CN116423498A - 基于机械臂末端的标定方法、装置、介质及设备 - Google Patents
基于机械臂末端的标定方法、装置、介质及设备 Download PDFInfo
- Publication number
- CN116423498A CN116423498A CN202310221849.0A CN202310221849A CN116423498A CN 116423498 A CN116423498 A CN 116423498A CN 202310221849 A CN202310221849 A CN 202310221849A CN 116423498 A CN116423498 A CN 116423498A
- Authority
- CN
- China
- Prior art keywords
- coordinate system
- mechanical arm
- point
- calibration
- tail end
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 239000011159 matrix material Substances 0.000 claims abstract description 171
- 238000006243 chemical reaction Methods 0.000 claims abstract description 76
- 238000001914 filtration Methods 0.000 claims description 34
- 230000009466 transformation Effects 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000001131 transforming effect Effects 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 4
- 239000012636 effector Substances 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003068 static 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
- B25J9/1628—Programme controls characterised by the control loop
- B25J9/1653—Programme controls characterised by the control loop parameters identification, estimation, stiffness, accuracy, error analysis
-
- 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
- B25J9/1679—Programme controls characterised by the tasks executed
- B25J9/1692—Calibration of manipulator
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明提供的基于机械臂末端的标定方法、装置、设备及介质,通过对目标物场景点云进行滤波处理,得到目标物点云数据集,目标物点云数据集基于相机坐标系,基于目标物标定点,驱动机械臂末端移动至标定点,获取相机标定点数据及机械臂末端标定点数据,相机标定点数据包括标定点基于相机坐标系的第一坐标,机械臂末端标定点数据包括械臂末端坐标系基于机械臂基坐标系中的位姿数据及标定点在机械臂基坐标系中的第二坐标,利用相机标定点数据及机械臂末端标定点数据计算得到相机坐标系相对于机械臂基坐标系的标定矩阵,能够利用该标定矩阵实现相机坐标系和机械臂基坐标系之间的转换,能够实现三维模型的手眼标定,过程简单,所需的外部工具较少。
Description
技术领域
本发明涉及机械臂技术领域,特别是涉及基于机械臂末端的标定方法、装置、设备及介质。
背景技术
随着仓储物流的自动智能化程度日渐提高,机器视觉成为自动化实现的重要部分之一,在仓储物流运用中采用机械臂实现对目标物体的定位、抓取及搬运等工作。机械臂是一种能够按照预先设定的计划自动执行任务的机械设备,也是抓取控制***中执行运动命令的主要硬件。
为了实现机械臂的抓取首先通过相机来获得目标物体的三维空间信息,需要进行机械臂手眼标定,即获取机械臂基坐标系与相机坐标系之间的转换关系。机械臂手眼标定是基于视觉的机械臂控制的重要组成部分,它的目的是测算搭载在机械臂末端执行器上的相机坐标系到末端执行器坐标系的姿态转换矩阵。
传统九点法工业手眼标定局限于二维平面,只能获取目标物体的二维平面信息,缺少空间内的z轴信息,只能在固定高度的平面上进行抓取。若机械臂在空间中进行抓取,则需进行三维空间手眼标定。
YANG等采用标定球代替标定板或其他复杂的三维模型进行手眼标定,这种方法参数化表示简单,但获得的球体中心的坐标易出现误差,标定过程较为复杂。
因此,寻找一种适配的机械臂标定方法,是本领域技术人员亟待解决的技术问题。
发明内容
针对上述现有技术中机械臂手眼标定缺少空间z轴信息、过程繁琐、所需外部工具较多的技术问题,本发明的目的在于提供基于机械臂末端的标定方法、装置、设备及介质,能够快速简便地得到相机坐标系和机械臂基坐标系之间的标定矩阵。
第一方面,本发明提供基于机械臂末端的标定方法,包括如下步骤:
获取目标物场景点云,所述目标物场景点云通过设置在机械臂末端的相机拍摄取得,对所述目标物场景点云进行滤波处理,得到目标物点云数据集,所述目标物点云数据集基于相机坐标系;
基于目标物标记标定点,获取相机标定点数据,所述相机标定点数据包括所述标定点在相机坐标系中的第一坐标;
驱动机械臂末端移动至所述标定点,获取机械臂末端标定点数据,所述机械臂末端标定点数据包括机械臂末端坐标系基于机械臂基坐标系中的位姿数据及标定点在机械臂基坐标系中的第二坐标;
利用所述位姿数据计算得到机械臂末端坐标系相对于机械臂基坐标系的第一转换矩阵;
基于所述第一坐标、所述第二坐标及所述第一转换矩阵进行计算分析,得到相机坐标系相对于机械臂末端坐标系的第二转换矩阵;
根据所述第一转换矩阵及所述第二转换矩阵得到相机坐标系相对于机械臂基坐标系的标定矩阵,所述标定矩阵用于将目标点从相机坐标系转换到机械臂基坐标系。
可选地,所述根据所述第一转换矩阵及所述第二转换矩阵得到相机坐标系相对于机械臂基坐标系的标定矩阵,所述标定矩阵用于将目标点从相机坐标系转换到机械臂基坐标系,包括:
利用如下公式计算所述标定矩阵:
其中,PC表示标定点在相机坐标系中的第一坐标,表示相机坐标系相对于机械臂末端坐标系的第二转换矩阵,/>表示机械臂末端坐标系相对于机械臂基坐标系的第一转换矩阵,PB表示标定点在机械臂基坐标系中的第二坐标。
可选地,所述基于所述第一坐标、所述第二坐标及所述第一转换矩阵进行计算分析,得到相机坐标系相对于机械臂末端坐标系的第二转换矩阵,包括:
利用如下公式计算所述第二转换矩阵:
其中,表示机械臂末端坐标系相对于机械臂基坐标系的第一旋转矩阵,/>表示机械臂末端坐标系相对于机械臂基坐标系的第一平移矩阵,/>表示相机坐标系相对于机械臂末端坐标系的第二旋转矩阵,/>表示相机坐标系相对于机械臂末端坐标系的第二平移矩阵。
可选地,所述利用所述位姿数据计算得到机械臂末端坐标系相对于机械臂基坐标系的第一转换矩阵,包括:
获取所述位姿数据中的旋转角及平移量,利用所述旋转角计算得到机械臂末端坐标系相对于机械臂基坐标系的第一旋转矩阵,利用所述平移量计算得到机械臂末端坐标系相对于机械臂基坐标系的第一平移矩阵;
根据第一旋转矩阵及第一平移矩阵得到第一转换矩阵;
计算所述第一旋转矩阵的公式如下:
其中,Rx(A)表示绕x-轴旋转A角度的主动旋转,Ry(B)表示绕y-轴旋转B角度的主动旋转,Rz(C)表示绕z-轴旋转C角度的主动旋转;
计算所述第一平移矩阵的公式如下:
其中,tx1表示在x-轴的主动平移,ty1表示在y-轴的主动平移,tz1表示在z-轴的主动平移。
可选地,所述驱动机械臂末端移动至所述标定点,获取机械臂末端标定点数据,所述机械臂末端标定点数据包括机械臂末端坐标系基于机械臂基坐标系中的位姿数据及标定点在机械臂基坐标系中的第二坐标,包括:
通过机械臂示教器采集机械臂末端标定点数据,得到机械臂末端标定点数据,所述机械臂末端标定点数据包括械臂末端坐标系基于机械臂基坐标系中的位姿数据及标定点在机械臂基坐标系中的第二坐标,所述位姿数据包括机械臂末端坐标系相对于机械臂基坐标系中绕x-轴旋转角、y-轴旋转角、z-轴旋转角,所述位姿数据还包括机械臂末端相对于机械臂基坐标系中x-轴平移量、y-轴平移量、z-轴平移量。
可选地,所述获取目标物场景点云,所述目标物场景点云通过设置在机械臂末端的相机拍摄取得,对所述目标物场景点云进行滤波处理,得到目标物点云数据集,所述目标物点云数据集基于相机坐标系,包括:
调整相机位姿位达预定位置进行拍摄,得到目标物场景点云,所述目标物场景点云包括目标物点云及背景点云;
对所述目标物场景点云进行条件滤波处理,若所述目标物场景点云对应坐标的X轴值、Y轴值、Z轴值均分别超过对应阈值,则去除所述超过对应阈值的目标物场景点云。
可选地,所述获取目标物场景点云,所述目标物场景点云通过设置在机械臂末端的相机拍摄取得,对所述目标物场景点云进行滤波处理,得到目标物点云数据集,所述目标物点云数据集基于相机坐标系,还包括:
对所述目标物场景点云进行统计滤波处理,所述统计滤波包括:
获取邻域点数量和标准差倍数;
计算目标物场景点云中每一个点与其邻域点之间的平均距离,根据所述平均距离计算全部目标物场景点云中平均距离的均值,
若所述平均距离大于平均距离阈值,则去除该点云,所述平均距离阈值根据所述均值、所述标准差倍数、所述标准差值确定;
计算所述平均距离,公式如下:
其中,Pi(i=1,2,…,m)表示目标物场景点云中每一个点,Pj(j=1,2,…,n)表示每一个点所对应的邻域点,m表示点云总数量,n表示邻域点数量,di表示平均距离,xpi表示点Pi的x坐标,ypi表示点Pi的y坐标,zpi表示点Pi的z坐标,xpj表示点Pj的x坐标,ypj表示点Pj的y坐标,zpj表示点Pj的z坐标;w表示标准差倍数;
判断所述平均距离大于平均距离阈值的公式如下:
di>k+wl
其中,k表示平均距离的均值,w表示标准差倍数,l表示标准差值;
获取将目标物场景点云经过条件滤波及统计滤波后得到的目标物点云,得到目标物点云数据集。
第二方面,本发明提供基于机械臂末端的标定装置,所述装置包括:
目标物点云获取模块,用于获取目标物场景点云,所述目标物场景点云通过设置在机械臂末端的相机拍摄取得,对所述目标物场景点云进行滤波处理,得到目标物点云数据集,所述目标物点云数据集基于相机坐标系;
标记模块,用于基于目标物标记标定点,获取相机标定点数据,所述相机标定点数据包括所述标定点在相机坐标系中的第一坐标;
机械臂末端标定点获取模块,用于驱动机械臂末端移动至所述标定点,获取机械臂末端标定点数据,所述机械臂末端标定点数据包括机械臂末端坐标系基于机械臂基坐标系中的位姿数据及标定点在机械臂基坐标系中的第二坐标;
第一转换矩阵获取模块,用于利用所述位姿数据计算得到机械臂末端坐标系相对于机械臂基坐标系的第一转换矩阵;
第二转换矩阵获取模块,用于基于所述第一坐标、所述第二坐标及所述第一转换矩阵进行计算分析,得到相机坐标系相对于机械臂末端坐标系的第二转换矩阵;
标定矩阵获取模块,用于根据所述第一转换矩阵及所述第二转换矩阵得到相机坐标系相对于机械臂基坐标系的标定矩阵,所述标定矩阵用于将目标点从相机坐标系转换到机械臂基坐标系。
第三方面,本发明提供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,使得所述处理器执行如第一方面中任一项所述基于机械臂末端的标定方法的步骤。
第四方面,本发明提供计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如第一方面中任一项所述基于机械臂末端的标定方法的步骤。
本发明提供的基于机械臂末端的标定方法、装置、设备及介质,通过获取目标物场景点云,并对目标物场景点云进行滤波处理,得到目标物点云数据集,其中,所述目标物点云数据集基于相机坐标系,基于目标物标定点,驱动机械臂末端移动至标定点,获取相机标定点数据及机械臂末端标定点数据,相机标定点数据包括标定点基于相机坐标系的第一坐标,机械臂末端标定点数据包括械臂末端坐标系基于机械臂基坐标系中的位姿数据及标定点在机械臂基坐标系中的第二坐标,根据位姿数据计算得到机械臂末端坐标系相对于机械臂基坐标系的第一转换矩阵,基于所述第一坐标、所述第二坐标及所述第一转换矩阵进行计算分析,得到相机坐标系相对于机械臂末端坐标系的第二转换矩阵,利用第二转换矩阵将标定点从相机坐标系转换到机械臂末端坐标系,再利用第一转换矩阵将标定点从机械臂末端坐标系转换到机械臂基坐标系。利用标定点的转换过程中的第一转换矩阵和第二转换矩阵得到相机坐标系相对于机械臂基坐标系的标定矩阵后,能够利用该标定矩阵实现相机坐标系和机械臂基坐标系之间的转换,本发明的转换方法能够实现三维模型的手眼标定,过程简单,所需的外部工具较少,解决了现有技术中机械臂手眼标定缺少空间z轴信息、过程繁琐、所需外部工具较多的技术问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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为一实施例提供的基于机械臂末端的标定方法的流程示意图;
图2为一实施例提供的基于机械臂末端的标定装置的结构示意图;
图3为一实施例提供的基于机械臂末端的标定方法的设备的结构示意图。
具体实施方式
为了使本领域的技术人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,“多个”、“若干个”的含义是两个或两个以上,除非另有明确具体的限定。
须知,本说明书附图所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本申请可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本申请所能产生的功效及所能达成的目的下,均应仍落在本申请所揭示的技术内容得能涵盖的范围内。
为了实现机械臂的抓取首先通过相机来获得目标物体的三维空间信息,需要进行机械臂手眼标定,即获取机械臂基坐标系与相机坐标系之间的转换关系。机械臂手眼标定是基于视觉的机械臂控制的重要组成部分,它的目的是测算搭载在机械臂末端执行器上的相机坐标系到末端执行器坐标系的姿态转换矩阵。
现有技术中,手在眼上的手眼标定方法中,在将相机坐标系转换到机械臂基坐标系时,需要利用机械臂基坐标系、机械臂末端法兰盘坐标系、相机坐标系、目标物坐标系、手坐标系,转换过程复杂。因此,寻找一种适配的机械臂标定方法,是本领域技术人员亟待解决的技术问题。
实施例一
现有技术中机械臂手眼标定缺少空间z轴信息、过程繁琐、所需外部工具较多的技术问题,本发明的目的在于提供基于机械臂末端的标定方法、装置、设备及介质,能够快速简便地得到相机坐标系和机械臂基坐标系之间的转换矩阵。
参阅图1所示,本实施例提供基于机械臂末端的标定方法,包括如下步骤:
S100:获取目标物场景点云,所述目标物场景点云通过设置在机械臂末端的相机拍摄取得,对所述目标物场景点云进行滤波处理,得到目标物点云数据集,所述目标物点云数据集基于相机坐标系;
具体的,将相机固定在机械臂末端的执行器上,拍摄目标物,得到目标物场景点云,目标物场景点云中包括目标物点云及背景点云,点云是一个数据集,数据集中的每个点代表一组几何坐标,在本实施例中,点云对应的几何坐标为三维坐标。为了保证后续数据采集的可靠性,比如为了提高在后续通过机械臂示教器采集的机械臂末端标定点数据的可靠性和准确性,需要调整相机的姿位多次拍照,避免相机视野被遮蔽的问题。
具体的,相机坐标系是描述目标物体成像在相机内部产生的点云坐标系,目标物体在相机坐标系的坐标为PC。
值得注意的是,为了更好地获取目标物点云上的几何坐标信息,需要对获取到的原始点云进行滤波处理,去除背景点云及去除噪点点云,所以需要把要去除的点云筛选出来。
进一步地,所述获取目标物场景点云,所述目标物场景点云通过设置在机械臂末端的相机拍摄取得,对所述目标物场景点云进行滤波处理,得到目标物点云数据集,所述目标物点云数据集基于相机坐标系,包括:
S101:调整相机位姿位达预定位置进行拍摄,得到目标物场景点云,所述目标物场景点云包括目标物点云及背景点云;
S102:对所述目标物场景点云进行条件滤波处理,若所述目标物场景点云对应坐标的X轴值、Y轴值、Z轴值均分别超过对应阈值,则去除所述超过对应阈值的目标物场景点云。
具体的,获取目标物场景点云的几何坐标,筛选出X轴值超过预设X阈值的点云,筛选出Y值超过预设Y阈值的点云,筛选出Z值超过预设Z阈值的点云,若X值、Y值及Z值均超过对应阈值,则去除该点云。
值得注意的是,通过上述条件滤波去除大部分背景点云,但是条件滤波后目标物周围仍然存在很多噪点点云,此类噪点点云主要是由于设备、光线被测目标物表面材质等多种因素造成的边缘离群点,这类噪点点云的特点是分布离散、数量较少、与目标物体表面点云之间的距离较近,若同样使用条件滤波去除这类噪点点云需要多次设置不同的阈值,较为繁琐,且由于与目标物表面点云距离较近容易误删目标物点云,所以需要更为适配的统计滤波处理这类噪点点云。
进一步地,所述获取目标物场景点云,所述目标物场景点云通过设置在机械臂末端的相机拍摄取得,对所述目标物场景点云进行滤波处理,得到目标物点云数据集,所述目标物点云数据集基于相机坐标系,还包括:
S111:对所述目标物场景点云进行统计滤波处理,所述统计滤波包括:
S112:获取邻域点数量和标准差倍数;
S113:计算目标物场景点云中每一个点与其邻域点之间的平均距离,根据所述平均距离计算全部目标物场景点云中平均距离的均值;
S114:若所述平均距离大于平均距离阈值,则去除该点云,所述平均距离阈值根据所述均值、所述标准差倍数、所述标准差值确定;
计算所述平均距离,公式如下:
其中,Pi(i=1,2,…,m)表示目标物场景点云中每一个点,Pj(j=1,2,…,n)表示每一个点所对应的邻域点,m表示点云总数量,n表示邻域点数量,di表示平均距离,xpi表示点Pi的x坐标,ypi表示点Pi的y坐标,zpi表示点Pi的z坐标,xpj表示点Pj的x坐标,ypj表示点Pj的y坐标,zpj表示点Pj的z坐标;w表示标准差倍数,
判断所述平均距离大于平均距离阈值的公式如下:
di>k+wl
其中,k表示平均距离的均值,w表示标准差倍数,l表示标准差值;
获取将目标物场景点云经过条件滤波及统计滤波后得到的目标物点云,得到目标物点云数据集。
具体的,计算每一个点云与其对应的领域点之间的平均距离,若每个点与其领域点间的距离符合正态分布,将平均距离大于上述平均距离的均值与标准差倍数和标准差相关的关系式,则将该点云去除,根据本实施例中的统计滤波可以有效去除目标物表面的噪点点云,而又避免误删除目标物点云,最终得到去除背景点云及去除噪点点云的目标物点云数据集。
值得注意的是,根据利用多个标定点的相机标定点数据中的第一坐标PC、机械臂末端标定点数据中的第二坐标PB、机械臂末端标定点数据中的位姿数据计算得到机械臂末端坐标系相对于机械臂基坐标系的第一转换矩阵/>基于多个标定点利用最小二乘法求解第二转换矩阵/>中的第二旋转矩阵/>及第二平移矩阵/>得到相机坐标系相对于机械臂基坐标系的标定矩阵,标定矩阵用于将目标物上的目标物点才相机坐标系转换的机械臂基坐标系。
S200:基于目标物标记标定点,获取相机标定点数据,所述相机标定点数据包括所述标定点在相机坐标系中的第一坐标;
具体的,在目标物表面标记若干个标记点,标定点在相机坐标系中的第一坐标为PC=[xc,yc,zc]T,标定点在机械臂基坐标系中的第二坐标为PB=[xb,yb,zb]T。
需要说明的是,相机标定点数据包括所述标定点在相机坐标系中的第一坐标,第一坐标包括标定点在相机坐标系中x轴坐标、y轴坐标、z轴坐标,这里的坐标用“第一”作区分,是为了区分标定点在相机坐标系中坐标及S3步骤提到的标定点在机械臂基坐标系中的坐标,标定点在相机坐标系中的坐标为第一坐标,标定点在机械臂基坐标系中的坐标为第二坐标。类似的,S4步骤及S5步骤中分别提到的第一转换矩阵、第二转换矩阵也是为了区分是哪个坐标系相对于哪个坐标系的转换矩阵。
S300:驱动机械臂末端移动至所述标定点,获取机械臂末端标定点数据,所述机械臂末端标定点数据包括机械臂末端坐标系基于机械臂基坐标系中的位姿数据及标定点在机械臂基坐标系中的第二坐标;
具体的,标定点在机械臂基坐标系中的第二坐标PB=[xb,yb,zb]T,
为了提高机械臂标定的精度和效率,使用示教器控制机械臂进行定位,方便准确。
进一步地,所述驱动机械臂末端移动至所述标定点,获取机械臂末端标定点数据,所述机械臂末端标定点数据包括机械臂末端坐标系基于机械臂基坐标系中的位姿数据及标定点在机械臂基坐标系中的第二坐标,包括:
S301:通过机械臂示教器采集机械臂末端标定点数据,得到机械臂末端标定点数据,所述机械臂末端标定点数据包括械臂末端坐标系基于机械臂基坐标系中的位姿数据及标定点在机械臂基坐标系中的第二坐标,所述位姿数据包括机械臂末端坐标系相对于机械臂基坐标系中绕x-轴旋转角、y-轴旋转角、z-轴旋转角,所述位姿数据还包括机械臂末端相对于机械臂基坐标系中x-轴平移量、y-轴平移量、z-轴平移量。
具体的,
S400:利用所述位姿数据计算得到机械臂末端坐标系相对于机械臂基坐标系的第一转换矩阵;
进一步地,所述利用所述位姿数据计算得到机械臂末端坐标系相对于机械臂基坐标系的第一转换矩阵,包括:
S401:获取所述位姿数据中的旋转角及平移量,利用所述旋转角计算得到机械臂末端坐标系相对于机械臂基坐标系的第一旋转矩阵,利用所述平移量计算得到机械臂末端坐标系相对于机械臂基坐标系的第一平移矩阵;
具体的,
S402:根据第一旋转矩阵及第一平移矩阵得到第一转换矩阵;
具体的,
计算所述第一旋转矩阵的公式如下:
其中,Rx(A)表示绕x-轴旋转A角度的主动旋转,Ry(B)表示绕y-轴旋转B角度的主动旋转,Rz(C)表示绕z-轴旋转C角度的主动旋转;
计算所述第一平移矩阵的公式如下:
其中,tx1表示在x-轴的主动平移,ty1表示在y-轴的主动平移,tz1表示在z-轴的主动平移。
公式如下:
500:基于所述第一坐标、所述第二坐标及所述第一转换矩阵进行计算分析,得到相机坐标系相对于机械臂末端坐标系的第二转换矩阵;
进一步地,所述基于所述第一坐标、所述第二坐标及所述第一转换矩阵进行计算分析,得到相机坐标系相对于机械臂末端坐标系的第二转换矩阵,包括:
利用如下公式计算所述第二转换矩阵:
其中,表示机械臂末端坐标系相对于机械臂基坐标系的第一旋转矩阵,/>表示机械臂末端坐标系相对于机械臂基坐标系的第一平移矩阵,/>表示相机坐标系相对于机械臂末端坐标系的第二旋转矩阵,/>表示相机坐标系相对于机械臂末端坐标系的第二平移矩阵。
具体的,基于多个标定点数据利用最小二乘法计算关于的线性方程,由于旋转矩阵与平移矩阵是相互独立的,故将第二旋转矩阵/>和第二平移矩阵/>分别计算拟合,得到相机坐标系相对于机械臂末端坐标系的第二转换矩阵/>
S600:根据所述第一转换矩阵及所述第二转换矩阵得到相机坐标系相对于机械臂基坐标系的标定矩阵,所述标定矩阵用于将目标点从相机坐标系转换到机械臂基坐标系。
具体的,利用相机坐标系相对于机械臂末端坐标系的第二转换矩阵将目标点从相机坐标系转换到机械臂末端坐标系,利用机械臂末端坐标系相对于机械臂基坐标系的第一转换矩阵/>将目标点从机械臂末端坐标系转换到机械臂基坐标系。
进一步地,所述根据所述第一转换矩阵及所述第二转换矩阵得到相机坐标系相对于机械臂基坐标系的标定矩阵,所述标定矩阵用于将目标点从相机坐标系转换到机械臂基坐标系,包括:
利用如下公式计算所述标定矩阵:
其中,PC表示标定点在相机坐标系中的第一坐标,表示相机坐标系相对于机械臂末端坐标系的第二转换矩阵,/>表示机械臂末端坐标系相对于机械臂基坐标系的第一转换矩阵,PB表示标定点在机械臂基坐标系中的第二坐标。
具体的,利用上述标定矩阵,在得知目标点在相机坐标系中的坐标时,可通过标定矩阵转换该目标点在机械臂基坐标系中的坐标;或者在得知目标点在机械臂基坐标系中的坐标,可通过标定矩阵转换该目标点在相机坐标系中的坐标。
本发明提供的基于机械臂末端的标定方法、装置、设备及介质,通过获取目标物场景点云,并对目标物场景点云进行滤波处理,得到目标物点云数据集,其中,所述目标物点云数据集基于相机坐标系,基于目标物标定点,驱动机械臂末端移动至标定点,获取相机标定点数据及机械臂末端标定点数据,相机标定点数据包括标定点基于相机坐标系的第一坐标,机械臂末端标定点数据包括械臂末端坐标系基于机械臂基坐标系中的位姿数据及标定点在机械臂基坐标系中的第二坐标,根据位姿数据计算得到机械臂末端坐标系相对于机械臂基坐标系的第一转换矩阵,基于所述第一坐标、所述第二坐标及所述第一转换矩阵进行计算分析,得到相机坐标系相对于机械臂末端坐标系的第二转换矩阵,利用第二转换矩阵将标定点从相机坐标系转换到机械臂末端坐标系,再利用第一转换矩阵将标定点从机械臂末端坐标系转换到机械臂基坐标系。利用标定点的转换过程中的第一转换矩阵和第二转换矩阵得到相机坐标系相对于机械臂基坐标系的标定矩阵后,能够利用该标定矩阵实现相机坐标系和机械臂基坐标系之间的转换,本发明的转换方法能够实现三维模型的手眼标定,过程简单,所需的外部工具较少,解决了现有技术中机械臂手眼标定缺少空间z轴信息、过程繁琐、所需外部工具较多的技术问题。
实施例二
现有技术中机械臂手眼标定缺少空间z轴信息、过程繁琐、所需外部工具较多的技术问题,本发明的目的在于提供基于机械臂末端的标定方法、装置、设备及介质,能够快速简便地得到相机坐标系和机械臂基坐标系之间的转换矩阵。
参阅图2所示,本实施例提供一种基于机械臂末端的标定装置,所述装置包括:
目标物点云获取模块,用于获取目标物场景点云,所述目标物场景点云通过设置在机械臂末端的相机拍摄取得,对所述目标物场景点云进行滤波处理,得到目标物点云数据集,所述目标物点云数据集基于相机坐标系;
标记模块,用于基于目标物标记标定点,获取相机标定点数据,所述相机标定点数据包括所述标定点在相机坐标系中的第一坐标;
机械臂末端标定点获取模块,用于驱动机械臂末端移动至所述标定点,获取机械臂末端标定点数据,所述机械臂末端标定点数据包括机械臂末端坐标系基于机械臂基坐标系中的位姿数据及标定点在机械臂基坐标系中的第二坐标;
第一转换矩阵获取模块,用于利用所述位姿数据计算得到机械臂末端坐标系相对于机械臂基坐标系的第一转换矩阵;
第二转换矩阵获取模块,用于基于所述第一坐标、所述第二坐标及所述第一转换矩阵进行计算分析,得到相机坐标系相对于机械臂末端坐标系的第二转换矩阵;
标定矩阵获取模块,用于根据所述第一转换矩阵及所述第二转换矩阵得到相机坐标系相对于机械臂基坐标系的标定矩阵,所述标定矩阵用于将目标点从相机坐标系转换到机械臂基坐标系。
本发明提供的基于机械臂末端的标定方法、装置、设备及介质,通过获取目标物场景点云,并对目标物场景点云进行滤波处理,得到目标物点云数据集,其中,所述目标物点云数据集基于相机坐标系,基于目标物标定点,驱动机械臂末端移动至标定点,获取相机标定点数据及机械臂末端标定点数据,相机标定点数据包括标定点基于相机坐标系的第一坐标,机械臂末端标定点数据包括械臂末端坐标系基于机械臂基坐标系中的位姿数据及标定点在机械臂基坐标系中的第二坐标,根据位姿数据计算得到机械臂末端坐标系相对于机械臂基坐标系的第一转换矩阵,基于所述第一坐标、所述第二坐标及所述第一转换矩阵进行计算分析,得到相机坐标系相对于机械臂末端坐标系的第二转换矩阵,利用第二转换矩阵将标定点从相机坐标系转换到机械臂末端坐标系,再利用第一转换矩阵将标定点从机械臂末端坐标系转换到机械臂基坐标系。利用标定点的转换过程中的第一转换矩阵和第二转换矩阵得到相机坐标系相对于机械臂基坐标系的标定矩阵后,能够利用该标定矩阵实现相机坐标系和机械臂基坐标系之间的转换,本发明的转换方法能够实现三维模型的手眼标定,过程简单,所需的外部工具较少,解决了现有技术中机械臂手眼标定缺少空间z轴信息、过程繁琐、所需外部工具较多的技术问题。
实施例三
本实施例提供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,使得所述处理器执行如第一方面中任一项所述基于机械臂末端的标定方法的步骤。
实施例四
本实施例提供计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如第一方面中任一项所述基于机械臂末端的标定方法的步骤。
图3示出了一个实施例中计算机设备的内部结构图。该计算机设备为服务器(即后台),该计算机设备包括通过***总线连接的处理器和存储器。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作***,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现上述专利案件的全流程可视化管理方法或基于多个端交互的案件管理方法或基于即时消息的信息展示方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行上述专利案件的全流程可视化管理方法或基于多个端交互的案件管理方法或基于即时消息的信息展示方法。本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.基于机械臂末端的标定方法,其特征在于,包括如下步骤:
获取目标物场景点云,所述目标物场景点云通过设置在机械臂末端的相机拍摄取得,对所述目标物场景点云进行滤波处理,得到目标物点云数据集,所述目标物点云数据集基于相机坐标系;
基于目标物标记标定点,获取相机标定点数据,所述相机标定点数据包括所述标定点在相机坐标系中的第一坐标;
驱动机械臂末端移动至所述标定点,获取机械臂末端标定点数据,所述机械臂末端标定点数据包括机械臂末端坐标系基于机械臂基坐标系中的位姿数据及标定点在机械臂基坐标系中的第二坐标;
利用所述位姿数据计算得到机械臂末端坐标系相对于机械臂基坐标系的第一转换矩阵;
基于所述第一坐标、所述第二坐标及所述第一转换矩阵进行计算分析,得到相机坐标系相对于机械臂末端坐标系的第二转换矩阵;
根据所述第一转换矩阵及所述第二转换矩阵得到相机坐标系相对于机械臂基坐标系的标定矩阵,所述标定矩阵用于将目标点从相机坐标系转换到机械臂基坐标系。
4.根据权利要求3所述的基于机械臂末端的标定方法,其特征在于,所述利用所述位姿数据计算得到机械臂末端坐标系相对于机械臂基坐标系的第一转换矩阵,包括:
获取所述位姿数据中的旋转角及平移量,利用所述旋转角计算得到机械臂末端坐标系相对于机械臂基坐标系的第一旋转矩阵,利用所述平移量计算得到机械臂末端坐标系相对于机械臂基坐标系的第一平移矩阵;
根据第一旋转矩阵及第一平移矩阵得到第一转换矩阵;
计算所述第一旋转矩阵的公式如下:
其中,Rx(A)表示绕x-轴旋转A角度的主动旋转,Ry(B)表示绕y-轴旋转B角度的主动旋转,Rz(C)表示绕z-轴旋转C角度的主动旋转;
计算所述第一平移矩阵的公式如下:
其中,tx1表示在x-轴的主动平移,ty1表示在y-轴的主动平移,tz1表示在z-轴的主动平移。
5.根据权利要求4所述的基于机械臂末端的标定方法,其特征在于,所述驱动机械臂末端移动至所述标定点,获取机械臂末端标定点数据,所述机械臂末端标定点数据包括机械臂末端坐标系基于机械臂基坐标系中的位姿数据及标定点在机械臂基坐标系中的第二坐标,包括:
通过机械臂示教器采集机械臂末端标定点数据,得到机械臂末端标定点数据,所述机械臂末端标定点数据包括械臂末端坐标系基于机械臂基坐标系中的位姿数据及标定点在机械臂基坐标系中的第二坐标,所述位姿数据包括机械臂末端坐标系相对于机械臂基坐标系中绕x-轴旋转角、y-轴旋转角、z-轴旋转角,所述位姿数据还包括机械臂末端相对于机械臂基坐标系中x-轴平移量、y-轴平移量、z-轴平移量。
6.根据权利要求1所述的基于机械臂末端的标定方法,其特征在于,所述获取目标物场景点云,所述目标物场景点云通过设置在机械臂末端的相机拍摄取得,对所述目标物场景点云进行滤波处理,得到目标物点云数据集,所述目标物点云数据集基于相机坐标系,包括:
调整相机位姿位达预定位置进行拍摄,得到目标物场景点云,所述目标物场景点云包括目标物点云及背景点云;
对所述目标物场景点云进行条件滤波处理,若所述目标物场景点云对应坐标的X轴值、Y轴值、Z轴值均分别超过对应阈值,则去除所述超过对应阈值的目标物场景点云。
7.根据权利要求6所述的基于机械臂末端的标定方法,其特征在于,所述获取目标物场景点云,所述目标物场景点云通过设置在机械臂末端的相机拍摄取得,对所述目标物场景点云进行滤波处理,得到目标物点云数据集,所述目标物点云数据集基于相机坐标系,还包括:
对所述目标物场景点云进行统计滤波处理,所述统计滤波包括:
获取邻域点数量和标准差倍数;
计算目标物场景点云中每一个点与其邻域点之间的平均距离,根据所述平均距离计算全部目标物场景点云中平均距离的均值,
若所述平均距离大于平均距离阈值,则去除该点云,所述平均距离阈值根据所述均值、所述标准差倍数、所述标准差值确定;
计算所述平均距离,公式如下:
其中,Pi(i=1,2,…,m)表示目标物场景点云中每一个点,Pj(j=1,2,…,n)表示每一个点所对应的邻域点,m表示点云总数量,n表示邻域点数量,di表示平均距离,xpi表示点Pi的x坐标,ypi表示点Pi的y坐标,zpi表示点Pi的z坐标,xpj表示点Pj的x坐标,ypj表示点Pj的y坐标,zpj表示点Pj的z坐标;w表示标准差倍数;
判断所述平均距离大于平均距离阈值的公式如下:
di>k+wl
其中,k表示平均距离的均值,w表示标准差倍数,l表示标准差值;
获取将目标物场景点云经过条件滤波及统计滤波后得到的目标物点云,得到目标物点云数据集。
8.基于机械臂末端的标定装置,其特征在于,所述装置包括:
目标物点云获取模块,用于获取目标物场景点云,所述目标物场景点云通过设置在机械臂末端的相机拍摄取得,对所述目标物场景点云进行滤波处理,得到目标物点云数据集,所述目标物点云数据集基于相机坐标系;
标记模块,用于基于目标物标记标定点,获取相机标定点数据,所述相机标定点数据包括所述标定点在相机坐标系中的第一坐标;
机械臂末端标定点获取模块,用于驱动机械臂末端移动至所述标定点,获取机械臂末端标定点数据,所述机械臂末端标定点数据包括机械臂末端坐标系基于机械臂基坐标系中的位姿数据及标定点在机械臂基坐标系中的第二坐标;
第一转换矩阵获取模块,用于利用所述位姿数据计算得到机械臂末端坐标系相对于机械臂基坐标系的第一转换矩阵;
第二转换矩阵获取模块,用于基于所述第一坐标、所述第二坐标及所述第一转换矩阵进行计算分析,得到相机坐标系相对于机械臂末端坐标系的第二转换矩阵;
标定矩阵获取模块,用于根据所述第一转换矩阵及所述第二转换矩阵得到相机坐标系相对于机械臂基坐标系的标定矩阵,所述标定矩阵用于将目标点从相机坐标系转换到机械臂基坐标系。
9.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,使得所述处理器执行如权利要求1至7中任一项所述基于机械臂末端的标定方法的步骤。
10.计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至7中任一项所述基于机械臂末端的标定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310221849.0A CN116423498A (zh) | 2023-03-08 | 2023-03-08 | 基于机械臂末端的标定方法、装置、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310221849.0A CN116423498A (zh) | 2023-03-08 | 2023-03-08 | 基于机械臂末端的标定方法、装置、介质及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116423498A true CN116423498A (zh) | 2023-07-14 |
Family
ID=87082292
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310221849.0A Pending CN116423498A (zh) | 2023-03-08 | 2023-03-08 | 基于机械臂末端的标定方法、装置、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116423498A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110555889A (zh) * | 2019-08-27 | 2019-12-10 | 西安交通大学 | 一种基于CALTag和点云信息的深度相机手眼标定方法 |
CN112634435A (zh) * | 2020-12-17 | 2021-04-09 | 中国地质大学(武汉) | 一种基于“Eye in Hand”模型的陶瓷制品三维点云重建方法 |
CN113610921A (zh) * | 2021-08-06 | 2021-11-05 | 沈阳风驰软件股份有限公司 | 混合工件抓取方法、设备及计算机可读存储介质 |
CN114193444A (zh) * | 2021-11-11 | 2022-03-18 | 湖北工业大学 | 一种机器人手眼标定方法、***、设备及介质 |
-
2023
- 2023-03-08 CN CN202310221849.0A patent/CN116423498A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110555889A (zh) * | 2019-08-27 | 2019-12-10 | 西安交通大学 | 一种基于CALTag和点云信息的深度相机手眼标定方法 |
CN112634435A (zh) * | 2020-12-17 | 2021-04-09 | 中国地质大学(武汉) | 一种基于“Eye in Hand”模型的陶瓷制品三维点云重建方法 |
CN113610921A (zh) * | 2021-08-06 | 2021-11-05 | 沈阳风驰软件股份有限公司 | 混合工件抓取方法、设备及计算机可读存储介质 |
CN114193444A (zh) * | 2021-11-11 | 2022-03-18 | 湖北工业大学 | 一种机器人手眼标定方法、***、设备及介质 |
Non-Patent Citations (1)
Title |
---|
颜京森: "基于工业机器人的三维测量***研究与应用", "中国优秀硕士学位论文全文数据库", pages 15 - 16 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107871328B (zh) | 机器视觉***和机器视觉***实现的校准方法 | |
CN110355755B (zh) | 机器人手眼***标定方法、装置、设备及存储介质 | |
KR20180120647A (ko) | 가이드된 어셈블리 환경에서 머신비전 좌표공간과 함께 묶기 위한 시스템 및 방법 | |
CN114355953B (zh) | 一种基于机器视觉的多轴伺服***的高精度控制方法及*** | |
JP5450242B2 (ja) | マニピュレータのキャリブレーション方法及びロボット制御システム | |
CN112907586B (zh) | 基于视觉的机械臂控制方法、装置、***和计算机设备 | |
CN111438688B (zh) | 机器人校正方法、装置、计算机设备及存储介质 | |
US11577400B2 (en) | Method and apparatus for managing robot system | |
CN114310901B (zh) | 用于机器人的坐标系标定方法、装置、***以及介质 | |
CN112907682B (zh) | 一种五轴运动平台的手眼标定方法、装置及相关设备 | |
CN108627178B (zh) | 机器人手眼标定方法和*** | |
CN114310880A (zh) | 一种机械臂标定方法及装置 | |
CN112907683A (zh) | 一种点胶平台的相机标定方法、装置及相关设备 | |
CN116277035B (zh) | 机器人的控制方法、装置、处理器及电子设备 | |
CN112686950A (zh) | 位姿估计方法、装置、终端设备及计算机可读存储介质 | |
CN112489133A (zh) | 手眼***的标定方法、装置及设备 | |
CN113172636B (zh) | 一种自动手眼标定方法、装置及存储介质 | |
JP5574805B2 (ja) | 視覚センサを有するマニピュレータのセンサキャリブレーション方法及びロボット制御システム | |
CN112743548B (zh) | 一种统一两种机械臂手眼标定的方法及***、终端 | |
EP3722052A1 (en) | A method for determining camera placement within a robotic cell environment | |
CN113744409A (zh) | 工件定位方法、装置、***、设备与介质 | |
CN113160317A (zh) | 云台目标追踪控制方法、装置及云台控制设备、存储介质 | |
CN116423498A (zh) | 基于机械臂末端的标定方法、装置、介质及设备 | |
CN117340879A (zh) | 一种基于图优化模型的工业机器人参数辨识方法和*** | |
EP4004488A1 (en) | Improvements in or relating to photogrammetry |
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 |