CN110340738A - 一种基于pca的机器人拉丝高铁白车身工件精确标定方法 - Google Patents
一种基于pca的机器人拉丝高铁白车身工件精确标定方法 Download PDFInfo
- Publication number
- CN110340738A CN110340738A CN201910542951.4A CN201910542951A CN110340738A CN 110340738 A CN110340738 A CN 110340738A CN 201910542951 A CN201910542951 A CN 201910542951A CN 110340738 A CN110340738 A CN 110340738A
- Authority
- CN
- China
- Prior art keywords
- plane
- point cloud
- workpiece
- robot
- bounding box
- 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
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B1/00—Processes of grinding or polishing; Use of auxiliary equipment in connection with such processes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B19/00—Single-purpose machines or devices for particular grinding operations not covered by any other main group
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Numerical Control (AREA)
Abstract
本发明提出一种基于PCA的机器人拉丝高铁白车身工件精确标定方法。该方法首先通过机器人末端夹持扫描设备获取工件相对于机器人本体大地坐标的3D点云信息;然后运用主成分分析法确定点云边界值,并生成包围盒确定加工工件实际尺寸;最后采用满足加工精度要求的点云降维简化方法和二分法快速确定加工工件的位置,提出适用于机器人标定大型待加工工件的标定策略,最终实现机器人拉丝高铁白车身工件精确标定。通过本发明能有效解决传统机器人示教器标定方法所产生的标定精度低的缺点,同时消除大型工件由于安装误差所带来的标定误差,能大幅提升大型工件标定的速度和精确度。
Description
技术领域
本发明属于工业机器人自动化加工技术领域,涉及一种加工过程中标定方法,具体涉及一种基于PCA的机器人拉丝高铁白车身工件精确标定方法。
背景技术
拉丝是当前较流行的一种无涂装金属表面处理技术,将其与机器人技术进行结合,应用于高铁白车身车体表面加工,能有效提升车体表面质感,减少传统化学涂装方法带来的环境污染,是一种先进的车体制造工艺。高铁白车身机器人拉丝加工过程中,精确标定工件坐标系是实现精密拉丝作业效果的前提。申请号为201610017584.2的中国发明专利申请公开了一种基于工业相机采集工件信息的大型工件标定***及方法,该方法通过在加工工件四个边角位置设置特征点,从而得到加工工件实际位置。此外,当前针对大型复杂构件的坐标系标定主要是运用传统的机器人示教器“三点法”和“五点法”,其在标定过程中只考虑标定工件边缘位置的表面特征。但由于待加工工件表面通常不平整、表面形貌起伏较大,以上标定方法尚未充分考虑待标定工件的整体表面特征,从而导致标定精度不高,无法满足后续机械加工精度要求。
发明内容
本发明针对现有技术在解决大型复杂构件机器人加工过程中存在的工件坐标系标定精度不足,提出一种基于点云的主成分分析(PCA)方法用于提升机器人拉丝高铁白车身的工件标定精度。该方法通过扫描得到的待加工点云表面的位置信息和加工表面的法向量,指导机器人自动生成加工路径,通过考虑工件的几何特征提升标定的精确度,最终保证拉丝加工工件的表面粗糙度和平整度。
为了实现上述目的,本发明采用的技术方案是:
一种基于PCA的机器人拉丝高铁白车身工件精确标定方法,其特征在于,包括以下步骤:
步骤1、点云获取,机器人末端夹持扫描设备获取工件相对于机器人本体大地坐标的3D点云;
步骤2、利用PCA获取目标点云的主成分;
步骤3、根据目标点云的主成分确定最小点云包围盒的边界值,根据边界值获取点云最小包围盒和包围盒的几何中心
步骤4、根据根据待加工工件的工件加工后的几何模型确定待加工平面∑xyz相对工件加工后的几何模型的几何中心O的偏移量ε,计算出实际的初始加工平面
步骤5、判断初始加工平面是否能加工,如果初始平面内任意两点之间最大值小于该方向的精度要求,则能加工,执行步骤7,如果不满足精度要求,则执行步骤6;
步骤6,对于点云数据不满足精度要求,则根据二分法在中心平面和初始加工平面之间选取中间平面,并按照步骤5方法判断中间平面是否满足精度要求,如果不满足则根据二分法继续选取新的中间平面进行判断,直至满足精度要求,然后将中间平面或者新的中间平面作为初始加工平面;
步骤7、根据初始加工平面和工件加工后的几何模型求取实际标定中心,完成标定。
作为优选,所述步骤2中,目标点云的主成分包括以下五种:
1)数据初始化并求取初始化矩阵和旋转矩阵,结合两个矩阵确定初始化变化矩阵;
2)获取加工工件点云质心;
3)计算点云协方差;
4)获取协方差矩阵求取协方差矩阵的特征值和三个特征向量;
5)根据特征向量确定点云的三个主方向,标定所求加工平面法向量即为主方向之一。
作为优选,所述步骤3中具体方法为:
根据步骤2中三个特征向量组成的特征向量矩阵对点云数据进行旋转变化,确定最小点云包围盒的边界值{Xmin,Ymin,Zmin}和{Xmax,Ymax,Zmax},确定点云最小包围盒和包围盒的几何中心后比较点云最小包围盒尺寸和工件加工后的几何模型尺寸,如果点云包围盒几何尺寸大于工件加工后的几何模型几何尺寸,认为工件可以加工继续标定,否则认为工件无法标定,退出标定工作。
作为优选,所述步骤4中,初始加工平面按照机器人本体大地坐标系x、y、z三个方向分别计算。
作为优选,所述步骤5中判断初始加工平面是否能加工具体步骤如下:
步骤5.1、将空间三维点云降维到平面,确定加工平面y值是否在满足包围盒尺寸要求,如果超出包围盒边界尺寸{Ymin,Ymax}区间,则无法标定,如果满足继续进行标定并做出简化等效该y值下满足精度要求的点集为
步骤5.2、将平面点云集{(xm,zm)}划分为多个{(xm)}集合实现降维,对平面中心z值沿z方向偏移εz,作为初始位置,εz=z/2,此时对应x方向集合为:
将初始z值εz依次减少△z将平面点集划分成若干个关于x点集,z值满足包围盒沿z方向的边界{Zmin,Zmax};
步骤5.3、判定点集{(xn)}是否满足在包围盒边界内{Xmin,Xmax}的要求;计算点集的最大值与最小值之差αy应不小于x方向几何尺寸,即αx≥x;计算点集相邻两点之差的最大值应当小于x方向精度要求,即maxxn≤△x,满足以上三点判定要求的平面即为可加工平面。
作为优选,根据步骤2中计算得到的初始化变化矩阵,将步骤7中确定的标定几何中心坐标转化为实际加工位置信息,输出工件在工作站的标定位置。
与现有技术相比,本发明的有益效果是:
本发明充分考虑加工工件的几何特征和待加工平面的位置信息,提出一种适用于机器人拉丝高铁白车身工件标定方法,该方法基于工件整体进行标定并快速确定标定信息,能够有效解决传统“三点法”和“五点法”标定大型工件误差较大难题,最终分析点云数据得到最优加工平面,实现大型复杂构件的精确标定,提升拉丝加工表面质量。
附图说明
图1为本发明实施标定流程图。
图2为本发明实施例的结构示意图。
图3为加工表面位置关系图。
图4为PCA修正前后点云数据对比图。
图5为工件加工后的几何模型和点云包围盒对比图。
图6为可加工平面判定模型简化原理图。
图7为二分法确定最优可加工平面原理图。
图中:1-高铁白车身,2-安全围栏,3-末端扫描仪,4-机器人本体,5-机器人操作台,6-机器人控制柜,7-标定杆,8-包围盒中心平面,9-实际工件平面,10-理想加工平面,11-包围盒边界平面,12-几何模型,13-包围盒模型,14-几何模型中心平面,15-初始加工平面。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的详细描述:
本发明提出一种基于PCA的机器人拉丝高铁白车身工件精确标定方法,主要工作流程如图1所示,本发明采用的实际加工设备示意图如图2所示,包括安全围栏、末端扫描仪、机器人本体、机器人操作台、机器人控制柜和标定杆,在机器人操作台进行操作,控制机器人本体的末端机械臂带动末端扫描仪对高铁白车身进行扫描获取3D点云模型,之后对点云数据进行处理,并基于PCA进行工件标定。
传统的标定方法主要通过机器人示教器“三点法”或“五点法”完成标定。但由于大型工件表面存在较大的形状变化,上述传统标定方法基于少数边缘位置信息难以实现对整个平面的准确标定,无法准确找到满足精度要求的最优加工平面,如图3。基于以上问题,本申请充分考虑加工工件的三维点云和加工精度要求,通过分析目标点云的主成分,提出一种适用于机器人加工大型工件的工件精确标定策略,解决由于工件表面的形状误差和安装误差对加工表面的影响。
本发明所设计的一种基于PCA(主成分分析)的机器人拉丝高铁白车身工件精确标定方法包括如下步骤:
S1、在机器人末端安装扫描仪,获取待加工工件相对于机器人本体大地坐标系的3D点云模型;
S2、对点云数据进行处理,并基于PCA进行工件标定,包含如下步骤:
S2.1、利用PCA获取目标点云的主成分,包括:1)数据初始化并求取初始化矩阵和旋转矩阵,结合两个矩阵确定初始化变化矩阵;2)获取加工工件点云质心;3)计算点云协方差;4)获取协方差矩阵求取协方差矩阵的特征值和三个特征向量;5)根据特征向量确定点云的三个主方向,标定所求加工平面法向量即为主方向之一。
S2.2、根据S2.1取得的三个特征向量组成的特征向量矩阵对点云数据进行旋转变化,确定最小点云包围盒的边界值,图4分别为原始点云数据和PCA修正后点云数据,左图为为原始点云数据,右图为PCA修正后点云数据,求取点云边界值{Xmin,Ymin,Zmin}和{Xmax,Ymax,Zmax},根据边界值获取点云最小包围盒(能够包容点云的最小体积)和几何中心比较点云包围盒几何尺寸和工件加工后的几何模型几何尺寸,如果点云包围盒几何尺寸大于工件加工后的几何模型几何尺寸{X≥x,Y≥y,Z≥z},认为工件可以加工继续标定,否则认为工件无法标定,如图5。
S2.3、根据加工工件的工件加工后的几何模型确定待加工平面Σxyz相对工件加工后的几何模型中心{x,y,z}的偏移量ε(这里假设加工表面法向量为y轴方向,即ε=εy=y/2),如图二,所以初始加工平面
S2.4、判定S2.3确定的待加工平面Σxy1z,判定其是否能够加工,判定方法满足精度要求下允许点云在三个主方向允许两点之间最小值△max={△x,△y,△z},在判定过程中分为以下几步:1)将空间三维点云降维到平面,确定加工平面y值是否在满足包围盒尺寸要求,如果超出包围盒边界尺寸{Ymin,Ymax}区间,则无法标定,如果满足继续进行标定并做出简化等效该y值下满足精度要求的点集为
2)将平面点云集{(xm,zm)}划分为多个{(xm)}集合实现降维,对平面中心z值沿z方向偏移εz(εz=z/2)作为初始位置,此时对应x方向集合为将初始z值εz依次减少△z将平面点集划分成若干个关于x点集,如图6所示,z值满足包围盒沿z方向的边界{Zmin,Zmax}。
3)判定点集{(xn)}是否满足要求,点集满足在包围盒边界内{Xmin,Xmax};计算点集的最大值与最小值之差应大于x方向几何尺寸,即αx≥x;计算点集相邻两点之差的最大值应当小于x方向精度要求,即maxxn≤△x。满足以上三点判定要求的平面即为可加工平面。
S2.5、若点云数据满足精度要求则该平面可以加工,如果不满足根据二分法在中心平面和平面之间选取中间平面Σxy2z,并判定平面Σxy2z是否在x和z方向上满足精度要求,若满足在平面和平面Σxy2z选取平面Σxy3z,若不满足在平面Σxy2z和中心平面选取平面Σxy4z,如图7。同理依次选取指导两平面之间的距离小于y方向的精度要求△y,并输两平面的边界平面为加工平面,此时对应的y值yact。
S2.6、根据S2.5确定的加工平面和工件加工后的几何模型求取实际标定中心完成标定。
S3、根据S2.1计算得到的初始化变化矩阵,将S2.5确定的标定几何中心坐标转化为实际加工位置信息,输出工件在工作站的标定位置。
S4、将求解得到的加工工件体积中心坐标导入ABB机器人离线编程软件RobotStudio中进行工作站标定,同时再用Powerpac自动生成加工路径时设置加工面法向量,完成虚拟工作站加工路径的生成。
本发明具有以下特点:1)、建立一种基于PCA的机器人拉丝高铁白车身工件精确标定方法;2)、能实现机器人加工大型工件的工件坐标系精确标定;3)、提出一种基于工件体积特征的工件标定方法以及一种三维点云的降维方法。
以上实施例仅用于说明本发明的设计思想和特点,其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施,本发明的保护范围不限于上述实施例。所以,凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰,均在本发明的保护范围之内。
Claims (6)
1.一种基于PCA的机器人拉丝高铁白车身工件精确标定方法,其特征在于,包括以下步骤:
步骤1、点云获取,机器人末端夹持扫描设备获取工件相对于机器人本体大地坐标的3D点云;
步骤2、利用PCA获取目标点云的主成分;
步骤3、根据目标点云的主成分确定最小点云包围盒的边界值,根据边界值获取点云最小包围盒和包围盒的几何中心
步骤4、根据根据待加工工件的工件加工后的几何模型确定待加工平面∑xyz相对工件加工后的几何模型的几何中心O的偏移量ε,计算出实际的初始加工平面
步骤5、判断初始加工平面是否能加工,如果初始平面内任意两点之间最大值小于该方向的精度要求,则能加工,执行步骤7,如果不满足精度要求,则执行步骤6;
步骤6,对于点云数据不满足精度要求,则根据二分法在中心平面和初始加工平面之间选取中间平面,并按照步骤5方法判断中间平面是否满足精度要求,如果不满足则根据二分法继续选取新的中间平面进行判断,直至满足精度要求,然后将中间平面或者新的中间平面作为初始加工平面;
步骤7、根据初始加工平面和工件加工后的几何模型求取实际标定中心,完成标定。
2.如权利要求1所述的机器人拉丝高铁白车身工件精确标定方法,其特征在于:所述步骤2中,目标点云的主成分包括以下五种:
1)数据初始化并求取初始化矩阵和旋转矩阵,结合两个矩阵确定初始化变化矩阵;
2)获取加工工件点云质心;
3)计算点云协方差;
4)获取协方差矩阵求取协方差矩阵的特征值和三个特征向量;
5)根据特征向量确定点云的三个主方向,标定所求加工平面法向量即为主方向之一。
3.如权利要求2所述的机器人拉丝高铁白车身工件精确标定方法,其特征在于:所述步骤3中具体方法为:
根据步骤2中三个特征向量组成的特征向量矩阵对点云数据进行旋转变化,确定最小点云包围盒的边界值{Xmin,Ymin,Zmin}和{Xmax,Ymax,Zmax},确定点云最小包围盒和包围盒的几何中心后比较点云最小包围盒尺寸和工件加工后的几何模型尺寸,如果点云包围盒几何尺寸大于工件加工后的几何模型几何尺寸,认为工件可以加工继续标定,否则认为工件无法标定,退出标定工作。
4.如权利要求3所述的机器人拉丝高铁白车身工件精确标定方法,其特征在于:所述步骤4中,初始加工平面按照机器人本体大地坐标系x、y、z三个方向分别计算。
5.如权利要求4所述的机器人拉丝高铁白车身工件精确标定方法,其特征在于:所述步骤5中判断初始加工平面是否能加工具体步骤如下:
步骤5.1、将空间三维点云降维到平面,确定加工平面y值是否在满足包围盒尺寸要求,如果超出包围盒边界尺寸{Ymin,Ymax}区间,则无法标定,如果满足继续进行标定并做出简化等效该y值下满足精度要求的点集为
步骤5.2、将平面点云集{(xm,zm)}划分为多个{(xm)}集合实现降维,对平面中心z值沿z方向偏移εz,作为初始位置,εz=z/2,此时对应x方向集合为:
将初始z值εz依次减少Δz将平面点集划分成若干个关于x点集,z值满足包围盒沿z方向的边界{Zmin,Zmax};
步骤5.3、判定点集{(xn)}是否满足在包围盒边界内{Xmin,Xmax}的要求;计算点集的最大值与最小值之差αy应不小于x方向几何尺寸,即αx≥x;计算点集相邻两点之差的最大值应当小于x方向精度要求,即maxxn≤Δx,满足以上三点判定要求的平面即为可加工平面。
6.如权利要求5所述的机器人拉丝高铁白车身工件精确标定方法,其特征在于:根据步骤2中计算得到的初始化变化矩阵,将步骤7中确定的标定几何中心坐标转化为实际加工位置信息,输出工件在工作站的标定位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910542951.4A CN110340738B (zh) | 2019-06-21 | 2019-06-21 | 一种基于pca的机器人拉丝高铁白车身工件精确标定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910542951.4A CN110340738B (zh) | 2019-06-21 | 2019-06-21 | 一种基于pca的机器人拉丝高铁白车身工件精确标定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110340738A true CN110340738A (zh) | 2019-10-18 |
CN110340738B CN110340738B (zh) | 2020-05-22 |
Family
ID=68182757
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910542951.4A Active CN110340738B (zh) | 2019-06-21 | 2019-06-21 | 一种基于pca的机器人拉丝高铁白车身工件精确标定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110340738B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113340247A (zh) * | 2021-06-15 | 2021-09-03 | 上海理工大学 | 一种用于车身接触式三坐标测量的连续碰撞检测方法 |
WO2022165739A1 (zh) * | 2021-02-05 | 2022-08-11 | 广东工业大学 | 基于2d/3d视觉融合的五金件机器人智能化打磨方法与装置 |
CN115365941A (zh) * | 2022-07-15 | 2022-11-22 | 朗信(苏州)精密光学有限公司 | 一种用于光学抛光的工件位姿自动校准方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102902864A (zh) * | 2012-10-17 | 2013-01-30 | 山东理工大学 | 三维物体的近似最小体积包围盒快速求解方法 |
CN105444672A (zh) * | 2015-12-17 | 2016-03-30 | 华科精准(北京)医疗科技有限公司 | 激光测距仪和机械臂末端关系的正交平面标定方法及*** |
CN106248035A (zh) * | 2016-08-19 | 2016-12-21 | 苏州大学 | 一种基于点云模型的面轮廓度精确检测的方法及*** |
CN106373118A (zh) * | 2016-08-30 | 2017-02-01 | 华中科技大学 | 可有效保留边界和局部特征的复杂曲面零件点云精简方法 |
CN107578448A (zh) * | 2017-08-31 | 2018-01-12 | 广东工业大学 | 基于cnn的无标定曲面所包含拼接曲面个数识别方法 |
CN107953336A (zh) * | 2017-12-27 | 2018-04-24 | 北京理工大学 | 机械手超声无损检测中被测件装卡偏差的修正方法及*** |
CN108637860A (zh) * | 2018-04-18 | 2018-10-12 | 武汉理工大学 | 基于机器人手眼控制的高铁白车身自动化拉丝装置及方法 |
CN108830902A (zh) * | 2018-04-19 | 2018-11-16 | 江南大学 | 一种基于点云处理的散乱工件识别与定位方法 |
CN108942922A (zh) * | 2018-06-11 | 2018-12-07 | 杭州灵西机器人智能科技有限公司 | 基于圆锥标定物的机械臂手眼标定方法、装置及*** |
CN109483369A (zh) * | 2018-12-13 | 2019-03-19 | 中国船舶重工集团公司第七六研究所 | 一种具有三维视觉的机器人打磨***及其控制方法 |
CN109523552A (zh) * | 2018-10-24 | 2019-03-26 | 青岛智能产业技术研究院 | 基于视锥点云的三维物体检测方法 |
CN109740227A (zh) * | 2018-12-26 | 2019-05-10 | 江南大学 | 基于特征识别的微型复杂零件建模方法 |
CN109870118A (zh) * | 2018-11-07 | 2019-06-11 | 南京林业大学 | 一种面向绿色植物时序模型的点云采集方法 |
CN109886961A (zh) * | 2019-03-27 | 2019-06-14 | 重庆交通大学 | 基于深度图像的中大型货物体积测量方法 |
-
2019
- 2019-06-21 CN CN201910542951.4A patent/CN110340738B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102902864A (zh) * | 2012-10-17 | 2013-01-30 | 山东理工大学 | 三维物体的近似最小体积包围盒快速求解方法 |
CN105444672A (zh) * | 2015-12-17 | 2016-03-30 | 华科精准(北京)医疗科技有限公司 | 激光测距仪和机械臂末端关系的正交平面标定方法及*** |
CN106248035A (zh) * | 2016-08-19 | 2016-12-21 | 苏州大学 | 一种基于点云模型的面轮廓度精确检测的方法及*** |
CN106373118A (zh) * | 2016-08-30 | 2017-02-01 | 华中科技大学 | 可有效保留边界和局部特征的复杂曲面零件点云精简方法 |
CN107578448A (zh) * | 2017-08-31 | 2018-01-12 | 广东工业大学 | 基于cnn的无标定曲面所包含拼接曲面个数识别方法 |
CN107953336A (zh) * | 2017-12-27 | 2018-04-24 | 北京理工大学 | 机械手超声无损检测中被测件装卡偏差的修正方法及*** |
CN108637860A (zh) * | 2018-04-18 | 2018-10-12 | 武汉理工大学 | 基于机器人手眼控制的高铁白车身自动化拉丝装置及方法 |
CN108830902A (zh) * | 2018-04-19 | 2018-11-16 | 江南大学 | 一种基于点云处理的散乱工件识别与定位方法 |
CN108942922A (zh) * | 2018-06-11 | 2018-12-07 | 杭州灵西机器人智能科技有限公司 | 基于圆锥标定物的机械臂手眼标定方法、装置及*** |
CN109523552A (zh) * | 2018-10-24 | 2019-03-26 | 青岛智能产业技术研究院 | 基于视锥点云的三维物体检测方法 |
CN109870118A (zh) * | 2018-11-07 | 2019-06-11 | 南京林业大学 | 一种面向绿色植物时序模型的点云采集方法 |
CN109483369A (zh) * | 2018-12-13 | 2019-03-19 | 中国船舶重工集团公司第七六研究所 | 一种具有三维视觉的机器人打磨***及其控制方法 |
CN109740227A (zh) * | 2018-12-26 | 2019-05-10 | 江南大学 | 基于特征识别的微型复杂零件建模方法 |
CN109886961A (zh) * | 2019-03-27 | 2019-06-14 | 重庆交通大学 | 基于深度图像的中大型货物体积测量方法 |
Non-Patent Citations (3)
Title |
---|
周振新等: "基于单颗磨粒的高速外圆磨削成屑机理研究", 《机械设计与制造》 * |
王枚等: "基于PCA与不变矩的车标定位与识别", 《武汉大学学报(信息科学版)》 * |
王枚等: "基于主成分分析的目标确认方法及其在车标定位识别中的应用", 《南京理工大学学报(自然科学版)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022165739A1 (zh) * | 2021-02-05 | 2022-08-11 | 广东工业大学 | 基于2d/3d视觉融合的五金件机器人智能化打磨方法与装置 |
CN113340247A (zh) * | 2021-06-15 | 2021-09-03 | 上海理工大学 | 一种用于车身接触式三坐标测量的连续碰撞检测方法 |
CN113340247B (zh) * | 2021-06-15 | 2022-07-12 | 上海理工大学 | 一种用于车身接触式三坐标测量的连续碰撞检测方法 |
CN115365941A (zh) * | 2022-07-15 | 2022-11-22 | 朗信(苏州)精密光学有限公司 | 一种用于光学抛光的工件位姿自动校准方法 |
CN115365941B (zh) * | 2022-07-15 | 2023-10-20 | 朗信(苏州)精密光学有限公司 | 一种用于光学抛光的工件位姿自动校准方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110340738B (zh) | 2020-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110434671B (zh) | 一种基于特征测量的铸造件表面机加工轨迹校准方法 | |
CN111775152B (zh) | 基于三维测量引导机械臂抓取散乱堆叠工件的方法及*** | |
CN103678754B (zh) | 信息处理装置及信息处理方法 | |
CN110340738A (zh) | 一种基于pca的机器人拉丝高铁白车身工件精确标定方法 | |
CN110227876A (zh) | 基于3d点云数据的机器人焊接路径自主规划方法 | |
CN100538261C (zh) | 基于探路法的未知自由曲面自适应测量方法与测头装置 | |
CN102608952B (zh) | 对采用球头刀具的五轴联动机床平滑加工路径的方法 | |
CN105014677A (zh) | 基于Camshift视觉跟踪和D-H建模算法的视觉机械臂控制装置及方法 | |
CN104613897B (zh) | 汽车外覆盖件模具自由曲面自适应采样装置及测量方法 | |
CN105509671A (zh) | 一种利用平面标定板的机器人工具中心点标定方法 | |
CN110103071B (zh) | 一种变形复杂零件的数字化寻位加工方法 | |
CN114413788B (zh) | 基于双目视觉和反向模型重构的零件表面图案检测方法 | |
CN116402866A (zh) | 基于点云的零件数字孪生几何建模与误差评定方法及*** | |
CN107563432A (zh) | 一种基于视觉形状模型的机器人多目标识别方法 | |
CN113799130B (zh) | 一种人机协作装配中的机器人位姿标定方法 | |
CN109773593B (zh) | 一种基于余量约束条件下的磨削方法 | |
CN104741791B (zh) | 一种曲面工件表面阵列微结构图形布局方法 | |
CN115846890A (zh) | 镭雕设备的控制方法、镭雕设备以及计算机可读存储介质 | |
CN113551593B (zh) | 一种用于涂胶机器人的线激光传感器标定方法 | |
CN115145221A (zh) | 一种基于机器人铣边误差追溯的工件与刀具位姿标定方法 | |
Miao et al. | Detection and grasping of texture-less objects based on 3D template matching | |
CN114488943A (zh) | 面向配合工况下的随机多区域高效打磨路径规划方法 | |
CN114217280A (zh) | 一种外置旋转二维激光雷达外部参数的标定方法 | |
Kaneko et al. | Fast Estimation Method of Machinable Area of Workpiece Surface for 3+ 2-Axis Control Machining Using Graphics Device-Visualization Algorithm of Machinable Area and Minimum Shank Length with Texture Projection Technique– | |
CN114939874B (zh) | 一种机械手臂沿人体表面移动的姿态规划方法 |
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 |