CN111055293A - 一种基于曲面自适应的工业机器人高精度恒力打磨方法 - Google Patents

Abstract

本发明公开了一种基于曲面自适应的工业机器人高精度恒力打磨方法，包括：采用线结构光扫描方式获取待打磨工件表面的扫描采样点数据信息，获取待打磨工件的有序点云模型；通过点云预处理，建立待打磨工件表面STL模型；提取并利用待打磨工件表面STL模型的几何特征和拓扑特征，将待打磨工件曲面划分为若干不带空洞的平面；根据待打磨工件表面STL模型构建特征框，采用切割平面投影方法生成机器人打磨运动轨迹；机器人打磨过程中，根据实时力反馈实现恒力打磨控制。本方法的意义在于可以实现针对任意曲面的恒力打磨任务，改进打磨方法对曲面表面的适应性，提高打磨精度，从而有助于提高机器人打磨***的智能性和自动化水平。

Description

一种基于曲面自适应的工业机器人高精度恒力打磨方法

技术领域

本发明涉及工业机器人打磨应用等先进制造产业技术领域，特别是涉及一种基于曲面自适应的工业机器人高精度恒力打磨方法。

背景技术

工业机器人打磨应用作为工业机器人应用的重要组成部分之一，要求能够在软硬件协同的条件下，运用相关的算法，实现对待打磨工件表面模型的扫描与重建，并生成机器人运动路径形成机器人***控制指令进行打磨工作。其中，机器人打磨作业实现方法的有效性、通用性、可扩展性是工业机器人打磨应用的重要评价指标。

高精度、智能化的打磨作业要求机器人能够自主规划作业轨迹，并且需要保证作业过程中的恒力控制。传统的打磨作业实现方法可分为人工示教实现和离线编程实现两种，这两种实现方法存在以下问题：①打磨工件类型多样，人工示教实现和离线编程实现工作量大，代价高；②离线编程方式严重依赖于机器人3维模型；③人工示教和离线编程两种方式均不能满足高精度的恒力控制要求，从而影响打磨作业的实际效果。

发明内容

发明目的：为了克服已有的技术缺陷，解决人工示教与离线编程两种传统的打磨作业方法无法实现高精度的恒力控制要求的问题，提出了一种基于曲面自适应的工业机器人高精度恒力打磨方法，实现工业机器人打磨作业的有效性、高精度、扩展性。

技术方案：为实现上述发明目的，本发明采用以下技术方案：

一种基于曲面自适应的工业机器人高精度恒力打磨方法，包括以下步骤：

(1)获取待打磨工件表面数据信息：采用线结构光扫描方式获取待打磨工件表面的扫描采样点数据信息，获取待打磨工件的有序点云模型；

(2)建立工件表面STL模型：通过点云预处理，建立待打磨工件表面STL模型；

(3)划分曲面：提取并利用待打磨工件表面STL模型的几何特征和拓扑特征，将待打磨工件曲面划分为若干不带空洞的平面；

(4)生成机器人打磨运动轨迹：根据待打磨工件表面STL模型构建特征框，采用切割平面投影方法生成机器人打磨运动轨迹；

(5)恒力打磨控制：机器人打磨过程中，根据实时力反馈实现恒力打磨控制。

进一步的，步骤(1)包括以下步骤：

(11)设置扫描的起始位姿，扫描间距、扫描方向、扫描次数。

(12)在当前扫描路径点触发线结构光传感器进行一次扫描，得到由传感器坐标系表示的扫描数据。

(13)将步骤(12)中得到的由传感器坐标系表示的扫描数据变换到机器人基坐标系中，坐标系的变换示意图如图2所示，变换关系如式(1)所示：

其中，^BP表示扫描数据再机器人基坐标系中的位置，

表示机器人末端法兰盘坐标系到基坐标系的转换矩阵，

表示传感器坐标系到机器人末端法兰盘坐标系的转换矩阵，^SP表示传感器扫描数据在传感器坐标系中的位置。

(14)若当前扫描点非最后一个扫描路径点，则移动到下一扫描路径点，并将该点作为当前点，返回步骤(12)；若该点为最后一个扫描路径点，则执行步骤(15)。

(15)所有经坐标变换后的扫描数据组成待打磨工件的有序点云模型。

进一步的，步骤(2)包括以下步骤：

(21)点云滤波：对于步骤(15)得到的待打磨工件的有序点云模型，进行滤波处理，得到精确的待打磨工件的有序点云模型，具体包括以下步骤：

(211)根据机器人安装的位置及运动范围，剔除与待打磨工件无关的采样区域，得到机器人参考坐标系下带有噪声的待打磨工件的有序点云模型；

(212)通过中值滤波算法剔除步骤(211)得到的带有噪声的待打磨工件的有序点云模型中的噪声点：对步骤(211)得到的带有噪声的待打磨工件的有序点云模型中的每个数据点p_i，以p_i为中值窗口中心，取中值窗口边长为w，则对中值窗口内的w×w个扫描数据求取中值

当

时，

当

时，p_i保持不变；其中，δ表示中值滤波器滤波阈值；从而得到机器人参考坐标系下的精确的待打磨工件的有序点云模型。

(22)点云平滑处理：对于步骤(21)得到的精确的待打磨工件的有序点云模型，由于采样过程中传感器的不确定性，得到的精确的待打磨工件的有序点云模型存在一定的不确定性，其表现就是点云不够平滑。对此，本实例采用基于移动最小二乘法的曲面拟合方法对点云进行平滑，以去除传感器精度等带来的扫描误差问题，得到平滑的点云模型。

采用移动最小二乘曲面拟合方法，对于步骤(21)得到的精确的待打磨工件的有序点云模型，进行平滑处理，得到平滑的点云模型。步骤(22)具体包括：

(221)将步骤(21)得到的精确的待打磨工件的有序点云模型所在区域网格化；

(222)修正每个网格点的坐标：首先确定网格点的影响区域大小，然后确定位于网格点影响区域内的点(x_I,y_I,z_I)，I＝1、2、…、n，n表示网格点影响区域内点的总数；随后根据式(2)所示的拟合函数得出修正后的网格点坐标：

z＝f(x,y)＝p^T(x,y)α(x,y) (2)；

式中，p(x,y)＝[1,x,y]^T表示线性基，上标T表示转置，α(x,y)表示系数矢量，α(x,y)根据优化方程

取得极小值求得；

(223)连接网格点，形成拟合曲面：根据修正后的网格点坐标连接网格点，形成拟合曲面；

(224)将点云投影到步骤(223)的拟合曲面上，得到平滑的点云模型。

(23)构建工件表面的STL模型：采用贪婪投影三角形方法对步骤(22)得到的平滑的点云模型进行处理，生成工件曲面的STL模型。如图4所示，步骤(23)具体包括：

(231)任取一个平面，将步骤(22)得到的平滑点云模型中的点云作为原始点云，投影到该平面，得到与原始点云中的点一一对应的平面点云；图4中，原始点云p₁、p₂、p₃、p₄、p₅、p₆和p₇，对应的平面点云为p′₁、p′₂、p′₃、p′₄、p′₅、p′₆和p′₇；

(232)对于步骤(231)得到的平面点云，随机选取三个点连接为一个样本三角片作为初始曲面，采用区域生长算法不断对三角片合并以扩张曲面边界，形成完整的三角网格曲面；

(233)根据投影点云的连接关系，采用反投影方法确定各原始三维点间的拓扑连接，所得三角网格为重建得到的工件表面的曲面网格模型；三角网格是先将空间原始点投影到一个平面，得到平面投影三角形网格，然后根据投影的一一对应关系进行反投影，得到空间原始点的三角网格；

(234)将步骤(233)生成的曲面网格模型根据STL文件格式标准进行存储，得到待打磨工件表面的STL模型。

进一步的，步骤(3)包括以下步骤：

(31)平面模型点云分割：对步骤(22)得到的平滑点云模型，采用基于随机采样一致性的点云分割算法进行分割，设定分割模型为平面模型、模型局内点的最小数目以及算法允许偏差距离绝对值，分割得到一组由待打磨工件表面不同平面点集组成的平面点集集合以及各个平面点集的拟合参数；

(32)检测内外边界关键点：具体包括：

(321)点云投影：将平面点集S_i中的所有点投影到拟合参数表示的平面中，得到该平面点集无偏差的平面点云模型；

(322)检测内外包边界：提取点云的内外边界关键点序列集合：对于每个平面点云模型中的点云数据，分别选取平面最小外包多边形顶点作为关键点：对于关键点为多边形外边界顶点情况，以平面法向量方向为上方，以一组顺时针关键点序列组成边界关键点；对于关键点为多边形内边界顶点情况，以平面法向量方向为上方，以一组逆时针关键点序列组成边界关键点，关键点是多边形角点，通过该点与前后各1个相邻序列点是否共线获得；

(33)简化边界点：对步骤(32)得到的关键点序列进行简化，提取角点作为关键点，剔除序列中非角点元素，得到简化的边界点序列集合；

(34)进行STL语义标签：根据步骤(33)得到的简化的边界点序列集合对步骤(2)生成的工件表面的STL模型进行区域划分，在STL模型中标记待打磨区域的内外边界，实现工件表面的STL模型的语义标签。

进一步的，步骤(4)包括以下步骤：

(41)提取模型信息：根据步骤(3)生成的工件表面的STL模型，提取三角片网格信息；

(42)构建包围盒：构建一个能够将待打磨工件表面的STL网格曲面包含在内的长方体作为包围盒，并创建相应的包围盒坐标系，包围盒坐标系的原点在包围盒长方体的几何中心，各坐标轴与长方体各边平行；

(43)选取打磨特征框：将工件表面的STL网格曲面向垂直于包围盒各轴正方向的面进行投影，计算各投影的面积，并选取投影面积最大的一个面作为打磨的特征框；

(44)生成打磨特征线：设打磨覆盖半径为r，将打磨路径各行程的间距选择为r/2，以此为相邻特征线之间的距离，从而在特征面上生成相互平行的打磨特征线；

(45)生成机器人打磨运动轨迹：用特征线沿着法线方向在待打磨工件表面投影，所截得的曲线即为打磨行程，将相邻机器人打磨行程进行连接，得到最终的机器人打磨运动轨迹。

进一步的，步骤(5)包括以下步骤：

(51)实时采集六维力/力矩传感器的数据，经重力补偿之后得到实际打磨的接触力；

(52)采用未知环境刚度下的阻抗控制算法，根据打磨过程中的实时接触力与期望的接触力，计算得到对应的位置调整量；

(53)将步骤(52)得到的位置调整量添加到步骤(4)得到的机器人打磨运动轨迹中，从而实现机器人恒力打磨控制。

有益效果：与现有技术相比，本发明首先基于线结构光感知，解决于机器人打磨作业3维模型与实际偏差较大的问题，通过扫描工件表面，得到对应的点云模型，根据点云模型建立工件表面的STL模型，提取并利用工件表面STL模型的几何特征和拓扑特征，将工件曲面划分为若干不带空洞的平面，接着利用STL模型构建特征框，采用切割平面投影方法,生成机器人打磨运动轨迹，最后在打磨过程中根据实时力反馈实现恒力打磨控制。此方法简单高效，能够满足工业机器人在打磨应用中安全性、高精度、扩展性的需求，提高机器人打磨应用的有效性、通用性，具有广阔的应用前景和良好的经济效益。

附图说明

图1是本发明方法总体流程图；

图2是坐标系的变换示意图；

图3是本发明实施例中步骤2的流程框图；

图4是本发明实施例中贪婪投影法示意图；

图5是本发明实施例中步骤3的流程框图；

图6是本发明实施例中包围盒的构造示意图；

图7是本发明实施例中三角网格片示意图；

图8是本发明实施例中特征框和特征线示意图；

图9是本发明实施例中步骤4的流程框图。

具体实施方式

下面结合附图和具体实施方式对本发明做进一步说明。

本发明的一种基于曲面自适应的工业机器人高精度恒力打磨方法，首先采用线结构光传感器对待打磨工件表面进行扫描得到工件表面点云模型，接着对点云进行预处理，建立工件表面的STL(stereolithography)模型，然后根据工件表面STL模型构建特征框，采用切割平面投影方法,生成机器人打磨运动轨迹，最后通过采用基于六维力/力矩传感器实时反馈的力控算法实现打磨过程中的恒力控制。如图1所示，该方法包括以下步骤：

1、获取待打磨工件表面数据信息：采用线结构光扫描方式获取待打磨工件表面的扫描采样点数据信息，得到待打磨工件的有序点云模型；

包括以下步骤：

(11)设置扫描的起始位姿，扫描间距、扫描方向、扫描次数。

(12)在当前扫描路径点触发线结构光传感器进行一次扫描，得到由传感器坐标系表示的扫描数据。

(13)将步骤(12)中得到的由传感器坐标系表示的扫描数据变换到机器人基坐标系中，坐标系的变换示意图如图2所示，变换关系如式(1)所示：

其中，^BP表示扫描数据再机器人基坐标系中的位置，

表示机器人末端法兰盘坐标系到基坐标系的转换矩阵，

表示传感器坐标系到机器人末端法兰盘坐标系的转换矩阵，^SP表示传感器扫描数据在传感器坐标系中的位置。

(14)若当前扫描点非最后一个扫描路径点，则移动到下一扫描路径点，并将该点作为当前点，返回步骤(12)；若该点为最后一个扫描路径点，则执行步骤(15)。

(15)所有经坐标变换后的扫描数据组成待打磨工件的有序点云模型。

2、建立工件表面STL模型：将步骤(1)得到的待打磨工件的有序点云模型，进行滤波处理，得到精确的待打磨工件有序点云模型，接着采用移动最小二乘曲面拟合方法，对精确的待打磨工件有序点云模型进行平滑处理，得到平滑的点云模型，任取一个平面，将得到的点云作为原始点云，投影到该平面，得到与原始点云中的点一一对应的平面点云，然后随机选取三个点连接为一个样本三角片作为初始曲面，采用区域生长算法不断对三角片合并以扩张曲面边界，形成完整的三角网格曲面，接着根据投影点云的连接关系，采用反投影方法确定各原始三维点间的拓扑连接，所得三角网格为重建得到的曲面网格模型，对曲面网格模型根据STL文件格式标准进行存储，得到待打磨工件的STL模型。

如图3所示，所述的步骤2包括以下步骤：

(21)点云滤波：对于步骤(15)得到的待打磨工件的有序点云模型，进行滤波处理，得到精确的待打磨工件的有序点云模型，具体包括以下步骤：

(211)根据机器人安装的位置及运动范围，剔除与待打磨工件无关的采样区域，得到机器人参考坐标系下带有噪声的待打磨工件的有序点云模型；

(212)通过中值滤波算法剔除步骤(211)得到的带有噪声的待打磨工件的有序点云模型中的噪声点：对步骤(211)得到的带有噪声的待打磨工件的有序点云模型中的每个数据点p_i，以p_i为中值窗口中心，取中值窗口边长为w，则对中值窗口内的w×w个扫描数据求取中值

当

时，

当

时，p_i保持不变；其中，δ表示中值滤波器滤波阈值；从而得到机器人参考坐标系下的精确的待打磨工件的有序点云模型。

(22)点云平滑处理：对于步骤(21)得到的精确的待打磨工件的有序点云模型，由于采样过程中传感器的不确定性，得到的精确的待打磨工件的有序点云模型存在一定的不确定性，其表现就是点云不够平滑。对此，本实例采用基于移动最小二乘法的曲面拟合方法对点云进行平滑，以去除传感器精度等带来的扫描误差问题，得到平滑的点云模型。

采用移动最小二乘曲面拟合方法，对于步骤(21)得到的精确的待打磨工件的有序点云模型，进行平滑处理，得到平滑的点云模型。步骤(22)具体包括：

(221)将步骤(21)得到的精确的待打磨工件的有序点云模型所在区域网格化；

(222)修正每个网格点的坐标：首先确定网格点的影响区域大小，然后确定位于网格点影响区域内的点(x_I,y_I,z_I)，I＝1、2、…、n，n表示网格点影响区域内点的总数；随后根据式(2)所示的拟合函数得出修正后的网格点坐标：

z＝f(x,y)＝p^T(x,y)α(x,y) (2)；

式中，p(x,y)＝[1,x,y]^T表示线性基，上标T表示转置，α(x,y)表示系数矢量，α(x,y)根据优化方程

取得极小值求得；

(223)连接网格点，形成拟合曲面：根据修正后的网格点坐标连接网格点，形成拟合曲面；

(224)将点云投影到步骤(223)的拟合曲面上，得到平滑的点云模型。

(23)构建工件表面的STL模型：采用贪婪投影三角形方法对步骤(22)得到的平滑的点云模型进行处理，生成工件曲面的STL模型。如图4所示，步骤(23)具体包括：

(231)任取一个平面，将步骤(22)得到的平滑点云模型中的点云作为原始点云，投影到该平面，得到与原始点云中的点一一对应的平面点云；图4中，原始点云p₁、p₂、p₃、p₄、p₅、p₆和p₇，对应的平面点云为p₁′、p′₂、p₃′、p′₄、p′₅、p′₆和p′₇；

(232)对于步骤(231)得到的平面点云，随机选取三个点连接为一个样本三角片作为初始曲面，采用区域生长算法不断对三角片合并以扩张曲面边界，形成完整的三角网格曲面；

(233)根据投影点云的连接关系，采用反投影方法确定各原始三维点间的拓扑连接，所得三角网格为重建得到的工件表面的曲面网格模型；三角网格是先将空间原始点投影到一个平面，得到平面投影三角形网格，然后根据投影的一一对应关系进行反投影，得到空间原始点的三角网格；

(234)将步骤(233)生成的曲面网格模型根据STL文件格式标准进行存储，得到待打磨工件表面的STL模型。

3、划分曲面：提取并利用待打磨工件表面的STL模型的几何特征和拓扑特征，将待打磨工件曲面划分为若干不带空洞的平面；

对步骤(22)得到的平滑点云模型，采用基于随机采样一致性的点云分割算法进行分割，设定分割模型为平面模型，分割得到一组由工件表面不同平面点集组成的平面点集集合以及各个平面点集的拟合参数，检测内外边界关键点，对关键点序列进行简化，提取角点作为关键点，剔除序列中非角点元素，得到简化的边界点序列集合；根据简化的边界点序列集合对步骤2生成的待打磨工件表面的STL模型进行区域划分，在待打磨工件表面的STL模型中标记待打磨区域的内外边界，实现待打磨工件表面的STL模型的语义标签。

如图5所示，所述的步骤3包括以下步骤：

(31)平面模型点云分割：对步骤(22)得到的平滑点云模型，采用基于随机采样一致性的点云分割算法进行分割，设定分割模型为平面模型、模型局内点的最小数目以及算法允许偏差距离绝对值，分割得到一组由待打磨工件表面不同平面点集组成的平面点集集合以及各个平面点集的拟合参数。作为优选例，模型局内点的最小数目为20，算法允许偏差距离绝对值为1cm。

对于步骤(22)得到的平滑点云模型，形式如下：

ax+by+cz+d＝0；

其中，(x,y,z)表示点的三维坐标，a、b、c、d为平面拟合参数；采用基于随机采样一致性的点云分割算法进行分割，设定分割模型为平面模型，算法运行参数设置如下：模型局内点最小数目为20，算法允许偏差距离绝对值为1cm。最终分割得到若干拟合平面点集S_i(i＝1,2,…,N)及对应拟合模型参数a_i,b_i,c_i,d_i；

采样一致性算法是已有技术。所述的基于随机采样一致性的点云分割算法进行分割的过程为：

(311)从输入的平滑点云模型中的点云数据集中随机选择若干点，并计算平面模型参数。将当前最大内点个数设为dm＝0；

(312)对该点云数据集设置距离阈值，逐个点云测试数据集中的所有点，若点到拟合平面的距离小于阈值，则将该点归类为模型局内点，否则为外点；

(313)统计本内点的个数d1，判断是否大于设定的个数阈值d0，如果是，执行步骤(314)，如果不是，直接跳转执行步骤(315)；

(314)用内点重新拟合平面，作为平面模型输出，存储所有内点作为分割结果，分割结束；

(315)将d1与dm进行比较，若d1>dm则存储本步骤拟合的平面模型，并设置dm＝d1；

(316)与当前最大的局内点个数对比，如果大于则取代当前最大局内点个数，并存储当前的模型系数，返回步骤(311)，直至分割结束；

(32)检测内外边界关键点：具体包括：将步骤(31)得到的各个平面点集S_i根据其对应的平面拟合参数进行如下处理：

(321)点云投影：将平面点集S_i中的所有点投影到拟合参数表示的平面中，得到该平面点集无偏差的平面点云模型；

(322)检测内外包边界：提取点云的内外边界关键点序列集合：对于每个平面点云模型中的点云数据，分别选取平面最小外包多边形顶点作为关键点：对于关键点为多边形外边界顶点情况，以平面法向量方向为上方，以一组顺时针关键点序列组成边界关键点；对于关键点为多边形内边界顶点情况，以平面法向量方向为上方，以一组逆时针关键点序列组成边界关键点。关键点是多边形角点，通过该点与前后各1个相邻序列点是否共线获得；

(33)简化边界点：对步骤(32)得到的关键点序列进行简化，提取角点作为关键点，剔除序列中非角点元素，得到简化的边界点序列集合；

(34)进行STL语义标签：根据步骤(33)得到的简化的边界点序列集合对步骤(234)生成的待打磨工件表面的STL模型进行区域划分，在待打磨工件STL数模模型中标记待打磨区域的内外边界，实现待打磨工件表面的STL模型的语义标签。

4、生成机器人打磨运动轨迹：根据待打磨工件表面的STL模型构建特征框，采用切割平面投影方法，生成机器人打磨运动轨迹；

根据步骤3生成的待打磨工件表面的STL模型，提取三角片网格信息，接着构建一个能够将待打磨工件的STL网格曲面包含在内的长方体作为包围盒，并创建相应的包围盒坐标系，包围盒坐标系的原点在包围盒长方体的几何中心，各坐标轴与长方体各边平行，然后将待打磨工件的STL网格曲面向垂直于包围盒各轴正方向的面进行投影，计算各投影的面积，并选取投影面积最大的一个面作为打磨的特征框，设打磨覆盖半径为r，将打磨路径各行程的间距选择为r/2，以此为相邻特征线之间的距离，从而在特征面上生成相互平行的打磨特征线，最后用特征线沿着法线方向在待打磨工件表面投影，所截得的曲线即为机器人打磨行程，将相邻机器人打磨行程进行连接，得到最终的机器人打磨运动轨迹。

如图9所示，步骤4包括以下步骤：

(41)提取模型信息：根据步骤(3)生成的工件表面的STL模型，提取三角片网格信息。

(42)构建包围盒：构建一个能够将待打磨工件的STL网格曲面包含在内的长方体作为包围盒，并创建相应的包围盒坐标系，包围盒坐标系的原点在包围盒长方体的几何中心，各坐标轴与长方体各边平行。

包围盒的构造过程如图6所示，将包围盒坐标系的原点O_BOX设定在包围盒长方体的几何中心，包围盒坐标系的坐标轴与长方体各边平行，并设与轴x_BOX平行的边长为A，与轴y_BOX平行的边长为B，与轴z_BOX平行的边长为C。只要求出点O_BOX，单位向量x_BOX、y_BOX、z_BOX，以及边长A、B、C，就可确定包围盒的位姿及大小。

如图7所示，设共有N个三角网格片，其中第i个三角网格片的三个顶点分别为pⁱ、qⁱ、rⁱ，面积为Aⁱ，三角形质心为Oⁱ(i＝1,2,…,N)。设N个三角网格片的总面积为A^H，则包围盒长方体的几何中心点O_BOX在待打磨工件坐标系中的坐标值为各三角网格片质心在工件坐标系中坐标值的面积加权平均μ，可由下式得出：

设三角网格片各顶点的协方差矩阵为C，3×3矩阵C第j行、第k列的元素C_jk由下式求得：

其中，

μ＝(μ₁,μ₂,μ₃)^T。

由于协方差矩阵C为实对称矩阵，不同特征值所对应的特征向量是正交的，求出矩阵C三个相互正交的特征向量，单位化后即得到包围盒坐标系坐标轴的方向向量。然后对所有三角网格片顶点进行遍历，求出各顶点在三个坐标轴上的投影最大值和最小值，分别为x_max、x_min、y_max、y_min、z_max、z_min，从而确定包围盒的边长：a＝x_max-x_min，b＝y_max-y_min，c＝z_max-z_min。

(43)选取打磨特征框：将工件表面的STL网格曲面向垂直于包围盒各轴正方向的面进行投影，计算各投影的面积，并选取投影面积最大的一个面作为打磨的特征框。在包围盒坐标系中，设打磨表面沿x轴正方向的投影面积为A_x+，沿y轴正方向的投影面积为A_y+，沿z轴正方向的投影面积为A_z+。A_x+、A_y+、A_z+中数值最大者，选择其所对应的包围盒表面作为***的打磨特征框。

(44)生成打磨特征线：如图8所示，设打磨覆盖半径为r，将打磨路径各行程的间距选择为r/2，以此为相邻特征线之间的距离，从而在特征面上生成相互平行的打磨特征线。

(45)生成机器人打磨运动轨迹：用特征线沿着法线方向在待打磨工件表面投影，所截得的曲线即为机器人打磨行程，将相邻机器人打磨行程进行连接，得到最终的机器人打磨运动轨迹。

5、恒力打磨控制：机器人打磨过程中，利用六维力/力矩传感器的实时力反馈，采用未知环境刚度下的阻抗控制算法，对打磨过程中的实时力进行补偿，从而满足机器人打磨过程中的恒力控制要求，实现高精度打磨，具体包括以下步骤：

(51)实时采集六维力/力矩传感器的数据，经重力补偿之后得到实际打磨的接触力；

(52)采用未知环境刚度下的阻抗控制算法，根据打磨过程中的实时接触力与期望的接触力，计算得到对应的位置调整量；

(53)将步骤(52)得到的位置调整量添加到步骤4得到的机器人打磨运动轨迹中，从而实现机器人恒力打磨控制。

Claims (6)

1.一种基于曲面自适应的工业机器人高精度恒力打磨方法，其特征在于，包括以下步骤：

(1)获取待打磨工件表面数据信息：采用线结构光扫描方式获取待打磨工件表面的扫描采样点数据信息，获取待打磨工件的有序点云模型；

(2)建立工件表面STL模型：通过点云预处理，建立工件表面STL模型；

(3)划分曲面：提取并利用待打磨工件表面STL模型的几何特征和拓扑特征，将待打磨工件曲面划分为若干不带空洞的平面；

(4)生成机器人打磨运动轨迹：根据待打磨工件表面STL模型构建特征框，采用切割平面投影方法生成机器人打磨运动轨迹；

(5)恒力打磨控制：机器人打磨过程中，根据实时力反馈实现恒力打磨控制。

2.根据权利要求1所述的一种基于曲面自适应的工业机器人高精度恒力打磨方法，其特征在于，步骤(1)包括以下步骤：

(11)设置扫描的起始位姿、扫描间距、扫描方向和扫描次数；

(12)在当前扫描路径点触发线结构光传感器进行一次扫描；

(13)将步骤(12)中得到的由线结构光传感器坐标系表示的扫描数据变换到机器人基坐标系中，坐标变换关系为：

其中，^BP表示扫描数据再机器人基坐标系中的位置，

表示机器人末端法兰盘坐标系到基坐标系的转换矩阵，

表示传感器坐标系到机器人末端法兰盘坐标系的转换矩阵，^SP表示传感器扫描数据在传感器坐标系中的位置；

(14)若当前扫描点非最后一个扫描路径点，则移动到下一扫描路径点，并将该点作为当前点，返回步骤(12)；若该点为最后一个扫描路径点，则执行步骤(15)；

(15)所有经坐标变换后的扫描数据组成待打磨工件的有序点云模型。

3.根据权利要求1所述的一种基于曲面自适应的工业机器人高精度恒力打磨方法，其特征在于，步骤(2)包括以下步骤：

(21)点云滤波：对于步骤(1)得到的待打磨工件的有序点云模型，进行滤波处理，得到精确的待打磨工件的有序点云模型，具体包括：

(211)根据机器人安装的位置及运动范围，剔除与待打磨工件无关的采样区域，得到机器人参考坐标系下带有噪声的待打磨工件的有序点云模型；

(212)通过中值滤波算法剔除步骤(211)得到的带有噪声的待打磨工件的有序点云模型中的噪声点：对步骤(211)得到的带有噪声的待打磨工件有序点云模型中的每个数据点p_i，以p_i为中值窗口中心，取中值窗口边长为w，则对中值窗口内的w×w个扫描数据求取中值

当

时，

当

时，p_i保持不变；其中，δ表示中值滤波器滤波阈值；从而得到机器人参考坐标系下的精确的待打磨工件的有序点云模型；

(22)点云平滑处理：采用移动最小二乘曲面拟合方法，对于步骤(21)得到的精确的待打磨工件的有序点云模型，进行平滑处理，得到平滑的点云模型；具体包括：

(221)将步骤(21)得到的精确的待打磨工件的有序点云模型所在区域网格化；

(222)修正每个网格点的坐标：首先确定网格点的影响区域大小，然后确定位于网格点影响区域内的点(x_I,y_I,z_I)，I＝1、2、…、n，n表示网格点影响区域内点的总数；随后根据下式所示的拟合函数得出修正后的网格点坐标：

z＝f(x,y)＝p^T(x,y)α(x,y)；

式中，p(x,y)＝[1,x,y]^T表示线性基，上标T表示转置，α(x,y)表示系数矢量，α(x,y)根据优化方程

取得极小值求得；

(223)连接网格点，形成拟合曲面：根据修正后的网格点坐标连接网格点，形成拟合曲面；

(224)将点云投影到步骤(223)的拟合曲面上，得到平滑点云模型；

(23)构建工件表面的STL模型：采用贪婪投影三角形方法对步骤(22)得到的平滑的点云模型进行处理，生成工件曲面的STL模型；具体包括：

(231)任取一个平面，将步骤(22)得到的平滑点云模型中的点云作为原始点云，投影到该平面，得到与原始点云中的点一一对应的平面点云；

(232)对于步骤(231)得到的平面点云，随机选取三个点连接为一个样本三角片作为初始曲面，采用区域生长算法不断对三角片合并以扩张曲面边界，形成完整的三角网格曲面；

(233)根据投影点云的连接关系，采用反投影方法确定各原始三维点间的拓扑连接，所得三角网格为重建得到的工件表面的曲面网格模型；三角网格是先将空间原始点投影到一个平面，得到平面投影三角形网格，然后根据投影的一一对应关系进行反投影，得到空间原始点的三角网格；

(234)将步骤(233)生成的曲面网格模型根据STL文件格式标准进行存储，得到待打磨工件表面的STL模型。

4.根据权利要求1所述的一种基于曲面自适应的工业机器人高精度恒力打磨方法，其特征在于，步骤(3)包括以下步骤：

(31)平面模型点云分割：对平滑的点云模型，采用基于随机采样一致性的点云分割算法进行分割，设定分割模型为平面模型、模型局内点的最小数目以及算法允许偏差距离绝对值，分割得到一组由待打磨工件表面不同平面点集组成的平面点集集合以及各个平面点集的拟合参数；

(32)检测内外边界关键点：具体包括：

(321)点云投影：将平面点集S_i中的所有点投影到拟合参数表示的平面中，得到该平面点集无偏差的平面点云模型；

(322)检测内外包边界：提取点云的内外边界关键点序列集合：对于每个平面点云模型中的点云数据，分别选取平面最小外包多边形顶点作为关键点：对于关键点为多边形外边界顶点情况，以平面法向量方向为上方，以一组顺时针关键点序列组成边界关键点；对于关键点为多边形内边界顶点情况，以平面法向量方向为上方，以一组逆时针关键点序列组成边界关键点；

(33)简化边界点：对步骤(32)得到的关键点序列进行简化，提取角点作为关键点，剔除序列中非角点元素，得到简化的边界点序列集合；

(34)进行STL语义标签：根据步骤(33)得到的简化的边界点序列集合对步骤(2)生成的工件表面的STL模型进行区域划分，在STL模型中标记待打磨区域的内外边界，实现工件表面的STL模型的语义标签。

5.根据权利要求1所述的一种基于曲面自适应的工业机器人高精度恒力打磨方法，其特征在于，步骤(4)包括以下步骤：

(41)提取模型信息：根据步骤(3)生成的工件表面的STL模型，提取三角片网格信息；

(42)构建包围盒：构建一个能够将待打磨工件表面的STL网格曲面包含在内的长方体作为包围盒，并创建相应的包围盒坐标系，包围盒坐标系的原点在包围盒长方体的几何中心，各坐标轴与长方体各边平行；

(43)选取打磨特征框：将工件表面的STL网格曲面向垂直于包围盒各轴正方向的面进行投影，计算各投影的面积，并选取投影面积最大的一个面作为打磨的特征框；

(44)生成打磨特征线：设打磨覆盖半径为r，将打磨路径各行程的间距选择为r/2，以此为相邻特征线之间的距离，从而在特征面上生成相互平行的打磨特征线；

(45)生成机器人打磨运动轨迹：用特征线沿着法线方向在待打磨工件表面投影，所截得的曲线即为打磨行程，将相邻机器人打磨行程进行连接，得到最终的机器人打磨运动轨迹。

6.根据权利要求1所述的一种基于曲面自适应的工业机器人高精度恒力打磨方法，其特征在于，步骤(5)包括以下步骤：

(51)实时采集六维力/力矩传感器的数据，经重力补偿之后得到实际打磨的接触力；

(52)采用未知环境刚度下的阻抗控制算法，根据打磨过程中的实时接触力与期望的接触力，计算得到对应的位置调整量；

(53)将步骤(52)得到的位置调整量添加到步骤(4)得到的机器人打磨运动轨迹中，从而实现机器人恒力打磨控制。

Images