[发明专利]用于3D眼手协调的误差校正和补偿的系统和方法

说明书

本公开涉及用于3D眼手协调的误差校正和补偿的系统和方法。一个实施例可以提供机器人系统。该系统可以包括机器视觉模块、包括末端致动器的机器人臂、被配置为控制机器人臂的移动的机器人控制器，以及被配置为通过确定与末端致动器的相机指示的姿态对应的控制器期望的姿态，使得当机器人控制器基于控制器期望的姿态控制机器人臂的移动时，末端致动器实现如由机器视觉模块观察到的相机指示的姿态来补偿机器人臂的姿态误差。误差补偿模块可以包括机器学习模型，该机器学习模型被配置为输出使相机指示的姿态与控制器期望的姿态关联的误差矩阵。

相关申请

本申请要求于2021年6月9日提交的标题为“SYSTEM AND METHOD FOR CORRECTINGAND COMPENSATING ERRORS OF 3D EYE-TO-HAND COORDINATION”、代理人案卷号为EBOT21-1001PSP的美国临时专利申请No.63/208,816以及于2021年6月11日提交的标题为“SYSTEMAND METHOD FOR IMPROVING ACCURACY OF 3D EYE-TO-HAND COORDINATION OF A ROBOTICSYSTEM”、代理人案卷号为EBOT21-1002PSP的美国临时专利申请No.63/209,933的权益，它们的公开内容通过引用整体并入本文用于所有目的。

技术领域

本公开一般而言涉及用于机器人应用的计算机视觉系统。特别地，本发明涉及一种通过训练神经网络导出误差矩阵来对机器人系统的3D眼手协调进行误差校正和补偿的系统和方法。

背景技术

机器人已在现代工业工厂中广泛采用和开发，从而代表了生产流程中特别重要的元素。对更高灵活性和快速可重构性的要求推动了机器人技术的进步。工业机器人的位置准确度和可重复性是实现灵活制造任务自动化所需的基本属性。机器人的位置准确度和可重复性在机器人工作空间内可能会有很大差异，并且引入了视觉引导机器人系统来提高机器人的灵活性和准确度。已经做了大量工作来提高机器视觉系统在机器人末端致动器方面的准确度，即所谓的眼手协调。实现高度准确的眼手协调是一项艰巨的任务，特别是在三维(3D)空间中。来自机器人臂和末端致动器的定位/移动误差、3D视觉的测量误差以及校准目标中包含的误差都会导致整体系统误差，从而限制机器人系统的操作准确度。对于6轴机器人而言，要在其整个工作空间中实现亚毫米级准确度可能具有挑战性。

发明内容

一个实施例可以提供一种机器人系统。该系统可以包括机器视觉模块、包括末端致动器的机器人臂、被配置为控制机器人臂的移动的机器人控制器，以及误差补偿模块，该误差补偿模块被配置为通过确定与末端致动器的相机指示的姿态对应的控制器期望的姿态，使得当机器人控制器基于控制器期望的姿态控制机器人臂的移动时，末端致动器实现如由机器视觉模块观察到的相机指示的姿态来补偿机器人臂的姿态误差。误差补偿模块可以包括机器学习模型，该机器学习模型被配置为输出使相机指示的姿态与控制器期望的姿态关联的误差矩阵。

在该实施例的变体中，机器学习模型可以包括神经网络。

在还有的变体中，神经网络可以包括嵌入层和处理层，并且嵌入层和处理层中的每一层可以包括多层感知器。

在还有的变体中，嵌入层可以被配置为嵌入姿态的单独的平移分量和旋转分量。

在还有的变体中，嵌入层可以使用整流线性单元(ReLU)作为激活函数，并且处理层可以使用泄漏(leaky)ReLU作为激活函数。

在还有的变体中，该系统还可以包括模型训练模块，该模型训练模块被配置为通过收集训练样本来训练神经网络。在训练神经网络时，模型训练模块被配置为：使机器人控制器生成控制器期望的姿态样本；基于控制器期望的姿态样本控制机器人臂的移动；使用机器视觉模块确定末端致动器的实际姿态；以及基于控制器期望的姿态样本和实际姿态计算误差矩阵。

在还有的变体中，模型训练模块可以被配置为训练神经网络，直到机器学习模型产生的误差矩阵达到预定的准确度水平。