激光扫描测量臂手眼标定算法研究.docxVIP

激光扫描测量臂手眼标定算法研究 近年来，大规模飞机、船舶、机车等现代大型设备制造业的需求不断增加。以便于高速、高效、高精度测量技术的应用，因此，节省、快速、高精度测量已成为详细测量技术的一个重要发展方向。 1989年, Tsai 本文将现有手眼标定方法与随机采样一致性算法 (Random Sample Consensus, RANSAC) 结合, 提出了一种新的手眼标定算法。首先, 综合考虑关节臂末端相对运动旋转轴之间的夹角和测量臂与扫描测头相对运动的旋转角差值两因素, 设定数据筛选原则;然后利用RANSAC算法对标定数据进行阈值自适应预筛选;最后对筛选后的标定数据利用现有的手眼标定算法进行估计, 提高了标定算法的精度和鲁棒性。 1 手眼标定方程求解算法 定义A表示视觉传感器的变换矩阵, B表示机器人手臂末端执行器的变换矩阵, X表示手眼变换关系矩阵, 则手眼标定方程为AX=XB, 可以用旋转矩阵R和平移向量t表示为: 由上述方程可知至少需要两次旋转轴非平行的相对位姿变换就可以唯一确定手眼关系X。手眼标定方程的求解算法主要有轴角表示法 首先, 本文不加证明给出如下引理。 引理1 引理2 式中, k 引理3 式中, V表示单位正交矩阵。 在标定过程中, 控制机器人末端执行器做ij和jk两次运动变换, 则可以得到关系式:R R 标定过程中, 视觉传感器和机器人手臂末端执行器安装固定在一起, 理论上来说二者之间没有相对旋转角, 但实际操作过程中由于一些客观因素干扰, 不可避免地引入了一定的相对旋转角, 定义Δθ 由上述公式可知提高手眼标定方程中旋转矩阵求解精度的影响因素为: (1) 增大机器人手臂末端执行器两次相对运动旋转轴之间的夹角; (2) 增大视觉传感器相对运动的旋转角; (3) 减小视觉传感器和机器人手臂末端执行器之间的相对旋转角。 鉴于此, 本文综合考虑机器手末端执行器两次相对运动旋转轴之间的夹角∠ (k 2 ransac算法 RANSAC的算法是由Fischler和Bolles (1) 对旋转矩阵的旋转角进行预筛选, 根据螺旋一致性定理设置角度阈值θ (2) 设置初始内点比例ω (3) 任意抽取两次相对运动i, j, 计算旋转轴r (4) 更新内点个数n (5) 判断抽样次数是否超过K 由RANSAC算法不难看出, 抽样次数和角度阈值自适应更新的目的是使内点个数满足抽样点的要求, 保证了有足够多次抽样, 同时保证标定的快速性和鲁棒性。且抽样次数在更新过程中是单调下降的, 所以抽样过程必终止。因此RANSAC算法是一种满足筛选要求的自适应算法。 RANSAC算法 输入 输出 A FOR 每一旋转矩阵A 计算旋转矩阵A THEN旋转角接近0°或180°, 旋转轴具有歧义性 ELSE将A 设定初始内点比例ω FOR在数据集C中随机抽取两次相对运动i, j THEN将A 3 实验和结果 3.1 ransac算法数据的比较 采用蒙特卡洛仿真实验对自适应算法进行验证, 仿真实验如下: (1) 给定手眼变换矩阵X的真值X= (k 数据的模拟结果如表1、表2所示, k 图1、图2分别是不同算法与RANSAC算法结合前后相对旋转轴误差和相对平移向量误差对比的条形图。 由表1, 表2和图1, 图2可知, 对于相同水平的噪声, 使用RANSAC算法进行数据筛选之后, 四种标定方法得到的相对旋转轴的精度误差标准差较之未筛选之前的相对旋转轴的精度误差标准差分别提高了3.25%, 0.85%, 0.85%, 3.26%, 其中, 传统的轴角法和四元数法筛选效果更好, 这是由于轴角法和四元数法求解手眼标定方程属于一步法, 即同时求解得到旋转矩阵和平移向量, 存在误差积累, 通过RANSAC算法进行数据筛选后精度得到了更优改善。四种算法的平移向量的精度分别提高了0.27%, 0.29%, 0.27%, 0.27%, 虽然有一定程度的提高, 但效果并不如相对旋转轴误差的提高效果明显, 这是由于对平移向量的精度除了受机器人手臂末端执行器两次相对运动旋转轴之间的夹角的影响之外, 还受到其他因素的干扰。但无论是一步法同时求解旋转矩阵和平移向量还是两步法分步求解旋转矩阵和平移向量, 由于旋转轴的精度提高, 平移向量的精度也随之有一定程度的提高。 3.2 ransac算法数据筛选 为了进一步验证本文提出的数据筛选算法精度和鲁棒性, 设计实测实验进行验证。实验中选用合肥工业大学自主设计的关节臂式坐标测量机, 重复定位精度为±40μm, 选用凯视佳公司型号为MU3E200M/C的相机, 分辨率为1 628×1 236, 用棋盘格靶标进行标定, 相机的内参数标定精度为0.03 pixel。摄像机固定在关节臂末端执行器上, 如图3所示。 实验具体过程如下: 摄