CN114581534A - 一种机器人线激光三平面粒子群优化标定方法 - Google Patents

Abstract

本发明属于相机手眼标定相关技术领域，其公开了一种机器人线激光三平面粒子群优化标定方法，包括以下步骤：S101，将线激光相机安装在机器人末端，将一圆盘固定在工作台上；S102，采用线激光相机照射圆盘平面，不断改变所述线激光相机的姿态以获取多个圆盘平面数据点；S103，改变圆盘平面的位姿，每次改变后都重复步骤S102；S104，分别对多组圆盘平面数据进行最小二乘平面拟合，以得到的拟合平面的标准差之和作为目标函数；S105，采用欧拉角表示方法对手眼矩阵进行表示，并基于得到的目标函数进行粒子群优化求解，对求解得到的结果进行整合以得到手眼变换矩阵。本发明节省了标定成本，具有更高的标定精度。

Description

一种机器人线激光三平面粒子群优化标定方法

技术领域

本发明属于相机手眼标定相关技术领域，更具体地，涉及一种机器人线激光三平面粒子群优化标定方法。

背景技术

在制造自动化与产业转型升级的深刻变革下，工业机器人在工业自动化中的应用更加广泛。在实现工业的自动化和智能化中，视觉测量设备发挥了至关重要的作用。

线激光相机具有结构简单、非接触、测量速度快等优点，在工业领域高精度测量中有大量的应用需求。实际应用中，高精度测量不仅取决于测量系统本身的精度，也取决于线激光相机坐标系与机器人法兰坐标系的手眼标定精度。

线激光相机机器人手眼变换矩阵描述的是线激光相机相对机器人末端的旋转与偏移，其标定的常用方法有接触式标定和非接触式标定：

1、非接触式标定的方法有标准球法、标定板法，通过多次变换机器人的位姿扫描在同一个位置的标定板(或者标定球)，构造出高次超定方程进行求解，然而方程通常难以求解并易陷入局部最优，标定过程较为复杂。

2、接触式的标定方法需要借助各种标定工具如标定针、标定球、标定工装等工具进行线激光的手眼变化矩阵的标定，不同的激光器需要设计不同的工装，不具有普适性。

对应地，需要一种求解方便、精度高、标定过程简单并且普适性好的手眼标定方法。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种机器人线激光三平面粒子群优化标定方法，所述标定方法将标定工具改进为平面，节省了标定成本，同时相对于标定球标定，本发明的标定方法具有更高的标定精度。

为实现上述目的，按照本发明的一个方面，提供了一种机器人线激光三平面粒子群优化标定方法，该方法包括以下步骤：

S101，将线激光相机安装在机器人末端，并将一圆盘固定在工作台上；

S102，采用线激光相机照射圆盘平面，照射时不断改变所述线激光相机的姿态，并获取多个圆盘平面数据点；

S103，改变圆盘平面的位置和姿态，每次改变后都重复步骤S102，以获取多组圆盘平面数据；

S104，分别对多组圆盘平面数据进行最小二乘平面拟合，以得到的拟合平面的标准差之和作为目标函数；

S105，采用欧拉角表示方法对手眼矩阵进行表示，并基于得到的目标函数进行粒子群优化求解，对求解得到的结果进行整合以得到手眼变换矩阵。

进一步地，圆盘平面数据获取所基于的理论基础公式为：

式中，^Lp_i是获取到的线激光坐标系下的数据坐标；

是记录的^Lp_i对应的机器人位置姿态信息；

则是待求解的手眼矩阵，^Bp_i是机器人基坐标系下的数据坐标。

进一步地，采用欧拉角表示时将4*4的手眼矩阵简化成x、y、z、w、p、r共计6个待求解参数。

进一步地，手眼矩阵的欧拉角表达式为：

结合公式(1)及公式(4)，在给定x、y、z、w、p、r时，将获取到的圆盘平面数据点变换到机器人基坐标系下，对变换之后的圆盘平面数据点进行最小二乘平面拟合即可得到目标函数。

进一步地，将求解得到的x、y、z、w、p、r代入公式(4)中以整合得到手眼变换矩阵。

进一步地，步骤S102具体包括以下步骤：

(1)移动并调整线激光相机以使得线激光正常照射在圆盘平面上；

(2)保持线激光相机的姿态不变，不断移动线激光相机，使得线激光相机在该姿态下尽可能多的获取圆盘平面上的数据点；

(3)改变线激光相机的姿态并不断重复步骤(2)，以获得多组数据，获取得到的每组数据都要相应的记录其对应的机器人位姿姿态信息。

进一步地，圆盘平面数据的组数为3。

进一步地，粒子群优化求解的具体步骤为：

(1)确定手眼矩阵的欧拉角表示，将矩阵问题转化为x、y、z、w、p、r共6维参数的求解问题；

(2)设置粒子运动的速度限制和位置限制并随机生成500个初始6维粒子；

(3)在500个粒子中找出使得目标函的数值最小的粒子进行记录，同时这500个离子按照设定的函数表达式进行更新，不断重复直至目标函数的求解精度达到预定值。

进一步地，更新所采用的公式为：

β_new＝β+v (5)

v＝v × c1 + c2 × rand(0, 1) × Δβ_个体 + c3 × rand(0, 1) × Δβ_群体；(6)

式中，β是6维粒子；c1为惯性权重；c2为自我学习因子；c3为群体学习因子；Rand函数用于生成从0到1的随机数；Δβ_个体是2次迭代之间粒子的差异；Δβ_群体是2次迭代之间粒子和上一次的最佳粒子的差异。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，本发明提供的机器人线激光三平面粒子群优化标定方法主要具有以下有益效果：

1.本发明采用平面作为标定工具，解决了传统的标定球标定方法是基于空间定点原理的，由此给出的方程也是高次超定方程，方法求解复杂的问题。

2.将待求解矩阵转化为欧拉角的表示形式后再进行求解，保证了标定矩阵的3阶顺序主次符合旋转矩阵要求，使得标定矩阵不仅有数学意义，更有着实际的物理意义，更重要的是提高了线激光手眼标定的精度。

3.采用圆盘平面作为标定工具，提高了线激光的手眼标定精度，且标定件制作简单，成本低，标定精度高，普适性好。

附图说明

图1是本发明提供的一种机器人线激光三平面粒子群优化标定方法的流程示意图；

图2是实验获取的三个平面的点云图。

具体实施方式

为了使本发明的目的、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。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

手眼标定中，坐标系B为机器人基坐标系，坐标系E为机器人法兰坐标系；坐标系L为线激光相机坐标系。手眼标定矩阵表示的是坐标系E到坐标系L的变换矩阵

该矩阵是始终不变的，不因机器人的运动而改变。坐标系B到坐标系E的变换矩阵

可以直接从机器人的示教器中读取。

请参阅图1及图2，本发明提供了一种机器人线激光三平面粒子群优化标定方法，所述标定方法包括以下步骤：

S101，将线激光相机安装在机器人末端，完成安装调试；同时准备一个平面度合适的圆盘。

具体地，将线激光相机安装在机器人末端，安装调试完成后保证线激光相机能够实时的返回测量数据，并准备一个平面度合适的圆盘静止不动的固定在工作台上。

S102，使用线激光相机照射圆盘平面，照射时不断改变所述线激光相机的姿态，尽可能多的获取圆盘平面数据点。

步骤S102具体包括以下步骤：

(1)移动并调整线激光相机以使得线激光正常照射在圆盘平面上。

(2)保持线激光相机的姿态不变，不断移动线激光相机，使得激光相机在该姿态下尽可能多的获取圆盘平面上的数据点。

(3)改变线激光相机的姿态并不断重复上述步骤，以获得多组数据，获取得到的每组数据都要相应的记录其对应的机器人位姿姿态信息，以便后续的求解中进行对应。

圆盘平面数据获取所基于的理论基础公式为：

式中，^Lp_i是获取到的线激光坐标系下的数据坐标；

是记录的^Lp_i对应的机器人位置姿态信息；

则是待求解的手眼矩阵，^Bp_i是机器人基坐标系下的数据坐标。显然对获取到的数据应通过上式变换之后进行后续的求解。

S103，改变圆盘平面的位置和姿态，每次改变后都重复步骤S102，以获取三组圆盘平面数据。

其中，圆盘平面的位置和姿态都进行改变，改变后的位置应在机器人工作范围内；3个圆盘平面没有正交性等特殊要求，位置较为随意；理论上改变的平面个数越多，所求得的手眼矩阵更为准确，但是由于在超过3个之后的标定流程更为复杂且精度提升不明显，因此本实施方式采用三个平面的粒子群优化标定，3个圆盘平面的点云位置标示如图2所示。

S104，分别对三组圆盘平面数据进行最小二乘平面拟合，以三个平面拟合的标准差之和作为目标函数。

为了描述圆盘平面数据点在机器人坐标系下的情况，考虑到圆盘平面数据为平面点云，因此可以对该圆盘数据进行平面拟合并给出拟合平面的方差作为优化的目标函数。

得到的拟合平面的方程为：

ax_i+by_i+c＝z_i(i＝1,2,...,n) (2)

转化成矩阵形式为：

由于实验中扫描了3个不同的平面，对应的平面方程也各不相同，因此最后的目标函数将由这三个拟合平面的标准差之和构成。

S105，采用欧拉角表示方法对手眼矩阵进行表示，并基于得到的目标函数进行粒子群优化求解。

采用欧拉角表示时将4*4的手眼矩阵简化成x、y、z、w、p、r共计6个待求解参数，粒子群优化求解的具体步骤为：

(1)确定手眼矩阵的欧拉角表示，将矩阵问题转化为x、y、z、w、p、r共6维参数的求解问题。

公式(1)给出了圆盘数据点云从线激光坐标系到机器人坐标系变换的表达式，为了表示出待求解矩阵

的矩阵内部元素的联系，往往采用四元数或者欧拉角的形式进行表示。由于欧拉角中x、y、z、w、p、r分别表示坐标系原点的3个平移距离和3个旋转角度，与四元数相比更具有实际的意义，并且用欧拉角表示法比四元数更能减少未知数个数。本实施方式中，手眼矩阵的欧拉角表达式为：

结合公式(1)及公式(4)，在给定x、y、z、w、p、r时，可将获取到的数据点变换到机器人基坐标系，对变换之后的数据点进行最小二乘平面拟合即可得到目标函数。

(2)设置粒子运动的速度限制和位置限制并随机生成500个初始6维粒子。

显然欧拉角x、y、z、w、p、r都具有实际意义，因此x、y、z的位置限制可以根据实际情况进行粗略估计。而w、p、r因为是角度，可以直接设置范围为(-180°,180°]；在本实施例中x、y、z的速度限制为[-5,5]，w、p、r速度限制为[-1.5,1.5]。

(3)在500个粒子中找出使得目标函数值最小的粒子进行记录，同时这500个离子按照设定的函数表达式进行更新，不断重复直至目标函数的求解精度达到预定值。其中，更新所采用的公式为：

β_new＝β+v (5)

v＝v × c1 + c2 × rand(0, 1) × Δβ_个体 + c3 × rand(0, 1) × Δβ_群体； (6)

式中，β是6维粒子；c1为惯性权重；c2为自我学习因子；c3为群体学习因子；Rand函数用于生成从0到1的随机数；Δβ_个体是2次迭代之间粒子的差异；Δβ_群体是2次迭代之间粒子和上一次的最佳粒子的差异。

S106，对求解结果进行整合以得到手眼变换矩阵。

将求解得到的x、y、z、w、p、r代入公式(4)中可整合得到手眼变换矩阵。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种机器人线激光三平面粒子群优化标定方法，其特征在于，该方法包括以下步骤：

S101，将线激光相机安装在机器人末端，并将一圆盘固定在工作台上；

S102，采用线激光相机照射圆盘平面，照射时不断改变所述线激光相机的姿态，并获取多个圆盘平面数据点；

S103，改变圆盘平面的位置和姿态，每次改变后都重复步骤S102，以获取多组圆盘平面数据；

S104，分别对多组圆盘平面数据进行最小二乘平面拟合，以得到的拟合平面的标准差之和作为目标函数；

S105，采用欧拉角表示方法对手眼矩阵进行表示，并基于得到的目标函数进行粒子群优化求解，对求解得到的结果进行整合以得到手眼变换矩阵。

2.如权利要求1所述的机器人线激光三平面粒子群优化标定方法，其特征在于：圆盘平面数据获取所基于的理论基础公式为：

式中，^Lp_i是获取到的线激光坐标系下的数据坐标；

是记录的^Lp_i对应的机器人位置姿态信息；

则是待求解的手眼矩阵，^Bp_i是机器人基坐标系下的数据坐标。

3.如权利要求2所述的机器人线激光三平面粒子群优化标定方法，其特征在于：采用欧拉角表示时将4*4的手眼矩阵简化成x、y、z、w、p、r共计6个待求解参数。

4.如权利要求3所述的机器人线激光三平面粒子群优化标定方法，其特征在于：手眼矩阵的欧拉角表达式为：

结合公式(1)及公式(4)，在给定x、y、z、w、p、r时，将获取到的圆盘平面数据点变换到机器人基坐标系下，对变换之后的圆盘平面数据点进行最小二乘平面拟合即可得到目标函数。

5.如权利要求3所述的机器人线激光三平面粒子群优化标定方法，其特征在于：将求解得到的x、y、z、w、p、r代入公式(4)中以整合得到手眼变换矩阵。

6.如权利要求1-5任一项所述的机器人线激光三平面粒子群优化标定方法，其特征在于：步骤S102具体包括以下步骤：

(1)移动并调整线激光相机以使得线激光正常照射在圆盘平面上；

(2)保持线激光相机的姿态不变，不断移动线激光相机，使得线激光相机在该姿态下尽可能多的获取圆盘平面上的数据点；

(3)改变线激光相机的姿态并不断重复步骤(2)，以获得多组数据，获取得到的每组数据都要相应的记录其对应的机器人位姿姿态信息。

7.如权利要求1-5任一项所述的机器人线激光三平面粒子群优化标定方法，其特征在于：圆盘平面数据的组数为3。

8.如权利要求3所述的机器人线激光三平面粒子群优化标定方法，其特征在于：粒子群优化求解的具体步骤为：

(1)确定手眼矩阵的欧拉角表示，将矩阵问题转化为x、y、z、w、p、r共6维参数的求解问题；

(2)设置粒子运动的速度限制和位置限制并随机生成500个初始6维粒子；

(3)在500个粒子中找出使得目标函的数值最小的粒子进行记录，同时这500个离子按照设定的函数表达式进行更新，不断重复直至目标函数的求解精度达到预定值。

9.如权利要求8所述的机器人线激光三平面粒子群优化标定方法，其特征在于：更新所采用的公式为：

β_new＝β+v (5)

v＝v×c1+c2×rand(0,1)×Δβ_个体+c3×rand(0,1)×Δβ_群体； (6)

式中，β是6维粒子；c1为惯性权重；c2为自我学习因子；c3为群体学习因子；Rand函数用于生成从0到1的随机数；Δβ_个体是2次迭代之间粒子的差异；Δβ_群体是2次迭代之间粒子和上一次的最佳粒子的差异。

Images