一种多维空间曲面打磨作业轨迹在线生成方法和机器人技术

本申请公开了一种多维空间曲面打磨作业轨迹在线生成方法和机器人。该方法通过贝叶斯相干点漂移算法将各个鞋帮点数据与对应的侧墙点数据配准，形成各个配准点，由这些配准点形成鞋帮打粗轨迹，以辅助工业机器人完成鞋帮的自动化打粗，有效地提高了鞋品打粗的质量和打粗效率。由于鞋帮点数据和侧墙点数据之间的配准高斯混合模型函数的概率密度函数存在大量离散变量，不同于传统点集配准算法使用期望最大化算法与极大似然估计来迭代计算，本申请通过贝叶斯相干点漂移算法将各个鞋帮点数据与对应的侧墙点数据配准，可以进一步提高计算精确度。精确度。精确度。

【技术实现步骤摘要】
一种多维空间曲面打磨作业轨迹在线生成方法和机器人


[0001]本申请涉及制鞋
，特别涉及一种多维空间曲面打磨作业轨迹在线生成方法和机器人。

技术介绍

[0002]鞋帮打粗是冷粘鞋生产过程中非常重要的工序，鞋帮的打粗质量决定了后期鞋大底与鞋帮上胶贴合的质量。我国制鞋厂商的鞋帮打粗作业一般通过手工方式进行，手工打粗存在较高的不确定性，打粗的质量往往和操作工人的经验和工作状态相关，从而导致鞋帮打粗容易出现废品率高、产品质量不均衡的情况。另一方面，打粗产生较多具有严重污染性的粉尘，长期工作在打粗车间的工人患尘肺病等呼吸道疾病的概率很高。工人手持工件与磨削设备近距离接触会带来听力下降、手指麻木、感觉迟钝等问题。
[0003]因此，在鞋帮打粗过程中制鞋厂商逐步开始引进生产设备代替人工生产，通过工业机器人完成鞋帮的自动化打粗，不仅能有效提高鞋品打粗的质量和打粗效率，还可以解决劳动力成本日益升高等问题。然而利用工业机器人完成鞋帮打粗，仍然存在打粗轨迹难以规划等难点。

技术实现思路

[0004]本申请的目的在于提供一种多维空间曲面打磨作业轨迹在线生成方法和机器人，其能够改善上述问题。
[0005]本申请的实施例是这样实现的：
[0006]第一方面，本申请提供一种多维空间曲面打磨作业轨迹在线生成方法，其包括：
[0007]获取各个鞋帮点数据，形成鞋帮点云数据，获取各个鞋底点数据，形成鞋底点云数据；
[0008]在所述鞋底点云数据中提取各个侧墙点数据，形成侧墙点云数据；
>[0009]通过贝叶斯相干点漂移算法将各个所述鞋帮点数据与对应的所述侧墙点数据配准，形成各个配准点；
[0010]依次连接各个所述配准点形成鞋帮打粗轨迹。
[0011]可以理解，本申请公开了一种多维空间曲面打磨作业轨迹在线生成方法，通过贝叶斯相干点漂移算法将各个鞋帮点数据与对应的侧墙点数据配准，形成各个配准点，由这些配准点形成鞋帮打粗轨迹，以辅助工业机器人完成鞋帮的自动化打粗，有效地提高了鞋品打粗的质量和打粗效率。由于鞋帮点数据和侧墙点数据之间的配准高斯混合模型函数的概率密度函数存在大量离散变量，不同于传统点集配准(Coherent Point Drift，CPD)算法使用期望最大化(Expectation
‑
Maximum，EM)算法与极大似然估计来迭代计算，本申请通过贝叶斯相干点漂移算法将各个鞋帮点数据与对应的侧墙点数据配准，可以进一步提高计算精确度。
[0012]在本申请可选的实施例中，所述在所述鞋底点云数据中提取各个侧墙点数据，包
括：截取垂直于鞋底面且与鞋宽度方向平行的各个截面的所述鞋底点云数据，将同一个所述截面上的所述鞋底点云数据作为截面点云数据；通过所述截面点云数据获取截面轮廓线，将所述截面轮廓线上各点的法线与所述鞋宽度方向的夹角作为判断角；将所述判断角小于角度阈值的点作为所述侧墙点数据。
[0013]可以理解，由于鞋底侧墙上存在部分点云，因此本文在提取单帧点云时使用夹角阈值分割侧墙，减少非刚性拼接的杂点数量。
[0014]如图3所示，鞋底最高点B点并不能作为侧墙起始点，在最高点右侧(BE段)仍存在部分点云，曲线法线与x轴的夹角作为判断角。将所述判断角小于角度阈值的点作为所述侧墙点数据，图中最高点右侧BE段属于侧墙点云数据。在本申请可选的实施例中，所述角度阈值可以是60
°
。
[0015]在本申请可选的实施例中，所述通过贝叶斯相干点漂移算法将各个所述鞋帮点数据与对应的所述侧墙点数据配准，形成各个配准点，包括：根据所述鞋帮点数据和所述侧墙点数据建立配准高斯混合模型函数；根据所述配准高斯混合模型函数确认其概率密度函数；通过变分贝叶斯推断算法对所述概率密度函数的下界进行最大化，从而得到与各个所述鞋帮点数据配准的所述侧墙点数据，形成各个所述配准点。
[0016]可以理解，由于鞋帮点数据和侧墙点数据之间的配准高斯混合模型函数的概率密度函数存在大量离散变量，不同于传统点集配准(Coherent Point Drift，CPD)算法使用期望最大化(Expectation
‑
Maximum，EM)算法与极大似然估计来迭代计算，本申请通过贝叶斯相干点漂移算法将各个鞋帮点数据与对应的侧墙点数据配准，可以进一步提高计算精确度。
[0017]在本申请可选的实施例中，所述根据所述鞋帮点数据和所述侧墙点数据建立配准高斯混合模型函数，包括：根据所述鞋帮点数据x
n
和所述侧墙点数据y
m
建立配准高斯混合模型函数如下：
[0018][0019]在本申请可选的实施例中，根据所述根据所述配准高斯混合模型函数确认其概率密度函数，包括：根据所述根据所述配准高斯混合模型函数确认其概率密度函数为：p(x,y,θ)，其中，θ＝(ν,α,c,e,s,R,t,σ2)。
[0020]在本申请可选的实施例中，所述通过变分贝叶斯推断算法对所述概率密度函数的下界进行最大化，包括：
[0021]计算所述概率密度函数的下界为：
[0022][0023]对所述下界L(q)进行最大化。
[0024]在本申请可选的实施例中，所述对所述下界L(q)进行最大化，包括：
[0025]通过下式对所述下界L(q)进行最大化：
[0026][0027]第二方面，本申请提供一种多维空间曲面打磨作业机器人，其包括：激光扫描仪、线结构光点云获取平台、处理器；
[0028]所述激光扫描仪，用于扫描鞋帮获得完整鞋帮点云数据；
[0029]所述线结构光点云获取平台，用于提取鞋底点云数据；
[0030]所述处理器，用于在所述鞋底点云数据中提取各个侧墙点数据，形成侧墙点云数据；通过贝叶斯相干点漂移算法将各个所述鞋帮点数据与对应的所述侧墙点数据配准，形成各个配准点；依次连接各个所述配准点形成鞋帮打粗轨迹。
[0031]第三方面，本申请提供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，该计算机程序包括程序指令，该程序指令被执行以实现第一方面任一项所述的方法。
[0032]有益效果：
[0033]本申请公开了一种多维空间曲面打磨作业轨迹在线生成方法和机器人，该方法通过贝叶斯相干点漂移算法将各个鞋帮点数据与对应的侧墙点数据配准，形成各个配准点，由这些配准点形成鞋帮打粗轨迹，以辅助工业机器人完成鞋帮的自动化打粗，有效地提高了鞋品打粗的质量和打粗效率。由于鞋帮点数据和侧墙点数据之间的配准高斯混合模型函数的概率密度函数存在大量离散变量，不同于传统点集配准(Coherent Point Drift，CPD)算法使用期望最大化(Expectation
‑
Maximum，EM)算法与极大似然估计来迭代计算，本申请通过贝叶斯相干点漂移算法将各个鞋帮点数据与对应的侧墙点数据配准，可以进一步提高计算精确度。
[0034]为使本申请的上述目本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多维空间曲面打磨作业轨迹在线生成方法，其特征在于，包括：获取各个鞋帮点数据，形成鞋帮点云数据，获取各个鞋底点数据，形成鞋底点云数据；在所述鞋底点云数据中提取各个侧墙点数据，形成侧墙点云数据；通过贝叶斯相干点漂移算法将各个所述鞋帮点数据与对应的所述侧墙点数据配准，形成各个配准点；依次连接各个所述配准点形成鞋帮打粗轨迹。2.根据权利要求1所述的多维空间曲面打磨作业轨迹在线生成方法，其特征在于，所述在所述鞋底点云数据中提取各个侧墙点数据，包括：截取垂直于鞋底面且与鞋宽度方向平行的各个截面的所述鞋底点云数据，将同一个所述截面上的所述鞋底点云数据作为截面点云数据；通过所述截面点云数据获取截面轮廓线，将所述截面轮廓线上各点的法线与所述鞋宽度方向的夹角作为判断角；将所述判断角小于角度阈值的点作为所述侧墙点数据。3.根据权利要求2所述的多维空间曲面打磨作业轨迹在线生成方法，其特征在于，所述角度阈值为60
°
。4.根据权利要求1所述的多维空间曲面打磨作业轨迹在线生成方法，其特征在于，所述通过贝叶斯相干点漂移算法将各个所述鞋帮点数据与对应的所述侧墙点数据配准，形成各个配准点，包括：根据所述鞋帮点数据和所述侧墙点数据建立配准高斯混合模型函数；根据所述配准高斯混合模型函数确认其概率密度函数；通过变分贝叶斯推断算法对所述概率密度函数的下界进行最大化，从而得到与各个所述鞋帮点数据配准的所述侧墙点数据，形成各个所述配准点。5.根据权利要求4所述的多维空间曲面打磨作业轨迹在线生成方法，其特征在于，所述根据所述鞋帮点数据和所述侧墙点数据建立配准高斯混合模型函数，包括：根据所述鞋帮点数据x
n
和所述侧墙点数据y
m
建立配准高斯混合模型函数如下：其中，所述鞋帮点云数据包括N个所述鞋帮点数据x
n
，所述侧墙点云数据包括M个所述侧墙点数据y
m
；其中，c
n
在所述鞋帮点数据x
n
为离群点的情况下为0，c
n
在所述鞋帮点数据x
n
为非离群点的情况下为1；其中，ω表示离群率；其中，φ
mn
表示所述鞋帮点数据x
n
和所述侧墙点数据y
m
的配准多元正态分布的期望，...

【专利技术属性】
技术研发人员：马娟，陈向坤，
申请(专利权)人：云路复合材料上海有限公司，
类型：发明
国别省市：