[发明专利]一种基于阶梯形标定物的激光轮廓传感器eye-in-hand标定方法

说明书

本发明提出了一种阶梯型标定物和基于阶梯型标定物激光轮廓传感器手眼标定方法(eye‑in‑hand模式)，涉及了激光轮廓传感器的手眼标定技术。本发明所用的阶梯形标定物特征明显，这些特征易于被传感器检测并提取，每次标定仅需对齐阶梯形标定物上的标记点，提取每个阶梯的角点并对这些角点利用RANSAC法拟合直线，利用直线修正激光轮廓传感器扫描的特征点数据，再根据这些点在机器人基坐标系下的坐标构建手眼方程，用这些数据求解手眼矩阵方程，该方法操作简单，仅需对标定物扫描一次就可以得到高精度的标定结果。

技术领域

本发明涉及机器人三维视觉领域，具体为一种基于阶梯形标定物的激光轮廓传感器eye-in-hand标定方法。

背景技术

在机器人学和数学中，手眼校准问题是确定机器人末端执行器和摄像机之间或机器人基坐与世界坐标系之间的转换的问题。实际使用的场景中常采用求解手眼标定问题，其中矩阵代表了机器人基坐标系的特征，矩阵代表了视觉传感器坐标系的特征，而和是未知的变换矩阵。特殊情况发生在的情况下，求解手眼标定的方程变为，这也是手眼标定求解方程的最普遍情况。例如在机械臂二维抓取的使用场景中，需要求解。

手眼系统分为两种，即eye-in-hand和eye-to-hand。与二维相机相比，三维传感器(例如激光轮廓传感器)标定方式的底层原理和二维相机的标定底层原理类似，但却不用求解。二维相机标定中存在像素坐标系到世界坐标系的变换过程，由二维相机拍摄的图片并不是相机坐标系下的图像，需要根据小孔成像的相机模型进行转化，所以与三维传感器的标定相比，二维相机的手眼标定过程更加复杂。三维传感器在工作过程中采集的点云数据均为传感器坐标系下的数据，可以直接使用而无需其他的转换，所以对于激光轮廓传感器而言，手眼标定问题被转化为求解。

在已存在的标定算法中，基于标准球的标定方法应用最为广泛，该方法通过用激光轮廓传感器扫描标准球，以标准球的球心作为定点，控制机器人多次扫描标准球，再根据球形标定物的特性根据勾股定理求取标准球的球心在传感器坐标系下的坐标，该方法至少需要机器人以不同的姿态四次扫描标准球，且对于每次激光轮廓传感器采集的数据都需要进行圆分割和拟合，计算繁琐且算法复杂度高，在实际标定的过程中，主要存在以下问题：

1.准确获取标准球球心在机器人基坐标系的坐标值难度较高；

2.在获取标准球球心在传感器坐标系下的坐标值(x_s,y_s,z_s)过程中，需要根据建立坐标系并对判断y_s值的正负，该过程易出错，且出错后将导致标定失败；

3.对每次激光轮廓传感器扫描标准球的原始数据。需要分割出圆弧区域并对圆弧区域进行拟合，该过程往往需要人工干预，自动化程度较低。

对于问题1，目前常用的解决方案是通过控制机械臂末端执行器接触标准球表面，从示教器上读取机器人末端执行器在机器人基坐表系下的坐标，多次重复，将获取的坐标值进行球拟合获取标准球在机器人基坐标系下的坐标。该方法存在着明显的缺陷，首先触碰标准球可能会导致标准球的位置发生改变，进而导致标准球的球心在机器人基坐标系下的坐标变化；其次，对于末端执行器为抓手的机器人，无法接触标准球表面，获取标准球的球心在机器人基坐标系下的坐标变得更加困难；最后，为了保证机器人不触碰标准球，往往在实际操作的过程中不会使末端执行器触碰到标准球。这就导致了标定精度不理想，标定结果不稳定。所以球型标定法虽然应用广泛，但该方法存在较多缺陷。首先，在实验数据采集的过程中，需要多次对标准球进行扫描，并且每次都需要对轮廓进行分割，分割出圆形区域，然后对圆形区域的数据进行拟合，增加了运算过程的复杂程度；对于每组采集得到的数据都需要对进行修正，若未修正，就会导致标定结果产生较大的偏差；此外受到噪声等因素的影响，球型标定法的标定结果鲁棒性较差，所以球型标定法较为繁琐。