质 Download PDFInfo
- Publication number
- CN114310873A CN114310873A CN202111556319.9A CN202111556319A CN114310873A CN 114310873 A CN114310873 A CN 114310873A CN 202111556319 A CN202111556319 A CN 202111556319A CN 114310873 A CN114310873 A CN 114310873A
- Authority
- CN
- China
- Prior art keywords
- robot
- pose
- theoretical
- actual
- measurement
- 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 80
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 55
- 238000005259 measurement Methods 0.000 claims abstract description 155
- 230000009466 transformation Effects 0.000 claims abstract description 83
- 239000013598 vector Substances 0.000 claims description 60
- 238000013507 mapping Methods 0.000 claims description 51
- 238000012549 training Methods 0.000 claims description 44
- 239000011159 matrix material Substances 0.000 claims description 38
- 238000001514 detection method Methods 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 28
- 238000012546 transfer Methods 0.000 claims description 28
- 238000013519 translation Methods 0.000 claims description 21
- 238000000611 regression analysis Methods 0.000 claims description 20
- 238000003062 neural network model Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012314 multivariate regression analysis Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 5
- 230000003287 optical effect Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 description 53
- 238000002591 computed tomography Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 15
- 230000036544 posture Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 238000012795 verification Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 4
- 230000001131 transforming effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000012636 effector Substances 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
Images
Landscapes
- Manipulator (AREA)
Abstract
本申请涉及一种位姿转换模型的生成方法、控制方法、系统、设备和介质。所述位姿转换模型的生成方法包括：获取机器人的目标部位的测量位姿数据；获取与所述测量位姿数据对应的所述机器人目标部位的理论位姿数据；将所述测量位姿数据作为输入，所述理论位姿数据作为输出进行位姿转换模型的训练；当所述位姿转换模型满足预设要求时，得到训练完成的位姿转换模型。采用本方法能够提升机器人移动姿态控制准确性。
Description
技术领域
本申请涉及机器人控制技术领域，特别是涉及一种位姿转换模型的生成方法、控制方法、系统、设备和介质。
背景技术
随着社会的发展和科技的进步，机器人已经广泛地应用工业、医疗、服务等各个领域，以代替人类从事相关的工作，以提高生产效率和精度。成熟的机器人系统的往往具备较高的重复定位精度。但随着技术的不断发展，在各个细分领域，对于机器人绝对定位精度的要求也越来越高。以机器人辅助穿刺手术为例，机器人依靠CT(Computed Tomography，电子计算机断层扫描)扫描重建的人体三维模型的目标标记位置，来构建机器人导航的路线。机器人通过与CT图像配准，在非实时的CT导航下，按照所构建的路线准确移动至目标位置，机器人能否准确移动与机器人系统误差有极大关联。
在传统方式中，在进行机器人误差校准的时候，是通过将机器人目标点的理论位姿和实际位姿统一到一个坐标系中，并进行系统误差校准，从而需要借助手眼标定理论或其他方法，从而引入误差。
如何减少机器人的理论位姿与实际位姿之间的转换误差，提升机器人移动位姿控制的准确性是现阶段亟待解决的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种提升机器人移动姿态控制准确性的位姿转换模型的生成方法、控制方法、系统、设备和介质。
一种位姿转换模型生成方法，所述位姿转换模型生成方法包括：
获取机器人的目标部位的测量位姿数据；
获取与所述测量位姿数据对应的所述机器人目标部位的理论位姿数据；
将所述测量位姿数据作为输入，所述理论位姿数据作为输出进行位姿转换模型的训练；
当所述位姿转换模型满足预设要求时，得到训练完成的位姿转换模型。
在其中一个实施例中，所述获取机器人的目标部位的测量位姿数据，包括：
获取预先定义的参考实际坐标系，所述参考实际坐标系是机器人在初始位置时，根据检测装置基座标系下所述机器人的目标部位的坐标生成的；
获取所述检测装置所采集得到的所述机器人目标部位的实际测量坐标，并基于所述实际测量坐标计算得到实际测量坐标系；
根据所述实际测量坐标系和所述参考实际坐标系计算得到测量位姿数据。
在其中一个实施例中，所述获取与所述测量位姿数据对应的所述机器人目标部位的理论位姿数据，包括：
获取预先定义的参考理论坐标系，所述参考理论坐标系是机器人在初始位置时，根据机器人基座标系下所述机器人的目标部位的坐标生成的；
获取与所述测量位姿数据对应的机器人的各关节变量，并根据所述各关节变量计算得到所述机器人的目标部位的实际理论坐标，基于所述实际理论坐标建立实际理论坐标系；
根据所述实际理论坐标系和所述参考理论坐标系得到所述机器人的目标部位的理论位姿数据。
在其中一个实施例中，所述将所述测量位姿数据作为输入，所述理论位姿数据作为输出进行位姿转换模型的训练之前，还包括：
对所述测量位姿数据和所述理论位姿数据进行过滤处理。
在其中一个实施例中，所述对所述测量位姿数据和所述理论位姿数据进行过滤处理，包括：
将所述测量位姿数据作为输入变量，所述理论位姿数据作为输出变量，进行多元回归分析；
计算所述输入变量和所述输出变量的统计变量，并根据所述统计变量调整所述多元回归分析中的回归方程，直至所述输入变量和所述输出变量的映射关系满足预设条件；
根据所得到的回归方程计算所述测量位姿数据和所述理论位姿数据中的离群点，删除所述离群点。
在其中一个实施例中，所述将所述测量位姿数据作为输入，所述理论位姿数据作为输出进行位姿转换模型的训练，包括：
通过多元回归分析法和/或神经网络模型，将所述测量位姿数据作为输入，所述理论位姿数据作为输出进行位姿转换模型的训练。
在其中一个实施例中，所述多元回归分析法的训练方式包括：
将所述测量位姿数据作为输入变量，所述理论位姿数据作为输出变量，进行多元回归分析；
计算所述输入变量和所述输出变量的统计变量，并根据所述统计变量调整所述多元回归分析中的回归方程，直至所述输入变量和所述输出变量的映射关系满足第一预设条件；
获取调整后的所述回归方程作为训练得到的位姿转换模型。
在其中一个实施例中，所述神经网络模型的训练方式包括：
将所述测量位姿数据作为神经网络模型的输入层数据；
通过所述输入层到隐藏层的第一传递函数将所述输入层数据传递至隐藏层；
通过所述隐藏层到输出层的第二传递函数将所述隐藏层中的数据传递至输出层得到输出层数据；
根据所述理论位姿数据和所述输出层数据对所述第一传递函数和所述第二传递函数中的参数进行训练，直至所述理论位姿数据和所述输出层数据满足第二预设条件时，根据所述第一传递函数和所述第二传递函数中的参数得到训练完成的位姿转换模型。
一种机器人控制方法，所述机器人控制方法包括：
获取所采集的机器人的目标部位的实际位姿；
根据所述实际位置和上述的位姿转换模型，计算得到所述实际位姿对应的理论位姿；
基于所述理论位姿对所述机器人进行控制。
在其中一个实施例中，所述基于所述理论位姿对所述机器人进行控制，包括：
根据所述理论位姿，确定机器人各关节的关节控制变量；
基于各所述关节控制变量对所述机器人各关节进行运动控制。
在其中一个实施例中，所述根据所述理论位姿，确定机器人各关节的关节控制变量，包括：
获取预先定义的机器人的目标部位的参考理论坐标系；
将所述理论位姿中的理论旋转向量映射为理论旋转矩阵；
根据所述理论旋转矩阵、所述理论位姿中的理论平移向量以及所述参考理论坐标系，计算得到所述机器人各关节的关节控制变量。
在其中一个实施例中，所述获取所采集的机器人的目标部位的实际位姿，包括：
获取预先定义的机器人的目标部位的参考实际坐标系；
获取采集的机器人的目标部位的实际坐标系；
根据所述参考实际坐标系和所述实际坐标系计算得到实际旋转矩阵和实际平移向量；
将所述实际旋转矩阵映射为实际旋转向量；
将所述实际旋转向量和所述实际平移向量作为实际位姿。
一种机器人系统，所述系统包括：机器人控制装置以及机器人，所述机器人控制装置与所述机器人的目标部位相连接；
所述机器人控制装置用于执行上述的机器人控制方法，以对所述机器人的目标部位进行控制。
在其中一个实施例中，所述系统还包括测量装置，所述测量装置用于获取所述机器人的目标部位的实际位姿。
在其中一个实施例中，所述测量装置包括光学导航定位仪、激光跟踪仪以及磁导航设备中任意一种。
在其中一个实施例中，所述系统还包括靶标装置，所述靶标装置安装于所述机器人的目标部位上，用于所述测量装置识别所述机器人目标部位的实际位姿。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任意一个实施例中所述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一个实施例中所述的方法的步骤。
上述位姿转换模型的生成方法、控制方法、系统、设备和介质中，通过建立测量位姿数据和理论位姿数据的映射关系，这样在实际应用时，在获取到测量位姿数据后，即可以计算得到理论位姿数据，进而根据理论位姿数据来确定机器人的各关节的控制变量，以对机器人进行控制，相比于传统方式中将理论位姿和测量位姿统一到一个坐标系中，可以减少引入误差，进而可以提升机器人控制的准确性。。
附图说明
图1为一个实施例中机器人系统的示意图；
图2为一个实施例中靶标装置的示意图；
图3为一个实施例中位姿转换模型的生成方法的流程示意图；
图4为另一个实施例中机器人系统的示意图；
图5为一个实施例中测量位姿与理论位姿的关系曲线示意图；
图6为一个实施例中机器人线性回归标准化残差示意图；
图7为一个实施例中多元回归分析方程的模型的示意图；
图8为一个实施例中神经网络模型的示意图；
图9为一个实施例中机器人控制方法的流程示意图；
图10为另一个实施例中机器人控制方法的流程图；
图11为一个实施例中CT进床扫描的场景示意图；
图12为一个实施例中机器人CT导航的流程图；
图13为一个实施例中补偿前机器人位置误差和姿态误差结果示意图；
图14为一个实施例中补偿后机器人位置误差和姿态误差结果示意图；
图15为一个实施例中位姿转换模型的生成装置的结构框图；
图16为一个实施例中机器人控制装置的结构框图；
图17为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的位姿转换模型的生成方法以及机器人控制方法，均可以应用于如图1所示的应用环境中，即应用于机器人系统中，如手术机器人系统等。其中，机器人系统包括机器人控制装置101以及机器人目标部位，例如机器人末端102。机器人控制装置101用于执行位姿转换模型的生成方法以及机器人控制方法的步骤。机器人末端102用于在机器人控制装置101的控制下进行位姿转换。具体位姿转换模型的生成方法以及机器人控制方法的说明后文将进行详细说明。
在其中一个实施例中，继续参考图1，机器人系统还可以包括机器人本体，机器人本体可以是机械臂103，机器人末端102装载于机械臂103上，如可以是装载于机械臂103末端。结合图1中，机器人控制装置101与机械臂103相连接，机器人末端102与通过螺钉固定在机械臂103的末端。
在本实施例中，机械臂103可以包括多个机器人关节，机器人控制装置101可以通过控制各个机器人关节的运动，以控制机器人末端102的移动。具体地，机器人控制装置101控制各个机器人关节的运动可以是通过控制拖动电机转动，从而带动机器人关节运动。
在其中一个实施例中，机器人本体为五自由度的串联机械臂，其他实施例中，也可采用其它类型的并联、串联或混联机器人本地，本申请对此不作限制。
在其中一个实施例中，机器人系统还可以包括测量装置104，测量装置104用于获取机器人末端102的测量位姿。
其中，测量位姿是指机器人末端102相对于检测装置104的位置和姿态的数据。检测装置可以对机器人末端102的位置和姿态数据进行检测，以得到机器人末端102的测量位姿。
在其中一个实施例中，测量装置可以包括光学导航定位仪、激光跟踪仪以及磁导航设备中任意一种。
本领域技术人员可以理解的是，以上仅为举例说明，在其他实施例中，也可采用其它精度较高的检测装置，本申请对此不作限制。
在其中一个实施例中，继续参考图1，机器人系统还可以包括靶标装置105，靶标装置105安装于机器人末端102上，用于测量装置104识别机器人末端102的测量位姿。
本实施例中，靶标装置为反光球，如Marker反光球。或者也可根据检测装置选用其它能被检测装置识别并测量位姿的靶标装置，例如磁标签等。
在其中一个实施例中，如图2所示，靶标装置包括3个靶标点，各个靶标点可以通过螺钉固定在机器人末端102上。基于安装于机器人末端的靶标点即可构建机器人末端局部坐标系。
具体地，靶标点所建立的机器人局部坐标系O-xyz的原点为第一靶标点201的中心，z轴的正方向与从第二靶标点202中心指向第三靶标点203中心的直线相平行，y轴垂直于三个靶标点中心构成的平面，x轴根据右手定则确定。
在一个实施例中，如图3所示，提供了一种位姿转换模型的生成方法，以该方法应用于前文所述的机器人系统为例进行说明，包括以下步骤：
步骤S302，获取机器人的目标部位的测量位姿数据。
其中，测量位姿数据包括测量位置和测量姿态的数据，具体可以是指机器人末端的测量位姿数据。具体地，测量位置表示机器人末端所处的空间位置，测量姿态表示机器人末端的末端姿态，如朝向等。
在本实施例中，测量位姿数据可以包括机器人末端在初始位置点以及各采样位置点相对于测量装置的测量位姿。
其中，初始位置点可以是指机器人在初始构型时的位置点，也可以称之为home位置，初始构型如图4中虚线所示。机器人的初始构型通常是机器人各个机器人关节为0度或者90度时的机器人的位置。
采样位置点是指在机器人末端的移动范围内，进行采样数据获取的位置点。
在本实施例中，采样位置点可以包括随机采样位置点或指定采样位置点。
其中，随机采样位置点可以根据随机算法确定，指定采样位置点可以是预先指定的或者是按照设置有预定规则的采样算法确定。
S304：获取与所述测量位姿数据对应的所述机器人目标部位的理论位姿数据。
理论位姿数据包括理论位置和理论姿态的数据，具体可以是指机器人末端的理论位姿数据。具体地，理论位置表示机器人末端所处的空间位置，理论姿态表示机器人末端的末端姿态，如朝向等。
理论位姿数据可以包括机器人末端在初始位置点以及各采样位置点相对于机器人参考理论坐标系的理论位姿。
在本实施例中，机器人控制装置可以通过机器人本体与机器人末端之间的机械连接关系，结合各个机器人关节的角度、位置等，确定机器人末端对应于机器人基坐标的理论位姿数据。
在本实施例中，机器人控制装置可以通过控制机器人本体运动，使得可以采集到机器人末端在多个不同采样位置点的理论位姿数据以及测量位姿数据，如8000个采样位置点的理论位姿数据以及测量位姿数据。
步骤S306：将所述测量位姿数据作为输入，所述理论位姿数据作为输出进行位姿转换模型的训练。
S308：当所述位姿转换模型满足预设要求时，得到训练完成的位姿转换模型。
其中，位姿转换模型是指在机器人移动控制中，对机器人末端的测量位姿数据以及理论位姿数据进行转换的模型，位姿转换模型的输入与输出之间满足一定的映射关系。
在其中一个实施例中，位姿转换模型是多元回归分析方程或神经网络模型。在其他的实施例中该位姿转换模型也可以是其他的模型，本申请对此不作限制。
其中预设要求是指位姿转换模型的要求，例如位姿转换模型的误差要求，或者是其他的可以衡量模型训练精度的指标值。
其中，将测量位姿数据作为输入，理论位姿数据作为输出，以建立测量位姿数据和理论位姿数据的映射关系，这样在实际应用时，在获取到测量位姿数据后，即可以计算得到理论位姿数据，进而根据理论位姿数据来确定机器人的各关节的控制变量，以对机器人进行控制。
上述位姿转换模型的生成方法中，通过建立测量位姿数据和理论位姿数据的映射关系，这样在实际应用时，在获取到测量位姿数据后，即可以计算得到理论位姿数据，进而根据理论位姿数据来确定机器人的各关节的控制变量，以对机器人进行控制，相比于传统方式中将理论位姿和测量位姿统一到一个坐标系中，可以减少引入误差，进而可以提升机器人控制的准确性。
在其中一个实施例中，所述获取机器人的目标部位的测量位姿数据，包括：获取预先定义的参考测量坐标系，所述参考测量坐标系是机器人在初始位置时，根据检测装置基座标系下所述机器人的目标部位的坐标生成的；获取所述检测装置所采集得到的所述机器人目标部位的实际测量坐标，并基于所述实际测量坐标计算得到实际测量坐标系；根据所述实际测量坐标系和所述参考测量坐标系计算得到测量位姿数据。
在其中一个实施例中，所述获取与所述测量位姿数据对应的所述机器人目标部位的理论位姿数据，包括：获取预先定义的参考理论坐标系，所述参考理论坐标系是机器人在初始位置时，根据机器人基座标系下所述机器人的目标部位的坐标生成的；获取与所述测量位姿数据对应的机器人的各关节变量，并根据所述各关节变量计算得到所述机器人的目标部位的实际理论坐标，基于所述实际理论坐标建立实际理论坐标系；根据所述实际理论坐标系和所述参考理论坐标系得到所述机器人的目标部位的理论位姿数据。
为了方便，将测量位姿数据和理论位姿数据的获取放在一个实施例中进行说明，具体地，参考测量坐标系是指在初始位置点处，在检测装置的坐标系下根据位于目标部位的靶点的坐标所建立的坐标系，参考理论坐标系是指在初始位置点处在机器人基座标系下根据位于目标部位的靶点的坐标所建立的坐标系。
其中为了方便结合图4所示，将所述机器人运动至如图4虚线所示的初始位置点处，记录下初始位置点处下各个关节角度，将此组关节角度定义为机器人Home位置。所述机器人初始构型通常是机器人各个关节为0度或者90度时，机器人的位置。同时，机器人基坐标系固连在机器人基座上，检测装置坐标系固连在检测装置上，机器人基座与检测装置均固定在地面上。
在Home位置，通过机器人理论正运动学，即给定机器人各关节变量，建立正运动学模型，计算机器人末端的位置姿态：
T＝f(qi)
其中，T是末端坐标系到机器人基坐标系的变换矩阵，代表末端的位置和姿态。qi代表机器人各个关节变量。其中建立串联或并联机器人正运动学模型的现有理论已非常成熟，本实施例不再赘述。
因此可通过所述三个靶标点的各自正运动学模型，计算得到其在机器人理论基坐标系下的理论位置坐标，而后根据图2所示建立末端理论局部坐标系Ohome理论，即上文中的参考理论坐标系；同时通过所述检测装置，得到所述三个靶标点在所述检测装置坐标系下的实际测量坐标，根据图2所示建立末端测量局部坐标系Ohome测量，即上文中的参考测量坐标系。
实际测量坐标是指在机器人的工作空间内，将机器人随机运动至某一构型后，采集该构型下目标部位的靶点的坐标。同样地，实际理论坐标是指在机器人的工作空间内，将机器人随机运动至某一构型后，根据机器人的关节变量所得到的该构型下目标部位的靶点的坐标。
具体地，通过正运动学，根据采样点的理论坐标，建立末端理论局部坐标系O采样理论(即实际理论坐标系)；同时通过所述检测装置，根据采样点的实际测量坐标，建立末端测量局部坐标系O采样测量(即实际测量坐标系)。
其中，理论位姿数据的获取方式包括，首先生成末端理论局部坐标系Ohome理论到O采样理论的理论旋转变换矩阵R理论(三行三列)和平移变换向量t理论(三行一列)，即根据两次数据分别建立的坐标系，确定旋转变换矩阵和平移变换矩阵，通过李群SO(3)的对数映射，将所述理论旋转变换矩阵R理论映射为理论旋转变换单位向量w理论(三行一列)。这样所得到的向量w理论(三行一列)以及移变换向量t理论即为理论位姿数据。
测量位姿数据的获取方式包括：首先生成末端测量局部坐标系Ohome测量到O采样测量的测量旋转变换矩阵R测量(三行三列)和平移变换向量t测量(三行一列)，将所述测量旋转变换矩阵R测量映射为测量旋转变换单位向量w测量(三行一列)。这样所得到的向量w测量(三行一列)以及移变换向量t测量即为测量位姿数据。
其中李群SO(3)是由三维旋转矩阵构成的特殊正交群，李代数so(3)是由三维向量组成的空间。李群SO(3)和李代数so(3)通过指数映射和对数映射进行相互转换。
其中，需要说明的是，上述是以生成一组理论位姿数据和测量位姿数据为例进行说明的，在实际应用中，可以根据样本数量的需要，生成多组理论位姿数据和测量位姿数据，例如至少确定生成8000组采样点。以所述采样点的8000组实际位姿数据w测量和t测量为输入，8000组理论位姿数据w理论和t理论为输出，建立多元线性或非线性的映射函数：
y(w理论,t理论)＝f(w测量,t测量)
公式中，y(w理论,t理论)代表六个输出变量(两个三行一列)，f(w测量,t测量)代表对六个输入变量做线性或非线性的函数处理。
上述实施例中，无须求解理论运动学误差模型，计算简单。无须将机器人目标部位理论位姿数据和实际位姿数据统一到一个坐标系中，去除了统一坐标系引起的误差。
在其中一个实施例中，位姿数据为安装于机器人末端上的靶标装置的位姿数据。如前文所说的，三个靶标点的位姿数据等。
在本实施例中，机器人控制装置在获取到位姿数据后，可以将位姿数据中的理论位姿以及测量位姿分别转换为坐标系数据，然后基于坐标系数据进行位姿变换量的计算。
在其中一个实施例中，所述将所述测量位姿数据作为输入，所述理论位姿数据作为输出进行位姿转换模型的训练之前，还包括：对所述测量位姿数据和所述理论位姿数据进行过滤处理。
在其中一个实施例中，所述对所述测量位姿数据和所述理论位姿数据进行过滤处理，包括：将所述测量位姿数据作为输入变量，所述理论位姿数据作为输出变量，进行多元回归分析；计算所述输入变量和所述输出变量的统计变量，并根据所述统计变量调整所述多元回归分析中的回归方程，直至所述输入变量和所述输出变量的映射关系满足预设条件；根据所得到的回归方程计算所述测量位姿数据和所述理论位姿数据中的离群点，删除所述离群点。
上述实施例中，可对异常采样数据进行去除，且补偿的是整个系统的所有误差，增加位置姿态误差补偿的准确度。
在本实施例中，机器人控制装置获取到的理论位姿数据和实际位姿数据包括部分杂质数据，如离散采样点的位姿数据等。将离散采样点的位姿数据用于姿态转换模型的训练，会影响姿态转换模型的准确性，且影响模型的训练泛化性能，影响模型的收敛。
在本实施例中，机器人控制装置在得到机器人末端的理论位姿数据和测量位姿数据，并对理论位姿数据和测量位姿数据处理得到对应各采样位置点的测量平移变换向量t测量和测量旋转变换向量w测量，以及理论平移变换向量t理论和理论旋转变换向量w理论之后，可以基于测量平移变换向量t测量和测量旋转变换向量w测量，以及理论平移变换向量t理论和理论旋转变换向量w理论，进行位姿数据的预处理，如剔除离散采样点的位姿数据等，然后再将剔除后的位姿数据作为样本数据，并用于进行位姿转换模型的生成。
如图5所示，y(w理论,t理论)的六个量分别为y轴，f(w测量,t测量)的六个量分别为x轴，绘制输入输出散点关系曲线图，初步判断各个输出变量和输入变量是否具有明显的线性或非线性关系，进而建立输出与输入的初始回归方程。
在本实施例中，为了衡量输入变量和输出变量之间的相关度，需要计算初始回归方程的决定系数R2统计量和皮尔逊相关系数p值。其中，决定系数R2定义为输出变量与其平均值的离差平方和，除以输出估计值与其平均值的离差平方和，其值约接近于1，证明初始回归方程的拟合度越高。皮尔逊相关系数p定义为两个变量之间的协方差和标准差的商，其值越接近于-1或1，表明两个变量的线性相关度越强。
在本实施例中，机器人控制装置可以通过R2与p值是否接近与1，判断输入输出的线性相关度强弱，进而作为调整初始回归方程的调整依据，并进行初始回归方程的调整，例如，通过判断输出变量和输入变量平方的线性度，对输入变量做非线性处理，或舍弃某一输入变量等。
在本实施例中，机器人控制装置可以将采样位置点的测量位姿代入调整好的初始回归方程，计算在该输入下的输出位姿与对应该测量位姿的理论位姿的95％置信区间，即按95％可信度估计，模型输出值和真实输出值的偏差，应当落在所计算出来的最小值和最大值区间内。如果偏差超出置信上下限，则将该采样位置点标记为离群采样点或离散采样点，并做剔除处理。如图6所示，圆圈所在的采样位置点为离群点，其余的位置点为保留的采样位置点。
在本实施例中，机器人控制装置进行离散采样点的剔除之后，可以将剔除后的位姿数据作为训练样本，并进行机器人末端的位姿转换模型的生成。
在其中一个实施例中，所述将所述测量位姿数据作为输入，所述理论位姿数据作为输出进行位姿转换模型的训练，包括：通过多元回归分析法和/或神经网络模型，将所述测量位姿数据作为输入，所述理论位姿数据作为输出进行位姿转换模型的训练。下文分别对多元回归分析法和/或神经网络模型的训练过程进行详细说明。
在其中一个实施例中，所述多元回归分析法的训练方式包括：将所述测量位姿数据作为输入变量，所述理论位姿数据作为输出变量，进行多元回归分析；计算所述输入变量和所述输出变量的统计变量，并根据所述统计变量调整所述多元回归分析中的回归方程，直至所述输入变量和所述输出变量的映射关系满足第一预设条件；获取调整后的所述回归方程作为训练得到的位姿转换模型。
在本实施例中，结合前例，机器人控制装置可以在从剔除后的采样位置点中随机选取80％的采样位置点作为训练集，剩下采样位置点作为验证集，并进行位姿转换模型的生成与验证。
具体地，机器人控制装置以训练集的测量变换向量w测量和t测量为输入，理论变换向量w理论和t理论为输出，通过多元回归分析，如图7所示，建立输入和输出之间的映射关系。
在本实施例中，机器人控制装置可以绘制训练集采样位置点的输入输出散点图，建立初始输出与输入的多元回归分析方程。通过计算多元回归分析方程的回归系数，对多元回归分析方程进行调整，如通过前文所说的R2统计量和p值，判断输入输出是否存在显著的回归关系，进而调整多元回归分析方程，直至调整后的多元回归方程的输入与输出之间满足一定的映射关系，即直到调整后的多元回归方程的输入和输出具有显著的回归关系，且样本误差小于一定范围。
在其中一个实施例中，机器人控制装置可以根据前文所说的训练集以及验证集，进行通过神经网络模型分析，如图8所示，建立输入和输出之间的映射关系。
在其中一个实施例中，所述神经网络模型的训练方式包括：将所述测量位姿数据作为神经网络模型的输入层数据；通过所述输入层到隐藏层的第一传递函数将所述输入层数据传递至隐藏层；通过所述隐藏层到输出层的第二传递函数将所述隐藏层中的数据传递至输出层得到输出层数据；根据所述理论位姿数据和所述输出层数据对所述第一传递函数和所述第二传递函数中的参数进行训练，直至所述理论位姿数据和所述输出层数据满足第二预设条件时，根据所述第一传递函数和所述第二传递函数中的参数得到训练完成的位姿转换模型。
在本实施例中，神经网络模型是包括输入层、输出层和隐藏层的机器学习神经网络模型，构建理论变换向量w理论和t理论与测量变换向量w测量和t测量之间的映射关系如下公式(3)。
y(w理论,t理论)＝g(ω2×f(ω1×(w测量,t测量))) (3)
其中，y(w理论,t理论)代表六个输出变量，ω1为输入层节点与隐藏层节点之间的权值，ω2为隐藏层节点与输出层节点之间的权值，f为输入层到隐藏层的传递函数，g为隐藏层到输出层的传递函数。
在本实施例中，以神经网络模型的实际输出和期望输出为代价函数，通过训练，得到样本误差小于一定范围内的神经网络模型。
在一个实施例中，如图9所示，提供了一种器人控制方法，以该方法应用于前文所述的手术机器人系统为例进行说明，包括以下步骤：
步骤S902，获取所采集的机器人的目标部位的实际位姿。
具体地，用户可以通过机器人控制装置输入机器人末端对应于检测装置的实际位姿，即在检测装置的坐标系下的位姿数据，使得机器人控制装置可以获取到实际位姿。
步骤S904，根据所述实际位置和上述任意一个实施例中所述的位姿转换模型，计算得到所述实际位姿对应的理论位姿。
在实施例中，机器人控制装置可以将获取到的实际位姿输入位姿转模型，使得基于位姿转换模型进行位姿转换后，得到机器人末端在在待切换的位置点的理论位姿，即机器人末端相对于机器人基坐标的理论位姿。
在其中一个实施例中，获取所采集的机器人的目标部位的实际位姿，包括：获取预先定义的机器人的目标部位的参考实际坐标系；获取采集的机器人的目标部位的实际坐标系；根据所述参考实际坐标系和所述实际坐标系计算得到实际旋转矩阵和实际平移向量；将所述实际旋转矩阵映射为实际旋转向量；将所述实际旋转向量和所述实际平移向量作为实际位姿。
具体地，机器人控制装置获取到的机器人末端的实际位姿为末端局部坐标系O实际目标，然后通过计算得到末端测量局部坐标系Ohome测量到O实际目标的旋转变换矩阵R实际目标和平移变换向量t实际目标。
进一步，机器人控制装置再对旋转变换矩阵R实际目标进行映射变换，如通过李群SO(3)的对数映射，得到对应旋转变换矩阵R实际目标的旋转变换向量w实际目标。
进一步，机器人控制装置将旋转变换向量w实际目标以及平移变换向量t实际目标输入前文训练的位姿转换模型中，使得位姿转换模型基于预训练的输入与输出的映射关系，计算得到理论变换w理论目标和t理论目标。并通过李代数SO(3)进行指数映射，将理论变换w理论目标映射为R理论目标，即得到理论位姿。
在其中一个实施例中，所述根据所述理论位姿，确定机器人各关节的关节控制变量，包括：获取预先定义的机器人的目标部位的参考理论坐标系；将所述理论位姿中的理论旋转向量映射为理论旋转矩阵；根据所述理论旋转矩阵、所述理论位姿中的理论平移向量以及所述参考理论坐标系，计算得到所述机器人各关节的关节控制变量。
也就是说，根据所述R理论目标和t理论目标，以及理论局部坐标系Ohome理论，通过机器人理论逆运动学，计算得到机器人各关节输入。将机器人关节控制指令输入到机器人控制系统，从而实现机器人位置与姿态误差的综合补偿与精确控制。
步骤S906，基于所述理论位姿对所述机器人进行控制。
在本实施例中，机器人控制装置可以根据得到的理论位姿，请其转换用于控制机器人的控制指令，并进行机器人的控制，使得机器人末端可以切换至理论位姿。
在其中一个实施例中，基于所述理论位姿对所述机器人进行控制，包括：根据所述理论位姿，确定机器人各关节的关节控制变量；基于各所述关节控制变量对所述机器人各关节进行运动控制。
如前文所述，机器人系统包括机器人本体，机器人本体包括机械臂，机械臂包括多个机器人关节。
在本实例中，机器人控制装置可以根据机器人理论逆运动学，基于理论位姿，计算对应各机器人关节的关节控制变量，并将各机器人关节的关节控制变量，转换为控制各机器人关节运动的控制指令，以控制机器人关节的运行，使得机器人末端切换至目标位姿。
具体地，机器人控制装置可以根据各关节控制变量，转换为控制拖动电机的控制指令，如电压等，使得通过控制指令控制拖动电机正反转，拖动机器人关节运动。
在其中一个实施例中，如图10所示，示出了一种机器人控制方法的流程图，可以包括如下步骤：首先，机器人控制装置可以获取在测量装置坐标系下的机器人实际位姿，然后根据测量装置坐标系下，机器人home到某一采样位置点的变换关系(矩阵/向量)，与在机器人基坐标系下，机器人home到某一采样位置点的变换关系(矩阵/向量)所构建的回归分析或者是神经网络建立的误差映射模型，将目标位姿转换为机器人基坐标系下的理论位姿；进一步，通过机器人的逆运动学模型进行处理，得到机器人基坐标系下控制机器人各个关节角度的变量，并进行机器人的控制。
图11为一个实施例中，机器人在home位置随CT进床扫描的场景示意图，图12为机器人CT导航流程图。以下结合图11和图12，对机器人CT导航进行说明。
在本实施例中，在进行CT扫描的时候，检测对象平躺于CT床上，手术机器人固定于CT床上，与检测对象同时进行CT扫描。
在本实施例中，在进行机器人CT扫描导航时，机器人控制装置可以获取在CT图像坐标系下的病灶坐标以及机器人末端的初始坐标，然后基于在CT图像坐标系下的机器人home位置到病灶位置的变换关系矩阵与在机器人极坐标系下机器人home位置到理论目标位置的变换关系矩阵所构成的误差映射模型，进行位姿的转换。进一步，通过机器人逆运动学模型，基于转换后的位姿，得到机器人各个关节角度的变量，通过控制器控制机器人运动到指定位置。
在其中一个实施例中，如图13和图14所示，分别为补偿前后机器人位置误差和姿态误差结果。其中，补偿前的点代表验证采样位置点真实值(测量值)和理论值的误差，补偿后的空心圆代表验证采样位置点真实值(测量值)和模型计算值的误差。经过上述方法，机器人末端的最大位置误差范围由【-1.842mm，0.860mm】减小为【-0.348mm，0.322mm】，机器人末端的最大姿态误差范围由【-0.089，0.086】减小为【-0.024，0.022】，显著提高了机器人的绝对位姿精度。
为了使得本领域技术人员充分理解本申请，以一个完整的实施例对本申请中的方案进行说明：
其中机器人本体与控制柜相连接，机器人末端执行器上安装至少三个非共线的靶标点，所述检测装置可以测量得到靶标点在检测装置坐标系下的位置或位姿。
所述位姿转换模型的生成方法具体包括以下步骤：
S1：将所述机器人初始位置设为Home点位置。
S2：在Home位置，通过机器人理论正运动学，以三个靶标点在机器人理论基坐标系下的理论坐标,建立末端理论局部坐标系Ohome理论；同时通过所述检测装置，以三个靶标点在所述检测装置坐标系下的实际测量坐标，建立末端测量局部坐标系Ohome测量。
S3：在所述机器人的工作空间内，将机器人随机运动至某一构型，以所述随机构型的末端执行器上的三个靶标点作为采样点。通过正运动学，计算得到采样点的理论位置和姿态，建立末端理论局部坐标系O采样理论；同时通过所述检测装置，测量得到所述采样点的实际测量坐标，建立末端测量局部坐标系O采样测量。
S4：从步骤S2和步骤S3中，计算得到末端理论局部坐标系Ohome理论到O采样理论的理论旋转变换矩阵R理论(三行三列)和理论平移变换向量t理论(三行一列)；以及末端测量局部坐标系Ohome测量到O采样测量的测量旋转变换矩阵R测量(三行三列)和测量平移变换向量t测量(三行一列)。
通过李群SO(3)的对数映射，将所述理论旋转变换矩阵R理论映射为理论旋转变换单位向量w理论(三行一列),将所述测量旋转变换矩阵R测量映射为测量旋转变换单位向量w测量(三行一列)。
S5：重复步骤S3至步骤S4，生成多组采样点。以所述采样点的测量旋转变换单位向量w测量和测量平移变换向量t测量为输入，以所述采样点的理论旋转变换单位向量w理论和理论平移变换向量t理论为输出，通过多元回归分析，建立输入和输出之间的映射关系，同时删除落在95％置信区间外的离群采样点数据，得到处理后的多组采样点。
S6：从步骤S5中的处理后的采样点中随机分为训练集采样点和验证集采样点：使用所述训练集采样点的实际测量变换w测量和t测量为输入，理论变换w理论和t理论为输出，通过多元回归分析或神经网络，建立输入和输出之间的映射关系；使用所述验证集采样点验证模型。
S7：给定机器人目标位姿下的末端局部坐标系O实际目标。计算得到测量局部坐标系Ohome测量到O实际目标的旋转矩阵R实际目标(三行三列)和平移向量t实际目标(三行一列)，通过李群SO(3)的对数映射，将所述旋转矩阵R实际目标映射为测量旋转向量w实际目标。根据步骤S6建立的所述输入输出映射关系，计算得到理论变换w理论目标和t理论目标。通过李代数so(3)的指数映射，将所述理论变换w理论目标映射为R理论目标。根据所述R理论目标和t理论目标，以及所述步骤S2中的理论局部坐标系Ohome理论，通过机器人理论逆运动学，计算得到机器人各关节输入。将机器人关节控制指令输入到机器人控制系统，从而实现机器人位置与姿态误差的综合补偿与精确控制。
进一步地，所述检测装置为光学导航定位仪，或激光跟踪仪，或磁导航设备等。
进一步地，所述靶标点为可被检测装置识别追踪到位置和姿态的Marker反光球，或磁线圈等部件。
进一步地，所述步骤S1中，机器人理论正运动学是根据机器人的几何关系，通过机器人各关节输入计算得到机器人末端位置和姿态。
进一步地，所述步骤S4和S7中，李群SO(3)是由三维旋转矩阵构成的特殊正交群，李代数so(3)是由三维向量组成的空间。李群SO(3)和李代数so(3)通过指数映射和对数映射进行相互转换。
进一步地，所述步骤S6中，处理后的采样点随机分为训练集和验证集。
进一步地，所述步骤S7中，机器人理论逆运动学是根据机器人的几何关系，通过机器人末端位置和姿态计算得到机器人各关节输入。
这样本实施例中无须求解理论运动学误差模型，计算简单。无须将机器人目标点理论位姿和实际位姿统一到一个坐标系中，去除了统一坐标系引起的误差。可对异常采样数据进行去除，且补偿的是整个系统的所有误差，增加位置姿态误差补偿的准确度。与直线方向的误差测量和线性化拟合相比，所得到的映射关系更符合机器本身的真实的系统误差，因此定位精度高。且可以是在机器人出厂时候进行的标定操作，成本低且容易实现，显著提升机器人的出厂绝对位姿精度。在实时导航、或非实时导航期间，根据映射关系能够准确预测定位位置，有效减少碰撞、重定位、人工干预等情况，有利于拓展机器人的应用场景。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的位姿转换模型的生成方法的位姿转换模型的生成装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个位姿转换模型的生成装置实施例中的具体限定可以参见上文中对于位姿转换模型的生成方法的限定，在此不再赘述。
在一个实施例中，如图15所示，提供了一种位姿转换模型的生成装置，包括：测量位姿数据获取模块1501、理论位姿数据获取模块1502、训练模块1503以及输出模块1504，其中：
测量位姿数据获取模块1501，用于获取机器人的目标部位的测量位姿数据；
理论位姿数据获取模块1502，用于获取与测量位姿数据对应的机器人目标部位的理论位姿数据；
训练模块1503，用于将测量位姿数据作为输入，理论位姿数据作为输出进行位姿转换模型的训练；
输出模块1504，用于当位姿转换模型满足预设要求时，得到训练完成的位姿转换模型。
在其中一个实施例中，上述测量位姿数据获取模块1501包括：
参考实际坐标系获取单元，用于获取预先定义的参考实际坐标系，参考实际坐标系是机器人在初始位置时，根据检测装置基座标系下机器人的目标部位的坐标生成的；
实际测量坐标系获取单元，用于获取检测装置所采集得到的机器人目标部位的实际测量坐标，并基于实际测量坐标计算得到实际测量坐标系；
测量位姿数据获取单元，用于根据实际测量坐标系和参考实际坐标系计算得到测量位姿数据。
在其中一个实施例中，上述理论位姿数据获取模块1502包括：
参考理论坐标系获取单元，用于获取预先定义的参考理论坐标系，参考理论坐标系是机器人在初始位置时，根据机器人基座标系下机器人的目标部位的坐标生成的；
实际理论坐标系获取单元，用于获取与测量位姿数据对应的机器人的各关节变量，并根据各关节变量计算得到机器人的目标部位的实际理论坐标，基于实际理论坐标建立实际理论坐标系；
理论位姿数据获取单元，用于根据实际理论坐标系和参考理论坐标系得到机器人的目标部位的理论位姿数据。
在其中一个实施例中，上述装置还包括：
过滤模块，用于对测量位姿数据和理论位姿数据进行过滤处理。
在其中一个实施例中，上述过滤模块包括：
第一分析单元，用于将测量位姿数据作为输入变量，理论位姿数据作为输出变量，进行多元回归分析；
第一调整单元，用于计算输入变量和输出变量的统计变量，并根据统计变量调整多元回归分析中的回归方程，直至输入变量和输出变量的映射关系满足预设条件；
删除单元，用于根据所得到的回归方程计算测量位姿数据和理论位姿数据中的离群点，删除离群点。
在其中一个实施例中，上述训练模块1503还用于通过多元回归分析法和/或神经网络模型，将测量位姿数据作为输入，理论位姿数据作为输出进行位姿转换模型的训练。
在其中一个实施例中，上述训练模块1503包括：
第二分析单元，用于将测量位姿数据作为输入变量，理论位姿数据作为输出变量，进行多元回归分析；
第二调整单元，用于计算输入变量和输出变量的统计变量，并根据统计变量调整多元回归分析中的回归方程，直至输入变量和输出变量的映射关系满足第一预设条件；
第一训练单元，用于获取调整后的回归方程作为训练得到的位姿转换模型。
在其中一个实施例中，上述训练模块1503包括：
输入单元，用于将测量位姿数据作为神经网络模型的输入层数据；
第一传递单元，用于通过输入层到隐藏层的第一传递函数将输入层数据传递至隐藏层；
第二传递单元，用于通过隐藏层到输出层的第二传递函数将隐藏层中的数据传递至输出层得到输出层数据；
第二训练单元，用于根据理论位姿数据和输出层数据对第一传递函数和第二传递函数中的参数进行训练，直至理论位姿数据和输出层数据满足第二预设条件时，根据第一传递函数和第二传递函数中的参数得到训练完成的位姿转换模型。
在一个实施例中，如图16所示，提供了一种机器人控制装置，包括：实际位姿获取模块1601、理论位姿计算模块1602以及控制模块1603，其中：
实际位姿获取模块1601，用于获取所采集的机器人的目标部位的实际位姿；
理论位姿计算模块1602，用于根据实际位置和上述任意一个实施例中的位姿转换模型，计算得到实际位姿对应的理论位姿；
控制模块1603，用于基于理论位姿对机器人进行控制。
在其中一个实施例中，控制模块1603包括：
关节控制变量获取单元，用于根据理论位姿，确定机器人各关节的关节控制变量；
运动控制单元，用于基于各关节控制变量对机器人各关节进行运动控制。
在其中一个实施例中，关节控制变量获取单元包括：
参考理论坐标系获取子单元，用于获取预先定义的机器人的目标部位的参考理论坐标系；
映射子单元，用于将理论位姿中的理论旋转向量映射为理论旋转矩阵；
关节控制变量计算子单元，用于根据理论旋转矩阵、理论位姿中的理论平移向量以及参考理论坐标系，计算得到机器人各关节的关节控制变量。
在其中一个实施例中，上述实际位姿计算模块包括：
参考实际坐标系获取单元，用于获取预先定义的机器人的目标部位的参考实际坐标系；
实际坐标系获取单元，用于获取采集的机器人的目标部位的实际坐标系；
映射单元，用于根据参考实际坐标系和实际坐标系计算得到实际旋转矩阵和实际平移向量；将实际旋转矩阵映射为实际旋转向量；将实际旋转向量和实际平移向量作为实际位姿。
关于位姿转换模型的生成装置以及机器人控制模块1603的具体限定可以参见上文中对于位姿转换模型的生成方法以及机器人控制方法的限定，在此不再赘述。上述位姿转换模型的生成装置以及机器人控制装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图17所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储位姿数据以及映射关系等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种位姿转换模型的生成方法或机器人控制方法。
本领域技术人员可以理解，图17中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，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，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (18)
1.一种位姿转换模型生成方法，其特征在于，所述位姿转换模型生成方法包括：
获取机器人的目标部位的测量位姿数据；
获取与所述测量位姿数据对应的所述机器人目标部位的理论位姿数据；
将所述测量位姿数据作为输入，所述理论位姿数据作为输出进行位姿转换模型的训练；
当所述位姿转换模型满足预设要求时，得到训练完成的位姿转换模型。
2.根据权利要求1所述的位姿转换模型生成方法，其特征在于，所述获取机器人的目标部位的测量位姿数据，包括：
获取预先定义的参考实际坐标系，所述参考实际坐标系是机器人在初始位置时，根据检测装置基座标系下所述机器人的目标部位的坐标生成的；
获取所述检测装置所采集得到的所述机器人目标部位的实际测量坐标，并基于所述实际测量坐标计算得到实际测量坐标系；
根据所述实际测量坐标系和所述参考实际坐标系计算得到测量位姿数据。
3.根据权利要求1所述的位姿转换模型生成方法，其特征在于，所述获取与所述测量位姿数据对应的所述机器人目标部位的理论位姿数据，包括：
获取预先定义的参考理论坐标系，所述参考理论坐标系是机器人在初始位置时，根据机器人基座标系下所述机器人的目标部位的坐标生成的；
获取与所述测量位姿数据对应的机器人的各关节变量，并根据所述各关节变量计算得到所述机器人的目标部位的实际理论坐标，基于所述实际理论坐标建立实际理论坐标系；
根据所述实际理论坐标系和所述参考理论坐标系得到所述机器人的目标部位的理论位姿数据。
4.根据权利要求1所述的位姿转换模型生成方法，其特征在于，所述将所述测量位姿数据作为输入，所述理论位姿数据作为输出进行位姿转换模型的训练之前，还包括：
对所述测量位姿数据和所述理论位姿数据进行过滤处理。
5.根据权利要求4所述的位姿转换模型生成方法，其特征在于，所述对所述测量位姿数据和所述理论位姿数据进行过滤处理，包括：
将所述测量位姿数据作为输入变量，所述理论位姿数据作为输出变量，进行多元回归分析；
计算所述输入变量和所述输出变量的统计变量，并根据所述统计变量调整所述多元回归分析中的回归方程，直至所述输入变量和所述输出变量的映射关系满足预设条件；
根据所得到的回归方程计算所述测量位姿数据和所述理论位姿数据中的离群点，删除所述离群点。
6.根据权利要求1至5任意一项所述的位姿转换模型生成方法，其特征在于，所述将所述测量位姿数据作为输入，所述理论位姿数据作为输出进行位姿转换模型的训练，包括：
通过多元回归分析法和/或神经网络模型，将所述测量位姿数据作为输入，所述理论位姿数据作为输出进行位姿转换模型的训练。
7.根据权利要求6所述的位姿转换模型生成方法，其特征在于，所述多元回归分析法的训练方式包括：
将所述测量位姿数据作为输入变量，所述理论位姿数据作为输出变量，进行多元回归分析；
计算所述输入变量和所述输出变量的统计变量，并根据所述统计变量调整所述多元回归分析中的回归方程，直至所述输入变量和所述输出变量的映射关系满足第一预设条件；
获取调整后的所述回归方程作为训练得到的位姿转换模型。
8.根据权利要求6所述的位姿转换模型生成方法，其特征在于，所述神经网络模型的训练方式包括：
将所述测量位姿数据作为神经网络模型的输入层数据；
通过所述输入层到隐藏层的第一传递函数将所述输入层数据传递至隐藏层；
通过所述隐藏层到输出层的第二传递函数将所述隐藏层中的数据传递至输出层得到输出层数据；
根据所述理论位姿数据和所述输出层数据对所述第一传递函数和所述第二传递函数中的参数进行训练，直至所述理论位姿数据和所述输出层数据满足第二预设条件时，根据所述第一传递函数和所述第二传递函数中的参数得到训练完成的位姿转换模型。
9.一种机器人控制方法，其特征在于，所述机器人控制方法包括：
获取所采集的机器人的目标部位的实际位姿；
根据所述实际位置和权利要求1～8任一项所述的位姿转换模型，计算得到所述实际位姿对应的理论位姿；
基于所述理论位姿对所述机器人进行控制。
10.根据权利要求9所述的机器人控制方法，其特征在于，所述基于所述理论位姿对所述机器人进行控制，包括：
根据所述理论位姿，确定机器人各关节的关节控制变量；
基于各所述关节控制变量对所述机器人各关节进行运动控制。
11.根据权利要求10所述的方法，其特征在于，所述根据所述理论位姿，确定机器人各关节的关节控制变量，包括：
获取预先定义的机器人的目标部位的参考理论坐标系；
将所述理论位姿中的理论旋转向量映射为理论旋转矩阵；
根据所述理论旋转矩阵、所述理论位姿中的理论平移向量以及所述参考理论坐标系，计算得到所述机器人各关节的关节控制变量。
12.根据权利要求9所述的方法，其特征在于，所述获取所采集的机器人的目标部位的实际位姿，包括：
获取预先定义的机器人的目标部位的参考实际坐标系；
获取采集的机器人的目标部位的实际坐标系；
根据所述参考实际坐标系和所述实际坐标系计算得到实际旋转矩阵和实际平移向量；
将所述实际旋转矩阵映射为实际旋转向量；
将所述实际旋转向量和所述实际平移向量作为实际位姿。
13.一种机器人系统，其特征在于，所述系统包括：机器人控制装置以及机器人，所述机器人控制装置与所述机器人的目标部位相连接；
所述机器人控制装置用于执行权利要求9至12任一项所述的机器人控制方法，以对所述机器人的目标部位进行控制。
14.根据权利要求13所述的系统，其特征在于，所述系统还包括测量装置，所述测量装置用于获取所述机器人的目标部位的实际位姿。
15.根据权利要求13所述的系统，其特征在于，所述测量装置包括光学导航定位仪、激光跟踪仪以及磁导航设备中任意一种。
16.根据权利要求13所述的系统，其特征在于，所述系统还包括靶标装置，所述靶标装置安装于所述机器人的目标部位上，用于所述测量装置识别所述机器人目标部位的实际位姿。
17.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8或9至12中任一项所述方法的步骤。
18.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8或9至12中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111556319.9A CN114310873A (zh) | 2021-12-17 | 2021-12-17 | 位姿转换模型的生成方法、控制方法、系统、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111556319.9A CN114310873A (zh) | 2021-12-17 | 2021-12-17 | 位姿转换模型的生成方法、控制方法、系统、设备和介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114310873A true CN114310873A (zh) | 2022-04-12 |
Family
ID=81052354
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111556319.9A Pending CN114310873A (zh) | 2021-12-17 | 2021-12-17 | 位姿转换模型的生成方法、控制方法、系统、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114310873A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117102856A (zh) * | 2023-10-23 | 2023-11-24 | 浙江大学 | 一种大型舱体双平台五自由度位姿识别与调整方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101269187B1 (ko) * | 2012-04-10 | 2013-05-30 | 주식회사 엔티리서치 | 와이어로프를 이용하여 추가 자유도를 부여한 병렬 링크 로봇 |
| CN108705531A (zh) * | 2018-04-17 | 2018-10-26 | 上海达野智能科技有限公司 | 工业机器人的运动学参数标定方法、标定系统、电子设备 |
| CN110287873A (zh) * | 2019-06-25 | 2019-09-27 | 清华大学深圳研究生院 | 基于深度神经网络的非合作目标位姿测量方法、系统及终端设备 |
| CN110385720A (zh) * | 2019-07-26 | 2019-10-29 | 南京航空航天大学 | 一种基于深度神经网络的机器人定位误差补偿方法 |
| CN113510709A (zh) * | 2021-07-28 | 2021-10-19 | 北京航空航天大学 | 基于深度强化学习的工业机器人位姿精度在线补偿方法 |
| WO2021238191A1 (zh) * | 2020-05-26 | 2021-12-02 | 珠海格力智能装备有限公司 | 机器人的定位补偿方法及装置 |
-
2021
- 2021-12-17 CN CN202111556319.9A patent/CN114310873A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101269187B1 (ko) * | 2012-04-10 | 2013-05-30 | 주식회사 엔티리서치 | 와이어로프를 이용하여 추가 자유도를 부여한 병렬 링크 로봇 |
| CN108705531A (zh) * | 2018-04-17 | 2018-10-26 | 上海达野智能科技有限公司 | 工业机器人的运动学参数标定方法、标定系统、电子设备 |
| CN110287873A (zh) * | 2019-06-25 | 2019-09-27 | 清华大学深圳研究生院 | 基于深度神经网络的非合作目标位姿测量方法、系统及终端设备 |
| CN110385720A (zh) * | 2019-07-26 | 2019-10-29 | 南京航空航天大学 | 一种基于深度神经网络的机器人定位误差补偿方法 |
| WO2021238191A1 (zh) * | 2020-05-26 | 2021-12-02 | 珠海格力智能装备有限公司 | 机器人的定位补偿方法及装置 |
| CN113510709A (zh) * | 2021-07-28 | 2021-10-19 | 北京航空航天大学 | 基于深度强化学习的工业机器人位姿精度在线补偿方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117102856A (zh) * | 2023-10-23 | 2023-11-24 | 浙江大学 | 一种大型舱体双平台五自由度位姿识别与调整方法 |
| CN117102856B (zh) * | 2023-10-23 | 2024-02-13 | 浙江大学 | 一种大型舱体双平台五自由度位姿识别与调整方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200298411A1 (en) | Method for the orientation of an industrial robot, and industrial robot | |
| JP4191080B2 (ja) | 計測装置 | |
| CN109249392B (zh) | 工件抓取系统的校准方法、标定件、装置、设备和介质 | |
| CN110613511B (zh) | 手术机器人避障方法 | |
| CN114469343B (zh) | 标定件、手术导航坐标系配准系统、方法、设备和介质 | |
| JP2005201824A (ja) | 計測装置 | |
| CN113910219A (zh) | 运动臂系统以及控制方法 | |
| Qiu et al. | A new formulation for hand–eye calibrations as point-set matching | |
| CN115179294A (zh) | 机器人控制方法、系统、计算机设备、存储介质 | |
| CN116277035B (zh) | 机器人的控制方法、装置、处理器及电子设备 | |
| WO2023083056A1 (zh) | 用于标定机器人的运动学参数的方法和装置 | |
| Antonello et al. | A fully automatic hand-eye calibration system | |
| CN114310873A (zh) | 位姿转换模型的生成方法、控制方法、系统、设备和介质 | |
| CN115179297A (zh) | 手术机器人位置姿态控制联合避障关节极限的方法及系统 | |
| CN115446847A (zh) | 用于提高机器人系统的3d眼手协调准确度的系统和方法 | |
| CN114474003A (zh) | 一种基于参数辨识的车载建筑机器人误差补偿方法 | |
| Eslamian et al. | Towards the implementation of an autonomous camera algorithm on the da vinci platform | |
| CN110900608B (zh) | 基于最优测量构型选择的机器人运动学标定方法 | |
| CN113910218A (zh) | 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 | |
| CN114654466B (zh) | 自动标定方法、装置、系统、电子设备及存储介质 | |
| CN116141330A (zh) | 机器人的运动控制方法、装置、机器人设备及存储介质 | |
| Chiwande et al. | Comparative need analysis of industrial robot calibration methodologies | |
| Đurović et al. | Low cost robot arm with visual guided positioning | |
| CN115533888A (zh) | 机器人参数优化、标定方法、装置、系统、机器人及介质 | |
| Rebello et al. | Autonomous active calibration of a dynamic camera cluster using next-best-view |
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 |