[发明专利]一种三维激光雷达与机械臂间的自动联合标定方法

说明书

本发明公开了一种三维激光雷达与机械臂间的自动联合标定方法，其方法为：第一步、随机生成目标位姿；第二步、三维激光雷达原始点云预处理及优化：第三步、机械臂末端抓取位置及各关节位姿计算；第四步、利用最小二乘法求解最优旋转矩阵R和平移矩阵T。有益效果：降低了对标定参照物的依赖，标定过程简单、技术难度小、易于广泛推广与实现。简化点云数据等进行预处理和优化，大大降低了点云误差，提高而标定精度，有助于轮式机器人对目标的识别、定位和抓取等。能够应用在轮式机器人的复杂场景理解、大范围目标物体识别、定位、抓取及人机交互等人工智能了领域，对智能汽车领域的传感器自动联合标定具有重要意义。

技术领域

本发明涉及一种自动联合标定方法，特别涉及一种三维激光雷达与机械臂间的自动联合标定方法。

背景技术

目前，随着人工智能的快速发展，自动驾驶汽车等轮式机器人技术逐渐火热起来。通过传感器去感知周围环境，并对要抓取的物体进行识别、定位、抓取等，这其中离不开感知传感器与机械臂之间的坐标系统一，这就要求需要对多传感器进行联合标定，使各个传感器的信息数据融合在一起，从而实现轮式机器人通过三维激光雷达去感知周围环境，并对要抓取的物体进行识别、定位，并将物体在三维激光雷达坐标系中的位置信息转换成机械臂所在坐标系的位置信息，从而实现机械臂对物体的抓取过程。同时，根据机械臂末端的坐标系，可以通过基于ROS的MoveIt！实现对机械臂各关节的反向运动学求解得到各关节的坐标位置。通过上述标定可以将激光雷达和机械臂联合起来使用，可以根据周围环境信息自主做出分析、决策等，对轮式机器人的技术发展等具有重要的意义。

在轮式机器人领域，如何解决三维激光雷达和机械臂之间的坐标变换问题显得尤为重要。同时，由于线束较少的三维激光雷达所扫出来的点云较为稀疏，有时候会出现点云空洞等现象，如果直接利用原始点云信息进行标定会带来较大的误差。现有的标定方法中，标定精度受标定对象、标定距离的限制，所得到的标定误差较大，无法满足轮式机器人对三维环境感知的需求。

发明内容

本发明的目的是为了解决三维激光雷达和机械臂之间的坐标变换问题而提供的一种三维激光雷达与机械臂间的自动联合标定方法。

本发明提供的三维激光雷达与机械臂间的自动联合标定方法，其方法如下所述：

第一步、随机生成目标位姿：通过MoveIt！中的“randomvalid”选项，在机器人的工作范围内随机生成目标姿态，使机械臂末端每次在三维激光雷达的检测范围内具有不同的姿态；

第二步、三维激光雷达原始点云预处理及优化：从点云本身出发，采用内插原理的空洞修补，即依靠与空洞周围网格曲率相关的曲面，结合周边顶点对曲面进行内插新顶点以达到空洞修补的目的，具体步骤如下：

步骤一、在各数据点的K邻域范围内搜索最大角度差，根据角度差Δδ是否大于角度差阈值Δδ_th来判断边界特征点，若Δδ≥Δδ_th则为边界特征点；

步骤二、通过边界追踪法将无序的边界点连接成闭合的空洞边界线；

步骤三、通过空洞邻近域的特征面建立局部坐标系，按移动最小二乘法来拟合二次曲面并按曲面模型将边界点序列进行参数化；

步骤四、通过参数化的边界点求解基函数p_i(x)的待定系数α_i(x)并进行U向和V向插值来得到空洞区域的填充点，针对孤立点噪声，采用K-邻域方法来剔除孤立噪声点，即指定数据点并搜索指定数据点一定半径r范围内的邻点个数，若邻点个数n小于邻点个数阈值n_th，则该指定数据点为孤立噪声点，针对点云数据简化问题，在保持被测物体几何特征的前提下，根据物体的曲率特征对测量数据进行精简，以提高曲面重构的效率和精度，在小曲率区域保留少量的点来表示很大的面积，在大曲率区域保留足够多的点来表达局部特征以精确、完整、精简地表示曲面特征；