CN111428334A - 激光雷达测量中机器人站位规划方法 - Google Patents
激光雷达测量中机器人站位规划方法 Download PDFInfo
- Publication number
- CN111428334A CN111428334A CN202010054454.2A CN202010054454A CN111428334A CN 111428334 A CN111428334 A CN 111428334A CN 202010054454 A CN202010054454 A CN 202010054454A CN 111428334 A CN111428334 A CN 111428334A
- Authority
- CN
- China
- Prior art keywords
- measurement
- point
- laser radar
- reachable
- industrial robot
- 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
Images
Landscapes
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种激光雷达测量中机器人站位规划方法,用于解决现有激光雷达测量中测量视点规划方法测量站位点多的技术问题。技术方案是首先构建CAD仿真模型并建立坐标系,再构建视点可达圆锥模型,根据测量精度要求对视点可达圆锥模型进行离散处理,利用激光雷达测量约束和工业机器人手臂可达空间范围约束对小球集合进行筛选,将满足约束条件的小球保留,取包含小球种类最多的相交区域,以相交区域的型心作为激光雷达测量站位点。本发明使用离散小球进行测量可达域计算,根据测量精度确定离小球半径,使测量速率与测量精度相适应。针对不同的测量精度,算法都保持较高的计算效率,激光雷达测量站位点总数减少20~30%。
Description
技术领域
本发明涉及一种激光雷达测量中测量视点规划方法,特别涉及一种激光雷达测量中机器人站位规划方法。
背景技术
激光雷达自动化三维测量是由多自由度机器人调整激光雷达位姿,从多个测量视点对零件进行测量,从而获得准确的测量数据。测量视点的生成过程影响检测的整体 效率和准确率。
文献“CN109163674A一种面结构光自动化三维测量中传感器测量视点规划方法”提出了一种基于面结构光测量的测量视点规划方法。通过对复杂零件分块处理,将数 量众多的被检测点分配到单个体积块中。使用一个测量视点检测多个类似的被检测点, 从而提高检测效率。然而对于复杂装配体而言,装配体的空间结构更加复杂,需要的 测量视点更多。检测任务也是复杂零件的数倍。该方法无法满足复杂的装配体的检测 需求。
国内外已存在关于测量视点自动规划技术的多项研究。其中较为先进的方法是分析检测任务中的各种约束之间的相互关系,基于这些关系生成一个符合限制条件的测 量视点。对于复杂装配体的检测而言,这种方法的计算量大、耗时高。缺乏对数量众 多的测量视点聚类优化的过程。
综上所述,目前复杂装配体测量过程中,存在算法效率低,测量点冗余等问题。
发明内容
为了克服现有激光雷达测量中测量视点规划方法测量站位点多的不足,本发明提供一种激光雷达测量中机器人站位规划方法。该方法首先构建CAD仿真模型并建立 坐标系,再构建视点可达圆锥模型,根据测量精度要求对视点可达圆锥模型进行离散 处理,利用激光雷达测量约束和工业机器人手臂可达空间范围约束对小球集合进行筛 选,将满足约束条件的小球保留,取包含小球种类最多的相交区域,以相交区域的型 心作为激光雷达测量站位点。将从测量站位点能测量的测量点所对应的离散小球,从 所有测量点所对应的离散小球集合中移除。对其余测量点继续上述过程,直至生成与 所有测量点相对应的激光雷达测量站位点。本发明使用离散小球进行测量可达域计算, 根据测量精度确定离小球半径,使测量速率与测量精度相适应。针对不同的测量精度, 算法都可以保持较高的计算效率。本发明方法的柔性高于背景技术方法。对测量可达 域进行几何求交运算,实现用数量最少激光雷达测量站位点完成检测任务,将激光雷 达测量站位点总数减少20~30%。
本发明解决其技术问题所采用的技术方案:一种激光雷达测量中机器人站位规划方法,其特点是包括以下步骤:
(a)构建CAD仿真模型并建立坐标系。采用三维造型软件,将已知的激光雷达、 机器人手臂模型和零件模型装配在检测平台上。建立检测世界坐标系Sw,任选检测平 台上一点作为Sw的原点,用三维移动平台的三个正交运动方向分别作为Sw的X,Y,Z轴 的方向。以机器人手臂基座中心点Ob为基点建立运动坐标系Sb,三个坐标轴的方向与 Sw的三个坐标轴的方向相同。标注出所有测量点的坐标和表面法式。
(b)构建视点可达圆锥模型。从被测模型中提取出每个测量点的坐标和表面单位法矢。根据每个测量点Pw,i的坐标(xw,i,yw,i,zw,i)和表面单位法矢 i=1,2,...,m,m是测量点总个数。以Pw,i(xw,i,yw,i,zw,i)为视点可达圆锥顶点,为轴线作一个顶角为θk的视点可达圆锥。取视点可达圆锥上一条母 线ζi,0,ζi,0的方向矢量为
其中I为3×3单位矩阵,
用多条离散的母线表示视点可达圆锥模型。
(c)根据测量精度要求对视点可达圆锥模型进行离散处理。小球半径C 表示测量特征的精度要求。对站位可达圆锥分层离散,每层高度h=2×rq,共分为J层,第j层的圆半径再将圆离散成圆环,相邻圆环间距d=2×rq, 共分为K层,第j层圆台的第k层圆环记为ringj,k,圆环半径表示为 计算圆环的周长用圆环ringj,k的周长Cc,j,k除以 小球直径dq=2·rq,结果向下取整,得到圆环ringj,k上离散小球的数量L。离散小球记 作qj,k,l。计算得出小球qj,k,l的圆心坐标(xj,k,l,yj,k,l,zj,k,l)。
由测量点Pw,i建立的视点可达圆锥用离散小球的集合表示,记为:
Si={qj,k,l|j∈[1,J],k∈[1,K],l∈[1,L],N+} (4)
(d)激光雷达测量约束定义。根据每个测量点Pw,i特征类型及测量精度要求,激 光雷达站位点Mw,i与测量点Pw,i满足距离约束、角度约和干涉约束。
距离约束:激光雷达站位Mw,i与测量点Pw,i之间的距离Li满足有效范围要求,即Lmin<Li<Lmax。其中Lmin,Lmax分别是在满足测量精度的要求下,允许的最小和最大距 离。
角度约束:由测量点Pw,i指向激光雷达站位Mw,i的向量与测量点Pw,i的法矢夹角θi满足有效范围要求,即θmin<θi<θmax。其中θmin,θmax是满足 测量精度要求所允许的最小和最大角度。由检测对象的特征类型决定。
测量约束边界用离散的母线矢量表示,其中圆锥顶角θk=2θi。根据距离约束Lmin,Lmax在母线ζi,0上截取线段μi,0,线段μi,0的端点为和PA,w,iPB,w,i以表面单位法矢为轴旋转360°得到激光雷达的测量约束边界。
sαi=sin(αi)
机器人手臂工作可达区域由前三个关节的工作区域决定。根据工业机器人的结构参数 关节变量θi满足对关节变量θ2、θ3采用极限组合原理,可得到当θ1=0时工业机器人腕关节端点在机器人坐标系中的工作空间边界,再根据工作空间边界 求出工作空间关键点的z坐标,这些关键点为θ1=0时工作空间内外边界z坐标 最大和最小的点以及边界表达式发生变化处点的z坐标,记为Z1,Z2......,Z7。然后求出 腕关节端点到机器人坐标系z轴的距离Di,以及在对应的z坐标处工作空间 W0(Pw)的内外边界到机器人坐标系z轴的距离和如果有成 立,则说明在工作空间内部。的参数方程分别为:
式中,
c1=cos(θ1),c2=cos(θ2),c3=cos(θ3);
s1=sin(θ1),s2=sin(θ2),s3=sin(θ3);
s23=sin(θ2+θ3);
c23=cos(θ2+θ3);
d4是工业机器人连杆4的关节偏置距离;θ1是工业机器人连杆1的关节转角;θ2是工业机器人连杆2的关节转角;
θ3是工业机器人连杆3的关节转角;a1是工业机器人连杆1的长度;a2是工业机器人连杆2的长度;
(f)利用(d)、(e)中的激光雷达测量约束和工业机器人手臂可达空间范围约束对小球集合Si={qj,k,l|j∈[1,J],k∈[1,K],l∈[1,L],N+}进行筛选。将满足约束条件的小球保 留。对Si={qj,k,l|j∈[1,J],k∈[1,K],l∈[1,L],N+}筛选处理得到测量可达域Si'。
(h)将每个测量点的测量可达域Si'求交。取包含小球种类最多的相交区域Ti,以相交区域Ti的型心作为激光雷达测量站位点Qw,i。将从测量站位点Qw,i能测量的测量点 Pw,i所对应的离散小球,从所有测量点所对应的离散小球集合中移除。对其余测量点继 续上述过程,直至生成与所有测量点Pw,i相对应的激光雷达测量站位点Qw,i。
本发明的有益效果是:该方法首先构建CAD仿真模型并建立坐标系,再构建视 点可达圆锥模型,根据测量精度要求对视点可达圆锥模型进行离散处理,利用激光雷 达测量约束和工业机器人手臂可达空间范围约束对小球集合进行筛选,将满足约束条 件的小球保留,取包含小球种类最多的相交区域,以相交区域的型心作为激光雷达测 量站位点。将从测量站位点能测量的测量点所对应的离散小球,从所有测量点所对应 的离散小球集合中移除。对其余测量点继续上述过程,直至生成与所有测量点相对应 的激光雷达测量站位点。本发明使用离散小球进行测量可达域计算,根据测量精度确 定离小球半径,使测量速率与测量精度相适应。针对不同的测量精度,算法都可以保 持较高的计算效率。本发明算法的柔性高于目前所使用的算法。对测量可达域进行几 何求交运算,实现用数量最少激光雷达测量站位点完成检测任务,将激光雷达测量站 位点总数减少20~30%。
下面结合附图和具体实施方式对本发明作详细说明。
附图说明
图1是本发明激光雷达测量中机器人站位规划方法的流程图。
图2是本发明方法中激光雷达测量约束定义。
图3是本发明方法中测量可达圆锥离散化模型。
图4是本发明方法中机器人手臂运动范围约束。
图5是本发明方法中测量可达域求交示意图。
具体实施方式
参照图1-5。本发明激光雷达测量中机器人站位规划方法具体步骤如下:
步骤1、构建CAD仿真模型并建立坐标系。
使用UG软件,将已知的激光雷达、机器人手臂模型和零件模型装配在检测平台上。建立检测世界坐标系Sw,任选检测平台上一点作为Sw的原点,用三维移动平台的 三个正交运动方向分别作为Sw的X,Y,Z轴的方向。以机器人手臂基座中心点Ob为基点 建立运动坐标系Sb,三个坐标轴的方向与Sw的三个坐标轴的方向相同。标注出所有测 量点的坐标和表面法式。
步骤2、构建视点可达圆锥模型。
根据每个测量点Pw,i的坐标(xw,i,yw,i,zwi,)和表面单位法矢 m是测量点总个数。以Pw,i(xw,i,yw,i,zw,i)为视点可达圆锥顶点,为轴线作一个顶角为θk的视点可达圆锥。取视点可达圆锥上一条母 线ζi,0,ζi,0的方向矢量为
用多条离散的母线表示视点可达圆锥模型。
步骤3、视点可达圆锥模型离散处理。
根据测量精度要求对视点可达圆锥模型进行离散处理。用离散小球表示视点可达圆锥。小球半径C表示测量特征的精度要求。对站位可达圆锥分层离散,每 层高度h=2×rq,共分为J层,第j层的圆半径再将圆离散 成圆环,相邻圆环间距d=2×rq,共分为K层,第j层圆台的第k层圆环记 为ringj,k,圆环半径表示为计算圆环的周长 用圆环ringj,k的周长Cc,j,k除以小球直径dq=2·rq,结果向下取 整,得到圆环ringj,k上离散小球的数量L。离散小球记作qj,k,l。计算得出小球qj,k,l的圆 心坐标(xj,k,l,yj,k,l,zj,k,l)。
由测量点Pw,i建立的视点可达圆锥用离散小球的集合表示,记为 Si={qj,k,l|j∈[1,J],k∈[1,K],l∈[1,L],N+}。
步骤4、激光雷达测量约束定义。
根据每个测量点Pw,i特征类型及测量精度要求,激光雷达站位点Mw,i与测量点Pw,i满足距离约束、角度约束,干涉约束。
距离约束:激光雷达站位Mw,i与测量点Pw,i之间的距离Li满足有效范围要求,即Lmin<Li<Lmax。其中Lmin,Lmax分别是在满足测量精度的要求下,允许的最小和最大距 离。
角度约束:由测量点Pw,i指向激光雷达站位Mw,i的向量与测量点Pw,i的法矢夹角θi满足有效范围要求,即θmin<θi<θmax。其中θmin,θmax是满足 测量精度要求所允许的最小和最大角度。由检测对象的特征类型决定。
步骤5、工业机器人手臂可达空间范围约束定义。
sαi=sin(αi)
机器人手臂工作可达区域由前三个关节的工作区域决定。根据工业机器人的结构参数 关节变量θi满足对关节变量θ2、θ3采用极限组合原理,可得到当θ1=0时工业机器人腕关节端点在机器人坐标系中的工作空间边界,再根据工作空间边界 求出工作空间关键点的z坐标,这些关键点为θ1=0时工作空间内外边界z坐标 最大和最小的点以及边界表达式发生变化处点的z坐标,记为Z1,Z2......,Z7。然后求出 腕关节端点到机器人坐标系z轴的距离Di,以及在对应的z坐标处工作空间 W0(Pw)的内外边界到机器人坐标系z轴的距离和如果有成 立,则说明在工作空间内部。的参数方程分别为:
式中:
c1=cos(θ1),c2=cos(θ2),c3=cos(θ3);
s1=sin(θ1),s2=sin(θ2),s3=sin(θ3);
s23=sin(θ2+θ3);
c23=cos(θ2+θ3);
d4是工业机器人连杆4的关节偏置距离;θ1是工业机器人连杆1的关节转角;θ2是工业机器人连杆2的关节转角;θ3是工业机器人连杆3的关节转角;a1是工业机器人连 杆1的长度;a2是工业机器人连杆2的长度;a3是工业机器人连杆3的长度;
步骤6、根据约束筛选满足条件的小球生成测量可达域。
利用步骤4、5中的激光雷达测量约束和工业机器人手臂可达空间范围约束对小球集合Si={qj,k,l|j∈[1,J],k∈[1,K],l∈[1,L],N+}进行筛选。将满足约束条件的小球保留。 对Si={qj,k,l|j∈[1,J],k∈[1,K],l∈[1,L],N+}筛选处理得到测量可达域Si'。
步骤7、测量可达域求交并计算得出测量站位点。
将每个测量点的测量可达域Si'求交。取包含小球种类最多的相交区域Ti,以相交区域Ti的型心作为激光雷达测量站位点Qw,i。将从测量站位点Qw,i能测量的测量点Pw,i所 对应的离散小球,从所有测量点所对应的离散小球集合中移除。对其余测量点继续上 述过程,直至生成与所有测量点Pw,i相对应的激光雷达测量站位点Qw,i。
Claims (1)
1.一种激光雷达测量中机器人站位规划方法,其特征在于包括以下步骤:
(a)构建CAD仿真模型并建立坐标系;采用三维造型软件,将已知的激光雷达、机器人手臂模型和零件模型装配在检测平台上;建立检测世界坐标系Sw,任选检测平台上一点作为Sw的原点,用三维移动平台的三个正交运动方向分别作为Sw的X,Y,Z轴的方向;以机器人手臂基座中心点Ob为基点建立运动坐标系Sb,三个坐标轴的方向与Sw的三个坐标轴的方向相同;标注出所有测量点的坐标和表面法式;
(b)构建视点可达圆锥模型;从被测模型中提取出每个测量点的坐标和表面单位法矢;根据每个测量点Pw,i的坐标(xw,i,yw,i,zw,i)和表面单位法矢 m是测量点总个数;以Pw,i(xw,i,yw,i,zw,i)为视点可达圆锥顶点,为轴线作一个顶角为θk的视点可达圆锥;取视点可达圆锥上一条母线ζi,0,ζi,0的方向矢量为
其中I为3×3单位矩阵,
用多条离散的母线表示视点可达圆锥模型;
(c)根据测量精度要求对视点可达圆锥模型进行离散处理;小球半径C表示测量特征的精度要求;对站位可达圆锥分层离散,每层高度h=2×rq,共分为J层,第j层的圆半径再将圆离散成圆环,相邻圆环间距d=2×rq,共分为K层,第j层圆台的第k层圆环记为ringj,k,圆环半径表示为计算圆环的周长用圆环ringj,k的周长Cc,j,k除以小球直径dq=2·rq,结果向下取整,得到圆环ringj,k上离散小球的数量L;离散小球记作qj,k,l;计算得出小球qj,k,l的圆心坐标(xj,k,l,yj,k,l,zj,k,l);
由测量点Pw,i建立的视点可达圆锥用离散小球的集合表示,记为:
Si={qj,k,l|j∈[1,J],k∈[1,K],l∈[1,L],N+} (4)
(d)激光雷达测量约束定义;根据每个测量点Pw,i特征类型及测量精度要求,激光雷达站位点Mw,i与测量点Pw,i满足距离约束、角度约和干涉约束;
距离约束:激光雷达站位Mw,i与测量点Pw,i之间的距离Li满足有效范围要求,即Lmin<Li<Lmax;其中Lmin,Lmax分别是在满足测量精度的要求下,允许的最小和最大距离;
角度约束:由测量点Pw,i指向激光雷达站位Mw,i的向量与测量点Pw,i的法矢夹角θi满足有效范围要求,即θmin<θi<θmax;其中θmin,θmax是满足测量精度要求所允许的最小和最大角度;由检测对象的特征类型决定;
测量约束边界用离散的母线矢量表示,其中圆锥顶角θk=2θi;根据距离约束Lmin,Lmax在母线ζi,0上截取线段μi,0,线段μi,0的端点为和PA,w,i PB,w,i以表面单位法矢为轴旋转360°得到激光雷达的测量约束边界;
(e)工业机器人手臂可达空间范围约束定义;采用经典的D-H方法建立连杆坐标系,通过连杆坐标系Ri相对于连杆坐标系Ri-1的坐标变换矩阵 得到工业机器人前三个关节形成的工作空间的方程Wi(Pi b){W0(Pi b)、W1(Pi b)、W2(Pi b)},其中
机器人手臂工作可达区域由前三个关节的工作区域决定;根据工业机器人的结构参数关节变量θi满足θi min<θi<θi max,对关节变量θ2、θ3采用极限组合原理,可得到当θ1=0时工业机器人腕关节端点Pi b在机器人坐标系中的工作空间边界,再根据工作空间边界求出工作空间W0(Pi b)关键点的z坐标,这些关键点为θ1=0时工作空间内外边界z坐标最大和最小的点以及边界表达式发生变化处点的z坐标,记为Z1,Z2......,Z7;然后求出腕关节端点Pi b到机器人坐标系z轴的距离Di,以及在对应Pi w的z坐标处工作空间W0(Pw)的内外边界到机器人坐标系z轴的距离和如果有成立,则说明Pi b在工作空间W0(Pi b)内部;W0(Pi b),W1(Pi b)W2(Pi b)的参数方程分别为:
式中,
c1=cos(θ1),c2=cos(θ2),c3=cos(θ3);
s1=sin(θ1),s2=sin(θ2),s3=sin(θ3);
s23=sin(θ2+θ3);
c23=cos(θ2+θ3);
d4是工业机器人连杆4的关节偏置距离;θ1是工业机器人连杆1的关节转角;θ2是工业机器人连杆2的关节转角;
θ3是工业机器人连杆3的关节转角;a1是工业机器人连杆1的长度;a2是工业机器人连杆2的长度;
a3是工业机器人连杆3的长度;机器人手臂运动空间边界用方程Wi(Pi b){W0(Pi b)、W1(Pi b)、W2(Pi b)}表示;
(f)利用(d)、(e)中的激光雷达测量约束和工业机器人手臂可达空间范围约束对小球集合Si={qj,k,l|j∈[1,J],k∈[1,K],l∈[1,L],N+}进行筛选;将满足约束条件的小球保留;对Si={qj,k,l|j∈[1,J],k∈[1,K],l∈[1,L],N+}筛选处理得到测量可达域S′i;
(h)将每个测量点的测量可达域S′i求交;取包含小球种类最多的相交区域Ti,以相交区域Ti的型心作为激光雷达测量站位点Qw,i;将从测量站位点Qw,i能测量的测量点Pw,i所对应的离散小球,从所有测量点所对应的离散小球集合中移除;对其余测量点继续上述过程,直至生成与所有测量点Pw,i相对应的激光雷达测量站位点Qw,i。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010054454.2A CN111428334B (zh) | 2020-01-17 | 2020-01-17 | 激光雷达测量中机器人站位规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010054454.2A CN111428334B (zh) | 2020-01-17 | 2020-01-17 | 激光雷达测量中机器人站位规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111428334A true CN111428334A (zh) | 2020-07-17 |
CN111428334B CN111428334B (zh) | 2022-05-06 |
Family
ID=71547594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010054454.2A Active CN111428334B (zh) | 2020-01-17 | 2020-01-17 | 激光雷达测量中机器人站位规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111428334B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112258445A (zh) * | 2020-08-21 | 2021-01-22 | 西北工业大学 | 一种航空发动机错漏装检测视点求解方法 |
CN113239580A (zh) * | 2020-12-21 | 2021-08-10 | 南京航空航天大学 | 一种面向大型结构件型面检测的激光雷达测量站位规划方法 |
CN114047762A (zh) * | 2021-11-15 | 2022-02-15 | 西安工业大学 | 一种基于蚁群算法的激光雷达空间测量路径规划方法及*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140132761A1 (en) * | 2012-11-14 | 2014-05-15 | Massachusetts Institute Of Technology | Laser Speckle Photography for Surface Tampering Detection |
CN104268933A (zh) * | 2014-09-11 | 2015-01-07 | 大连理工大学 | 一种车载二维激光运动中三维环境扫描成像方法 |
CN104331542A (zh) * | 2014-08-12 | 2015-02-04 | 清华大学 | 一种大型自由曲面的喷涂机器人站位规划方法 |
US20150371391A1 (en) * | 2013-03-15 | 2015-12-24 | Seiko Epson Corporation | 2D/3D Localization and Pose Estimation of Harness Cables Using A Configurable Structure Representation for Robot Operations |
US20160063706A1 (en) * | 2013-03-13 | 2016-03-03 | Electronic Scripting Products, Inc. | Reduced Homography based on Structural Redundancy of Conditioned Motion |
CN106897501A (zh) * | 2017-01-23 | 2017-06-27 | 西北工业大学 | 面向自适应加工中基于叶片类零件变形的定位优化方法 |
CN106959080A (zh) * | 2017-04-10 | 2017-07-18 | 上海交通大学 | 一种大型复杂曲面构件三维形貌光学测量***和方法 |
CN109990701A (zh) * | 2019-03-04 | 2019-07-09 | 华中科技大学 | 一种大型复杂曲面三维形貌机器人移动测量***及方法 |
-
2020
- 2020-01-17 CN CN202010054454.2A patent/CN111428334B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140132761A1 (en) * | 2012-11-14 | 2014-05-15 | Massachusetts Institute Of Technology | Laser Speckle Photography for Surface Tampering Detection |
US20160063706A1 (en) * | 2013-03-13 | 2016-03-03 | Electronic Scripting Products, Inc. | Reduced Homography based on Structural Redundancy of Conditioned Motion |
US20150371391A1 (en) * | 2013-03-15 | 2015-12-24 | Seiko Epson Corporation | 2D/3D Localization and Pose Estimation of Harness Cables Using A Configurable Structure Representation for Robot Operations |
CN104331542A (zh) * | 2014-08-12 | 2015-02-04 | 清华大学 | 一种大型自由曲面的喷涂机器人站位规划方法 |
CN104268933A (zh) * | 2014-09-11 | 2015-01-07 | 大连理工大学 | 一种车载二维激光运动中三维环境扫描成像方法 |
CN106897501A (zh) * | 2017-01-23 | 2017-06-27 | 西北工业大学 | 面向自适应加工中基于叶片类零件变形的定位优化方法 |
CN106959080A (zh) * | 2017-04-10 | 2017-07-18 | 上海交通大学 | 一种大型复杂曲面构件三维形貌光学测量***和方法 |
CN109990701A (zh) * | 2019-03-04 | 2019-07-09 | 华中科技大学 | 一种大型复杂曲面三维形貌机器人移动测量***及方法 |
Non-Patent Citations (2)
Title |
---|
PERERA ASANKA G 等: "Human Pose and Path Estimation from Aerial Video Using Dynamic Classifier Selection", 《COGNITIVE COMPUTATION》 * |
高晓兵 等: "工业机器人工作空间约束下激光雷达站位规划", 《西安工业大学学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112258445A (zh) * | 2020-08-21 | 2021-01-22 | 西北工业大学 | 一种航空发动机错漏装检测视点求解方法 |
CN112258445B (zh) * | 2020-08-21 | 2022-08-02 | 西北工业大学 | 一种航空发动机错漏装检测视点求解方法 |
CN113239580A (zh) * | 2020-12-21 | 2021-08-10 | 南京航空航天大学 | 一种面向大型结构件型面检测的激光雷达测量站位规划方法 |
CN114047762A (zh) * | 2021-11-15 | 2022-02-15 | 西安工业大学 | 一种基于蚁群算法的激光雷达空间测量路径规划方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN111428334B (zh) | 2022-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111428334B (zh) | 激光雷达测量中机器人站位规划方法 | |
Ding et al. | Process planning for 8-axis robotized laser-based direct metal deposition system: A case on building revolved part | |
CN110653805B (zh) | 笛卡尔空间下的七自由度冗余机械臂任务约束路径规划方法 | |
CN106737671B (zh) | 七自由度仿人机械臂的双层拟人运动规划方法 | |
CN100435055C (zh) | 五轴数控加工光滑无干涉刀具路径的规划方法 | |
Fang et al. | Robot path planning optimization for welding complex joints | |
CN108908331B (zh) | 超冗余柔性机器人的避障方法及***、计算机存储介质 | |
Gong et al. | Analytical inverse kinematics and self-motion application for 7-DOF redundant manipulator | |
CN105469404B (zh) | 一种基于三维点云数据的旋转体拟合方法及装置 | |
CN107995885A (zh) | 一种坐标系标定方法 、***及装置 | |
CN108286949A (zh) | 一种可移动式三维检测机器人*** | |
CN107972034B (zh) | 一种基于ros平台的复杂工件轨迹规划仿真*** | |
CN113492402A (zh) | 具有距离场的快速机器人运动优化 | |
Chen et al. | An integrated reverse engineering approach to reconstructing free-form surfaces | |
CN108213757B (zh) | 一种用于焊接机器人的碰撞检测方法 | |
CN106568365B (zh) | 一种球面孔系复合位置度误差的检测与评定方法 | |
CN108481324B (zh) | 一种八轴多功能机械臂的逆解工程及其碰撞检测算法 | |
Alhijaily et al. | Teams of robots in additive manufacturing: a review | |
CN109407111A (zh) | 一种隧道三维扫描机特征识别的方法 | |
Shen et al. | An image-based algorithm for generating smooth and interference-free five-axis sweep scanning path | |
CN113696184B (zh) | 一种可视化串联机械臂灵活性的运动能力图谱构建方法 | |
CN105270702B (zh) | 一种大直径薄壁箱体的球冠面箱底泡沫塑料等厚加工装置及方法 | |
CN112372631B (zh) | 一种大型复杂构件机器人加工的快速碰撞检测方法及设备 | |
CN117584121A (zh) | 一种基于点云场景理解的焊接机器人路径规划方法 | |
Xu et al. | A new welding path planning method based on point cloud and deep learning |
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 |