工业机器人手眼标定综合实验设计

为了提高工业机器人技术课程的多学科交叉应用与集成创新能力培养的教学效果,设计了一种针对眼在手外模式的机械臂手眼标定综合实验。采用机械臂、相机、标定板和Visual Studio软件完成手眼标定工程化实验平台的搭建,利用软件编程将采集到的机械臂末端位姿信息转化为位姿矩阵,获得了标定板图片中圆心位置并求解了手眼矩阵,最后进行标定结果误差分析。通过熟悉设备、编写代码、调试程序、测试验证等步骤,帮助学生理解手眼标定理论知识,增强应用实践和创新能力。

基于3D相机的拆垛机器人手眼标定方法研究

为了提高拆垛机器人手眼标定的准确度,设计了一种结合有序点云和对偶四元数的改进粒子群优化算法的手眼标定方法。首先,采用三层梯状采样法获取不同姿态的手眼标定数据;然后,对圆形标定板进行圆心提取,采用加权奇异值分解的方案求解定位点的旋转平移矩阵,减少了噪声干扰;最后,将求得的刚性变换矩阵转换为对偶四元数,采用改进的自适应粒子群优化算法求解出手眼矩阵的旋转和平移部分。实验结果表明,手眼标定方法可稳定地处理标定数据,且平均误差小于2.5 mm,优于Tsai法和传统对偶四元数法。

机器人与双目相机的手眼标定方法

为了得到钻头在激光熔覆机器人坐标系下的模型数据需要机器人与双目相机进行手眼标定,针对这一问题提出了一种手眼标定的方法。改变机器人位姿对同一点进行测量,建立机器人DH模型并利用机器人正运动学方程计算出机器人末端坐标系与双目相机坐标系之间的变换矩阵,完成了手眼测量系统标定。基于此标定方法进行了误差测试与激光熔覆实验,对误差产生的原因进行分析并提出了减小误差的方法。实验结果表明,机器人与双目相机的手眼标定方法有效,可用于PDC钻头激光熔覆系统。

面向手眼标定的改进灰狼优化方法

为解决眼在手上的机器视觉智能机器人手眼标定精度较低的问题,提出了一种改进灰狼算法的手眼标定方法。首先建立了眼在手的机器视觉智能机器人的手眼标定数学模型,通过分析影响手眼标定误差的因素,提出一种用于降低手眼标定误差的拍照位姿生成方案。然后,融合维度学习和差分进化策略,利用改进的灰狼算法对经由传统手眼标定算法求得的解析解进行非线性优化,避免了传统优化算法在迭代过程中,容易提前收敛,陷入局部最优解等缺陷。最后利用实物设备进行手眼标定实验,实验结果证明了该方法对降低手眼标定误差的可行性和有效性。

面向工业机器人的非线性手眼标定方法研究

手眼标定是机器人视觉领域中的一个关键技术,主要包括眼在手上和眼在手外两种标定方式。标定的目的是得到相机坐标系与机器人坐标系之间的位姿关系,根据相机获取的图像重构三维场景,求出两个坐标系之间的转换参数,其结果将直接影响到机器人精准作业。受当前镜头工艺水平和机器误差限制,相机采集的图像存在非线性畸变,原有的手眼标定方法存在精确度不足的缺点。针对这个问题,文中提出面向工业机器人的非线性手眼标定方法,通过卷积原理使矩阵参数适应镜头下不同区域畸变的方法,减小相机镜头畸变影响。通过实验验证表明,该方法能够提高手眼标定结果的精确度,标定后的平均误差为0.4 mm,稳定性更强,可满足更多场景需求。

基于几何式手眼标定的五轴平台运动学标定研究

运动学标定是提高多轴运动平台绝对定位精度的有效方式之一,以视觉系统为平台末端位姿测量设备时需要首先标定准确的手眼关系,以将视觉系统测量得的数据与平台末端运动量进行联系。传统的手眼标定方法需要准确的运动学模型方可精确计算出手眼关系矩阵,但是运动学几何参数未标定使运动学模型存在误差,也导致基于运动学的手眼关系矩阵存在误差。针对这一问题,提出了一种几何式的手眼标定方法,可在未标定运动学模型的情况下标定获得准确的手眼关系。该方法首先标定平台平移轴的方向向量,由此构建优化函数辨识得到手眼关系的姿态矩阵,而后通过平台的旋转轴运动标定得到手眼关系的位置矩阵,最后使用该方法获得的手眼矩阵计算出平台末端运动数据进行运动学标定。实验结果表明,所提方法具有较好的稳定性与准确性,手眼标定结果满足多轴运动平台的运动学标定要求。

基于M型标准块的视觉引导机器人系统手眼标定方法研究

针对线结构光传感器引导的机器人系统的手眼标定问题,提出了一种以M型标准块为标定物的方法;该M型标定物的两条平行的脊线作为约束,基于两条平行脊线的约束建立包含手眼关系、机器人运动学以及两条直线位姿参数误差的模型;首先基于定点约束求解手眼关系初值并以此为基础解算出直线位姿参数的初值,然后通过最小二乘法解算误差参数并补偿到模型中,不断迭代直至计算的误差参数小于阈值,最终得到最终的机器人手眼关系及运动学误差参数;为了验证标定方法的有效性,以某精加工平面为被测物,利用线结构光机器人系统对平面进行测量,得到平面点云;拟合最小二乘平面,计算点到平面距离的均方根值作为评价依据;分别对所述M型标准块和标准球两种方法进行了实验对比,结果表明,相较于标准球方法,所述M型标准块方法得到的均方根误差由0.152 mm减少到0.080 mm,均方根误差的标准差由0.043 mm减少到0.005 mm,其标定结果的精度及稳定性得到显著提高。

基于LSTM网络的机器人异空间手眼标定方法

针对现有机器人操作空间与相机视野异空间的情况,基于长短期记忆(LSTM)网络,提出了一种新颖的机器人异空间手眼标定方法。首先依次提取并记录标定板上各圆心的像素坐标,然后利用传送带将标定板平移送至机器人工作空间内,并记录机器人末端顶针的位姿信息。其次利用LSTM网络数据训练获得手眼映射关系。最后使用采集的36组真实数据作为验证集来验证预测精度。结果表明,该方法训练的模型所预测的机器人基坐标系坐标平均平移误差仅为0.69 mm,并且针对随机分布于传送带所有工作空间中的验证集数据,平移误差波动值均小于1 mm,有效验证了该方法的鲁棒性和有效性。相较于经典平面标定方法,本文所提出的方法有效工作空间大,标定精度高,并且可以有效补偿相机镜头畸变、深度值变化等因素所带来的误差。

基于三维点云处理的自动化手眼标定系统设计与实现

为了解决手眼标定过程中存在的操作烦琐、人工选点误差大等问题,文章设计并实现了一个基于三维点云处理技术的自动化手眼标定系统。该系统通过简单的棋盘格标定板在10个不同姿态下扫描了三维点云,利用Harris算法自动提取了角点坐标,构建了AX=XB方程并利用Tsai方法求解方程,从而通过ICP配准算法对计算结果进行了补偿。实验结果证明,该系统具有高效稳定的标定性能,标定精度可达1 mm。

输入参数优化的机器人手眼标定改进方法

由于相机位姿误差以及机器人运动解算误差导致标定结果具有较大误差,为了提升机器人定位与抓取的精度,提出了一种具有误差补偿和图像校正的手眼标定方法.基于对偶四元数理论来描述螺旋运动,用奇异值分解法求解手眼变换矩阵.再通过对非线性相机成像模型进行研究后最小化相机的重投影误差,得到优化后的相机外参,同时根据机器人运动学模型对机器人运动误差做补偿.最后搭建机器人单目视觉实验平台,将该方法与对偶四元数法和Tasi两步法进行对比分析,实验结果表明,该方法在XYZ三个方向上的坐标误差均值为0.46,标准差为0.25.在标定精度和稳定性上均优于其他两种方法,具有一定的理论实践意义.

基于视觉引导的机器人抓取系统手眼标定方法

[目的]为降低食品自动化生产线机器人定位误差和标定物识别误差,设计一种基于空间网格的手眼标定方法。[方法]基于姿态矩阵的组成,通过平移和旋转机器人末端获取末端相对于相机的姿态与位置,提出使用已知对应点对配准的方法降低平移法中机器人定位误差对姿态求解的影响;在空间圆拟合法的基础上提出两点向量法求解末端位置以减少数据采集量,并提出拟合球心的方式补偿手眼标定结果。[结果]标定后实测平均误差为0.8 mm。[结论]基于Eye-In-Hand型手眼系统可实现较高精度的物体定位。

基于SSA-BP神经网络的机械臂手眼标定

对传统手眼标定方法计算过程复杂、精度低的问题,提出了一种基于SSA-BP神经网络的手眼标定计算方法。首先,通过麻雀搜索算法优化反向传播神经网络模型,避免模型陷入局部最优解,同时增加收敛速度。其次,通过深度相机和机械臂运动学分析建立模型数据集,简化手眼标定计算过程,即根据待测点在相机坐标系中的坐标直接求解其在机械臂坐标系中的坐标。最后,通过仿真实验验证了标定方法的有效性。在以UR10机械臂为对象的对比实验中,基于SSA-BP神经网络的手眼标定方法的标定精度相比BP神经网络提高了65.09%,相比GA-BP神经网络提高了29.19%。实验结果表明该方法的标定精度满足要求,为后续机器人抓取实验提供了条件。

基于圆孔标定板的视觉机器人手眼标定方法

针对由线激光传感器引导的机器人系统手眼标定问题,提出了一种基于圆孔标定板的手眼标定方法。该方法以标定板圆孔的圆心为固定点作为约束,建立了结合机器人运动学参数的手眼标定模型,在同等实验平台下与传统标准球方法进行对比实验。得到标定结果后,参考平面度误差的评价方法对某高精度平面进行扫描,得到平面的点云并计算点云与最小二乘拟合平面的距离均方根误差,以此作为手眼关系标定精度的评价参数。相较于标准球方法,该方法在线激光坐标系下对空间中固定点的位置坐标采集更加精确,且将机器人运动学参数纳入手眼标定模型中。使得该方法平面测量均方根误差由标准球方法的0.212 mm下降到0.065 mm,验证了所提方法的优越性。

基于ICP算法的苹果采摘机器人手眼标定方法

苹果采摘机器人手眼协同作业过程中手眼关系的精度是影响机器人作业效率和作业精度的关键因素之一.针对传统手眼标定方法求解精度低、线性化求解时解耦精度丢失和非线性求解时累积误差较大等问题,提出一种基于ICP算法的手眼标定方法.以Tsai Lenz法的求解结果作为ICP匹配算法初值,通过确定ICP匹配算法中误差阈值和迭代次数最优组合得到精确的手眼转换关系.试验结果表明,本文方法避免了求解时精度丢失和误差积累等问题,与Tsai Lenz算法相比,旋转精度提高了13.6%,平移精度提高12.47%.

相机安装在SCARA机器人二轴上的自动手眼标定方法

介绍了基于SCARA机器人在2D视觉应用中的手眼标定现状,以及当前工业相机固定安装在SCARA机器人二轴上的标定方法的优缺点,并提出一种自动运行完成手眼标定的方法,最后进行了实际操作验证,证明了该方法具有较高的准确性和鲁棒性,为相机固定安装在SCARA机器人二轴上的自动手眼标定提供了可靠的技术支持。

木板抓取机器人手眼标定方法

针对视觉抓取木板机器人的Eye-in-Hand视觉与机器人本体之间关联的手眼标定问题,提出了基于标定方程的求解优化。首先通过机器人带动相机以多个不同位姿观测标定板,得到多个标定方程,采集一次数据建立一个标定方程,再对所有标定方程运用Kronecker product算法和最小二乘法求解。为避免误差传递,将得到的解作为优化初始值,建立雅可比矩阵、误差函数,并采用Levenberg-Marquardt算法对初始值优化,得到精确解。在ROS系统中搭建仿真试验平台,通过3D可视化工具Rviz验证了标定结果的有效性。标定结果的精度分析表明,相同采集图像数量、不同噪声水平下,本文标定方法位置解精度比传统标定方法平均提高了30%;同一噪声水平、不同采集图像数量下,本文标定方法位置解精度比传统标定方法平均提高了31.1%。木板抓取试验结果表明,视觉系统抓取定位精度比传统标定方法平均提高了39.2%,抓取成功率为96.2%。

非线性最优机器人手眼标定

提出一种基于最大似然估计的非线性最优手眼标定算法,并采用该方法对机器人进行了手眼标定.由于机器人系统的运动学正解及相机的外参数推定都包含误差,因此不能满足手眼标定矩阵方程,从而导致现有机器人手眼标定算法对观测噪声较为敏感.新算法根据包含噪声的测量值来估计它们的真值,使得测量真值满足手眼标定方程,并且在欧拉刚性变换矩阵空间中可使真值和对应的测量值的距离最小.通过数值仿真和真实机器人手眼标定实验,将新算法与现有2种经典的手眼标定算法进行了比较,结果表明,新算法在估计误差、对位姿变换次数的敏感度和稳定性方面均优于经典算法.

双机器人系统的快速手眼标定方法

针对双机器人仿真测量系统的手眼标定问题,提出一种由机器视觉求解法兰盘位姿得出手眼关系的方法。将目标机器人运动到合适的位姿,由视觉机器人拍摄其法兰盘图像,提取图像中法兰盘的椭圆轮廓,解算摄像机坐标系下的法兰盘姿态和圆心坐标,并由销孔位置约束得出摄像机与目标法兰盘坐标系的转换关系H1。然后由控制器读数得出两台机器人各自法兰盘坐标系与基坐标系间的转换关系H2,H4,并由机器人单轴旋转运动得出双机器人基坐标系转换关系H3,由此形成闭环得出机器人手眼关系HCG。将法兰盘运动到共面的多个不同位置分别拍摄图像,通过图像融合来提高标定精度。实验结果表明,单位置标定和多位置图像融合标定的精度分别为0.345°和0.187°,满足双机器人视觉仿真测量系统的精度要求。

微装配机器人手眼标定方法研究

在视觉反馈的机器人控制中,手眼系统的标定非常重要,直接影响机器人的作业精度。针对微装配机器人系统操作空间小的特点,提出了一种固定视觉的手眼系统标定算法,该方法通过3个空间点在机械手基坐标系中的坐标,采用P3P位姿测量原理获得相应空间点在摄像机坐标系中的坐标,建立了标定方程组,基于最小二乘法,标定出了手眼系统之间的转换矩阵。该方法无需复杂的辅助设备,标定过程简单。相关实验得到了待标定的手眼系统之间的转换矩阵,验证了该方法的标定精度和有效性。

凸松弛全局优化机器人手眼标定

针对机器人运动学正解及相机的外参数标定存在偏差时,基于非线性最优化的手眼标定算法无法确保目标函数收敛到全局极小值的问题,提出基于四元数理论的凸松弛全局最优化手眼标定算法。考虑到机械手末端相对运动旋转轴之间的夹角对标定方程求解精度的影响,首先利用随机抽样一致性(RANSAC)算法对标定数据中旋转轴之间的夹角进行预筛选,再利用四元数参数化旋转矩阵,建立多项式几何误差目标函数和约束,采用基于线性矩阵不等式(LMI)凸松弛全局优化算法求解全局最优手眼变换矩阵。实测结果表明,该算法可以求得全局最优解,手眼变换矩阵几何误差平均值不大于1.4 mm,标准差小于0.16 mm,结果稍优于四元数非线性最优化算法。