CN112643681A - 一种工业机械臂智能化路径规划装置及方法 - Google Patents
一种工业机械臂智能化路径规划装置及方法 Download PDFInfo
- Publication number
- CN112643681A CN112643681A CN202011485827.8A CN202011485827A CN112643681A CN 112643681 A CN112643681 A CN 112643681A CN 202011485827 A CN202011485827 A CN 202011485827A CN 112643681 A CN112643681 A CN 112643681A
- Authority
- CN
- China
- Prior art keywords
- module
- mechanical arm
- compensation
- processing
- path planning
- 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.)
- Pending
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1628—Programme controls characterised by the control loop
- B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1671—Programme controls characterised by programming, planning systems for manipulators characterised by simulation, either to verify existing program or to create and verify new program, CAD/CAM oriented, graphic oriented programming systems
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1694—Programme controls characterised by use of sensors other than normal servo-feedback from position, speed or acceleration sensors, perception control, multi-sensor controlled systems, sensor fusion
- B25J9/1697—Vision controlled systems
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Manipulator (AREA)
- Numerical Control (AREA)
Abstract
本发明涉及工业机械臂领域,具体涉及一种工业机械臂智能化路径规划装置及方法,包括加工工件、视觉***、智能控制***、机械臂、工作站,所述视觉***包括视觉模块、A/D转换器和快速标定模块;所述智能控制***包括图像学***台软件,用于控制机械平台,显示器用于显示可控参数;该工业机械臂提高了现有机器人工作的自动化与加工效率、精度,实现了机械臂路径规划的智能化。
Description
技术领域
本发明涉及工业机械臂领域,具体涉及一种工业机械臂智能化路径规划装置及方法。
背景技术
工业机械臂定义为“其操作机是自动控制的,可重复编程、多用途,并可以对3个以上轴进行编程。它可以是固定式或者移动式。在工业自动化应用中使用”。操作机又定义为“是一种机器,其机构通常由一系列相互铰接或相对滑动的构件所组成。它通常有几个自由度,用以抓取或移动物体(工具或工件)。目前,工业机械臂在机械加工领域应用越来越广泛,尤其是在汽车加工行业。目前,工业机械臂路径规划基本采取人工调试方式,在确定加工路径之后,对机械臂进行逆运动学分析,将加工工步分解到各环节中,进而对运动路径进行更改。然而人工调试带来的结果是工业生产效率降低、运动精度降低,甚至在调试过程中,带来加工误差的叠加,导致出现次品、废品,从而影响加工精度、效率。
发明内容
本发明的目的在于提供一种工业机械臂智能化路径规划装置及方法,该工业机械臂能够提高现有机器人工作的自动化与加工效率、精度,实现了机械臂路径规划的智能化。
本发明具体采用以下技术方案来实现上述技术目的:
一种工业机械臂智能化路径规划装置,包括加工工件、视觉***、智能控制***、机械臂、工作站;
所述视觉***包括视觉模块、A/D转换器和快速标定模块;
所述智能控制***包括图像学习模块、路径规划模块、坐标转换模块、逆运动学模块、电机控制模块,
所述工作站包括工作服务器和显示器;
所述机械臂包括基座、N个关节、与所述关节匹配的N个电机,以及加工装置;
所述视觉***被配置为通过视觉模块采集加工工件表面信息,通过三维视觉技术将加工工件的型面三维信息形成点云,再形成三维型面数据;具体的,通过A/D转化器将所述三维型面数据传输至快速标定模块,所述快速标定模块将所述三维型面数据与预先存储的加工模型型面数据进行对比,并将所述三维型面数据与该预先存储的加工模型型面数据之差转换为预处理的样本集;
所述智能控制***被配置为基于所述视觉***采集的信息控制机械臂的动作,具体的,所述快速标定模块的输出端连接所述图像学习模块输入端,将所述样本集作为输入至所述图像学习模块,通过所述图像学习模块内置的图像识别模型对所述样本集做出判断;所述图像学习模块的输出端连接所述路径规划模块的输入端,所述路径规划模块基于上述判断的信息形成新的运动路径,并将所述新的运动路径输出至所述坐标转换模块,所述坐标转换模块将所述新的运动路径与上次加工的运动路径作比较,并计算出加工曲线的补偿值,所述补偿值被传输至所述逆运动学模块,形成关节运动补偿量;所述关节运动补偿量被传输至电机控制模块,通过所述电机控制模块形成补偿控制信号;
所述工作服务器被配置用于机械臂参数调节,其内置机械臂控制平台软件,用于控制机械平台,显示器用于显示可控参数;
所述机械臂模块被配置用于执行机械臂运动路径,所述基座上放置N个电机和N个关节,所述N个电机与N个关节一一对应连接,且所述N个电机均连接至所述电机控制模块的输出端,通过所述电机控制模块发出的电磁信号控制电机和关节的运动,实现机械臂转矩、转速及转角的变化。
在一些实施方案中,所述快速标定模块采用C++语言进行标定,具体标定公式为:∑L=∑L1-L2,其中L1为预先存储的加工样条函数,L2为实际加工的点云数据加工样条函数。
在一些实施方案中,所述图像学习模块内置深度神经网络对所述样本集做出判断,所述图像学习模块的开发语言为python。
在一些实施方案中,所述加工曲线补偿控制信号计算公式为:ΔJ=J-1∑L1-L2,其中△J为补偿信号,J-1为加工坐标与关节坐标的雅克比逆矩阵。
在一些实施方案中,所述电机和关节的数量N均为6,所述补偿控制信号控制规则为:关节1为纵向补偿信号,关节2为横向补偿信号,关节3为旋转补偿信号,关节4至关节6为末端路径的补偿位置。
在一些实施方案中,所述加工工件单元为金属制件或者为非金属零件,比如合金、铁、铜、塑料等材料;所述电机均为交流无刷伺服电机;所述机械臂电磁控制信号均采用阶跃脉冲信号;所述视觉模块为CCD或工业快速相机;所述加工装置优选为刀具。
本发明还包括一种加工方法,具体方案如下:
该工业机械臂智能化路径规划方法包括如下步骤:
步骤S1,图像采集:利用CCD相机拍摄工件加工表面,将图像信号转化为点云数据,生成实时三维型面;
步骤S2,图像标定:将生成的三维型面与预设加工模型型面的加工基准重合,计算实时型面与预设型面之间的加工样条曲线之差,形成样本数据;
步骤S3,数据学习:将所述样本数据发送至图像学习模块,利用RNN深度学习模块对所述样本数据进行训练,输出拍摄图像与输入模型之间的型面差值,并判断所述型面差值是否超过设定阈值,如果是,则跳转至步骤S7;如果否,则跳转至步骤S4;
步骤S4,路径规划:将所述样本数据对应的型面数据形成运动路径,基于实时加工型面运动路径与预设路径之差,计算加工路径补偿量;
步骤S5,逆运动规划:通过机械臂内置逆运动学控制算法,将所述加工路径补偿量换算成各关节的运动补偿值,传输至电机控制模块;
步骤S6,电机控制:通过将所得的各关节补偿量转换为电磁信号,传输至各电机单元,控制电机对已设的路径信号进行补偿;
步骤S7,控制结束。
优选的,步骤S3中所述RNN深度学习算法的学习样本数量为10000。
优选的,步骤S5中的逆运动学控制算法采用机械臂自带的CAM控制平台中的内置模块所实现;所述电机和关节的数量均为6个,所述补偿控制信号控制规则为:关节1为纵向补偿信号,关节2为横向补偿信号,关节3为旋转补偿信号,关节4至关节6为末端路径的补偿位置。
优选的,所述加工曲线补偿信号计算公式为:ΔJ=J-1∑L1-L2,其中△J为补偿信号,J-1为加工坐标与关节坐标的雅克比逆矩阵。
本发明的有益效果:该工业机械臂通过自动采集工件的型面,通过将型面信息分解,当加工型面与设定的基准差距超过阈值时,能够控制机械手电机和关节的动作对加工动作进行修正,不需要人工进行调试,如此能够保证加工质量,极大的提高了加工质量和加工效率,适用于各类工件的高质量加工。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地,下面所描述的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的工业机械臂智能化路径规划装置硬件方案图;
图2为本发明提供的工业机械臂智能化路径规划方法流程图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本专利的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明具体采用以下技术方案来实现上述技术目的:
如图1所示,一种工业机械臂智能化路径规划装置,包括加工工件、视觉***、智能控制***、机械臂、工作站;
所述视觉***包括视觉模块、A/D转换器和快速标定模块;
所述智能控制***包括图像学习模块、路径规划模块、坐标转换模块、逆运动学模块、电机控制模块,
所述工作站包括工作服务器和显示器;
所述机械臂包括基座、N个关节、与所述关节匹配的N个电机,以及加工装置;
所述视觉***被配置为通过视觉模块采集加工工件表面信息,通过三维视觉技术将加工工件的型面三维信息形成点云,再形成三维型面数据,而点云数据是指在一个三维坐标***中的一组向量的集合,这些向量通常以X,Y,Z三维坐标的形式表示,而且一般主要用来代表一个物体的外表面形状;具体的,通过A/D转化器将所述三维型面数据传输至快速标定模块,所述快速标定模块将所述三维型面数据与预先存储的加工模型型面数据进行对比,并将所述三维型面数据与该预先存储的加工模型型面数据之差转换为预处理的样本集;
所述智能控制***被配置为基于所述视觉***采集的信息控制机械臂的动作,具体的,所述快速标定模块的输出端连接所述图像学习模块输入端,将所述样本集作为输入至所述图像学习模块,通过所述图像学习模块内置的图像识别模型对所述样本集做出判断;所述图像学习模块的输出端连接所述路径规划模块的输入端,所述路径规划模块基于上述判断的信息形成新的运动路径,并将所述新的运动路径输出至所述坐标转换模块,所述坐标转换模块将所述新的运动路径与上次加工的运动路径作比较,并计算出加工曲线的补偿值,所述补偿值被传输至所述逆运动学模块,形成关节运动补偿量;所述关节运动补偿量被传输至电机控制模块,通过所述电机控制模块形成补偿控制信号;
所述工作服务器被配置用于机械臂参数调节,其内置机械臂控制平台软件,用于控制机械平台,显示器用于显示可控参数;
所述机械臂模块被配置用于执行机械臂运动路径,所述基座上放置N个电机和N个关节,所述N个电机与N个关节一一对应连接,且所述N个电机均连接至所述电机控制模块的输出端,通过所述电机控制模块发出的电磁信号控制电机和关节的运动,实现机械臂转矩、转速及转角的变化。
在一些实施方案中,所述快速标定模块采用C++语言进行标定,具体标定公式为:∑L=∑L1-L2,其中L1为预先存储的加工样条函数,L2为实际加工的点云数据加工样条函数。
在一些实施方案中,所述图像学习模块内置深度神经网络对所述样本集做出判断,所述图像学习模块的开发语言为python。
在一些实施方案中,所述加工曲线补偿控制信号计算公式为:ΔJ=J-1∑L1-L2,其中△J为补偿信号,J-1为加工坐标与关节坐标的雅克比逆矩阵。
在一些实施方案中,所述电机和关节的数量N均为6,所述补偿控制信号控制规则为:关节1为纵向补偿信号,关节2为横向补偿信号,关节3为旋转补偿信号,关节4至关节6为末端路径的补偿位置。
在一些实施方案中,所述加工工件单元为金属制件或者为非金属零件,比如合金、铁、铜、塑料等材料;所述电机均为交流无刷伺服电机;所述机械臂电磁控制信号均采用阶跃脉冲信号;所述视觉模块为CCD或工业快速相机;所述加工装置优选为刀具。
在一些实施方案中,例如随着刀具的磨损,刀具尺寸缩小,工件的型面会增大或缩小,这种尺寸的变化如果超过了一定范围会导致零件的不合格,应该尽量避免或者说减小这种尺寸变化,在本发明中,视觉***的工业快速相机会对每个工件进行拍照,拍摄的照片被传送到图像学习模块,将照片分解后与设定的基准进行比较,以该比较的差值为基础,通过坐标转换,将差值信息转化为机械臂的运动,具体通过电机或者其他的动力装置带动关节的动作,修正这种尺寸的偏差。
如图2所示,本发明还包括一种加工方法,具体方案如下:
该工业机械臂智能化路径规划方法包括如下步骤:
步骤S1,图像采集:利用CCD相机拍摄工件加工表面,将图像信号转化为点云数据,生成实时三维型面;
步骤S2,图像标定:将生成的三维型面与预设加工模型型面的加工基准重合,计算实时型面与预设型面之间的加工样条曲线之差,形成样本数据;
步骤S3,数据学习:将所述样本数据发送至图像学习模块,利用RNN深度学习模块对所述样本数据进行训练,输出拍摄图像与输入模型之间的型面差值,并判断所述型面差值是否超过设定阈值,如果是,则跳转至步骤S7;如果否,则跳转至步骤S4;
步骤S4,路径规划:将所述样本数据对应的型面数据形成运动路径,基于实时加工型面运动路径与预设路径之差,计算加工路径补偿量;
步骤S5,逆运动规划:通过机械臂内置逆运动学控制算法,将所述加工路径补偿量换算成各关节的运动补偿值,传输至电机控制模块;
步骤S6,电机控制:通过将所得的各关节补偿量转换为电磁信号,传输至各电机单元,控制电机对已设的路径信号进行补偿;
步骤S7,控制结束。
优选的,步骤S3中所述RNN深度学习算法的学习样本数量为10000。
优选的,步骤S5中的逆运动学控制算法采用机械臂自带的CAM控制平台中的内置模块所实现;所述电机和关节的数量均为6个,所述补偿控制信号控制规则为:关节1为纵向补偿信号,关节2为横向补偿信号,关节3为旋转补偿信号,关节4至关节6为末端路径的补偿位置。
优选的,所述加工曲线补偿信号计算公式为:ΔJ=J-1∑L1-L2,其中△J为补偿信号,J-1为加工坐标与关节坐标的雅克比逆矩阵。
本发明的有益效果:该工业机械臂通过自动采集工件的型面,通过将型面信息分解,当加工型面与设定的基准差距超过阈值时,能够控制机械手电机和关节的动作对加工动作进行修正,不需要人工进行调试,如此能够保证加工质量,极大的提高了加工质量和加工效率,适用于各类工件的高质量加工。
需要声明的是,上述具体实施方式仅仅为本发明的较佳实施例及所运用技术原理。本领域技术人员应该明白,还可以对本发明做各种修改、等同替换、变化等等。但是,这些变换只要未背离本发明的精神,都应在本发明的保护范围之内。另外,本申请说明书和权利要求书所使用的一些术语并不是限制,仅仅是为了便于描述。
Claims (10)
1.一种工业机械臂智能化路径规划装置,包括加工工件、视觉***、智能控制***、机械臂、工作站;
所述视觉***包括视觉模块、A/D转换器和快速标定模块;
所述智能控制***包括图像学习模块、路径规划模块、坐标转换模块、逆运动学模块、电机控制模块,
所述工作站包括工作服务器和显示器;
所述机械臂包括基座、N个关节、与所述N个关节匹配的N个电机,以及加工装置;
其特征在于:
所述视觉***被配置为通过视觉模块采集加工工件表面信息,通过三维视觉技术将加工工件的型面三维信息形成点云,再形成三维型面数据;具体的,通过A/D转化器将所述三维型面数据传输至快速标定模块,所述快速标定模块将所述三维型面数据与预先存储的加工模型型面数据进行对比,并将所述三维型面数据与该预先存储的加工模型型面数据之差转换为预处理的样本集;
所述智能控制***被配置为基于所述视觉***采集的信息控制机械臂的动作,具体的,所述快速标定模块的输出端连接所述图像学习模块输入端,将所述样本集作为输入至所述图像学习模块,通过所述图像学习模块内置的图像识别模型对所述样本集做出判断;所述图像学习模块的输出端连接所述路径规划模块的输入端,所述路径规划模块基于上述判断的信息形成新的运动路径,并将所述新的运动路径输出至所述坐标转换模块,所述坐标转换模块将所述新的运动路径与上次加工的运动路径作比较,并计算出加工曲线的补偿值,所述补偿值被传输至所述逆运动学模块,形成关节运动补偿量;所述关节运动补偿量被传输至电机控制模块,通过所述电机控制模块形成补偿控制信号;
所述工作服务器被配置用于机械臂参数调节,其内置机械臂控制平台软件,用于控制机械平台,显示器用于显示可控参数;
所述机械臂模块被配置用于执行机械臂运动路径,所述基座上放置N个电机和N个关节,所述N个电机与N个关节一一对应连接,且所述N个电机均连接至所述电机控制模块的输出端,通过所述电机控制模块发出的电磁信号控制电机和关节的运动,实现机械臂转矩、转速及转角的变化。
2.根据权利要求1所述的工业机械臂智能化路径规划装置,其特征在于:所述快速标定模块采用C++语言进行标定,具体标定公式为:∑L=∑L1-L2,其中L1为预先存储的加工样条函数,L2为实际加工的点云数据加工样条函数。
3.根据权利要求1或2所述的工业机械臂智能化路径规划装置,其特征在于:所述图像学习模块内置深度神经网络对所述样本集做出判断,所述图像学习模块的开发语言为python。
4.根据权利要求1或2所述的工业机械臂智能化路径规划装置,其特征在于:所述加工曲线补偿控制信号计算公式为:ΔJ=J-1∑L1-L2,其中△J为补偿信号,J-1为加工坐标与关节坐标的雅克比逆矩阵。
5.根据权利要求1或2所述的工业机械臂智能化路径规划装置,其特征在于:所述电机和关节的数量N均为6,所述补偿控制信号控制规则为:关节1为纵向补偿信号,关节2为横向补偿信号,关节3为旋转补偿信号,关节4至关节6为末端路径的补偿位置。
6.根据权利要求1或2所述的工业机械臂智能化路径规划装置,其特征在于:所述加工工件单元为金属制件;所述电机均为交流无刷伺服电机;所述机械臂电磁控制信号均采用阶跃脉冲信号;所述视觉模块为CCD或工业快速相机;所述加工装置优选为刀具。
7.一种工业机械臂智能化路径规划方法,其特征在于包括如下步骤:
步骤S1,图像采集:利用CCD相机拍摄工件加工表面,将图像信号转化为点云数据,生成实时三维型面;
步骤S2,图像标定:将生成的三维型面与预设加工模型型面的加工基准重合,计算实时型面与预设型面之间的加工样条曲线之差,形成样本数据;
步骤S3,数据学习:将所述样本数据发送至图像学习模块,利用RNN深度学习模块对所述样本数据进行训练,输出拍摄图像与输入模型之间的型面差值,并判断所述型面差值是否超过设定阈值,如果是,则跳转至步骤S7;如果否,则跳转至步骤S4;
步骤S4,路径规划:将所述样本数据对应的型面数据形成运动路径,基于实时加工型面运动路径与预设路径之差,计算加工路径补偿量;
步骤S5,逆运动规划:通过机械臂内置逆运动学控制算法,将所述加工路径补偿量换算成各关节的运动补偿值,传输至电机控制模块;
步骤S6,电机控制:通过将所得的各关节补偿量转换为电磁信号,传输至各电机单元,控制电机对已设的路径信号进行补偿;
步骤S7,控制结束。
8.根据权利要求7所述的工业机械臂智能化路径规划方法,其特征在于:步骤S3中所述RNN深度学习算法的学习样本数量为10000。
9.根据权利要求7所述的工业机械臂智能化路径规划方法,其特征在于:步骤S5中的逆运动学控制算法采用机械臂自带的CAM控制平台中的内置模块所实现;所述电机和关节的数量均为6个,所述补偿控制信号控制规则为:关节1为纵向补偿信号,关节2为横向补偿信号,关节3为旋转补偿信号,关节4至关节6为末端路径的补偿位置。
10.根据权利要求7所述的工业机械臂智能化路径规划方法,其特征在于:所述加工曲线补偿信号计算公式为:ΔJ=J-1∑L1-L2,其中△J为补偿信号,J-1为加工坐标与关节坐标的雅克比逆矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011485827.8A CN112643681A (zh) | 2020-12-16 | 2020-12-16 | 一种工业机械臂智能化路径规划装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011485827.8A CN112643681A (zh) | 2020-12-16 | 2020-12-16 | 一种工业机械臂智能化路径规划装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112643681A true CN112643681A (zh) | 2021-04-13 |
Family
ID=75354216
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011485827.8A Pending CN112643681A (zh) | 2020-12-16 | 2020-12-16 | 一种工业机械臂智能化路径规划装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112643681A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114488981A (zh) * | 2022-01-21 | 2022-05-13 | 华中科技大学 | 一种实时同步沉积的工业机器人熔融沉积制造***及应用 |
CN114536346A (zh) * | 2022-04-06 | 2022-05-27 | 西南交通大学 | 一种基于人机协作和视觉检测的机械臂精确路径规划方法 |
CN116100552A (zh) * | 2023-02-24 | 2023-05-12 | 中迪机器人(盐城)有限公司 | 一种机械手运动智能控制方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105345264A (zh) * | 2015-12-03 | 2016-02-24 | 华中科技大学 | 一种针对复杂曲面构件的激光焊接实时在线监控*** |
CN110116116A (zh) * | 2019-05-14 | 2019-08-13 | 中国地质大学(武汉) | 基于计算机视觉的机器人激光清洗路径规划***及方法 |
CN110561415A (zh) * | 2019-07-30 | 2019-12-13 | 苏州紫金港智能制造装备有限公司 | 一种基于机器视觉补偿的双机器人协同装配***及方法 |
CN110967042A (zh) * | 2019-12-23 | 2020-04-07 | 襄阳华中科技大学先进制造工程研究院 | 一种工业机器人定位精度标定方法、装置及*** |
CN111251290A (zh) * | 2018-11-30 | 2020-06-09 | 汉翔航空工业股份有限公司 | 机械手臂可选择式路径补偿***及其方法 |
CN111754567A (zh) * | 2020-06-05 | 2020-10-09 | 华中科技大学 | 飞机复材构件机器人磨抛加工静动态误差综合补偿方法 |
JP2020192677A (ja) * | 2019-05-21 | 2020-12-03 | 株式会社別川製作所 | 対象ワークの識別移載装置及び識別移載方法 |
-
2020
- 2020-12-16 CN CN202011485827.8A patent/CN112643681A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105345264A (zh) * | 2015-12-03 | 2016-02-24 | 华中科技大学 | 一种针对复杂曲面构件的激光焊接实时在线监控*** |
CN111251290A (zh) * | 2018-11-30 | 2020-06-09 | 汉翔航空工业股份有限公司 | 机械手臂可选择式路径补偿***及其方法 |
CN110116116A (zh) * | 2019-05-14 | 2019-08-13 | 中国地质大学(武汉) | 基于计算机视觉的机器人激光清洗路径规划***及方法 |
JP2020192677A (ja) * | 2019-05-21 | 2020-12-03 | 株式会社別川製作所 | 対象ワークの識別移載装置及び識別移載方法 |
CN110561415A (zh) * | 2019-07-30 | 2019-12-13 | 苏州紫金港智能制造装备有限公司 | 一种基于机器视觉补偿的双机器人协同装配***及方法 |
CN110967042A (zh) * | 2019-12-23 | 2020-04-07 | 襄阳华中科技大学先进制造工程研究院 | 一种工业机器人定位精度标定方法、装置及*** |
CN111754567A (zh) * | 2020-06-05 | 2020-10-09 | 华中科技大学 | 飞机复材构件机器人磨抛加工静动态误差综合补偿方法 |
Non-Patent Citations (2)
Title |
---|
石青等: "《微小型仿生机器鼠设计与控制》", 31 December 2019, 北京理工大学出版社 * |
郑树泉等: "《工业智能技术与应用》", 31 January 2019, 上海科学技术出版社 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114488981A (zh) * | 2022-01-21 | 2022-05-13 | 华中科技大学 | 一种实时同步沉积的工业机器人熔融沉积制造***及应用 |
CN114488981B (zh) * | 2022-01-21 | 2024-06-04 | 华中科技大学 | 一种实时同步沉积的工业机器人熔融沉积制造***及应用 |
CN114536346A (zh) * | 2022-04-06 | 2022-05-27 | 西南交通大学 | 一种基于人机协作和视觉检测的机械臂精确路径规划方法 |
CN114536346B (zh) * | 2022-04-06 | 2023-04-07 | 西南交通大学 | 一种基于人机协作和视觉检测的机械臂精确路径规划方法 |
CN116100552A (zh) * | 2023-02-24 | 2023-05-12 | 中迪机器人(盐城)有限公司 | 一种机械手运动智能控制方法及*** |
CN116100552B (zh) * | 2023-02-24 | 2023-12-19 | 中迪机器人(盐城)有限公司 | 一种机械手运动智能控制方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112643681A (zh) | 一种工业机械臂智能化路径规划装置及方法 | |
CN109002012B (zh) | 控制装置以及机器学习装置 | |
US10254750B2 (en) | Machining machine system which determines acceptance/rejection of workpieces | |
Li et al. | Vision-based robotic manipulation of flexible PCBs | |
US10864632B2 (en) | Direct teaching method of robot | |
US7912584B2 (en) | Power consumption estimation apparatus | |
Wang et al. | Nonparametric statistical learning control of robot manipulators for trajectory or contour tracking | |
CN113814986B (zh) | 一种基于机器视觉控制scara机器人的方法及*** | |
CN109623821B (zh) | 机械手抓取物品的视觉引导方法 | |
EP3242775A1 (en) | Method for estimation of external forces and torques on a robot arm | |
CN110244658B (zh) | 一种基于改进bp神经网络提高裁床插补位置精度的方法 | |
CN114851209B (zh) | 一种基于视觉的工业机器人工作路径规划优化方法及*** | |
CN111230882A (zh) | 一种水果分拣并联机器人夹持机构的自适应变阻抗控制方法 | |
Xie et al. | High-precision trajectory tracking control of cable-driven parallel robots using robust synchronization | |
CN114131611A (zh) | 机器人重力位姿分解的关节误差离线补偿方法、***及终端 | |
CN115338869A (zh) | 一种主从异构型遥操作***的主从控制方法及*** | |
US10717192B2 (en) | Robot motion program generating apparatus | |
CN111615437B (zh) | 用于机器人加工的方法和装置 | |
Ilyukhin et al. | Nonlinear adaptive correction of continuous path speed of the tool for high efficiency robotic machining | |
CN112405615B (zh) | 机器人末端负载质量检测方法、装置及工业机器人 | |
WO2021241512A1 (ja) | ワークに対する作業をロボットに実行させる制御装置、ロボットシステム、及び制御方法 | |
CN110865657A (zh) | 一种传送带上轮廓轨迹跟踪控制***及方法 | |
Su et al. | A method of human-robot collaboration for grinding of workpieces | |
CN112828881B (zh) | 一种三流融合的工业机器人控制方法 | |
Younes et al. | Research on Tracking Control and System of 6 DOF Robotic Arm Based on STM32 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210413 |
|
RJ01 | Rejection of invention patent application after publication |