CN115641418A - 一种基于点云信息的雷达罩分区域自适应修型方法 - Google Patents

Abstract

本发明公开了一种基于点云信息的雷达罩分区域自适应修型方法，包括如下步骤：S1：利用三维扫描仪、测量机器人与回转工装获取异型雷达罩曲面实际点云信息；S2：通过点云预处理获得雷达罩表面修型量较大的局部区域点云；S3：根据局部区域点云进行拟合投影、边界提取与平行线轨迹生成；S4：根据生成的轨迹进行仿真加工。本发明利用点云处理技术自动识别雷达罩表面毛坯量较大的区域，并进行自适应轨迹规划，避免传统规划中点云重构因数据量较大带来的庞大计算量，解决雷达罩毛坯件在经过人工粗加工后表面不均匀、修型效率低等问题，提高修型过程中的自动化程度。

Description

一种基于点云信息的雷达罩分区域自适应修型方法

技术领域

本发明涉及机械加工技术领域，具体涉及一种基于点云信息的雷达罩分区域自适应修型方法。

背景技术

在航空航天制造领域，为适应飞行器装备高性能、环境复杂、特殊加工等需求，雷达罩零件被设计成异型曲面等复杂结构，零件材料一般选用钛合金等耐高温金属难加工材料。由于铸造加工的自身局限性，复合材料异型曲面构件难以一次成型，需要对零件表面进行修型抛光等处理。由于人工修型质量不稳定，效率较低，传统经验加工工艺容易造成零件表面变形，因此亟需先进的雷达罩修型技术。

由于雷达罩毛坯件体积较大，选用具备高灵活性的工业机器人作为雷达罩自动化修型设备。由于雷达罩毛坯件表面形貌一致性较差，目前基本采用人工识别判断修型量较大的区域，再进行局部路径规划，工艺规划耗时耗力，并且手工设定加工区域存在判断误差，影响工件表面质量和生产效率。因此有必要提出一种自动提取加工区域，自适应进行轨迹规划的雷达罩分区域自适应修型方法。

发明内容

本发明的目的是提供一种基于点云信息的雷达罩分区域自适应修型方法，以解决现有技术中异型曲面零件表面形状复杂，修型量不均匀造成的修型质量差、生产效率低等问题，提高修型轨迹规划的自动化程度和适应性，实现大型复合材料型面高效率、高精度的自适应修型。

本发明采用以下技术方案：

一种基于点云信息的雷达罩分区域自适应修型方法，包括以下具体步骤：

S1、利用测量机器人夹持激光三维扫描仪，配合联动回转工装，对异型雷达罩毛坯表面进行扫描采集，获取雷达罩毛坯表面整体点云信息；

S2、根据雷达罩毛坯整体点云信息，进行点云预处理提取表面修型量较大的局部区域点云；

S3、基于步骤S2获取的局部待加工区域点云，进行拟合投影、边界提取与平行线路径生成，进行自适应轨迹规划；

S4、在雷达罩毛坯件三维模型上对生成的修型轨迹进行分区域自适应修型仿真。

优选地，在步骤S1中：

扫描仪为手持式激光3D扫描仪，具有多束交叉红色激光线，配套携带500个反光标定点，在测量机器人的末端夹持器上固定；

测量机器人为高可靠性，中等负载的库卡六轴机器人，固定在雷达罩回转工装旁，用于雷达罩毛坯点云信息的获取，机器人手臂带动末端执行器夹持的扫描仪，配合回转工装的联动对工件进行扫描测量。

优选地，上述步骤S2具体包括以下步骤：

S21：采用随机采样一致算法(RANSAC)判断实际采集的点云数据是否符合工件模型特征，将实际点云信息的局内点与局外点分离，从实际工件点云信息中舍弃掉回转台与地面的多余点云信息，完成冗余点云分离；

S22：将三维点云空间划分为均匀网格，即体素voxel，检查每个体素中是否有点存在，去除不包含点云信息的网格，在剩余体素中用点云质心代替体素内的点集，完成点云降采样；

S23：对每个点的邻域进行一个统计分析，计算点云中每个点与邻近点间的平均距离均值与标准差并作为标准值，将平均距离在标准值区间之外的点作为离群点从点云数据中剔除，完成点云统计滤波；

S24：将步骤S23获取的点云信息作为源点云，设计模型采样点作为目标点云，设定距离阈值作为标准值，循环判断计算源点云中每个点到目标点云中最近点的欧式距离，并提取超出标准值的区域点云，完成局部待加工点云提取。

优选地，上述步骤S3具体包括以下步骤：

S31：点云拟合，基于主成分分析方法的最小二乘拟合平面，基于步骤S2获得的点云

构建协方差矩阵为：

式中，

为点集P中所有点的中心点；m为点云数量；T为转置运算，i为点的序号参数，p_i为对应序号为i的点。

按照公式λV＝MV，计算协方差M的特征值和特征向量，求得点云最小特征值对应的特征向量作为拟合平面的系数；

S32：基于Kdtree建立邻近点的拓扑关系，进行二叉树最近邻搜索，基于步骤S31在点p_i的邻域内求解的拟合平面法向作为该点的法向量；利用点p_i的邻域点基于最小二乘法拟合二次曲面，获取该点的法曲率K；

S33：基于区域生长算法将曲率最小的点作种子点进行邻近搜索，设定法线夹角阈值与曲率阈值，将邻近点中法线夹角与曲率小于阈值的邻近点添加到种子点中，去除之前的种子点，继续生长，最终提取出边界点云，对提取的点云进行连接，得到点云边界；

S34：路径填充生成，在步骤S33获得的点云区域基础上，给定间距d与倾角θ生成一组能覆盖整个区域的平行线段序列，利用点云边界对平行线进行求交并裁剪，输出填充线，标记各顶点属性并依次连接直线，生成修型路径。

优选地，在步骤S4中，修型仿真的方法包括：

将步骤S22获取的修型路径点位信息nc文件导入机器人轨迹编程工具进行修型轨迹编程仿真，调整修型机器人模型与回转工装模型间相对位置和坐标系，并进行各个关节轴的验证。设定修型速度于打磨盘类型，对轨迹进行编译，解析各个轨迹点的状态，对于产生干涉的轨迹点，调整机器人的旋转轴角度直至消除奇异点，最后对输入的轨迹进行仿真修型，检测末端执行器角度位姿合理性以及检测仿真结束后的修型质量。

优选地，上述步骤S22中特征点云降采样用公式描述为：

P_o＝Downsample(P_i，grid)

式中：P_i为待滤波点云；grid为三维立方体网格边长；P_o为已降采样点云。

优选地，上述步骤S24中点云欧氏距离计算公式描述为：

式中：ρ为欧氏距离；(x_i，y_i，z_i)为源点云的点坐标；(x_j，y_j，z_j)为目标点云的点坐标。

优选地，上述步骤S31中协方差矩阵的特征值具体计算公式为：

式中，(A，B，C)为该矩阵特征向量的转置；m为点云数量；(Δx_i，Δy_i，Δz_i)为中心点

与p_i的坐标差值。

优选地，上述步骤S32中拟合二次曲面具体公式为：

z＝ax²+bxy+cy²

式中，a，b，c为拟合二次曲面系数。

优选地，上述步骤S34中所述特征点云边界与平行线求交的具体公式为：

式中，P₁，P₂为直线经过的点，V₁，V₂为直线单位方向向量，t₁，t₂分别为交点P到P₁，P₂的长度参数(可为负)。

本发明的有益效果：

本发明一方面利用点云分离滤波处理方法过滤实际点云中的冗余环境点云与离群点，利用点云提取处理方法，有效提取出毛坯件表面修型量较大的区域点云，避免人工选取修型区域的判断误差，从而提高工件表面修型质量和生产效率；另一方面，对提取的雷达罩分区域点云模型进行平面拟合投影与边界生成，利用平行路径填充算法生成各区域的修型轨迹，指导加工设备进行自适应修型，避免了点云重构所需要的复杂计算量，提高了修型效率与修型质量稳定性。

附图说明

图1是本发明实施例提供的一种基于点云信息的雷达罩分区域自适应修型方法的流程图；

图2是本发明实施例提供的点云获取的现场布置示意图；

图3是本发明实施例提供的雷达罩加工毛坯件实际点云模型的示意图；

图4是本发明实施例通过点云预处理提取的局部待加工点云示意图；

图5是本发明实施例通过对局部点云拟合得到的拟合平面示意图；

图6是本发明实施例通过对点云进行边界提取得到的点云边界示意图；

图7是本发明实施例生成的自适应修型路径示意图。

具体实施方式

下面通过实施例与附图对本发明的方案作进一步地详细说明。

实施例

如图1所示，本发明提供一种基于点云信息的雷达罩分区域自适应修型方法，包括如下步骤：

S1、实际点云获取：

如图2所示为点云获取的现场布置示意图，获取雷达罩毛坯件实际点云信息，其中扫描仪为手持式激光3D扫描仪，具有多束交叉红色激光线，配套携带500个反光标定点；测量机器人为高可靠性，中等负载的库卡六轴机器人，用于雷达罩毛坯点云信息的获取。

将反光标定点均匀贴附在雷达罩毛坯件与回转台工装上，利用定位夹具把工件固定于回转工装上，测量机器人的末端执行器夹持激光三维扫描仪，与回转工装联动配合，回转工装每转动90°角度，机器人手臂带动扫描仪对工件自上向下进行扫描采集，直至采集到完整工件实际点云，如图3所示。

S2、分区域点云提取：

根据雷达罩毛坯整体点云信息，进行点云预处理，提取表面修型量较大的局部区域点云。在该步骤中，点云提取的方法包括：

(1)采用随机采样一致算法(RANSAC)判断实际采集的点云数据是否符合工件模型特征，将实际点云信息的局内点与局外点分离，从实际工件点云信息中舍弃掉回转台与地面的多余点云信息，完成冗余点云分离；

(2)将三维点云空间划分为均匀网格，即体素voxel，检查每个体素中是否有点存在，去除不包含点云信息的网格，在剩余体素中用点云质心代替体素内的点集，完成点云降采样；

(3)对每个点的邻域进行一个统计分析，计算点云中每个点与邻近点间的平均距离均值与标准差并作为标准值，将平均距离在标准值区间之外的点作为离群点从点云数据中剔除，完成点云统计滤波；

(4)将获取的点云信息作为源点云，设计模型采样点作为目标点云，设定距离阈值作为标准值，循环判断计算源点云中每个点到目标点云中最近点的欧式距离，并提取超出标准值的区域点云，局部待加工点云示意图如图4所示。

S3、自适应轨迹规划：

根据局部待加工点云信息，进行自适应轨迹规划。在该步骤中，自适应轨迹规划的方法包括：

(1)平面拟合，基于主成分分析方法的最小二乘拟合平面，基于步骤S2获得的点云

构建协方差矩阵为：

式中，

为点集P中所有点的中心点；m为点云数量；T为转置运算，i为点的序号参数，p_i为对应序号为i的点。

按照公式λV＝MV，计算协方差M的特征值和特征向量，求得点云最小特征值对应的特征向量作为拟合平面的系数，点云平面拟合如图5所示。

(2)基于Kdtree建立邻近点的拓扑关系，进行二叉树最近邻搜索，基于步骤S31在点p_i的邻域内求解的拟合平面法向作为该点的法向量；利用点p_i的邻域点基于最小二乘法拟合二次曲面，获取该点的法曲率K。

(3)基于区域生长算法将曲率最小的点作种子点进行邻近搜索，设定法线夹角阈值与曲率阈值，将邻近点中法线夹角与曲率小于阈值的邻近点添加到种子点中，去除之前的种子点，继续生长，最终提取出边界点云，对提取的点云进行连接，得到点云边界如图6所示。

(4)进行平行路径填充生成，在获得的点云区域基础上，给定间距d与倾角θ，生成一组能覆盖整个区域的平行线段序列，计算点云曲线边界与直线交点并裁剪直线束，保留点云边界内部的直线轨迹，标记各顶点属性并依次连接直线，生成如图7所示的自适应修型路径。其中分区域修型轨迹上每条轨迹的行距值是可变的，通过设定行距值的大小来控制修型轨迹行距与工件表面精度。

S4、自适应修型仿真：

将步骤S3获取的修型路径点位信息nc文件导入机器人轨迹编程工具进行修型轨迹编程仿真，调整修型机器人模型与回转工装模型间相对位置和坐标系，并进行各个关节轴的验证。设定修型速度于打磨盘类型，对轨迹进行编译，解析各个轨迹点的状态，对于产生干涉的轨迹点，调整机器人的旋转轴角度直至消除奇异点，最后对输入的轨迹进行仿真修型，检测末端执行器角度位姿合理性以及检测仿真结束后的修型质量。

本发明利用点云提取处理方法，有效提取出毛坯件表面修型量较大的区域点云，避免人工选取修型区域的判断误差，能够有效提高工件表面修型质量和生产效率。利用点云处理技术对提取的雷达罩分区域点云模型进行平面拟合投影、边界生成与平行路径填充，生成分区域的修型轨迹，指导加工设备进行自适应修型，避免了点云重构所需要的复杂计算量，提高了修型效率与修型质量稳定性。

Claims (10)

1.一种基于点云信息的雷达罩分区域自适应修型方法，包括如下步骤：

S1、利用测量机器人夹持激光三维扫描仪，配合联动回转工装，对异型雷达罩毛坯表面进行扫描采集，获取雷达罩毛坯表面整体点云信息；

S2、根据雷达罩毛坯整体点云信息，进行点云预处理提取表面修型量较大的局部区域点云；

S3、基于步骤S2获取的局部待加工区域点云，进行拟合投影、边界提取与平行线路径生成，进行自适应轨迹规划；

S4、在雷达罩毛坯件三维模型上对生成的修型轨迹进行分区域自适应修型仿真。

2.根据权利要求1所述的一种基于点云信息的雷达罩分区域自适应修型方法，其特征在于，在步骤S1中：

扫描仪为手持式激光3D扫描仪，具有多束交叉红色激光线，配套携带500个反光标定点，在测量机器人的末端夹持器上固定；

测量机器人为高可靠性，中等负载的库卡六轴机器人，固定在雷达罩回转工装旁，用于雷达罩毛坯点云信息的获取，机器人手臂带动末端执行器夹持的扫描仪，配合回转工装的联动对工件进行扫描测量。

3.根据权利要求1所述的一种基于点云信息的雷达罩分区域自适应修型方法，其特征在于，步骤S2具体包括以下步骤：

S21：采用随机采样一致算法RANSAC判断实际采集的点云数据是否符合工件模型特征，将实际点云信息的局内点与局外点分离，从实际工件点云信息中舍弃掉回转台与地面的多余点云信息，完成冗余点云分离；

S22：将三维点云空间划分为均匀网格，即体素voxel，检查每个体素中是否有点存在，去除不包含点云信息的网格，在剩余体素中用点云质心代替体素内的点集，完成点云降采样；

S23：对每个点的邻域进行一个统计分析，计算点云中每个点与邻近点间的平均距离均值与标准差并作为标准值，将平均距离在标准值区间之外的点作为离群点从点云数据中剔除，完成点云统计滤波；

S24：将步骤S23获取的点云信息作为源点云，设计模型采样点作为目标点云，设定距离阈值作为标准值，循环判断计算源点云中每个点到目标点云中最近点的欧式距离，并提取超出标准值的区域点云，完成局部待加工点云提取。

4.根据权利要求1所述的一种基于点云信息的雷达罩分区域自适应修型方法，其特征在于，步骤S3具体包括以下步骤：

S31：点云拟合，基于主成分分析方法的最小二乘拟合平面，基于步骤S2获得的点云

构建协方差矩阵为：

式中，

为点集P中所有点的中心点；m为点云数量；T为转置运算，i为点的序号参数，p_i为对应序号为i的点；

按照公式λV＝MV，计算协方差M的特征值和特征向量，求得点云最小特征值对应的特征向量作为拟合平面的系数；

S32：基于Kdtree建立邻近点的拓扑关系，进行二叉树最近邻搜索，基于步骤S31在点p_i的邻域内求解的拟合平面法向作为该点的法向量；利用点p_i的邻域点基于最小二乘法拟合二次曲面，获取该点的法曲率K；

S33：基于区域生长算法将曲率最小的点作种子点进行邻近搜索，设定法线夹角阈值与曲率阈值，将邻近点中法线夹角与曲率小于阈值的邻近点添加到种子点中，去除之前的种子点，继续生长，最终提取出边界点云，对提取的点云进行连接，得到点云边界；

S34：路径填充生成，在步骤S33获得的点云区域基础上，给定间距d与倾角θ生成一组能覆盖整个区域的平行线段序列，利用点云边界对平行线进行求交并裁剪，输出填充线，标记各顶点属性并依次连接直线，生成修型路径。

5.根据权利要求1所述的一种基于点云信息的雷达罩分区域自适应修型方法，其特征在于，在步骤S4中，修型仿真的方法包括：

将步骤S22获取的修型路径点位信息nc文件导入机器人轨迹编程工具进行修型轨迹编程仿真，调整修型机器人模型与回转工装模型间相对位置和坐标系，并进行各个关节轴的验证；设定修型速度于打磨盘类型，对轨迹进行编译，解析各个轨迹点的状态，对于产生干涉的轨迹点，调整机器人的旋转轴角度直至消除奇异点，最后对输入的轨迹进行仿真修型，检测末端执行器角度位姿合理性以及检测仿真结束后的修型质量。

6.根据权利要求3所述的一种基于点云信息的雷达罩分区域自适应修型方法，其特征在于，步骤S22中所述特征点云降采样用公式描述为：

P_o＝Downsample(P_i，grid)

式中：P_i为待滤波点云；grid为三维立方体网格边长；P_o为已降采样点云。

7.根据权利要求3所述的一种基于点云信息的雷达罩分区域自适应修型方法，其特征在于，步骤S24中所述特征点云欧氏距离计算公式描述为：

式中：ρ为欧氏距离；(x_i,y_i,z_i)为源点云的点坐标；(x_j,y_j,z_j)为目标点云的点坐标。

8.根据权利要求4所述的一种基于点云信息的雷达罩分区域自适应修型方法，其特征在于，步骤S31中所述特征协方差矩阵的特征值具体计算公式为：

式中，(A，B，C)为该矩阵特征向量的转置；m为点云数量；(Δx_i，Δy_i，Δz_i)为中心点

与p_i的坐标差值。

9.根据权利要求4所述的一种基于点云信息的雷达罩分区域自适应修型方法，其特征在于，步骤S32中所述特征拟合二次曲面具体公式为：

z＝ax²+bxy+cy²

式中，a，b，c为拟合二次曲面系数。

10.根据权利要求4所述的一种基于点云信息的雷达罩分区域自适应修型方法，其特征在于，步骤S34中所述特征点云边界与平行线求交的具体公式为：

式中，P₁，P₂为直线经过的点，V₁，V₂为直线单位方向向量，t₁，t₂分别为交点P到P₁，P₂的长度参数。

Images