CN114589698A - 基于多目标视觉测量和机器学习的机械臂无模型实时标定方法及装置 - Google Patents
基于多目标视觉测量和机器学习的机械臂无模型实时标定方法及装置 Download PDFInfo
- Publication number
- CN114589698A CN114589698A CN202210365233.6A CN202210365233A CN114589698A CN 114589698 A CN114589698 A CN 114589698A CN 202210365233 A CN202210365233 A CN 202210365233A CN 114589698 A CN114589698 A CN 114589698A
- Authority
- CN
- China
- Prior art keywords
- mechanical arm
- joint
- target
- pose
- machine learning
- 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
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
- B25J9/16—Programme controls
- B25J9/1628—Programme controls characterised by the control loop
- B25J9/1653—Programme controls characterised by the control loop parameters identification, estimation, stiffness, accuracy, error analysis
-
- 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
- B25J9/1692—Calibration of manipulator
-
- 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
- B25J9/1694—Programme controls characterised by use of sensors other than normal servo-feedback from position, speed or acceleration sensors, perception control, multi-sensor controlled systems, sensor fusion
- B25J9/1697—Vision controlled systems
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明提供了一种基于多目标视觉测量和机器学习的机械臂无模型实时标定方法及装置。该方法包括:在指定点邻域生成若干训练点;采集每个训练点对应的各关节靶标位姿,由机械臂正运动学计算得到靶标位姿对应的机械臂关节位姿;利用靶标位姿及关节位姿训练一系列DNN;利用DNN得到各关节实际位姿;判断各关节位姿误差是否超出了阈值;若超出了阈值,得到齐次变换矩阵,从中提取实际和名义DH参数集合,得到各关节DH参数误差;补偿DH参数误差。本发明提供的基于多目标视觉测量和机器学习的机械臂无模型实时标定方法及装置实现了标定精度和效率的统一。
Description
技术领域
本发明涉及机器人标定技术领域,特别是涉及一种基于多目标视觉测量和机器学习的机械臂无模型实时标定方法及装置。
背景技术
机械臂标定能有效补偿DH(Denavit-Hartenberg)参数误差对末端绝对定位精度的影响,但目前所有标定流程均需要规划并执行测量构型,而且需要定期重复标定,以此补偿机械臂使用过程中绝对定位精度的衰减。
如此会带来三点不足:
第一,传统标定方法需要规划若干个测量构型,用于在机械臂整个运动空间采集末端位姿数据,这些构型难以与机械臂实际作业轨迹保持一致,因此要求机械臂停工来配合位姿采集,降低了生产效率。
第二,传统标定方法属于间接辨识DH参数误差,其标定精度与辨识模型鲁棒性密切相关。合理的测量构型虽然能保证较高的模型鲁棒性,但通常需要均匀分布在机械臂整个运动空间。然而,已安装在工位上的机械臂极有可能受限于非结构工作环境而导致运动空间被压缩或割裂,不足以用于规划合理的测量构型。
第三,传统标定方法无法绕开测量构型规划和执行,因此只能通过定期、重复停工来离线获取足够位姿信息用于标定,以此维持机械臂末端的绝对定位精度,但这种离线标定明显降低了生产效率。
发明内容
本发明要解决的技术问题是提供一种基于多目标视觉测量和机器学习的机械臂无模型实时标定方法及装置,能够提高标定效率,同时也能满足精度要求。
为解决上述技术问题,本发明提供了一种基于多目标视觉测量和机器学习的机械臂无模型实时标定方法,包括:机械臂在工位上安装调试完毕后,用激光跟踪仪对机械臂进行标定,辨识出各关节DH参数误差{ΔUi}(i=1,2,...,6);在机械臂控制系统中补偿标定所得DH参数误差{ΔUi};搭建基于双目视觉的位姿采样系统,将靶标安装在机械臂每个关节上,双目相机安装在固定支架上,保证每个关节至少有一个靶标在双目相机视场中可被观测;选取机械臂实际工作轨迹S上的n个指定点Dj(j=1,2,...,n1+n2);在Dj(j=1,2,...,n1+n2)邻域生成若干训练点Tk(k=1,2,...,n3);用上述视觉采样系统采集每个训练点对应的各关节靶标位姿{Pti}k={Pt1,Pt2,Pt3,Pt4,Pt5,Pt6}k,同时由机械臂正运动学计算得到{Pti}k对应的机械臂关节位姿{Pi}k={P1,P2,P3,P4,P5,P6}k;将{Pti}k作为输入,{Pi}k作为输出,训练得到一系列深度神经网络DNN,其功能是根据靶标位姿预测对应的关节位姿;以机械臂、双目视觉系统及靶标的安装位置不变为前提,将机械臂投入作业使用,并用双目视觉系统实时采集Dj处的各关节靶标位姿集合{P′ti}j;利用DNN,将{P′ti}j作为输入,得到对应的各关节实际位姿{P′i}j;基于机械臂正运动学计算出与{P′i}j对应的各关节名义位姿{Pi″}j,判断各关节位姿误差{ΔPi}j={P′i-Pi″}j是否超出了阈值ε;若超出了阈值ε,从位姿集合{P′i}j和{Pi″}j分别得到{i-1T′i}j和{i-1Ti″}j两组齐次变换矩阵,从矩阵元素中分别提取出实际和名义DH参数集合{U′i}和{U″i},比较两者差异即可分别得到各关节DH参数误差{ΔU′i};在机械臂控制系统里补偿DH参数误差{ΔU′i}。
在一些实施方式中,DH参数误差ΔU由如下公式给出:
ΔU=[δα1,δa1,δθ1,δd1,...,δα6,δa6,δθ6,δd6]T
其中,{δαi,δai,δθi,δdi}为第i关节的DH参数误差。
在一些实施方式中,标定时机械臂处于停工状态。
在一些实施方式中,搭建基于双目视觉的位姿采样系统,将靶标安装在机械臂每个关节上,双目相机安装在固定支架上,保证每个关节至少有一个靶标在双目相机视场中可被观测,包括:选择各关节相对平滑的表面(可以为平面、圆柱面和曲率半径较大的曲面这几类最为常见的机械臂表面结构)贴附靶标,以保证靶标位姿采集精度;对同一关节而言,尽量选择能够组成封闭曲面的若干表面用于贴附靶标,以保证各关节在视场中总有至少一个靶标能够被完整识别;各靶标内部为黑白棋盘格,用于视觉系统准确定位,外圈为不同颜色的边框,以便视觉系统识别并区分。
在一些实施方式中,n个指定点Dj(j=1,2,...,n1+n2)包括:机械臂完成抓取、放置等具体任务的n1个执行点,以及工作轨迹上的n2个均匀分布的插入点,并且n=n1+n2。
在一些实施方式中,在Dj(j=1,2,...,n1+n2)邻域生成若干训练点Tk(k=1,2,...,n3),包括:分别以各监测点Dj对应的每个关节坐标系原点为中心,在可达邻域内分别均匀分布n3(ij)(i=1,2,...,6)个训练点。
此外,本发明还提供了一种基于多目标视觉测量和机器学习的机械臂无模型实时标定装置,该装置包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现根据前文所述的基于多目标视觉测量和机器学习的机械臂无模型实时标定方法。
采用这样的设计后,本发明至少具有以下优点:
(1)双目视觉测量系统显著降低了标定系统搭建成本(特别是与激光跟踪仪相比);(2)利用双目视觉靶标可自定义的优势,设计了分布式的关节靶标,可同步实时采集机械臂整体位姿,避免了有限工作空间内的测量构型规划,以及高维矩阵计算导致的辨识误差,实现了DH参数误差无模型、不停工直接辨识;(3)利用深度神经网络的强大学习能力,“封装”了难以获取和建模的图形畸变和靶标安装误差,由此建立了“不精确”靶标位姿与“精确”关节位姿间映射关系,弥补了双目视觉的精度欠缺。综合上述创新,本方法实现了标定精度和效率的统一。
附图说明
上述仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,以下结合附图与具体实施方式对本发明作进一步的详细说明。
图1是本发明的流程示意图;
图2是基于双目视觉的机械臂位姿采样系统示意图;
图3是机械臂关节靶标分布示意图;
图4是机械臂训练点布局示意图;
图5是适用于所有关节位姿预测的深度神经网络结构示意图;
图6是基于靶标位姿直接辨识DH参数误差的思路示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
参见图1,本发明提供的基于多目标视觉测量和机器学习的机械臂无模型实时标定方法包括如下步骤:
步骤一:机械臂在工位上安装调试完毕后,将靶球安装在机械臂末端,然后操作机械臂使末端抵达工作空间内的若干个位置,用激光跟踪仪采集这些位置处靶球的坐标,由此建立辨识模型求解出机械臂的DH参数误差ΔU:
ΔU=[δα1,δa1,δθ1,δd1,...,δα6,δa6,δθ6,δd6]T (1)
式(1)中,{δαi,δai,δθi,δdi}为第i关节的DH参数误差。该标定方法是应用最普遍的高精度传统方法,但标定时机械臂处于停工状态。此步骤仅用于机械臂首次标定(开工前),为本发明步骤二提供所需ΔU,其技术细节并不在本发明保护范围之内。
步骤二:通过修正关节转角指令θi的方式间接补偿ΔU,修正的θi由传统的逆运动学方法求得,不再赘述。
步骤三:此步骤开始搭建如图2所示的双目视觉系统。机械臂基座与双目相机21空间位姿关系保持不变。机械臂每个关节均安装有若干个视觉靶标,且在机械臂完整工作过程中,每个关节总有至少一个靶标能够被双目视觉系统完整捕获。机械臂各关节靶标安装方式如图3所示。该图仅为某一型号机械臂的靶标安装参考方式,面向不同外形结构机械臂时,靶标形式与安装方式可能存在差异,但其基本原则均为:(1)选择各关节相对平滑的表面(可以为平面、圆柱面和曲率半径较大的曲面这几类最为常见的机械臂表面结构)贴附靶标,以保证靶标位姿采集精度;(2)对同一关节而言,尽量选择能够组成封闭曲面的若干表面用于贴附靶标,以保证各关节在视场中总有至少一个靶标能够被完整识别;(3)各靶标内部为黑白棋盘格,用于视觉系统准确定位,外圈为不同颜色的边框,以便视觉系统识别并区分。如此安装完毕后,视场中必定同时出现多个靶标,视觉系统识别并测量靶标的基本流程是:首先通过靶标边框颜色区分其所属关节,然后针对每个关节的可视靶标簇,再次根据边框颜色区分簇内各靶标的棋盘格,最后选择可视面积最大的棋盘用于位姿采集(因为该棋盘面法线相对于其他面更接近于相机光轴,因此视觉系统对该靶标位姿的采集精度最高)。
步骤四:在机械臂工作轨迹S上选取若干个指定监测点Dj(j=1,2,...,n),其中n=n1+n2,一部分是机械臂完成抓取、放置等具体任务的n1个执行点,另一部分是工作轨迹上的n2个均匀分布的插入点。
步骤五:分别以各监测点Dj对应的每个关节坐标系原点为中心,在可达邻域(对不同的关节,邻域形状存在差异,例如1关节邻域只可为圆弧,2关节邻域可设定为球面,3-6关节邻域均可设定为立方体)内分别均匀分布n3(ij)(i=1,2,...,6)个训练点,如图4所示。其中,根据邻域大小,可设定为n3(1j)=20,n3(2j)=50,n3(3j)=n3(4j)=n3(5j)=n3(6j)=125。
步骤六:至此每个训练点处的各关节坐标系位置已知,可利用逆运动学求解所有训练点对应的关节指令集{θ}k′[k′=1,2,...,m],其中m=∑n3(ij)。其中,对于3-6关节,当同一训练点存在多种姿态角时,取与其对应监测点最为接近的姿态角用于逆运动学求解。驱动机械臂各关节抵达每个训练点,同时用双目视觉系统以监测点为单位采集各关节在训练点处的靶标位姿集合{Pti}j(i=1,2,...,6),并通过机械臂正运动学计算出对应的关节坐标系位姿集合{Pi}j(i=1,2,...,6)。正运动学计算用齐次坐标变换来实现:
0Ti=0T1 1T2...i-1Ti (2)
式(2)中,0Ti表示机械臂基座标系到机械臂第i关节坐标系的齐次变换矩阵,i-1Ti表示第i-1关节坐标系到i关节坐标系的齐次变换矩阵:
式(4)中,{αi,ai,θi,di}为机械臂首次标定前的名义DH参数值。进而,由0Ti可得到Pi:
式(5)中,各参数值来源于
步骤七:受限于相机性能和图像畸变等因素,双目视觉系统采集的训练点处靶标位姿Pti存在误差ΔPti=[δx,δy,δz,δα,δβ,δγ]T,其中距离误差{δx,δy,δz}为毫米级,精度远低于激光跟踪仪(可达微米级测距误差)。ΔPti包含重复测量误差δpr和绝对测量误差δpa。在环境参数(光照、温度等)稳定时,δpr仅与分辨率相关,可达微米级,可忽略不计。由此可推断ΔPti主要来源于δpa,而该误差分量由测量距离L的变化和视场不同位置P处的图像畸变造成,所以当L和P不变时,δpa也不变,属于系统误差,具有可重复性。因此双目视觉系统视场中每一个点都对应一个确定的ΔPti。通常,双目测量方法为了减小ΔPti,被迫将靶标约束在视场中央以减小图像畸变,这种受限的运动空间与机械臂实际作业轨迹相矛盾,难以实现机械臂整体位姿的实时监控。由于Pi可通过正运动学准确求解(步骤六),因此本发明并不设法减小ΔPti,而是采用深度神经网络DNN建立不准确Pti到准确Pi的映射关系。因此即使存在ΔPti,也可通过DNN获得准确Pi,保证了机械臂整体位姿采集精度。对每个关节在每个监测点处均采用多层BP神经网络进行训练,一共将得到6n个神经网络,其结构包含1个输入层(6个节点)、2个隐藏层(各16个节点)、1输出层(6个节点)(如图5所示)。
步骤八:机械臂开始作业,此时机械臂末端绝对定位误差中来源于ΔU的部分已经为零。但机械臂作业一段时间后,零部件磨损和变形会产生新的ΔU,末端绝对定位误差将再次增大,需要实时补偿以维持高精度。为此,首先要能够实时监测到机械臂定位精度的衰减,这就需要在机械臂不停工的状态下,用双目视觉系统实时采集Dj处的靶标位姿(P′ti)j。
步骤九:将(Pti′)j输入至深度神经网络DNN(与步骤七所得DNN相同),得到对应的各关节实际位姿(P′i)j。
步骤十:基于机械臂正运动学计算出与(P′i)j对应的各关节名义位姿(Pi″)j。计算公式采用式(2)~(5),其中式(4)的θ′i为指定点Dj对应的关节转角指令,式(5)的Pi替换为Pi″。如果对任意i和j,满足
(ΔPi)j=(P′i)j-(Pi″)j≥ε (7)
则执行步骤十一,否则说明机械臂末端定位精度尚未衰减到阈值,返回步骤八继续实时监测。
步骤十一:此步骤用于直接辨识出DH参数误差ΔU′i(i=1,2,...,6),基本思路如图6所示。首先由机械臂正运动学分别得到(i-1T′i)j和(i-1Ti″)j两组齐次变换矩阵
再从矩阵元素中分别提取出实际和名义DH参数集合U′i和U″i
然后比较两者差异即可分别得到各关节DH参数误差ΔU′i
ΔU′i=[α′i-α″i,a′i-a″i,θ′i-θ″i,d′i-d″i]T (12)
步骤十二:通过修正关节转角指令θi的方式间接补偿ΔU′i,修正的θi由传统的逆运动学方法求得,不再赘述。此时机械臂末端绝对定位误差中来源于ΔU′i的部分为零。跳转至步骤八继续实时监测。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或修饰,均落在本发明的保护范围内。
Claims (7)
1.一种基于多目标视觉测量和机器学习的机械臂无模型实时标定方法,其特征在于,包括:
机械臂在工位上安装调试完毕后,用激光跟踪仪对机械臂进行标定,辨识出各关节DH参数误差{ΔUi}(i=1,2,...,6);
在机械臂控制系统中补偿标定所得DH参数误差{ΔUi};
搭建基于双目视觉的位姿采样系统,将靶标安装在机械臂每个关节上,双目相机安装在固定支架上,保证每个关节至少有一个靶标在双目相机视场中可被观测;
选取机械臂实际工作轨迹S上的n个指定点Dj(j=1,2,...,n1+n2);
在Dj(j=1,2,...,n1+n2)邻域生成若干训练点Tk(k=1,2,...,n3);
用上述视觉采样系统采集每个训练点对应的各关节靶标位姿{Pti}k={Pt1,Pt2,Pt3,Pt4,Pt5,Pt6}k,同时由机械臂正运动学计算得到{Pti}k对应的机械臂关节位姿{Pi}k={P1,P2,P3,P4,P5,P6}k;
将{Pti}k作为输入,{Pi}k作为输出,训练得到一系列深度神经网络DNN,其功能是根据靶标位姿预测对应的关节位姿;
以机械臂、双目视觉系统及靶标的安装位置不变为前提,将机械臂投入作业使用,并用双目视觉系统实时采集Dj处的各关节靶标位姿集合{P′ti}j;
利用DNN,将{P′ti}j作为输入,得到对应的各关节实际位姿{Pi′}j;
基于机械臂正运动学计算出与{Pi′}j对应的各关节名义位姿{Pi″}j,判断各关节位姿误差{ΔPi}j={Pi′-Pi″}j是否超出了阈值ε;
若超出了阈值ε,从位姿集合{Pi′}j和{Pi″}j分别得到{i-1Ti′}j和{i-1Ti″}j两组齐次变换矩阵,从矩阵元素中分别提取出实际和名义DH参数集合{U′i}和{U″i},比较两者差异即可分别得到各关节DH参数误差{ΔU′i};
在机械臂控制系统里补偿DH参数误差{ΔU′i}。
2.根据权利要求1所述的基于多目标视觉测量和机器学习的机械臂无模型实时标定方法,其特征在于,DH参数误差ΔU由如下公式给出:
ΔU=[δα1,δa1,δθ1,δd1,...,δα6,δa6,δθ6,δd6]T
其中,{δαi,δai,δθi,δdi}为第i关节的DH参数误差。
3.根据权利要求1所述的基于多目标视觉测量和机器学习的机械臂无模型实时标定方法,其特征在于,标定时机械臂处于停工状态。
4.根据权利要求1所述的基于多目标视觉测量和机器学习的机械臂无模型实时标定方法,其特征在于,搭建基于双目视觉的位姿采样系统,将靶标安装在机械臂每个关节上,双目相机安装在固定支架上,保证每个关节至少有一个靶标在双目相机视场中可被观测,包括:
选择各关节相对平滑的表面(可以为平面、圆柱面和曲率半径较大的曲面这几类最为常见的机械臂表面结构)贴附靶标,以保证靶标位姿采集精度;
对同一关节而言,尽量选择能够组成封闭曲面的若干表面用于贴附靶标,以保证各关节在视场中总有至少一个靶标能够被完整识别;
各靶标内部为黑白棋盘格,用于视觉系统准确定位,外圈为不同颜色的边框,以便视觉系统识别并区分。
5.根据权利要求1所述的基于多目标视觉测量和机器学习的机械臂无模型实时标定方法,其特征在于,n个指定点Dj(j=1,2,...,n1+n2)包括:机械臂完成抓取、放置等具体任务的n1个执行点,以及工作轨迹上的n2个均匀分布的插入点,并且n=n1+n2。
6.根据权利要求1所述的基于多目标视觉测量和机器学习的机械臂无模型实时标定方法,其特征在于,在Dj(j=1,2,...,n1+n2)邻域生成若干训练点Tk(k=1,2,...,n3),包括:
分别以各监测点Dj对应的每个关节坐标系原点为中心,在可达邻域内分别均匀分布n3(ij)(i=1,2,...,6)个训练点。
7.一种基于多目标视觉测量和机器学习的机械臂无模型实时标定装置,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现根据权利要求1至6任意一项所述的基于多目标视觉测量和机器学习的机械臂无模型实时标定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210365233.6A CN114589698B (zh) | 2022-04-07 | 2022-04-07 | 基于多目标视觉测量和机器学习的机械臂无模型实时标定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210365233.6A CN114589698B (zh) | 2022-04-07 | 2022-04-07 | 基于多目标视觉测量和机器学习的机械臂无模型实时标定方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114589698A true CN114589698A (zh) | 2022-06-07 |
CN114589698B CN114589698B (zh) | 2023-06-06 |
Family
ID=81811676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210365233.6A Active CN114589698B (zh) | 2022-04-07 | 2022-04-07 | 基于多目标视觉测量和机器学习的机械臂无模型实时标定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114589698B (zh) |
Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4825394A (en) * | 1985-05-07 | 1989-04-25 | General Dynamics Corporation | Vision metrology system |
CN105014677A (zh) * | 2015-07-07 | 2015-11-04 | 西安交通大学 | 基于Camshift视觉跟踪和D-H建模算法的视觉机械臂控制装置及方法 |
CN106737665A (zh) * | 2016-11-30 | 2017-05-31 | 天津大学 | 基于双目视觉和sift特征匹配的机械臂控制系统及实现方法 |
CN107471218A (zh) * | 2017-09-07 | 2017-12-15 | 南京理工大学 | 一种基于多目视觉的双臂机器人手眼协调方法 |
US20180089831A1 (en) * | 2016-09-28 | 2018-03-29 | Cognex Corporation | Simultaneous Kinematic and Hand-Eye Calibration |
CN108044651A (zh) * | 2017-10-19 | 2018-05-18 | 北京航空航天大学 | 一种基于双目视觉的空间机械臂运动学参数在轨标定方法 |
CN108297100A (zh) * | 2018-02-11 | 2018-07-20 | 广州视源电子科技股份有限公司 | 机械臂参数标定方法、装置和系统、机械臂 |
US20190084160A1 (en) * | 2010-05-14 | 2019-03-21 | Cognex Corporation | System and method for robust calibration between a machine vision system and a robot |
CN109859275A (zh) * | 2019-01-17 | 2019-06-07 | 南京邮电大学 | 一种基于s-r-s结构的康复机械臂的单目视觉手眼标定方法 |
CN110039542A (zh) * | 2019-06-13 | 2019-07-23 | 东北大学 | 具有速度方向控制的视觉伺服跟踪控制方法及机器人系统 |
CN110253574A (zh) * | 2019-06-05 | 2019-09-20 | 浙江大学 | 一种多任务机械臂位姿检测和误差补偿方法 |
CN110281241A (zh) * | 2019-06-27 | 2019-09-27 | 大连理工大学 | 基于激光跟踪仪测量机械臂运动学参数标定方法 |
CN110421562A (zh) * | 2019-07-24 | 2019-11-08 | 中国地质大学(武汉) | 基于四目立体视觉的机械臂标定系统和标定方法 |
CN110842914A (zh) * | 2019-10-15 | 2020-02-28 | 上海交通大学 | 基于差分进化算法的手眼标定参数辨识方法、系统及介质 |
CN111216109A (zh) * | 2019-10-22 | 2020-06-02 | 东北大学 | 一种用于临床治疗与检测的视觉跟随装置及其方法 |
CN111300422A (zh) * | 2020-03-17 | 2020-06-19 | 浙江大学 | 基于视觉图像的机器人工件抓取位姿误差补偿方法 |
CN111590566A (zh) * | 2020-05-12 | 2020-08-28 | 北京控制工程研究所 | 一种适用于全构型的空间机械臂运动学参数在轨标定方法 |
CN111775146A (zh) * | 2020-06-08 | 2020-10-16 | 南京航空航天大学 | 一种工业机械臂多工位作业下的视觉对准方法 |
CN112132894A (zh) * | 2020-09-08 | 2020-12-25 | 大连理工大学 | 一种基于双目视觉引导的机械臂实时跟踪方法 |
CN112518748A (zh) * | 2020-11-30 | 2021-03-19 | 广东工业大学 | 面向运动物品的视觉机械臂自动抓取方法与系统 |
CN112819135A (zh) * | 2020-12-21 | 2021-05-18 | 中国矿业大学 | 基于ConvPoint模型引导机械臂抓取不同位姿物料的分拣方法 |
US20210187745A1 (en) * | 2019-12-18 | 2021-06-24 | Industrial Technology Research Institute | Automated calibration system and method for a workpiece coordinate frame of a robot |
CN113733088A (zh) * | 2021-09-07 | 2021-12-03 | 河南大学 | 一种基于双目视觉的机械臂运动学自标定方法 |
CN113814987A (zh) * | 2021-11-24 | 2021-12-21 | 季华实验室 | 多相机机器人手眼标定方法、装置、电子设备及存储介质 |
-
2022
- 2022-04-07 CN CN202210365233.6A patent/CN114589698B/zh active Active
Patent Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4825394A (en) * | 1985-05-07 | 1989-04-25 | General Dynamics Corporation | Vision metrology system |
US20190084160A1 (en) * | 2010-05-14 | 2019-03-21 | Cognex Corporation | System and method for robust calibration between a machine vision system and a robot |
CN105014677A (zh) * | 2015-07-07 | 2015-11-04 | 西安交通大学 | 基于Camshift视觉跟踪和D-H建模算法的视觉机械臂控制装置及方法 |
US20180089831A1 (en) * | 2016-09-28 | 2018-03-29 | Cognex Corporation | Simultaneous Kinematic and Hand-Eye Calibration |
CN106737665A (zh) * | 2016-11-30 | 2017-05-31 | 天津大学 | 基于双目视觉和sift特征匹配的机械臂控制系统及实现方法 |
CN107471218A (zh) * | 2017-09-07 | 2017-12-15 | 南京理工大学 | 一种基于多目视觉的双臂机器人手眼协调方法 |
CN108044651A (zh) * | 2017-10-19 | 2018-05-18 | 北京航空航天大学 | 一种基于双目视觉的空间机械臂运动学参数在轨标定方法 |
CN108297100A (zh) * | 2018-02-11 | 2018-07-20 | 广州视源电子科技股份有限公司 | 机械臂参数标定方法、装置和系统、机械臂 |
CN109859275A (zh) * | 2019-01-17 | 2019-06-07 | 南京邮电大学 | 一种基于s-r-s结构的康复机械臂的单目视觉手眼标定方法 |
CN110253574A (zh) * | 2019-06-05 | 2019-09-20 | 浙江大学 | 一种多任务机械臂位姿检测和误差补偿方法 |
CN110039542A (zh) * | 2019-06-13 | 2019-07-23 | 东北大学 | 具有速度方向控制的视觉伺服跟踪控制方法及机器人系统 |
CN110281241A (zh) * | 2019-06-27 | 2019-09-27 | 大连理工大学 | 基于激光跟踪仪测量机械臂运动学参数标定方法 |
CN110421562A (zh) * | 2019-07-24 | 2019-11-08 | 中国地质大学(武汉) | 基于四目立体视觉的机械臂标定系统和标定方法 |
CN110842914A (zh) * | 2019-10-15 | 2020-02-28 | 上海交通大学 | 基于差分进化算法的手眼标定参数辨识方法、系统及介质 |
CN111216109A (zh) * | 2019-10-22 | 2020-06-02 | 东北大学 | 一种用于临床治疗与检测的视觉跟随装置及其方法 |
US20210187745A1 (en) * | 2019-12-18 | 2021-06-24 | Industrial Technology Research Institute | Automated calibration system and method for a workpiece coordinate frame of a robot |
CN111300422A (zh) * | 2020-03-17 | 2020-06-19 | 浙江大学 | 基于视觉图像的机器人工件抓取位姿误差补偿方法 |
CN111590566A (zh) * | 2020-05-12 | 2020-08-28 | 北京控制工程研究所 | 一种适用于全构型的空间机械臂运动学参数在轨标定方法 |
CN111775146A (zh) * | 2020-06-08 | 2020-10-16 | 南京航空航天大学 | 一种工业机械臂多工位作业下的视觉对准方法 |
CN112132894A (zh) * | 2020-09-08 | 2020-12-25 | 大连理工大学 | 一种基于双目视觉引导的机械臂实时跟踪方法 |
CN112518748A (zh) * | 2020-11-30 | 2021-03-19 | 广东工业大学 | 面向运动物品的视觉机械臂自动抓取方法与系统 |
CN112819135A (zh) * | 2020-12-21 | 2021-05-18 | 中国矿业大学 | 基于ConvPoint模型引导机械臂抓取不同位姿物料的分拣方法 |
CN113733088A (zh) * | 2021-09-07 | 2021-12-03 | 河南大学 | 一种基于双目视觉的机械臂运动学自标定方法 |
CN113814987A (zh) * | 2021-11-24 | 2021-12-21 | 季华实验室 | 多相机机器人手眼标定方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
朱光耀: "基于无标定视觉伺服的全向移动机械臂跟踪控制", 《电子测量技术》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114589698B (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109794938B (zh) | 一种适用于曲面结构的机器人制孔误差补偿装置及其方法 | |
CN110370286B (zh) | 基于工业机器人和单目相机的定轴运动刚体空间位置识别方法 | |
CN110103217B (zh) | 工业机器人手眼标定方法 | |
CN110193829B (zh) | 一种耦合运动学与刚度参数辨识的机器人精度控制方法 | |
CN112873199B (zh) | 基于运动学与空间插值的机器人绝对定位精度标定方法 | |
CN112833786B (zh) | 一种舱段位姿测量及对准系统、控制方法及应用 | |
CN110281241A (zh) | 基于激光跟踪仪测量机械臂运动学参数标定方法 | |
CN111203861B (zh) | 一种机器人工具坐标系的标定方法及标定系统 | |
CN107607918B (zh) | 一种基于机器人的柱面近场测量馈源定位及偏焦方法 | |
CN110174074B (zh) | 一种用于工业机器人热形变误差补偿的测量装置及方法 | |
CN114523475B (zh) | 一种机器人装配系统误差自动标定与补偿装置及方法 | |
CN109176487A (zh) | 一种联动关节段标定方法、系统、设备、存储介质 | |
CN109059755B (zh) | 一种机器人高精度手眼标定方法 | |
CN114161425B (zh) | 一种工业机器人的误差补偿方法 | |
CN109443273B (zh) | 利用三维测量系统对待测工件进行精确定位的方法 | |
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 | |
CN115091456A (zh) | 基于矩阵求解的机器人手眼标定方法 | |
CN111331225B (zh) | 一种用于锅炉内圆管焊接的焊缝跟踪方法 | |
TW202302301A (zh) | 機械手臂與輪廓感測器座標系相對關係之自動校正方法與系統 | |
CN115179323A (zh) | 基于远心视觉约束的机器末位姿测量装置及精度提升方法 | |
CN114516055B (zh) | 基于双目视觉和深度学习的机械臂不停工实时标定方法及装置 | |
CN114589698A (zh) | 基于多目标视觉测量和机器学习的机械臂无模型实时标定方法及装置 | |
Yu et al. | Determination of optimal measurement configurations for self-calibrating a robotic visual inspection system with multiple point constraints | |
CN111006706B (zh) | 一种基于线激光视觉传感器的旋转轴标定方法 | |
Mei et al. | Calibration of a 6-DOF industrial robot considering the actual mechanical structures and CNC system |
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 |