【技术实现步骤摘要】
本专利技术属于机器人视觉领域，更具体地，涉及一种机器人工具坐标系手眼标定方法。
技术介绍
1、协作机器人相较于传统工业机器人具有轻量化、人机协作能力高等优点，可降低成本、解放人力，能够参与到更加精细化的操作过程当中，应用于制造业或医疗等行业。在传统机器人应用当中，技术人员通过示教让机器人执行固定动作，随着感知技术的发展，视觉成为协作机器人感知外界环境的主要方式之一。同时，机器人工作中往往需要夹持工具，如何定义工具坐标系，以及如何进行工具坐标系的手眼标定是机器人能否可靠地完成任务的关键技术之一。
2、科研人员最早将手眼标定问题建模为ax＝xb，并给出了基本的求解方法，通过对标定对象三维空间中已知点的几何投影变换得到相应的参数，解决了眼在手上配置形式的手眼标定问题。随后科研人员提出了将矩阵方程ax＝xb转化为ax＝yb的方法，适用于机器人的精确定位。之后，研究人员又相继提出了一些数学模型，研究方向主要聚焦在对所提出的数学模型的求解问题。上述过程依赖精确的数学模型，精确的数学模型将导致参数之间存在很强的相关性。同时，摄像机在不同场景下光学性能的变化，操作臂机械部件的磨损等现实客观因素往往使算法难以达到理论效果。
技术实现思路
1、针对现有技术的缺陷，本专利技术的目的在于提出一种基于神经网络的机器人工具坐标手眼标定方法，将相机空间下机器人工具坐标系的手眼标定问题在数学上描述为非线性映射问题，使用神经网络学习这种非线性关系，为降低神经网络训练难度，使用相机坐标系下机器人末端工具坐
2、一种机器人工具坐标系手眼标定方法，具体步骤如下：
3、s1.在机器人末端安装预标定工具，在预标定工具作用中心点处粘贴坐标系识别标记；
4、s2.在pc端注册机器人与相机，配置坐标系识别标记识别程序；
5、s3.控制机器人在任务空间内以任意姿态运动，保证坐标系识别标记始终能在相机中进行识别；
6、s4.在机器人运动过程中以相同频率采集机器人的各关节角度和此机器人各关节角度姿态下的预标定工具上识别标记的坐标系数据；
7、s5.将相机空间下机器人工具坐标系的手眼标定问题在数学上描述为非线性映射问题，搭建神经网络，利用步骤s4中采集到的数据进行训练，得到训练完成的神经网络。
8、进一步地，步骤s1中使用的坐标系识别标记为aruco二维码标记，标记大小可根据预标定工具尺寸设置，需将aruco二维码标记的中心与预标定工具作用中心对齐进行粘贴。
9、进一步地，步骤s2中在pc端注册机器人与相机的具体步骤为：
10、s6.在linux系统中配置机器人驱动程序，实现pc端对机器人的运动控制，读取机器人的实时位姿数据，包括关节角度和末端姿态数据；
11、s7.在linux系统中配置相机驱动程序，实现pc端对相机图像的实时观察，可获取各帧图像；
12、s8.在linux系统中部署坐标系识别标记识别程序。
13、进一步地，步骤s8中的坐标系识别标记识别程序可输出一个基于相机坐标系的笛卡尔空间坐标系，数据构成形式为[xc,yc,zc,w,x,y,z]，其中xc,yc,zc分别表示相机坐标系下标记坐标系原点的笛卡尔坐标，w,x,y,z表示标记坐标系相对于相机坐标系的旋转坐标，以四元数形式表示。
14、进一步地，步骤s5中相机空间下机器人工具坐标系的标定问题通过坐标变换和机器人运动学，在数学上可表示为q＝f(τ)的非线性映射问题，其中q＝(q1,q2,q3,q4,q5,q6)t为操作臂关节空间各关节角度向量，τ＝(xc,yc,zc,w,x,y,z)t，f(τ)为以τ表示的相机空间tms线圈位姿到操作臂关节空间的非线性映射关系。
15、进一步地，步骤s5中神经网络为平行架构，包括：
16、关节1预测网络；
17、关节2预测网络；
18、……
19、关节n预测网络，其中n为机器人关节数。
20、进一步地，关节i预测网络(i＝1,2,…,n)由3层全连接神经网络组成。输入层为相机空间下标记坐标系位姿数据，激活函数选择为relu函数；中间层包含200个神经元，选择线性激活函数；输出层为机器人关节角度数据。
21、根据权利要求1所述的一种基于神经网络的机器人工具坐标手眼标定方法，其特征在于，步骤s5中训练神经网络的具体步骤为：
22、s9.将数据按70％、15％、15％的比例分为训练集、验证集和测试集；
23、s10.选择均方误差(mse)作为网络的损失函数；
24、s11.选择lm(levenberg-marquardt,lm)算法进行训练；
25、s12.当验证集的mse不再下降时终止训练；
26、s13.记录测试集mse大小，若mse数量级为10-3或小于10-3则表示网络训练效果达到标准，否则重复步骤s9～s12。
27、本方法可避免精确的数学模型求解问题，只需根据已有数据让神经网络进行自主学习，标定精度更高，在具体的应用场景下标定结果更准确。同时，适用于多种应用场景，仅需打印一张aruco标记粘贴于与标定工具即可，且标记只在数据采集阶段使用，数据采集完成后可将标记去除，后续可实现相机空间下无标记的机器人工具定位。
本文档来自技高网...【技术保护点】
1.一种基于神经网络的机器人工具坐标手眼标定方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于神经网络的机器人工具坐标手眼标定方法，其特征在于，步骤S1中使用的坐标系识别标记为Aruco二维码标记，标记大小根据预标定工具尺寸设置，需将Aruco二维码标记的中心与预标定工具作用中心对齐进行粘贴。
3.根据权利要求1所述的一种基于神经网络的机器人工具坐标手眼标定方法，其特征在于，步骤S2中在PC端注册机器人与相机的具体步骤为：
4.根据权利要求2所述的一种基于神经网络的机器人工具坐标手眼标定方法，其特征在于，步骤S8中的坐标系识别标记识别程序可输出一个基于相机坐标系的笛卡尔空间坐标系，数据构成形式为[xc,yc,zc,w,x,y,z]，其中xc,yc,zc分别表示相机坐标系下标记坐标系原点的笛卡尔坐标，w,x,y,z表示标记坐标系相对于相机坐标系的旋转坐标，以四元数形式表示。
5.根据权利要求1所述的一种基于神经网络的机器人工具坐标手眼标定方法，其特征在于，步骤S5中相机空间下机器人工具坐标系的标定问题通过坐标变换和机器
6.根据权利要求1所述的一种基于神经网络的机器人工具坐标手眼标定方法，其特征在于，步骤S5中神经网络为平行架构，包括：
7.根据权利要求6所述的一种基于神经网络的机器人工具坐标手眼标定方法，其特征在于，关节i预测网络由3层全连接神经网络组成；i＝1,2,…,n；输入层为相机空间下标记坐标系位姿数据，激活函数选择为ReLU函数；中间层包含200个神经元，选择线性激活函数；输出层为机器人关节角度数据。
8.根据权利要求1所述的一种基于神经网络的机器人工具坐标手眼标定方法，其特征在于，步骤S5中训练神经网络的具体步骤为：
...【技术特征摘要】
1.一种基于神经网络的机器人工具坐标手眼标定方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于神经网络的机器人工具坐标手眼标定方法，其特征在于，步骤s1中使用的坐标系识别标记为aruco二维码标记，标记大小根据预标定工具尺寸设置，需将aruco二维码标记的中心与预标定工具作用中心对齐进行粘贴。
3.根据权利要求1所述的一种基于神经网络的机器人工具坐标手眼标定方法，其特征在于，步骤s2中在pc端注册机器人与相机的具体步骤为：
4.根据权利要求2所述的一种基于神经网络的机器人工具坐标手眼标定方法，其特征在于，步骤s8中的坐标系识别标记识别程序可输出一个基于相机坐标系的笛卡尔空间坐标系，数据构成形式为[xc,yc,zc,w,x,y,z]，其中xc,yc,zc分别表示相机坐标系下标记坐标系原点的笛卡尔坐标，w,x,y,z表示标记坐标系相对于相机坐标系的旋转坐标，以四元数形式表示。
5.根据权利要求1所述的一种基于神经网络的机器人工具坐标...
【专利技术属性】
技术研发人员：程强，赵帅，许静静，郝小龙，刘杰，孙婷，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。