基于機(jī)器視覺(jué)的Baxter機(jī)器人抓取算法研究*

饒期捷，黃海松，張松松

(貴州大學(xué)現(xiàn)代制造技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，貴陽(yáng) 550025)

0 引言

隨著科學(xué)技術(shù)的飛速發(fā)展，人類迎來(lái)了人工智能時(shí)代，機(jī)器人的應(yīng)用場(chǎng)景也伴隨著人工智能技術(shù)的發(fā)展，逐步進(jìn)入醫(yī)療救援、家政服務(wù)、地質(zhì)勘探、工業(yè)制造等領(lǐng)域。中國(guó)制造2025概念的提出，更使智能制造體系順應(yīng)新的工業(yè)環(huán)境而建立，但傳統(tǒng)的工業(yè)機(jī)器人已經(jīng)無(wú)法滿足智能制造體系。傳統(tǒng)的機(jī)器人抓取只能進(jìn)行簡(jiǎn)單重復(fù)的結(jié)構(gòu)化動(dòng)作，而新型智能協(xié)作式機(jī)器人通過(guò)與人工智能技術(shù)的結(jié)合，能滿足柔性靈活抓取需求，提升抓取作業(yè)的穩(wěn)定性和生產(chǎn)效率。因此研究基于新型智能協(xié)作式機(jī)器人的靈活抓取對(duì)推進(jìn)中國(guó)制造2025的進(jìn)程有著重要的研究意義和巨大的應(yīng)用前景。

機(jī)器視覺(jué)是通過(guò)光學(xué)的裝置和非接觸的傳感器自動(dòng)的接受和處理一個(gè)真實(shí)物體的圖像，以獲得所需信息或用于控制機(jī)器人運(yùn)動(dòng)的裝置[1-4]。作為一門交叉性學(xué)科，機(jī)器視覺(jué)技術(shù)涵蓋圖像處理技術(shù)、人工智能技術(shù)、計(jì)算機(jī)科學(xué)和自動(dòng)化領(lǐng)域[5]。通過(guò)模擬人的視覺(jué)，使機(jī)器人完成自主檢測(cè)和控制等功能，近年來(lái)，機(jī)器視覺(jué)憑借其高精度、高效率、非接觸式、易于集成等優(yōu)勢(shì)，在智能制造方向扮演著重要的角色。本論文通過(guò)研究雙臂智能協(xié)作機(jī)器人Baxter的系統(tǒng)組成和工作原理，結(jié)合機(jī)器視覺(jué)技術(shù)，在ROS(robot operating system)平臺(tái)下開(kāi)發(fā)基于智能協(xié)作機(jī)器人Baxter的目標(biāo)抓取算法。

算法研究的主要任務(wù)是通過(guò)改進(jìn)的機(jī)器人抓取檢測(cè)算法控制協(xié)作式機(jī)器人Baxter完成對(duì)指定工作區(qū)域的目標(biāo)物件檢測(cè)，同時(shí)將識(shí)別出來(lái)的各類別物件抓取放置到置物托盤中，并通過(guò)實(shí)驗(yàn)驗(yàn)證抓取任務(wù)的準(zhǔn)確性和魯棒性。重點(diǎn)針對(duì)任務(wù)過(guò)程中的圖像預(yù)處理和物件識(shí)別模塊使用的算法進(jìn)行研究和改進(jìn)，從而提升抓取過(guò)程總體的運(yùn)行速度、準(zhǔn)確性和魯棒性，以滿足智能制造體系生產(chǎn)的實(shí)際需求。

1 機(jī)器人抓取

1.1 抓取任務(wù)流程

物件目標(biāo)抓取任務(wù)過(guò)程結(jié)構(gòu)如圖1所示，開(kāi)啟機(jī)器人手部攝像機(jī)，控制機(jī)器人手臂移動(dòng)到工作臺(tái)上方。目標(biāo)抓取任務(wù)包括場(chǎng)景圖像感知、目標(biāo)物件位置識(shí)別、物件抓取定位、機(jī)械臂抓取及放置四個(gè)模塊。場(chǎng)景圖像感知部分通過(guò)機(jī)器人手部相機(jī)獲得工作場(chǎng)景的實(shí)時(shí)彩色圖像后，通過(guò)ROS傳輸給計(jì)算機(jī)進(jìn)行圖像預(yù)處理。目標(biāo)物件位置識(shí)別模塊通過(guò)輸入預(yù)處理后的圖像，基于本文提出的抓取檢測(cè)算法，識(shí)別出待抓取的目標(biāo)物件以及抓取物件后的放置托盤位置。物件抓取定位模塊獲取物件在像素坐標(biāo)中的坐標(biāo)信息后，通過(guò)手眼標(biāo)定的方法，將像素坐標(biāo)轉(zhuǎn)換為物體在機(jī)器人基坐標(biāo)系下的坐標(biāo)。機(jī)械臂抓取及放置模塊基于上文得到的待抓取物件坐標(biāo)信息，通過(guò)反向動(dòng)力學(xué)將坐標(biāo)信息轉(zhuǎn)化為機(jī)器人7個(gè)關(guān)節(jié)的運(yùn)動(dòng)位置信息，進(jìn)而控制機(jī)器人的手臂及其末端執(zhí)行器完成抓取任務(wù)。

圖1 抓取任務(wù)過(guò)程結(jié)構(gòu)圖

1.2 Baxter機(jī)器人

本文采用的機(jī)器人是美國(guó) Rethink Robot 公司于2012年首次推出一款雙臂智能協(xié)作機(jī)器人Baxter機(jī)器人完成靈活抓取任務(wù)[6]。該機(jī)器人是世界上首款制造級(jí)的人形機(jī)器人，也是目前全球應(yīng)用最廣泛的雙臂機(jī)器人，全球已經(jīng)有27個(gè)國(guó)家的實(shí)驗(yàn)室、大學(xué)和研發(fā)中心采用Baxter機(jī)器人作為研究平臺(tái)。在我國(guó)，由于對(duì)相關(guān)領(lǐng)域的研究較晚以及各項(xiàng)條件的限制，目前只有少數(shù)高等院校和科研院所具備使用智能協(xié)作機(jī)器人進(jìn)行相關(guān)研究[7]。Baxter機(jī)器人擁有多種類型的末端執(zhí)行器如圖2所示，在本文中使用平行夾爪作為抓取的末端執(zhí)行器。手爪由Baxter機(jī)器人內(nèi)置的伺服機(jī)控制手爪的張開(kāi)與閉合，并通過(guò)Baxter API完成對(duì)手爪的編程操作。

(a) 平行夾爪 (b) 氣動(dòng)力吸盤

(c) 壁虎式夾爪圖2 Baxter機(jī)器人末端執(zhí)行器

Baxter機(jī)器人的左右機(jī)械臂由7個(gè)獨(dú)立的旋轉(zhuǎn)運(yùn)動(dòng)關(guān)節(jié)串聯(lián)而成，如圖3所示，其各關(guān)節(jié)轉(zhuǎn)角、轉(zhuǎn)速和力矩參數(shù)如表1所示。

圖3 Baxter機(jī)器人關(guān)節(jié)圖

表1 關(guān)節(jié)轉(zhuǎn)動(dòng)范圍

2 目標(biāo)物件位置識(shí)別

本文為了提升目標(biāo)物件位置和放置托盤位置識(shí)別的準(zhǔn)確性，采用的機(jī)器人抓取檢測(cè)算法是改進(jìn)的Canny算法和Hough變換算法相結(jié)合的方法。并使用二次定位的方式進(jìn)一步提升識(shí)別結(jié)果的準(zhǔn)確性[8]。

2.1 邊緣檢測(cè)

文獻(xiàn)[9]提出的Canny邊緣檢測(cè)算法是從不同視覺(jué)對(duì)象中提取有用的結(jié)構(gòu)并大大減少待處理的數(shù)據(jù)量的一門方法。Canny邊緣檢測(cè)算法可以分為以下5個(gè)階段[10-12]：

第1階段：使用高斯濾波器與圖像進(jìn)行卷積，用以平滑圖像消除噪聲，高斯濾波器核的生成方程式如下：

(1)

1≤i,j≤(2k+1)

(2)

第2階段：使用邊緣檢測(cè)的算子計(jì)算圖像中所有像素點(diǎn)水平Gx和垂直Gy方向的一階導(dǎo)數(shù)值，由此確定像素點(diǎn)的梯度G和方向θ。G和θ計(jì)算公式為：

(3)

θ=arctan(Gy/Gx)

(4)

第3階段：應(yīng)用非極大值抑制，消除邊緣檢測(cè)造成的雜散響應(yīng)，相關(guān)偽代碼如下：

11:function ELIMINATE(Gp,Gp1,Gp2)2:result←03:edge←04:if Gp>Gp1 and Gp>Gp2 then5:edge←Gp6:else7:result←18:end if9:return result,edge10:end function

其中Gp1和Gp2分別表示像素點(diǎn)P1和P2的梯度線性插值。

第4階段：應(yīng)用雙閾值檢測(cè)確定真實(shí)和潛在的邊緣。

第5階段：通過(guò)抑制孤立的弱邊緣完成最終的邊緣檢測(cè)。

由上文算法流程可知，在使用Canny邊緣檢測(cè)算法過(guò)程中，對(duì)平滑濾波方差、高低閾值這3個(gè)參數(shù)的設(shè)定是圖像處理的關(guān)鍵。尤其是在對(duì)雙閾值的處理過(guò)程中，閾值參數(shù)過(guò)高會(huì)造成邊緣斷裂和不連續(xù)的顯現(xiàn)；閾值參數(shù)設(shè)置過(guò)低則會(huì)導(dǎo)致出現(xiàn)較多的虛假邊緣。因此，本文針對(duì)傳統(tǒng)Canny邊緣檢測(cè)算法原理和缺陷進(jìn)行研究分析，結(jié)合抓取圖像的特點(diǎn)，對(duì)Canny算子進(jìn)行了改進(jìn)，針對(duì)高低閾值設(shè)定這一方面，使用Otsu算法替代傳統(tǒng)的人工設(shè)置，通過(guò)實(shí)現(xiàn)雙閾值的自適應(yīng)獲取改進(jìn)生成的邊緣圖像的清晰度。

最大類間方差法(Otus)是一種可以根據(jù)圖像的灰度直方圖信息自適應(yīng)確定閾值的方法，用于在類間方差最大的情形。該算法的基本思想是存在閾值Ω把采集到的圖像像素劃分為C1(小于Ω)和C2(大于Ω)兩類，設(shè)圖像灰度級(jí)為k，兩類像素的均值分別為m1和m2，全局的圖像像素均值為MG。同時(shí)像素被分為C1和C2兩類的概率分別為p1、p2，因此存在下列公式：

P1×M1+P2×M2=MG

(5)

P1+P2=1

(6)

其中，

(7)

(8)

(9)

其次灰度級(jí)k的累加均值M和圖像全局均值MG分別為：

(10)

(11)

將公式(10)、公式(11)帶入類間方差表達(dá)式最終得出：

(12)

根據(jù)公式(12)通過(guò)遍歷搜索、計(jì)算上述公式最大化的灰度級(jí)k，即能實(shí)現(xiàn)自適應(yīng)獲取最優(yōu)的高低閾值，進(jìn)而提升生產(chǎn)的邊緣圖像的清晰度，改進(jìn)前后檢測(cè)效果如圖4所示。

(a) 改進(jìn)前 (b) 改進(jìn)后圖4 邊緣檢測(cè)對(duì)比圖

2.2 目標(biāo)物件檢測(cè)

霍夫變換是一種用于圖像分析，計(jì)算機(jī)視覺(jué)和數(shù)字圖像處理的特征提取技術(shù)。該技術(shù)的目的是通過(guò)投票程序找到特定類別的形狀中對(duì)象的不完美實(shí)例。該投票過(guò)程是在參數(shù)空間中執(zhí)行的，在該參數(shù)空間中，由所謂的累加器空間中的局部最大值獲得對(duì)象候選，累加器空間由用于計(jì)算霍夫變換的算法明確構(gòu)造。本文在傳統(tǒng)的Hough檢測(cè)技術(shù)的基礎(chǔ)上，加以改進(jìn)，實(shí)現(xiàn)對(duì)目標(biāo)工件的檢測(cè)與定位[13-16]。

直線在參數(shù)空間中的方程為：

(13)

圓在參數(shù)空間中的方程為：

r2=(a-x)2+(b-y)2

(14)

并且由于實(shí)際工廠的生產(chǎn)過(guò)程檢測(cè)現(xiàn)場(chǎng)存在較為復(fù)雜的光線干擾，例如灰塵、強(qiáng)光、昏暗等，導(dǎo)致采集到的圖片較為昏暗，因此本文使用一種新型的自適應(yīng)亮度調(diào)節(jié)的辦法，對(duì)采集的圖像進(jìn)行亮度的調(diào)整，通過(guò)設(shè)定像素閾值x，實(shí)現(xiàn)當(dāng)圖像過(guò)于昏暗或亮度過(guò)高時(shí)自動(dòng)對(duì)圖像進(jìn)行調(diào)整，以增強(qiáng)目標(biāo)工件在采集圖像中的辨識(shí)度。

像素點(diǎn)亮度計(jì)算公式為：

(15)

其中，F(xiàn)(x,y)表示平均像素值；R(x,y)、G(x,y)、B(x,y)分別表示各個(gè)通道的像素值。

為解決實(shí)驗(yàn)過(guò)程中識(shí)別圓形目標(biāo)時(shí)易出現(xiàn)的誤判現(xiàn)象，本文依據(jù)圓形物體所獨(dú)有的圓心到圓邊任意點(diǎn)距離相等的幾何特性，增加在圓形邊緣上選取的散點(diǎn)樣本的數(shù)量并將散點(diǎn)樣本的數(shù)量設(shè)置為參數(shù)空間中的閾值，用以解決對(duì)非圓形目標(biāo)的誤判。改進(jìn)前后圖形對(duì)比如圖5所示。

(a) 改進(jìn)前 (b) 改進(jìn)后圖5 目標(biāo)檢測(cè)對(duì)比圖

3 物件抓取定位

Baxter機(jī)器人的雙機(jī)械臂末端設(shè)置有紅外感測(cè)裝置和攝像頭，因此本文設(shè)計(jì)基于手眼系統(tǒng)的靈活抓取算法，并通過(guò)內(nèi)嵌的攝像頭采集工作臺(tái)上實(shí)時(shí)畫面，獲取目標(biāo)物體中心點(diǎn)像素坐標(biāo)，并通過(guò)一系列坐標(biāo)計(jì)算變換，引導(dǎo)并控制機(jī)器人的手臂運(yùn)動(dòng)到指定位置，進(jìn)而對(duì)工作臺(tái)上的工件進(jìn)行靈活抓取。

3.1 坐標(biāo)系關(guān)系

Baxter機(jī)器人基坐標(biāo)系、手臂末端坐標(biāo)系及末端執(zhí)行器坐標(biāo)系之間位置關(guān)系如圖6所示。

圖6 坐標(biāo)系位置關(guān)系圖

通過(guò)分析Baxter機(jī)器人手部紅外、攝像頭采集到的Baxter雙臂的末端執(zhí)行器到置物托盤和工作臺(tái)的高度與角度，建立待檢測(cè)目標(biāo)相對(duì)相機(jī)坐標(biāo)系的轉(zhuǎn)換矩陣、相機(jī)坐標(biāo)系相對(duì)機(jī)械臂末端坐標(biāo)系的轉(zhuǎn)換矩陣以及機(jī)械臂末端坐標(biāo)系相對(duì)機(jī)器人基坐標(biāo)的轉(zhuǎn)換矩陣。

3.2 手眼相機(jī)標(biāo)定

為了使用Baxter機(jī)器人的手部攝像機(jī)找到目標(biāo)的位置，必須知道從相機(jī)到物體的距離以及該距離處的像素寬度，因此本文采用RAC標(biāo)定法[17]，并執(zhí)行以下實(shí)驗(yàn)以查找相機(jī)的校準(zhǔn)因子。如圖7所示單獨(dú)的圖像只能得出圖像點(diǎn)的角度。

圖7 坐標(biāo)系投影示意圖

因此本文在實(shí)驗(yàn)過(guò)程中準(zhǔn)備了一個(gè)如圖8所示的靶，該靶由24個(gè)分布于6×4網(wǎng)格，其中間間隔為4 cm的2 cm正方形組成。將其放置在距離相機(jī)不同距離的位置，并對(duì)圖像進(jìn)行分析以找到每個(gè)正方形的中心(以像素為單位)。將每個(gè)圖像都轉(zhuǎn)換為灰度圖像。用于將灰度圖像轉(zhuǎn)換為黑白圖像以及觸摸圖像的所有黑色區(qū)域的強(qiáng)度閾值。面積閾值用于去除圖像中心的黑色小區(qū)域，從而保留目標(biāo)正方形。在找到每個(gè)目標(biāo)正方形的中心并用圓盤標(biāo)記中心的情況下，將正方形轉(zhuǎn)換為灰色，產(chǎn)生結(jié)果如圖8所示，通過(guò)對(duì)結(jié)果的分析得出，相機(jī)在1m處的校準(zhǔn)系數(shù)為每像素2.5 mm。

圖8 相機(jī)標(biāo)定圖

3.3 手眼相機(jī)標(biāo)定

在分揀系統(tǒng)的設(shè)計(jì)過(guò)程中，本文設(shè)定機(jī)械臂末端執(zhí)行器位姿于工作臺(tái)桌面垂直向上方位并保持分揀過(guò)程中機(jī)械臂手臂高度固定的方法，將原本采集圖像像素坐標(biāo)到Baxter機(jī)器人的三維工作空間坐標(biāo)系的轉(zhuǎn)換簡(jiǎn)化為二維平面的工作空間坐標(biāo)系轉(zhuǎn)換。通過(guò)Baxter機(jī)器人手部的紅外傳感器可測(cè)出末端到工作臺(tái)桌面的距離，結(jié)合攝像機(jī)標(biāo)定系數(shù)，利用公式(16)可以實(shí)現(xiàn)圖像坐標(biāo)系與Baxter機(jī)器人末端執(zhí)行器坐標(biāo)系之間的轉(zhuǎn)換[18]。

α=(β-γ)×Cc×d+Pa+O

(16)

其中，α表示機(jī)器人基坐標(biāo)系下的坐標(biāo)；β表示相機(jī)坐標(biāo)系下的像素坐標(biāo)；γ表示相機(jī)圖像中心點(diǎn)像素的坐標(biāo)；Pa表示Baxter機(jī)械臂的位姿；Os表示Baxter機(jī)械臂末端執(zhí)行器與手部攝像頭在x，y坐標(biāo)系下的偏移量；Cc表示相機(jī)校準(zhǔn)系數(shù)；d表示攝像頭到工作臺(tái)的距離。

4 實(shí)驗(yàn)

機(jī)器人靈活抓取的工作流程，分為以下幾個(gè)步驟。

步驟1：?jiǎn)?dòng)Baxter機(jī)器人，控制Baxter機(jī)器人的機(jī)械臂移動(dòng)到工作區(qū)域正上方如圖9所示，并保持手臂垂直向下，同時(shí)開(kāi)啟機(jī)械臂末端執(zhí)行器的攝像頭。

圖9 Baxter機(jī)器人工作狀態(tài)圖

步驟2：使用末端執(zhí)行器上的攝像機(jī)采集工作臺(tái)上的實(shí)時(shí)場(chǎng)景圖像，并通過(guò)機(jī)器人操作系統(tǒng)將采集到的圖像信息實(shí)時(shí)傳遞回計(jì)算機(jī)，其中場(chǎng)景采集圖像和以及ROS系統(tǒng)中Baxter機(jī)器人采集圖像和計(jì)算機(jī)進(jìn)行實(shí)時(shí)傳遞過(guò)程中，用于發(fā)布和訂閱圖像信息的robot、Baxter_cams、cameras 3個(gè)節(jié)點(diǎn)之間的關(guān)系如圖10b所示。

(a) 實(shí)時(shí)圖像(b) ROS節(jié)點(diǎn)圖圖10 采集圖像及ROS節(jié)點(diǎn)圖

步驟3：通過(guò)Hough算法識(shí)別出工作臺(tái)上的目標(biāo)物件，并計(jì)算出物件的質(zhì)心坐標(biāo)，同時(shí)對(duì)質(zhì)心坐標(biāo)處于托盤區(qū)域的目標(biāo)物件進(jìn)行剔除防止重復(fù)夾取的狀況出現(xiàn)。

步驟4：通過(guò)Canny算法對(duì)預(yù)處理后的圖像進(jìn)行邊緣檢測(cè)，識(shí)別出相應(yīng)的物件放置區(qū)域中心，并對(duì)檢測(cè)出的物件放置托盤進(jìn)行劃分，如圖11所示。

圖11 中心識(shí)別及托盤區(qū)域劃分圖

步驟5：Baxter機(jī)器人執(zhí)行抓取任務(wù)，并自動(dòng)調(diào)整夾持器角度，避免抓取過(guò)程對(duì)目標(biāo)物件周圍臨近的物件造成碰撞，影響被碰撞物件的抓取。

實(shí)驗(yàn)開(kāi)始，將多種物品隨機(jī)擺放在工作臺(tái)的隨機(jī)位置上，按照上述抓取任務(wù)流程進(jìn)行10次反復(fù)試驗(yàn)，執(zhí)行抓取的過(guò)程中，多目標(biāo)任務(wù)的抓取原則為攝像頭采集圖像最右上端的物件，并重復(fù)抓取動(dòng)作直至所有被檢測(cè)物件都放置到托盤區(qū)域。如果出現(xiàn)抓取失敗的情況，程序自動(dòng)結(jié)束并提示抓取失敗。10次抓取實(shí)驗(yàn)的成功率均為100%，但是10次實(shí)驗(yàn)中出現(xiàn)了部分目標(biāo)物件未識(shí)別的情況目標(biāo)物件的總體識(shí)別率在90%～100%之間，該實(shí)驗(yàn)結(jié)果證明了本文提出的基于機(jī)器視覺(jué)的Baxter機(jī)器人靈活抓取算法具有較好的魯棒性和準(zhǔn)確性。實(shí)驗(yàn)過(guò)程如圖12所示。

圖12 實(shí)驗(yàn)過(guò)程圖

5 結(jié)束語(yǔ)

本文以雙臂智能協(xié)作式機(jī)器人Baxter為研究對(duì)象，基于機(jī)器視覺(jué)技術(shù)，在ROS平臺(tái)下，提出并實(shí)現(xiàn)了一種融合Canny邊緣檢測(cè)技術(shù)和Hough變換算法的機(jī)器人抓取檢測(cè)方法。并在Baxter機(jī)器人上基于該算法進(jìn)行了靈活抓取的實(shí)驗(yàn)驗(yàn)證，展示了基于Baxter機(jī)器人的完整靈活抓取流程。實(shí)驗(yàn)結(jié)果表明該方法具有較強(qiáng)的魯棒性和準(zhǔn)確性。該實(shí)驗(yàn)對(duì)國(guó)內(nèi)智能協(xié)作式機(jī)器人的研究以及工業(yè)生產(chǎn)過(guò)程中的靈活抓取應(yīng)用研究具有案例參考價(jià)值，并能夠作為實(shí)現(xiàn)自主抓取應(yīng)用的主要解決方案進(jìn)行進(jìn)一步研究。