CN117162098A - 一种狭小空间机器人姿态自主规划系统及方法 - Google Patents
一种狭小空间机器人姿态自主规划系统及方法 Download PDFInfo
- Publication number
- CN117162098A CN117162098A CN202311284191.4A CN202311284191A CN117162098A CN 117162098 A CN117162098 A CN 117162098A CN 202311284191 A CN202311284191 A CN 202311284191A CN 117162098 A CN117162098 A CN 117162098A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- module
- robot
- welding
- track
- 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 52
- 238000003466 welding Methods 0.000 claims abstract description 54
- 238000001514 detection method Methods 0.000 claims abstract description 37
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 14
- 238000009499 grossing Methods 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000036544 posture Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 10
- 239000013598 vector Substances 0.000 description 14
- 230000033001 locomotion Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000010365 information processing Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010034701 Peroneal nerve palsy Diseases 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000012636 effector Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001007 puffing effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Abstract
本发明公开了一种狭小空间机器人姿态自主规划系统及方法,本发明属于机械臂路径规划领域,系统包括:采集模块,处理模块,焊缝提取模块、碰撞检测模块,轨迹规划模块;采集模块,用于采集焊接器件的点云模型数据;处理模块,用于对所述点云模型数据进行处理,得到初步点云数据;所述焊缝提取模块,用于对所述初步点云数据进行焊缝提取,得到点云焊缝;碰撞检测模块,用于对机器人的机械臂、障碍物进行碰撞检测;轨迹规划模块,用于基于点云焊缝和碰撞检测,采用多项式插值法规划机器人机械臂的轨迹路径,实现机械臂平滑地变化姿态完成轨迹焊接。本发明可以有效的满足工业上对于有轨迹焊接的需求,可用于各种狭小空间内机械臂轨迹规划作业场景。
Description
技术领域
本发明属于机械臂路径规划技术领域,尤其涉及一种狭小空间机器人姿态自主规划系统及方法。
背景技术
机械臂通常为高精度、多输入多输出、高度非线性、强耦合的复杂系统,随着机器人技术的发展,应用高速度、高精度、高负载自重比的机器人结构受到工业和航空航天领域的关注,因其独特的操作灵活性,机械臂已在工业中装配,从而满足各种高精度的工作要求。
但是,传统的机械臂轨迹规划算法的机械臂运动的平滑性较低,难以实现机械臂平滑运动从而损伤机械臂。
发明内容
本发明提出了一种狭小空间机器人姿态自主规划系统及方法,以解决上述现有技术中存在的技术问题。
为实现上述目的,本发明提供了一种狭小空间机器人姿态自主规划系统包括:采集模块,处理模块,焊缝提取模块、碰撞检测模块,轨迹规划模块;其中所述采集模块、所述处理模块、所述焊缝提取模块、所述碰撞检测模块与所述轨迹规划模块依次连接;
所述采集模块,用于采集焊接器件的点云模型数据;
所述处理模块,用于对所述点云模型数据进行处理,得到初步点云数据;
所述焊缝提取模块,用于对所述初步点云数据进行焊缝提取,得到点云焊缝;
所述碰撞检测模块,用于对机器人的机械臂、障碍物进行碰撞检测;
所述轨迹规划模块,用于基于点云焊缝和碰撞检测,采用五次多项式插值法规划机器人机械臂的轨迹路径,实现机械臂平滑地变化姿态完成轨迹焊接。
优选地,所述处理模块中,通过下采样、点云滤波、点云平滑方法对所述点云模型数据进行处理,得到初步点云数据;
所述焊缝提取模块中,通过点云配准、点云平面拟合、点云平滑、点云三角化、点云交线提取方法对所述初步点云数据进行焊缝提取,得到点云焊缝。
优选地,所述点云配准包括:粗配准和精配准,基于所述粗配准,得到初步点云数据的变换矩阵,基于所述精配准,得到同一坐标下不同姿态点云的变换矩阵。
优选地,所述点云平面拟合过程中,采用随机采样一致性算法对所述初步点云数据拟合,得到点云数据的工件平面。
优选地,所述点云平滑过程中,采用移动最小二乘法对所述初步点云数据进行加权最小二乘法计算,得到平滑点云数据。
优选地,所述点云三角化过程中,采用贪心三角网格化算法对所述平滑点云数据进行网格化,得到曲面模型。
优选地,所述点云交线提取过程中,采用随机采样一致性算法对所述工件平面拟合,得到点云交线,基于所述点云交线,通过法线估计法得到点云边界。
优选地,所述碰撞检测模块中,将机械臂模拟成圆柱体,障碍物模拟成立方体,通过碰撞检测算法对圆柱体与立方体的碰撞检测进行数学建模,其中碰撞类型包括:圆柱体与边线的碰撞、圆柱体与面的碰撞。
优选地,所述轨迹规划模块中,采用绕静轴RPY公式计算得到旋转矩阵,基于所述旋转矩阵,通过逆运动学得到机械臂每个关节角度随时间变化的连续函数,基于所述连续函数使机械臂角度、速度、加速度连续,实现机械臂平滑地变化姿态完成轨迹焊接。
为了实现技术目的,本发明还提供了一种狭小空间机器人姿态自主规划方法,包括以下步骤:
采集焊接器件的点云模型数据;
对所述点云模型数据进行处理,得到初步点云数据;
对所述初步点云数据进行焊缝提取,得到点云焊缝;
对机器人的机械臂、障碍物进行碰撞检测;
基于点云焊缝和碰撞检测,采用五次多项式插值法规划机器人机械臂的轨迹路径,实现机械臂平滑地变化姿态完成轨迹焊接。
与现有技术相比,本发明具有如下优点和技术效果:
本发明提供了在狭小空间下给定初末姿态的机械臂轨迹规划系统,弥补了现有机械臂轨迹规划运动的缺陷,可以有效的满足工业上对于有轨迹焊接的需求,可用于各种狭小空间内机械臂轨迹规划作业场景。本发明通过对机械臂和障碍物进行数学建模,得到机械臂和障碍物的碰撞检测模型,可以优化机械臂在狭小空间内的轨迹规划,提高机械臂作业的准确率。本发明通过对点云数据的一系列处理得到工件焊缝信息,十分方便的获取轨迹规划路径的坐标。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明实施例的碰撞检测算法的流程图;
图2为本发明实施例的轨迹规划算法的流程图;
图3为本发明实施例的RRT算法原理图;
图4为贪心三角化算法的模型结果示意图;
图5为最终输出的焊缝路径效果示意图;
图6为点云重建流程图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
本实施例中提供一种狭小空间机器人姿态自主规划系统,包括:
点云信息采集模块,点云信息处理模块,焊缝提取模块、碰撞检测模块,轨迹规划模块;
所述点云信息采集模块,采用专业的点云扫描工具,提取出点云模型数据;
所述点云信息处理模块,包括对点云模型数据进行下采样、点云滤波、点云平滑,得到初步点云数据;
所述焊缝提取模块,用于经过粗配准、精配准、点云三角化、点云平面提取、点云交线提取方法对初步点云数据进行焊缝提取,得到点云焊缝;
所述碰撞检测模块,将机械臂模拟成圆柱体,障碍物模拟成立方体,均作一定程度的膨化处理,对圆柱体与立方体的碰撞检测进行数学建模;
所述轨迹规划模块,采用五次多项式插值规划的方法,通过点云提取技术提取出要实现的轨迹路径,然后通过给定的初始速度,初始角度,初始加速度,结束角度,结束速度,结束加速度采用五次多项式(经过对比,五次比三次更精准)插值法规划轨迹路径,从而使机械臂速度、加速度连续,达到机械臂平滑地变化姿态以达到轨迹焊接的目的。
所述点云信息处理模块的输出信息为自建坐标系中焊缝的坐标。
所述轨迹规划模块中的位姿信息采用D-H法表示。
所述五次多项式为每个关节的角度随时间变化的函数,其中关节角度范围是(-Π,Π)。
所述轨迹规划模块中采用逆运动学求给定位姿的8组逆解,得到各个关节的转角,这里采用绕静轴RPY的公式来计算旋转矩阵。
实施例二
本实施例提供了一种狭小空间机器人姿态自主规划方法,包括以下步骤:
步骤一,采用专门的扫描设备,采集焊接器件的点云分布模型;
步骤二,将步骤一提取出的点云分布模型进行相关处理,提取出机械臂运动路线及障碍物的空间坐标;
步骤三,模型的搭建;
步骤四,轨迹规划;
步骤五,轨迹仿真。
点云重建流程图,如图6所示,在步骤一得到三维点云的扫描数据,然后进行步骤二对点云模型数据进行处理。首先对输入的三维点云扫描数据进行下采样、点云滤波、点云平滑,得到初步的点云数据,然后在经过粗配准,精配准,点云三角化,点云平面提取,点云交线提取得到点云焊缝,输出现实场景中焊缝的坐标。具体方法如下:
在获取点云数据时,由于设备精度、操作者经验、环境因素等带来的影响,以及电磁波衍射特性、被测物体表面性质变化和数据拼接配准操作过程中的影响,点云数据中将不可避免将出现一些噪声点。实际应用中,除了这些测量随机误差产生的噪声点之外,由于收到外界干扰,如视线遮挡、障碍物等因素的影响,点云数据中往往存在些离主体点云较远的离群点。
在完成点云数据的预处理后,由于点云片段是在不同的机器人坐标系下生成的,需要对不同的点云片段进行点云配准,让点云片段能够正确地拼接在一起。
但在点云配准之前,可以根据现有参数计算出大致的点云片段变换矩阵,将其作为初始变换参数,来加速点云配准的过程。
假设给定机器人坐标系(X,Y,Z,A,B,C),设世界坐标系下某点P的坐标为(x,y,z),则点P在机器人坐标系下的坐标(x’,y’,z’)满足
粗配准变换矩阵为:
在本实施例测试数据情况下,拥有多个坐标系,若有从世界坐标系W到A坐标系的变换矩阵有从世界坐标系W到B坐标系的变换矩阵/>则从坐标系B到坐标系A的变换矩阵为/>
通过上述变换矩阵,便可以把不同的点云片段统一在同一个坐标系下,以便点云拼接的进行。
点云配准的目的是求解出同一坐标下不同姿态点云的变换矩阵,利用该矩阵实现多视扫描点云的精确配准,最终获取完整的3D数字模型、场景。
使用D维的高斯函数(NDT)作为配准模型:
NDT算法通过对源点云Q进行体素划分,即求解点云Q的包围盒,并对该包围盒进行细分,对包含于不同体素的源点云分别构建高斯模型。
由于点云数据左边是基于机器人坐标系生成的,为了方便在世界坐标系下处理点云数据,需要确定点云数据的Z方向,并对点云进行变换,使其Z方向与世界坐标系Z轴一致。
本实施例使用随机采样一致性算法(RANSAC)来进行平面拟合,以找到测试数据的工件平面。RANSAC平面拟合的过程如下:
(1)在初始点云中随机选择三个点,计算其对应平面方程Ax+By+Cz+D=0;
(2)计算所有点至该平面的代数距离di=|Axi+Byi+Czi+D|,选取阈值dthreshold,若di≤dth resh old,则该点被认为是模型内样本点,否则为模型外样本点,记录当前内点的个数;
(3)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、当前迭代次数计算一个迭代结束评判因子,根据次决定是否停止迭代。
(4)迭代结束后,最佳模型参数就是最终的参数估计值。
随后针对每一个点云,选取其一定范围的其他点,计算这个点的法向量,最后对所有点的法向量取均值,便可以得到点云数据工件平面的大致Z方向,根据这个结果计算其到世界坐标系Z轴的变换矩阵。
计算方法可以采用Rodrigues公式:
对于两个向量a,b,
令v=a×b,s=||v||,c=a·b,
则旋转矩阵为
其中,[v]x为
同时,Eigen3库也提供了针对四元数的FromTwoVectors函数来计算两个向量间的旋转矩阵。
在进行点云配准和拼接的过程中,仍然存在一些误差,对于这些误差所造成的不规则数据,如果直接拿来进行曲面重建的话,会使重建的曲面不光滑或者而有漏洞。这些不规则很难用统计分析消除,所以为了建立完整的模型必须对表面进行平滑处理和漏洞修复。在不能进行额外扫描的情况下,可以通过对数据重采样来解决这一问题,重采样算法通过对周围数据点进行高阶多项式插值来重建表面缺少的部分。本实施例主要使用移动最小二乘法来进行点云平滑。
首先需要了解最小二乘法,假设有二维数据点集(xi,yi),对他拟合的函数为f(x)。则其误差平方和为
当拟合误差最小时,可以说此时的拟合效果最好,于是问题化解为求min(JLS)。
下一步,引入一个权重函数,给重要的地方加权,不重要的地方削弱它对因变量的影响。误差平方和变为
其中s为自变量x到附近样本自变量的欧几里得距离。如果想根据一组数据去估计某一个自变量x的函数值,就得计算一次!这种方法计算量相对而言大很多。同样这是一个最小化问题min(JWLS),对它求偏导,令偏导为0,此时加权误差平方和是最小的。
在点云中,移动最小二乘法就是对每个样本计算一次加权最小二乘法,使点与点之间的误差变小,因此算出来的结果便是平滑的结果。
点云平滑后,需要对点云数据进行网格化,方便后续进一步的使用。此处用贪心三角网格化算法。
贪心投影三角化的大致流程是这样的:
(1)先将点云通过法线投影到某一二维坐标平面内;
(2)然后对投影得到的点云做平面内的三角化,从而得到各点的拓扑连接关系。平面三角化的过程中用到了基于Delaunay三角剖分的空间区域增长算法;
(3)最后根据平面内投影点的拓扑连接关系确定各原始三维点间的拓扑连接,所得三角网格即为重建得到的曲面模型。
贪心三角化算法的模型结果,如图4所示。
对于目标工件而言,需要获取到待焊接工件的焊缝坐标,才能提供给焊接机器人进行自动焊接。对于这些焊缝,即是所有工件平面的交线,因此,只要能够提取所有工件平面的交线,即可获取到最终的焊缝坐标。
工件平面的获取可以通过数据模型拟合,具体步骤如下:
(1)由假定的内点拟合出一个数据模型,即根据内点重构模型的所有自由参数;
(2)所有其他的数据在拟合出的模型上进行验证,假如某个点符合所得到的模型,那么这个点就被认为也是内点;
(3)如果有足够多的点被认为是内点,则估计的模型就相当好;
(4)然后根据所有的内点重新估计模型,因为之前的模型只是从初始的内点估计出来的;
(5)最后通过内点和模型的误差来评估整个模型的好坏。
这个过程重复固定次数,每次都会产生一个模型,假如太少的点被归类为内点,则模型被丢弃,反之则得到一个改进的模型以及测量误差,如果测量误差低于上次保存的模型的话,就保留改进的模型。
获取到工件平面后,便需要提取到平面边界,其中平面的内边界即是工件的焊缝坐标。
选用的是法线估计法来获取边界,首先从原始点云只上计算出法线,再由法线结合数据,找到法线变化剧烈的位置,估计出边界。平面的法线是垂直于它的单位向量,在点云的表面的法线被定义为垂直于与点云表面相切的平面的向量。法线提供了关于曲面的曲率信息。对点云数据集的每个点的法线估计,可以看作是对表面法线的近似推断。之后在根据法线的变化剧烈程度,即法线夹角的变化快慢,最终找到点云的边界所在。
已经获取到了工件的边界信息,接下来,便需要从中提取到工件焊缝坐标。
因为焊接的时候,工件位置较为稳定,只需要通过坐标的关系,将边界外部的坐标进行剔除,即可得到处于工件内部的焊缝坐标。为了实现这一目的,将通过直通滤波器来进行坐标过滤。下面将对直通滤波器进行介绍。
直通滤波器,顾名思义,就是在点云的指定维度上设置一个阈值范围,将这个维度上的数据分为在阈值范围内与不在阈值范围内,从而选择过滤与否。对于在空间分布有一定空间特征的点云数据,比如使用线结构光扫描的方式采集点云,沿z向分布较广,但x,y向的分布处于有限范围内。此时可使用直通滤波器,确定点云在x或y方向上的范围,可较快剪除离群点,达到第一步粗处理的目的。比如扫描了一个物体,物体高度最多目测也就1m,那就可以直接认为所有点云中的z坐标负数或者过大的点,都是噪点,体现不出原本物体的形状信息。
因此,只需要把工作的坐标范围应用到边界上,即可得到工件内部的焊缝坐标信息,最终提取出的焊缝路径效果,如图5所示。
步骤三中的碰撞检测将机械臂看作成圆柱体,障碍物看作立方体,通过对其进行数学建模进行碰撞检测
首先将碰撞类型初步划分为两大类,
第一类为圆柱体与边线的碰撞;第二类为圆柱体与面的碰撞;
碰撞检测算法的逻辑如图1所示,首先进行圆柱体与障碍物边线的碰撞检测,之后对圆柱体与面进行碰撞检测,通过圆柱中心轴线与四边形的关系判断圆柱的大体位置,如果轴线两端点在四边形面的两侧,则轴线与四边形所在平面必有交点,判断交点是否在四边形内从而判断是否碰撞,在四边形内部则发生了碰撞;如果轴线两端点在四边形面同一侧,则要判断圆柱顶面是否与四边形面有交线,两面平行时不碰撞,不平行时必有交线,此时判断交线是否穿过四边形,若不穿过则无碰撞,若穿过则判断圆柱轴线端点与交线距离和半径的关系从而判断是否发生了碰撞,若距离小于半径则碰撞,反之无碰撞。
第一类碰撞中设关节起点为(x1,y1,z1),关节终点(x2,y2,z2),机械臂的半径为r。障碍物边线起点为(a1,b1,c1),边线终点(a2,b2,c2),不妨使a1<a2。
轴的法向量
圆柱方程为:
障碍物边线方程为
圆柱方程(1)与边线方程(2)联立得到一个关于t的一元二次方程,根据一元二次方程的根的判别式Δ可以得知碰撞点的个数。
第二类碰撞中圆柱体仅与面有交点,又可以划分为两类,其一为中轴线穿过障碍面,由于之前以检测是否与边线碰撞,这里仅需判断轴线与障碍面交点的位置即可,若交点在障碍物四边形面内,则碰撞,否则不碰撞。
轴线穿过障碍面的判别公式为:
其中/>为障碍面的法向量
轴线采用参数方程的形式:
障碍面平面方程为:
方程(3)与障碍面方程(4)联立得到一个关于t的一元一次方程,
解得t后带入轴线参数方程得到交点的坐标
采用面积法判断交点是否在四边形内部。面积法的原理如下:
设交点与四边形的四个角连线的向量分别为l1,l2,l3,l4,根据两向量叉乘的模的数值等于以两个向量为临边的四边形面积可得,交点与四个角点中相邻两个角点组成的三角形的面积等于两向量叉乘后模的一般,若四个三角形的面积之和等于四边形的面积,则交点在四边形内。
其二,若中轴线不穿过四边形面,则将圆柱顶面方程与四边形面方程联立,得到交线方程,判断交线是否穿过四边形,若不穿过则不碰撞,若穿过则在求得圆柱中轴线端点与交线的距离和圆柱半径的大小关系即可判断是否碰撞。
判断交线是否穿过四边形的方法:
设圆柱顶部平面的方程为β1(x-x0)+β2(y-y0)+β3(z-z0)=0(5)
其中(β1,β2,β3)为法向量
设四边形其中一边的线段方程为
方程(5)和方程(6)联立得到关于t的一元一次方程:
[β1(a1-a0)+β2(b1-b0)+β3(c1-c0)]t+β1(a0-x0)+β2(b0-y0)+β3(c0-z0)=0解得t,判断t是否在0到1范围内,若符合则说明该线段有交点。
同理,判断其他四条线段是否有交点,如存在两个及两个以上则有交线,在此之前线判断交线只过一个四边形角点的情况。
根据所得的t,代入方程(6)得到交点位置,然后即可求得交线方程。
求圆柱轴线端点与交线垂线的垂足坐标方法如下:
设端点O坐标(x0,y0,z0),交线上两点A(x1,y1,z1),B(x2,y2,z2),垂足N(xn,yn,zn),分别根据向量关系得到如下方程
(xn-x0)(x2-x1)+(yn-y0)(y2-y1)+(zn-z0)(z2-z1)=0 (7)
联立方程(7)(8)解得:
将k代入方程(8)得到垂足的坐标。根据轴线端点与垂足距离与圆柱半径的大小关系即可判断有无碰撞。
步骤四模型的搭建中,狭小空间下采用五次多项式插值法规划轨迹路径的方法,给定时间和初始速度,初始角度,初始加速度,结束角度,结束速度,结束加速度求出关节的角度变化函数,然后根据逆运动学求出机械臂各关节姿态的逆解,以此得到机械臂的运动轨迹。
采用D-H法描述六轴机械臂的变化矩阵,以及途径焊接点的位姿,建立机械臂的连杆坐标系,并确定其D-H参数,在获取各个节点的位姿后还需要输入每个轴关节的关节约束条件。
机械臂的逆解,就是在已知末端执行器位姿的情况下,经过矩阵变换,求得各个关节的转角,
这里采用绕静轴RPY的公式来计算旋转矩阵。
令m=d6ay-py,n=axd6-px
最后得到8组逆解:
所述步骤四中五次多项式插值轨迹规划如下:
每个关节的角度变化可表示为:
θ(t)=a0+a1t+a2t2+a3t3+a4t4+a5t5 (11)
约束条件为:
解的:
得到每个关节角度随时间变化的函数,而且机械臂的角度,速度,加速度均连续,根据连续变化的每个关节角的时间变化函数,即可规划机械臂的运动轨迹。
轨迹规划算法的流程图,如图2所示,获取轨迹起点与终点位姿,根据精度要求确定直线上的n个轨迹点,选取第一个轨迹点,对其进行逆运动学解算得到8组逆解,对其中一组逆解进行碰撞检测,若无碰撞则选取下一个路径点,如果该点即为目标点则结束,否则接着对其进行碰撞检测。若有碰撞则选取下一组解再次进行碰撞检测,若所有逆解全判断完仍然发生碰撞则表示该路径不可用。
通过RRT算法来获取路径解,快速探索随机树(RRT)是一种通过随机构建空间填充树来有效搜索非凸,高维空间的算法。
RRT算法是概率完备的:只要路径存在,且规划的时间足够长,就一定能确保找到一条路径解,但不是最优解。
RRT算法原理图,如图3所示;
1.先从自由空间中随机选择下一个新的状态结点X-rand;
2.以遍历当前的速度随机寻找新状态树T,并寻找在T上离X-rand最近的新状态结点X-near;
3.朝着X near的方向生长,如果没有碰到障碍物就把生长后的树枝和端点添加到树上记为X-new;
4.完成搜索树构造之后,再从目标节点入手,逐渐查找父节点直至达到初始状态,即开始查找下一棵树的根结点。
以上所述,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种狭小空间机器人姿态自主规划系统,其特征在于,包括:采集模块,处理模块,焊缝提取模块、碰撞检测模块,轨迹规划模块;其中所述采集模块、所述处理模块、所述焊缝提取模块、所述碰撞检测模块与所述轨迹规划模块依次连接;
所述采集模块,用于采集焊接器件的点云模型数据;
所述处理模块,用于对所述点云模型数据进行处理,得到初步点云数据;
所述焊缝提取模块,用于对所述初步点云数据进行焊缝提取,得到点云焊缝;
所述碰撞检测模块,用于对机器人的机械臂、障碍物进行碰撞检测;
所述轨迹规划模块,用于基于点云焊缝和碰撞检测,采用多项式插值法规划机器人机械臂的轨迹路径,实现机械臂平滑地变化姿态完成轨迹焊接。
2.根据权利要求1所述的狭小空间机器人姿态自主规划系统,其特征在于,
所述处理模块中,通过下采样、点云滤波、点云平滑方法对所述点云模型数据进行处理,得到初步点云数据;
所述焊缝提取模块中,通过点云配准、点云平面拟合、点云平滑、点云三角化、点云交线提取方法对所述初步点云数据进行焊缝提取,得到点云焊缝。
3.根据权利要求2所述的狭小空间机器人姿态自主规划系统,其特征在于,所述点云配准包括:粗配准和精配准,基于所述粗配准,得到初步点云数据的变换矩阵,基于所述精配准,得到同一坐标下不同姿态点云的变换矩阵。
4.根据权利要求2所述的狭小空间机器人姿态自主规划系统,其特征在于,所述点云平面拟合过程中,采用随机采样一致性算法对所述初步点云数据拟合,得到点云数据的工件平面。
5.根据权利要求2所述的狭小空间机器人姿态自主规划系统,其特征在于,所述点云平滑过程中,采用移动最小二乘法对所述初步点云数据进行加权最小二乘法计算,得到平滑点云数据。
6.根据权利要求5所述的狭小空间机器人姿态自主规划系统,其特征在于,所述点云三角化过程中,采用贪心三角网格化算法对所述平滑点云数据进行网格化,得到曲面模型。
7.根据权利要求4所述的狭小空间机器人姿态自主规划系统,其特征在于,所述点云交线提取过程中,采用随机采样一致性算法对所述工件平面拟合,得到点云交线,基于所述点云交线,通过法线估计法得到点云边界。
8.根据权利要求1所述的狭小空间机器人姿态自主规划系统,其特征在于,所述碰撞检测模块中,将机械臂模拟成圆柱体,障碍物模拟成立方体,通过碰撞检测算法对圆柱体与立方体的碰撞检测进行数学建模,其中碰撞类型包括:圆柱体与边线的碰撞、圆柱体与面的碰撞。
9.根据权利要求1所述的狭小空间机器人姿态自主规划系统,其特征在于,所述轨迹规划模块中,采用绕静轴RPY公式计算得到旋转矩阵,基于所述旋转矩阵,通过逆运动学得到机械臂每个关节角度随时间变化的连续函数,基于所述连续函数使机械臂角度、速度、加速度连续,实现机械臂平滑地变化姿态完成轨迹焊接。
10.一种狭小空间机器人姿态自主规划方法,其特征在于,包括以下步骤:
采集焊接器件的点云模型数据;
对所述点云模型数据进行处理,得到初步点云数据;
对所述初步点云数据进行焊缝提取,得到点云焊缝;
对机器人的机械臂、障碍物进行碰撞检测;
基于点云焊缝和碰撞检测,采用多项式插值法规划机器人机械臂的轨迹路径,实现机械臂平滑地变化姿态完成轨迹焊接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311284191.4A CN117162098B (zh) | 2023-10-07 | 2023-10-07 | 一种狭小空间机器人姿态自主规划系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311284191.4A CN117162098B (zh) | 2023-10-07 | 2023-10-07 | 一种狭小空间机器人姿态自主规划系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117162098A true CN117162098A (zh) | 2023-12-05 |
CN117162098B CN117162098B (zh) | 2024-05-03 |
Family
ID=88933792
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311284191.4A Active CN117162098B (zh) | 2023-10-07 | 2023-10-07 | 一种狭小空间机器人姿态自主规划系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117162098B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117576094A (zh) * | 2024-01-15 | 2024-02-20 | 中铁科工集团有限公司 | 一种3d点云智能感知焊缝位姿提取方法、系统、设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113103226A (zh) * | 2021-03-08 | 2021-07-13 | 同济大学 | 一种面向陶瓷素坯加工制造的视觉引导机器人系统 |
CN113554559A (zh) * | 2021-06-21 | 2021-10-26 | 中国人民解放军空军工程大学 | 带有多重复杂曲面旋转对称模型的三维重建方法及装置 |
CN114241134A (zh) * | 2021-12-17 | 2022-03-25 | 华东交通大学 | 一种基于人机交互的虚实融合三维物体快速碰撞检测系统 |
CN114299039A (zh) * | 2021-12-30 | 2022-04-08 | 广西大学 | 一种机器人及其碰撞检测装置和方法 |
CN115255738A (zh) * | 2022-08-31 | 2022-11-01 | 深圳前海瑞集科技有限公司 | 双机器人龙门焊接的方法和系统、设备 |
CN115416016A (zh) * | 2022-08-15 | 2022-12-02 | 浙江工业大学 | 一种基于改进人工势场法的机械臂避障路径规划方法 |
WO2023019709A1 (zh) * | 2021-08-19 | 2023-02-23 | 中国铁路设计集团有限公司 | 基于车载移动激光点云的接触网导高与拉出值自动检测方法 |
CN115793647A (zh) * | 2022-11-29 | 2023-03-14 | 杭州芯控智能科技有限公司 | 一种机器人避障路径规划方法、系统及介质 |
-
2023
- 2023-10-07 CN CN202311284191.4A patent/CN117162098B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113103226A (zh) * | 2021-03-08 | 2021-07-13 | 同济大学 | 一种面向陶瓷素坯加工制造的视觉引导机器人系统 |
CN113554559A (zh) * | 2021-06-21 | 2021-10-26 | 中国人民解放军空军工程大学 | 带有多重复杂曲面旋转对称模型的三维重建方法及装置 |
WO2023019709A1 (zh) * | 2021-08-19 | 2023-02-23 | 中国铁路设计集团有限公司 | 基于车载移动激光点云的接触网导高与拉出值自动检测方法 |
CN114241134A (zh) * | 2021-12-17 | 2022-03-25 | 华东交通大学 | 一种基于人机交互的虚实融合三维物体快速碰撞检测系统 |
CN114299039A (zh) * | 2021-12-30 | 2022-04-08 | 广西大学 | 一种机器人及其碰撞检测装置和方法 |
CN115416016A (zh) * | 2022-08-15 | 2022-12-02 | 浙江工业大学 | 一种基于改进人工势场法的机械臂避障路径规划方法 |
CN115255738A (zh) * | 2022-08-31 | 2022-11-01 | 深圳前海瑞集科技有限公司 | 双机器人龙门焊接的方法和系统、设备 |
CN115793647A (zh) * | 2022-11-29 | 2023-03-14 | 杭州芯控智能科技有限公司 | 一种机器人避障路径规划方法、系统及介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117576094A (zh) * | 2024-01-15 | 2024-02-20 | 中铁科工集团有限公司 | 一种3d点云智能感知焊缝位姿提取方法、系统、设备 |
CN117576094B (zh) * | 2024-01-15 | 2024-04-19 | 中铁科工集团有限公司 | 一种3d点云智能感知焊缝位姿提取方法、系统、设备 |
Also Published As
Publication number | Publication date |
---|---|
CN117162098B (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107749079B (zh) | 一种面向无人机扫描重建的点云质量评价和轨迹规划方法 | |
Song et al. | Surface-based exploration for autonomous 3d modeling | |
Kriegel et al. | Efficient next-best-scan planning for autonomous 3D surface reconstruction of unknown objects | |
Li et al. | Free-form surface inspection techniques state of the art review | |
Bi et al. | Advances in 3D data acquisition and processing for industrial applications | |
Ainsworth et al. | CAD-based measurement path planning for free-form shapes using contact probes | |
JP5361793B2 (ja) | サンプル点において掃引容積の距離場を再構成する方法 | |
Chen et al. | An integrated reverse engineering approach to reconstructing free-form surfaces | |
CN117162098B (zh) | 一种狭小空间机器人姿态自主规划系统及方法 | |
JP2003058911A (ja) | 3次元物体の表面形状モデリング装置、方法、プログラム | |
Dong et al. | A weld line detection robot based on structure light for automatic NDT | |
US11657195B2 (en) | Processing a 3D signal of a shape attribute over a real object | |
Patil et al. | Extraction of weld seam in 3d point clouds for real time welding using 5 dof robotic arm | |
Pachidis et al. | Vision-based path generation method for a robot-based arc welding system | |
Jokinen | Area-based matching for simultaneous registration of multiple 3-D profile maps | |
Birr et al. | Oriented surface reachability maps for robot placement | |
Fang et al. | A vision-based method for narrow weld trajectory recognition of arc welding robots | |
Marchand et al. | Controlled camera motions for scene reconstruction and exploration | |
Wu et al. | A novel approach for porcupine crab identification and processing based on point cloud segmentation | |
Cao et al. | Aircraft pipe gap inspection on raw point cloud from a single view | |
Ming et al. | SDA-SNE: Spatial discontinuity-aware surface normal estimation via multi-directional dynamic programming | |
Fan et al. | Fast global collision detection method based on feature-point-set for robotic machining of large complex components | |
Denker et al. | On-line reconstruction of CAD geometry | |
CN113744245A (zh) | 一种点云中的结构加强筋焊缝定位方法及系统 | |
Gemme et al. | 3D reconstruction of environments for planetary exploration |
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 |