CN115902927A - 用于汽车智能制造的slam导航方法 - Google Patents
用于汽车智能制造的slam导航方法 Download PDFInfo
- Publication number
- CN115902927A CN115902927A CN202211347993.0A CN202211347993A CN115902927A CN 115902927 A CN115902927 A CN 115902927A CN 202211347993 A CN202211347993 A CN 202211347993A CN 115902927 A CN115902927 A CN 115902927A
- Authority
- CN
- China
- Prior art keywords
- assembling
- assembly
- motion
- information
- state information
- 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 57
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 22
- 230000009471 action Effects 0.000 claims description 52
- 230000008569 process Effects 0.000 claims description 36
- 230000007613 environmental effect Effects 0.000 claims description 31
- 238000009826 distribution Methods 0.000 claims description 20
- 238000003860 storage Methods 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 4
- 230000004888 barrier function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
Images
Classifications
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提供了用于汽车智能制造的SLAM导航方法,其对汽车组装车间内部原始环境进行SLAM处理,得到内部环境平面地图,并通过零件运送机器人和组装机械手自带的传感设备进行相应环境状态的检测,以此对内部环境平面地图更新,保证内部环境平面地图能够实时反映汽车组装车间的环境变化情况,实现对零件运送机器人和组装机械手的稳定持续导航,提高汽车组装的精确性和可靠性。
Description
技术领域
本发明涉及汽车制造的技术领域,特别涉及用于汽车智能制造的SLAM导航方法。
背景技术
目前,汽车组装已经朝向智能化方向发展,在汽车装配工厂中设置有用于存放汽车零件的立体库和用于实施组装过程的装配工位,并且利用机器人在立体库和装配工位之间进行汽车零件的运送,以及利用机械手在装配工位进行汽车零件的组装操作。现有的机器人和机械手是分别按照预定运动路径和预定动作路径进行工作,但是在实际汽车组装过程中会不可避免存在障碍物等异常情况,无法保证机器人和机械手的正常导航动作,降低汽车组装的精确性和可靠性。
发明内容
针对现有技术存在的缺陷,本发明提供用于汽车智能制造的SLAM导航方法,其根据组装车辆内部空间影像,得到汽车组装车间内部的环境状态信息,并结合SLAM技术,得到关于汽车组装车间的内部环境平面地图;根据零件运送机器人自带的第一传感设备在所述零件运送机器人运动过程中得到的运动关联区域环境状态信息,对内部环境平面地图进行第一更新处理;根据组装机械手自带的第二传感设备在所述组装机器手动作过程中得到的动作关联区域环境状态信息,对第一更新处理后的内部环境平面地图进行第二更新处理,从而根据更新后的内部环境平面地图,对零件运送机器人和组装机械手分别进行全局导航定位,其对汽车组装车间内部原始环境进行SLAM处理,得到内部环境平面地图,并通过零件运送机器人和组装机械手自带的传感设备进行相应环境状态的检测,以此对内部环境平面地图更新,保证内部环境平面地图能够实时反映汽车组装车间的环境变化情况,实现对零件运送机器人和组装机械手的稳定持续导航,提高汽车组装的精确性和可靠性。
本发明提供用于汽车智能制造的SLAM导航方法,其包括如下步骤:
步骤S1,对汽车组装车间内部进行拍摄,得到组装车间内部空间影像;对所述组装车辆内部空间影像进行分析处理,确定所述汽车组装车间内部的环境状态信息;对所述环境状态信息进行SLAM技术处理,得到关于所述汽车组装车间的内部环境平面地图;
步骤S2,指示零件运送机器人自带的第一传感设备在所述零件运送机器人运动过程中,对运动关联区域进行检测,得到运动关联区域环境状态信息;根据所述运动关联区域环境状态信息,对所述内部环境平面地图进行第一更新处理;
步骤S3,指示组装机械手自带的第二传感设备在所述组装机器手动作过程中,对动作关联区域进行检测,得到动作关联区域环境状态信息;根据所述动作关联区域环境状态信息,对第一更新处理后的内部环境平面地图进行第二更新处理;
步骤S4,根据第二更新处理后的内部环境平面地图,对所述零件运送机器人和所述组装机械手分别进行全局导航定位。
进一步,在所述步骤S1中,对汽车组装车间内部进行拍摄,得到组装车间内部空间影像;对所述组装车辆内部空间影像进行分析处理,确定所述汽车组装车间内部的环境状态信息具体包括:
对汽车组装车间内部进行扫描拍摄,得到组装车间内部空间全景影像;
从所述组装车间内部空间全景影像中提取得到所述汽车组装车间的空间边界轮廓信息和所述汽车组装车间内部存在的物体轮廓信息;
根据所述空间边界轮廓信息,确定所述汽车组装车间内部的空间边界壁面分布位置信息和壁面尺寸信息;
根据所述物体轮廓信息,确定所述汽车组装车间内部存在的零件存放立体库和装配工位各自的最外边界分布位置信息;
将所述空间边界壁面分布位置信息,所述壁面尺寸信息和所述零件存放立体库和装配工位各自的最外边界分布位置信息,作为所述环境状态信息。
进一步,在所述步骤S1中,对所述环境状态信息进行SLAM技术处理,得到关于所述汽车组装车间的内部环境平面地图具体包括:
将所述空间边界壁面分布位置信息,所述壁面尺寸信息和所述零件存放立体库和装配工位各自的最外边界分布位置信息输入至SLAM构建模型中,得到关于所述汽车组装车间的内部环境平面地图。
进一步,在所述步骤S2中,指示零件运送机器人自带的第一传感设备在所述零件运送机器人运动过程中,对运动关联区域进行检测,得到运动关联区域环境状态信息具体包括:
指示零件运送机器人自带的激光雷达传感器在所述零件运送机器人于零件存放立体库和装配工位之间往返运动过程中,以往返运动对应的路径为中轴线左右扩展预设距离对应的区域进行激光雷达扫描检测,得到所述区域所覆盖范围的障碍物存在状态信息,以此作为所述运动关联区域环境状态信息。
进一步,在所述步骤S2中,根据所述运动关联区域环境状态信息,对所述内部环境平面地图进行第一更新处理具体包括:
从所述障碍物存在状态信息中提取得到障碍物存在位置信息和障碍物占地边界信息;并根据所述障碍物存在位置信息和所述障碍物占地边界信息,在所述内部环境平面地图上更新标识相应的障碍物,从而实现对所述内部环境平面地图进行第一更新处理。
进一步,在所述步骤S3中,指示组装机械手自带的第二传感设备在所述组装机器手动作过程中,对动作关联区域进行检测,得到动作关联区域环境状态信息具体包括:
指示组装机械手自带的激光雷达传感器在所述组装机械手于所述装配工位进行汽车零件组装动作过程中,对所述装配工位所在区域进行激光雷达扫描检测,得到所述装配工位所在区域的装配工位设备存在状态信息,以此作为所述动作关联区域环境状态信息。
进一步,在所述步骤S3中,根据所述动作关联区域环境状态信息,对第一更新处理后的内部环境平面地图进行第二更新处理具体包括:
从所述装配工位设备存在状态信息中提取得到装配工位设备存在位置信息和装配工位设备占地边界信息;并根据所述装配工位设备存在位置信息和所述装配工位设备占地边界信息,在第一更新处理后的内部环境平面地图上更新标识相应的装配工位设备,从而实现对第一更新处理后的内部环境平面地图进行第二更新处理。
进一步,在所述步骤S4中,根据第二更新处理后的内部环境平面地图,对所述零件运送机器人和所述组装机械手分别进行全局导航定位具体包括:
根据第二更新处理后的内部环境平面地图,对所述零件运送机器人于零件存放立体库和装配工位之间往返运动进行全局导航定位,以此调整所述零件运送机器人的运动路径;
根据所述第二更新处理后的内部环境平面地图,对所述组装机械手于所述组装工位上的组装动作进行全局导航定位,以此调整所述组装机械手的组装动作幅度或组装动作姿态。
进一步,在所述步骤S4中,根据所述第二更新处理后的内部环境平面地图,对所述组装机械手于所述组装工位上的组装动作进行全局导航定位,以此调整所述组装机械手的组装动作幅度或组装动作姿态具体包括:
步骤S401,利用下面公式(1),根据当前时刻所述组装机械手的位置以及上一个时刻的所述组装机械手的位置,得到所述组装机械手的运动方向向量,
在上述公式(1)中,[x(t),y(t),z(t)]表示当前时刻所述组装机械手的运动方向向量;t表示当前时刻;[X(t),Y(t),Z(t)]表示当前时刻所述组装机械手的空间位置坐标;表示 时刻所述组装机械手的空间位置坐标;f表示所述组装机械手的位置采集最小频率;S0表示预设单位长度值;S(t)表示当前时刻所述组装机械手的空间位置与所述组装机械手的初始空间位置之间的距离值;
步骤S402,利用下面公式(2),根据所述组装机械手的运动方向向量得到所述组装机械手在当前运动方向上的最大组装动作幅度,
s(t)=S{[x(t),y(t),z(t)]→{(X,Y,Z)|{(x,y,z),[X(t),Y(t),Z(t)]}}} (2)
在上述公式(2)中,s(t)表示当前时刻所述组装机械手在当前运动方向上的最大组装动作幅度距离值;{(X,Y,Z)|{(x,y,z),[X(t),Y(t),Z(t)]}}表示经过位置点(x,y,z)且方向为[X(t),Y(t),Z(t)]方向上接触到第一个除组装机械手以外的其它物品的位置点并将所述位置点记作(X,Y,Z);S{→}表示求取括号内→左右两端的坐标位置点之间的距离值;
步骤S403,利用下面公式(3),根据所述组装机械手在当前运动方向上的最大组装动作幅度,控制所述组装机械手的最大运动速度,
在上述公式(3)中,V(t)表示当前时刻所述组装机械手的最大运动控制速度;V0表示所述组装机械手的最小运动速度。
相比于现有技术,该用于汽车智能制造的SLAM导航方法根据组装车辆内部空间影像,得到汽车组装车间内部的环境状态信息,并结合SLAM技术,得到关于汽车组装车间的内部环境平面地图;根据零件运送机器人自带的第一传感设备在所述零件运送机器人运动过程中得到的运动关联区域环境状态信息,对内部环境平面地图进行第一更新处理;根据组装机械手自带的第二传感设备在所述组装机器手动作过程中得到的动作关联区域环境状态信息,对第一更新处理后的内部环境平面地图进行第二更新处理,从而根据更新后的内部环境平面地图,对零件运送机器人和组装机械手分别进行全局导航定位,其对汽车组装车间内部原始环境进行SLAM处理,得到内部环境平面地图,并通过零件运送机器人和组装机械手自带的传感设备进行相应环境状态的检测,以此对内部环境平面地图更新,保证内部环境平面地图能够实时反映汽车组装车间的环境变化情况,实现对零件运送机器人和组装机械手的稳定持续导航,提高汽车组装的精确性和可靠性。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的用于汽车智能制造的SLAM导航方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参阅图1,为本发明实施例提供的用于汽车智能制造的SLAM导航方法的流程示意图。该用于汽车智能制造的SLAM导航方法包括如下步骤:
步骤S1,对汽车组装车间内部进行拍摄,得到组装车间内部空间影像;对该组装车辆内部空间影像进行分析处理,确定该汽车组装车间内部的环境状态信息;对该环境状态信息进行SLAM技术处理,得到关于该汽车组装车间的内部环境平面地图;
步骤S2,指示零件运送机器人自带的第一传感设备在该零件运送机器人运动过程中,对运动关联区域进行检测,得到运动关联区域环境状态信息;根据该运动关联区域环境状态信息,对该内部环境平面地图进行第一更新处理;
步骤S3,指示组装机械手自带的第二传感设备在该组装机器手动作过程中,对动作关联区域进行检测,得到动作关联区域环境状态信息;根据该动作关联区域环境状态信息,对第一更新处理后的内部环境平面地图进行第二更新处理;
步骤S4,根据第二更新处理后的内部环境平面地图,对该零件运送机器人和该组装机械手分别进行全局导航定位。
上述技术方案的有益效果为:该用于汽车智能制造的SLAM导航方法根据组装车辆内部空间影像,得到汽车组装车间内部的环境状态信息,并结合SLAM技术,得到关于汽车组装车间的内部环境平面地图;根据零件运送机器人自带的第一传感设备在所述零件运送机器人运动过程中得到的运动关联区域环境状态信息,对内部环境平面地图进行第一更新处理;根据组装机械手自带的第二传感设备在所述组装机器手动作过程中得到的动作关联区域环境状态信息,对第一更新处理后的内部环境平面地图进行第二更新处理,从而根据更新后的内部环境平面地图,对零件运送机器人和组装机械手分别进行全局导航定位,其对汽车组装车间内部原始环境进行SLAM处理,得到内部环境平面地图,并通过零件运送机器人和组装机械手自带的传感设备进行相应环境状态的检测,以此对内部环境平面地图更新,保证内部环境平面地图能够实时反映汽车组装车间的环境变化情况,实现对零件运送机器人和组装机械手的稳定持续导航,提高汽车组装的精确性和可靠性。
优选地,在该步骤S1中,对汽车组装车间内部进行拍摄,得到组装车间内部空间影像;对该组装车辆内部空间影像进行分析处理,确定该汽车组装车间内部的环境状态信息具体包括:
对汽车组装车间内部进行扫描拍摄,得到组装车间内部空间全景影像;
从该组装车间内部空间全景影像中提取得到该汽车组装车间的空间边界轮廓信息和该汽车组装车间内部存在的物体轮廓信息;
根据该空间边界轮廓信息,确定该汽车组装车间内部的空间边界壁面分布位置信息和壁面尺寸信息;
根据该物体轮廓信息,确定该汽车组装车间内部存在的零件存放立体库和装配工位各自的最外边界分布位置信息;
将该空间边界壁面分布位置信息,该壁面尺寸信息和该零件存放立体库和装配工位各自的最外边界分布位置信息,作为该环境状态信息。
上述技术方案的有益效果为:在实际操作中,在汽车组装车间内部安装扫描摄像头,对汽车组装车间内部进行扫描拍摄,而从组装车间内部空间全景影像中提取得到汽车组装车间的空间边界轮廓信息和汽车组装车间内部存在的物体轮廓信息,能够对汽车组装车间自身内部以及其放置的立体库和装配工位等物体进行标定,从而对汽车组装车间内部的环境状态进行完整精确的表征。
优选地,在该步骤S1中,对该环境状态信息进行SLAM技术处理,得到关于该汽车组装车间的内部环境平面地图具体包括:
将该空间边界壁面分布位置信息,该壁面尺寸信息和该零件存放立体库和装配工位各自的最外边界分布位置信息输入至SLAM构建模型中,得到关于该汽车组装车间的内部环境平面地图。
上述技术方案的有益效果为:以空间边界壁面分布位置信息,壁面尺寸信息和零件存放立体库和装配工位各自的最外边界分布位置信息作为基础信息,能够保证SLAM构建模型准确地构建关于汽车组装车间的内部环境平面地图,对汽车组装车间进行初始化的完成地图表征。
优选地,在该步骤S2中,指示零件运送机器人自带的第一传感设备在该零件运送机器人运动过程中,对运动关联区域进行检测,得到运动关联区域环境状态信息具体包括:
指示零件运送机器人自带的激光雷达传感器在该零件运送机器人于零件存放立体库和装配工位之间往返运动过程中,以往返运动对应的路径为中轴线左右扩展预设距离对应的区域进行激光雷达扫描检测,得到该区域所覆盖范围的障碍物存在状态信息,以此作为该运动关联区域环境状态信息。
上述技术方案的有益效果为:零件运送机器人在立体库和装配工位之间往返运动过程中,其自带的激光雷达传感器能够在运动的同时进行激光雷达扫描检测,这样每一次零件运送机器人在立体库和装配工位之间运动时,获得立体库和装配工位之间相应区域范围的障碍物存在实况,便于对立体库和装配工位之间相应区域进行准确的标定。
优选地,在该步骤S2中,根据该运动关联区域环境状态信息,对该内部环境平面地图进行第一更新处理具体包括:
从该障碍物存在状态信息中提取得到障碍物存在位置信息和障碍物占地边界信息;并根据该障碍物存在位置信息和该障碍物占地边界信息,在该内部环境平面地图上更新标识相应的障碍物,从而实现对该内部环境平面地图进行第一更新处理。
上述技术方案的有益效果为:通过上述方式,能够对内部环境平面地图中对应于立体库和装配工位之间区域进行准确有效的信息更新,保证每一次零件运送机器人在立体库和装配工位之间运动,均能够完善内部环境平面地图的信息实时性和可靠性。
优选地,在该步骤S3中,指示组装机械手自带的第二传感设备在该组装机器手动作过程中,对动作关联区域进行检测,得到动作关联区域环境状态信息具体包括:
指示组装机械手自带的激光雷达传感器在该组装机械手于该装配工位进行汽车零件组装动作过程中,对该装配工位所在区域进行激光雷达扫描检测,得到该装配工位所在区域的装配工位设备存在状态信息,以此作为该动作关联区域环境状态信息。
上述技术方案的有益效果为:组装机械手在装配工位进行汽车零件组装动作过程中,其自带的激光雷达传感器能够在运动的同时进行激光雷达扫描检测,这样每一次组装机械手进行汽车零件组装时,获得装配工位自身不同装配工位设备(比如装配工位上的固定座和支架等)的存在实况,便于对装配工位自身占据的无语进行准确的标定。
优选地,在该步骤S3中,根据该动作关联区域环境状态信息,对第一更新处理后的内部环境平面地图进行第二更新处理具体包括:
从该装配工位设备存在状态信息中提取得到装配工位设备存在位置信息和装配工位设备占地边界信息;并根据该装配工位设备存在位置信息和该装配工位设备占地边界信息,在第一更新处理后的内部环境平面地图上更新标识相应的装配工位设备,从而实现对第一更新处理后的内部环境平面地图进行第二更新处理。
上述技术方案的有益效果为:通过上述方式,能够对内部环境平面地图中对应于装配工位的区域进行准确有效的信息更新,保证每一次组装机械手进行汽车零件组装,均能够完善内部环境平面地图的信息实时性和可靠性。
优选地,在该步骤S4中,根据第二更新处理后的内部环境平面地图,对该零件运送机器人和该组装机械手分别进行全局导航定位具体包括:
根据第二更新处理后的内部环境平面地图,对该零件运送机器人于零件存放立体库和装配工位之间往返运动进行全局导航定位,以此调整该零件运送机器人的运动路径;
根据该第二更新处理后的内部环境平面地图,对该组装机械手于该组装工位上的组装动作进行全局导航定位,以此调整该组装机械手的组装动作幅度或组装动作姿态。
上述技术方案的有益效果为:通过上述方式,以不断更新的内部环境平面地图为参照基准,对零件运送机器人于零件存放立体库和装配工位之间往返运动,以及组装机械手于该组装工位上的组装动作进行全局导航定位,避免零件运送机器人在运动过程中与障碍物发生碰撞,以及保证组装机械手能够精确将汽车零件安装到合适的位置。
优选地,步骤S401,利用下面公式(1),根据当前时刻该组装机械手的位置以及上一个时刻的该组装机械手的位置,得到该组装机械手的运动方向向量,
在上述公式(1)中,[x(t),y(t),z(t)]表示当前时刻该组装机械手的运动方向向量;t表示当前时刻;[X(t),Y(t),Z(t)]表示当前时刻该组装机械手的空间位置坐标;表示时刻该组装机械手的空间位置坐标;f表示该组装机械手的位置采集最小频率;S0表示预设单位长度值;S(t)表示当前时刻该组装机械手的空间位置与该组装机械手的初始空间位置之间的距离值;
步骤S402,利用下面公式(2),根据该组装机械手的运动方向向量得到该组装机械手在当前运动方向上的最大组装动作幅度,
s(t)=S{[x(t),y(t),z(t)]→{(X,Y,Z)|{(x,y,z),[X(t),Y(t),Z(t)]}}} (2)
在上述公式(2)中,s(t)表示当前时刻该组装机械手在当前运动方向上的最大组装动作幅度距离值;{(Z,Y,Z)|{(x,y,z),[X(t),Y(t),Z(t)]}}表示经过位置点(x,y,z)且方向为[X(t),Y(t),Z(t)]方向上接触到第一个除组装机械手以外的其它物品的位置点并将该位置点记作(X,Y,Z);S{→}表示求取括号内→左右两端的坐标位置点之间的距离值;
步骤S403,利用下面公式(3),根据该组装机械手在当前运动方向上的最大组装动作幅度,控制该组装机械手的最大运动速度,
在上述公式(3)中,V(t)表示当前时刻该组装机械手的最大运动控制速度;V0表示该组装机械手的最小运动速度。
上述技术方案的有益效果为:利用上述公式(1),根据当前时刻该组装机械手的位置以及上一个时刻的该组装机械手的位置,得到该组装机械手的运动方向向量,从而知晓组装机械手的运动方向,同时根据移动距离时刻调整位置点采集频率确保对组装机械手的可靠分析;然后利用上述公式(2),根据该组装机械手的运动方向向量得到该组装机械手在当前运动方向上的最大组装动作幅度,确保组装机械手保持在最大组装动作幅度距离内,智能的保证所述组装机械手的自身安全;最后利用上述公式(3),根据该组装机械手在当前运动方向上的最大组装动作幅度,控制该组装机械手的最大运动速度,以防止组装机械手高速撞击到其它物品,确保系统整体的安全性以及可靠性。
从上述实施例的内容可知,该用于汽车智能制造的SLAM导航方法根据组装车辆内部空间影像,得到汽车组装车间内部的环境状态信息,并结合SLAM技术,得到关于汽车组装车间的内部环境平面地图;根据零件运送机器人自带的第一传感设备在所述零件运送机器人运动过程中得到的运动关联区域环境状态信息,对内部环境平面地图进行第一更新处理;根据组装机械手自带的第二传感设备在所述组装机器手动作过程中得到的动作关联区域环境状态信息,对第一更新处理后的内部环境平面地图进行第二更新处理,从而根据更新后的内部环境平面地图,对零件运送机器人和组装机械手分别进行全局导航定位,其对汽车组装车间内部原始环境进行SLAM处理,得到内部环境平面地图,并通过零件运送机器人和组装机械手自带的传感设备进行相应环境状态的检测,以此对内部环境平面地图更新,保证内部环境平面地图能够实时反映汽车组装车间的环境变化情况,实现对零件运送机器人和组装机械手的稳定持续导航,提高汽车组装的精确性和可靠性。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (9)
1.用于汽车智能制造的SLAM导航方法,其特征在于,其包括如下步骤:
步骤S1,对汽车组装车间内部进行拍摄,得到组装车间内部空间影像;对所述组装车辆内部空间影像进行分析处理,确定所述汽车组装车间内部的环境状态信息;对所述环境状态信息进行SLAM技术处理,得到关于所述汽车组装车间的内部环境平面地图;
步骤S2,指示零件运送机器人自带的第一传感设备在所述零件运送机器人运动过程中,对运动关联区域进行检测,得到运动关联区域环境状态信息;根据所述运动关联区域环境状态信息,对所述内部环境平面地图进行第一更新处理;
步骤S3,指示组装机械手自带的第二传感设备在所述组装机器手动作过程中,对动作关联区域进行检测,得到动作关联区域环境状态信息;根据所述动作关联区域环境状态信息,对第一更新处理后的内部环境平面地图进行第二更新处理;
步骤S4,根据第二更新处理后的内部环境平面地图,对所述零件运送机器人和所述组装机械手分别进行全局导航定位。
2.如权利要求1所述的用于汽车智能制造的SLAM导航方法,其特征在于:
在所述步骤S1中,对汽车组装车间内部进行拍摄,得到组装车间内部空间影像;对所述组装车辆内部空间影像进行分析处理,确定所述汽车组装车间内部的环境状态信息具体包括:
对汽车组装车间内部进行扫描拍摄,得到组装车间内部空间全景影像;从所述组装车间内部空间全景影像中提取得到所述汽车组装车间的空间边界轮廓信息和所述汽车组装车间内部存在的物体轮廓信息;
根据所述空间边界轮廓信息,确定所述汽车组装车间内部的空间边界壁面分布位置信息和壁面尺寸信息;
根据所述物体轮廓信息,确定所述汽车组装车间内部存在的零件存放立体库和装配工位各自的最外边界分布位置信息;
将所述空间边界壁面分布位置信息,所述壁面尺寸信息和所述零件存放立体库和装配工位各自的最外边界分布位置信息,作为所述环境状态信息。
3.如权利要求2所述的用于汽车智能制造的SLAM导航方法,其特征在于:
在所述步骤S1中,对所述环境状态信息进行SLAM技术处理,得到关于所述汽车组装车间的内部环境平面地图具体包括:
将所述空间边界壁面分布位置信息,所述壁面尺寸信息和所述零件存放立体库和装配工位各自的最外边界分布位置信息输入至SLAM构建模型中,得到关于所述汽车组装车间的内部环境平面地图。
4.如权利要求3所述的用于汽车智能制造的SLAM导航方法,其特征在于:
在所述步骤S2中,指示零件运送机器人自带的第一传感设备在所述零件运送机器人运动过程中,对运动关联区域进行检测,得到运动关联区域环境状态信息具体包括:
指示零件运送机器人自带的激光雷达传感器在所述零件运送机器人于零件存放立体库和装配工位之间往返运动过程中,以往返运动对应的路径为中轴线左右扩展预设距离对应的区域进行激光雷达扫描检测,得到所述区域所覆盖范围的障碍物存在状态信息,以此作为所述运动关联区域环境状态信息。
5.如权利要求4所述的用于汽车智能制造的SLAM导航方法,其特征在于:
在所述步骤S2中,根据所述运动关联区域环境状态信息,对所述内部环境平面地图进行第一更新处理具体包括:
从所述障碍物存在状态信息中提取得到障碍物存在位置信息和障碍物占地边界信息;并根据所述障碍物存在位置信息和所述障碍物占地边界信息,在所述内部环境平面地图上更新标识相应的障碍物,从而实现对所述内部环境平面地图进行第一更新处理。
6.如权利要求5所述的用于汽车智能制造的SLAM导航方法,其特征在于:
在所述步骤S3中,指示组装机械手自带的第二传感设备在所述组装机器手动作过程中,对动作关联区域进行检测,得到动作关联区域环境状态信息具体包括:
指示组装机械手自带的激光雷达传感器在所述组装机械手于所述装配工位进行汽车零件组装动作过程中,对所述装配工位所在区域进行激光雷达扫描检测,得到所述装配工位所在区域的装配工位设备存在状态信息,以此作为所述动作关联区域环境状态信息。
7.如权利要求6所述的用于汽车智能制造的SLAM导航方法,其特征在于:
在所述步骤S3中,根据所述动作关联区域环境状态信息,对第一更新处理后的内部环境平面地图进行第二更新处理具体包括:
从所述装配工位设备存在状态信息中提取得到装配工位设备存在位置信息和装配工位设备占地边界信息;并根据所述装配工位设备存在位置信息和所述装配工位设备占地边界信息,在第一更新处理后的内部环境平面地图上更新标识相应的装配工位设备,从而实现对第一更新处理后的内部环境平面地图进行第二更新处理。
8.如权利要求7所述的用于汽车智能制造的SLAM导航方法,其特征在于:
在所述步骤S4中,根据第二更新处理后的内部环境平面地图,对所述零件运送机器人和所述组装机械手分别进行全局导航定位具体包括:
根据第二更新处理后的内部环境平面地图,对所述零件运送机器人于零件存放立体库和装配工位之间往返运动进行全局导航定位,以此调整所述零件运送机器人的运动路径;
根据所述第二更新处理后的内部环境平面地图,对所述组装机械手于所述组装工位上的组装动作进行全局导航定位,以此调整所述组装机械手的组装动作幅度或组装动作姿态。
9.如权利要求8所述的用于汽车智能制造的SLAM导航方法,其特征在于:
在所述步骤S4中,根据所述第二更新处理后的内部环境平面地图,对所述组装机械手于所述组装工位上的组装动作进行全局导航定位,以此调整所述组装机械手的组装动作幅度或组装动作姿态具体包括:
步骤S401,利用下面公式(1),根据当前时刻所述组装机械手的位置以及上一个时刻的所述组装机械手的位置,得到所述组装机械手的运动方向向量,
在上述公式(1)中,[x(t),y(t),z(t)]表示当前时刻所述组装机械手的运动方向向量;t表示当前时刻;[X(t),Y(t),Z(t)]表示当前时刻所述组装机械手的空间位置坐标; 表示时刻所述组装机械手的空间位置坐标;f表示所述组装机械手的位置采集最小频率;S0表示预设单位长度值;S(t)表示当前时刻所述组装机械手的空间位置与所述组装机械手的初始空间位置之间的距离值;
步骤S402,利用下面公式(2),根据所述组装机械手的运动方向向量得到所述组装机械手在当前运动方向上的最大组装动作幅度,
s(t)=S{[x(t),y(t),z(t)]→{(X,Y,Z)|{(x,y,z),[X(t),Y(t),Z(t)]}}} (2)
在上述公式(2)中,s(t)表示当前时刻所述组装机械手在当前运动方向上的最大组装动作幅度距离值;{(X,Y,Z)|{(x,y,z),[X(t),Y(t),Z(t)]}}表示经过位置点(x,y,z)且方向为[X(t),Y(t),Z(t)]方向上接触到第一个除组装机械手以外的其它物品的位置点并将所述位置点记作(X,Y,Z);S{→}表示求取括号内→左右两端的坐标位置点之间的距离值;
步骤S403,利用下面公式(3),根据所述组装机械手在当前运动方向上的最大组装动作幅度,控制所述组装机械手的最大运动速度,
在上述公式(3)中,V(t)表示当前时刻所述组装机械手的最大运动控制速度;V0表示所述组装机械手的最小运动速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211347993.0A CN115902927B (zh) | 2022-10-31 | 2022-10-31 | 用于汽车智能制造的slam导航方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211347993.0A CN115902927B (zh) | 2022-10-31 | 2022-10-31 | 用于汽车智能制造的slam导航方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115902927A true CN115902927A (zh) | 2023-04-04 |
CN115902927B CN115902927B (zh) | 2024-04-19 |
Family
ID=86477012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211347993.0A Active CN115902927B (zh) | 2022-10-31 | 2022-10-31 | 用于汽车智能制造的slam导航方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115902927B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102016114593A1 (de) * | 2016-08-05 | 2018-02-08 | RobArt GmbH | Verfahren zur Steuerung eines autonomen mobilen Roboters |
US20200061839A1 (en) * | 2016-02-09 | 2020-02-27 | Cobalt Robotics Inc. | Inventory management by mobile robot |
WO2022016826A1 (zh) * | 2020-07-23 | 2022-01-27 | 谈斯聪 | 多模式综合信息识别移动式双臂机器人装置、系统及方法 |
CN115039045A (zh) * | 2019-11-25 | 2022-09-09 | 强力物联网投资组合2016有限公司 | 用于工业环境的智能振动数字孪生系统和方法 |
-
2022
- 2022-10-31 CN CN202211347993.0A patent/CN115902927B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200061839A1 (en) * | 2016-02-09 | 2020-02-27 | Cobalt Robotics Inc. | Inventory management by mobile robot |
DE102016114593A1 (de) * | 2016-08-05 | 2018-02-08 | RobArt GmbH | Verfahren zur Steuerung eines autonomen mobilen Roboters |
CN115039045A (zh) * | 2019-11-25 | 2022-09-09 | 强力物联网投资组合2016有限公司 | 用于工业环境的智能振动数字孪生系统和方法 |
WO2022016826A1 (zh) * | 2020-07-23 | 2022-01-27 | 谈斯聪 | 多模式综合信息识别移动式双臂机器人装置、系统及方法 |
Non-Patent Citations (3)
Title |
---|
张立志;陈殿生;刘维惠;: "基于混合地图的护理机器人室内导航方法", 北京航空航天大学学报, no. 05, 22 September 2017 (2017-09-22) * |
王林荣;黄涛;: "基于ROS的激光SLAM室内建图定位导航智能机器人设计", 无线互联科技, no. 04, 25 February 2020 (2020-02-25) * |
石育 等: "基于视觉 SLAM 的可交互虚拟车间构建方法", 机械设计, 31 May 2022 (2022-05-31) * |
Also Published As
Publication number | Publication date |
---|---|
CN115902927B (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10006772B2 (en) | Map production method, mobile robot, and map production system | |
JP5452442B2 (ja) | ロボットシステム及び地図更新方法 | |
CN114061486B (zh) | 面向飞机大型蒙皮曲面的自动化测量装置及其测量方法 | |
US10852740B2 (en) | Determining the orientation of flat reflectors during robot mapping | |
JPH07281753A (ja) | 移動ロボット | |
CN113681563B (zh) | 基于双相机的装配方法及系统 | |
US10824160B2 (en) | Robot localization with co-located markers | |
CN110764110B (zh) | 路径导航方法、装置及计算机可读存储介质 | |
US20210101747A1 (en) | Positioning apparatus capable of measuring position of moving body using image capturing apparatus | |
US11931900B2 (en) | Method of predicting occupancy of unseen areas for path planning, associated device, and network training method | |
Ge et al. | Online 3-D modeling of complex workpieces for the robotic spray painting with low-cost RGB-D cameras | |
KR20110097344A (ko) | 이동 로봇의 위치 및 지도의 이중 보정 장치 및 방법 | |
KR101106265B1 (ko) | Rfid를 이용한 이동 로봇의 위치측정 장치 및 위치측정 방법 | |
US20220100201A1 (en) | Information processing device and mobile robot | |
CN115902927A (zh) | 用于汽车智能制造的slam导航方法 | |
CN112729289B (zh) | 应用于自动导引车的定位方法、装置、设备和存储介质 | |
Gosda et al. | Target tracking in wireless sensor networks by data fusion with video-based object detection | |
Oshima et al. | Automatic planning of laser measurements for a large-scale environment using CPS-SLAM system | |
Research on the positioning and recognition of an intelligent inspection robot in substations | ||
Jin et al. | Position estimation of a mobile robot using images of a moving target in intelligent space with distributed sensors | |
Miura et al. | Self-Localization of Mobile Robot Based on Beacon Beam of TOF Laser Sensor Mounted on Pan-Tilt Actuator: Estimation Method that Combines Spot Coordinates on Laser Receiver and Odometry | |
US20240112363A1 (en) | Position estimation system, position estimation method, and program | |
Howard et al. | Cooperative localisation and mapping: Preliminary report | |
CN115903797A (zh) | 一种针对变电站多楼层建模自主巡检方法 | |
Zhang et al. | Target Detection and Position Measurement Based on Machine Vision for AGV |
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 |