CN113635299A - 一种机械臂的校正方法、终端设备及存储介质 - Google Patents
一种机械臂的校正方法、终端设备及存储介质 Download PDFInfo
- Publication number
- CN113635299A CN113635299A CN202110837667.7A CN202110837667A CN113635299A CN 113635299 A CN113635299 A CN 113635299A CN 202110837667 A CN202110837667 A CN 202110837667A CN 113635299 A CN113635299 A CN 113635299A
- Authority
- CN
- China
- Prior art keywords
- image
- position error
- point cloud
- weight
- depth image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000012937 correction Methods 0.000 title claims abstract description 11
- 230000007613 environmental effect Effects 0.000 claims abstract description 13
- 230000015556 catabolic process Effects 0.000 claims description 44
- 238000006731 degradation reaction Methods 0.000 claims description 44
- 238000004590 computer program Methods 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 18
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000007689 inspection Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000012076 audiometry Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/10—Programme-controlled manipulators characterised by positioning means for manipulator elements
-
- 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
- B25J9/1679—Programme controls characterised by the tasks executed
- B25J9/1692—Calibration of manipulator
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本申请适用于机器人技术领域,提供了一种机械臂的校正方法、终端设备及存储介质,该方法包括:获取目标设备的深度图像与预设深度图像之间的图像位置误差和点云位置误差,获取所述图像位置误差的权重和所述点云位置误差的权重,基于所述图像位置误差、所述图像位置误差的权重、所述点云位置误差和所述点云位置误差的权重,得到所述深度图像与所述预设深度图像的位置误差,基于所述位置误差,校正所述机械臂的位置;本申请使用了多源的误差计算机械臂的位置误差,减少了由于环境影响造成的计算的误差不准确的影响,可以使计算的位置误差更准确,进而使机械臂的定位更准确。
Description
技术领域
本申请属于机器人技术领域,尤其涉及一种机械臂的校正方法、终端设备及存储介质。
背景技术
设备的定时检查是确定设备运行情况的方法,随着机器人的发展,巡检机器人可以用于对设备运行情况的检查。具体的,巡检机器人的机械臂上的相机采集设备的图像,然后通过对比采集的图像和设备的标准图像得到设备的运行状态。
目前,机器人采集设备图像的过程为:预先设置机械臂的位置,在机械臂到达该位置后采集设备图像。由于机器人运动误差的影响或环境的影响,常常出现机械臂的位置不精确,机械臂采集的设备图像不准确,进而使得确定的设备运行状态不准确。基于上述原因,如何使机械臂位置定位更准确是目前需要解决的问题。
发明内容
本申请实施例提供了一种机械臂的校正方法、终端设备及存储介质,可以解决机械臂定位不准确的问题。
第一方面,本申请实施例提供了一种机械臂的校正方法,包括:
获取目标设备的深度图像与预设深度图像之间的图像位置误差和点云位置误差,其中,所述深度图像为机械臂上的深度相机在第一位置时采集的图像;
获取所述图像位置误差的权重和所述点云位置误差的权重;
基于所述图像位置误差、所述图像位置误差的权重、所述点云位置误差和所述点云位置误差的权重,得到所述深度图像与所述预设深度图像的位置误差;
基于所述深度图像与所述预设深度图像的位置误差,校正所述机械臂的位置。
第二方面,本申请实施例提供了一种机械臂的校正装置,包括:
误差获取模块,用于获取目标设备的深度图像与预设深度图像之间的图像位置误差和点云位置误差,其中,所述深度图像为机械臂上的深度相机在第一位置时采集的图像;
权重获取模块,用于获取所述图像位置误差的权重和所述点云位置误差的权重;
计算模块,用于基于所述图像位置误差、所述图像位置误差的权重、所述点云位置误差和所述点云位置误差的权重,得到所述深度图像与所述预设深度图像的位置误差;
位置校正模块,用于基于所述深度图像与所述预设深度图像的位置误差,校正所述机械臂的位置。
第三方面,本申请实施例提供了一种终端设备,包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述第一方面中任一项所述的机械臂的校正方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现上述第一方面中任一项所述的机械臂的校正方法。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行上述第一方面中任一项所述的机械臂的校正方法。
可以理解的是,上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
本申请实施例与现有技术相比存在的有益效果是:本申请首先获取目标设备的深度图像与预设深度图像之间的图像位置误差和点云位置误差,获取图像位置误差的权重和点云位置误差的权重,基于图像位置误差、图像位置误差的权重、点云位置误差和点云位置误差的权重,得到深度图像与预设深度图像的位置误差,基于位置误差,校正机械臂的位置;本申请通过图像位置误差和点云位置偏差,及各个误差对应权重计算位置误差,根据位置误差调整机械臂的位置,本申请使用了多源误差情况确定机械臂的位置误差,减少了由于环境影响造成的计算的误差不准确的情况,可以使计算的位置误差更准确,进而使机械臂的定位更准确。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的机械臂的校正方法的应用场景示意图;
图2是本申请一实施例提供的机械臂的校正方法的流程示意图;
图3是本申请一实施例提供的图像位置误差的权重和点云位置误差的权重的获得方法的流程示意图;
图4是本申请一实施例提供的对机械臂位置进行校正的流程示意图;
图5是本申请一实施例提供的机械臂的校正装置的结构示意图;
图6是本申请一实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当……时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
目前,随着机器人的发展,使用机器人对变电站中的设备进行巡检越来越频繁。机器人对设备进行巡检主要是机器人到达设定位置后,利用机械臂上的相机对设备进行拍照,然后通过拍摄的图像与设备的标准图像进行对比,识别出设备的各项参数,进而判断设备的运行状态。
但是,由于机器人到达设定位置时可能存在位资偏差或由于环境影响,导致机器人采集的设备的图像与标准图像偏差较大,在采集的设备的图像与标准图像偏差较大时,可能导致设备中有些参数不能被准确识别,使最终判断的设备的运行状态不准确。
本申请提供了在通过图像识别设备的运行状态之前对采集的图像进行分析的方法,通过对采集的图像进行分析,判断采集的图像是否满足预设偏差,如果满足则可以使用该图像进行设备运行状态的判断,如果不满足,则可以调整机器人中机械臂的位置,直至机器人采集的图像满足预设偏差。
图1为本申请实施例提供的机械臂的校正方法的应用场景示意图,上述机械臂的校正方法可以用于机械臂的位置进行校正。其中,机械臂上的相机10用于采集设备的图像。处理器20用于从相机10中获取图像,并对图像进行分析,确定图像是否满足误差要求。如果图像不满足误差要求,对机械臂进行调整后使用相机10对设备采集图像,直至采集的图像满足误差要求。如果图像满足误差要求,则对图像进行识别确定设备的运行状态。
以下结合图1对本申请实施例的机械臂的校正方法进行详细说明。
图2示出了本申请提供的机械臂的校正方法的示意性流程图,参照图2,对该方法的详述如下:
S101,获取目标设备的深度图像与预设深度图像之间的图像位置误差和点云位置误差,其中,所述深度图像为机械臂上的深度相机在第一位置时采集的图像。
在本实施例中,目标设备为待检测设备。预设深度图像为预先采集的目标设备的图像,预设深度图像可以作为目标设备的标准图像。预设深度图像为清晰的、包含准确的设备参数的图像。
在本实施例中,图像位置误差指的是在巡检过程中深度相机采集的深度图像与预设深度图像在二维坐标结构下的位置偏差,也就是设备的二维图像的位置偏差。
点云位置误差指的是深度图像与预设深度图像在点云坐标结构下的位置偏差,也就是三维图像的位置偏差。
图像位置误差和点云位置误差均可以反应深度相机采集深度图像时所在位置与目标位置的偏差。目标位置可以为采集预设深度图像时机械臂的位置。
在本实施例中,深度图像可以由深度相机采集,深度相机又称为3D相机,是一种能够检测拍摄空间景深距离的相机,通过深度相机采集的数据可以计算出图像中每个像素点与摄像头之间的距离。相比较传统的相机,深度相机在功能上添加了一个深度测量,从而更方便准确的感知周围的环境及变化。
在本实施例中,第一位置为预先设置的机械臂的初步位置,可以根据需要进行设置。
S102,获取所述图像位置误差的权重和所述点云位置误差的权重。
在本实施例中,图像位置误差的权重和点云位置误差的权重之和为预设值,本申请中记为总权重,总权重可以根据需要进行设置,例如,总权重可以设置为1。
在本实施例中,图像位置误差的权重可以根据第一权重模型进行计算。点云位置误差的权重可以根据第二权重模型进行计算。
可选的,在获得图像位置误差的权重后,可以基于预设的总权重和图像位置误差的权重,得到点云位置误差的权重。具体的,总权重和图像位置误差的权重之差为点云位置误差的权重。
可选的,在获得点云位置误差的权重后,可以基于预设的总权重和点云位置误差的权重,得到图像位置误差的权重。具体的,总权重和点云位置误差的权重之差为图像位置误差的权重。
作为举例,如果总权重为1,图像位置误差为0.7,则点云位置误差为:1-0.7=0.3。如果总权重为1,点云位置误差为0.4,则图像位置误差为:1-0.4=0.6。
S103,基于所述图像位置误差、所述图像位置误差的权重、所述点云位置误差和所述点云位置误差的权重,得到所述深度图像与所述预设深度图像的位置误差。
在本实施例中,位置误差的计算可以是将图像位置误差和点云位置误差进行融合得到一个总误差,本申请中记为位置误差。由于本申请考虑了多种情况下图像的位置误差,可以使计算的位置误差更准确,进而提高了机械臂定位的精度和鲁棒性。
具体的,计算图像位置误差和图像位置误差的权重的第一乘积。计算点云位置误差和点云位置误差的权重的第二乘积。将第一乘积和第二乘积的和作为位置误差。
在本实施例中,图像位置误差可以由图像匹配得到,由于图像匹配在缺乏光照和环境为纹理环境特征下很难提取到足够的像素特征点,导致计算的图像位置误差不准确。点云位置误差可以由点云匹配得到,由于点云匹配在环境特征相似或空旷的区域机械臂的定位误差较大,导致得到的图像的点云位置误差较大。因此,若采用图像位置误差和点云位置误差中的一种确定位置误差,由于环境的影响使得确定的位置误差不准确。为了减小环境对位置误差的影响,则采用图像位置误差和点云位置误差共同确定机械臂的位置误差,根据环境不同,通过调整误差的权重得到准确的位置误差,进而提高机械臂的定位精度。
S104,基于所述深度图像与所述预设深度图像的位置误差,校正所述机械臂的位置。
在本实施例中,位置误差可以包括误差的方向和大小。在确定了位置误差后,可以根据位置误差的方向和大小调整机械臂的位置,使机械臂的位置更准确,得到的深度图像更精确。
本申请首先获取目标设备的深度图像与预设深度图像之间的图像位置误差和点云位置误差,获取图像位置误差的权重和点云位置误差的权重,基于图像位置误差、图像位置误差的权重、点云位置误差和点云位置误差的权重,得到深度图像与预设深度图像的位置误差,基于位置误差,校正机械臂的位置;本申请通过图像位置误差和点云位置偏差,及各个误差对应权重计算位置误差,基于位置误差调整机械臂的位置,本申请使用了多源的位置误差,减少了由于环境影响造成的计算的误差不准确的影响,可以使计算的位置误差更准确,进而使机械臂的定位更准确。本申请解决了由于单一的视觉定位方式受环境干扰较大导致计算的位置误差不准确的问题。本申请计算的位置误差的准确度提高了,根据位置误差调整的机械臂的位置也更精确、鲁棒性更好。本申请提供的机械臂的定位方法可以使机械臂在不同的环境下均可以准确定位,提高了机械臂的环境适应性。
在一种可能的实现方式中,步骤S101的实现过程可以包括:
S1011,获取所述深度图像,其中,所述深度图像包括各像素点的图像坐标和各像素点的深度信息。
在本实施例中,图像坐标为相机坐标系下的像素点的坐标,相机坐标为二维坐标,图像坐标表征各个像素点的横坐标和纵坐标。
在本实施例中,深度信息为每个像素点对应的深度距离,也就是实际空间点到深度相机光心的距离。
S1012,基于所述深度图像中各像素点的图像坐标和所述预设深度图像中各像素点的图像坐标,对所述深度图像和所述预设深度图像进行图像匹配得到所述图像位置误差。
在本实施例中,图像匹配的目的是得到深度图像和预设深度图像在二维空间上位置的差异,因此,使用两张图像中像素点的图像坐标即可进行图像匹配。深度图像和预设深度图像的位置差异反应深度相机在采集上述两张图像时的位置差异。深度相机在采集上述两张图像时的位置差异为机械臂的位置差异。
在本实施例中,图像匹配的过程可以包括:采用ORB特征点检测法(Oriented FASTand Rotated BRIEF)提取图像的图像特征点,然后用快速最近邻搜索算法(FastLibraryforApproximateNearestNeighbors-FLANN算法)对深度图像和预设深度图像进行匹配,得到两个已匹配的二维特征点集。在得到两个二维特征点集后,将二维特征点集中的二维像素点转换为相机坐标系下的3D空间点,得到两个3D点集。利用ICP算法(Iterative ClosestPoint)求解两个已匹配好的3D点集的位置误差,本申请中记为图像位置误差。
在本实施例中,图像位置误差可以用6自由度的向量表示,6自由度的向量可以表征深度图像和预设深度图像在X轴、Y轴和Z轴方向上的平移误差,还可以表征在X轴、Y轴和Z轴上的旋转误差。
S1013,基于所述深度图像中各像素点的图像坐标和所述深度图像中各像素点的深度信息,得到深度图像中各像素点的点云数据。
具体的,可以根据公式Pc=Z×K-1×puv,其中,Pc为相机坐标系下的像素点的3D点云数据,Z为相机坐标系下像素点的深度信息,K为深度相机的内参矩阵,puv为像素点的图像坐标。
S1014,基于所述深度图像中各像素点的点云数据和所述预设深度图像中各像素点的点云数据,对所述深度图像和所述预设深度图像进行点云匹配得到所述点云位置误差。
在本实施例中,点云匹配为三维图像的匹配。点云匹配是通过点云的物理结构特征来进行匹配得到两片点云的位置误差。
在本实施例中,采用LOAM算法(Lidar Odometry and Mapping in Real-time)进行点云匹配。具体的,点云匹配的过程包括:采用LOAM算法通过3D点的曲率对点云数据进行特征提取,保留曲率大于第一阈值的角点和曲率小于第二阈值的平面点。点云匹配时通过最小化点到直线(角点组成),以及点到平面(平面点组成)的距离得到深度图像中点云到预设深度图像中点云的位置误差,本申请中记为点云位置误差。
在本实施例中,点云位置误差可以用6自由度的向量表示。
如图3所示,在一种可能的实现方式中,步骤S102的实现过程可以包括:
S1021,获取所述深度图像的图像特征点的个数和所述深度图像的点云特征退化参数,点云特征退化参数用于衡量环境几何特征缺乏造成的点云匹配时的不准确度。
在本实施例中,图像特征点可以是在图像匹配过程中提取的。点云特征退化参数可以是在采用LOAM算法对点云进行匹配过程中得到的。
具体的,由于环境物理结构特征缺失或结构相似会对点云匹配结果产生很大的影响,增大定位误差,因此LOAM算法通过计算点云特征退化参数来衡量当前环境点云结构特征缺失或相似的程度,表征本次匹配结果的可靠性。
在本实施例中,可以预设图像特征点的个数的最小值,本申请中记为图像特征点的数量阈值。如果深度图像中提取出的图像特征点的个数小于预设的数量阈值,则图像匹配得到的图像位置误差的权重会降低,而点云匹配得到的点云位置误差的权重增加。在本实施例中,可以预设点云特征退化参数的最小值,本申请中记为点云特征退化参数的阈值。如果在对深度图像进行点云匹配时得到的点云特征退化参数小于预设的阈值,则点云匹配得到的点云位置误差的权重会降低,而图像匹配得到的图像位置误差的权重会增加。
S1022,基于所述图像特征点的个数和所述点云特征退化参数,得到所述图像位置误差的权重和点云位置误差的权重。
在本实施例中,在得不到图像位置误差时,可以将图像特征点的个数记为0。在得不到点云位置误差时,可以将点云特征退化参数记为0。
在本实施例中,如果图像位置误差为空集,也就是0,则图像位置误差的权重为0,点云位置误差的权重为1。如果点云位置误差为空集,也就是0,则点云位置误差的权重为0,图像位置误差的权重为1。
具体的,基于第一权重模型,得到所述图像位置误差的权重,其中,所述第一权重模型包括:
具体的,基于第二权重模型,得到所述点云位置误差的权重,其中,所述第二权重模型包括:
由上述公式可得,如果图像特征点的个数为0(也就是得不到图像位置误差时),点云特征退化参数大于预设退化参数,根据 得到的图像位置误差的权重为0。也就相当于无法得到图像位置误差时,利用可以得到图像位置误差的权重为0。根据得到的点云位置误差的权重为1。也就相当于无法得到图像位置误差时,图像位置误差的权重为0,点云位置误差的权重为1。
由上述公式可得,如果图像特征点的个数大于预设最小个数,点云特征退化参数为0(也就是得不到点云位置误差时,将点云特征退化参数记为0),根据得到的图像位置误差的权重为1。根据得到的点云位置误差的权重为0。也就相当于,无法得到点云匹配的位置误差时,图像位置误差的权重为1,点云位置误差的权重为0。
因此,在得到图像位置误差后可以先确定图像特征点的个数,如果可以得到图像位置误差,则图像特征点的个数为在图像匹配过程中提取的图像特征点的个数。如果得不到图像位置误差,则可以将图像特征点的个数记为0。
在得到点云位置误差后可以先确定点云特征退化参数,如果可以得到点云位置误差,则点云特征退化参数为在点云匹配过程中得到的点云特征退化参数。如果得不到点云位置误差,则可以将点云特征退化参数记为0。
可选的,可以通过以下三种方法得到图像位置误差和点云位置误差。
本申请提供了自适应的图像位置误差的权重和点云位置误差的权重,为图像位置误差的权重和点云位置误差的权重提供多源计算方法,使得到的图像位置误差的权重和点云位置误差的权重更准确。
如图4所示,在一种可能的实现方式中,步骤S104的实现过程可以包括:
S1041,判断深度图像与预设深度图像的位置误差是否在预设范围内。
在本实施例中,预设范围可以根据需要进行设置。
S1042,若位置误差在所述预设范围内,则所述第一位置为所述机械臂的校正位置。
在本实施例中,如果位置误差在预设范围内,则可以确定位置误差满足要求,也就是采集的深度图像可以得到精确度高的目标设备的参数,确定机械臂的位置满足精度要求,机械臂不用再进行调整。
S1043,若所述位置误差不在所述预设范围内,基于所述位置误差调整所述机械臂的位置。
在本实施例中,如果位置误差不在预设范围内,则确定机械臂的位置不满足精度要求,需要对机械臂进行调整。
在本实施例中,位置误差可以为6自由度的向量。
S1044,获得调整所述机械臂的位置后采集的所述目标设备的深度图像,基于调节后采集的深度图像,对所述机械臂进行校正,得到所述机械臂的校正位置。
在本实施例中,在对机械臂的位置调整后,可以再次采集目标设备的深度图像,然后再次计算位置误差,如果位置误差在预设范围内,则不再对机械臂的位置进行调整。如果位置误差不在预设范围内,则需要再次对机械臂的位置进行调整。
在本实施例中,可以对机械臂进行多次调整,得到机械臂的校正位置。
本申请通过位置误差可以对机械臂进行调整,由于位置误差比较准确,因此对机械臂校正的位置也会比较精确,通过校正位置后的机械臂采集的目标设备的深度图像可以准确的确定目标设备的运行状态。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的机械臂的校正方法,图5示出了本申请实施例提供的机械臂的校正装置的结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。
参照图5,该装置200可以包括:误差获取模块210、权重获取模块220、计算模块230和位置校正模块240。
其中,误差获取模块210,用于获取目标设备的深度图像与预设深度图像之间的图像位置误差和点云位置误差,其中,所述深度图像为机械臂上的深度相机在第一位置时采集的图像;
权重获取模块220,用于获取所述图像位置误差的权重和所述点云位置误差的权重;
计算模块230,用于基于所述图像位置误差、所述图像位置误差的权重、所述点云位置误差和所述点云位置误差的权重,得到所述深度图像与所述预设深度图像的位置误差;
位置校正模块240,用于基于所述深度图像与所述预设深度图像的位置误差,校正所述机械臂的位置。
在一种可能的实现方式中,权重获取模块220具体可以用于:
获取所述深度图像的图像特征点的个数和所述深度图像的点云特征退化参数,所述点云特征退化参数用于衡量环境几何特征缺乏造成的点云匹配时的不准确度;
基于所述图像特征点的个数和所述点云特征退化参数,得到所述图像位置误差的权重。
在一种可能的实现方式中,权重获取模块220具体可以用于:
基于第一权重模型,得到所述图像位置误差的权重,其中,所述第一权重模型包括kv为所述图像位置误差的权重,n为所述图像特征点的个数,nmin为图像特征点的数量阈值,λ为所述点云特征退化参数,λmin为点云特征退化参数的阈值。
在一种可能的实现方式中,权重获取模块220具体可以用于:
在获取到所述图像位置误差的权重后,基于预设的总权重和所述图像位置误差的权重,得到点云位置误差的权重。
在一种可能的实现方式中,权重获取模块220具体可以用于:
获取所述深度图像的图像特征点的个数和所述深度图像的点云特征退化参数,所述点云特征退化参数用于衡量环境几何特征缺乏造成的点云匹配时的不准确度;
基于所述图像特征点的个数和所述点云特征退化参数,得到所述点云位置误差的权重。
在一种可能的实现方式中,权重获取模块220具体可以用于:
基于第二权重模型,得到所述点云位置误差的权重,其中,所述第二权重模型包括kl为所述点云位置误差的权重,n为图像特征点的个数,nmin为图像特征点的数量阈值,λ为所述点云特征退化参数,λmin为点云特征退化参数的阈值。
在一种可能的实现方式中,位置校正模块240具体可以用于:
判断所述位置误差是否在预设范围内;
若所述位置误差在所述预设范围内,则所述第一位置为所述机械臂的校正位置;
若所述位置误差不在所述预设范围内,基于所述位置误差调整所述机械臂的位置;
获得调整所述机械臂的位置后采集的所述目标设备的深度图像,基于调节后采集的深度图像,对所述机械臂进行校正,得到所述机械臂的校正位置。
在一种可能的实现方式中,误差获取模块210具体可以用于:
获取所述深度图像,其中,所述深度图像包括各像素点的图像坐标和各像素点的深度信息;
基于所述深度图像中各像素点的图像坐标和所述预设深度图像中各像素点的图像坐标,对所述深度图像和所述预设深度图像进行图像匹配得到所述图像位置误差;
基于所述深度图像中各像素点的图像坐标和所述深度图像中各像素点的深度信息,得到深度图像中各像素点的点云数据;
基于所述深度图像中各像素点的点云数据和所述预设深度图像中各像素点的点云数据,对所述深度图像和所述预设深度图像进行点云匹配得到所述点云位置误差。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供了一种终端设备,参见图6,该终端设备400可以包括:至少一个处理器410、存储器420以及存储在所述存储器420中并可在所述至少一个处理器410上运行的计算机程序,所述处理器410执行所述计算机程序时实现上述任意各个方法实施例中的步骤,例如图2所示实施例中的步骤S101至步骤S104。或者,处理器410执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能,例如图5所示模块210至240的功能。
示例性的,计算机程序可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器420中,并由处理器410执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序段,该程序段用于描述计算机程序在终端设备400中的执行过程。
本领域技术人员可以理解,图6仅仅是终端设备的示例,并不构成对终端设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如输入输出设备、网络接入设备、总线等。
处理器410可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器420可以是终端设备的内部存储单元,也可以是终端设备的外部存储设备,例如插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。所述存储器420用于存储所述计算机程序以及终端设备所需的其他程序和数据。所述存储器420还可以用于暂时地存储已经输出或者将要输出的数据。
总线可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component,PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请实施例提供的机械臂的校正方法可以应用于计算机、平板电脑、笔记本电脑、上网本、个人数字助理(personal digital assistant,PDA)等终端设备上,本申请实施例对终端设备的具体类型不作任何限制。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现可实现上述机械臂的校正方法各个实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在移动终端上运行时,使得移动终端执行时实现可实现上述机械臂的校正方法各个实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/网络设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/网络设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种机械臂的校正方法,其特征在于,包括:
获取目标设备的深度图像与预设深度图像之间的图像位置误差和点云位置误差,其中,所述深度图像为机械臂上的深度相机在第一位置时采集的图像;
获取所述图像位置误差的权重和所述点云位置误差的权重;
基于所述图像位置误差、所述图像位置误差的权重、所述点云位置误差和所述点云位置误差的权重,得到所述深度图像与所述预设深度图像的位置误差;
基于所述深度图像与所述预设深度图像的位置误差,校正所述机械臂的位置。
2.如权利要求1所述的机械臂的校正方法,其特征在于,所述获取所述图像位置误差的权重,包括:
获取所述深度图像的图像特征点的个数和所述深度图像的点云特征退化参数,所述点云特征退化参数用于衡量环境几何特征缺乏造成的点云匹配时的不准确度;
基于所述图像特征点的个数和所述点云特征退化参数,得到所述图像位置误差的权重。
4.如权利要求2或3所述的机械臂的校正方法,其特征在于,所述获取所述点云位置误差的权重,包括:
在获取到所述图像位置误差的权重后,基于预设的总权重和所述图像位置误差的权重,得到所述点云位置误差的权重。
5.如权利要求1所述的机械臂的校正方法,其特征在于,所述获取所述点云位置误差的权重,包括:
获取所述深度图像的图像特征点的个数和所述深度图像的点云特征退化参数,所述点云特征退化参数用于衡量环境几何特征缺乏造成的点云匹配时的不准确度;
基于所述图像特征点的个数和所述点云特征退化参数,得到所述点云位置误差的权重。
7.如权利要求1所述的机械臂的校正方法,其特征在于,所述基于所述深度图像与所述预设深度图像的位置误差,校正所述机械臂的位置,包括:
判断所述深度图像与所述预设深度图像的位置误差是否在预设范围内;
若所述位置误差在所述预设范围内,则所述第一位置为所述机械臂的校正位置;
若所述位置误差不在所述预设范围内,基于所述位置误差调整所述机械臂的位置;
获得调整所述机械臂的位置后采集的所述目标设备的深度图像,基于调节后采集的深度图像,对所述机械臂进行校正,得到所述机械臂的校正位置。
8.如权利要求1所述的机械臂的校正方法,其特征在于,所述获得目标设备的深度图像与预设深度图像的图像位置误差和点云位置误差,包括:
获取所述深度图像,其中,所述深度图像包括各像素点的图像坐标和各像素点的深度信息;
基于所述深度图像中各像素点的图像坐标和所述预设深度图像中各像素点的图像坐标,对所述深度图像和所述预设深度图像进行图像匹配得到所述图像位置误差;
基于所述深度图像中各像素点的图像坐标和所述深度图像中各像素点的深度信息,得到深度图像中各像素点的点云数据;
基于所述深度图像中各像素点的点云数据和所述预设深度图像中各像素点的点云数据,对所述深度图像和所述预设深度图像进行点云匹配得到所述点云位置误差。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述的机械臂的校正方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的机械臂的校正方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110837667.7A CN113635299B (zh) | 2021-07-23 | 2021-07-23 | 一种机械臂的校正方法、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110837667.7A CN113635299B (zh) | 2021-07-23 | 2021-07-23 | 一种机械臂的校正方法、终端设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113635299A true CN113635299A (zh) | 2021-11-12 |
CN113635299B CN113635299B (zh) | 2022-11-25 |
Family
ID=78418245
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110837667.7A Active CN113635299B (zh) | 2021-07-23 | 2021-07-23 | 一种机械臂的校正方法、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113635299B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114454179A (zh) * | 2022-03-18 | 2022-05-10 | 深圳威洛博机器人有限公司 | 一种智能机器手关节自动校正***及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104081780A (zh) * | 2012-01-31 | 2014-10-01 | 索尼公司 | 图像处理装置和图像处理方法 |
CN108596948A (zh) * | 2018-03-16 | 2018-09-28 | 中国科学院自动化研究所 | 基于深度相机识别人体头部姿态的方法及装置 |
CN109353815A (zh) * | 2018-11-26 | 2019-02-19 | 易思维(杭州)科技有限公司 | 利用现有视觉传感器进行二次引导上件的方法及*** |
CN110120093A (zh) * | 2019-03-25 | 2019-08-13 | 深圳大学 | 一种多元特征混合优化的rgb-d室内三维测图方法及*** |
CN210436346U (zh) * | 2019-03-04 | 2020-05-01 | 唐山贺祥机电股份有限公司 | 坐便器座圈自动涂泥*** |
US20200156251A1 (en) * | 2018-11-20 | 2020-05-21 | Industrial Technology Research Institute | Calibration method and device for robotic arm system |
CN111223135A (zh) * | 2018-11-27 | 2020-06-02 | 通用汽车环球科技运作有限责任公司 | 通过使用雷达和运动数据的单目相机来增强距离估计的***和方法 |
WO2021004262A1 (zh) * | 2019-07-11 | 2021-01-14 | Oppo广东移动通信有限公司 | 深度图处理方法及装置、电子设备和可读存储介质 |
-
2021
- 2021-07-23 CN CN202110837667.7A patent/CN113635299B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104081780A (zh) * | 2012-01-31 | 2014-10-01 | 索尼公司 | 图像处理装置和图像处理方法 |
CN108596948A (zh) * | 2018-03-16 | 2018-09-28 | 中国科学院自动化研究所 | 基于深度相机识别人体头部姿态的方法及装置 |
US20200156251A1 (en) * | 2018-11-20 | 2020-05-21 | Industrial Technology Research Institute | Calibration method and device for robotic arm system |
CN109353815A (zh) * | 2018-11-26 | 2019-02-19 | 易思维(杭州)科技有限公司 | 利用现有视觉传感器进行二次引导上件的方法及*** |
CN111223135A (zh) * | 2018-11-27 | 2020-06-02 | 通用汽车环球科技运作有限责任公司 | 通过使用雷达和运动数据的单目相机来增强距离估计的***和方法 |
CN210436346U (zh) * | 2019-03-04 | 2020-05-01 | 唐山贺祥机电股份有限公司 | 坐便器座圈自动涂泥*** |
CN110120093A (zh) * | 2019-03-25 | 2019-08-13 | 深圳大学 | 一种多元特征混合优化的rgb-d室内三维测图方法及*** |
WO2021004262A1 (zh) * | 2019-07-11 | 2021-01-14 | Oppo广东移动通信有限公司 | 深度图处理方法及装置、电子设备和可读存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114454179A (zh) * | 2022-03-18 | 2022-05-10 | 深圳威洛博机器人有限公司 | 一种智能机器手关节自动校正***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113635299B (zh) | 2022-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111627072B (zh) | 一种对多传感器进行标定的方法、装置和存储介质 | |
CN111354042A (zh) | 机器人视觉图像的特征提取方法、装置、机器人及介质 | |
CN111179339A (zh) | 基于三角测量的坐标定位方法、装置、设备及存储介质 | |
CN113409391B (zh) | 视觉定位方法及相关装置、设备和存储介质 | |
CN109828250B (zh) | 一种雷达标定方法、标定装置及终端设备 | |
CN108182708B (zh) | 一种双目相机的标定方法、标定装置及终端设备 | |
CN112686950B (zh) | 位姿估计方法、装置、终端设备及计算机可读存储介质 | |
CN112489140A (zh) | 姿态测量方法 | |
CN111145634B (zh) | 一种校正地图的方法及装置 | |
CN113635299B (zh) | 一种机械臂的校正方法、终端设备及存储介质 | |
CN113407030B (zh) | 视觉定位方法及相关装置、设备和存储介质 | |
CN112967347B (zh) | 位姿标定方法、装置、机器人及计算机可读存储介质 | |
CN113172636A (zh) | 一种自动手眼标定方法、装置及存储介质 | |
CN117197245A (zh) | 一种位姿修复方法及装置 | |
CN111336938A (zh) | 一种机器人及其物体距离检测方法和装置 | |
CN116819561A (zh) | 一种点云数据匹配方法、***、电子设备及存储介质 | |
CN106651950B (zh) | 一种基于二次曲线透视投影不变性的单相机位姿估计方法 | |
CN114415129A (zh) | 基于多项式模型的视觉与毫米波雷达联合标定方法及装置 | |
CN109242894B (zh) | 一种基于移动最小二乘法的图像对齐方法及*** | |
CN114170319A (zh) | 测试标板的调整方法及装置 | |
CN109615658B (zh) | 机器人的物品拿取方法、装置、计算机设备及存储介质 | |
CN110930344B (zh) | 一种目标的质量确定方法、装置、***及电子设备 | |
CN113112551A (zh) | 相机参数的确定方法、装置、路侧设备和云控平台 | |
CN111583317B (zh) | 图像对齐方法、装置及终端设备 | |
CN115953485B (zh) | 一种摄像机标定方法及装置 |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: B501, Building F2, TCL Science Park, No. 1001, Zhongshanyuan Road, Shuguang Community, Xili Street, Nanshan District, Shenzhen City, Guangdong Province, 518000 Patentee after: LAUNCH DIGITAL TECHNOLOGY Co.,Ltd. Country or region after: China Address before: 518000 Third Floor, Fengyun Building, Galaxy, No. 5 Xinxi Road, North District, Nanshan High-tech Park, Shenzhen City, Guangdong Province Patentee before: LAUNCH DIGITAL TECHNOLOGY Co.,Ltd. Country or region before: China |