一种基于两通道网络的机器人高精度位姿测量系统技术方案

本发明专利技术涉及一种基于两通道网络的机器人高精度位姿测量系统，属于计算机视觉技术领域，包括单目相机、高精度位姿测量模块、高精度位姿标定机构、静态标志物和边缘端处理器；单目相机采集训练数据集时固定在高精度位姿标定机构末端，在线测试时与边缘端处理器封装为模块固定在低精度机械臂的末端；静态标志物放置于单目相机前方视野范围内；高精度位姿测量模块内植入位姿测量的两通道网络模型，所述模型通过输入拍摄的静态标志物图像以及位姿训练和位姿测量两个步骤实现机器人的高精度位姿测量。本发明专利技术只采集一张图像与参考图像组成图像对输入到模型中就能完成高精度位姿测量，省去了设计复杂标志物来获取物体三维距离信息，大幅度减少了工业成本。大幅度减少了工业成本。大幅度减少了工业成本。

【技术实现步骤摘要】
一种基于两通道网络的机器人高精度位姿测量系统


[0001]本专利技术涉及一种基于两通道网络的机器人高精度位姿测量系统，属于计算机视觉


技术介绍

[0002]随着机器人的应用越来越广泛，企业对机器人的性能要求也越来越高。定位精度是影响机器人性能的重要指标，目前市场上的工业机器人重复定位精度普遍很高(可达0.01mm)，但其绝对定位精度通常很低(大约几毫米)，因此，要提高机器人的性能，就必须提高机器人的绝对定位精度。目前，用来对机器人进行绝对定位的方法有很多，例如提高材料的制造精度、运动学标定进度，利用激光、超声波和视觉传感器进行误差补偿等。其中视觉传感器相对于其他测量技术，成本低，并且能够像人类的眼睛一样获取丰富的信息，有利于在提高定位精度得同时实现智能控制。然而，现有的单目视觉定位方法主通过设计复杂标志物来获取物体三维信息；双目/多目视觉定位方法则需要通过复杂得特征匹配获得目标三维坐标。其中，设计复杂标志物来获取物体三维信息的方法可以在不添加任何辅助设备的条件下来获取工件在世界坐标系下的三维信息。这类方法在标志物的设计上较为复杂，对于标志物的精度有较高的要求。双目/多目特征点匹配计算目标三维坐标的方法简单。如专利CN108388854A提出的一种基于改进FAST
‑
SURF算法的定位方法，利用SURF算法对特征点对的匹配以及RANSAC筛选，将匹配好的特征点对进行三角形测量原理处理,精确定位物体三维坐标。这类方法主要的问题是需要建立足够准确的匹配对，当遇见重复纹理或无纹理场景时，该类鲁棒性较差，定位精度易受影响。此外，该类方法由于匹配耗时，实时性也较差。另一类方法是基于深度学习的相机位姿估计方法，该类方法主要是对图像对进行训练，通过回归出两张图像之间的相对位姿实现高精度定位。但是该方法是基于光度视觉和纯色背景的，对不断变化的光照条件和存在不相关背景问题鲁棒性较差，并且属于重量化模型，难以实现工业部署。

技术实现思路

[0003]本专利技术的目的是提供一种基于两通道网络的机器人高精度位姿测量系统，解决了现有技术需要设计复杂标志物，定位精度低，对不断变化的光照条件和存在不相关背景鲁棒性低，以及模型较大难以部署的问题。
[0004]为了实现上述目的，本专利技术采用的技术方案是：
[0005]一种基于两通道网络的机器人高精度位姿测量系统，包括单目相机、高精度位姿测量模块、高精度位姿标定机构、静态标志物和边缘端处理器；所述单目相机在采集训练数据集的过程中固定在高精度位姿标定机构末端；所述单目相机在在线测试过程中通过连接线与边缘端处理器相连，并采用一体化封装技术封装为一个模块，所述模块固定在低精度机械臂的末端；所述静态标志物放置于单目相机前方视野范围内；所述高精度位姿测量模块内植入有位姿测量的两通道网络模型，所述两通道网络模型通过输入拍摄的静态标志物
图像以及位姿训练和位姿测量两个步骤实现机器人的高精度位姿测量。
[0006]本专利技术技术方案的进一步改进在于：所述基于两通道网络的机器人高精度位姿测量系统的具体流程如下：
[0007]步骤1、将单目相机固定在高精度位姿标定机构末端，调整静态标志物的位置，使其能在单目相机的视野范围内能够清晰成像；
[0008]步骤2、控制高精度位姿标定机构采集N张静态标志物图像，并为每幅图像打上六维姿态标签，形成训练数据集和验证数据集；将打好标签的图像输入到两通道网络中通过深度学习服务器进行训练，训练完成后，进行精度测试，当满足精度要求时，把训练好的两通道网络模型部署到边缘端处理器中；
[0009]步骤3、将单目相机安装在边缘端处理器上，将单目相机和边缘端处理器上进行一体化封装，然后固定在低精度机械臂末端；
[0010]步骤4、位姿测量，基于训练好的两通道网络模型，进行低精度机械臂的在线位姿测量。
[0011]本专利技术技术方案的进一步改进在于：所述步骤2具体包括以下步骤：
[0012]步骤2.1：数据集的构建与样本标签的生成
[0013]控制高精度位姿标定机构在半径10mm高度20mm垂直圆柱体内均匀采样N张图片，以高精度位姿标定机构的六维姿态坐标作为样本标签，为每幅图像打上标签，用随机采样算法，从N张图片中选出部分作为验证数据集，其余的作为训练数据集；
[0014]步骤2.2：构建网络架构
[0015]在数据加载模块图像经过随机配对形成图像对，并对图像对进行预处理，将图像对按照通道轴进行叠加，即将两张单通道图像叠加成一张双通道的图像，从而构建出两通道网络架构；采用深度可分离卷积代替传统卷积，并用全卷积代替全连接层，以此来减少两通道网络模型的参数量，实现两通道网络模型的轻量化，另外在两通道网络中加入轻量级注意力机制，使两通道网络更加专注于静态标志物；
[0016]步骤2.3：选定损失函数，两通道网络的主要目的是估计任意两张图像之间的相对六维姿态，并且是用于低精度机械臂粗略定位后最终细化的过程，因此方向度量都在90
°
以内，所以选用欧拉角来确定方向，将变换标签按照欧拉角的形势分解为平移和旋转，最终的损失计算为：
[0017][0018]其中，t
i
，分别是图像对的相对平移真实值和估计值，r
i
，分别是图像对的相对旋转真实值与估计值，其中w(0<w<1)是权值为了权衡平移(毫米)和旋转(度)之间的度量大小，旋转相对于平移对静态标志物图像位姿影响更大，所以w值应该给定大一些，让网络更好的学习平移变量；RMS均方根误差的定义为：
[0019][0020]其中m代表参数的数量，对于平移m＝3，对于旋转，用欧拉角表示，m＝3。
[0021]步骤2.4：模型的训练与部署，将步骤2.2中预处理过的图像输入到两通道网络中通过深度学习服务器进行训练，并将两通道网络模型的保存设置成静态模式，训练完成后，
进行精度测试，将测试集中的图像按照步骤步骤2.2中的预处理步骤进行预处理，并输入到保存的静态模式模型中，当满足精度要求时，把训练好的静态模型在边缘端处理器上进行部署。
[0022]本专利技术技术方案的进一步改进在于：所述步骤4的具体步骤为：当低精度机械臂从任意方向到达指定位置后，固定在低精度机械臂机械手上的单目相机采集目标位置附近的一张静态标志物及其周围场景图像，与预先拍摄的目标位置参考姿态图像形成输入图像对，图像对输入到训练好的两通道网络模型中，两通道网络模型输出两张图片的相对位姿并控制低精度机械臂调整位姿，从而实现高精度的机器人六自由度位姿测量。
[0023]由于采用了上述技术方案，本专利技术取得的技术效果有：
[0024]本专利技术对不断变化的光照条件以及图像中存在不相关背景影响测量精度的问题具有鲁棒性，并且应用了深度可分离卷积和全卷积，因此模型具有轻量化的特点，方便在边缘端处理器进行部署；同时，本专利技术只需要采集一张图像与参考图像组成图像对输入到模型中就可以完成机器人高精度的位姿测量。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于两通道网络的机器人高精度位姿测量系统，其特征在于：包括单目相机(2)、高精度位姿测量模块、高精度位姿标定机构(1)、静态标志物(3)和边缘端处理器(6)；所述单目相机(2)在采集训练数据集的过程中固定在高精度位姿标定机构(1)末端；所述单目相机(2)在在线测试过程中通过连接线与边缘端处理器(6)相连，并采用一体化封装技术封装为一个模块，所述模块固定在低精度机械臂(5)的末端；所述静态标志物(3)放置于单目相机(2)前方视野范围内；所述高精度位姿测量模块内植入有位姿测量的两通道网络模型，所述两通道网络模型通过输入拍摄的静态标志物图像以及位姿训练和位姿测量两个步骤实现机器人的高精度位姿测量。2.根据权利要求1所述的一种基于两通道网络的机器人高精度位姿测量系统，其特征在于：所述基于两通道网络的机器人高精度位姿测量系统的具体流程如下：步骤1、将单目相机(2)固定在高精度位姿标定机构(1)末端，调整静态标志物(3)的位置，使其能在单目相机(2)的视野范围内能够清晰成像；步骤2、控制高精度位姿标定机构(1)采集N张静态标志物图像，并为每幅图像打上六维姿态标签，形成训练数据集和验证数据集；将打好标签的图像输入到两通道网络中通过深度学习服务器(4)进行训练，训练完成后，进行精度测试，当满足精度要求时，把训练好的两通道网络模型部署到边缘端处理器(6)中；步骤3、将单目相机(2)安装在边缘端处理器(6)上，将单目相机(2)和边缘端处理器(6)上进行一体化封装，然后固定在低精度机械臂(5)末端；步骤4、位姿测量，基于训练好的两通道网络模型，进行低精度机械臂(5)的在线位姿测量。3.根据权利要求1所述的一种基于两通道网络的机器人高精度位姿测量系统，其特征在于：所述步骤2具体包括以下步骤：步骤2.1：数据集的构建与样本标签的生成控制高精度位姿标定机构(1)在半径10mm高度20mm垂直圆柱体内均匀采样N张图片，以高精度位姿标定机构(1)的六维姿态坐标作为样本标签，为每幅图像打上标签，用随机采样算法，从N张图片中选出部分作为验证数据集，其余的作为训练数据集；步骤2.2：构建网络架构在数据加载模块图像经过...

【专利技术属性】
技术研发人员：丁伟利，刘国庆，华长春，
申请(专利权)人：燕山大学，
类型：发明
国别省市：