CN116690575A - 一种基于手眼相机的无标定机械臂抓取方法和装置 - Google Patents

Abstract

本发明提供一种基于手眼相机的无标定机械臂抓取方法和装置，其方法包括：S1:建立相机、机械臂坐标转换关系；S2:建立机械臂手掌点云模型；S3:通过机器人左目、右目相机定位目标；S4:控制机械臂运动到抓取目标正上方，相机对准采样目标；S5:计算相机装配偏差转换矩阵；S6:通过手眼相机定位目标；S7:计算目标修正后的空间位置；S8:控制机械臂抓取、归集目标。本发明用在相机‑机械臂系统定位抓取目标过程中，相机安装或者使用过程中存在装配偏差时，通过ICP匹配修正相机装配偏差，实现准确定位。

Description

一种基于手眼相机的无标定机械臂抓取方法和装置

技术领域

本发明涉及机器人控制领域，尤其涉及一种基于手眼相机的无标定机械臂抓取方法和装置。

背景技术

基于手眼相机的无标定机械臂抓取方法是机器人领域中的一个重要研究方向。在实际应用中，例如工业生产线、物流仓储等场景下，需要机械臂对目标物体进行准确的抓取，并且需要实现无需额外标定的高精度运动控制，以提高机械臂的工作效率和稳定性。然而，在复杂的环境中，机械臂的抓取和运动控制往往受到多种因素的影响，这就需要通过新的方法来解决。

基于手眼相机的无标定机械臂抓取方法的研究面临着一些挑战。首先，由于机械臂和相机之间的相对位置和姿态等参数不易获取，使得传统的标定方法无法满足实际需求。其次，机械臂的抓取需要考虑目标物体的形状、材质、位置和姿态等因素，这就需要对多个因素进行综合分析和处理，以确保抓取过程的准确性和稳定性。此外，如何实现机械臂的高精度运动控制也是一个重要问题。

发明内容

本发明要克服现有技术的上述问题，提供一种基于手眼相机的无标定机械臂抓取方法和装置。

本发明的基于手眼相机的无标定机械臂抓取方法，利用手眼相机来获取机械臂和目标物体之间的相对位置和姿态等信息，并通过机器学习和计算机视觉等技术，对多个因素进行综合分析和处理，以实现机械臂的高精度运动控制和抓取。此外，本发明还可以通过反馈控制和优化算法等方式，进一步提高机械臂的运动控制精度和稳定性。

本发明的一种基于手眼相机的无标定机械臂抓取方法，具体实现如下：

S1：建立相机、机械臂坐标转换关系；

S2：建立机械臂手掌点云模型；

S3：通过机器人左目、右目相机定位目标；

S4：控制机械臂运动到抓取目标正上方，相机对准采样目标；

S5:计算相机装配偏差转换矩阵；

S6:通过手眼相机定位目标；

S7：计算目标修正后的空间位姿；

S8:控制机械臂抓取、归集目标。

进一步，步骤S1具体为：构建六足机器人的坐标系，其中tf_2为机械臂基坐标系，tf_3为手掌关节坐标系，tf_4为末端抓取点坐标系，tf_5为手眼相机坐标系，tf_6为左目相机坐标系，tf_7为右目相机坐标系。通过camera in base标定法标定左目相机tf_6到机械臂基座标系tf_2之间的坐标转换关系，通过camera on hand标定法标定手眼相机tf_5与机械臂手掌关节tf_3之间的坐标转换关系。初次标定过程中，手眼相机标定结果需要有较高的精度，用于建立手掌准确的点云。

进一步，步骤S2具体为：通过手眼相机，采集点云，进一步过滤保留手掌部分点云。过滤采用距离过滤。将点云投影到标定的手眼相机坐标系下。保存手掌点云后，允许标定后相机发生小幅度的位姿变化。同型号的机械臂，只需要建立一次点云，可以重复使用。

进一步，步骤S3具体为：机器人移动过程中，机械臂处于收起状态，此时采用前置相机识别定位目标。采用卷积神经网络识别目标、定位目标。识别定位目标采用2D检测、3D检测、语义分割、位姿估计等。结合相机采集的RGB照片和Depth照片，输出机械臂末端位于目标上方、相机朝向目标的位姿。

进一步，步骤S4具体包括：采用moveit机械臂规划器，根据末端的位姿，规划轨迹，通过控制器控制机械臂运动到目标上方。

进一步，步骤S5具体包括：在机械臂末端位于目标上方后，采用手眼相机采集点云，过滤保留手掌点云，并采用ICP点云匹配的方法，计算该次采集点云到保留的手掌点云模型之间的位姿转换矩阵。

进一步，步骤S6具体包括：通过手眼相机采集RGB照片和Depth照片，采用卷积神经网络再次识别、定位目标。

进一步，步骤S7具体包括：根据S5计算的转换矩阵，修正目标位置，并计算机械臂末端的位姿。

进一步，步骤S8具体包括：通过给定末端位姿条T3，采用moveit机械臂规划器，控制机械臂抓取、归集目标。

本发明的第二个方面提供一种基于手眼相机的无标定机械臂抓取装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现本发明的一种基于手眼相机的无标定机械臂抓取方法。

本发明的第三个方面提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现本发明的一种基于手眼相机的无标定机械臂抓取方法。

本发明采用两段式定位解决这个问题，首先通过前置相机获取目标位置，将机械臂移动到目标物上方一定距离，由于只需要移动手臂后在手眼相机视角内能看到目标，因此允许前置相机发生一定程度偏移，丢失标定关系。进一步通过手眼相机，同时采集手掌点云并定位抓取目标，通过ICP匹配计算相机偏移量，修正目标的位置，实现二次定位，并抓取目标。该方法容许三个相机都发生一定量的偏移而保持准确抓取。

本发明的优点是：

传统通过相机和机械臂位置关系标定进行目标抓取的方案，标定过程繁琐，并且在机器人长时间运行后，相机和机械臂的相对位置会发生偏移，导致抓取精度降低。本发明通过点云匹配的方法计算出相机偏移量，在安装出现误差或者长时间运行装配出现偏差时，具有很高的抓取精度，并且相同型号的机械臂只需要用该方法处理一次，并且算法方便迁移到相同型号的其他机械臂而不需要对每一台机械臂进行一次标定，减少了批量生产的工作量。

附图说明

图1是本发明方法的流程图。

图2是本发明所使用的机器人的示意图。

图3是本发明使用的坐标系示意图。

图4是本发明的手掌点云的示意图。

图5是本发明的目标定位和末端抓取点位姿计算示意图。

图6是本发明的抓取前机械臂形态的示意图。

图7是本发明的相机偏移下采集点云的示意图。

图8是本发明的ICP匹配修正后点云的示意图。

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做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。

需要说明的是，在不冲突的情况下，下述的实施例及实施方式中的特征可以相互组合。

实施例1

本发明旨在通过机器人的前置相机、手眼相机和机械臂，实现目标物抓取。以六足机器人为说明对象，但不限于此类型机器人。相机和机械臂的位置关系如图一所示。在抓取过程中，需要通过相机给目标定位，并将定位信息，通过相机和机械臂的坐标转换关系，传递给机械臂规划器。六足机器人的相机包括两个前置深度相机和一个手上深度相机。当机器人行走时，机械臂处于收起状态，此时通过前置相机给目标定位，需要两个前置相机和机械臂的准确位置关系，但是由于机器人组装关系，相机和机械臂中间通过多个部件转接，在行走过程中，相机和机械臂容易发生相对位置移动，所以，前置相机不能告诉机械臂目标的准确位置。相对来说，手眼相机直接安装在机械臂上，并且本身重量小，不容易发生相对位置移动，能保持更长时间的抓取精度，但是时间长依旧存在累计偏差。

如图1，本发明的一种基于手眼相机的无标定机械臂抓取方法，具体实现如下：

S1.建立相机、机械臂坐标转换关系；

本发明涉及的相机推荐但不限于使用深度相机。如图3所示，为六足机器人的坐标系，其中tf_2为机械臂基坐标系，tf_3为手掌关节坐标系，tf_4为末端抓取点坐标系，tf_5为手眼相机坐标系，tf_6为左目相机坐标系，tf_7为右目相机坐标系。通过camera in base标定法可以标定左目相机tf_6到机械臂基座标系tf_2之间的坐标转换关系，通过cameraon hand标定法可以标定手眼相机tf_5与机械臂手掌关节tf_3之间的坐标转换关系。初次标定过程中，手眼相机标定结果需要有较高的精度，用于建立手掌准确的点云。通过棋盘格标定板，标定左目相机tf_6和右目相机tf_7之间的坐标转换关系。

S2.建立机械臂手掌点云模型；

通过手眼相机，采集点云，进一步过滤保留手掌部分点云。过滤方法可以采用距离过滤，如保留离相机20cm以内的点云。将点云投影到标定的手眼相机坐标系下。如图4所示。保存手掌点云后，允许标定后相机发生小幅度的位姿变化。同型号的机械臂，只需要建立一次点云，可以重复使用。

S3.通过机器人左目、右目相机定位目标；

机器人移动过程中，机械臂处于收起状态，此时采用前置相机识别定位目标。本发明采用卷积神经网络识别目标、定位目标。识别定位目标的方法可以采用2D检测、3D检测、语义分割、位姿估计等。结合相机采集的RGB照片和Depth照片，输出机械臂末端位于目标上方一定距离、相机朝向目标的位姿。目标定位和计算的机械臂末端位姿如图4所示。

S4.控制机械臂运动到抓取目标正上方，相机对准采样目标；

本发明采用moveit机械臂规划器，根据末端的位姿，规划轨迹，通过控制器控制机械臂运动到目标上方，如图6所示。当然规划器有很多种，不限于这一种方法。

S5.计算相机装配偏差转换矩阵；

在机械臂末端位于目标上方后，进一步采用手眼相机采集点云，过滤保留手掌点云，如图7所示，并采用ICP点云匹配的方法，计算该次采集点云到保留的手掌点云模型之间的位姿转换矩阵T1，T1为4*4的二维矩阵。匹配后的点云如图8所示。

S6.通过手眼相机定位目标；

进一步通过手眼相机采集RGB照片和Depth照片，采用卷积神经网络识别定位目标。目标的空间位置为P＝[x,y,z],目标的姿态为旋转矩阵R：

[[r11,r12,r13],

[r21,r22,r23],

[r31,r32,r33]]

进一步获得抓取目标的位姿矩阵T2，T2为4*4的二维矩阵。

[[r11,r12,r13,x],

[r21,r22,r23,y],

[r31,r32,r33,z],

[0,0,0,1]]

S7：计算目标修正后的空间位姿；

根据步骤S5计算的位姿转换矩阵T1和步骤S6计算的位姿矩阵T2,计算修正后的目标空间位姿T3：

T3＝T2*T1

S8：控制机械臂抓取、归集目标；

最后通过给定末端位姿T3，采用moveit机械臂规划器，控制机械臂抓取、归集目标。

实施例2

本实施例提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现实施例1的一种基于手眼相机的无标定机械臂抓取方法。

实施例3

本实施例一种基于手眼相机的无标定机械臂抓取装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现实施例1的一种基于手眼相机的无标定机械臂抓取方法。

在硬件层面，该一种基于手眼相机的无标定机械臂抓取装置包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的方法。当然，除了软件实现方式之外，本发明并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(ProgrammableLogic Device,PLD)(例如现场可编程门阵列(Field Programmable Gate Array，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logiccompiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware DescriptionLanguage，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced BooleanExpression Language)、AHDL(Altera Hardware Description Language)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java HardwareDescription Language)、Lava、Lola、MyHDL、PALASM、RHDL(Ruby Hardware DescriptionLanguage)等，目前最普遍使用的是VHDL(Very-High-Speed Integrated CircuitHardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本发明时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

Claims (11)

1.一种基于手眼相机的无标定机械臂抓取方法，其特征在于，包括：

S1:建立相机、机械臂坐标转换关系；

S2:建立机械臂手掌点云模型；

S3:通过机器人左目、右目相机定位目标；

S4:控制机械臂运动到抓取目标正上方，相机对准采样目标；

S5:计算相机装配偏差转换矩阵；

S6:通过手眼相机定位目标；

S7:计算目标修正后的空间位姿；

S8:控制机械臂抓取、归集目标。

2.根据权利要求1所述的一种基于手眼相机的无标定机械臂抓取方法，其特征在于，步骤S1具体为：

构建六足机器人的坐标系，其中tf_2为机械臂基坐标系，tf_3为手掌关节坐标系，tf_4为末端抓取点坐标系，tf_5为手眼相机坐标系，tf_6为左目相机坐标系，tf_7为右目相机坐标系；通过camerain base标定法标定左目相机tf_6到机械臂基座标系tf_2之间的坐标转换关系，通过camera on hand标定法标定手眼相机tf_5与机械臂手掌关节tf_3之间的坐标转换关系；初次标定过程中，手眼相机标定结果需要有较高的精度，用于建立手掌准确的点云。

3.根据权利要求1所述的一种基于手眼相机的无标定机械臂抓取方法，其特征在于，步骤S2具体为：

通过手眼相机，采集点云，进一步过滤保留手掌部分点云。过滤采用距离过滤。将点云投影到标定的手眼相机坐标系下。保存手掌点云后，允许标定后相机发生小幅度的位姿变化。同型号的机械臂，只需要建立一次点云，可以重复使用。

4.根据权利要求1所述的一种基于手眼相机的无标定机械臂抓取方法，其特征在于，步骤S3具体包括：

机器人移动过程中，机械臂处于收起状态，此时采用前置相机识别定位目标；采用卷积神经网络识别目标、定位目标；识别定位目标采用2D检测、3D检测、语义分割、位姿估计；结合相机采集的RGB照片和Depth照片，输出机械臂末端位于目标上方、相机朝向目标的位姿。

5.根据权利要求1所述的一种基于手眼相机的无标定机械臂抓取方法，其特征在于，步骤S4具体包括：

采用moveit机械臂规划器，根据末端的位姿，规划轨迹，通过控制器控制机械臂运动到目标上方。

6.根据权利要求1所述的一种基于手眼相机的无标定机械臂抓取方法，其特征在于，步骤S5具体包括：

在机械臂末端位于目标上方后，采用手眼相机采集点云，过滤保留手掌点云，并采用ICP点云匹配的方法，计算该次采集点云到保留的手掌点云模型之间的位姿转换矩阵。

7.根据权利要求1所述的一种基于手眼相机的无标定机械臂抓取方法，其特征在于，步骤S6具体包括：

通过手眼相机采集RGB照片和Depth照片，采用卷积神经网络再次识别、定位目标。

8.根据权利要求1所述的一种基于手眼相机的无标定机械臂抓取方法，其特征在于，步骤S7具体包括：

根据S5计算的转换矩阵，修正目标位置，并计算机械臂末端的位姿。

9.根据权利要求1所述的一种基于手眼相机的无标定机械臂抓取方法，其特征在于，步骤S8具体包括：

最后通过给定末端位姿T3，采用moveit机械臂规划器，控制机械臂抓取、归集目标。

10.一种基于手眼相机的无标定机械臂抓取装置，其特征在于，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1-9中任一项所述的一种基于手眼相机的无标定机械臂抓取方法。

11.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1-9中任一项所述的一种基于手眼相机的无标定机械臂抓取方法。