CN115100277A - 复杂曲面结构零件位姿确定方法 - Google Patents

Abstract

本发明提供的一种复杂曲面结构零件位姿确定方法，包括以下步骤：S1.将激光扫描仪设置在机器人工具手末端形成手眼系统，并对手眼系统进行标定；S2.通过标定后的手眼系统采集目标零件的点云数据，并对点云数据进行滤波预处理；S3.对滤波预处理后的点云数据进行平面分割，S4.对平面分割后的点云数据进行离群点过滤；S5.对经过离群点过滤后的点云数据进行粗配准，然后进行精配准；S6.构建机器人坐标系，基于机器人坐标系对精配准后的点云数据进行坐标变换得到目标零件的位姿；通过上述方法，能够对曲面结构复杂的零件的位姿进行准确确定，能够保证位姿精确度的同时，有效简化操作过程，提高效率，并且能够为后续的零件修复提供准确的信息。

Description

复杂曲面结构零件位姿确定方法

技术领域

本发明涉及零件位姿确定方法，尤其涉及一种复杂曲面结构零件位姿确定方法。

背景技术

随着材料科学与装备制造业的发展，高性能材料和复杂薄壁结构件(叶片，螺旋桨等等)在金属零件中所占比重逐步增大。这类零部件普遍存在生产周期长、制造成本高等特点，在其出现损伤时，直接更换会大大增加零件成本，延长生产制造周期。因此，对高性能材料零件和复杂薄壁结构件进行损伤修复具有十分现实的意义。为了有效地修复零件，就需要获取精确的零件位姿。

现有技术中，传统的修复案例中，为了获取机械臂基底坐标系下的零件位姿，需要进行人工示教标定，整个过程繁琐复杂，效率低且精度不高，无法应用在高精度零件的修复中。

因此，为了解决上述技术问题，亟需提出一种新的技术手段。

发明内容

本发明提供的一种复杂曲面结构零件位姿确定方法，能够对曲面结构复杂的零件的位姿进行准确确定，能够保证位姿精确度的同时，有效简化操作过程，提高效率，并且能够为后续的零件修复提供准确的信息。

本发明提供的一种复杂曲面结构零件位姿确定方法，包括以下步骤：

S1.将激光扫描仪设置在机器人工具手末端形成手眼系统，并对手眼系统进行标定；

S2.通过标定后的手眼系统采集目标零件的点云数据，并对点云数据进行滤波预处理；

S3.对滤波预处理后的点云数据进行平面分割，

S4.对平面分割后的点云数据进行离群点过滤；

S5.对经过离群点过滤后的点云数据进行粗配准，然后进行精配准；

S6.构建机器人坐标系，基于机器人坐标系对精配准后的点云数据进行坐标变换得到目标零件的位姿。

进一步，步骤S1中，对手眼系统进行标定包括：

S11.以平面棋盘格作为标定板，并通过激光扫描仪获取标定板的图像；

S12.建立手眼标定模型：

建立标定模型：

AX＝XB，其中，A和B表示变换矩阵，X为所求的位姿矩阵；

其中，^bT_g为机器人工具手末端在机器人坐标系中的位姿矩阵，^cT_t为相机在标定板坐标系下的位姿矩阵，^bT_g和^cT_t中的上标1 和2分别表示相机的两个不同的视角且该两个矩阵基于初始的相对位置矩阵T 进行确定；

将矩阵A、矩阵B以及矩阵X以位姿矩阵表示：

R_A为矩阵A的旋转矩阵，T_A均为矩阵A的位移矩阵；

R_B为矩阵B的旋转矩阵，T_B均为矩阵B的位移矩阵；

R_X为矩阵X的旋转矩阵，T_X均为矩阵X的位移矩阵；

将标定模型以方程组表示：

将旋转矩阵转化为旋转向量：

对旋转向量进行归一化处理：

其中，r_a为矩阵A的旋转向量，r_b为矩阵B的旋转向量，N_a为旋转向量r_a的模，N_b为旋转向量r_b的模；

计算修正的罗德里格斯向量：

计算初始旋转向量p_x'：

skew(p_a+p_b)p_x'＝p_a-p_b；

计算旋转向量p_x：

确定手眼系统的旋转矩阵和平移矩阵：

(R_A-1)T_X＝R_XT_B-T_A；其中:I表示单位矩阵，skew(p(x))表示旋转向量p_x的偏度。

进一步，步骤S2中，采用体素栅格滤波器进行滤波。

进一步，步骤S3中采用随机抽样一致算法进行平面分割拟合。

进一步，步骤S4Z中离群点过滤采用statisticalOutlierRemoval滤波器移除离群点。

进一步，步骤S5中，点云数据的粗配准采用Super 4PCS算法。

进一步，步骤S5中，采用迭代最近点算法对点云数据进行精配准。

本发明的有益效果：通过本发明，能够对曲面结构复杂的零件的位姿进行准确确定，能够保证位姿精确度的同时，有效简化操作过程，提高效率，并且能够为后续的零件修复提供准确的信息。

附图说明

下面结合附图和实施例对本发明作进一步描述：

图1为本发明的流程图。

图2为具体实例的零件转化为点云模型示意图。

图3为点云体素栅格化示意图。

图4为点云数据通过滤波预处理的示意图。

图5为点云粗配准源点云和目标点云示意图。

图6为点云粗配准示意图。

图7为点云精配准示意图。

具体实施方式

以下结合说明书附图进一步对本发明详细说明：

本发明提供的一种复杂曲面结构零件位姿确定方法，包括以下步骤：

S1.将激光扫描仪设置在机器人工具手末端形成手眼系统，并对手眼系统进行标定；

S2.通过标定后的手眼系统采集目标零件的点云数据，并对点云数据进行滤波预处理；

S3.对滤波预处理后的点云数据进行平面分割，

S4.对平面分割后的点云数据进行离群点过滤；

S5.对经过离群点过滤后的点云数据进行粗配准，然后进行精配准；

S6.构建机器人坐标系，基于机器人坐标系对精配准后的点云数据进行坐标变换得到目标零件的位姿；通过上述方法，能够对曲面结构复杂的零件的位姿进行准确确定，能够保证位姿精确度的同时，有效简化操作过程，提高效率，并且能够为后续的零件修复提供准确的信息。

本实施例中，步骤S1中，对手眼系统进行标定包括：

S11.以平面棋盘格作为标定板，并通过激光扫描仪获取标定板的图像；

S12.建立手眼标定模型：

建立标定模型：

AX＝XB，其中，A和B表示变换矩阵，X为所求的位姿矩阵；

其中，^bT_g为机器人工具手末端在机器人坐标系中的位姿矩阵，^cT_t为相机在标定板坐标系下的位姿矩阵，^bT_g和^cT_t中的上标1 和2分别表示相机的两个不同的视角且该两个矩阵基于初始的相对位置矩阵T 进行确定；

将矩阵A、矩阵B以及矩阵X以位姿矩阵表示：

R_A为矩阵A的旋转矩阵，T_A均为矩阵A的位移矩阵；

R_B为矩阵B的旋转矩阵，T_B均为矩阵B的位移矩阵；

R_X为矩阵X的旋转矩阵，T_X均为矩阵X的位移矩阵；

将标定模型以方程组表示：

将旋转矩阵转化为旋转向量：

对旋转向量进行归一化处理：

其中，r_a为矩阵A的旋转向量，r_b为矩阵B的旋转向量，N_a为旋转向量r_a的模，N_b为旋转向量r_b的模；

计算修正的罗德里格斯向量：

计算初始旋转向量p_x'：

skew(p_a+p_b)p_x'＝p_a-p_b；

计算旋转向量p_x：

确定手眼系统的旋转矩阵和平移矩阵：

(R_A-1)T_X＝R_XT_B-T_A；其中:I表示单位矩阵，skew(p(x))表示旋转向量p_x的偏度；确定出旋转矩阵和位移矩阵后，就能够求得最终的位姿矩阵，从而完成标定；其中，上述中各矩阵的具体维数以及各个元素的值通过现有的方式确定。

本实施例中，步骤S2中，采用体素栅格滤波器(英文名称为(VoxelGrid 滤波器)进行滤波；在获取点云数据时，由于设备精度，操作者经验环境因素带来的影响，以及电磁波的衍射性，被测物体表面性质变化和数据拼接配准操作过程的影响，点云数据中不可避免的出现一些噪声；体素栅格滤波器使用体素栅格方法实现下采样，即在保持点云形状特征的情况下减少点云的数量，提高点云配准速度；VoxelGrid滤波器通过输入的点云数据创建一个三维体素栅格。然后在每个体素(三维立方体)内，用体素中所有点的重心来近似显示体素中其他点，这样该体素就内所有点就用一个重心点最终表示，对于所有体素处理后得到过滤后的点云，实现点云滤波；其具体过程为现有技术，在此不加以赘述。

本实施例中，步骤S3中采用随机抽样一致算法(英文名称为Random SampleConsensus，简称RANSAC)进行平面分割拟合；点云平面分割能够拟合平面点云，配合点云滤波—提取子集滤波器可以实现去掉或者保留平面点云的功能； RANSAC是一种通过使用观测到的数据点来估计数学模型参数的迭代方法，Ransac为了找到点云的平面，不停的改变平面模型(ax+by+cz+d＝0)的参数： a,b,c和d；经过多次调参后，在一定程度上找出一组参数使得这个模型拟合最多的点。这个程度由Distance Threshold(距离阈值)来定义。Distance Threshold指定了在平面拟合中平面可以包罗的点的厚度阈值，其具体包括：

(1)选择出可以估计出平面模型的最小数据集(3个点)；

(2)使用这个数据集来计算出数据模型(ax+by+cz+d＝0)；

(3)将所有数据带入这个模型，根据距离阈值计算出“内点”的数目(累加在一定误差范围内的适合当前迭代推出模型的数据)；

(4)比较当前模型和之前推出的最好的模型的“内点“的数量，记录最大“内点”数的模型参数和“内点”数；

重复(1)-(4)步，直到迭代结束或者当前模型已经足够好了(“内点数目大于一定数量”)。

本实施例中，步骤S4Z中离群点过滤采用statisticalOutlierRemoval滤波器移除离群点。statisticalOutlierRemoval滤波器对每个点的临域进行一个统计分析，并修剪掉那些不符合一定标准的点；其主思想是假设点云中所有的点与其最近的k个邻居点的平均距离满足高斯分布，那么，根据均值和方差可确定一个距离阈值，当某个点与其最近k个点的平均距离大于这个阈值时，判定该点为离群点并去除；其具体过程为：

(1)查找每一个点的所有邻域点

(2)计算每个点到其邻居的距离d_ij，其中i＝[1，...m]表示共m个点，j＝[1，...k]每个点都有k个邻居

(3)根据高斯分布d～N(μ，σ)模型化距离参数，计算所有点与邻居的μ(距离的均值)，σ(距离的标准差)，如下：

(3a)为每一个点，计算其与邻居的距离均值

(3b)遍历所有点，如果其距离的均值大于高斯分布的指定置信度，则移除。

本实例中，步骤S5中，点云数据的粗配准采用Super 4PCS算法；Super 4PCS 全局点云配准在4PCS的基础上进行了改进，使它在线性时间(数据点的数目) 中运行，并且在基于扫描对的(未知)重叠对齐问题的复杂性上输出敏感。算法简单，内存利用率高，速度快，采用该方法进行配准后，就得到了目标零件的初始位姿。

在给定源点云P，目标点云Q，距离不确定度度量ε和两片的点云的预估重叠率f的情况下，Super-4PCS算法的基本原理如下：

1)从P中选择共面四点组成一个基(用B来表示)。选取基时遵循距离最大化原则，即保证点与点之间的距离较大但又不超过某个阈值，这个阈值可由重叠率f来确定。选取点时采用三加一的策略，即先在可能为重叠区域的点云表面选择3个不同的点，然后以共面不共线为原则确定第4个点。确定基 B≡{p_a，p_b，p_c，p_d}，后，可以得到相应的比例r₁与r₂，以及两个点距 d₁＝||p_a-p_d||,d₂＝||p_c-p_d||。

2)在Q中确定集合S1与S2，

S₁≡{(q_i，q_j)|q_i，q_j∈Q，||p_i-p_j||∈[d₁-ε，d₁+ε]}

S₂≡{(q_i，q_j)|q_i，q_j∈Q，||p_i-p_j||∈[d₂-ε，d₂+ε]}

对于Q中的每一点q_i，以它为球心，分别以R＝d₁和R＝d₂为半径画球，q_i与那些落在[d₁-ε，d₁+ε]范围内的点即满足S₁的条件，而q_i与那些落在 [d₂-ε，d₂+ε]范围内的点即满足S₂的条件。同时将点云表面进行栅格化建立一个单元尺寸为ε的三维网格G。

3)在Q中提取与基对应的四点集并剔除错误的四点集。如图5所示，对于P中给定的基B(如图5左图所示)，在Q中存在对应的点集{q_a，q_b，q_c，q_d}，但也可能存在错误的对应点集{q_a，q_b，q_c′，q_d′}(如图5的右图所示)，传统的4PCS算法在剔除错误的对应点集时会耗费较多的时间，而Super-4PCS算法可以在提取四点集的同时去除错误的点集，即得到唯一与基对应的四点集，从而加快算法执行速度。

由图5可知，如果给定基<d₁，d₂，r₁，r₂，θ>,就可以在目标点云中确定唯一对应的四点集。已知S₁与S₂中的点对分别满足点距近似为d₁和d₂的条件，现基于第2步中的球体计算S₁与S₂中每对点连线的方向向量并存储。基于仿射不变性的原理，对于S₁与中的每一对点(p_i，p_j)，计算由比例r₁确定的交点e₁，即 e_1ij＝q_i+r₁(q_j-q_i)，同理，对于S₂中的每一对点(p_i，p_j)，计算e₂，即 e_2ij＝q_i+r₂(q_j-q_i)，并存储在网格G中。依据基B中两对应点对的夹角为θ，在网格G中搜索满足e_1ij与e_2ij近似相等的点对，即可在Q中提取出唯一的与基对应的的四点集:{q_a，q_b，q_c，q_d}。

4)由对应点集{p_a，p_b，p_c，p_d}与{q_a，q_b，q_c，q_d}计算刚体变换矩阵T，使用T对源点云P进行变换，统计变换后的点云与目标点云中最近点距离小于某个阈值δ的点的数目用以表征T的质量，迭代进行上述4个步骤，直至找到最优的T使得两片点云足够接近。

本实施例中，步骤S5中，采用迭代最近点算法(简称ICP)对点云数据进行精配准，ICP算法的目的是要找到待配准点云数据与参考云数据之间的旋转参数R和平移参数t，使得两点数据之间满足某种度量准则下的最优匹配，其具体如下：

若已知两幅点云上点的对应关系，那么我们可以用最小二乘法求解R,t 参数；

若已知初始R,t参数，则可以通过贪心的方式找两幅点云上点的对应关系(直接找距离最近的点作为对应点)。

ICP算法就是交替进行上述两个步骤，迭代进行计算，直到收敛。

(1)搜索对应点

利用初始r₀、t₀或上一次迭代得到的r_k-1、t_k-1对初始点云进行变换，得到一个临时的变换点云，然后用这个点云和目标点云进行比较，利用K-d tree 进行检索，找出源点云中每一个点在目标点云中的最近邻点。

(2)求解最优变换

1)计算两组点云的去质心坐标

X′＝{x_i-μ_x}＝{x′_i}，P′＝{p_i-μ_p}＝{p′_i}

2)用SVD分解计算旋转矩阵

W＝U∑V^T

R＝UV^T

其中，V、U、R都是正交矩阵

3)计算平移向量

t＝μ_x-Rμ_p

(3)迭代

每一次迭代得到当前的最优变换参数η_k、t_k，然后将该变换作用于当前源点云；“搜索最近点”和“求解最优变换”这两步不停迭代进行，若误差E(R，t)的减少量e＜e_th或者超过最大迭代次数，结束迭代，得到最优的刚体变换矩阵T；否则返回第二步继续进行计算。通过精配准后，就能够得到精确的零件的位姿，即零件的6D位姿，这个位姿是激光扫描仪或者相机在对目标零件处理时所建立的坐标系下的位姿；这个6D位姿再经过坐标变换，变换至机器人坐标系下，就能够得到目标零件(本实施例中采用的是涡轮叶片作为目标零件)相对于机器人底座的坐标系位姿，从而利于后续修复加工，其中，坐标变换为现有技术，在此不加以赘述。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.一种复杂曲面结构零件位姿确定方法，其特征在于：包括以下步骤：

S1.将激光扫描仪设置在机器人工具手末端形成手眼系统，并对手眼系统进行标定；

S2.通过标定后的手眼系统采集目标零件的点云数据，并对点云数据进行滤波预处理；

S3.对滤波预处理后的点云数据进行平面分割；

S4.对平面分割后的点云数据进行离群点过滤；

S5.对经过离群点过滤后的点云数据进行粗配准，然后进行精配准；

S6.构建机器人坐标系，基于机器人坐标系对精配准后的点云数据进行坐标变换得到目标零件的位姿。

2.根据权利要求1所述复杂曲面结构零件位姿确定方法，其特征在于：步骤S1中，对手眼系统进行标定包括：

S11.以平面棋盘格作为标定板，并通过激光扫描仪获取标定板的图像；

S12.建立手眼标定模型：

建立标定模型：

AX＝XB，其中，A和B表示变换矩阵，X为所求的位姿矩阵；

B＝(^cT_t ²)^-1·^cT_t ¹；其中，^bT_g为机器人工具手末端在机器人坐标系中的位姿矩阵，^cT_t为相机在标定板坐标系下的位姿矩阵，^bT_g和^cT_t中的上标1和2分别表示相机的两个不同的视角且该两个矩阵基于初始的相对位置矩阵T进行确定；

将矩阵A、矩阵B以及矩阵X以位姿矩阵表示：

R_A为矩阵A的旋转矩阵，T_A均为矩阵A的位移矩阵；

R_B为矩阵B的旋转矩阵，T_B均为矩阵B的位移矩阵；

R_X为矩阵X的旋转矩阵，T_X均为矩阵X的位移矩阵；

将标定模型以方程组表示：

将旋转矩阵转化为旋转向量：

对旋转向量进行归一化处理：

其中，r_a为矩阵A的旋转向量，r_b为矩阵B的旋转向量，N_a为旋转向量r_a的模，N_b为旋转向量r_b的模；

计算修正的罗德里格斯向量：

计算初始旋转向量p_x'：

skew(p_a+p_b)p_x'＝p_a-p_b；

计算旋转向量p_x：

确定手眼系统的旋转矩阵和平移矩阵：

(R_A-1)T_X＝R_XT_B-T_A；其中:I表示单位矩阵，skew(p(x))表示旋转向量p_x的偏度。

3.根据权利要求1所述复杂曲面结构零件位姿确定方法，其特征在于：步骤S2中，采用体素栅格滤波器进行滤波。

4.根据权利要求1所述复杂曲面结构零件位姿确定方法，其特征在于：步骤S3中采用随机抽样一致算法进行平面分割拟合。

5.根据权利要求1所述复杂曲面结构零件位姿确定方法，其特征在于：步骤S4Z中离群点过滤采用statisticalOutlierRemoval滤波器移除离群点。

6.根据权利要求1所述复杂曲面结构零件位姿确定方法，其特征在于：步骤S5中，点云数据的粗配准采用Super 4PCS算法。

7.根据权利要求1所述复杂曲面结构零件位姿确定方法，其特征在于：步骤S5中，采用迭代最近点算法对点云数据进行精配准。

Images