CN115049730A - 零件装配方法、装置、电子设备及存储介质 - Google Patents
零件装配方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115049730A CN115049730A CN202210616084.6A CN202210616084A CN115049730A CN 115049730 A CN115049730 A CN 115049730A CN 202210616084 A CN202210616084 A CN 202210616084A CN 115049730 A CN115049730 A CN 115049730A
- Authority
- CN
- China
- Prior art keywords
- assembled
- parts
- pose
- point cloud
- pose conversion
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 238000006243 chemical reaction Methods 0.000 claims abstract description 151
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000009466 transformation Effects 0.000 claims description 31
- 239000013598 vector Substances 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000013500 data storage Methods 0.000 description 4
- 238000007499 fusion processing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
-
- 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
- B25J9/1679—Programme controls characterised by the tasks executed
- B25J9/1687—Assembly, peg and hole, palletising, straight line, weaving pattern movement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Automation & Control Theory (AREA)
- Image Analysis (AREA)
- General Factory Administration (AREA)
Abstract
本公开实施例提供了一种零件装配方法、装置、电子设备及存储介质。该方法,包括:获取每个待装配零件的三维点云数据,并分别确定每个待装配零件的零件标识特征;根据每个待装配零件的三维点云数据、零件标识特征以及预先训练完成的位姿转换模型,确定与每个待装配零件对应的位姿转换关系;其中,位姿转换模型基于样本装配体包含的样本零件和与样本零件对应的期望的位姿转换关系训练得到。在确定位姿转换关系后,可以根据每个待装配零件对应的位姿转换关系对至少两个待装配零件进行装配,得到目标装配体。本公开实施例的技术方案,能够更加准确地实现对零件的装配,提升了零件装配的准确度和泛化性,进一步提升零件装配的效率。
Description
技术领域
本公开实施例涉及数据处理技术,尤其涉及一种零件装配方法、装置、电子设备及存储介质。
背景技术
自动化零件装配是三维视觉中的一项重要技术,也是现代化智能机器人的一个理想功能,可应用于机器人家具组装、复杂工业产品批量生产等多个领域。
相关技术中,采用机器人学中的运动规划和执行器控制技术对零件进行装配。然而,这种装配方式往往是针对特定的零件进行装配,一旦改变装配的零件,容易出现零件装配错误的现象,存在零件装配泛化性较弱的问题。
发明内容
本公开提供一种零件装配方法、装置、电子设备及存储介质,以实现更加准确有效的对零件进行装配,提升了零件装配的准确度和泛化性,进一步提升零件装配的效率。
第一方面,本公开实施例提供了一种零件装配方法,该方法包括:
获取每个待装配零件的三维点云数据,并分别确定每个待装配零件的零件标识特征;
根据每个待装配零件的所述三维点云数据、所述零件标识特征以及预先训练完成的位姿转换模型,确定与每个待装配零件对应的位姿转换关系;
根据每个所述待装配零件对应的位姿转换关系对至少两个待装配零件进行装配,得到目标装配体;
其中,所述位姿转换模型基于样本装配体包含的样本零件和与所述样本零件对应的期望的位姿转换关系训练得到。
第二方面,本公开实施例还提供了一种零件装配装置,该装置包括:
特征获取模块,用于获取每个待装配零件的三维点云数据,并分别确定每个待装配零件的零件标识特征;
位姿确定模块,用于根据每个待装配零件的所述三维点云数据、所述零件标识特征以及预先训练完成的位姿转换模型,确定与每个待装配零件对应的位姿转换关系;
零件装配模块,用于根据每个所述待装配零件对应的位姿转换关系对至少两个待装配零件进行装配,得到目标装配体;
其中,所述位姿转换模型基于样本装配体包含的样本零件和与所述样本零件对应的期望的位姿转换关系训练得到。
第三方面,本公开实施例还提供了一种电子设备,所述电子设备包括:
一个或多个处理器;
存储器,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如本发明任意实施例所提供的零件装配方法。
第四方面,本公开实施例还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如本发明任意实施例所提供的零件装配方法。
本公开实施例的技术方案,通过获取每个待装配零件的三维点云数据,并分别确定每个待装配零件的零件标识特征,能够基于零件标识特征有效区分不同的零件。根据每个待装配零件的三维点云数据、零件标识特征以及预先训练完成的位姿转换模型,可以使得位姿转换模型能够对待装配零件进行针对性地预测,从而更加准确地确定与每个待装配零件对应的位姿转换关系。进而根据每个待装配零件对应的位姿转换关系,可以快速地对至少两个待装配零件进行装配,从而可以得到有效的目标装配体,可满足零件装配的需求。相较于现有技术,不仅存在零件装配准确度较低,而且还无法对语义未知的待装配零件进行快速且准确的装配,本公开实施例可快速有效且准确地对待装配零件进行装配,提升了零件装配的准确度和泛化性,进一步提升零件装配的效率。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1为本公开实施例所提供的一种零件装配方法的流程示意图;
图2为本公开实施例所提供的一种零件装配方法的流程示意图;
图3为本公开实施例所提供的一种零件装配方法的流程示意图;
图4为本公开实施例所提供的零件装配方法的模型训练的框架示意图;
图5为本公开实施例所提供的一种零件装配装置的结构示意图;
图6为本公开实施例所提供的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
可以理解的是,本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
图1为本公开实施例所提供的一种零件装配方法的流程示意图,本公开实施例适用于对三维点云的零件进行装配的情形,该方法可以由零件装配装置来执行,该装置可以通过软件和/或硬件的形式实现,可选的,通过电子设备来实现,该电子设备可以是移动终端、PC端或服务器等。
如图1所示,所述方法包括:
S110、获取每个待装配零件的三维点云数据,并分别确定每个待装配零件的零件标识特征。
其中,待装配零件可以理解为需要进行装配的零件。示例性的,待装配零件可以为椅子靠背、椅子座板以及椅子腿。可选的,待装配零件可以为仿真零件,也就是,零件的三维模型。装配指按照一定的工艺流程将待装配零件组装成产品的一系列操作活动。三维点云数据指在三维坐标系下的点的集合。待装配零件的三维点云数据可以理解为待装配零件表面采样点的集合。待装配零件的三维点云数据可以包括待装配零件表面采样点的三维空间坐标、强度值以及颜色等。零件标识特征可以是针对每个待装配零件预先设置的标识特征数据,可以用于区分不同的待装配零件。其中,标识特征数据的具体表现形式可以由字母和/或数字组成。待装配零件与零件标识特征之间的对应关系为一对一,这样设置的好处在于,在对相似度较高的待装配零件进行装配时,可准确地对待装配零件进行装配,从而避免出现装配错误的现象。
需要说明的是,零件标识特征可以从零件属性一个或多个维度生成。其中,零件属性至少包括零件数量和/或零件类别。
在本公开实施例中,每个待装配零件的三维点云数据的获取方式有多种,例如,可以是利用三维激光扫描设备扫描每个待装配零件,从而可以采集到待装配零件的三维点云数据;或者,可以是利用立体摄影摄像匹配技术获取待装配零件的三维点云数据;亦或者,可以是获取与每个待装配零件对应的三维点云数据存储文件,并读取每个三维点云数据存储文件中存储的三维点云数据,从而可以获取每个待装配零件的三维点云数据。其中,三维点云数据存储文件可以理解为用于存储待装配零件的三维点云数据的文件。需要说明的是,三维点云数据存储文件的文件格式可以为las、laz、pcd、txt、xyz、ptx或csv等,在此不做具体限定。
S120、根据每个待装配零件的所述三维点云数据、所述零件标识特征以及预先训练完成的位姿转换模型,确定与每个待装配零件对应的位姿转换关系。
其中,位姿转换关系可以理解为待装配零件的位置和姿态的转换关系,换言之,待装配零件由当前位姿转换为目标位姿的转换关系。目标位姿可以理解为对待装配零件进行装配后的待装配零件的位姿。位姿转换模型可以是基于样本装配体包含的样本零件和与所述样本零件对应的期望的位姿转换关系训练得到的人工智能模型。将待装配零件输入至位姿转换模型中后,能够准确的得到每个待装配零件对应的位姿转换关系。其中,样本零件可以理解为对预先构建的初始网络模型进行训练的零件。初始网络模型可以根据实际需求设定。样本装配体可以理解为对样本零件进行装配后期望得到的装配体。在实际应用中,样本装配体和样本零件之间的对应关系通常为一对多,也就是,一个样本装配体可以对应两个或两个以上的样本零件。
在本公开实施例中,基于样本装配体包含的样本零件和与所述样本零件对应的期望的位姿转换关系训练得到位姿转换模型,包括:获取样本装配体包含的样本零件和与所述样本零件对应的期望的位姿转换关系。进而可以基于样本装配体包含的样本零件和与所述样本零件对应的期望的位姿转换关系对预先构建的初始网络模型进行训练,从而可以得到训练完成的位姿转换模型。
在本公开实施例中,获取样本装配体包含的样本零件的方式有多种,例如,可以是从预先建立的零件数据库中获取样本装配体包含的样本零件的三维点云数据;或者,可以是基于三维点云数据扫描设备对样本装配体所包含的样本零件的实体进行扫描,从而可以获取样本装配体包含的样本零件的三维点云数据。在此基础上,获取与所述样本零件对应的期望的位姿转换关系,可以包括:确定样本配装体中样本零件的当前位姿和目标位姿;进而可以根据当前位姿和目标位姿,生成与样本零件对应的位姿转换关系,作为与样本零件对应的期望位姿转换关系。
在本公开实施例中,基于样本装配体包含的样本零件和与所述样本零件对应的期望的位姿转换关系训练得到位姿转换模型,包括:针对每个样本配装体,将所述样本配装体包含的每个样本零件的零件标识特征和三维点云数据输入至预先构建的初始网络模型中,得到所述位姿装换模型输出的实际位姿转换关系,也就是,得到与每个样本零件对应的实际位姿转换关系;进而可以根据每个样本零件的实际位姿转换关系和期望位姿转换关系计算损失函数。从而可以根据损失函数的计算结果对预先构建的初始网络模型的网络参数进行反向调整。
当反向调整的次数达到预设调整次数时;或者,当位姿转换模型的位姿转换关系达到预设误差条件;亦或者,当损失函数到达预设收敛条件时,可以停止模型训练,从而可以得到位姿转换模型。需要说明的是,预设调整次数、预设误差条件以及预设收敛条件可根据实际需求进行设置,在此不做具体限定。可选的,损失函数可以包括总体损失函数(overall loss)、距离损失函数(Chamfer Distance loss)以及最小值损失函数(Min-of-Nloss,MoN loss)等。
S130、根据每个所述待装配零件对应的位姿转换关系对至少两个待装配零件进行装配,得到目标装配体。
其中,目标装配体可以理解为对待装配零件进行装配后得到的装配体。沿用上例,目标装配体可以是将椅子靠背、椅子座板以及四个椅子腿进行装配后得到的椅子。
在本公开实施例中,所述根据每个所述待装配零件对应的位姿转换关系对至少两个待装配零件进行装配,得到目标装配体,包括:针对每个所述待装配零件,将所述待装配零件的三维点云数据按照所述待装配零件的对应的位姿转换关系进行转换,得到目标点云数据;根据每个所述待装配零件的目标点云数据对至少两个待装配零件进行装配,得到目标装配体。
其中,目标点云数据可以理解为对将待装配零件的三维点云数据按照待装配零件的对应的位姿转换关系进行转换后得到的点云数据。
本公开实施例的技术方案,通过获取每个待装配零件的三维点云数据,并分别确定每个待装配零件的零件标识特征,能够基于零件标识特征有效区分不同的零件。根据每个待装配零件的三维点云数据、零件标识特征以及预先训练完成的位姿转换模型,可以使得位姿转换模型能够对待装配零件进行针对性地预测,从而更加准确地确定与每个待装配零件对应的位姿转换关系。进而根据每个待装配零件对应的位姿转换关系,可以快速地对至少两个待装配零件进行装配,从而可以得到有效的目标装配体,可满足零件装配的需求。相较于现有技术,不仅存在零件装配准确度较低,而且还无法对语义未知的待装配零件进行快速且准确的装配,本公开实施例可快速有效且准确地对待装配零件进行装配,提升了零件装配的准确度和泛化性,进一步提升零件装配的效率。
图2为本公开实施例所提供的一种零件装配方法的流程示意图。本实施例在上述实施例基础上,提供一种如何得到每个待装配零件的零件标识特征的可选方案。可选地,所述分别确定每个待装配零件的零件标识特征,包括:分别对每个所述待装配零件进行编码,得到每个所述待装配零件的零件标识特征。其中,与前述实施例中相同或相应的技术特征不再赘述。
如图2所示,本实施例的方法可包括:
S210、获取每个待装配零件的三维点云数据,并分别对每个所述待装配零件进行编码,得到每个所述待装配零件的零件标识特征。
本公开实施例中,分别对每个待装配零件进行编码的方式有多种。例如,作为本公开实施例中的一种可选的实施方式,分别将每个所述待装配零件作为一类,采用独热向量对每个所述待装配零件进行编码,即One-Hot编码,又称为一位有效编码。可选地,待装配零件和待装配零件的编码的对应关系为一对一。具体地,所述独热向量的长度与所述待装配零件的总数量相同。
示例性的,待装配零件包括零件A、零件B和零件C。采用独热向量分别对零件A、零件B和零件C进行编码后,零件A、零件B和零件C的零件标识特征依次可以为100、010以及001;或者,依次可以为010、100以及001;或者,可以为001、100以及010,等。
本公开实施例中,采用独热向量对每个待装配零件进行编码后,独热编码的每个待装配零件都是一个类别,彼此独立,可解决分类器处理属性数据效果不佳的问题,在一定程度上也起到了扩充特征的作用。
作为本公开实施例中的另一种可选的实施方式,将所述待装配零件的进行聚类处理,进而可以确定每个所述待装配零件所属的类别。从而可以根据每个所述待装配零件所属的类别对每个所述待装配零件进行编码。其中,属于同一类别的每个所述待装配零件的编码相同,这样设置的好处在于,可避免类别相似的零件出现混淆现象,从而导致零件装配错误。可选的,根据每个所述待装配零件所属的类别对每个所述待装配零件进行编码,包括:采用独热向量根据每个所述待装配零件所属的类别对每个所述待装配零件进行编码,其中,所述独热向量的长度与所述待装配零件的总数量相同。
沿用上例,待装配零件包括零件A、零件B和零件C。假设将零件A、零件B以及零件C进行聚类处理,得到零件A所属的类别为类别一、零件B所属的类别为类别一、以及零件C所属的类别为类别二。可以采用独热向量根据类别对零件A、零件B以及零件C进行编码,编码后,零件A、零件B以及零件C的零件标识特征依次可以为110、110以及001;或者,依次可以为011、011以及100;或者,依次可以为101、101以及010。
可选的,所述将所述待装配零件的进行聚类处理,包括:根据每个将所述待装配零件的三维点云数据确定每两个所述待装配零件之间的零件相似度,根据所述零件相似度待装配零件的进行聚类处理。
具体的,根据每个将待装配零件的三维点云数据确定每两个待装配零件之间的零件相似度。如果零件相似度超过预设零件相似度阈值,则可以确定与该零件相似度对应的两个待装配零件的类别相同,那么,可以将与该零件相似度对应的两个待装配零件作为一类。其中,预设零件相似度阈值可以是根据实际需求进行设置,在此并不做具体限定,例如可以是80%、90%、95%或100%等。
作为本公开实施例中的又一种可选的实施方式,分别将每个所述待装配零件作为一类,采用独热向量对每个所述待装配零件进行编码,其中,所述独热向量的长度与所述待装配零件的总数量相同;以及,将所述待装配零件的进行聚类处理,根据每个所述待装配零件所属的类别对每个所述待装配零件进行编码,其中,属于同一类别的每个所述待装配零件的编码相同。
可以理解的是,每个待装配零件的零件标识特征可以由采用独热向量对每个所述待装配零件进行编码的编码结果,和,根据每个所述待装配零件所属的类别对每个所述待装配零件进行编码的编码结果组成。这样编码可在零件装配过程中,保证零件装配的准确度。
S220、根据每个待装配零件的所述三维点云数据、所述零件标识特征以及预先训练完成的位姿转换模型,确定与每个待装配零件对应的位姿转换关系。
S230、根据每个所述待装配零件对应的位姿转换关系对至少两个待装配零件进行装配,得到目标装配体。
本公开实施例的技术方案,通过分别对每个所述待装配零件进行编码,可以得到每个所述待装配零件的零件标识特征,进而,通过位姿转换模型准确识别每个待装配零件的位姿转换关系,从而可以在零件装配过程中,可以每个待装配零件的根据位姿转换关系准确地对语义未知的待装配零件进行装配,从而保证零件装配的精准度。
图4为本公开实施例所提供的一种零件装配方法的流程示意图。本实施例在上述实施例基础上,可选地,所述位姿转换模型包括特征提取网络和位姿预测网络;所述根据每个待装配零件的所述三维点云数据、所述零件标识特征以及预先训练完成的位姿转换模型,确定与每个待装配零件对应的位姿转换关系,包括:将所述待装配零件的三维点云数据,输入至预先训练完成的位姿转换模型中的特征提取网络,得到每个所述待装配零件的零件点云特征;根据每个所述待装配零件的所述零件点云特征和所述零件标识特征确定每个所述待装配零件的待预测特征数据;将所述待预测特征数据输入至所述位姿转换模型中的位姿预测网络中,得到与每个所述待装配零件对应的位姿转换关系。
其中,与前述实施例中相同或相应的技术特征不再赘述。
如图3所示,本实施例的方法可包括:
S310、获取每个待装配零件的三维点云数据,并分别确定每个待装配零件的零件标识特征。
S320、将所述待装配零件的三维点云数据,输入至预先训练完成的位姿转换模型中的特征提取网络,得到每个所述待装配零件的零件点云特征。
其中,特征提取网络可以用于对待装配零件的三维点云数据进行特征提取。可选的,特征提取网络可以为pointnet神经网络。采用pointnet神经网络提取待装配零件的零件点云特征,可最大限度的保留点云数据的空间特征,为后续零件装配奠定基础。零件点云特征可以是对待装配零件的三维点云数据进行特征提取后得到的特征数据。
具体的,将待装配零件的三维点云数据输入到预先训练完成的位姿转换模型中的特征提取网络中,以使特征提取网络对输入的三维点云数据中的每个点学习其对应的空间编码。在待装配零件的三维点云数据中的所有点学习完成后,可以得到三维点云数据中每个点的特征。进而可以基于所有点的特征得到一个全局的点云特征,也就是得到待装配零件的零件点云特征。
S330、根据每个所述待装配零件的所述零件点云特征和所述零件标识特征确定每个所述待装配零件的待预测特征数据。
其中,待预测特征数据可以是基于零件点云特征和零件标识特征生成的。
具体的,针对每个待装配零件,可以将待装配零件的零件点云特征和零件标识特征进行特征融合处理。进而可以根据特征融合处理的结果确定待装配零件的待预测特征数据。
在本公开实施例中,将待装配零件的零件点云特征和零件标识特征进行特征融合处理,包括:将待装配零件的零件点云特征和零件标识特征进行相加或拼接处理。
本公开实施例中,根据每个所述待装配零件的所述零件点云特征和所述零件标识特征确定每个所述待装配零件的待预测特征数据的方式有多种。作为本公开实施例中的一种可选的实施方式,针对每个所述待装配零件,可以将所述待装配零件的所述零件点云特征和所述零件标识特征进行拼接,得到所述待装配零件的待预测特征数据。
作为本发明实施例中的另一中可选的实施方式,针对每个所述待装配零件,将所述待装配零件的所述零件点云特征和所述零件标识特征组合成复向量,将组合成的复向量作为待装配零件的待预测特征数据。可选的,通过下述公式表示待装配零件的待预测特征数据:
z=x+iy
其中,z可以表示待装配零件的待预测特征数据,x可以表示待装配零件的零件点云特征,y可以表示待装配零件的零件标识特征,i表示虚数单位。可以理解的是,x可以表示待装配零件的零件标识特征,那么,y可以表示待装配零件的零件点云特征。
S340、将所述待预测特征数据输入至所述位姿转换模型中的位姿预测网络中,得到与每个所述待装配零件对应的位姿转换关系。
其中,位姿预测网络可以用于得到与每个待装配零件对应的位姿装换关系。可选地,所述位姿预测网络包括基于自注意力机制构建的位姿转换模块和与所述位姿预测模块连接的预测输出模块。其中,自注意力机制构建的位姿转换模块可以用于确定各待预测特征数据之间存在关联关系。预测输出模块可以用于与每个待装配零件对应的位姿转换关系。
在本公开实施例中,所述将所述待预测特征数据输入至所述位姿转换模型中的位姿预测网络中,得到与每个所述待装配零件对应的位姿转换关系,包括:将所述待预测特征数据输入至所述位姿转换模型中的位姿转换模块,得到与所述待预测特征数据对应的零件间关联特征;将所述零件间关联特征输入至所述位姿转换模型中的预测输出模块,得到与每个所述待装配零件对应的位姿转换关系。其中,零件间关联特征可以是基于各待预测特征数据之间的关联关系生成的,可以用于体现各待装配零件之间的关联关系。
S350、根据每个所述待装配零件对应的位姿转换关系对至少两个待装配零件进行装配,得到目标装配体。
本公开实施例的技术方案,通过将所述待装配零件的三维点云数据,输入至预先训练完成的位姿转换模型中的特征提取网络,可以得到每个所述待装配零件的零件点云特征;进而可以根据每个所述待装配零件的所述零件点云特征和所述零件标识特征确定每个所述待装配零件的待预测特征数据。进一步,可以将所述待预测特征数据输入至所述位姿转换模型中的位姿预测网络中,可以更加快速且准确地得到与每个所述待装配零件对应的位姿转换关系,以便于后续对待装配零件进行装配。
作为本公开实施例的一可选实例,本公开实施例提供的一种零件装配方法的模型训练的框架示意图。本公开实施例中,初始网络模型的网络可以包括特征提取网络和位姿预测网络。可选的,特征提取网络可以为点云特征提取网络。可选的,位姿预测网络可以包括基于自注意力机制构建的位姿转换模块和与所述位姿预测模块连接的预测输出模块。
如图4所示,将每个待装配零件的三维点云数据(分别用P1,……,PN-1,PN表示),输入至初始网络模型的特征提取网络(Shared PointNet)中,得到每个待装配零件的零件点云特征。以待装配零件的三维点云数据是P1为例,将P1输入到Shared PointNet中,可以得到P1的零件点云特征可以理解的是,将每个待装配零件的三维点云数据数据输入至特征提取网络中,可以得到与每个三维点云数据对应的零件点云特征。
在得到每个三维点云数据对应的零件点云特征后,可以将每个待装配零件的零件点云特征和零件标识特征进行拼接处理(Instance Encoding),从而可以得到每个待装配零件的待预测特征。将待预测特征输入至初始网络模型的基于自注意力机制构建的位姿转换模块(Self-Attention)中,计算得到每两个待预测特征之间的特征相似度。进而,根据特征相似度对待预测特征进行加权求和运算。从而可以得到与待预测特征对应的零件间关联特征。可以理解的是,待预测特征为特征向量。在本公开实施例中,位姿转换模型可以包括N层自注意力机制,可在每次处理中,重新计算基于各待预测特征之间的相似度,以更新待预测特征的权重,从而得到与待预测特征对应的零件间关联特征,以三维点云数据为P1的零件为例,该零件,与自身以及除他之外的其他零件的零件关联特征为
在得到零件间关联特征后,可以将零件间关联特征输入至初始网络模型的预测输出模块(3-Layer Perception),可以得到每个样本零件对应的实际位姿转换关系。可通过表达式表示每个样本零件对应的实际位姿转换关系。进而可以根据每个样本零件对应的实际位姿转换关系和期望位姿转换关系计算损失函数。从而可以根据损失函数的计算结果反向调整零件间关联特征(如,)、特征相似度对应的权重以及待预测特征。从而可以得到位姿转换模型。
其中,样本配装体包含的每个样本零件的零件标识特征可以是,采用独热向量对样本配装体包含的每个样本零件进行编码后得到的编码数据。在本发明实施例中,可分别将样本配装体所包含的每个样本零件作为一类,采用独热向量对每个所述样本零件进行编码,其中,所述独热向量的长度与所述样本零件的总数量相同;和/或,将所述样本零件的进行聚类处理,根据每个所述样本零件所属的类别对每个所述样本零件进行编码,其中,属于同一类别的每个所述待装配零件的编码相同。这样编码的好处在于,在训练初始网络模型的过程中,可保证相同类别的样本零件对应不同的位姿,形状相似的样本零件对应不同的零件功能,添加了样本零件与位姿之间的依赖关系,以便于后续零件过程中可以更加准确的得到每个待装配零件的位姿转换关系。
最后,根据每个待装配零件对应的位姿转换关系对至少两个待装配零件进行装配,得到目标装配体。
本公开实施例的技术方案,通过采用独热向量对样本装配体包含的每个样本零件进行编码,从而得到每个样本零件的零件标识特征。将每个样本零件的零件标识特征和三维点云数据,输入到预先构建的初始网络模型中,得到初始网络模型输出的与每个样本零件对应的实际位姿转换关系。根据每个样本零件对应的实际位姿转换关系和期望位姿转换关系,反向调整初始网络模型的网络参数。从而可以得到位姿转换模型。以便于后续基于该位姿转换模型对待装配零件进行更加快速以及准确的装配,提升了零件装配的准确度和泛化性,进一步提升零件装配的效率。
图5为本公开实施例所提供的一种零件装配装置的结构示意图,如图5所示,所述装置包括:特征获取模块410、位姿确定模块420以及零件装配模块430。
其中,特征获取模块410,用于获取每个待装配零件的三维点云数据,并分别确定每个待装配零件的零件标识特征;位姿确定模块420,用于根据每个待装配零件的所述三维点云数据、所述零件标识特征以及预先训练完成的位姿转换模型,确定与每个待装配零件对应的位姿转换关系;零件装配模块430,用于根据每个所述待装配零件对应的位姿转换关系对至少两个待装配零件进行装配,得到目标装配体;其中,所述位姿转换模型基于样本装配体包含的样本零件和与所述样本零件对应的期望的位姿转换关系训练得到。
本公开实施例的技术方案,通过特征获取模块获取每个待装配零件的三维点云数据,并分别确定每个待装配零件的零件标识特征。通过位姿确定模块根据每个待装配零件的三维点云数据、零件标识特征以及预先训练完成的位姿转换模型,可以更加准确地确定与每个待装配零件对应的位姿转换关系。进而通过零件装配模块,根据每个待装配零件对应的位姿转换关系,可以快速地对至少两个待装配零件进行装配,从而可以得到有效的目标装配体。相较于现有技术,不仅存在零件装配准确度较低,而且还无法对语义未知的待装配零件进行快速且准确的装配,本公开实施例可快速有效且准确地对待装配零件进行装配,不仅提高了零件装配的准率度,而且还提升了零件装配的效率。
在上述各可选技术方案的基础上,可选地,特征获取模块410包括零件编码单元,其中,
所述零件编码单元,用于分别对每个所述待装配零件进行编码,得到每个所述待装配零件的零件标识特征。
在上述各可选技术方案的基础上,可选地,所述零件编码单元,具体用于:
分别将每个所述待装配零件作为一类,采用独热向量对每个所述待装配零件进行编码,其中,所述独热向量的长度与所述待装配零件的总数量相同;
和/或,
将所述待装配零件的进行聚类处理,根据每个所述待装配零件所属的类别对每个所述待装配零件进行编码,其中,属于同一类别的每个所述待装配零件的编码相同。
在上述各可选技术方案的基础上,可选地,所述零件编码单元,具体用于:
根据每个将所述待装配零件的三维点云数据确定每两个所述待装配零件之间的零件相似度,根据所述零件相似度待装配零件的进行聚类处理。
在上述各可选技术方案的基础上,可选地,所述位姿转换模型包括特征提取网络和位姿预测网络;
所述位姿确定模块420,包括:点云特征得到单元、待预测特征数据得到单元以及位姿转换关系得到单元;其中,
点云特征得到单元,用于将所述待装配零件的三维点云数据,输入至预先训练完成的位姿转换模型中的特征提取网络,得到每个所述待装配零件的零件点云特征;
待预测特征数据得到单元,用于根据每个所述待装配零件的所述零件点云特征和所述零件标识特征确定每个所述待装配零件的待预测特征数据;
位姿转换关系得到单元,用于将所述待预测特征数据输入至所述位姿转换模型中的位姿预测网络中,得到与每个所述待装配零件对应的位姿转换关系。
在上述各可选技术方案的基础上,可选地,待预测特征数据得到单元,具体用于:
针对每个所述待装配零件,将所述待装配零件的所述零件点云特征和所述零件标识特征进行拼接,得到所述待装配零件的待预测特征数据。
在上述各可选技术方案的基础上,可选地,所述位姿预测网络包括基于自注意力机制构建的位姿转换模块和与所述位姿预测模块连接的预测输出模块。
在上述各可选技术方案的基础上,可选地,位姿转换关系得到单元,具体用于:
将所述待预测特征数据输入至所述位姿转换模型中的位姿转换模块,得到与所述待预测特征数据对应的零件间关联特征;
将所述零件间关联特征输入至所述位姿转换模型中的预测输出模块,得到与每个所述待装配零件对应的位姿转换关系。
在上述各可选技术方案的基础上,可选地,零件装配模块430,具体用于:
针对每个所述待装配零件,将所述待装配零件的三维点云数据按照所述待装配零件的对应的位姿转换关系进行转换,得到目标点云数据;
根据每个所述待装配零件的目标点云数据对至少两个待装配零件进行装配,得到目标装配体。
本公开实施例所提供的零件装配装置可执行本公开任意实施例所提供的零件装配方法,具备执行方法相应的功能模块和有益效果。
值得注意的是,上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本公开实施例的保护范围。
图6为本公开实施例所提供的一种电子设备的结构示意图。下面参考图6,其示出了适于用来实现本公开实施例的电子设备(例如图6中的终端设备或服务器)500的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。编辑/输出(I/O)接口505也连接至总线504。
通常,以下装置可以连接至I/O接口505:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507;包括例如磁带、硬盘等的存储装置508;以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备500,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置509从网络上被下载和安装,或者从存储装置508被安装,或者从ROM 502被安装。在该计算机程序被处理装置501执行时,执行本公开实施例的方法中限定的上述功能。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
本公开实施例提供的电子设备与上述实施例提供的零件装配方法属于同一发明构思,未在本实施例中详尽描述的技术细节可参见上述实施例,并且本实施例与上述实施例具有相同的有益效果。
本公开实施例提供了一种计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述实施例所提供的零件装配方法。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取每个待装配零件的三维点云数据,并分别确定每个待装配零件的零件标识特征;根据每个待装配零件的所述三维点云数据、所述零件标识特征以及预先训练完成的位姿转换模型,确定与每个待装配零件对应的位姿转换关系;根据每个所述待装配零件对应的位姿转换关系对至少两个待装配零件进行装配,得到目标装配体;其中,所述位姿转换模型基于样本装配体包含的样本零件和与所述样本零件对应的期望的位姿转换关系训练得到。
或者,上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取每个待装配零件的三维点云数据,并分别确定每个待装配零件的零件标识特征;根据每个待装配零件的所述三维点云数据、所述零件标识特征以及预先训练完成的位姿转换模型,确定与每个待装配零件对应的位姿转换关系;根据每个所述待装配零件对应的位姿转换关系对至少两个待装配零件进行装配,得到目标装配体;其中,所述位姿转换模型基于样本装配体包含的样本零件和与所述样本零件对应的期望的位姿转换关系训练得到。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例,【示例一】提供了一种零件装配方法,包括:
获取每个待装配零件的三维点云数据,并分别确定每个待装配零件的零件标识特征;
根据每个待装配零件的所述三维点云数据、所述零件标识特征以及预先训练完成的位姿转换模型,确定与每个待装配零件对应的位姿转换关系;
根据每个所述待装配零件对应的位姿转换关系对至少两个待装配零件进行装配,得到目标装配体;
其中,所述位姿转换模型基于样本装配体包含的样本零件和与所述样本零件对应的期望的位姿转换关系训练得到。
根据本公开的一个或多个实施例,【示例二】提供了一种零件装配方法,包括:
可选地,所述分别确定每个待装配零件的零件标识特征,包括:
分别对每个所述待装配零件进行编码,得到每个所述待装配零件的零件标识特征。
根据本公开的一个或多个实施例,【示例三】提供了一种零件装配方法,包括:
可选地,所述分别对每个所述待装配零件进行编码,包括:
分别将每个所述待装配零件作为一类,采用独热向量对每个所述待装配零件进行编码,其中,所述独热向量的长度与所述待装配零件的总数量相同;
和/或,
将所述待装配零件的进行聚类处理,根据每个所述待装配零件所属的类别对每个所述待装配零件进行编码,其中,属于同一类别的每个所述待装配零件的编码相同。
根据本公开的一个或多个实施例,【示例四】提供了一种零件装配方法,包括:
可选地,所述将所述待装配零件的进行聚类处理,包括:
根据每个将所述待装配零件的三维点云数据确定每两个所述待装配零件之间的零件相似度,根据所述零件相似度待装配零件的进行聚类处理。
根据本公开的一个或多个实施例,【示例五】提供了一种零件装配方法,包括:
可选地,所述位姿转换模型包括特征提取网络和位姿预测网络;所述根据每个待装配零件的所述三维点云数据、所述零件标识特征以及预先训练完成的位姿转换模型,确定与每个待装配零件对应的位姿转换关系,包括:
将所述待装配零件的三维点云数据,输入至预先训练完成的位姿转换模型中的特征提取网络,得到每个所述待装配零件的零件点云特征;
根据每个所述待装配零件的所述零件点云特征和所述零件标识特征确定每个所述待装配零件的待预测特征数据;
将所述待预测特征数据输入至所述位姿转换模型中的位姿预测网络中,得到与每个所述待装配零件对应的位姿转换关系。
根据本公开的一个或多个实施例,【示例六】提供了一种零件装配方法,包括:
可选地,所述根据每个所述待装配零件的所述零件点云特征和所述零件标识特征确定每个所述待装配零件的待预测特征数据,包括:
针对每个所述待装配零件,将所述待装配零件的所述零件点云特征和所述零件标识特征进行拼接,得到所述待装配零件的待预测特征数据。
根据本公开的一个或多个实施例,【示例七】提供了一种零件装配方法,包括:
可选地,所述位姿预测网络包括基于自注意力机制构建的位姿转换模块和与所述位姿预测模块连接的预测输出模块。
根据本公开的一个或多个实施例,【示例八】提供了一种零件装配方法,包括:
可选地,所述将所述待预测特征数据输入至所述位姿转换模型中的位姿预测网络中,得到与每个所述待装配零件对应的位姿转换关系,包括:
将所述待预测特征数据输入至所述位姿转换模型中的位姿转换模块,得到与所述待预测特征数据对应的零件间关联特征;
将所述零件间关联特征输入至所述位姿转换模型中的预测输出模块,得到与每个所述待装配零件对应的位姿转换关系。
根据本公开的一个或多个实施例,【示例九】提供了一种零件装配方法,包括:
可选地,所述根据每个所述待装配零件对应的位姿转换关系对至少两个待装配零件进行装配,得到目标装配体,包括:
针对每个所述待装配零件,将所述待装配零件的三维点云数据按照所述待装配零件的对应的位姿转换关系进行转换,得到目标点云数据;
根据每个所述待装配零件的目标点云数据对至少两个待装配零件进行装配,得到目标装配体。
根据本公开的一个或多个实施例,【示例十】提供了一种零件装配装置,包括:
特征获取模块,用于获取每个待装配零件的三维点云数据,并分别确定每个待装配零件的零件标识特征;
位姿确定模块,用于根据每个待装配零件的所述三维点云数据、所述零件标识特征以及预先训练完成的位姿转换模型,确定与每个待装配零件对应的位姿转换关系;
零件装配模块,用于根据每个所述待装配零件对应的位姿转换关系对至少两个待装配零件进行装配,得到目标装配体;
其中,所述位姿转换模型基于样本装配体包含的样本零件和与所述样本零件对应的期望的位姿转换关系训练得到。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (12)
1.一种零件装配方法,其特征在于,包括:
获取每个待装配零件的三维点云数据,并分别确定每个待装配零件的零件标识特征;
根据每个待装配零件的所述三维点云数据、所述零件标识特征以及预先训练完成的位姿转换模型,确定与每个待装配零件对应的位姿转换关系;
根据每个所述待装配零件对应的位姿转换关系对至少两个待装配零件进行装配,得到目标装配体;
其中,所述位姿转换模型基于样本装配体包含的样本零件和与所述样本零件对应的期望的位姿转换关系训练得到。
2.根据权利要求1所述的零件装配方法,其特征在于,所述分别确定每个待装配零件的零件标识特征,包括:
分别对每个所述待装配零件进行编码,得到每个所述待装配零件的零件标识特征。
3.根据权利要求2所述的零件装配方法,其特征在于,所述分别对每个所述待装配零件进行编码,包括:
分别将每个所述待装配零件作为一类,采用独热向量对每个所述待装配零件进行编码,其中,所述独热向量的长度与所述待装配零件的总数量相同;
和/或,
将所述待装配零件的进行聚类处理,根据每个所述待装配零件所属的类别对每个所述待装配零件进行编码,其中,属于同一类别的每个所述待装配零件的编码相同。
4.根据权利要求3所述的零件装配方法,其特征在于,所述将所述待装配零件的进行聚类处理,包括:
根据每个将所述待装配零件的三维点云数据确定每两个所述待装配零件之间的零件相似度,根据所述零件相似度待装配零件的进行聚类处理。
5.根据权利要求1-4任一所述的零件装配方法,其特征在于,所述位姿转换模型包括特征提取网络和位姿预测网络;所述根据每个待装配零件的所述三维点云数据、所述零件标识特征以及预先训练完成的位姿转换模型,确定与每个待装配零件对应的位姿转换关系,包括:
将所述待装配零件的三维点云数据,输入至预先训练完成的位姿转换模型中的特征提取网络,得到每个所述待装配零件的零件点云特征;
根据每个所述待装配零件的所述零件点云特征和所述零件标识特征确定每个所述待装配零件的待预测特征数据;
将所述待预测特征数据输入至所述位姿转换模型中的位姿预测网络中,得到与每个所述待装配零件对应的位姿转换关系。
6.根据权利要求5所述的零件装配方法,其特征在于,所述根据每个所述待装配零件的所述零件点云特征和所述零件标识特征确定每个所述待装配零件的待预测特征数据,包括:
针对每个所述待装配零件,将所述待装配零件的所述零件点云特征和所述零件标识特征进行拼接,得到所述待装配零件的待预测特征数据。
7.根据权利要求5所述的零件装配方法,其特征在于,所述位姿预测网络包括基于自注意力机制构建的位姿转换模块和与所述位姿预测模块连接的预测输出模块。
8.根据权利要求7所述的零件装配方法,其特征在于,所述将所述待预测特征数据输入至所述位姿转换模型中的位姿预测网络中,得到与每个所述待装配零件对应的位姿转换关系,包括:
将所述待预测特征数据输入至所述位姿转换模型中的位姿转换模块,得到与所述待预测特征数据对应的零件间关联特征;
将所述零件间关联特征输入至所述位姿转换模型中的预测输出模块,得到与每个所述待装配零件对应的位姿转换关系。
9.根据权利要求1-4任一所述的零件装配方法,其特征在于,所述根据每个所述待装配零件对应的位姿转换关系对至少两个待装配零件进行装配,得到目标装配体,包括:
针对每个所述待装配零件,将所述待装配零件的三维点云数据按照所述待装配零件的对应的位姿转换关系进行转换,得到目标点云数据;
根据每个所述待装配零件的目标点云数据对至少两个待装配零件进行装配,得到目标装配体。
10.一种零件装配装置,其特征在于,包括:
特征获取模块,用于获取每个待装配零件的三维点云数据,并分别确定每个待装配零件的零件标识特征;
位姿确定模块,用于根据每个待装配零件的所述三维点云数据、所述零件标识特征以及预先训练完成的位姿转换模型,确定与每个待装配零件对应的位姿转换关系;
零件装配模块,用于根据每个所述待装配零件对应的位姿转换关系对至少两个待装配零件进行装配,得到目标装配体;
其中,所述位姿转换模型基于样本装配体包含的样本零件和与所述样本零件对应的期望的位姿转换关系训练得到。
11.一种电子设备,其特征在于,所述电子设备包括:
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如权利要求1-9中任一所述的零件装配方法。
12.一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-9中任一所述的零件装配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210616084.6A CN115049730B (zh) | 2022-05-31 | 2022-05-31 | 零件装配方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210616084.6A CN115049730B (zh) | 2022-05-31 | 2022-05-31 | 零件装配方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115049730A true CN115049730A (zh) | 2022-09-13 |
CN115049730B CN115049730B (zh) | 2024-04-26 |
Family
ID=83159105
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210616084.6A Active CN115049730B (zh) | 2022-05-31 | 2022-05-31 | 零件装配方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115049730B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116401785A (zh) * | 2023-03-28 | 2023-07-07 | 广州中望龙腾软件股份有限公司 | 一种基于MLP-Mixer的装配数据管理方法及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106251353A (zh) * | 2016-08-01 | 2016-12-21 | 上海交通大学 | 弱纹理工件及其三维位姿的识别检测方法及系统 |
CN108491776A (zh) * | 2018-03-12 | 2018-09-04 | 青岛理工大学 | 基于像素分类的装配体零件识别方法、装置及监测系统 |
CN109373898A (zh) * | 2018-11-27 | 2019-02-22 | 华中科技大学 | 一种基于三维测量点云的复杂零件位姿估计系统及方法 |
CN109448034A (zh) * | 2018-10-24 | 2019-03-08 | 华侨大学 | 一种基于几何基元的零件位姿获取方法 |
US20190102909A1 (en) * | 2016-03-11 | 2019-04-04 | Siemens Aktiengesellschaft | Automated identification of parts of an assembly |
CN112017226A (zh) * | 2020-08-26 | 2020-12-01 | 清华大学深圳国际研究生院 | 面向工业零件6d位姿估计的方法及计算机可读存储介质 |
CN112476434A (zh) * | 2020-11-24 | 2021-03-12 | 新拓三维技术(深圳)有限公司 | 一种基于协作机器人的视觉3d取放方法及系统 |
CN112801977A (zh) * | 2021-01-28 | 2021-05-14 | 青岛理工大学 | 一种基于深度学习的装配体零件相对位姿估计监测方法 |
CN113128610A (zh) * | 2021-04-26 | 2021-07-16 | 苏州飞搜科技有限公司 | 一种工业零件位姿估计方法及系统 |
CN113706689A (zh) * | 2021-08-04 | 2021-11-26 | 西安交通大学 | 一种基于Hololens深度数据的装配指导方法及系统 |
CN113715016A (zh) * | 2021-08-17 | 2021-11-30 | 嘉兴市敏硕智能科技有限公司 | 一种基于3d视觉的机器人抓取方法、系统、装置及介质 |
CN113920061A (zh) * | 2021-09-09 | 2022-01-11 | 中国科学院自动化研究所 | 工业机器人的作业方法、装置、电子设备及存储介质 |
-
2022
- 2022-05-31 CN CN202210616084.6A patent/CN115049730B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190102909A1 (en) * | 2016-03-11 | 2019-04-04 | Siemens Aktiengesellschaft | Automated identification of parts of an assembly |
CN106251353A (zh) * | 2016-08-01 | 2016-12-21 | 上海交通大学 | 弱纹理工件及其三维位姿的识别检测方法及系统 |
CN108491776A (zh) * | 2018-03-12 | 2018-09-04 | 青岛理工大学 | 基于像素分类的装配体零件识别方法、装置及监测系统 |
CN109448034A (zh) * | 2018-10-24 | 2019-03-08 | 华侨大学 | 一种基于几何基元的零件位姿获取方法 |
CN109373898A (zh) * | 2018-11-27 | 2019-02-22 | 华中科技大学 | 一种基于三维测量点云的复杂零件位姿估计系统及方法 |
CN112017226A (zh) * | 2020-08-26 | 2020-12-01 | 清华大学深圳国际研究生院 | 面向工业零件6d位姿估计的方法及计算机可读存储介质 |
CN112476434A (zh) * | 2020-11-24 | 2021-03-12 | 新拓三维技术(深圳)有限公司 | 一种基于协作机器人的视觉3d取放方法及系统 |
CN112801977A (zh) * | 2021-01-28 | 2021-05-14 | 青岛理工大学 | 一种基于深度学习的装配体零件相对位姿估计监测方法 |
CN113128610A (zh) * | 2021-04-26 | 2021-07-16 | 苏州飞搜科技有限公司 | 一种工业零件位姿估计方法及系统 |
CN113706689A (zh) * | 2021-08-04 | 2021-11-26 | 西安交通大学 | 一种基于Hololens深度数据的装配指导方法及系统 |
CN113715016A (zh) * | 2021-08-17 | 2021-11-30 | 嘉兴市敏硕智能科技有限公司 | 一种基于3d视觉的机器人抓取方法、系统、装置及介质 |
CN113920061A (zh) * | 2021-09-09 | 2022-01-11 | 中国科学院自动化研究所 | 工业机器人的作业方法、装置、电子设备及存储介质 |
Non-Patent Citations (6)
Title |
---|
RUFENG ZHANG 等: "3D Part Assembly Generation With Instance Encoded Transformer", 《IEEE ROBOTICS AND AUTOMATION LETTERS》, vol. 07, no. 04, 31 October 2022 (2022-10-31), pages 9051 - 9058 * |
YUNXIAO SHI 等: "Pairwise Attention Encoding for Point Cloud Feature Learning", 《2019 INTERNATIONAL CONFERENCE ON 3D VISION》, 31 October 2019 (2019-10-31), pages 135 - 144 * |
徐杰: "基于3D视觉技术的堆叠工件位姿估计研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》, no. 2022, 15 March 2022 (2022-03-15), pages 022 - 1601 * |
李根龙: "面向机器人装配的目标识别与位姿获取技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 2022, 15 January 2022 (2022-01-15), pages 138 - 1528 * |
祝瑞红: "基于三维点云的工件检测与姿态估计研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 2022, 15 March 2022 (2022-03-15), pages 029 - 429 * |
许鑫: "基于三维视觉的轴孔自动化装配方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》, no. 2022, 15 April 2022 (2022-04-15), pages 022 - 1094 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116401785A (zh) * | 2023-03-28 | 2023-07-07 | 广州中望龙腾软件股份有限公司 | 一种基于MLP-Mixer的装配数据管理方法及系统 |
CN116401785B (zh) * | 2023-03-28 | 2023-12-08 | 广州中望龙腾软件股份有限公司 | 一种基于MLP-Mixer的装配数据管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115049730B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112258512A (zh) | 点云分割方法、装置、设备和存储介质 | |
CN113704531A (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
CN112801047B (zh) | 缺陷检测方法、装置、电子设备及可读存储介质 | |
CN112650841A (zh) | 信息处理方法、装置和电子设备 | |
CN113642673A (zh) | 图像生成方法、装置、设备及存储介质 | |
CN112200173A (zh) | 多网络模型训练方法、图像标注方法和人脸图像识别方法 | |
CN110097004B (zh) | 面部表情识别方法和装置 | |
CN115578570A (zh) | 图像处理方法、装置、可读介质及电子设备 | |
CN115049730A (zh) | 零件装配方法、装置、电子设备及存储介质 | |
CN114067327A (zh) | 文本识别方法、装置、可读介质及电子设备 | |
CN112883966B (zh) | 图像字符识别方法、装置、介质及电子设备 | |
CN114494709A (zh) | 特征提取模型的生成方法、图像特征提取方法和装置 | |
CN115272667B (zh) | 农田图像分割模型训练方法、装置、电子设备和介质 | |
CN115880526A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN115035223A (zh) | 一种图像处理方法、装置、设备及介质 | |
CN115662517A (zh) | 序列预测方法、装置、介质及电子设备 | |
CN112149426B (zh) | 阅读任务处理方法及相关设备 | |
CN112487931B (zh) | 对抗攻击的方法、装置、可读介质和电子设备 | |
CN114925680A (zh) | 物流兴趣点信息生成方法、装置、设备和计算机可读介质 | |
CN113778078A (zh) | 定位信息生成方法、装置、电子设备和计算机可读介质 | |
CN111353585A (zh) | 神经网络模型的结构搜索方法和装置 | |
CN114648712A (zh) | 视频分类方法、装置、电子设备及计算机可读存储介质 | |
CN111680754A (zh) | 图像分类方法、装置、电子设备及计算机可读存储介质 | |
CN111292365A (zh) | 生成深度图的方法、装置、电子设备和计算机可读介质 | |
CN111611420A (zh) | 用于生成图像描述信息的方法和装置 |
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 |