基于ROS的實訓室工件智能整理機器人

張震 徐獻圣

（佛山職業技術學院 廣東佛山 528137）

引言

如今信息化發展迅速，人工智能與機器人構成的新型載體已經融入人們的日常生活中。教育部預測，未來人工智能（含智能制造）相關十大領域在2025年將面臨3000萬的人才缺口。而人工智能與機器人是高職人才培養新專業布局的重點。根據《職業教育專業目錄（2021年）》，新增智能機器人技術專業，會不斷地有職業高校開設智能機器人等相關專業，對于課程資源的需求就會迅速增長。因此，對于實訓室工件智能整理機器人的需求也日益增長。

一、創新點

1.本文采用了自定義的坐標轉換算法，可以提高實訓室工件分揀的精確度。

2.本文采用了校準軟件進行參照物對照校準，提高了實訓室工件分揀的精確度。

3.本文采用了自定義的坐標轉換算法，提高了機械臂運動速度，提高了實訓室工件分揀的速度。

二、實現算法

1.整體實現算法

智能整理實訓室工件的機器人實現算法主要的流程如圖1所示。

圖1

2.目標預處理

（1）AR碼標識符

由于不同實訓室的工件外觀型號不一，通過視覺特征識別目標時計算量過大，會降低分揀速率。因此，本算法中，機器人的識別目標是自制的AR code（Augmented Reality code，AR碼）。識別目標一共有兩種，實訓室工件和收納箱。實訓室工件主要有由一個小型方盒（本文采用的收納盒體積為15*15*4厘米）裝納。方盒的中間位置貼上二維碼標簽。收納箱也是貼上AR碼坐標標識，貼在收納箱存放工件方盒的凹槽位置。

（2）校準

由于二維碼的制作工藝不同，會導致二維碼的大小不一，影響AR碼定位的精確度。因此，需要一個參照物用于AR碼的定位校準。本文案選用的是6×8的黑白相間的棋盤作為校準對象，每個正方形都是2.4厘米的長度。校準的參數有橫軸、縱軸、大小、彎曲四個校準標準。將棋盤的格子數量和格子長寬預設好，然后啟動校準程序，那么，程序將會以預設好大小的棋盤作為參照物用來定位AR碼。

3.分揀算法

目標預處理完成后，接下來是分揀算法。分揀算法是基于任務空間坐標系和關節空間坐標系的自定義算法。能夠自動控制機械臂運動到目標處進行抓取運動。

（1）AR碼定位

分揀的第一步是定位目標AR碼位置。本文采用任務空間坐標系進行定位，構建兩個坐標系。

第一坐標系是以攝像頭為原點的任務空間三維坐標系。用于對AR碼進行定位，能夠通過ROS系統的AR碼服務直接獲取坐標數據。被定位的AR碼坐標點假設為P1（x1，y1，z1）。

第二坐標系是以機械臂底座中心作為原點的任務空間三維坐標系。用于描述機械臂與分揀目標AR碼的位姿關系，并不能直接獲取坐標數據。但是，可以直接獲取攝像頭相對于第二坐標系的位置，因為攝像頭與機械臂的末端執行器位置相對固定。被定位的AR碼坐標點假設為P2（x2，y2，z2），攝像頭的坐標點假設為P0（x0，y0，z0）。

那么獲取P2點數據需要進行坐標轉換。第一個坐標系的x軸與第二個坐標系的y軸平行，第一坐標系的y軸與第二坐標系的z軸平行，第一坐標系的z軸與第二坐標系的x軸平行。假設AR碼第一坐標系的坐標點為P1，那么要得到AR碼在第二坐標系的坐標點P2，可以引入坐標系轉換公式：

其中，Cx，Cy，Cz為誤差補償常數，用于調整補償坐標定位的誤差，可以根據實際情況人為設置誤差補償常熟，提高AR碼坐標P2的精準度，從而提高機械臂抓取目標的成功率。

獲取到第二坐標系得AR碼位置點P2后，主控模塊將任務空間坐標通過任務空間坐標控制服務將P2的坐標點數據發送給機械臂，機械臂的末端執行器就會到達的坐標點。

（2）機械臂移動

當獲得AR碼的位置點P2后，機械臂則會自動控制自身關節，將末端執行器移動到P2位置的抓取點進行抓取目標。本文采用的是4自由度的機械臂，即任務空間坐標系的三軸以及圍繞z軸旋轉的4自由度。本文采用的機械臂一共是用4個關節來描述機械臂的姿態，因此會建立4個關節矢量維度的關節空間坐標系。

控制機械臂運動則是關節空間坐標，假設機械臂到達P2點的關節空間坐標為R（θ1,θ2,θ3,θ4）。即要進行坐標轉換，計算R點的4個關節的轉角。θ1是表示關節1的旋轉角，其坐標系對應的是（x1,y1），并且旋轉軸心是z1軸；θ2是表示關節2的旋轉角，其坐標系對應的而是（x2,y2），以關節2舵機旋轉軸截面構建二維平面坐標；θ3是表示關節3的旋轉角，以關節3舵機旋轉軸截面構建二維平面坐標，θ4是表示關節4的旋轉角，以關節4舵機旋轉軸截面構建二維平面坐標。L1表示連桿1的長度，L2表示連桿2的長度，L3表示連桿3的長度，L4表示連桿4的長度。

描述關節空間主要是通過D-H參數，4個關節的D-H表見表1所例：

表1 關節空間D-H參數表

通過機械臂逆運動學來進行坐標轉換，首先要構建本方法的連桿變換矩陣，假設由第i-1連桿轉換為第i連桿，那么就需要連桿矩陣，連桿矩陣的計算公式如下所示。

其中，s表示sin，sθ表示sin（θ），c表示cos，cθ表示cos（θ）。

計算后，最后得到θ1的計算值為：

計算后，最后得到的θ2、θ3、θ4的公式如下：

那么，可以通過公式來計算出關節空間坐標R點，機械臂可以通過R點來設置自身4個關節的轉角，從而將末端執行器移動到目標AR碼位置。

（3）末端執行器抓取或放置。

末端執行器，是一個控制夾板的行程距離來進行夾取放置目標的夾爪。夾爪實際張開的距離為變量d，夾爪的最大行程值為dmax，通過行程系數q控制乘以夾爪的最大行程值來得到實際張開距離d。實際是通過夾爪控制服務發送行程系數m來控制夾爪的值。夾爪的控制公式為。

三、實驗效果

1.硬件載體

本文所采用的硬件載體及參數見表2所例。

本文的自動化控制算法是裝載在TX2主控模塊中，使用液晶屏來編寫開發機器人自動控制代碼指令。

本文的智能機器人主要有一個4個關節的機械臂，并且有一個控制底座，一個末端執行器作為夾爪組成。

攝像頭按照在末端執行器上方，用于獲取目標坐標，目標坐標是以攝像頭為原點的笛卡爾坐標。

具體的結構抽象圖如圖2所示。

圖2

2.軟件載體

本文實驗所用的運行環境是Ubuntu 18.04。采用的架構是ROS melodic版本。

算法軟件開發環境是Python的2.7.14版本，Anaconda的5.3.1版本，Pycharm的11.0版本。采用Python語言開發實現本機器人的功能。

桌面應用采用Qt的5.15.3版本進行開發。采用Qt與Python開發了2個桌面應用。第一個是校準桌面應用，第二個是機械臂控制桌面應用（圖3）。

圖3

3.實驗結果

本實驗是采用了100個實訓室工件、10個收納箱進行實驗。通過控制變量法來提高實驗的效果。

最終的實驗結果能在10分鐘內能完成100個實訓室工件放置到收納箱中。

結語

本文能夠在短時間內將實訓室工件放置歸位到收納箱中，能夠解決實訓室工件整理難的痛點。但是二維碼作為標識碼的局限性很大，因此需要其他的替代識別目標的方式。