CN116394235A - 一种基于三维测量的大型零部件机器人干冰清洗轨迹规划系统及方法 - Google Patents
一种基于三维测量的大型零部件机器人干冰清洗轨迹规划系统及方法 Download PDFInfo
- Publication number
- CN116394235A CN116394235A CN202310255956.5A CN202310255956A CN116394235A CN 116394235 A CN116394235 A CN 116394235A CN 202310255956 A CN202310255956 A CN 202310255956A CN 116394235 A CN116394235 A CN 116394235A
- Authority
- CN
- China
- Prior art keywords
- robot
- point cloud
- point
- processing
- points
- 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 47
- 238000004140 cleaning Methods 0.000 title claims abstract description 28
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 title claims abstract description 26
- 235000011089 carbon dioxide Nutrition 0.000 title claims abstract description 26
- 238000005259 measurement Methods 0.000 title claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 71
- 238000005070 sampling Methods 0.000 claims abstract description 16
- 230000033001 locomotion Effects 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 206010023230 Joint stiffness Diseases 0.000 claims abstract description 6
- 230000011218 segmentation Effects 0.000 claims abstract description 4
- 230000003993 interaction Effects 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012805 post-processing Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000011161 development Methods 0.000 claims description 4
- 230000018109 developmental process Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 abstract 1
- 238000003754 machining Methods 0.000 description 7
- 230000036544 posture Effects 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 230000005477 standard model Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- B25J11/008—Manipulators for service tasks
- B25J11/0085—Cleaning
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/04—Interpretation of pictures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了一种基于三维测量的大型零部件机器人干冰清洗轨迹规划系统及方法,首先通过双目视觉相机获取大型构件表面原始点云数据,对构件表面原始点云数据进行标定实现空间位置转换,选取工件表面点云进行预处理与特征分割提取,选定分割后的点云数据集;根据选定的点云数据集确定点云切片方向;依据点云切片方向确定切平面与自由曲面边界的截交点,对截交点进行均匀采样,对同一区域的采样点进行编号标识得到构件表面的轨迹编号,根据采样点确定机器人末端工具的位置点;基于机器人干冰清洗末端工具姿态数据联系机器人六轴关节刚度模型与机器人逆运动学“机器人运动成本最低”原则建立机器人逆解优化模型,进行机器人轴配置信息计算,获得机器人整体加工路径。
Description
技术领域
本发明应用于大型构件表面三维点云数据获取及机器人干冰清洗,既涉及基于双目视觉相机的工件点云获取与点云处理领域,也涉及机器人基于工件点云的在线路径规划方法领域,为机器人干冰清洗大型构建表面作业提供了新的轨迹规划思路。
背景技术
随着测量设备的快速发展,工件表面三维点云数据的获取方法变得更加快捷和方便,对应的设备主要分为三维双目点云相机与二维激光扫描仪。使用上述设备获得的点云数据包含工件附件所有的点云信息,需要对原始的点云数据进行预处理,包括滤波、去噪、分割以及点云配准等操作,经过预处理后的点云数据才可以进行相关的轨迹规划操作。
根据点云采集设备获得的工件点云可进行工件逆向建模与工件表面的三维重构,对于建立缺乏标准模型图纸的大型工件或经过长期服役后零部件的数字化模型库建立具有重要意义。将视觉采集装置装夹至6轴工业机器人末端法兰上,为机器人提供视觉服务辅助机器人进行加工决策及机器人加工轨迹规划成为近年来新的研究方向。
机器人加工技术当前生产生活中的应用越来越广泛,在工业领域中机器人对于简单的加工工艺已实现全方位的替代,如简单工件的焊接、喷涂等领域。对于较为复杂的工件或加工环境时主要依靠人工示教的方式进行加工,但人工示教的方式对于操作人员的要求较高,且机器人的加工效率较低不能满足当前的加工需求。针对这种情况,采用机器人离线编程的方式进行轨迹规划可有效提升机器人的加工效率,但机器人离线规划要求每次对工件的空间坐标进行标定,考虑到工件每次装夹的定位精度较低,可能导致工件的加工质量受到影响。针对上述问题,将双目视觉相机加载至机器人上,通过手眼标定确定相机与机器人空间位置变换矩阵,通过空间变换实现相机空间坐标系下点云向机器人基坐标下的空间位置变换,借助点云处理算法可对加工范围内的工件点云进行处理,借助机器人加工工艺参数可实现工件点云数据上的机器人加工轨迹在线规划。因此针对三维点云的机器人加工轨迹在线规迹规划具有极大的实际应用意义。
发明内容
为解决6轴机器人应用于大型水电机组零部件表面涂油干冰清洗快速提高清洗速率的问题,本发明提供了一种基于三维测量的大型零部件机器人干冰清洗轨迹规划方法。通过双目视觉相机获取加工区域表面点云数据,通过点云处理直接生成机器人干冰清洗轨迹,无需进行点云逆向建模离线编程,降低了机器人干冰清洗路径规划的难度,提高了机器人干冰清洗的效率。
为了实现上述的技术特征,本发明的目的是这样实现的:一种基于三维测量的大型零部件机器人干冰清洗轨迹规划系统,所述系统包括工件表面点云采集处理模块、人机交互模块、路径轨迹规划模块以及机器人后置处理模块;
所述轨迹规划系统主要基于LINUX系统、C++语言、VScode开发平台实现;
所述工件表面点云采集处理模块,主要用于双目视觉相机的标定、工件表面点云的获取以及点云数据的预处理功能;
所述人机交互模块主要基于QT开发人机交互界面,主要用于点云处理过程中的参数输入,加工轨迹生成过程中的参数输入环节;
所述路径轨迹规划模块,主要用于对选定的加工区域进行截交点提取、均匀采样、曲线拟合;
所述机器人后置处理模块,主要用于计算选定点云区域拟合轨迹的步长计算、路径点提取、机器人加工路径生成。
一种基于三维测量的大型零部件机器人干冰清洗轨迹规划方法,它包括以下步骤:
S1:将双目视觉相机安装至机器人末端法兰盘上,通过手眼标定计算相机坐标系到法兰的空间位置变换矩阵,通过双目视觉相机对工件目标区域进行拍照获取原始点云数据,结合空间位置变换矩阵,实现工件点云相对于机器人的空间位置变换,确保点云相对于机器人的位置精度;
S2:通过设定好的点云处理参数,对采集到的点云进行预处理,实现点云分割;
S3:选择分割后的点云区域,确定该区域的点云切片方向;
S4:依据点云切片方向,确定该区域边界与切平面的截交点,拟合该点云区域的边界截交点,对截交点进行分类编号;
S5:选择该点云区域截交点拟合的最大圆弧边界的截交点,并对截交点进行均匀采样,对采样后的截交点进行编号标记;
S6:将采样后的截交点沿着法向方向进行偏移,确定机器人末端工具的位置点;
S7:结合工艺参数对位置点的步长进行设计,提取位置点至机器人加工路径点框架;
S8:基于机器人加工轨迹路径点,通过机器人逆运动学进行机器人轴配置计算;
S9:基于“机器人运动成本最低”原则建立机器人逆运动学优化模型,进行机器人逆解计算,生成完整机器人加工路径。
所述步骤S1中使用双目视觉相机获取的工件表面点云数据类型为pcd或ply。
步骤S2中关于点云预处理的方法主要包括点云滤波降噪以及点云稀疏处理,基于点云聚类参数设定将点云分割为多个区域并进行编号。
步骤S3中使用SVD分解算法对选中的点云拟合出一个平面,将拟合平面的法向作为该区域点云的切片方向。
步骤S4使用切片后的点云对原始点云的边界进行拟合,将拟合后的点云边界进行分类编号标识。
步骤S5中以截交点拟合的最大圆弧边界与最小圆弧边界为基准拟合同心圆,确定圆心位置坐标,以最大圆弧边界的两个角点与圆心连线与最小圆弧边界的交点确定平面点云的加工区域,以最大圆弧边界的截交点进行均匀采样,以采样点与边界的角点为标记进行标号。
步骤S6中将采样后的截交点沿平面确定的法向方向进行偏置,形成机器人加工工具的位置点。
步骤S7中以实际加工中的工艺参数为依据,筛选位置点数据存储至路径点集合。
步骤S9中以机器人末端工具姿态数据输入为条件,以机器人六轴关节刚度模型与“机器人运动成本最低”原则为优化目标,建立机器人干冰清洗最优轨迹筛选的方法求解完整机器人加工路径。
本发明有如下有益效果:
1、本发明在机器人对大型工件表面进行清洗的运动轨迹规划时,无须对点云进行逆向建模以及对机器人的加工轨迹使用离线编程的方式,大大提高了机器人轨迹规划的效率和机器人的加工精度。
2、本发明采取切平面与点云截交点拟合曲线的方法,通过曲线圆弧拟合圆心,建立有圆心与最大圆弧角点连线的方式构建加工区域的方式,通过调整圆心与角点所连线形成的角度θ,即可实现调整加工区域的大小的效果,进一步提高了点云轨迹规划的灵活性。
附图说明
图1为本发明公开的一种基于三维测量的大型零部件机器人干冰清洗轨迹规划方法流程图;
图2为点云加工区域及轨迹规划效果图。
具体实施方式
下面结合附图对本发明的实施方式做进一步的说明。
实施例1:
如图1-2,一种基于三维测量的大型零部件机器人干冰清洗轨迹规划系统,所述系统包括工件表面点云采集处理模块、人机交互模块、路径轨迹规划模块以及机器人后置处理模块;
进一步的,所述轨迹规划系统主要基于LINUX系统、C++语言、VScode开发平台实现;所述工件表面点云采集处理模块,主要用于双目视觉相机的标定、工件表面点云的获取以及点云数据的预处理功能;
进一步的,所述人机交互模块主要基于QT开发人机交互界面,主要用于点云处理过程中的参数输入,加工轨迹生成过程中的参数输入环节;
进一步的,所述路径轨迹规划模块,主要用于对选定的加工区域进行截交点提取、均匀采样、曲线拟合;
进一步的,所述机器人后置处理模块,主要用于计算选定点云区域拟合轨迹的步长计算、路径点提取、机器人加工路径生成。
实施例2:
本发明提供了一种基于三维测量的大型零部件机器人干冰清洗轨迹规划方法,主要包括以下步骤:
步骤1:通过机器人末端装夹双目视觉相机以不同的姿态扫描标定设备获取标定设备的标识点数据,记录各个位姿状态下的点云数据,对数据组进行计算得到双目视觉相机坐标系相对于机器人末端法兰中心的空间位置变换矩阵,实现点云数据相对于机器人的位置关系转换;
步骤2:对采集到的原始点云数据进行预处理,消除噪声点。对消除噪声点的点云按照设置的聚类参数进行欧式聚类,将聚类后的点云集合进行分割,并对分割的点云集合进行编号;
步骤3:根据分割的点云编号选择要加工的点云区域,对选取的点云区域进行拟合平面求取法向量,依据法向量确定点云切片方向。根据多个点云切平面与拟合平面的边界截交点进行拟合。
依据点云编号选择点云数据集合,依据SVD分解法设拟合的平面方程为:
ax+by+cz+d=0 (1)
其约束条件为:
a2+b2+c2=1 (2)
依据SVD算法拟合的平面最佳要求,则选择的点云集合中k个邻近点到该平面的距离最小,需满足
式中:di为点云中任一点到该平面的距离;依据SVD矩阵分解求解该平面的方程解算,求解协方差矩阵的特征值和特征向量,依据SVD算法求解平面的法向量。
根据SVD算法确定的平面点云的法向量确定点云切片的方向,根据点云质心坐标系下的点云信息确定点云切平面与拟合平面的截交点。将确定的截交点依据NURBS曲线进行曲线拟合,在拟合曲线的节点向量区间的最大最小值之间,进行插值均匀求取采样点。
步骤4:对拟合的边界曲线按照曲线和直线进行分类编号存储至编号容器内,根据人机交互模块选择曲线拟合的最大圆弧边界编号,根据最小二乘法对圆弧进行圆心拟合,求取圆心坐标。将圆心坐标与最大圆弧边界曲线的两个角点进行连接计算此时圆弧边界相对于圆心的夹角,两条连线与同心圆弧的交点与大小圆弧边界所形成的区域即为机器人干冰清洗加工区域。
步骤5:根据划定的机器人清洗加工区域对点云进行分块处理,得到切平面与加工区域划分的边界截交点,以最大圆弧边界上拟合的曲线为基准向圆心方向进行均匀取点,直至与加工区域的另一条圆弧边界相交结束划分。
结合机器人加工轨迹行间距参数,对两条圆弧之间的差值进行参数计算,筛选采样点拟合的曲线条数,并将所有采样点拟合的曲线加载至容器中。
步骤6:将所有采样点拟合的曲线按照向圆心X值递减的方向进行编号标记。
步骤7:将所有进行编号标记后的采样点沿着平面拟合法线的方向进行参数化偏置,将所有采样点用B样条曲线进行准均匀拟合,形成机器人末端工具加工轨迹曲线,基于轨迹曲线结合人机交互模块输入的参数进行路径点筛选,将筛选的路径点提取到路径点集合中。
步骤8:根据机器人逆运动学对提取的路径点集合进行机器人运动关节角以及机器人运动关节轴配置信息计算,在两个机器人运动路径点之间进行插值保证机器人运动过程中的平滑。
结合机器人运动过程中确定的工具姿态包括刀具前倾角(α1)、侧倾角(α2)、旋转角(α3)建立机器人关节冗余角数据,以机器人逆运动学求解每个点对应的机器人关节角,建立机器人关节刚度模型,求解机器人关节刚度最大为轨迹优化条件1;以整条轨迹上的路径点进行运动学求解,在机器人关节值求解的八组解中,以两个路径点之间关节姿态变化最小为轨迹优化条件2,联立条件1与条件2建立机器人加工轨迹优化模型,形成机器人运动轨迹,形成机器人完整加工路径。
具体操作如下:
步骤8.1、结合机器人干冰清洗末端姿态数据(刀具前倾角(α1)、刀具侧倾角(α2)、刀具旋转角(α3))建立机器人末端工具冗余角θR的约束量:
步骤8.2、根据机器人各关节角数据推导机器人雅可比矩阵,考虑机器人加工过程中受外力因素干扰的问题建立机器人关节刚度模型kq,kqi表示机器人第i各关节的刚度。根据机器人受外力因素而导致末端发生的变形,可建立机器人末端法相刚度指标kn,对机器人的刚度性能进行评价:
其中,np为工件表面的法矢,Cn为机器人末端平移柔度子矩阵,Ff为机器人所受外力。
考虑到机器人在加工过程受外力因素的干扰及机器人清洗过程中确定的工具姿态,即可对机器人关节冗余角θR进行优化,确保机器人在确定的关节姿态下的刚度最大,保证机器人轨迹规划的效率。
基于机器人运动学,推导加工过程中机器人姿态与机器人末端点及关节冗余角的关联关系:
式中:f[]-1表示机器人的逆运动学计算过程,H(P)为P处的位姿,H(θr)为P处的冗余角,该式主要用于计算机器人关节角。
综上,对机器人干冰清洗工件表面的过程中,以机器人干冰清洗工艺中设定的工具姿态求解的冗余约束角模型为输入条件1,以机器人干冰清洗过程中末端的刚度模型为输入条件2,以机器人轨迹逆运动学求解的成本最低为输入条件3,建立机器人多因素逆解轨迹优化模型:
根据筛选出的机器人加工轨迹,生成机器人在各个位置点的轨迹数据。
完成上述步骤,即完成了基于大型构件表面的实时三维点云获取,并根据三维点云数据生成了机器人干冰清洗轨迹。
Claims (10)
1.一种基于三维测量的大型零部件机器人干冰清洗轨迹规划系统,其特征在于:所述系统包括工件表面点云采集处理模块、人机交互模块、路径轨迹规划模块以及机器人后置处理模块;
所述轨迹规划系统主要基于LINUX系统、C++语言、VScode开发平台实现;
所述工件表面点云采集处理模块,主要用于双目视觉相机的标定、工件表面点云的获取以及点云数据的预处理功能;
所述人机交互模块主要基于QT开发人机交互界面,主要用于点云处理过程中的参数输入,加工轨迹生成过程中的参数输入环节;
所述路径轨迹规划模块,主要用于对选定的加工区域进行截交点提取、均匀采样、曲线拟合;
所述机器人后置处理模块,主要用于计算选定点云区域拟合轨迹的步长计算、路径点提取、机器人加工路径生成。
2.一种基于三维测量的大型零部件机器人干冰清洗轨迹规划方法,其特征在于,采用权利要求1所述系统实现,所述方法它包括以下步骤:
S1:将双目视觉相机安装至机器人末端法兰盘上,通过手眼标定计算相机坐标系到法兰的空间位置变换矩阵,通过双目视觉相机对工件目标区域进行拍照获取原始点云数据,结合空间位置变换矩阵,实现工件点云相对于机器人的空间位置变换,确保点云相对于机器人的位置精度;
S2:通过设定好的点云处理参数,对采集到的点云进行预处理,实现点云分割;
S3:选择分割后的点云区域,确定该区域的点云切片方向;
S4:依据点云切片方向,确定该区域边界与切平面的截交点,拟合该点云区域的边界截交点,对截交点进行分类编号;
S5:选择该点云区域截交点拟合的最大圆弧边界的截交点,并对截交点进行均匀采样,对采样后的截交点进行编号标记;
S6:将采样后的截交点沿着法向方向进行偏移,确定机器人末端工具的位置点;
S7:结合工艺参数对位置点的步长进行设计,提取位置点至机器人加工路径点框架;
S8:基于机器人加工轨迹路径点,通过机器人逆运动学进行机器人轴配置计算;
S9:基于“机器人运动成本最低”原则建立机器人逆运动学优化模型,进行机器人逆解计算,生成完整机器人加工路径。
3.根据权利要求2所述一种基于三维测量的大型零部件机器人干冰清洗轨迹规划方法,其特征在于:所述步骤S1中使用双目视觉相机获取的工件表面点云数据类型为pcd或ply。
4.根据权利要求2所述基于大型构件表面实时三维点云的机器人加工路径规划方法,其特征在于:步骤S2中关于点云预处理的方法主要包括点云滤波降噪以及点云稀疏处理,基于点云聚类参数设定将点云分割为多个区域并进行编号。
5.根据权利要求2所述基于大型构件表面实时三维点云的机器人加工路径规划方法,其特征在于:步骤S3中使用SVD分解算法对选中的点云拟合出一个平面,将拟合平面的法向作为该区域点云的切片方向。
6.根据权利要求2所述基于大型构件表面实时三维点云的机器人加工路径规划方法,其特征在于:步骤S4使用切片后的点云对原始点云的边界进行拟合,将拟合后的点云边界进行分类编号标识。
7.根据权利要求2所述基于大型构件表面实时三维点云的机器人加工路径规划方法,其特征在于:步骤S5中以截交点拟合的最大圆弧边界与最小圆弧边界为基准拟合同心圆,确定圆心位置坐标,以最大圆弧边界的两个角点与圆心连线与最小圆弧边界的交点确定平面点云的加工区域,以最大圆弧边界的截交点进行均匀采样,以采样点与边界的角点为标记进行标号。
8.根据权利要求2所述基于大型构件表面实时三维点云的机器人加工路径规划方法,其特征在于:步骤S6中将采样后的截交点沿平面确定的法向方向进行偏置,形成机器人加工工具的位置点。
9.根据权利要求2所述基于大型构件表面实时三维点云的机器人加工路径规划方法,其特征在于:步骤S7中以实际加工中的工艺参数为依据,筛选位置点数据存储至路径点集合。
10.根据权利要求2所述基于大型构件表面实时三维点云的机器人加工路径规划方法,其特征在于:步骤S9中以机器人末端工具姿态数据输入为条件,以机器人六轴关节刚度模型与“机器人运动成本最低”原则为优化目标,建立机器人干冰清洗最优轨迹筛选的方法求解完整机器人加工路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310255956.5A CN116394235B (zh) | 2023-03-16 | 2023-03-16 | 一种基于三维测量的大型零部件机器人干冰清洗轨迹规划系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310255956.5A CN116394235B (zh) | 2023-03-16 | 2023-03-16 | 一种基于三维测量的大型零部件机器人干冰清洗轨迹规划系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116394235A true CN116394235A (zh) | 2023-07-07 |
CN116394235B CN116394235B (zh) | 2023-11-21 |
Family
ID=87018989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310255956.5A Active CN116394235B (zh) | 2023-03-16 | 2023-03-16 | 一种基于三维测量的大型零部件机器人干冰清洗轨迹规划系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116394235B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101877128A (zh) * | 2009-12-23 | 2010-11-03 | 中国科学院自动化研究所 | 一种三维场景中不同物体的分割方法 |
US20110304619A1 (en) * | 2010-06-10 | 2011-12-15 | Autodesk, Inc. | Primitive quadric surface extraction from unorganized point cloud data |
CN106295058A (zh) * | 2016-08-23 | 2017-01-04 | 西北工业大学 | 一种钣金零件弯曲角度的数字化检测方法 |
US20190143523A1 (en) * | 2017-11-16 | 2019-05-16 | General Electric Company | Robotic system architecture and control processes |
CN112862878A (zh) * | 2021-02-07 | 2021-05-28 | 浙江工业大学 | 一种基于3d视觉的机械臂修坯方法 |
CN113496101A (zh) * | 2021-06-28 | 2021-10-12 | 武汉理工大学 | 一种复杂曲面全局横焊位姿随形电弧增材轨迹规划方法 |
CN113722796A (zh) * | 2021-08-29 | 2021-11-30 | 中国长江电力股份有限公司 | 一种基于视觉-激光雷达耦合的贫纹理隧洞建模方法 |
CN113741426A (zh) * | 2021-08-06 | 2021-12-03 | 武汉理工大学 | 一种基于局部点云曲线拟合的机器人加工路径规划方法 |
WO2022133697A1 (zh) * | 2020-12-22 | 2022-06-30 | 北京洛必德科技有限公司 | 移动机器人地图构建方法、装置、计算机设备和存储介质 |
CN114700943A (zh) * | 2022-04-02 | 2022-07-05 | 武汉数字化设计与制造创新中心有限公司 | 一种大型水轮机在位机器人加工坐标系标定方法 |
-
2023
- 2023-03-16 CN CN202310255956.5A patent/CN116394235B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101877128A (zh) * | 2009-12-23 | 2010-11-03 | 中国科学院自动化研究所 | 一种三维场景中不同物体的分割方法 |
US20110304619A1 (en) * | 2010-06-10 | 2011-12-15 | Autodesk, Inc. | Primitive quadric surface extraction from unorganized point cloud data |
CN106295058A (zh) * | 2016-08-23 | 2017-01-04 | 西北工业大学 | 一种钣金零件弯曲角度的数字化检测方法 |
US20190143523A1 (en) * | 2017-11-16 | 2019-05-16 | General Electric Company | Robotic system architecture and control processes |
WO2022133697A1 (zh) * | 2020-12-22 | 2022-06-30 | 北京洛必德科技有限公司 | 移动机器人地图构建方法、装置、计算机设备和存储介质 |
CN112862878A (zh) * | 2021-02-07 | 2021-05-28 | 浙江工业大学 | 一种基于3d视觉的机械臂修坯方法 |
CN113496101A (zh) * | 2021-06-28 | 2021-10-12 | 武汉理工大学 | 一种复杂曲面全局横焊位姿随形电弧增材轨迹规划方法 |
CN113741426A (zh) * | 2021-08-06 | 2021-12-03 | 武汉理工大学 | 一种基于局部点云曲线拟合的机器人加工路径规划方法 |
CN113722796A (zh) * | 2021-08-29 | 2021-11-30 | 中国长江电力股份有限公司 | 一种基于视觉-激光雷达耦合的贫纹理隧洞建模方法 |
CN114700943A (zh) * | 2022-04-02 | 2022-07-05 | 武汉数字化设计与制造创新中心有限公司 | 一种大型水轮机在位机器人加工坐标系标定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116394235B (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110434671B (zh) | 一种基于特征测量的铸造件表面机加工轨迹校准方法 | |
CN109623656B (zh) | 基于厚度在线检测的移动式双机器人协同打磨装置及方法 | |
CN110227876A (zh) | 基于3d点云数据的机器人焊接路径自主规划方法 | |
CN114055255B (zh) | 一种基于实时点云的大型复杂构件表面打磨路径规划方法 | |
CN109366503B (zh) | 基于移动式混联机器人的面向大型构件的加工工艺方法 | |
CN108827155A (zh) | 一种机器人视觉测量系统及方法 | |
CN110328674A (zh) | 一种激光切割机器人 | |
CN111028340A (zh) | 精密装配中的三维重构方法、装置、设备及系统 | |
CN113421291B (zh) | 利用点云配准技术和三维重建技术的工件位置找正方法 | |
CN110989490B (zh) | 一种基于轮廓误差的工件最优安装位置的获取方法 | |
CN116204990A (zh) | 一种三维实测数据驱动的飞机大型骨架精准协调修配方法 | |
Li et al. | A novel path generation method of onsite 5-axis surface inspection using the dual-cubic NURBS representation | |
CN116551048A (zh) | 一种几何自适应加工设备及方法 | |
CN110153582B (zh) | 焊接方案生成方法、装置以及焊接系统 | |
CN114115123A (zh) | 航空大型薄壁类非刚体零件的参数化数控加工方法和系统 | |
CN116394235B (zh) | 一种基于三维测量的大型零部件机器人干冰清洗轨迹规划系统及方法 | |
Xu et al. | A new welding path planning method based on point cloud and deep learning | |
CN115641418A (zh) | 一种基于点云信息的雷达罩分区域自适应修型方法 | |
CN110370276A (zh) | 基于三维模型Morse分解的工业机器人加工轨迹自动规划方法 | |
CN114131605B (zh) | 一种船体零件打磨轨迹自动配准调整装置及方法 | |
Yang et al. | Research on the feature smoothing algorithm for point cloud data of large complex surfaces based on multichannel convolutional neural network | |
Deng et al. | A new visual-guided and partition-based multi-setup 3D printing system | |
CN111061218B (zh) | 一种基于acis的复杂曲面加工切削力预测方法及设备 | |
CN114217280A (zh) | 一种外置旋转二维激光雷达外部参数的标定方法 | |
CN116587268B (zh) | 一种空间大面域机器人铣削加工精度提升方法 |
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 |