工业机器人技术基础

Let’s Take This Online: Adapting Scene Coordinate Regression Network Predictions for Online RGB-D Camera Relocalisation

任务空间多路径段平滑过渡可提高工业机器人的运动速度.在非对称S曲线加减速控制的路径长度约束下,以给定速度不为零的路径衔接点和半径调节参数为基准,根据路径段的长度变化,自适应前瞻规划出路径段间最优衔接速度,并在相邻路径段间采用圆弧进行平滑过渡,路径段全程采用非对称S曲线加减速控制.为提高算法的通用性,根据S曲线加减速区段函数的特点,对加速和减速区段函数进行优化.在6自由度工业机器人实时控制系统平台上进行实验验证,结果表明,与传统加减速控制算法相比,该前瞻算法的作业执行效率可提高22.03%以上,并可实现多路径段间速度的平滑过渡和轨迹的修形.

多相机阵列中的相机位姿关系标定是大尺寸测量系统中非常重要的一个环节。建立了标定模型，采用圆点阵列平面靶标，通过线性平移，使靶标分别位于不同相机的视野范围内，获得了同一靶标特征点在不同相机坐标系下的坐标；根据所得坐标，求解靶标坐标系与相机坐标系之间的位姿关系；根据靶标的线性平移约束，进而求解两两相机之间的位姿关系。经实验验证，对于安装距离约为2300 mm的相机，标定误差小于0.002 mm。其标定过程简单、速度快，可以适用工业大尺寸测量中的现场标定。

船用大型螺旋桨的尺寸较大,现有螺旋桨加工方法存在单面加工、桨叶振颤、二次装夹、加工周期长的问题。针对这些不足,提出了双刀双面对称加工方法。综合并联机构与串联机构的优点,搭建了基于混联机构的加工装置模型,可以实现螺旋桨一次装夹、双刀对称加工压力面和吸力面,有利于消除悬臂梁效应、减弱振颤、提高加工效率和加工精度。介绍了该加工装置的结构设计,对其机构运动参数进行解耦,推导出加工刀具的位姿控制算法。应用ADAMS构建的仿真模型和原型样机验证了控制算法的正确性,为后续加工装备的研发打下了理论基础。

来自Facebook 人工智能研究院的研究员在全球计算机视觉顶会 ECCV 2018 9.12慕尼黑会议上获得最佳论文称号，其中采用的先进算法值得你学习。

ofxRobotArm是一個 openFrameworks 插件，用於用機器人手臂做創造性的事情。該插件的目標是消除盡可能多的技術障礙，以便與機器人一起啟動和運行。我們提供了一個示例，說明如何使用 ofxRobotArm 和您的機器人手臂啟動和運行。通過ofxRobotArm為 openFrameworks 開發，我們希望幫助您以新的和多樣化的方式擴展人機交互。 目前，該插件配置為與 Universal Robot 和 ABB 機械臂一起使用（未經測試）。KUKA 和 xArm 支持待定。 ofxRobotArm由多個部分構成：Controllers、Drivers、Kinematics、Models、Path、Utils和World。 控制器包含主要的 RobotController 和其他有用的控制器。 驅動程序包含 xRobotArm 支持的每個製造商的驅動程序：Universal Robots、ABB、xArm 等等。 運動學包含正向和反向運動學求解器。 模型包含從 URDF 加載的機器人手臂的表示。 Path包含用於與路徑交互的輔助類。 實用程序包含許多有用的實用程序。Wor

人工智能-机器学习-某弧焊机器人位姿精度可靠性分析方法研究.pdf

针对于空间目标的位姿计算，曾宪衡，孙汉旭，对于操作空间中的非合作目标物体的任务，不仅需要从图像中能够识别出物体，还需要解算其在世界坐标系下的三维坐标，以及物体相对

人工智能-机器学习-被吊设备位姿给定的移动式起重机路径规划.pdf