CN116883490A - 一种定位轨迹纠偏方法和装置 - Google Patents
一种定位轨迹纠偏方法和装置 Download PDFInfo
- Publication number
- CN116883490A CN116883490A CN202310623050.4A CN202310623050A CN116883490A CN 116883490 A CN116883490 A CN 116883490A CN 202310623050 A CN202310623050 A CN 202310623050A CN 116883490 A CN116883490 A CN 116883490A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- data
- point
- offset
- rotation
- 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 64
- 238000003384 imaging method Methods 0.000 claims abstract description 69
- 230000007246 mechanism Effects 0.000 claims abstract description 69
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims description 40
- 230000008569 process Effects 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000003754 machining Methods 0.000 claims description 6
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 14
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000003213 activating effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 108091081062 Repeated sequence (DNA) Proteins 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000001680 brushing effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007788 roughening Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/535—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Manufacturing & Machinery (AREA)
- Economics (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Library & Information Science (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Numerical Control (AREA)
Abstract
一种定位轨迹纠偏方法和装置。在该方法中,成像机构读取当前要加工的目标区域点云,再读取模板点云,再从模板点云中搜索与当前要加工的点云姿态一样的点云,并对当前要加工的点云进行预处理,能减少点云的计算量。另外,进行粗匹配使其与相应的模板点云对齐,保留一定距离内的点云,这样能减少点云的计算量,且能保持点云的完整性,最后再进行精匹配,使两片点云对齐的更精准。这样能有效提高点云的精准度,为后续机器人生成加工轨迹提供精准数据,进而提高产品的生产质量。
Description
技术领域
本申请涉及终端及通信技术领域,尤其涉及一种定位轨迹纠偏方法。
背景技术
随着世界人口的增多,鞋子的供给需求也水涨船高,与此同时,人们对物质生活的美好需求也不断提升,相应地,人们对鞋子的质量和外观相关要求越来越高。
在相关技术中,先获取要加工的鞋子点云,从鞋子母版点云库中搜索与要加工的鞋子点云大小、姿态一样的点云,再将要加工的鞋子点云预处理去噪点,最后将两片点云匹配重合,以便能精准加工。
然而,在使用该相关技术时匹配重合时的精准度并不高,进而增加了计算难度,降低了计算效率。
发明内容
本申请提供了一种定位轨迹纠偏方法,用于提高当前获取的点云与本地模板点云之间的匹配精度,减少点云计算量,有效提高两片点云之间的匹配效率,进而提高了鞋子的产品质量。
第一方面,本申请提供了一种定位轨迹纠偏方法,包括:在确定当前获取到的第一点云后,确定与该第一点云对应的第二点云,该第一点云是指当前准备要加工的目标区域不同部分的点数据的集合;该第二点云是指从数据库中筛选出的、与该第一点云相对应的点云;在通过第一算法得到该第一点云相较于该第二点云的第一旋转量和第一偏移量之后,结合该第一旋转量与该第一偏移量得到第一数据;基于该第一数据控制该第一点云向第二点云进行旋转偏移,得到第一旋转偏移结果;该第一旋转偏移结果为该第一点云与该第二点云之间对应特征点的第一平均距离控制在a毫米内;基于该第一旋转偏移结果,在通过第二算法得到该第一点云相较于该第二点云的第二旋转量和第二偏移量后,结合该第二旋转量和该第二偏移量得到第二数据;基于该第二数据控制该第一点云向该第二点云进行旋转偏移,得到第二旋转偏移结果;该第二旋转偏移结果为该第一点云与该第二点云之间对应特征点的第二平均距离控制在b毫米内,b<a;将该第二旋转偏移结果发送给机器人来生成控制加工轨迹。
在上述实施例中,成像机构将第一点云先第一次匹配第二点云,再进一步匹配第二点云的过程中减少了点云的计算量,进而提高了获取两片点云偏移与旋转数据的计算效率。进行两次点云匹配,将两片点云的误差控制在b毫米以内,能有效提高机器人加工的精准度,让鞋子外观更标准完美。
结合第一方面的一些实施例,在一些实施例中,在该基于该第一数据控制该第一点云向第二点云进行旋转偏移,得到第一旋转偏移结果;该第一旋转偏移结果为该第一点云与该第二点云之间对应特征点的第一平均距离控制在a毫米内的过程中,具体包括:判断此时的该第一点云中点数据与对应该第二点云中的点数据之间对应特征点的第一平均距离是否大于a毫米;若该第一平均距离是否大于a毫米,则启动第hn+1次重新粗匹配操作,该hn初始赋值为0。
在上述实施例中,若是第一点云中点数据与对应该第二点云中的点数据之间对应特征点的第一平均距离大于a毫米,就会重新进行第一点云的旋转偏移,即再次在原有的匹配结果上进一步进行点云对齐,这样避免因为一次匹配的误差而把一些重要的点云去除掉,在一定程度上能保持点云的完整性。
结合第一方面的一些实施例,在一些实施例中,在该基于该第二数据控制该第一点云向该第二点云进行旋转偏移,得到第二旋转偏移结果;该第二旋转偏移结果为该第一点云与该第二点云之间对应特征点的第二平均距离控制在b毫米内,b<a的过程中,具体包括:判断此时的该第一点云中的点数据与对应该第二点云中的点数据之间对应特征点的第二平均距离是否大于b毫米;若该第二平均距离是否大于b毫米,则启动第kn+1次重新精匹配操作,该kn初始赋值为0。
在上述实施例中,若是第一点云中点数据与对应该第二点云中的点数据之间对应特征点的第一平均距离大于b毫米,就会重新精匹配,这样就能在原来的精匹配数据上再次控制第一点云向第二点云对齐,进而提高点云的匹配精度,为后续机器人生成精确的加工轨迹做好基础。
结合第一方面的一些实施例,在一些实施例中,在确定当前获取到的第一点云后,确定与该第一点云对应的第二点云的步骤之前,该方法还包括:对该第一点云中的点数据进行特征提取;根据特征提取的点数据将该第一点云划分为多个特征部分;在每个特征部分中,根据点数据的排序进行间隔采样,保留重要点数据,得到下采样数据;通过拟合方法对该下采样数据进行重建得到最终的第一点云。
在上述实施例中,成像机构对当前获取到的要加工的目标点云先进行预处理,一方面能将噪点点云去掉,进而减少点云的计算量;另一方面,在去掉噪点点云的同时能保持原来点云的完整性不会损坏点云边缘信息等重要信息。
结合第一方面的一些实施例,在一些实施例中,在该将该第二旋转偏移结果发送给机器人来生成控制加工轨迹的步骤之前,该方法还包括:将该两片点云进行对齐,第n次调整第一点云中点数据的位置和姿态,使其与第二点云中姿态一样的点数据重合,该n初始赋值为1;判断该n是否不大于该m,该m为用户设定的最多调整次数;若该n大于该m,则将该第一点云中按照计算得到的偏移和旋转关系进行变换,使其与该第二点云对应到同一坐标系中;对于变换后的第一点云,确定再次使用配准算法进行精细对齐,以进一步提高匹配精度,该再次使用算法对齐的次数是用户自行设定的;在对齐完成后,在对点云进行平滑处理以得到更加精确的第一点云模型后,计算此时的偏移与旋转第二数据。
在上述实施例中,控制匹配之后通过第一点云多次对齐第二点云,进一步提高了两片点云之间的匹配精度,进而能有效提高机器人加工产品的质量。
结合第一方面的一些实施例,在一些实施例中,在该若该第一平均距离是否大于a毫米,则启动第hn+1次重新粗匹配操作,该hn初始赋值为0的过程中,具体包括:累计粗匹配次数hn+1=hn+1;判断该hn+1是否大于g,该g为用户预设粗匹配次数;若该hn+1大于该g,将相应的点云舍弃掉。
在上述实施例中,将一些不符合对应特征点的平均距离在a毫米以内的点云再次进行匹配,以确保不漏掉有用的点云,这样能为后续机器人生成加工轨迹提供更多有用的点云,从而能生成更精准的加工轨迹。
结合第一方面的一些实施例,在一些实施例中,在该若该第二平均距离是否大于b毫米,则启动第kn+1次重新精匹配操作,该kn初始赋值为0的过程中,具体包括:累计精匹配次数kn+1=kn+1;判断该kn+1是否大于j,该j为用户预设精匹配次数;若该kn+1大于该j,将相应的点云舍弃掉。
在上述实施例中,对不符合范围条件的点云可以按照用户设定次数进行多次精匹配,将两片点云之间的对应特征点的平均距离控制在b毫米以内,能提高点云的精度,方便后续将精匹配数据发给机器人后能生成更精准的加工轨迹,从而提高了产品质量。
第二方面,本申请实施例提供一种定位轨迹纠偏装置,包括:
点云确认模块,用于在确定当前获取到的第一点云后,确定与该第一点云对应的第二点云,该第一点云是指当前准备要加工的目标区域不同部分的点数据的集合;该第二点云是指从数据库中筛选出的、与该第一点云相对应的点云;
第一数据获得模块,用于在通过第一算法得到第一点云相较于第二点云的第一旋转量和第一偏移量之后,结合该第一旋转量与该第一偏移量得到第一数据;
第一结果获得模块,用于基于该第一数据控制该第一点云向第二点云进行旋转偏移,得到第一旋转偏移结果;该第一旋转偏移结果为该第一点云与该第二点云之间对应特征点的第一平均距离控制在a毫米内;
第二数据获得模块,用于基于该第一旋转偏移结果,在通过第二算法得到该第一点云相较于第二点云的第二旋转量和第二偏移量后,结合该第二旋转量和第二偏移量得到第二数据;
第二结果获得模块,基于该第二数据控制该第一点云向第二点云进行旋转偏移,得到第二旋转偏移结果;该第二旋转偏移结果为该第一点云与该第二点云之间对应特征点的第二平均距离控制在b毫米内,b<a;
发送模块,用于将该第二旋转偏移结果发送给机器人来生成控制加工轨迹。
第三方面,本申请实施例提供了一种定位轨迹纠偏设备,该定位轨迹纠偏设备包括:一个或多个处理器、存储器和成像机构;该成像机构用于获取当前要加工的鞋子产品的点云;该存储器与该一个或多个处理器耦合,该存储器用于存储计算机程序代码,该计算机程序代码包括计算机指令,该一个或多个处理器调用该计算机指令以使得该定位轨迹纠偏执行如第一方面的方法。
第四方面,本申请实施例提供一种计算机可读存储介质,包括指令,当该指令在定位轨迹纠偏设备上运行时,使得该定位轨迹纠偏设备执行如第一方面以及第一方面中任一可能的实现方式描述的方法。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
1、采用了独特的算法实现两片点云先粗匹配再精匹配,减少了点云的计算量,进而提高了点云的计算效率。
2、采用了点云下采样的预处理方式,减少了噪点点云,在一定程度上能减少点云计算量,与此同时,下采样的采样间隔点可以是用户自行设定,这样就能按照用户需求保持点云的外在形状特征。
3、由于在精匹配后将两片点云变换至同一坐标系中,将在同一坐标系中的偏移量发送给机器人,这样机器人就不用将两片点云换算在同一坐标系中,能有效提高机器人生成加工轨迹的效率。
附图说明
图1是本申请实施例中定位轨迹纠偏方法的一个流程示意图;
图2是本申请实施例中定位轨迹纠偏方法的另一个流程示意图;
图3是本申请实施例中定位轨迹纠偏方法的另一个流程示意图;
图4是本申请实施例中定位轨迹纠偏方法的另一个流程示意图;
图5是本申请实施例中定位轨迹纠偏设备的一个模块结构示意图;
图6是本申请实施例中定位轨迹纠偏设备的一个硬件结构示意图。
具体实施方式
本申请以下实施例中所使用的术语只是为了描述特定实施例的目的,而并非旨在作为对本申请的限制。如在本申请的说明书和所附权利要求书中所使用的那样,单数表达形式“一个”、“一种”、“所述”、“上述”、“该”和“这一”旨在也包括复数表达形式,除非其上下文中明确地有相反指示。还应当理解,本申请中使用的术语“和/或”是指包含一个或多个所列出项目的任何或所有可能组合。
以下,术语“第一”、“第二”仅用于描述目的,而不能理解为暗示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征,在本申请实施例的描述中,除非另有说明,“多个”的含义是两个或两个以上。
由于本申请实施例涉及定位轨迹纠偏方法,为了便于理解,下面先对本申请实施例涉及的相关术语进行介绍。
一、XYZABC坐标:
XYZABC坐标通常指一个六维坐标系,其中XYZ表示空间三维坐标系,A表示绕X轴旋转的角度,B表示绕Y轴旋转的角度,C表示绕Z轴旋转的角度。在机器人学、计算机视觉、自动化等领域中,XYZABC坐标系常用于描述物体或机器人在三维空间中的位姿(位置和姿态)。例如,一个机械臂在三维空间中的位置可以用三维坐标(X、Y、Z)和三个旋转角度(A、B、C)来描述其位姿。
二、点云:
点云是由大量离散点组成的一种三维数据表示形式,每个点都包含了在三维空间中的坐标位置信息。点云通常是通过激光获取、雷达获取、结构光获取等技术获取的,它可以用来表示物体的三维形状、表面特征,以及环境的三维结构等信息。
随着人们对鞋子的质量和外观相关要求越来越高,相关技术中,工业化生产鞋子是用成像机构获取鞋子的点云模型,再从模板点云中调用与该点云模型类似的第二点云模型,成像机构通过匹配算法将两片点云对比进行重合,把重合数据发送给机器人,机器人按照第二点云模型来对点云模型进行加工。
在相关技术中,尽管成像机构会通过匹配算法将两片点云进行重合获取重合数据,但是这个过程中匹配算法并不是很精确,导致该重合数据不够精准,数据误差较大,从而会降低最终的鞋子产品质量。
请参阅图1是本申请实施例中定位轨迹纠偏方法的一个流程示意图;
101、在确定当前获取到的第一点云后,确定与第一点云对应的第二点云,该第一点云是指当前准备要加工的目标区域不同部分的点数据的集合;该第二点云是指从数据库中筛选出的、与第一点云相对应的点云;
成像机构获取当前目标区域不同部位,该成像机构可以是扫描仪,也可以是结构光相机。成像机构根据这些不同部位获取到相应部位的点数据,从而可以得到目标区域的不同点数据集合,第一点云则是当前要加工的点数据的集合;该目标区域可以是鞋底、鞋帮或是其他用户设定的目标范围;该加工可以是对目标区域的打粗或者刷胶或者其他用户设定的加工方式。
成像机构在获取第一点云之前,通过获取数据库获得对应多种模板鞋的模板点云,该数据库可以是本地不同码数、不同左右脚的模板鞋的点云库。在这之后,将对应目标区域的点云储存在成像机构的存储器中,以便于后续加工匹配时直接从存储器中读取,这样能提高点云匹配效率。
成像机构可以在获取第一点云的同时,读取第一点云中各个点数据的大小、姿态。
在确定第一点云中各个点数据的大小、姿态的情况下,从数据库中读取出与第一点云中各个点数据的大小、姿态一样的点云,该点云即为第二点云。
1.在通过第一算法得到第一点云相较于第二点云的第一旋转量和第一偏移量之后,结合该第一旋转量与该第一偏移量得到第一数据;
在通过第一算法计算得到第一点云相较于第二点云的第一旋转量与第一偏移量之后,将第一旋转量与第一偏移量结合,最终得到第一数据,该第一数据包括第一点云以第二点云的姿态为基准,向第二点云旋转偏移的旋转量与偏移量的结合;该第一算法可以是设定的粗定位算法,该第一算法能使得第一点云与第二点云之间的对应特征点的平均距离控制在设定的范围之内。
103、基于该第一数据控制该第一点云向第二点云进行旋转偏移,得到第一旋转偏移结果;该第一旋转偏移结果为该第一点云与该第二点云之间对应特征点的第一平均距离控制在a毫米内;
在获得第一数据后,成像机构控制该第一点云向第二点云所在的位置方向旋转偏移相应第一数据的旋转量和偏移量。当第一点云完成旋转偏移后,得到最终的第一旋转偏移结果。该第一旋转偏移结果可以是第一点云与第二点云之间对应特征点的平均距离在a毫米以内,其中,a的取值范围为1至5,包括1和5,例如可以为2、3、4,本实施例中可以选为a=3。
第一点云与第二点云之间的对应特征点是指,第一点云的第一特征部分中的点数据对应第二点云的第一特征部分中的点数据。例如,第一点云中的鞋尖部分的点数据对应第二点云中的鞋尖部分的点数据。
第一平均距离是指粗定位后两片点云之间对应特征点的距离的平均值;
成像机构可以通过粗定位算法获得第一点云相较于第二点云的偏移与旋转的第一数据XYZABC1;
成像机构控制第一点云朝第二点云旋转偏移该第一数据XYZABC1,在旋转偏移该数据之后,两片点云之间对应特征点的第一平均距离限制在设定范围以内。
104、基于该第一旋转偏移结果,在通过第二算法得到该第一点云相较于第二点云的第二旋转量和第二偏移量后,结合该第二旋转量和第二偏移量得到第二数据;
在控制第一点云完成旋转偏移第一数据的情况下,成像机构通过第二算法得到旋转偏移第一数据后的第一点云与第二点云之间的偏移量与旋转量,结合该偏移量与旋转量得到第二数据,该第二数据包括第一点云以第二点云的姿态为基准,向第二点云旋转偏移的旋转量与偏移量的结合。该第二算法可以是设定的精定位算法,该第二算法能使得第一点云与第二点云之间的对应特征点的平均距离控制在另一个设定的范围之内。
105、基于第二数据控制第一点云向第二点云进行旋转偏移,得到第二旋转偏移结果;该第二旋转偏移结果为该第一点云与该第二点云之间对应特征点的第二平均距离控制在b毫米内,b<a;
在获得第二数据之后,成像机构控制第一点云向第二点云的位置方向进行旋转偏移相应的第二数据,获得第二旋转偏移结果。该第二旋转偏移结果可以是第一点云与第二点云之间对应特征点的第二平均距离控制在b毫米内,b<a,其中,b的取值范围为0.1至0.5,包括0.1和0.5,例如可以为0.2、0.3、0.4,本实施例中可以选为b=0.2;
第二平均距离是指精定位后两片点云之间对应特征点的距离的平均值。
105、将第二旋转偏移结果发送给机器人来生成控制加工移动轨迹。
在成像机构控制第一点云向第二点云位置方向旋转偏移第二数据的情况下,获得相应的第二旋转偏移结果,成像机构将匹配之后的第二旋转偏移结果发送给机器人,在机器人接收到成像机构发来的第二旋转偏移结果后,根据该数据确定第一点云的大小、位置与姿态,进一步生成控制加工的移动轨迹。
在相关技术中,将第一点云先粗匹配第二点云,再将第一点云精匹配第二点云的过程中能减少点云的计算量,进而提高了获取两片点云偏移与旋转数据的计算效率。进行两次点云匹配,最后再进行精匹配,将两片点云的误差控制在b毫米以内,能有效提高机器人加工的精准度,让鞋子外观更标准完美;除此之外,相关技术中鞋子生产采用高精度楦头,该高精度楦头的金钱成本是普通楦头的6-10倍,因此该高精度楦头只能小规模应用,然而在本申请技术中年,通过先粗再精的点云匹配过程,节省了利用对高精度楦头的投资,直接利用点云对齐的方式来对鞋子进行加工,有效地降低了生产成本,与此同时,利用算法将点云对齐可以大规模应用于鞋子加工领域,有助于促进鞋子加工业的发展。
请参阅图2是本申请实施例中定位轨迹纠偏方法的另一个流程示意图。
201、获取第一点云,该第一点云是指当前要加工的鞋子不同部分的点数据的集合;
成像机构通过获取获得当前要加工的鞋子不同部分的点数据集合,获得第一点云。
202、确定与第一点云对应的第二点云,该第二点云是指从本地不同码数、不同左右脚的鞋的模板点云库中筛选出的、与第一点云大小、姿态相符的点云;
在成像机构获取到第一点云的同时,获取第一点云中的点数据的大小、姿态,再从事先通过获取而储存的本地不同码数、不同左右脚的鞋的模板点云库中筛选出与第一点云中点数据大小、姿态一样的点云,获得第二点云。
203、通过粗定位算法得到的两个点云的偏移与旋转的第一数据,控制第一点云旋转偏移该第一数据,获得第一旋转偏移结果;
成像机构通过粗定会算法获取到第一点云相较于第二点云的第一偏移量与第一旋转量,将该第一旋转量与第一偏移量结合得到第一点云相较于第二点云的偏移与旋转的第一数据XYZABC1,在确定该第一数据之后,控制第一点云朝第二点云方向旋转偏移该第一数据XYZABC1,在第一点云旋转偏移该第一数据的偏移量与旋转量之后,得到第一旋转偏移结果。
204、判断第一旋转偏移结果中的第一点云中点云与对应第二点云中的点数据之间对应特征点的第一平均距离是否大于a毫米;
在成像机构控制第一点云旋转偏移第一数据XYZABC1后,获取第一旋转偏移结果中的第一点云中点数据与对应第二点云中的点数据之间对应特征点,计算此时对应特征点之间的距离,该距离可以是多个,根据该距离计算出第一平均距离,判断该第一平均距离是否大于a毫米。
例如第一点云中鞋尖部分的一个点数据为A1点,其对应的特征点为第二点云中鞋尖部分的一个相应点数据B1点,A1点与B1点之间的距离a毫米;第一点云中鞋尖部分的另一个点数据为A2点,其对应的特征点为第二点云中鞋尖部分的一个相应点数据B2点,A2点与B2点之间的距离2.1mm;第一点云中鞋尖部分的另一个点数据为A3点,其对应的特征点为第二点云中鞋尖部分的一个相应点数据B3点,A3点与B3点之间的距离2.4mm,则多个对应特征点的第一平均距离为(3+2.1+2.4)/3,即为2.5mm。
若该第一平均距离不大于a毫米,则执行步骤205;
若该第一平均距离大于a毫米,则执行步骤211。
205、基于第一旋转偏移结果,通过精定位算法得到的第一点云与第二点云的偏移与旋转第二数据后,控制第一点云向第二点云旋转偏移该第二数据,获得第二旋转偏移结果;
在确定第一旋转偏移结果中的第一点云的姿态、大小与第二点云的姿态、大小的情况下,成像机构通过精定位算法求得第一点云相较于第二点云的第二旋转量与第二偏移量,结合该第二旋转量与第二偏移量获得第一点云相较于第二点云的另一个更精确的偏移与旋转第二数据XYZABC2。
成像机构在控制第一点云朝第二点云方向旋转偏移该第二数据之后,能使得两片点云之间的距离变小,从而能有效提高鞋子加工的精细度,在控制第一点云旋转偏移该第二数据后,获得第二旋转偏移结果,该第二旋转结果中的第一点云与第二点云之间的平均距离比第一旋转偏移结果更小。
206、判断第二旋转偏移结果中的第一点云中的点数据与对应第二点云中的点数据之间对应特征点的第二平均距离是否大于b毫米,b<a;
在成像机构将第一点云朝第二点云方向旋转偏移第二数据XYZABC2的情况下,获取旋转偏移第二数据后的第一点云中点数据与对应第二点云中的点数据之间对应特征点,计算此时对应特征点之间的距离,该距离可以是多个,根据该距离计算出第二平均距离,判断该第二平均距离是否大于b毫米。
该第二平均距离的计算方法与比较与步骤204类似,此处不再赘述。这一步骤能提高第一点云与第二点云的匹配度,让后续产品加工能更精准。
若该第二平均距离不大于b毫米,则执行步骤207;
若该第二平均距离大于b毫米,则执行步骤214。
207、将该第二旋转偏移结果发送给机器人;
在确定精匹配后的第一点云中的点数据与对应第二点云中的点数据之间对应特征点的平均距离不大于b毫米的情况下,成像机构在控制第一点云旋转偏移第二数据后获得的第二旋转偏移结果发送给机器人,以便于后续机器人按照该第二旋转偏移结果来生成加工轨迹来加工。
208、机器人根据该第二旋转偏移结果来生成控制加工移动轨迹;
在机器人接收到成像机构发送过来的第二旋转偏移结果之后,根据该第二旋转偏移结果生成鞋子加工轨迹,后续可以根据该加工轨迹来对鞋子进行加工。
209、启动第hn+1次重新粗匹配操作,hn初始赋值为0;
在确定粗定位时的第一点云中点数据与对应第二点云中的点数据之间对应特征点的平均距离大于a毫米的情况下,成像机构开始启动那个第hn+1次重新粗匹配操作,hn最初的值为0。这样能将一些不符合对应特征点的平均距离在a毫米以内的点云再次进行匹配,以确保不漏掉有用的点云,这样能为后续机器人生成加工轨迹提供更多有用的点云,从而能生成更精准的加工轨迹。
210、累计粗匹配次数hn+1=hn+1;
在确定成像机构启动第hn+1次重新粗匹配操作的情况下,成像机构记录累计粗匹配次数为hn+1=hn+1。
211、判断hn+1是否大于g,该g为用户预设粗匹配次数;
在成像机构记录累计粗匹配次数为hn+1=hn+1的情况下,判断此时的hn+1是否大于g,该g为用户预设粗匹配次数。这样,就能多次粗匹配从而提高粗匹配结果的精度,为接下来的精匹配提供了基础。
若是hn+1大于g,则执行步骤215;
若是hn+1不大于g,则执行步骤202。
212、启动第kn+1次重新精匹配操作,kn初始赋值为0;
在确定粗定位时的第一点云中点数据与对应第二点云中的点数据之间对应特征点的平均距离大于b毫米的情况下,成像机构开始启动那个第kn+1次重新粗匹配操作,kn最初的值为0。就算对应特征点之间的平均距离不满足要求,也会再次进行精匹配算法,成像机构再次根据该精匹配算法得出两片点云之间的偏移与旋转第二数据,再次做出精匹配调整。这样,不会因为一次的计算存在误差或者算法误差就把一些重要的点云遗漏掉,能为后面机器人生成加工轨迹提供更加精准的数据。
213、累计精匹配次数kn+1=kn+1;
在确定成像机构启动第kn+1+1次重新粗匹配操作的情况下,成像机构记录累计精匹配次数为kn+1=kn+1。
214、判断kn+1是否大于j,该j为用户预设精匹配次数;
在成像机构记录累计精匹配次数为kn+1=kn+1的情况下,判断此时的kn+1是否大于j,该j为用户预设精匹配次数。这样,就能多次精匹配从而提高精匹配结果的精度,进而提升了机器人生成加工轨迹的精确度。
215、将相应的点云舍弃掉。
该相应的点云一是指在累计粗匹配次数hn+1大于用户预设粗匹配次数g的情况下,粗匹配后的第一点云中点数据与对应第二点云中的点数据之间对应特征点的平均距离还是大于a毫米的点云;二是在累计精匹配次数kn+1大于用户预设精匹配次数j的情况下,精匹配后的第一点云中的点数据与对应第二点云中的点数据之间对应特征点的平均距离还是大于b毫米的点云。
将上述相应的点云舍弃掉,能去掉距离不在粗精匹配范围内的点云从而减少点云的计算量,进而提高点云匹配数据的计算效率。
在上述实施例中,成像机构对第一点云先进行粗匹配,对不符合范围条件的点云可以按照用户设定次数进行多次粗匹配,这样不仅能避免成像机构错误地把距离符合条件的点云除去,还能为后续精匹配提供完整的待精匹配点云;另外成像机构对第一点云再先进行精匹配,对不符合范围条件的点云可以按照用户设定次数进行多次精匹配,将两片点云之间的对应特征点的平均距离控制在b毫米以内,能提高点云的精度,方便后续将精匹配数据发给机器人后能生成更精准的加工轨迹,从而提高了产品质量;此外,要加工什么码数或者大小的鞋子,可以直接从数据库中调用对应的码数或者大小的模板点云,直接按照该模板点云对要加工的鞋子进行加工,可以实现多种码数、多种大小或者左右脚的鞋子加工,进而满足了多样化生产需求。
在一些实施例中,点云进行粗匹配之前还要进行预处理,预处理步骤可以将噪点点云去除,进而减少点云计算量。请参阅图3是本申请实施例中定位轨迹纠偏方法的另一个流程示意图。
301、对第一点云中的点数据进行特征提取;
成像机构检测第一点云中的点数据对应的不同特征,并读取其中不同的点数据对应的特征。该特征可以根据点云的曲率、法向量和表面平滑度计算而得。
302、根据特征提取的点数据将第一点云划分为三大特征部分;
在成像机构提取到第一点云中的点数据特征的情况下,根据该特征将提取到的点数据划分为三大部分,可以是鞋尖部分,鞋中部分,鞋后跟部分,也可以是其他的划分部分,此处不作限定。
303、给该三大特征部分的不同点数据排序;
成像机构对上述三大特征部分的不同点数据排序,该排序可以是按照自然数顺序从小到大排序,每个点数据的大小、姿态都是不同的,所以在该排序中不会有重复的序号。
304、在该点数据排序中确定采样间隔大小,该间隔大小可以是用户根据三大特征部分而设定的不同间隔值;
成像机构接收到用户在三大特征部分而设定的相应的不同间隔值,确定每个特征部分对应的采样间隔大小,这样成像机构就可以根据用户需求来保留相应的点云。
305、在该点数据排序中依据设定规则保留三大特征部分的重要点云,该设定规则可以是在三大特征部分筛选保留对应采样间隔大小的点数据;
成像机构将通过设定规则而保留下来的点云确定为重要点云,该设定规则可以是在三大特征部分筛选保留对应采样间隔大小的点数据。例如,以鞋尖部分排序为第一号的点数据为例,用户设置的鞋尖部分的采样间隔为5,则在鞋尖部分的点数据中,与第一号相距5个间隔的点数据排序是第六号,则将第一号与第六号之间的点数据去除保留第六号,与第六号相距5个间隔的点数据排序是第十一号,则保留第十一号,以此类推。
这样能方便第一点云预处理时可以根据不同特征来规划不同部分中点数据数量,例如鞋尖部分曲率大,特征变化明显,则在预处理时可以在鞋尖部分设置的采样间隔小一些,鞋中部分曲率小,曲线变化不大,相应地,在鞋中部分的采样间隔可以大一些。
306、通过拟合方法对保留下的点数据进行重建得到最终的第一点云。
成像机构根据保留下来的点云数据特征,选择合适的曲线或曲面进行拟合,可以使用最小二乘法拟合直线或平面,生成平滑的曲面或网格模型。对保留下的点数据进行拟合能更好地把这些点数据之间的关系呈现出来,通过拟合对保留下来的点数据进行重建获得最终的第一点云,这样能保持点云的完整性和准确性。
在得到最终的第一点云后,执行步骤201。
在相关技术中,成像机构对当前获取到的即将要加工的目标点云先进行预处理,一方面能将噪点点云去掉,进而减少点云的计算量;另一方面,能在去掉噪点点云的同时还能保持原来点云的完整性不会损坏点云边缘信息等重要信息。
在一些实施例中,两片点云进行对齐的过程中,可以多次调整两片点云对齐,以提高精准度。在两片点云对齐后,可以对点云进行平滑处理以得到更加精确的点云模型。请参阅图4是本申请实施例中定位轨迹纠偏方法的另一个流程示意图。
401、将第一点云与第二点云进行对齐,第n次调整第一点云中点数据的位置和姿态,使其与第二点云中姿态一样的点数据重合,该n初始赋值为1;
成像机构在对第一点云进行精匹配后,在将第一点云与第二点云对齐,调整第一点云中点数据的位置和姿态,使其与第二点云中姿态一样的点数据重合。为了提高对齐的精准度,可以多次对第一点云进行调整,这里成像机构记录第n次调整,其中n初始赋值为1。
402、判断n是否不大于m,m为用户设定的最多调整次数;
在成像机构对第一点云进行了第n次调整的情况下,判断n是否不大于m,其中m为用户设定的最多调整次数。例如用户设定成像机构最多调整3次,此时成像机构已经调整了2次,即n=2,此时2不大于3,则执行下一步骤。
若n不大于m,则执行406步骤;
若n大于m,则执行403步骤。
403、将第一点云按照计算得到的偏移和旋转关系进行变换,使其与第二点云对应到同一坐标系中;
在步骤207中,成像机构给机器人发送的第二数据与第一点云所在坐标系不一定是和第二点云所在的坐标系相同,在成像机构将第二数据发送给机器人之前,成像机构以第二点云所在的坐标系为标准坐标系,计算出在标准坐标系中的第一点云的偏移与旋转关系,按照该关系对第一点云进行坐标变换。
第一数据所在的坐标系若是与标准坐标系不相同,则在发送给机器人之后,机器人根据该第一数据确定第一点云的位置姿态,进而生成加工轨迹,在这个过程中会出现误差。相应地,将第一点云与第一数据与第二点云对应到同一坐标系中能避免机器人在生成加工轨迹的过程中产生误差,进而提高产品加工的质量。
404、对于变换后的第一点云,可以再次使用配准算法进行精细对齐,以进一步提高匹配精度,再次使用算法对其的次数可以是用户自行设定的;
在成像机构对第一点云所在的坐标系进行变换后,两片点云则是处于同一坐标系中,此时,可以再次使用配准算法控制第一点云与第二点云进行精细对齐,以进一步提高匹配精度,再次使用算法对齐的次数可以是用户自行设定的。
405、在对齐完成后,在对点云进行平滑处理以得到更加精确的第一点云模型后,计算此时第一点云相较于第二点云的偏移量与旋转量获得第二数据;
在成像机构完成用户设定的多次对齐两片点云的情况下,可以对此时的第一点云进行点云的平滑处理以得到更加精确的第一点云模型。该平滑处理能对第一点云中离散的点云数据进行去除噪声和不必要的细节,使其能够更加平缓和稳定,从而提高数据的可读性和可靠性。
在对第一点云进行平滑处理后,成像机构计算此时第一点云相较于第二点云的的偏移量与旋转量,并结合该偏移量与旋转量获得第二数据,再执行图2中的207步骤。
406、记录累计调整次数n=n+1。
在累计调整次数n不大于用户设定的最多调整次数m的情况下,记录累计调整次数n=n+1,再执行步骤401。
在上述实施例中,能控制精匹配之后的第一点云多次对齐第二点云,进一步提高了两片点云之间的匹配精度,进而能有效提高机器人加工产品的质量。
下面从模块的角度介绍本申请实施例中的定位轨迹纠偏设备。请参阅图5,为本申请实施例中定位轨迹纠偏的一个模块结构示意图。
点云确认模块501,用于在确定当前获取到的第一点云后,确定与该第一点云对应的第二点云,该第一点云是指当前准备要加工的目标区域不同部分的点数据的集合;该第二点云是指从数据库中筛选出的、与该第一点云相对应的点云;
第一数据获得模块502,用于在通过第一算法得到第一点云相较于第二点云的第一旋转量和第一偏移量之后,结合该第一旋转量与该第一偏移量得到第一数据;
第一结果获得模块503,用于基于该第一数据控制该第一点云向第二点云进行旋转偏移,得到第一旋转偏移结果;该第一旋转偏移结果为该第一点云与该第二点云之间对应特征点的第一平均距离控制在a毫米内;
第二数据获得模块504,用于基于该第一旋转偏移结果,在通过第二算法得到该第一点云相较于第二点云的第二旋转量和第二偏移量后,结合该第二旋转量和第二偏移量得到第二数据;
第二结果获得模块505,基于该第二数据控制该第一点云向第二点云进行旋转偏移,得到第二旋转偏移结果;该第二旋转偏移结果为该第一点云与该第二点云之间对应特征点的第二平均距离控制在b毫米内,b<a;
发送模块506,用于将该第二旋转偏移结果发送给机器人来生成控制加工轨迹。
在一些实施例中,该第一结果获得模块503具体可以包括:
第一判断单元5031,用于判断此时的该第一点云中点数据与对应该第二点云中的点数据之间对应特征点的第一平均距离是否大于a毫米;
第一启动单元5032,用于若该第一平均距离是否大于a毫米,则启动第hn+1次重新粗匹配操作,该hn初始赋值为0。
在一些实施例中,该第二结果获得模块505具体可以包括:
第二判断单元5051,用于判断此时的该第一点云中的点数据与对应该第二点云中的点数据之间对应特征点的第二平均距离是否大于b毫米;
第二启动单元5052,用于若该第二平均距离是否大于b毫米,则启动第kn+1次重新精匹配操作,该kn初始赋值为0。
在一些实施例中,该点云确认模块501具体可以包括:
特征提取单元5011,用于对该第一点云中的点数据进行特征提取;
划分单元5012,用于根据特征提取的点数据将该第一点云划分为多个特征部分;
点数据保留单元5013,用于在每个特征部分中,根据点数据的排序进行间隔采样,保留重要点数据,得到下采样数据;
重建下采样数据单元5014,用于通过拟合方法对该下采样数据进行重建得到最终的第一点云。
在一些实施例中,该发送模块506具体可以包括:
点数据调整单元5061,用于将该第一点云向第二点云进行对齐,第n次调整第一点云中点数据的位置和姿态,使其与第二点云中姿态一样的点数据重合,该n初始赋值为1;
第三判断单元5062,用于判断该n是否不大于该m,该m为用户设定的最多调整次数;
关系变换单元5063,用于若该n大于该m,则将该第一点云中按照计算得到的偏移和旋转关系进行变换,使其与该第二点云对应到同一坐标系中;
第一点云再次匹配单元5064,用于对于变换后的第一点云,确定再次使用配准算法进行精细对齐,以进一步提高匹配精度,该再次使用算法对齐的次数是用户自行设定的;
点云平滑处理单元5065,用于在对齐完成后,在对点云进行平滑处理以得到更加精确的第一点云模型后,计算此时的偏移与旋转第二数据。
在一些实施例中,该第二结果获得模块505具体还可以包括:
粗匹配次数累计单元5053,用于累计粗匹配次数hn+1=hn+1;
第四判断单元5054,用于判断该hn+1是否大于g,该g为用户预设粗匹配次数;
第一点云舍弃单元5055,用于若该hn+1大于该g,将相应的点云舍弃掉。
在一些实施例中,该第二结果获得模块505具体还可以包括:
精匹配累计单元5056,用于累计精匹配次数kn+1=kn+1;
第五判断单元5057,用于判断该kn+1是否大于j,该j为用户预设精匹配次数;
第二点云舍弃单元5058,若该kn+1大于该j,将相应的点云舍弃掉。
上面从模块化功能实体的角度对本申请实施例中的定位轨迹纠偏设备进行描述,下面从硬件处理的角度对本发明申请实施例中的定位轨迹纠偏设备进行描述,请参阅图6,为本发明实施例中定位轨迹纠偏设备的一个硬件结构示意图。
该定位轨迹纠偏设备600包括:一个或多个处理器601(图6以一个处理器601为例)、存储器602和成像机构603、输入设备604和输出设备605。在本发明的一些实施例中,处理器601、存储器602、成像机构603、输入设备604和输出设备605可通过总线或其它方式连接,其中,图6中以通过总线连接为例。
其中,处理器601通过调用该计算机指令以使得该计算机程序被处理器执行时以实现本申请实施例中的定位轨迹纠偏方法。
存储器602用于存储计算机程序代码,该计算机程序代码包括计算机指令。
成像机构603用于获取当前要加工的产品的点云。
输入设备604用于输入获取到模板鞋子点云和即将要加工的目标区域的点云。
输出设备605用于向机器人输出偏移量数据。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的定位轨迹纠偏设备的限定,具体的定位轨迹纠偏设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本申请实施例还提供了一种计算机可读存储介质,包括指令,当该指令在该定位轨迹纠偏设备上运行时,可以使得该定位轨迹纠偏设备执行本申请实施例中的定位轨迹纠偏方法。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
上述实施例中所用,根据上下文,术语“当…时”可以被解释为意思是“如果…”或“在…后”或“响应于确定…”或“响应于检测到…”。类似地,根据上下文,短语“在确定…时”或“如果检测到(所陈述的条件或事件)”可以被解释为意思是“如果确定…”或“响应于确定…”或“在检测到(所陈述的条件或事件)时”或“响应于检测到(所陈述的条件或事件)”。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如DVD)、或者半导体介质(例如固态硬盘)等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,该流程可以由计算机程序来指令相关的硬件完成,该程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法实施例的流程。而前述的存储介质包括:ROM或随机存储记忆体RAM、磁碟或者光盘等各种可存储程序代码的介质。
Claims (10)
1.一种定位轨迹纠偏方法,其特征在于,包括:
在确定当前获取到的第一点云后,确定与所述第一点云对应的第二点云,所述第一点云是指当前准备要加工的目标区域不同部分的点数据的集合;所述第二点云是指从数据库中筛选出的、与所述第一点云相对应的点云;
在通过第一算法得到所述第一点云相较于所述第二点云的第一旋转量和第一偏移量之后,结合所述第一旋转量与所述第一偏移量得到第一数据;
基于所述第一数据控制所述第一点云向第二点云进行旋转偏移,得到第一旋转偏移结果;所述第一旋转偏移结果为所述第一点云与所述第二点云之间对应特征点的第一平均距离控制在a毫米内;
基于所述第一旋转偏移结果,在通过第二算法得到所述第一点云相较于所述第二点云的第二旋转量和第二偏移量后,结合所述第二旋转量和所述第二偏移量得到第二数据;
基于所述第二数据控制所述第一点云向所述第二点云进行旋转偏移,得到第二旋转偏移结果;所述第二旋转偏移结果为所述第一点云与所述第二点云之间对应特征点的第二平均距离控制在b毫米内,b<a;
将所述第二旋转偏移结果发送给机器人来生成控制加工轨迹。
2.根据权利要求1所述的方法,其特征在于,在所述基于所述第一数据控制所述第一点云向第二点云进行旋转偏移,得到第一旋转偏移结果;所述第一旋转偏移结果为所述第一点云与所述第二点云之间对应特征点的第一平均距离控制在a毫米内的过程中,具体包括:
判断所述第一点云中的点数据与对应所述第二点云中的点数据之间对应特征点的第一平均距离是否大于a毫米;
若所述第一平均距离大于a毫米,则启动第hn+1次重新粗匹配操作,所述hn初始赋值为0。
3.根据权利要求1所述的方法,其特征在于,在所述基于所述第二数据控制所述第一点云向所述第二点云进行旋转偏移,得到第二旋转偏移结果;所述第二旋转偏移结果为所述第一点云与所述第二点云之间对应特征点的第二平均距离控制在b毫米内,b<a的过程中,具体包括:
判断此时的所述第一点云中的点数据与对应所述第二点云中的点数据之间对应特征点的第二平均距离是否大于b毫米;
若所述第二平均距离大于b毫米,则启动第kn+1次重新精匹配操作,所述kn初始赋值为0。
4.根据权利要求1所述的方法,其特征在于,在确定当前获取到的第一点云后,确定与所述第一点云对应的第二点云的步骤之前,所述方法还包括:
对所述第一点云中的点数据进行特征提取;
根据特征提取的点数据将所述第一点云划分为多个特征部分;
在每个特征部分中,根据点数据的排序进行间隔采样,保留重要点数据,得到下采样数据;
通过拟合方法对所述下采样数据进行重建得到最终的第一点云。
5.根据权利要求1所述的方法,其特征在于,在所述将所述第二旋转偏移结果发送给机器人来生成控制加工轨迹的步骤之前,所述方法还包括:
将所述第一点云向第二点云进行对齐,确定第n次调整第一点云中点数据的位置和姿态,使其与第二点云中姿态一样的点数据重合,所述n初始赋值为1;
判断所述n是否大于所述m,所述m为用户设定的最多调整次数;
若所述n大于所述m,则将所述第一点云中按照计算得到的偏移和旋转关系进行变换,使其与所述第二点云对应到同一坐标系中;
对于变换后的第一点云,确定再次使用配准算法进行精细对齐,以进一步提高匹配精度;
在对齐完成后,在对点云进行平滑处理以得到更加精确的第一点云模型后,计算此时第一点云相较于第二点云的偏移量与旋转量获得第二数据。
6.根据权利要求3所述的方法,其特征在于,在所述若所述第一平均距离是否大于a毫米,则启动第hn+1次重新粗匹配操作的过程中,具体包括:
累计粗匹配次数hn+1=hn+1;
判断所述hn+1是否大于g,所述g为用户预设粗匹配次数;
若所述hn+1大于所述g,将相应的点云舍弃掉。
7.根据权利要求3所述的方法,其特征在于,在所述若所述第二平均距离是否大于b毫米,则启动第kn+1次重新精匹配操作的过程中,具体包括:
累计精匹配次数kn+1=kn+1;
判断所述kn+1是否大于j,所述j为用户预设精匹配次数;
若所述kn+1大于所述j,将相应的点云舍弃掉。
8.一种定位轨迹纠偏装置,其特征在于,所述定位轨迹纠偏装置包括:
点云确认模块,用于在确定当前获取到的第一点云后,确定与所述第一点云对应的第二点云,所述第一点云是指当前准备要加工的目标区域不同部分的点数据的集合;所述第二点云是指从数据库中筛选出的、与所述第一点云相对应的点云;
第一数据获得模块,用于在通过第一算法得到第一点云相较于第二点云的第一旋转量和第一偏移量之后,结合所述第一旋转量与所述第一偏移量得到第一数据;
第一结果获得模块,用于基于所述第一数据控制所述第一点云向第二点云进行旋转偏移,得到第一旋转偏移结果;所述第一旋转偏移结果为所述第一点云与所述第二点云之间对应特征点的第一平均距离控制在a毫米内;
第二数据获得模块,用于基于所述第一旋转偏移结果,在通过第二算法得到所述第一点云相较于第二点云的第二旋转量和第二偏移量后,结合所述第二旋转量和第二偏移量得到第二数据;
第二结果获得模块,基于所述第二数据控制所述第一点云向第二点云进行旋转偏移,得到第二旋转偏移结果;所述第二旋转偏移结果为所述第一点云与所述第二点云之间对应特征点的第二平均距离控制在b毫米内,b<a;
发送模块,用于将所述第二旋转偏移结果发送给机器人来生成控制加工轨迹。
9.一种定位轨迹纠偏设备,其特征在于,所述定位轨迹纠偏设备包括:一个或多个处理器、存储器和成像机构;所述成像机构用于获取产品的点云;所述存储器与所述一个或多个处理器耦合,所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令,所述一个或多个处理器调用所述计算机指令以使得所述定位轨迹纠偏设备执行如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,包括指令,其特征在于,当所述指令在定位轨迹纠偏设备上运行时,使得所述定位轨迹纠偏设备机执行如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310623050.4A CN116883490B (zh) | 2023-05-29 | 2023-05-29 | 一种定位轨迹纠偏方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310623050.4A CN116883490B (zh) | 2023-05-29 | 2023-05-29 | 一种定位轨迹纠偏方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116883490A true CN116883490A (zh) | 2023-10-13 |
CN116883490B CN116883490B (zh) | 2024-02-27 |
Family
ID=88270542
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310623050.4A Active CN116883490B (zh) | 2023-05-29 | 2023-05-29 | 一种定位轨迹纠偏方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116883490B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2573734A2 (en) * | 2011-09-23 | 2013-03-27 | Honeywell International Inc. | Systems and methods for evaluating plane similarity |
WO2018102190A1 (en) * | 2016-11-29 | 2018-06-07 | Blackmore Sensors and Analytics Inc. | Method and system for classification of an object in a point cloud data set |
CN110264502A (zh) * | 2019-05-17 | 2019-09-20 | 华为技术有限公司 | 点云配准方法和装置 |
CN114155168A (zh) * | 2021-12-08 | 2022-03-08 | 武汉中海庭数据技术有限公司 | 一种全自动点云数据的偏移纠正方法及系统 |
-
2023
- 2023-05-29 CN CN202310623050.4A patent/CN116883490B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2573734A2 (en) * | 2011-09-23 | 2013-03-27 | Honeywell International Inc. | Systems and methods for evaluating plane similarity |
WO2018102190A1 (en) * | 2016-11-29 | 2018-06-07 | Blackmore Sensors and Analytics Inc. | Method and system for classification of an object in a point cloud data set |
CN110264502A (zh) * | 2019-05-17 | 2019-09-20 | 华为技术有限公司 | 点云配准方法和装置 |
CN114155168A (zh) * | 2021-12-08 | 2022-03-08 | 武汉中海庭数据技术有限公司 | 一种全自动点云数据的偏移纠正方法及系统 |
Non-Patent Citations (1)
Title |
---|
薛珊;吕?;吕琼莹;刘正彬;郭建波;: "基于点云几何信息改进的自动配准方法", 制造业自动化, no. 01, pages 88 - 92 * |
Also Published As
Publication number | Publication date |
---|---|
CN116883490B (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2014528057A (ja) | 物体の姿勢を推定するための方法 | |
US20040041804A1 (en) | Apparatus and method for generating a three-dimensional representation from a two-dimensional image | |
US20010053204A1 (en) | Method and apparatus for relative calibration of a mobile X-ray C-arm and an external pose tracking system | |
JP2014102608A (ja) | 3次元物体認識装置および3次元物体認識方法 | |
CN114355953B (zh) | 一种基于机器视觉的多轴伺服系统的高精度控制方法及系统 | |
CN111820545A (zh) | 一种结合离线与在线扫描自动生成鞋底喷胶轨迹的方法 | |
CN115810133B (zh) | 基于图像处理和点云处理的焊接控制方法及相关设备 | |
CN113554757A (zh) | 基于数字孪生的工件轨迹三维重构方法及系统 | |
CN109448062A (zh) | 一种相机标定方法、装置、终端设备及存储介质 | |
CN116883490B (zh) | 一种定位轨迹纠偏方法和装置 | |
CN113319859A (zh) | 一种机器人示教方法、系统、装置及电子设备 | |
CN101122950A (zh) | 指纹弹性形变矫正的方法及装置 | |
CN109581964B (zh) | 控制装置、控制装置的控制方法以及记录媒体 | |
CN110992416A (zh) | 基于双目视觉与cad模型的高反光面金属零件位姿测量方法 | |
CN116263622A (zh) | 手势识别方法、装置、电子设备、介质及程序产品 | |
CN111546337B (zh) | 基于自由曲面的工业机器人全覆盖路径生成方法及系统 | |
CN111526297B (zh) | 曲面屏图像采集方法、装置及终端设备 | |
JP2012078105A (ja) | 姿勢制御装置、制御方法及びプログラム | |
JPH05150835A (ja) | ロボツトによる組み立て装置 | |
CN116725295A (zh) | 一种鞋帮加工工艺及系统 | |
Chen et al. | The trajectory planning system for spraying robot based on k-means clustering and NURBS curve optimization | |
JP4758218B2 (ja) | 3次元パターン位置・姿勢検出装置 | |
JPH085333A (ja) | 3次元位置姿勢認識装置 | |
JP6766229B2 (ja) | 位置姿勢計測装置及び方法 | |
Londoño Lopera et al. | Positioning of the cutting tool of a CNC type milling machine by means of digital image processing |
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 |