CN116197913A - 一种基于点云处理的机器人加工路径规划方法和存储介质 - Google Patents
一种基于点云处理的机器人加工路径规划方法和存储介质 Download PDFInfo
- Publication number
- CN116197913A CN116197913A CN202310302591.7A CN202310302591A CN116197913A CN 116197913 A CN116197913 A CN 116197913A CN 202310302591 A CN202310302591 A CN 202310302591A CN 116197913 A CN116197913 A CN 116197913A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- points
- processing
- standard
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 53
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 230000003993 interaction Effects 0.000 claims abstract description 13
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 238000005070 sampling Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 9
- 238000013519 translation Methods 0.000 claims description 9
- 238000005520 cutting process Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000005266 casting Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000003491 array Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 230000008901 benefit Effects 0.000 description 7
- 238000003754 machining Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
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
- B25J9/1656—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
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了一种基于点云处理的机器人加工路径规划方法和存储介质，所述方法包括：采集待加工区域的第一测试点云，对所述第一测试点云进行点云滤波和下采样处理得到第二测试点云；对标准CAD模型进行表面数字化离散采样，得到第一标准点云，对所述第一标准点云进行下采样处理以得到第二标准点云；对第二测试点云和第二标准点云分别进行特征平面拟合，通过人机交互进行特征平面重合，实现点云配准；基于点云切片算法，进行机器人加工路径规划。本发明公开的一种点云处理的机器人加工路径规划方法，能够实现人机共融机器人的效果，同时机器人等机械装备可在工人的监督下工作，大幅降低零件加工的报废率。
Description
技术领域
本发明涉及自动化设备技术领域，尤其涉及一种基于点云处理的机器人加工路径规划方法和存储介质。
背景技术
随着工业形态的发展，越来越多的工业生产场景中开始使用工业机器人等智能装备来替代以前由人工完成的繁琐的、危害健康的工作，而机械加工只需要通过人机交互确认作业指令。这样的加工方式，一方面利用了人类的工艺决策优势，另一方面发挥了机器高效和精准作业的优势。
现有的机器人加工路径规划方法，常见作业方式有两种：(1)采集工件毛坯某区域的数字图像，并与标准工件的该区域数字图像进行图像比对，从而寻找到加工的起始位置。后续的加工就是通过示教的路径开展加工作业。但是，这种情况下的机器人无法理解自身为何要对某个区域进行打磨，更不知道打磨对象的具体细节。
(2)使用机器人离线编程软件，规划出标准的加工路径。但是复杂工件的尺寸不完全统一，这种作业方式适用性不好，容易造成过切或者欠切现象。
本发明提出的基于点云处理的机器人加工路径规划方法，一方面发挥了人的高度智能，符合人机共融机器人的发展方向，另一方面机器人等机械装备可在工人的监督下工作，大幅降低零件加工的报废率。
发明内容
为了解决上述技术问题，本发明公开了一种点云处理的机器人加工路径规划方法，能够实现人机共融机器人的效果，同时机器人等机械装备可在工人的监督下工作，大幅降低零件加工的报废率。
本实施方式的的技术方案如下：
一种基于点云处理的机器人加工路径规划方法，所述方法包括以下步骤：
采集待加工区域的第一测试点云Q，对所述第一测试点云进行点云滤波和下采样处理得到第二测试点云Q'；
对标准CAD模型进行表面数字化离散采样，得到第一标准点云P，对所述第一标准点云进行下采样处理以得到第二标准点云P'；
对第二测试点云Q'和第二标准点云P'分别进行特征平面拟合，通过人机交互进行特征平面重合，实现点云配准；
对所述第二测试点云进行关键平面拟合，通过切割所述第二测试点云得到截面点云数据，对所述截面点云数据进行数据处理，并拟合出加工路径所在的曲线，对所述曲线进行离散规划以得到加工路径点。
进一步地，点云的下采样处理采用基于Voxel Grid滤波器，包括以下步骤：
将输入的点云数据创建为多个确定体积的三维体素栅格，在创建三维体素栅格的过程中，体素的数量m与所述体素体积v的设定值成反比；
用每个体素中所有点的质心点来表示该体素，得到过滤后的点云，计算每个三维体素的质心点坐标(Xct,Yct,Zct)。
优选地，所述点云滤波包括以下步骤：
对于第一测试点云Q中的每一个点mi＝(i＝1,...,Mp)，找到该点的K近邻点；
计算每个点与其K近邻点的平均距离，使计算结果满足高斯分布；
对于所有点mi∈Q，计算这些距离的均值μ和标准差σ；
设置距离阈值dthreshold＝μ±sig·σ，其中sig为标准差乘数；
如果点的平均邻域距离在区间[μ-sig·σ，μ+sig·σ]，则该点保留，否则删除。
进一步地，所述特征平面拟合包括以下步骤：
在初始点云中随机选择三个点，计算其对应的平面方程；
计算所有点至该平面的代数距离d_i；
进行多次迭代计算，选取最佳拟合参数，根据期望的误差率、最佳内点个数、总样本个数以及当前迭代次数计算单个迭代结束评判因子，判断是否停止迭代；
结束迭代计算，得到最佳模型参数。
进一步地，所述点云配准还包括基于ICP算法的点云精确配准，包括以下步骤：
在第二标准点云P'中取点集pi∈P'；
找出第二测试点云Q'中的对应点集qi∈Q'，使得||qi-pi||＝min；
计算旋转矩阵R和平移矩阵t，使得误差函数最小；
对pi使用所述旋转矩阵R和平移矩阵t进行旋转和平移变换，得到新的对应点集pi'＝{pi'＝Rpi+t，pi∈P'}；
计算pi'与对应点集qi的平均距离d；
如果d小于给定的阈值或者大于预设的最大迭代次数，则停止迭代计算，否则继续该步骤，直到满足收敛条件为止。
进一步地，所述基于点云切片算法，进行机器人加工路径规划，包括以下步骤：
从所述第二测试点云Q'中随机抽取n个点，对每个点gi(i＝0,1...,n)利用kd-tree遍历点云数据中，找出与其距离最小的m个点，计算该点与gi的距离Di，对所有Di求平均得到点云密度ρ；
选择突出的飞边根部垂直的平面作为切片，在点云数据的数值范围内按照预设置的步长对点云进行切片，切片厚度为δ＝kρ，k为常数；
对每个切片在距离其平面(-δ/2，0)和(0，δ/2)范围内的点分别存放于数组lpoint和rpoint中；
对于数组lpoint中的每个点，通过kd-tree算法在rpoint数组中找出与其最近的一个点，并计算两点之间的距离，如果小于预设置的阈值，则认为两点为对应点，求出两点连线与平面的交点并存放于数组point_sec；否则视为无效点将其删除；
对于截面数据pi，寻找其最近点，如果最近点包含前一个遍历点，则将pi及其最近点存入前一个遍历点存放的数组，否则新建一个数组空间存放pi及其最近点，找出pi最近点集中下标最大的点pm并设置pi←pm+1，继续寻找最近点直至不同特征的连续曲线点集都存入不同数据点集；
对所述数据点集，如果是单个特征的曲线点集则用最小二乘法拟合，对于两条达到G0连续或者G1连续的曲线，采用Levenberg-Marquardt方法来拟合曲线；
将拟合好的曲线在特性曲线数据范围内离散成N个点，所述N个点就是铸件加工时刀具的作业路径。
本实施方式第二方面提出了一种基于点云处理的机器人工作路径规划装置，包括：点云采集模块，其用于采集待加工区域的第一测试点云，对标准CAD模型进行表面数字化离散采样，得到第一标准点云；
点云预处理模块，其用于对所述第一测试点云进行点云滤波和下采样处理得到第二测试点云，对所述第一标准点云进行下采样处理以得到第二标准点云；
点云配准模块，其用于对第二测试点云和第二标准点云分别进行特征平面拟合，通过人机交互进行特征平面重合，实现点云配准；
路径规划模块，其用于对所述第二测试点云进行关键平面拟合，通过切割所述第二测试点云得到截面点云数据，对所述截面点云数据进行数据处理，并拟合出加工路径所在的曲线，对所述曲线进行离散规划以得到加工路径点。
本实施方式第三方面还提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如本实施方式第一方面所述的基于点云处理的机器人工作路径规划方法的部分或全部步骤。
与现有技术相比，本发明实施例具有以下有益效果：
本发明实施例中，扫描待加工区域得到第一测试点云，并进行点云滤波和下采样得到第二测试点云；对标准CAD模型进行表面数字化离散采样，得到第一标准点云，并进行点云下采样得到第二标准点云，这里点云下采样的目的是减少计算量，提高系统响应速度，这里采用基于Voxel Grid滤波器的点云下采样算法来处理标准点云和测试点云，实现这一对点云的下采样；
对第二测试点云和第二标准点云分别进行特征平面拟合，通过人机交互进行特征平面重合，从而完成点云的粗配准；最后使用ICP算法实现点云的精确配准，采用了人机交互的方式，实现点云的粗配准，充分发挥了人工的智能，使得点云配准速度和质量得到提升。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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是本发明一种基于点云处理的机器人加工路径规划方法的流程示意图；
图2是本发明实施方式中获取第二测试点云的流程示意图；
图3是本发明实施方式中获取第二标准点云的流程示意图；
图4是本发明实施方式中点云配准的流程示意图；
图5为本发明实施方式中机器人加工路径规划的流程示意图；
图6是本发明实施方式公开的一种基于点云处理的机器人加工路径规划装置的结构示意图；
图7是本发明实施方式公开的一种计算机存储介质的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或端没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
实施方式一
本发明公开了一种基于点云处理的机器人加工路径规划方法，如图1所示，本发明所提供的机器人加工路径规划方法包括以下步骤：
S100、点云预处理；
S200、点云配准；
S300、机器人加工路径规划。
其中如图2所示，所述步骤S100具体包括，将3D扫描仪放置在合适位置，扫描待加工区域得到第一测试点云Q，并进行点云滤波和下采样得到第二测试点云Q'；
同时，如图3所示，对标准CAD模型进行表面数字化离散采样，得到第一标准点云P，并进行点云下采样得到第二标准点云P'，本实施方式中优选的采用基于Voxel Grid滤波器的点云下采样算法来处理标准点云和测试点云，点云下采样的目的是减少计算量，提高系统响应速度。
所述下采样的步骤为：
S101.将输入的点云数据按照一定规律创建多个确定体积的三维体素栅格，我们可把体素栅格想象为微小的空间三维立方体的集合。在创建三维体素栅格的过程中，体素的数量m与体素体积v的设定值成反比。
S102.用每个体素中所有点的质心(Centroid)点来近似表示该体素，那么对于所有体素处理后就得到了过滤后的点云。在计算每个三维体素的质心点(Xct,Yct,Zct)时，本发明采用下述的方程进行计算：
上述方程中，g为当前体素中点的个数，为当前体素内点的三维坐标值，这里i∈[l,g]。
进一步的实施方式，第一测试点云进行点云滤波得到第二测试点云的步骤包括：
S111.对于第一测试点云Q中的每一个点mi＝(i＝1,...,Mp)，找到该点的K近邻点，计算每个点与它K近邻点的平均距离di，使计算结果满足高斯分布，所述平均距离di的计算公式如下：
S112.对于所有点mi∈Q，采用下述公式计算这些距离的均值μ和标准差σ：
S113.设置距离阈值dthreshold＝μ±sig·σ，其中sig为标准差乘数；
S114.如果点的平均邻域距离在区间[μ-sig·σ，μ+sig·σ]，则该点为内点，予以保留，区间外的点为噪声点，予以删除。
如图4所述，步骤S200中，需要对第二测试点云和第二标准点云分别进行特征平面拟合，通过人机交互进行特征平面重合，实现点云配准；
具体地实施方式：首先在第二标准点云P'上拟合得到平面PP1，PP2，PP3，同样的，在第二测试点云Q'上拟合得到平面QP1，QP2，QP3；然后通过人机交互的方式，将PP1与QP1重合，将PP2和QP2重合，将PP3和QP3重合，从而完成点云的粗配准；最后使用ICP算法实现点云的精确配准，本发明采用了人机交互的方式，实现点云的粗配准，充分发挥了人工的智能，使得点云配准速度和质量得到大大提升。
所述特征平面拟合的步骤包括：
S201.在初始点云中随机选择三个点，通过下述公式计算其对应平面方程：
Ax+By+Zz+D＝0
S202.通过下述公式计算所有点至该平面的代数距离：
d_i＝|Ax_i+By_i+Cz_i+D|
选取阈值dthreshold，若d_i≤dthreshold，则该点被认为是模型内样本点(inliers，内点)，否则为模型外样本点(outliers，外点)，记录当前内点的个数；
S203.重复以上步骤，选取最佳拟合参数，即内点数量最多的平面对应的模型参数；每次迭代末尾都会根据期望的误差率、最佳内点个数、总样本个数以及当前迭代次数计算一个迭代结束评判因子，根据所述迭代结束评判因子决定是否停止迭代；
S204.迭代结束后，最佳模型参数就是最终的参数估计值。
具体地，使用ICP算法实现点云精确配准的步骤为：
S211.在第二标准点云P'中取点集pi∈P'；
S212.找出第二测试点云Q'中的对应点集qi∈Q'，使得||qi-pi||＝min；
S213.计算旋转矩阵R和平移矩阵t，使得误差函数最小，误差函数的计算公式为：
这里n为最邻近点对的个数，pi为第二标准点云P'中的一点，qi为第二测试点云Q'中与pi对应的最近点。
S214.对pi使用上一步求得的旋转矩阵R和平移矩阵t进行旋转和平移变换，得到新的对应点集pi'＝{pi'＝Rpi+t，pi∈P'}；
S215.计算pi'与对应点集qi的平均距离：
S216.如果d小于某一给定的阈值或者大于预设的最大迭代次数，则停止迭代计算，否则继续该步骤，直到满足收敛条件为止。
如图5所示，所述加工路径规划300具体为：首先在第二测试点云Q'的机器人期望加工位置选取适当区域，拟合得到关键平面KP；然后使用关键平面KP对第二测试点云Q'进行切片，得到截面点云数据PQ；最后对截面点云数据PQ进行后处理，拟合出加工路径所在的曲线，并对曲线进行离散规划，得到机器人的加工路径点。
加工路径规划基于点云切片算法，具体步骤为：
S301.从点云中随机抽取n个点，对每个点个点gi(i＝0,1...,n)利用kd-tree遍历点云数据中每个点找出与其距离最小的m个点，计算点与gi的距离Di，对所有Di求平均得到点云密度ρ：
S302.选择突出的飞边根部垂直的平面作为切片，在点云数据的数值范围内按照一定预设置的步长对点云进行切片，切片厚度为δ＝kρ，这里的k是一个常数，可以通过实验的方法确定。
S303.对每个切片在距离其平面(-δ/2,0)和(0，δ/2)范围内的点分别存放于两个数组lpoint和rpoint；
S304.对于数组lpoint中每个点，都利用kd-tree算法在rpoint数组中找出与其最近的一个点，并计算两点之间的距离，如果小于一定的阈值，则认为两点是对应点，并求出两点连线与平面的交点并存放于数组point_sec，否则视为无效点将其删除；
S305.对于截面数据pi，寻找其最近点，如果最近点包含前一个遍历点，则将pi及其最近点存入前一个遍历点存放的数组，否则另辟一个数组空间存放pi及其最近点，找出pi最近点集中下标最大的点pm并设置pi←pm+1，继续步骤S305直至不同特征的连续曲线点集都存入不同数据点集；
S306.对得到的数据点集，如果是单个特征的曲线点集就直接使用最小二乘法拟合，对于两条达到G0连续或者G1连续的曲线，采用Levenberg-Marquardt方法来拟合曲线；
S307.将拟合好的曲线在特性曲线数据范围内离散成N个点，所述N个点就是铸件飞边修整时刀具的作业路径。
与其他加工路径规划相比，本发明所提出的机器人加工路径规划方法具有以下优势：
(1)发挥了人机智能交互的优势，符合人机共融机器人的发展方向。
(2)使得作业机器的工作效率和质量得到了很大的提升。
(3)使得机器人等机械装备可在工人的监督下精准作业，大幅降低零件加工的报废率。
(4)为机器人等自动化设备的自主加工，提供一种加工路径自主规划的新思路。
(5)使用点云预处理，使得计算速度大大提高，计算准确率也有所提高。
(6)该方法的计算量耗时较少，具有较好的实际应用价值。
由于机器人加工路径规划方法只是一种基于点云处理的期望路径获取技术，具体使用要配合相应的应用软件，本发明的机器人加工路径规划方法可以应用于机器人自主作业设备中，使用本发明提出的加工路径规划方法构建的机器人规划系统与装备，一方面利用了人类的工艺决策优势，另一方面发挥了机器人高效和精准作业的优势。
实施方式二
如图6所示，图6是本发明实施方式公开的一种基于点云处理的机器人加工路径规划装置的结构示意图，所述装置包括：
点云采集模块1，其用于采集待加工区域的第一测试点云，对标准CAD模型进行表面数字化离散采样，得到第一标准点云；
点云预处理模块2，其用于对所述第一测试点云进行点云滤波和下采样处理得到第二测试点云，对所述第一标准点云进行下采样处理以得到第二标准点云；
点云配准模块3，其用于对第二测试点云和第二标准点云分别进行特征平面拟合，通过人机交互进行特征平面重合，实现点云配准；
路径规划模块4，其用于对所述第二测试点云进行关键平面拟合，通过切割所述第二测试点云得到截面点云数据，对所述截面点云数据进行数据处理，并拟合出加工路径所在的曲线，对所述曲线进行离散规划以得到加工路径点。对于上述一种基于点云处理的机器人加工路径规划装置的具体描述可以参照上述一种基于点云处理的机器人加工路径规划方法的具体描述，在此不再一一赘述。
实施方式三
如图7所示，图7是本发明实施方式公开的一种计算机存储介质的结构示意图。如图7所示，本发明实施方式公开了一种计算机存储介质401，计算机存储介质401存储有计算机指令，该计算机指令被调用时，用于执行本发明实施方式一公开的一种基于点云处理的机器人加工路径规划方法中的部分或全部步骤。
最后应说明的是：本发明实施例公开的一种基于点云处理的机器人加工路径规划方法和存储介质所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各项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；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (8)
1.一种基于点云处理的机器人加工路径规划方法，其特征在于，所述方法包括：
采集待加工区域的第一测试点云Q，对所述第一测试点云进行点云滤波和下采样处理得到第二测试点云Q′；
对标准CAD模型进行表面数字化离散采样，得到第一标准点云P，对所述第一标准点云进行下采样处理以得到第二标准点云P'；
对第二测试点云Q'和第二标准点云P'分别进行特征平面拟合，通过人机交互进行特征平面重合，实现点云配准；
对所述第二测试点云进行关键平面拟合，通过切割所述第二测试点云得到截面点云数据，对所述截面点云数据进行数据处理，并拟合出加工路径所在的曲线，对所述曲线进行离散规划以得到加工路径点。
2.根据权利要求1所述的基于点云处理的机器人工作路径规划方法，其特征在于，点云的下采样处理采用基于Voxel Grid滤波器，包括以下步骤：
将输入的点云数据创建为多个确定体积的三维体素栅格，在创建三维体素栅格的过程中，体素的数量m与所述体素体积v的设定值成反比；
用每个体素中所有点的质心点来表示该体素，得到过滤后的点云，计算每个三维体素的质心点坐标(Xct,Yct,Zct)。
3.根据权利要求1所述的基于点云处理的机器人工作路径规划方法，其特征在于，所述点云滤波包括以下步骤：
对于第一测试点云Q中的每一个点mi＝(i＝1,...,Mp)，找到该点的K近邻点；
计算每个点与其K近邻点的平均距离，使计算结果满足高斯分布；
对于所有点mi∈Q，计算这些距离的均值μ和标准差σ；
设置距离阈值dthreshold＝μ±sig·σ，其中sig为标准差乘数；
如果点的平均邻域距离在区间[μ-sig·σ，μ+sig·σ]，则该点保留，否则删除。
4.根据权利要求1所述的基于点云处理的机器人工作路径规划方法，其特征在于，所述特征平面拟合包括以下步骤：
在初始点云中随机选择三个点，计算其对应的平面方程；
计算所有点至该平面的代数距离d_i；
进行多次迭代计算，选取最佳拟合参数，根据期望的误差率、最佳内点个数、总样本个数以及当前迭代次数计算单个迭代结束评判因子，判断是否停止迭代；
结束迭代计算，得到最佳模型参数。
5.根据权利要求1所述的基于点云处理的机器人工作路径规划方法，其特征在于，所述点云配准还包括基于ICP算法的点云精确配准，包括以下步骤：
在第二标准点云P'中取点集pi∈P'；
找出第二测试点云Q'中的对应点集qi∈Q'，使得||qi-pi||＝min；
计算旋转矩阵R和平移矩阵t，使得误差函数最小；
对pi使用所述旋转矩阵R和平移矩阵t进行旋转和平移变换，得到新的对应点集pi'＝{pi'＝Rpi+t，pi∈P'}；
计算pi'与对应点集qi的平均距离d；
如果d小于给定的阈值或者大于预设的最大迭代次数，则停止迭代计算，否则继续该步骤，直到满足收敛条件为止。
6.根据权利要求5所述的基于点云处理的机器人工作路径规划方法，其特征在于，所述基于点云切片算法，进行机器人加工路径规划，包括以下步骤：
从所述第二测试点云Q'中随机抽取n个点，对每个点gi(i＝0,1...,n)利用kd-tree遍历点云数据中，找出与其距离最小的m个点，计算该点与gi的距离Di，对所有Di求平均得到点云密度ρ；
选择突出的飞边根部垂直的平面作为切片，在点云数据的数值范围内按照预设置的步长对点云进行切片，切片厚度为δ＝kρ，k为常数；
对每个切片在距离其平面(-δ/2，0)和(0，δ/2)范围内的点分别存放于数组lpoint和rpoint中；
对于数组lpoint中的每个点，通过kd-tree算法在rpoint数组中找出与其最近的一个点，并计算两点之间的距离，如果小于预设置的阈值，则认为两点为对应点，求出两点连线与平面的交点并存放于数组point_sec；否则视为无效点将其删除；
对于截面数据pi，寻找其最近点，如果最近点包含前一个遍历点，则将pi及其最近点存入前一个遍历点存放的数组，否则新建一个数组空间存放pi及其最近点，找出pi最近点集中下标最大的点pm并设置pi←pm+1，继续寻找最近点直至不同特征的连续曲线点集都存入不同数据点集；
对所述数据点集，如果是单个特征的曲线点集则用最小二乘法拟合，对于两条达到G0连续或者G1连续的曲线，采用Levenberg-Marquardt方法来拟合曲线；
将拟合好的曲线在特性曲线数据范围内离散成N个点，所述N个点就是铸件加工时刀具的作业路径。
7.一种基于点云处理的机器人工作路径规划装置，其特征在于，包括：
点云采集模块，其用于采集待加工区域的第一测试点云，对标准CAD模型进行表面数字化离散采样，得到第一标准点云；
点云预处理模块，其用于对所述第一测试点云进行点云滤波和下采样处理得到第二测试点云，对所述第一标准点云进行下采样处理以得到第二标准点云；
点云配准模块，其用于对第二测试点云和第二标准点云分别进行特征平面拟合，通过人机交互进行特征平面重合，实现点云配准；
路径规划模块，其用于对所述第二测试点云进行关键平面拟合，通过切割所述第二测试点云得到截面点云数据，对所述截面点云数据进行数据处理，并拟合出加工路径所在的曲线，对所述曲线进行离散规划以得到加工路径点。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6任一项所述的基于点云处理的机器人工作路径规划方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310302591.7A CN116197913B (zh) | 2023-03-23 | 2023-03-23 | 一种基于点云处理的机器人加工路径规划方法和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310302591.7A CN116197913B (zh) | 2023-03-23 | 2023-03-23 | 一种基于点云处理的机器人加工路径规划方法和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116197913A true CN116197913A (zh) | 2023-06-02 |
| CN116197913B CN116197913B (zh) | 2023-12-05 |
Family
ID=86514815
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310302591.7A Active CN116197913B (zh) | 2023-03-23 | 2023-03-23 | 一种基于点云处理的机器人加工路径规划方法和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116197913B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107767457A (zh) * | 2017-10-09 | 2018-03-06 | 东南大学 | 一种基于点云快速重建的stl数模生成方法 |
| CN110227876A (zh) * | 2019-07-15 | 2019-09-13 | 西华大学 | 基于3d点云数据的机器人焊接路径自主规划方法 |
| CN112308966A (zh) * | 2020-11-11 | 2021-02-02 | 南京师范大学 | 基于多级曲率约束的高斯混合模型点云滤波方法 |
| US20210171283A1 (en) * | 2017-11-17 | 2021-06-10 | Ocado Innovation Limited | Control device and method for a robot system |
| CN113658194A (zh) * | 2021-07-23 | 2021-11-16 | 佛山缔乐视觉科技有限公司 | 一种基于参照物的点云拼接方法、装置及存储介质 |
| CN114820391A (zh) * | 2022-06-28 | 2022-07-29 | 山东亚历山大智能科技有限公司 | 基于点云处理的仓储托盘检测定位方法及系统 |
| CN115147437A (zh) * | 2022-07-04 | 2022-10-04 | 中国民用航空飞行学院 | 机器人智能引导加工方法与系统 |
| CN115661509A (zh) * | 2022-09-27 | 2023-01-31 | 上海可明科技有限公司 | 基于三维点云icp配准算法的手术器械识别分类方法 |
-
2023
- 2023-03-23 CN CN202310302591.7A patent/CN116197913B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107767457A (zh) * | 2017-10-09 | 2018-03-06 | 东南大学 | 一种基于点云快速重建的stl数模生成方法 |
| US20210171283A1 (en) * | 2017-11-17 | 2021-06-10 | Ocado Innovation Limited | Control device and method for a robot system |
| CN110227876A (zh) * | 2019-07-15 | 2019-09-13 | 西华大学 | 基于3d点云数据的机器人焊接路径自主规划方法 |
| CN112308966A (zh) * | 2020-11-11 | 2021-02-02 | 南京师范大学 | 基于多级曲率约束的高斯混合模型点云滤波方法 |
| CN113658194A (zh) * | 2021-07-23 | 2021-11-16 | 佛山缔乐视觉科技有限公司 | 一种基于参照物的点云拼接方法、装置及存储介质 |
| CN114820391A (zh) * | 2022-06-28 | 2022-07-29 | 山东亚历山大智能科技有限公司 | 基于点云处理的仓储托盘检测定位方法及系统 |
| CN115147437A (zh) * | 2022-07-04 | 2022-10-04 | 中国民用航空飞行学院 | 机器人智能引导加工方法与系统 |
| CN115661509A (zh) * | 2022-09-27 | 2023-01-31 | 上海可明科技有限公司 | 基于三维点云icp配准算法的手术器械识别分类方法 |
Non-Patent Citations (1)
| Title |
|---|
| SHIPU DIAO: "Task-Level Time-Optimal Machining Path Planning for Grinding Manipulators", 《2018 IEEE 9TH INTERNATIONAL CONFERENCE ON SOFTWARE ENGINEERING AND SERVICE SCIENCE (ICSESS)》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116197913B (zh) | 2023-12-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Amenta et al. | Surface reconstruction by Voronoi filtering | |
| CN100559398C (zh) | 自动的深度图像配准方法 | |
| CN110136072A (zh) | 点云噪声的去除方法、去噪系统、计算机设备及存储介质 | |
| CN107610061B (zh) | 一种基于二维投影的保边点云孔洞修补方法 | |
| CN111179321B (zh) | 一种基于模板匹配的点云配准方法 | |
| CN112257722B (zh) | 基于抗差非线性高斯-赫尔默特模型的点云拟合方法 | |
| CN113276130B (zh) | 一种基于点云切片的自由曲面喷涂路径规划方法及系统 | |
| CN111047704B (zh) | 一种改进区域生长算法的多波束测深数据粗差自动清除方法 | |
| CN107274376A (zh) | 一种工件三维点云数据平滑滤波方法 | |
| CN112508895A (zh) | 一种基于曲面配准的螺旋桨叶片质量评估方法 | |
| CN103310481A (zh) | 一种基于模糊熵迭代的点云精简方法 | |
| CN110097588B (zh) | 一种航发叶片陶瓷型芯点云模型的修型边缘提取方法 | |
| CN112561998A (zh) | 一种基于三维点云配准的机器人定位和自主充电方法 | |
| CN103315770A (zh) | 基于三维超声图像的目标参数处理方法及系统 | |
| CN117874900B (zh) | 一种基于bim技术的房屋建筑工程监理方法 | |
| CN107037738B (zh) | 数控加工几何仿真中基于stl模型的材料去除方法 | |
| CN116197913B (zh) | 一种基于点云处理的机器人加工路径规划方法和存储介质 | |
| CN117324221A (zh) | 一种曲面构件腻子喷涂方法 | |
| CN116841246A (zh) | 一种基于三维点云数据的机器人打磨路径自动规划方法 | |
| CN114453981B (zh) | 工件找正方法及装置 | |
| CN112365534B (zh) | 一种基于单目相机三维重建的大型煤堆体积测量方法 | |
| CN115578534A (zh) | 用于焊缝的3d模型重构方法 | |
| CN112800829B (zh) | 一种基于三维测量的物体局部破损程度的识别方法 | |
| CN115131571A (zh) | 一种基于点云预处理六领域的建筑物局部特征点识别方法 | |
| CN116740590A (zh) | 一种基于无人机倾斜摄影技术的施工进度监控方法 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240301 Address after: No. 8, Poly Crystal 8th Street, Xiuquan Street, Huadu District, Guangzhou, Guangdong 510000 Patentee after: GUANGZHOU XINSHUAI MECHANICAL AND ELECTRICAL EQUIPMENT Co.,Ltd. Country or region after: China Address before: No. 293, Zhongshan Avenue West, Tianhe District, Guangzhou, Guangdong 510000 Patentee before: GUANGDONG POLYTECHNIC NORMAL University Country or region before: China |
|
| TR01 | Transfer of patent right |