TWI775525B - 零部件識別方法及系統 - Google Patents

零部件識別方法及系統 Download PDF

Info

Publication number
TWI775525B
TWI775525B TW110125415A TW110125415A TWI775525B TW I775525 B TWI775525 B TW I775525B TW 110125415 A TW110125415 A TW 110125415A TW 110125415 A TW110125415 A TW 110125415A TW I775525 B TWI775525 B TW I775525B
Authority
TW
Taiwan
Prior art keywords
component
information
point cloud
components
parts
Prior art date
Application number
TW110125415A
Other languages
English (en)
Other versions
TW202303524A (zh
Inventor
謝東村
吳仲偉
李松泉
柯建銘
羅子欽
李智偉
游欣格
Original Assignee
群邁通訊股份有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 群邁通訊股份有限公司 filed Critical 群邁通訊股份有限公司
Priority to TW110125415A priority Critical patent/TWI775525B/zh
Application granted granted Critical
Publication of TWI775525B publication Critical patent/TWI775525B/zh
Publication of TW202303524A publication Critical patent/TW202303524A/zh

Links

Images

Abstract

本申請公開一種零部件識別方法及零部件識別系統，零部件設置於至少兩個托盤內，所述至少兩個托盤堆疊設置，所述方法包括：獲取所述零部件之點雲訊息；根據所述零部件之點雲訊息獲取所述零部件之深度影像；對所述零部件之深度影像進行切割分層，以獲取所述零部件之切割分層訊息；根據所述切割分層訊息對所述零部件分組，以獲取所述零部件之分組訊息。

Description

零部件識別方法及系統
本申請涉及機器人技術領域，尤其涉及一種零部件識別方法及系統。
隨著技術之進步，客製化生產正變得越來越普及。於進行客製化生產時，由於零部件之形狀存於較大差異，機械臂需要識別零部件之形狀以拾取正確之零部件。
然，目前相關技術中機械臂係藉由二維機器視覺識別零部件，由於客製化生產涉及之零件複雜且零部件可能會層疊擺放，因此使用二維機器視覺識別零部件可能存在誤識別。
鑒於此，本申請提供一種零部件識別方法及零部件識別系統。能夠使用三維機器視覺識別零部件，提供了零部件識別之準確度，使機械臂能夠準確之抓取待抓取零部件。
本申請之零部件識別方法，零部件設置於至少兩個托盤內，所述至少兩個托盤堆疊設置，所述方法包括：獲取所述零部件之點雲訊息；根據所述零部件之點雲訊息獲取所述零部件之深度影像；對所述零部件之深度影像進行切割分層，以獲取所述零部件之切割分層訊息；根據所述切割分層訊息對所述零部件分組，以獲取所述零部件之分組訊息。
本申請之零部件識別系統，零部件設置於至少兩個托盤內，所述至少兩個托盤堆疊設置，包括：三維攝像機，獲取所述零部件之三維影像；點 雲計算模組，連接所述三維攝像機，根據所述零部件之三維影像獲取所述零部件之點雲訊息；深度影像模組，連接所述點雲計算模組，根據所述零部件之點雲訊息獲取所述零部件之深度影像；分組模組，連接所述深度影像模組，用於對所述零部件之深度影像進行切割分層，以獲取所述零部件之切割分層訊息；所述分組模組還用於根據所述切割分層訊息對所述零部件分組，以獲取所述零部件之分組訊息。
本申請藉由三維機器視覺識別零部件，提高了零部件識別之準確度，使機械臂能夠準確之抓取待抓取零部件。
10:零部件識別系統
20:托盤
30:生產線
100:機械臂
200:三維攝像機
300:點雲計算模組
400:深度影像模組
500:分組模組
510:平面計算模組
520:抓取計算模組
530:分離模組
610:第一組零部件
620:第二組零部件
圖1係相關技術中零部件之二維識別圖像。
圖2係本申請一實施例提供之零部件識別系統示意圖。
圖3係本申請另一實施例提供之零部件識別系統示意圖。
圖4係本申請另一實施例提供之零部件識別系統示意圖。
圖5係本申請一實施例提供之零部件三維圖像。
圖6係本申請一實施例提供之零部件切割圖像。
圖7係本申請一實施例提供之零部件分組圖像。
圖8係本申請一實施例提供之零部件識別方法流程圖。
為能夠更清楚地理解本申請之上述目的、特徵與優點，下面結合附圖與具體實施例對本申請進行詳細描述。需要說明的是，於不衝突之情況下，本申請之實施例及實施例中之特徵可以相互組合。於下面之描述中闡述了很多 具體細節以便於充分理解本申請，所描述之實施例僅係本申請一部分實施例，而不係全部之實施例。
需要說明的是，雖於流程圖中示出了邏輯順序，但於某些情況下，可以以不同於流程圖中之循序執行所示出或描述之步驟。本申請實施例中公開之方法包括用於實現方法之一個或複數步驟或動作。方法步驟與/或動作可以於不脫離請求項之範圍之情況下彼此互換。換句話說，除非指定步驟或動作之特定順序，否則特定步驟與/或動作之順序與/或使用可以於不脫離請求項範圍之情況下被修改。
隨著技術之進步，客製化生產正變得越來越普及。於進行客製化生產時，零部件之形狀存於較大差異，機械臂需要識別零部件之形狀以拾取正確之零部件。
目前相關技術中通過二維機器視覺識別零部件，由於客製化生產涉及之零件複雜且零部件可能會層疊擺放，且工廠中擺放零部件之托盤通常為透明，因此，於使用二維攝像機進行圖像識別時可能會誤識別至其他層之零部件，導致機械臂無法抓取到正確之零部件，可能會導致機械臂報錯，並有可能帶來安全隱患。
下面結合附圖描述本申請實施例提供之零部件識別系統與零部件識別方法。
圖1係相關技術中零部件之二維識別圖像。如圖1所示，零部件擺放於托盤上方，不同托盤之間層疊擺放。可以理解的是，當托盤為透明時，使用二維圖像進行識別具有較大之困難，可能會誤識別至其他層托盤中之所述零部件，進而導致機械臂無法正確之抓取所述零部件。
圖2係本申請一實施例提供之零部件識別系統10示意圖。如圖2所示，所述零部件識別系統10包括機械臂100與三維攝像機200，所述機械臂100連接三維攝像機200。圖2中還示出了托盤20及生產線30。
於本申請實施例中，機械臂100與三維攝像機200之連接方式為固定連接，機械臂100於移動至托盤20上方時會帶動三維攝像機200同步移動至托盤20之上方，所述托盤20用於容納所述零部件。機械臂100用於將所述零部件從所述托盤20移動至所述生產線30。
於本申請實施例中，所述三維攝像機200包括二維鐳射雷達(2D Rader)、三維鐳射雷達(3D Rader)、二維光達(2D Lidar)、三維光達(3D Lidar)、立體攝像頭(Stereo Camera)及越渡時間相機(Time-of-flight Camera)。所述三維攝像機200用於拍攝三維影像。
於本申請實施例中，相鄰層托盤20之所述零部件擺放夾角可以設置為180度。可以理解的是，本申請實施例中，通過將相鄰層托盤20之所述零部件擺放夾角設置為180度，可以使所述零部件識別系統10容易區分不同層之所述零部件，避免所述零部件識別系統10誤識別位於其他層托盤20之所述零部件。
於本申請實施例中，所述零部件分組內之零部件可以不相同。可以理解的是，同一個托盤20內之零部件可為不相同。所述零部件識別系統10可以控制機械臂100抓取來自不同托盤20之零部件。
圖3係本申請另一實施例提供之零部件識別系統10之示意圖。如圖3所示，與圖1相比，零部件識別系統10還包括：點雲計算模組300，深度影像模組400，分組模組500。所述三維攝像機200連接所述機械臂100，所述點雲計算模組300連接所述三維攝像機200，所述深度影像模組400連接所述點雲計算模組300，所述分組模組500連接所述深度影像模組400，所述機械臂連接所述分組模組500。
於本申請實施例中，所述三維攝像機200連接於所述機械臂100上。所述三維攝像機200可以隨所述機械臂100運動，以調節所述三維攝像機200之拍攝位置與角度。可以理解的是，所述三維攝像機200與所述機械臂100之連接方式可為固定連接，亦可為於一定範圍內可以活動之活動連接，於此不作限定。所述三維攝像機200用於拍攝零部件之三維影像。所述三維影像包括零部件與生產線30上之其他設施之影像。
可以理解，所述三維攝像機200於拍攝零部件之三維影像前首先調節所述三維攝像機200之位置，使所述三維攝像機200盡可能與所述零部件平行，以降低後續位置運算時之計算複雜度。
於本申請實施例中，點雲計算模組300用於根據所述三維攝像機200拍攝到之零部件之三維影像獲取零部件之點雲訊息。可以理解的是，所述三維攝像機200首先拍攝一張三維基準照片，點雲計算模組300根據所述基準照片獲取零部件之點雲訊息。所述點雲訊息包括點雲資料(Point Cloud Data)。所述點雲資料係於三維座標系統中一組向量之集合，所述點雲訊息為全部所述點雲資料之集合。其中，所述三維座標系統中包括(x，y，z，Rx，Ry，Rz)座標，其中x，y，z分別代表X軸，Y軸與Z軸座標，Rx，Ry，Rz分別代表所述零部件圍繞X，Y，Z軸旋轉之角度，即歐拉角(Eular)。所述點雲計算模組300將所述點雲訊息輸至所述深度影像模組400。
於本申請實施例中，深度影像模組400用於根據所述零部件之點雲訊息生成零部件之深度影像。所述深度影像模組400將所有所述零部件之(x，y，z)座標點進行排序，並選取與所述三維攝像機200最近之點，將該點設置為基準點，並將所述基準點之z軸值設置為Z 1，以生成基準點訊息。所述深度影像模組400根據將所述基準點設置為座標軸原點，重新調整所述點雲訊息中之座標， 以形成深度影像。所述深度影像模組400將所述零部件之深度影像及所述基準點之訊息傳輸至分組模組500。
於本申請實施例中，請一併參照圖7，圖7為本申請一實施例提供之零部件分組圖像。可以理解的是，分組模組500用於對所述零部件之深度影像進行切割分層，以獲取零部件分組。具體地，所述深度影像模組400首先獲取零部件之三維座標(x，y，z)。隨後，所述深度影像模組400根據零部件托盤20之z軸之間之間隔設置深度D。可以理解的是，於工業生產中零部件通常擺放於托盤20上，不同之托盤20之間常採用層疊式放置，因此深度D之設置還可以根據托盤20之厚度或者托盤20之間之間隔進行設置。以零部件之z軸值為Z 1為例，所述分組模組500根據所述零部件之深度影像、所述基準點之訊息及深度D選取z軸值於[Z 1，Z 1+D]之間之零部件。可以理解的是，深度D還可以根據托盤20之厚度及所述零部件之擺放規則來設置。例如，當托盤20之深度為50cm時，深度影像之深度D可以設置為50cm或55cm等，本申請於此不做限制。所述分組模組500獲取所有z軸值於[Z 1，Z 1+D]之間之零部件，並將所述零部件之訊息傳輸至機械臂100。
於本申請實施例中，所述機械臂100用於根據所述零部件分組抓取待抓取零部件。可以理解的是，所述機械臂100可以對所述零部件進行排序，並依據排序抓取對應之零部件。於全部之零部件抓取完成後，所述機械臂100可以移動托盤20以露出下一層托盤20上之零部件，並帶動三維攝像機200至與零部件平行之位置，開始下一輪零部件識別及抓取。
圖4係本申請另一實施例提供之零部件識別系統10示意圖。與圖1相比，分組模組500還包括：平面計算模組510、抓取計算模組520。
於本申請實施例中，所述平面計算模組510設置於所述分組模組500內部，用於根據所述零部件分組與黑塞法線式(Hessian Normal Form)計算所述零部件分組之最大平面。所述最大平面為包含最多零部件之平面。
於本申請實施例中，平面計算模組510可以應用點雲庫(Point Cloud Library,PCL)中內置之應用程式介面(Application Programming Interface,API)進行最大平面計算。可以理解的是，平面計算模組510首先根據所有z軸值於[Z 1，Z 1+D]之間之零部件計算z軸值最多之平面，以獲取一個最大平面。平面計算模組510再根據所述最大平面重新建立新的三維座標系統，並根據所述新的三維座標系統設置所述零部件之最大平面座標值(x1，y1，z1)。所述平面計算模組510將所述零部件之最大平面座標值(x1，y1，z1)傳輸至所述抓取計算模組520。
於本申請實施例中，所述抓取計算模組520根據所述零部件之最大平面座標值(x1，y1，z1)及所述最大平面之法向量計算得出所述零部件之最大平面歐拉角(Rx1，Ry1，Rz1)。其中，所述零部件之最大平面座標值與所述零部件之最大平面歐拉角可構成零部件抓取點。所述抓取計算模組520將所述零部件抓取點傳輸至機械臂100。所述機械臂100再根據所述零部件抓取點(即零部件最大平面座標值與最大平面歐拉角)調整抓取角度，以提高機械臂100之抓取精度。
可以理解的是，由於托盤20中可能裝盛多個零部件，因此托盤20平面不係絕對水準。因此，若按照托盤20係水準之計算零部件之座標會存於誤差，造成機械臂100無法準確抓取所述零部件。因此，使用平面計算模組510計算最大平面，並根據抓取計算模組520計算零部件之抓取點可以使機械臂100更加準確之抓取所述零部件。
於本申請實施例中，所述分組模組500還包括分離模組530。所述分離模組530連接所述抓取計算模組520，用於獲取所述零部件深度影像中之曲率值。所述分離模組530分組模組將所述曲率值做排序，並根據所述零部件對應 之點雲大小與曲率值區分所述零部件，分離所述零部件之圖像，直至分離出全部之類似零部件。可以理解的是，由於零部件之表面特徵會帶來不同之曲率變化，因此可以根據點雲之大小與曲率特徵匹配以找出所述零部件及其輪廓。可以理解的是，分離出之所述零部件可為相同，亦可為不同。
於本申請實施例中，所述分組模組500於計算完成全部之零部件位置及輪廓後，重新計算所述分組模組500分組後之所述零部件平均座標值平面中心及法向量，將所述平面中心座標值及法向量訊息發送至機械臂100，使所述機械臂100移動至所述平面中心。
可以理解的是，當托盤20為透明材質，且所述零部件均擺放於透明托盤20上時，托盤20之透明材質會使得所述零部件之深度影像中之點雲資料於多次計算後計算存於較大之誤差，因此所述分組模組500還可以獲取來自所述三維攝像機200之點雲訊息，根據所述點雲訊息重新計算所述零部件座標值，根據所述零部件座標值進行中心計算。可以理解的是，所述中心計算為根據所述零部件座標值計算出之所述零部件之中心位置。所述機械臂100根據所述零部件之中心位置及歐拉角調整抓取位置與角度，以準確之抓取所述零部件。
請一併參照圖5至圖6，圖5為本申請一實施例提供之零部件三維圖像。圖6為本申請一實施例提供之零部件切割圖像。
於本申請實施例中，如圖5至圖6所示，當托盤20為透明時，使用本申請實施例提供之零部件識別系統10可以準確之識別出零部件之位置及輪廓，並根據所述零部件之位置及輪廓識別出所述零部件之座標值及歐拉角，使所述機械臂100可以根據所述零部件之座標值及歐拉角調整抓取位置及角度，實現精準之抓取所述零部件。
於本申請實施例中，零部件識別系統10將所述零部件進行分組。其中，第一組零部件610與第二組零部件620係位於兩層不同之托盤中之零部 件。由於相鄰托盤20之間之零部件擺放夾角為180度，因此，零部件識別系統10可以準確之識別出所述第一組零部件610與所述第二組零部件620。零部件識別系統10於控制機械臂100抓取所述零部件時，不會嘗試抓取第二組零部件620，避免了機械臂100報錯及可能之安全隱患。
圖8係本申請一實施例提供之零部件識別方法流程圖。如圖8所示之零部件識別方法，應用於零部件識別系統10。
S100：獲取零部件之三維影像。
於本申請實施例中，可通過所述點雲計算模組300來獲取來自所述三維攝像機200之零部件三維影像。所述三維影像包括基準照片，所述基準照片為所述三維攝像機200於平行於盛放零部件之托盤20時拍攝之三維影像。
S200：根據所述零部件之三維影像獲取所述零部件之點雲訊息。
於本申請實施例中，可通過點雲計算模組300根據所述基準照片獲取零部件點雲訊息。所述點雲訊息包括點雲資料，所述點雲資料包括所述零部件之點及其(x，y，z，Rx，Ry，Rz)座標。
S300：根據所述零部件之點雲訊息獲取所述零部件之深度影像。
於本申請實施例中，深度影像模組400用於根據所述點雲訊息獲取零部件深度影像。具體地，所述深度影像模組400將所有所述零部件之(x，y，z)座標點進行排序，並選取與所述三維攝像機200最近之點，將該點設置為基準點，並將所述基準點之z軸值設置為Z 1。所述深度影像模組400將所述生成零部件深度影像及所述基準點之訊息傳輸至分組模組500。
S400：對所述零部件之深度影像進行切割分層，以獲取所述零部件之切割分層訊息。
於本申請實施例中，分組模組500用於對所述零部件深度影像進行切割分層，以獲取零部件分組。具體地，所述深度影像模組400首先根據托盤 20之厚度訊息設置深度D。所述分組模組500根據所述零部件深度影像、所述基準點之訊息及深度D選取z軸值於[Z 1，Z 1+D]之間之零部件。可以理解的是，深度D可以根據托盤20之厚度及所述零部件之擺放規則來設置，例如深度D可以設置為50cm或55cm等，本申請於此不做限制。所述分組模組500獲取所有z軸值於[Z 1，Z 1+D]之間之零部件，並將所述零部件之訊息傳輸至機械臂100。
S500：根據所述切割分層訊息對所述零部件分組，以獲取所述零部件之分組訊息。
於本申請實施例中，分組模組500用於根據所述零部件深度影像、所述基準點之訊息及深度D選取z軸值於[Z 1，Z 1+D]之間之零部件，以完成對所述零部件之分組。
上面結合附圖對本申請實施例作了詳細說明，但本申請不限於上述實施例，於所屬技術領域普通技術人員所具備之知識範圍內，還可以於不脫離本申請宗旨之前提下做出各種變化。此外，於不衝突之情況下，本申請之實施例及實施例中之特徵可以相互組合。
10:零部件識別系統
20:托盤
30:生產線
100:機械臂
200:三維攝像機

Claims (10)

  1. 一種零部件識別方法，零部件設置於至少兩個托盤內，所述至少兩個托盤堆疊設置，其改良在於，所述方法包括：獲取所述零部件的三維影像；根據所述三維影像獲取所述零部件的點雲訊息；根據所述零部件的點雲訊息獲取所述零部件的深度影像；對所述零部件的深度影像進行切割分層，以獲取所述零部件的切割分層訊息；根據所述切割分層訊息對所述零部件分組，以獲取所述零部件的分組訊息。
  2. 如請求項1所述之零部件識別方法，其中，所述零部件識別方法還包括：計算所述零部件的最大平面；根據所述最大平面的法向量計算待抓取零部件的抓取點，以根據所述抓取點抓取所述待抓取零部件。
  3. 如請求項2所述之零部件識別方法，其中，所述計算所述零部件的最大平面包括：獲取所述位於相同所述切割分層的所述零部件的點雲訊息；其中所述零部件的點雲訊息可由三維影像中獲取；根據所述零部件的點雲訊息獲取z軸值最多的平面，設置所述z軸值最多的平面為所述最大平面。
  4. 如請求項2所述之零部件識別方法，其中，所述零部件的最大平面為通過所述零部件的分組訊息與黑塞法線式計算得出。
  5. 如請求項1所述之零部件識別方法，其中，相鄰分層內 的所述零部件擺放夾角為180度。
  6. 如請求項1所述之零部件識別方法，其中，所述位於相同切割分層的所述零部件不相同。
  7. 如請求項2所述之零部件識別方法，其中，所述零部件識別方法還包括：抓取位於相同所述切割分層的所述零部件；根據所述最大平面的中心點及歐拉角調整所述抓取角度。
  8. 如請求項2所述之零部件識別方法，其中，所述零部件識別方法還包括：抓取位於相同所述切割分層的所述零部件；根據所述待抓取零部件的中心點及歐拉角調整抓取角度。
  9. 如請求項1所述之零部件識別方法，其中，從所述零部件的深度影像中獲取所述零部件的曲率值；根據所述零部件的所述點雲訊息、所述分組訊息與所述曲率值識別所述零部件。
  10. 一種零部件識別系統，零部件設置於至少兩個托盤內，所述至少兩個托盤堆疊設置，其改良在於，包括：三維攝像機，獲取所述零部件的三維影像；點雲計算模組，連接所述三維攝像機，根據所述零部件的三維影像獲取所述零部件的點雲訊息；深度影像模組，連接所述點雲計算模組，根據所述零部件的點雲訊息獲取所述零部件的深度影像；分組模組，連接所述深度影像模組，用於對所述零部件的深度影像進行切割分層，以獲取所述零部件的切割分層訊息；所述分組模組還用於根 據所述切割分層訊息對所述零部件分組，以獲取所述零部件的分組訊息。
TW110125415A 2021-07-09 2021-07-09 零部件識別方法及系統 TWI775525B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
TW110125415A TWI775525B (zh) 2021-07-09 2021-07-09 零部件識別方法及系統

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW110125415A TWI775525B (zh) 2021-07-09 2021-07-09 零部件識別方法及系統

Publications (2)

Publication Number Publication Date
TWI775525B true TWI775525B (zh) 2022-08-21
TW202303524A TW202303524A (zh) 2023-01-16

Family

ID=83807208

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110125415A TWI775525B (zh) 2021-07-09 2021-07-09 零部件識別方法及系統

Country Status (1)

Country Link
TW (1) TWI775525B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103302666A (zh) * 2012-03-09 2013-09-18 佳能株式会社 信息处理设备和信息处理方法
CN103889878A (zh) * 2011-10-19 2014-06-25 克朗设备公司 选择图像场景中彼此对应于托盘的垂直范围内的对象
TWI576221B (zh) * 2015-07-30 2017-04-01 Kawasaki Heavy Ind Ltd Robot and its control method
TW201834802A (zh) * 2017-03-24 2018-10-01 日商三菱電機股份有限公司 機器人程式之產生裝置及產生方法
TW202015870A (zh) * 2018-09-25 2020-05-01 日商川崎重工業股份有限公司 機器人系統

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103889878A (zh) * 2011-10-19 2014-06-25 克朗设备公司 选择图像场景中彼此对应于托盘的垂直范围内的对象
CN103302666A (zh) * 2012-03-09 2013-09-18 佳能株式会社 信息处理设备和信息处理方法
TWI576221B (zh) * 2015-07-30 2017-04-01 Kawasaki Heavy Ind Ltd Robot and its control method
TW201834802A (zh) * 2017-03-24 2018-10-01 日商三菱電機股份有限公司 機器人程式之產生裝置及產生方法
TW202015870A (zh) * 2018-09-25 2020-05-01 日商川崎重工業股份有限公司 機器人系統

Also Published As

Publication number Publication date
TW202303524A (zh) 2023-01-16

Similar Documents

Publication Publication Date Title
CN108399639B (zh) 基于深度学习的快速自动抓取与摆放方法
CN108827154B (zh) 一种机器人无示教抓取方法、装置及计算机可读存储介质
CN111452040B (zh) 在引导装配环境中将机器视觉坐标空间关联的系统和方法
JP5835926B2 (ja) 情報処理装置、情報処理装置の制御方法、およびプログラム
CN113524194A (zh) 基于多模特征深度学习的机器人视觉抓取系统的目标抓取方法
Wu et al. CAD-based pose estimation for random bin-picking of multiple objects using a RGB-D camera
JP2016099257A (ja) 情報処理装置及び情報処理方法
JP2013184279A (ja) 情報処理装置、情報処理方法
JP2013186088A (ja) 情報処理装置、情報処理方法
US11816754B2 (en) Measurement parameter optimization method and device, and computer control program stored on computer-readable storage medium
US20230041378A1 (en) Systems and methods for object detection
Wong et al. Generic development of bin pick-and-place system based on robot operating system
Lee et al. High precision hand-eye self-calibration for industrial robots
Gratal et al. Virtual visual servoing for real-time robot pose estimation
CN113800270B (zh) 一种用于物流拆垛的机器人控制方法及系统
JP2022187983A (ja) 高次元のロボット作業を学習するためのネットワークモジュール化
JP7454132B2 (ja) ロボットシステムの制御装置、ロボットシステムの制御方法、コンピュータ制御プログラム、及びロボットシステム
TWI775525B (zh) 零部件識別方法及系統
US20230007960A1 (en) Method and system for object identification
Fan et al. An automatic robot unstacking system based on binocular stereo vision
CN116175542B (zh) 确定夹具抓取顺序的方法、装置、电子设备和存储介质
US20240003675A1 (en) Measurement system, measurement device, measurement method, and measurement program
CN115338874A (zh) 基于激光雷达的机器人实时控制方法
JP2022187984A (ja) モジュール化ニューラルネットワークを用いた把持学習
CN113793383A (zh) 一种3d视觉识别取放系统及方法

Legal Events

Date Code Title Description
GD4A Issue of patent certificate for granted invention patent