CN116197910A - 风电叶片轮式移动打磨机器人的环境感知方法和装置 - Google Patents

风电叶片轮式移动打磨机器人的环境感知方法和装置 Download PDF

Info

Publication number
CN116197910A
CN116197910A CN202310254093.XA CN202310254093A CN116197910A CN 116197910 A CN116197910 A CN 116197910A CN 202310254093 A CN202310254093 A CN 202310254093A CN 116197910 A CN116197910 A CN 116197910A
Authority
CN
China
Prior art keywords
point cloud
laser radar
robot
coordinate system
frame
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
Application number
CN202310254093.XA
Other languages
English (en)
Other versions
CN116197910B (zh
Inventor
谢国涛
王哲文
王晓伟
秦晓辉
徐彪
秦兆博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Jicui Qinglian Intelligent Control Technology Co ltd
Original Assignee
Jiangsu Jicui Qinglian Intelligent Control Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Jicui Qinglian Intelligent Control Technology Co ltd filed Critical Jiangsu Jicui Qinglian Intelligent Control Technology Co ltd
Priority to CN202310254093.XA priority Critical patent/CN116197910B/zh
Publication of CN116197910A publication Critical patent/CN116197910A/zh
Application granted granted Critical
Publication of CN116197910B publication Critical patent/CN116197910B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • B25J9/1674—Programme controls characterised by safety, monitoring, diagnostic
    • B25J9/1676—Avoiding collision or forbidden zones
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J11/00—Manipulators not otherwise provided for
    • B25J11/005—Manipulators for mechanical processing tasks
    • B25J11/0065—Polishing or grinding
    • 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
    • B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
    • 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
    • B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
    • B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Landscapes

  • Engineering & Computer Science (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Laser Beam Processing (AREA)

Abstract

本发明公开了一种风电叶片轮式移动打磨机器人的环境感知方法和装置，其中方法包括：障碍物感知步骤和工件识别步骤；其中，障碍物感知步骤具体包括：S11，将前、后激光雷达采集到的原始点云数据进行时间同步；S12，基于点云标准数据类型解析时间同步后的原始点云数据，输出前激光雷达坐标系下前、后激光雷达点云中障碍物点的坐标；S13，获取前、后激光雷达坐标系分别到机器人坐标系的转换关系；S14，得到机器人坐标系下的前、后激光雷达点云；S15，获取机器人坐标系下的障碍物信息。本发明能够保证轮式机器人在不同场景中的作业安全，能够根据不同待加工件生成不同作业路径，提高加工作业效率的同时降低了人力和物力成本。

Description

风电叶片轮式移动打磨机器人的环境感知方法和装置
技术领域
本发明涉及工业机器人技术领域，特别是关于一种风电叶片轮式移动打磨机器人的环境感知方法和装置。
背景技术
近年来，随着社会经济飞速发展、人们生活水平日益提高，劳动密集型生产制造业面临用人成本提升、生产附加污染严重等巨大挑战。如何利用智能制造创新技术加快推进劳动密集型制造业转型升级，持续提高工业生产力逐渐成为产业内的重要发展方向。
传统工业生产中通常存在较严重的环境污染，恶劣的生产环境极易对人体、生态环境造成破坏，同时大幅增加企业生产成本负担。特别在打磨工艺方面，大部分产品生产过程中打磨工艺工作量较大，且工人工作环境恶劣，同时打磨过程中会产生大量粉尘，对人呼吸道、皮肤、和眼睛等伤害较大，易增加人体感染呼吸道疾病、皮肤病等的几率。由于大部分工业零部件打磨工序较为复杂，对打磨技术要求较高，并且传统的工业机器人通常处于固定位置，无法满足规格多样打磨工件场景的作业要求。所以，目前大多数加工制造厂商仍然采用半手工半机器作业模式，这种模式存在的工作时间不连续、工作效率低等问题已经成为企业发展的重要制约因素。
目前，我国风电行业装备制造业发展缓慢，尤其是风电叶片的打磨工序在行业内尚不存在较为标准的作业流程和规范。根据相关调查数据显示，我国风电叶片长度一般在20到100余米，叶片直径和高度分别为1至4米和2至5米，重量达到50吨左右，在具有较大尺寸的同时为降低风阻通常具有较复杂的流线型外表面，打磨工艺较为繁琐，目前主要以机器辅助人工作业模式，尚未完全实现全自动化作业。这种作业模式存在工人位置随机性大、叶片去除余量和打磨位置难以控制等缺点，而且人工作业存在生产效率低、劳动强度大、操作稳定性和产品可靠性差、成本费用高等问题。
发明内容
本发明的目的在于提供一种风电叶片轮式移动打磨机器人的环境感知方法和装置来克服或至少减轻现有技术的上述缺陷中的至少一个。
为实现上述目的，本发明提供一种风电叶片轮式移动打磨机器人的环境感知方法，其包括：
障碍物感知步骤：接收由机器人的前、后的两个激光雷达采集得到的行驶路径周围的原始点云数据，获取行驶路径上的障碍物信息，并输出；
工件识别步骤：基于多线激光雷达的三维点云地图，对待加工件的和工件夹具轮廓进行提取和识别，并输出；
其中，障碍物感知步骤具体包括：
S11，将前、后激光雷达采集到的原始点云数据进行时间同步；
S12，基于点云标准数据类型解析S11中时间同步后的原始点云数据，输出前激光雷达坐标系下前激光雷达点云
Figure BDA0004128897950000021
中障碍物点的坐标/>
Figure BDA0004128897950000022
和后激光雷达坐标系下后激光雷达点云/>
Figure BDA0004128897950000023
中障碍物点的坐标/>
Figure BDA0004128897950000024
S13，根据前、后激光雷达的安装位置，分别对前、后激光雷达坐标系和机器人坐标系w进行基于单线激光雷达定位结果的标定，得到前、后激光雷达坐标系分别到机器人坐标系w的旋转转换关系
Figure BDA0004128897950000025
和平移转换关系/>
Figure BDA0004128897950000026
S14，根据转转换关系
Figure BDA0004128897950000027
和/>
Figure BDA0004128897950000028
将/>
Figure BDA0004128897950000029
和
Figure BDA00041288979500000210
Figure BDA00041288979500000211
投影到机器人坐标系w下，得到前、后激光雷达点云中障碍物点在坐标系w下的坐标/>
Figure BDA00041288979500000212
进而得到机器人坐标系w下的前、后激光雷达点云/>
Figure BDA00041288979500000213
S15，将点云
Figure BDA00041288979500000214
均进行顺序融合，使两激光雷达视野内的障碍物均能在机器人坐标系w被观测到，同时剔除出现在机器人几何范围内的离群点，输出机器人坐标系w下的障碍物信息/>
Figure BDA00041288979500000215
进一步地，步骤S11具体包括：
S111，将前、后激光雷达采集到的原始点云数据进行解析，得到点云
Figure BDA00041288979500000216
Figure BDA00041288979500000217
中第一帧数据时间戳/>
Figure BDA00041288979500000218
S112，判断时间戳
Figure BDA00041288979500000219
是否小于时间戳/>
Figure BDA00041288979500000220
若是，则进入步骤S113，否则进入步骤S114；
S113，判断时间戳
Figure BDA00041288979500000221
与/>
Figure BDA00041288979500000222
的差值/>
Figure BDA00041288979500000223
是否大于激光雷达扫描时间间隔，若是，则将时间戳/>
Figure BDA00041288979500000224
前的/>
Figure BDA00041288979500000225
激光点云数据逐帧删除，直至所得到的新的点云/>
Figure BDA00041288979500000226
中的第一帧时间戳/>
Figure BDA0004128897950000031
与/>
Figure BDA0004128897950000032
的差值/>
Figure BDA0004128897950000033
为正值且小于激光雷达扫描时间间隔，再将前述删除的激光雷达点云投影到时间戳为/>
Figure BDA0004128897950000034
的激光点云帧，与该帧已有的点云共同构成新的时间戳为
Figure BDA0004128897950000035
的激光点云帧；
S114，判断
Figure BDA0004128897950000036
和/>
Figure BDA0004128897950000037
的差值/>
Figure BDA0004128897950000038
是否大于激光雷达扫描时间间隔，若是，则将
Figure BDA0004128897950000039
时刻前的/>
Figure BDA00041288979500000310
激光点云数据逐帧删除，直至所得到的新的点云/>
Figure BDA00041288979500000311
中的第一帧时间戳/>
Figure BDA00041288979500000312
与/>
Figure BDA00041288979500000313
的差值/>
Figure BDA00041288979500000314
为正值且小于激光雷达扫描时间间隔，再将前述删除的激光点云数据投影到时间戳为/>
Figure BDA00041288979500000315
的激光点云帧，与该帧已有的点云数据共同构成新的时间戳为/>
Figure BDA00041288979500000316
的激光点云帧。
进一步地，步骤S13具体包括：
S131，分别基于前、后激光雷达进行以机器人本体中心为原点的室内定位，估计前、后激光雷达相对机器人本体中心的位姿变换；
S132，利用固定在机器人本体中心的全站仪测量路径散点轨迹作为机器人行驶的真实轨迹，再将前、后激光雷达的定位结果与机器人行驶的真实轨迹进行基于定位评估工具的绝对误差评估，利用该评估值对S131中的位姿变换进行误差分析和纠偏；
S133，将S132输出的纠偏后的位姿变换作为前、后激光雷达标定参数，对前、后激光雷达坐标系和机器人坐标系w进行基于单线激光雷达定位结果的标定。
进一步地，步骤S15中“将点云
Figure BDA00041288979500000317
均进行顺序融合”的方法具体包括：
S151，判断
Figure BDA00041288979500000318
和/>
Figure BDA00041288979500000319
的横、纵坐标的差值/>
Figure BDA00041288979500000320
和
Figure BDA00041288979500000321
是否同时满足预设条件，若是，则判定/>
Figure BDA00041288979500000322
和/>
Figure BDA00041288979500000323
为重合点，并进入步骤S152；否则，则判定/>
Figure BDA00041288979500000324
和/>
Figure BDA00041288979500000325
为非重合点，并进入步骤S153；
S152，将
Figure BDA00041288979500000326
和/>
Figure BDA00041288979500000327
的坐标取均值后进行保存；
S153，将
Figure BDA00041288979500000328
和/>
Figure BDA00041288979500000329
的坐标分别进行保存。
进一步地，工件识别步骤具体包括：
S21，去除三维点云地图中的点云噪声点；
S22，根据S21中去除点云噪声点后的三维点云地图创建三维体素栅格，将每个体素栅格中与其中心距离最近的点进行保留，而将其他点进行剔除，再将保留的点用于代替其所在体素栅格中的所有点；
S23，利用点云一致性分割算法对经过下采样后的三维点云地图进行进一步去掉地面点，同时，基于待加工件在三位点云地图中的位置信息，去除除待加工件之外的点云得到待加工件点云信息；
S24，将待加工件点云投射到多线激光雷达的激光雷达坐标系的XOY平面，得到激光雷达坐标系下的待加工件点云二维坐标；
S25，计算待加工件点云二维坐标中每个点的法向量；
S26，根据S25计算出的点云中点的法向量，依次计算待加工件点云二维坐标中所有点与其邻域点的夹角，再剔除与夹角大于预设角度阈值的邻域点，而保留预设角度阈值内的邻域点，作为待加工件的轮廓点云的二维坐标；
S27，S26中所提取到的待加工件轮廓点云的二维坐标包含与待加工件接触的夹具点云轮廓，需根据该部分点云的曲率信息进一步对夹具点云轮廓进行提取；
S28，将S27中提取到的夹具轮廓点云坐标从S26中提取到的待加工件轮廓点云二维坐标中剔除，得到待加工工件的轮廓点。
进一步地，步骤S25具体包括：
S251，根据S24得到的待加工件点云二维坐标设置邻域半径并提取任意点的邻域点，构建协方差矩阵；
S252，通过主成分分析方法分析S251中协方差矩阵的特征向量和特征值，其中，最大主成分为投影到自定义方向后方差最大方向，而法向量为投影到该方向后方差最小的方向；
S253，通过主成分分析变换，将S24的待加工件点云二维坐标投影到协方差矩阵特征值最小的方向，得到待加工件点云中每个点的法向量。
进一步地，工件识别步骤具体还包括：
根据S24的待加工件点云二维坐标，求取z坐标差值均值，并依据工件宽度尺寸设置阈值，若差值均值小于阈值，则表示待加工件为水平摆放，识别结果为“否”，此时需调整待加工件的摆放位置；若差值均值不小于阈值，则表示待加工件为竖直摆放，识别结果为“是”，此时待加工件摆放位置正确，可进行加工。
本发明还提供一种风电叶片轮式移动打磨机器人的环境感知装置，其包括：
障碍物感知单元，其用于接收由机器人的前、后的两个激光雷达采集得到的行驶路径周围的原始点云数据，获取行驶路径上的障碍物信息，并输出；
工件识别单元，其用于基于多线激光雷达的三维点云地图，对待加工件的和工件夹具轮廓进行提取和识别，并输出；
其中，障碍物感知单元具体包括：
时间同步子单元，其用于将前、后激光雷达采集到的原始点云数据进行时间同步；
障碍物点解析子单元，其用于基于点云标准数据类型解析时间同步子单元中时间同步后的原始点云数据，输出前激光雷达坐标系下前激光雷达点云
Figure BDA0004128897950000051
中障碍物点的坐标
Figure BDA0004128897950000052
和后激光雷达坐标系下后激光雷达点云/>
Figure BDA0004128897950000053
中障碍物点的坐标
Figure BDA0004128897950000054
转换关系获取子单元，其用于根据前、后激光雷达的安装位置，分别对前、后激光雷达坐标系和机器人坐标系w进行基于单线激光雷达定位结果的标定，得到前、后激光雷达坐标系分别到机器人坐标系w的旋转转换关系
Figure BDA0004128897950000055
和平移转换关系
Figure BDA0004128897950000056
激光雷达点云获取子单元，其用于根据转转换关系
Figure BDA0004128897950000057
和/>
Figure BDA0004128897950000058
将/>
Figure BDA0004128897950000059
和/>
Figure BDA00041288979500000510
投影到机器人坐标系w下，得到前、后激光雷达点云中障碍物点在坐标系w下的坐标/>
Figure BDA00041288979500000511
进而得到机器人坐标系w下的前、后激光雷达点云/>
Figure BDA00041288979500000512
障碍物信息获取子单元，其用于将点云
Figure BDA00041288979500000513
均进行顺序融合，使两激光雷达视野内的障碍物均能在机器人坐标系w被观测到，同时剔除出现在机器人几何范围内的离群点，输出机器人坐标系w下的障碍物信息/>
Figure BDA00041288979500000514
进一步地，时间同步子单元具体包括：
原始点云解析模块，其用于将前、后激光雷达采集到的原始点云数据进行解析，得到点云
Figure BDA00041288979500000515
中第一帧数据时间戳/>
Figure BDA00041288979500000516
前激光点云帧获取模块，其用于在时间戳
Figure BDA00041288979500000517
小于时间戳/>
Figure BDA00041288979500000518
的情形下，判断时间戳/>
Figure BDA00041288979500000519
与/>
Figure BDA00041288979500000520
的差值/>
Figure BDA00041288979500000521
是否大于激光雷达扫描时间间隔，若是，则将时间戳/>
Figure BDA00041288979500000522
前的/>
Figure BDA00041288979500000523
激光点云数据逐帧删除，直至所得到的新的点云/>
Figure BDA00041288979500000524
中的第一帧时间戳/>
Figure BDA00041288979500000525
与/>
Figure BDA00041288979500000526
的差值
Figure BDA00041288979500000527
为正值且小于激光雷达扫描时间间隔，再将前述删除的激光雷达点云投影到时间戳为/>
Figure BDA0004128897950000061
的激光点云帧，与该帧已有的点云共同构成新的时间戳为/>
Figure BDA0004128897950000062
的激光点云帧；
后激光点云帧获取模块，其用于在时间戳
Figure BDA0004128897950000063
不小于时间戳/>
Figure BDA0004128897950000064
的情形下，判断/>
Figure BDA0004128897950000065
和/>
Figure BDA0004128897950000066
的差值/>
Figure BDA0004128897950000067
是否大于激光雷达扫描时间间隔，若是，则将/>
Figure BDA0004128897950000068
时刻前的/>
Figure BDA0004128897950000069
激光点云数据逐帧删除，直至所得到的新的点云/>
Figure BDA00041288979500000615
中的第一帧时间戳/>
Figure BDA00041288979500000610
与/>
Figure BDA00041288979500000611
的差值/>
Figure BDA00041288979500000612
为正值且小于激光雷达扫描时间间隔，再将前述删除的激光点云数据投影到时间戳为/>
Figure BDA00041288979500000613
的激光点云帧，与该帧已有的点云数据共同构成新的时间戳为/>
Figure BDA00041288979500000614
的激光点云帧。
进一步地，转换关系获取子单元具体包括：
激光雷达位姿变换模块，其用于分别基于前、后激光雷达进行以机器人本体中心为原点的室内定位，估计前、后激光雷达相对机器人本体中心的位姿变换；
误差纠偏模块，其用于利用固定在机器人本体中心的全站仪测量路径散点轨迹作为机器人行驶的真实轨迹，再将前、后激光雷达的定位结果与机器人行驶的真实轨迹进行基于定位评估工具的绝对误差评估，利用该评估值对激光雷达位姿变换模块中的位姿变换进行误差分析和纠偏；
单线激光雷达定位结果标定模块，其用于将误差纠偏模块输出的纠偏后的位姿变换作为前、后激光雷达标定参数，对前、后激光雷达坐标系和机器人坐标系w进行基于单线激光雷达定位结果的标定。
由于本发明中轮式机器人上的感知行驶路径障碍物功能能够通过机器人前后侧激光雷达实时监测机器人周围物体分布情况，并将该情况实时传输至系统进行计算分析，从而对可能存在的障碍物进行预警和规避，避免机器人在作业过程中出现撞人、撞物等生产安全隐患。识别待加工件轮廓功能为机器人提供作业路径边界点，可根据不同待加工件生成不同作业路径。识别工件夹具功能通过识别待加工件轮廓并对其进行过滤识别待加工件上可能存在的夹具等其他可能影响打磨作业的结构或物体。因此，本发明在保证工业机器人成本经济性的同时，能够提高工业机器人在多种不同复杂工况下作业的灵活性与精确性，进而提升作业效率、作业可靠性和作业安全性。
附图说明
图1为本发明实施例提供的提取待加工件轮廓的流程示意图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
风电叶片轮式移动打磨机器人的本体包括全向运动底盘、多自由度机械臂、和相应的防尘装置等，机器人通过摄像头、激光雷达等传感器实现其在整个打磨作业过程中的全自动运行。该机器人的感知方法可使其在打磨任务开始前即可规划完成可避开工件上障碍物(如工件夹具)的打磨路径，且可避开运行环境中存在或突然出现的障碍物并告警，与此同时，机器人可实时在后台系统中更新其相对位置以确保多台机器人的安全、协调、高效运行，并且，作业过程中完全不需要人为干预调整机体位置、机械臂位置等。
本发明实施例提供的风电叶片轮式移动打磨机器人的环境感知方法以封闭厂房内部的类结构化道路为研究场景，包括：
障碍物感知步骤：接收由机器人的前激光雷达和后激光雷达采集得到的行驶路径周围的原始点云数据，获取行驶路径上的障碍物信息，并输出。其中，前激光雷达和后激光雷达在下文简化为前、后激光雷达。而且，“前”可以理解为激光雷达安装在机器人本体的前部，“前”可以理解为激光雷达安装在机器人本体的后部。
工件识别步骤：基于多线激光雷达的三维点云地图，对待加工件的和工件夹具轮廓进行提取和识别，并输出。其中，三维点云地图主要由多线激光雷达(例如：80线激光雷达)采集的多帧激光雷达点云投影到某一固定帧上构成得到。在加工作业开始前，受雷达扫描区域和待加工件尺寸限制，该80线激光雷达无法在作业路径上对待加工件进行整体扫描，故机器人需在预先设置的扫描区域对待加工件整体进行扫描，以获取由多帧激光雷达扫描结果构成的场景和待加工件三维点云地图。
在一个实施例中，障碍物感知是基于单线激光雷达的全向障碍物检测，其具体包括：
S11，将前、后激光雷达采集到的两原始点云数据进行时间同步。对前、后激光雷达原始输出数据进行时间同步，在订阅原始消息时即对不同激光雷达数据进行基于ROS时间的时间戳同步，以保证感知融合数据的准确性，从而保证机器人避障精度。
在一个实施例中，步骤S11可以采用如下展开的步骤实现，具体包括：
S111，将前、后激光雷达采集到的原始点云数据进行解析，得到点云
Figure BDA0004128897950000071
中第一帧数据时间戳/>
Figure BDA0004128897950000081
S112，判断时间戳
Figure BDA0004128897950000082
是否小于时间戳/>
Figure BDA0004128897950000083
若是，则进入步骤S113，否则进入步骤S114。
S113，判断时间戳
Figure BDA0004128897950000084
与/>
Figure BDA0004128897950000085
的差值/>
Figure BDA0004128897950000086
是否大于激光雷达扫描时间间隔，若是，则将时间戳/>
Figure BDA0004128897950000087
前的/>
Figure BDA0004128897950000088
激光点云数据逐帧删除，直至所得到的新的点云/>
Figure BDA0004128897950000089
中的第一帧时间戳/>
Figure BDA00041288979500000810
与/>
Figure BDA00041288979500000811
的差值/>
Figure BDA00041288979500000812
为正值且小于激光雷达扫描时间间隔，再将前述删除的激光雷达点云投影到时间戳为/>
Figure BDA00041288979500000813
的激光点云帧，与该帧已有的点云共同构成新的时间戳为
Figure BDA00041288979500000814
的激光点云帧。其中，由于0.1s内的时间误差对打磨机器人避障影响较小，因此，激光雷达扫描时间间隔可以设置为0.1s。
S114，判断
Figure BDA00041288979500000815
和/>
Figure BDA00041288979500000816
的差值/>
Figure BDA00041288979500000817
是否大于激光雷达扫描时间间隔，若是，则将/>
Figure BDA00041288979500000818
时刻前的/>
Figure BDA00041288979500000819
激光点云数据逐帧删除，直至所得到的新的点云/>
Figure BDA00041288979500000820
中的第一帧时间戳/>
Figure BDA00041288979500000821
与/>
Figure BDA00041288979500000822
的差值/>
Figure BDA00041288979500000823
为正值且小于激光雷达扫描时间间隔，再将前述删除的激光点云数据投影到时间戳为/>
Figure BDA00041288979500000824
的激光点云帧，与该帧已有的点云数据共同构成新的时间戳为/>
Figure BDA00041288979500000825
的激光点云帧。
实质上，步骤S11还可以采用时间戳顺序插值方法、基于最小二乘的时间戳差值优化方法等现有方法实现。
S12，基于点云标准数据类型解析S11中时间同步后的原始点云数据，输出前激光雷达坐标系下前激光雷达点云
Figure BDA00041288979500000826
中障碍物点的坐标/>
Figure BDA00041288979500000827
和后激光雷达坐标系下后激光雷达点云/>
Figure BDA00041288979500000828
中障碍物点的坐标/>
Figure BDA00041288979500000829
其中，x、y分别为激光雷达坐标系中的横、纵坐标信息。
S13，根据前、后激光雷达的安装位置，分别对前、后激光雷达坐标系和机器人坐标系w进行基于单线激光雷达定位结果的标定，得到前、后激光雷达坐标系分别到机器人坐标系w的旋转转换关系
Figure BDA00041288979500000830
和平移转换关系/>
Figure BDA00041288979500000831
在一个实施例中，步骤S13具体包括：
S131，分别基于前、后激光雷达进行以机器人本体中心为原点的室内定位，估计前、后激光雷达相对机器人本体中心的位姿变换。
S132，利用固定在机器人本体中心的全站仪测量路径散点轨迹作为机器人行驶的真实轨迹，再将前、后激光雷达的定位结果与机器人行驶的真实轨迹进行基于定位评估(Evaluation of Odometry，EVO)工具的绝对误差评估，利用该评估值对S131中的位姿变换进行误差分析和纠偏。
S133，将S132输出的纠偏后的位姿变换作为前、后激光雷达标定参数，对前、后激光雷达坐标系和机器人坐标系w进行基于单线激光雷达定位结果的标定。
步骤S13还可以采用手眼标定法、多激光雷达点云拼接对齐方法等现有方法实现。
S14，根据转转换关系
Figure BDA0004128897950000091
和/>
Figure BDA0004128897950000092
将/>
Figure BDA0004128897950000093
和
Figure BDA0004128897950000094
Figure BDA0004128897950000095
投影到机器人坐标系w下，得到前、后激光雷达点云中障碍物点在坐标系w下的坐标/>
Figure BDA0004128897950000096
如下式(1)所示，进而得到机器人坐标系w下的前、后激光雷达点云
Figure BDA0004128897950000097
Figure BDA0004128897950000098
S15，将点云
Figure BDA0004128897950000099
均进行顺序融合，使两激光雷达视野内的障碍物均能在机器人坐标系w被观测到，同时剔除出现在机器人几何范围内的离群点，输出机器人坐标系w下的障碍物信息/>
Figure BDA00041288979500000910
在一个实施例中，步骤S15中“将点云
Figure BDA00041288979500000911
均进行顺序融合”的方法具体包括：
S151，判断
Figure BDA00041288979500000912
和/>
Figure BDA00041288979500000913
的横、纵坐标的差值/>
Figure BDA00041288979500000914
和
Figure BDA00041288979500000915
是否同时满足预设条件，若是，则判定/>
Figure BDA00041288979500000916
和/>
Figure BDA00041288979500000917
为重合点，并进入步骤S152；否则，则判定/>
Figure BDA00041288979500000918
和/>
Figure BDA00041288979500000919
为非重合点，并进入步骤S153。
S152，将
Figure BDA00041288979500000920
和/>
Figure BDA00041288979500000921
的坐标取均值后进行保存；
S153，将
Figure BDA00041288979500000922
和/>
Figure BDA00041288979500000923
的坐标分别进行保存。
通常封闭厂房环境中杂物或人员密度较低，且与加工作业相关的零部件摆放方式与位置均有标准规范，障碍物类型和运动方式相对单一，采用基于单线激光雷达的感知方法不仅适用于该类型环境下的障碍物检测需求，同时最大程度上降低生产成本。基于对角固定在轮式工业机器人底座的两个单线激光雷达提取机器人行驶路径周围的障碍物坐标信息，同时基于机器人底层控制特性设置危险障碍物的距离判断阈值，以保证机器人作业过程中的安全性。
在一个实施例中，如图1所示，工件识别步骤具体包括：
S21，去除三维点云地图中的点云噪声点，以减少其对后续步骤造成的轮廓提取偏差和夹具识别不准确等消极影响。其中，点云噪声点主要指远离点云主体的稀疏点或小块点云，这类点云与主体点云基本没有关联，且蕴含环境信息较少，但对算法正常运行存在干扰。
S22，根据S21中去除点云噪声点后的三维点云地图创建三维体素栅格，将每个体素栅格中与其中心距离最近的点进行保留，而将其他点进行剔除，再将保留的点用于代替其所在体素栅格中的所有点。
S23，利用点云一致性分割算法对经过下采样后的三维点云地图进行进一步去掉地面点，同时，基于待加工件在三位点云地图中的位置信息，去除除待加工件之外的点云得到待加工件点云信息。由于三维点云地图中点云数量较多，直接处理会严重降低算法的实时性，在保证点云质量的基础上对点云地图进行均匀下采样，其原理为基于点云数据创建三维体素栅格，保留每个体素栅格中与体素栅格中心距离最近的点并剔除其余点，以此点代替该体素栅格中所有点。虽然均匀下采样算法复杂度相对较高，但该方法可最大程度上保留三维点云地图中的特征信息，以确保后续步骤所提取待加工件轮廓的精确度和点云均匀度。
S24，将待加工件点云投射到多线激光雷达的激光雷达坐标系的XOY平面，得到激光雷达坐标系下的待加工件点云二维坐标。其中，多线激光雷达的激光雷达坐标系的XOY平面的X、Y分别为以多线激光雷达的中心为原点的激光雷达坐标系X、Y轴，O为激光雷达坐标系原点。80线激光雷达的坐标系为x轴沿雷达电源线朝前，y轴沿雷达电源线垂直方向朝左，z轴朝竖直方向。
S25，计算待加工件点云二维坐标中每个点的法向量。
例如：通过估计二维平面中某点法向量的过程近似于估计某一点与临近点所拟合平面的相切面法线，便可以获得待加工件点云二维坐标中每个点的法向量。
还例如，步骤S25还可以具体包括：
S251，根据S24得到的待加工件点云二维坐标设置邻域半径并提取任意点的邻域点，构建协方差矩阵。其中，邻域半径根据点云信息的稀疏程度设置，通常设置为0.01m，邻域点通过K-D树(K-Dimensional Tree)提取。
S252，通过主成分分析(Principal Component Analysis，PCA)方法分析S251中协方差矩阵的特征向量和特征值，其中，最大主成分为投影到自定义方向后方差最大方向，而法向量为投影到该方向后方差最小的方向。
S253，通过主成分分析变换，将S24的待加工件点云二维坐标投影到协方差矩阵特征值最小的方向，得到待加工件点云中每个点的法向量。
S26，根据S25计算出的点云中点的法向量，依次计算待加工件点云二维坐标中所有点与其邻域点的夹角，再剔除与夹角大于预设角度阈值的邻域点，而保留预设角度阈值内的邻域点，作为待加工件的轮廓点云的二维坐标。其中，邻域点数量可以为8个，预设角度阈值的设置与邻域点在邻域中的分布相关，目前设置为3°。
S27，S26中所提取到的待加工件轮廓点云的二维坐标包含与待加工件接触的夹具点云轮廓，需根据该部分点云的曲率信息进一步对夹具点云轮廓进行提取。
S28，将S27中提取到的夹具轮廓点云坐标从S26中提取到的待加工件轮廓点云二维坐标中剔除，得到待加工工件的轮廓点。
在一个实施例中，在机器人对待加工件进行加工前需判断待加工件的摆放位置是否正确，因此，工件识别步骤具体还包括：
根据S24的待加工件点云二维坐标，求取z坐标差值均值，并依据工件宽度尺寸设置阈值，该阈值可以但不限于设置为1.5m。若差值均值小于阈值，则表示待加工件为水平摆放，识别结果为“否”，此时需调整待加工件的摆放位置；若差值均值不小于阈值，则表示待加工件为竖直摆放，识别结果为“是”，此时待加工件摆放位置正确，可进行加工。
本发明实施例提供一种风电叶片轮式移动打磨机器人的环境感知装置，其包括障碍物感知单元和工件识别单元，其中：
障碍物感知单元用于接收由机器人的前、后的两个激光雷达采集得到的行驶路径周围的原始点云数据，获取行驶路径上的障碍物信息，并输出。
工件识别单元，其用于基于多线激光雷达的三维点云地图，对待加工件的和工件夹具轮廓进行提取和识别，并输出。
其中，障碍物感知单元具体包括时间同步子单元、障碍物点解析子单元、转换关系获取子单元、激光雷达点云获取子单元和障碍物信息获取子单元，其中：
时间同步子单元用于将前、后激光雷达采集到的原始点云数据进行时间同步。
障碍物点解析子单元，其用于基于点云标准数据类型解析时间同步子单元中时间同步后的原始点云数据，输出前激光雷达坐标系下前激光雷达点云
Figure BDA0004128897950000111
中障碍物点的坐标
Figure BDA0004128897950000121
和后激光雷达坐标系下后激光雷达点云/>
Figure BDA0004128897950000122
中障碍物点的坐标
Figure BDA0004128897950000123
转换关系获取子单元，其用于根据前、后激光雷达的安装位置，分别对前、后激光雷达坐标系和机器人坐标系w进行基于单线激光雷达定位结果的标定，得到前、后激光雷达坐标系分别到机器人坐标系w的旋转转换关系
Figure BDA0004128897950000124
和平移转换关系
Figure BDA0004128897950000125
激光雷达点云获取子单元，其用于根据转转换关系
Figure BDA0004128897950000126
和/>
Figure BDA0004128897950000127
将/>
Figure BDA0004128897950000128
和/>
Figure BDA0004128897950000129
投影到机器人坐标系w下，得到前、后激光雷达点云中障碍物点在坐标系w下的坐标/>
Figure BDA00041288979500001210
进而得到机器人坐标系w下的前、后激光雷达点云/>
Figure BDA00041288979500001211
障碍物信息获取子单元，其用于将点云
Figure BDA00041288979500001212
均进行顺序融合，使两激光雷达视野内的障碍物均能在机器人坐标系w被观测到，同时剔除出现在机器人几何范围内的离群点，输出机器人坐标系w下的障碍物信息/>
Figure BDA00041288979500001213
在一个实施例中，时间同步子单元具体包括原始点云解析模块、前激光点云帧获取模块和后激光点云帧获取模块，其中：
原始点云解析模块用于将前、后激光雷达采集到的原始点云数据进行解析，得到点云
Figure BDA00041288979500001214
中第一帧数据时间戳/>
Figure BDA00041288979500001215
前激光点云帧获取模块，其用于在时间戳
Figure BDA00041288979500001216
小于时间戳/>
Figure BDA00041288979500001217
的情形下，判断时间戳/>
Figure BDA00041288979500001218
与/>
Figure BDA00041288979500001219
的差值/>
Figure BDA00041288979500001220
是否大于激光雷达扫描时间间隔，若是，则将时间戳/>
Figure BDA00041288979500001221
前的/>
Figure BDA00041288979500001222
激光点云数据逐帧删除，直至所得到的新的点云/>
Figure BDA00041288979500001223
中的第一帧时间戳/>
Figure BDA00041288979500001224
与/>
Figure BDA00041288979500001225
的差值
Figure BDA00041288979500001226
为正值且小于激光雷达扫描时间间隔，再将前述删除的激光雷达点云投影到时间戳为/>
Figure BDA00041288979500001227
的激光点云帧，与该帧已有的点云共同构成新的时间戳为/>
Figure BDA00041288979500001228
的激光点云帧。
后激光点云帧获取模块，其用于在时间戳
Figure BDA00041288979500001229
不小于时间戳/>
Figure BDA00041288979500001230
的情形下，判断/>
Figure BDA00041288979500001231
和/>
Figure BDA00041288979500001232
的差值/>
Figure BDA00041288979500001233
是否大于激光雷达扫描时间间隔，若是，则将/>
Figure BDA00041288979500001234
时刻前的/>
Figure BDA00041288979500001235
激光点云数据逐帧删除，直至所得到的新的点云/>
Figure BDA00041288979500001236
中的第一帧时间戳/>
Figure BDA00041288979500001237
与/>
Figure BDA00041288979500001238
的差值/>
Figure BDA00041288979500001239
为正值且小于激光雷达扫描时间间隔，再将前述删除的激光点云数据投影到时间戳为/>
Figure BDA0004128897950000131
的激光点云帧，与该帧已有的点云数据共同构成新的时间戳为/>
Figure BDA0004128897950000132
的激光点云帧。
在一个实施例中，转换关系获取子单元具体包括激光雷达位姿变换模块、误差纠偏模块和单线激光雷达定位结果标定模块，其中：
激光雷达位姿变换模块用于分别基于前、后激光雷达进行以机器人本体中心为原点的室内定位，估计前、后激光雷达相对机器人本体中心的位姿变换。
误差纠偏模块，其用于利用固定在机器人本体中心的全站仪测量路径散点轨迹作为机器人行驶的真实轨迹，再将前、后激光雷达的定位结果与机器人行驶的真实轨迹进行基于定位评估工具的绝对误差评估，利用该评估值对激光雷达位姿变换模块中的位姿变换进行误差分析和纠偏。
单线激光雷达定位结果标定模块，其用于将误差纠偏模块输出的纠偏后的位姿变换作为前、后激光雷达标定参数，对前、后激光雷达坐标系和机器人坐标系w进行基于单线激光雷达定位结果的标定。
最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。本领域的普通技术人员应当理解：可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种风电叶片轮式移动打磨机器人的环境感知方法，其特征在于，包括：
障碍物感知步骤：接收由机器人的前、后的两个激光雷达采集得到的行驶路径周围的原始点云数据，获取行驶路径上的障碍物信息，并输出；
工件识别步骤：基于多线激光雷达的三维点云地图，对待加工件的和工件夹具轮廓进行提取和识别，并输出；
其中，障碍物感知步骤具体包括：
S11，将前、后激光雷达采集到的原始点云数据进行时间同步；
S12，基于点云标准数据类型解析S11中时间同步后的原始点云数据，输出前激光雷达坐标系下前激光雷达点云
Figure FDA0004128897940000011
中障碍物点的坐标/>
Figure FDA0004128897940000012
和后激光雷达坐标系下后激光雷达点云/>
Figure FDA0004128897940000013
中障碍物点的坐标/>
Figure FDA0004128897940000014
S13，根据前、后激光雷达的安装位置，分别对前、后激光雷达坐标系和机器人坐标系w进行基于单线激光雷达定位结果的标定，得到前、后激光雷达坐标系分别到机器人坐标系w的旋转转换关系
Figure FDA0004128897940000015
和平移转换关系/>
Figure FDA0004128897940000016
Figure FDA0004128897940000017
S14，根据转转换关系
Figure FDA0004128897940000018
和/>
Figure FDA0004128897940000019
将/>
Figure FDA00041288979400000110
和/>
Figure FDA00041288979400000111
Figure FDA00041288979400000112
投影到机器人坐标系w下，得到前、后激光雷达点云中障碍物点在坐标系w下的坐标
Figure FDA00041288979400000113
进而得到机器人坐标系w下的前、后激光雷达点云/>
Figure FDA00041288979400000114
S15，将点云
Figure FDA00041288979400000115
均进行顺序融合，使两激光雷达视野内的障碍物均能在机器人坐标系w被观测到，同时剔除出现在机器人几何范围内的离群点，输出机器人坐标系w下的障碍物信息/>
Figure FDA00041288979400000116
2.如权利要求1所述的风电叶片轮式移动打磨机器人的环境感知方法，其特征在于，步骤S11具体包括：
S111，将前、后激光雷达采集到的原始点云数据进行解析，得到点云
Figure FDA00041288979400000117
Figure FDA00041288979400000118
中第一帧数据时间戳/>
Figure FDA00041288979400000119
S112，判断时间戳
Figure FDA00041288979400000120
是否小于时间戳/>
Figure FDA00041288979400000121
若是，则进入步骤S113，否则进入步骤S114；
S113，判断时间戳
Figure FDA0004128897940000021
与/>
Figure FDA0004128897940000022
的差值/>
Figure FDA0004128897940000023
是否大于激光雷达扫描时间间隔，若是，则将时间戳/>
Figure FDA0004128897940000024
前的/>
Figure FDA0004128897940000025
激光点云数据逐帧删除，直至所得到的新的点云/>
Figure FDA0004128897940000026
中的第一帧时间戳
Figure FDA0004128897940000027
与/>
Figure FDA0004128897940000028
的差值/>
Figure FDA0004128897940000029
为正值且小于激光雷达扫描时间间隔，再将前述删除的激光雷达点云投影到时间戳为/>
Figure FDA00041288979400000210
的激光点云帧，与该帧已有的点云共同构成新的时间戳为/>
Figure FDA00041288979400000211
的激光点云帧；
S114，判断
Figure FDA00041288979400000212
和/>
Figure FDA00041288979400000213
的差值/>
Figure FDA00041288979400000214
是否大于激光雷达扫描时间间隔，若是，则将/>
Figure FDA00041288979400000215
时刻前的/>
Figure FDA00041288979400000216
激光点云数据逐帧删除，直至所得到的新的点云/>
Figure FDA00041288979400000217
中的第一帧时间戳/>
Figure FDA00041288979400000218
与/>
Figure FDA00041288979400000219
的差值/>
Figure FDA00041288979400000220
为正值且小于激光雷达扫描时间间隔，再将前述删除的激光点云数据投影到时间戳为/>
Figure FDA00041288979400000221
的激光点云帧，与该帧已有的点云数据共同构成新的时间戳为/>
Figure FDA00041288979400000222
的激光点云帧。
3.如权利要求1所述的风电叶片轮式移动打磨机器人的环境感知方法，其特征在于，步骤S13具体包括：
S131，分别基于前、后激光雷达进行以机器人本体中心为原点的室内定位，估计前、后激光雷达相对机器人本体中心的位姿变换；
S132，利用固定在机器人本体中心的全站仪测量路径散点轨迹作为机器人行驶的真实轨迹，再将前、后激光雷达的定位结果与机器人行驶的真实轨迹进行基于定位评估工具的绝对误差评估，利用该评估值对S131中的位姿变换进行误差分析和纠偏；
S133，将S132输出的纠偏后的位姿变换作为前、后激光雷达标定参数，对前、后激光雷达坐标系和机器人坐标系w进行基于单线激光雷达定位结果的标定。
4.如权利要求1所述的风电叶片轮式移动打磨机器人的环境感知方法，其特征在于，步骤S15中“将点云
Figure FDA00041288979400000223
均进行顺序融合”的方法具体包括：
S151，判断
Figure FDA00041288979400000224
和/>
Figure FDA00041288979400000225
的横、纵坐标的差值/>
Figure FDA00041288979400000226
和
Figure FDA00041288979400000227
是否同时满足预设条件，若是，则判定/>
Figure FDA00041288979400000228
和/>
Figure FDA00041288979400000229
Figure FDA0004128897940000031
为重合点，并进入步骤S152；否则，则判定/>
Figure FDA0004128897940000032
和/>
Figure FDA0004128897940000033
为非重合点，并进入步骤S153；
S152，将
Figure FDA0004128897940000034
和/>
Figure FDA0004128897940000035
的坐标取均值后进行保存；
S153，将
Figure FDA0004128897940000036
和/>
Figure FDA0004128897940000037
的坐标分别进行保存。
5.如权利要求1-4中任一项所述的风电叶片轮式移动打磨机器人的环境感知方法，其特征在于，工件识别步骤具体包括：
S21，去除三维点云地图中的点云噪声点；
S22，根据S21中去除点云噪声点后的三维点云地图创建三维体素栅格，将每个体素栅格中与其中心距离最近的点进行保留，而将其他点进行剔除，再将保留的点用于代替其所在体素栅格中的所有点；
S23，利用点云一致性分割算法对经过下采样后的三维点云地图进行进一步去掉地面点，同时，基于待加工件在三位点云地图中的位置信息，去除除待加工件之外的点云得到待加工件点云信息；
S24，将待加工件点云投射到多线激光雷达的激光雷达坐标系的XOY平面，得到激光雷达坐标系下的待加工件点云二维坐标；
S25，计算待加工件点云二维坐标中每个点的法向量；
S26，根据S25计算出的点云中点的法向量，依次计算待加工件点云二维坐标中所有点与其邻域点的夹角，再剔除与夹角大于预设角度阈值的邻域点，而保留预设角度阈值内的邻域点，作为待加工件的轮廓点云的二维坐标；
S27，S26中所提取到的待加工件轮廓点云的二维坐标包含与待加工件接触的夹具点云轮廓，需根据该部分点云的曲率信息进一步对夹具点云轮廓进行提取；
S28，将S27中提取到的夹具轮廓点云坐标从S26中提取到的待加工件轮廓点云二维坐标中剔除，得到待加工工件的轮廓点。
6.如权利要求5所述的风电叶片轮式移动打磨机器人的环境感知方法，其特征在于，步骤S25具体包括：
S251，根据S24得到的待加工件点云二维坐标设置邻域半径并提取任意点的邻域点，构建协方差矩阵；
S252，通过主成分分析方法分析S251中协方差矩阵的特征向量和特征值，其中，最大主成分为投影到自定义方向后方差最大方向，而法向量为投影到该方向后方差最小的方向；
S253，通过主成分分析变换，将S24的待加工件点云二维坐标投影到协方差矩阵特征值最小的方向，得到待加工件点云中每个点的法向量。
7.如权利要求6所述的风电叶片轮式移动打磨机器人的环境感知方法，其特征在于，工件识别步骤具体还包括：
根据S24的待加工件点云二维坐标，求取z坐标差值均值，并依据工件宽度尺寸设置阈值，若差值均值小于阈值，则表示待加工件为水平摆放，识别结果为“否”，此时需调整待加工件的摆放位置；若差值均值不小于阈值，则表示待加工件为竖直摆放，识别结果为“是”，此时待加工件摆放位置正确，可进行加工。
8.一种风电叶片轮式移动打磨机器人的环境感知装置，其特征在于，包括：
障碍物感知单元，其用于接收由机器人的前、后的两个激光雷达采集得到的行驶路径周围的原始点云数据，获取行驶路径上的障碍物信息，并输出；
工件识别单元，其用于基于多线激光雷达的三维点云地图，对待加工件的和工件夹具轮廓进行提取和识别，并输出；
其中，障碍物感知单元具体包括：
时间同步子单元，其用于将前、后激光雷达采集到的原始点云数据进行时间同步；
障碍物点解析子单元，其用于基于点云标准数据类型解析时间同步子单元中时间同步后的原始点云数据，输出前激光雷达坐标系下前激光雷达点云
Figure FDA0004128897940000041
中障碍物点的坐标
Figure FDA0004128897940000042
和后激光雷达坐标系下后激光雷达点云/>
Figure FDA0004128897940000043
中障碍物点的坐标
Figure FDA0004128897940000044
转换关系获取子单元，其用于根据前、后激光雷达的安装位置，分别对前、后激光雷达坐标系和机器人坐标系w进行基于单线激光雷达定位结果的标定，得到前、后激光雷达坐标系分别到机器人坐标系w的旋转转换关系
Figure FDA0004128897940000045
和平移转换关系/>
Figure FDA0004128897940000046
激光雷达点云获取子单元，其用于根据转转换关系
Figure FDA0004128897940000047
和/>
Figure FDA0004128897940000048
将
Figure FDA0004128897940000049
和/>
Figure FDA00041288979400000410
投影到机器人坐标系w下，得到前、后激光雷达点云中障碍物点在坐标系w下的坐标/>
Figure FDA00041288979400000411
进而得到机器人坐标系w下的前、后激光雷达点云/>
Figure FDA0004128897940000051
/>
障碍物信息获取子单元，其用于将点云
Figure FDA0004128897940000052
均进行顺序融合，使两激光雷达视野内的障碍物均能在机器人坐标系w被观测到，同时剔除出现在机器人几何范围内的离群点，输出机器人坐标系w下的障碍物信息/>
Figure FDA0004128897940000053
9.如权利要求8所述的风电叶片轮式移动打磨机器人的环境感知装置，其特征在于，时间同步子单元具体包括：
原始点云解析模块，其用于将前、后激光雷达采集到的原始点云数据进行解析，得到点云
Figure FDA0004128897940000054
中第一帧数据时间戳/>
Figure FDA0004128897940000055
前激光点云帧获取模块，其用于在时间戳
Figure FDA0004128897940000056
小于时间戳/>
Figure FDA0004128897940000057
的情形下，判断时间戳/>
Figure FDA0004128897940000058
与
Figure FDA0004128897940000059
的差值/>
Figure FDA00041288979400000510
是否大于激光雷达扫描时间间隔，若是，则将时间戳/>
Figure FDA00041288979400000511
前的/>
Figure FDA00041288979400000512
激光点云数据逐帧删除，直至所得到的新的点云/>
Figure FDA00041288979400000513
中的第一帧时间戳/>
Figure FDA00041288979400000514
与/>
Figure FDA00041288979400000515
的差值/>
Figure FDA00041288979400000516
为正值且小于激光雷达扫描时间间隔，再将前述删除的激光雷达点云投影到时间戳为/>
Figure FDA00041288979400000517
的激光点云帧，与该帧已有的点云共同构成新的时间戳为/>
Figure FDA00041288979400000518
的激光点云帧；
后激光点云帧获取模块，其用于在时间戳
Figure FDA00041288979400000519
不小于时间戳/>
Figure FDA00041288979400000520
的情形下，判断/>
Figure FDA00041288979400000521
和/>
Figure FDA00041288979400000522
的差值/>
Figure FDA00041288979400000523
是否大于激光雷达扫描时间间隔，若是，则将/>
Figure FDA00041288979400000524
时刻前的/>
Figure FDA00041288979400000525
激光点云数据逐帧删除，直至所得到的新的点云/>
Figure FDA00041288979400000526
中的第一帧时间戳/>
Figure FDA00041288979400000527
与/>
Figure FDA00041288979400000528
的差值/>
Figure FDA00041288979400000529
为正值且小于激光雷达扫描时间间隔，再将前述删除的激光点云数据投影到时间戳为/>
Figure FDA00041288979400000530
的激光点云帧，与该帧已有的点云数据共同构成新的时间戳为/>
Figure FDA00041288979400000531
的激光点云帧。
10.如权利要求8或9所述的风电叶片轮式移动打磨机器人的环境感知装置，其特征在于，转换关系获取子单元具体包括：
激光雷达位姿变换模块，其用于分别基于前、后激光雷达进行以机器人本体中心为原点的室内定位，估计前、后激光雷达相对机器人本体中心的位姿变换；
误差纠偏模块，其用于利用固定在机器人本体中心的全站仪测量路径散点轨迹作为机器人行驶的真实轨迹，再将前、后激光雷达的定位结果与机器人行驶的真实轨迹进行基于定位评估工具的绝对误差评估，利用该评估值对激光雷达位姿变换模块中的位姿变换进行误差分析和纠偏；
单线激光雷达定位结果标定模块，其用于将误差纠偏模块输出的纠偏后的位姿变换作为前、后激光雷达标定参数，对前、后激光雷达坐标系和机器人坐标系w进行基于单线激光雷达定位结果的标定。
CN202310254093.XA 2023-03-16 2023-03-16 风电叶片轮式移动打磨机器人的环境感知方法和装置 Active CN116197910B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310254093.XA CN116197910B (zh) 2023-03-16 2023-03-16 风电叶片轮式移动打磨机器人的环境感知方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310254093.XA CN116197910B (zh) 2023-03-16 2023-03-16 风电叶片轮式移动打磨机器人的环境感知方法和装置

Publications (2)

Publication Number Publication Date
CN116197910A true CN116197910A (zh) 2023-06-02
CN116197910B CN116197910B (zh) 2024-01-23

Family

ID=86507651

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310254093.XA Active CN116197910B (zh) 2023-03-16 2023-03-16 风电叶片轮式移动打磨机器人的环境感知方法和装置

Country Status (1)

Country Link
CN (1) CN116197910B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110441791A (zh) * 2019-08-14 2019-11-12 深圳无境智能机器人有限公司 一种基于前倾2d激光雷达的地面障碍物检测方法
CN110599506A (zh) * 2019-10-16 2019-12-20 湖南大学 一种复杂异形曲面机器人三维测量的点云分割方法
WO2021072710A1 (zh) * 2019-10-17 2021-04-22 深圳市大疆创新科技有限公司 移动物体的点云融合方法、系统及计算机存储介质
WO2022041921A1 (zh) * 2020-08-25 2022-03-03 同方威视技术股份有限公司 导向控制方法、装置、安检车辆、介质和程序产品
CN114998864A (zh) * 2022-05-27 2022-09-02 重庆长安汽车股份有限公司 一种障碍物检测方法、装置、设备及存储介质
CN114994635A (zh) * 2022-05-18 2022-09-02 上海涵润汽车电子有限公司 一种智能驾驶可行驶区域检测方法和装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110441791A (zh) * 2019-08-14 2019-11-12 深圳无境智能机器人有限公司 一种基于前倾2d激光雷达的地面障碍物检测方法
CN110599506A (zh) * 2019-10-16 2019-12-20 湖南大学 一种复杂异形曲面机器人三维测量的点云分割方法
WO2021072710A1 (zh) * 2019-10-17 2021-04-22 深圳市大疆创新科技有限公司 移动物体的点云融合方法、系统及计算机存储介质
WO2022041921A1 (zh) * 2020-08-25 2022-03-03 同方威视技术股份有限公司 导向控制方法、装置、安检车辆、介质和程序产品
CN114994635A (zh) * 2022-05-18 2022-09-02 上海涵润汽车电子有限公司 一种智能驾驶可行驶区域检测方法和装置
CN114998864A (zh) * 2022-05-27 2022-09-02 重庆长安汽车股份有限公司 一种障碍物检测方法、装置、设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
谢国涛: "不确定性条件下智能车辆动态环境认知方法研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 *
高翊博: "四足机器人多传感器融合定位与建图的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Also Published As

Publication number Publication date
CN116197910B (zh) 2024-01-23

Similar Documents

Publication Publication Date Title
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
WO2021103154A1 (zh) 一种可用于多车型的智能喷涂的机器人控制方法
CN111192307B (zh) 基于激光切割三维零部件的自适应纠偏方法
CN106705847B (zh) 一种自由曲面内缝隙几何尺寸测量方法及装置
CN112581451B (zh) 一种基于激光雷达的仓库线卷位置检测系统及方法
CN114049294B (zh) 基于三维轮廓的路面技术状况检测方法及设备
CN111815717B (zh) 一种多传感器融合外参联合半自主标定方法
CN107796373B (zh) 一种基于车道平面几何模型驱动的前方车辆单目视觉的测距方法
CN109872355B (zh) 一种基于深度相机的最短距离获取方法及装置
CN113725473B (zh) 一种锂电池卷绕极耳错位实时纠偏系统及方法
He et al. A critical review for machining positioning based on computer vision
CN104400265A (zh) 一种激光视觉引导的焊接机器人角接焊缝特征的提取方法
Xia et al. Workpieces sorting system based on industrial robot of machine vision
CN114473309A (zh) 用于自动焊接系统的焊接位置识别方法及自动焊接系统
CN110702028A (zh) 一种果园树干三维检测定位方法及装置
CN110370287B (zh) 基于视觉引导的地铁列检机器人路径规划系统及方法
Ge et al. Online 3-D modeling of complex workpieces for the robotic spray painting with low-cost RGB-D cameras
CN114283139A (zh) 一种基于面阵结构光3d视觉的焊缝检测分割方法及装置
CN116197910B (zh) 风电叶片轮式移动打磨机器人的环境感知方法和装置
CN111947647B (zh) 一种视觉与激光雷达融合的机器人精准定位方法
CN116642420A (zh) 一种汽车风窗玻璃涂胶在线胶型检测装置及方法
CN116499359A (zh) 一种运载火箭舱段智能化检测方法
CN115971004A (zh) 一种针对车厢的智能腻子喷涂方法及系统
CN115167412A (zh) 一种巡检机器人和基于巡检机器人的配电房设备操控方法
CN114820505A (zh) 一种动态目标的非接触测量方法

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