本文是一篇控制工程论文，本文采用深度相机完成机械臂环境障碍物信息的获取，并结合改进的RRT算法实现机械臂在感知环境下的避障路径规划任务。
第一章 绪论
1.1 研究背景与意义
随着工业自动化与智能化的迅速发展，工业生产的效率成为各行业关注的重点对象，将自动化设备用于生产中，不仅可以提高劳动的生产率，而且能够降低人的劳动强度，保证产品质量，能够同时取得经济和社会效益。机器人作为综合机械、控制技术、计算机与电子信息等学科的先进自动化设备，具有可靠性高和适用性强等优势，常代替人们执行危险程度高与重复性强的工作，例如汽车组装、快递仓储与码垛搬运等[1]，应用于各类生产环境的机器人技术已经成为衡量工业产业发展水平的重要标志。
机械臂是一种具有抓取和带动物体移动的自动化装置[2]，作为机器人的一个重要分支，一方面，由于其操作灵活、定位精度高的优点，在重复性强且定点的工作，如焊接、自动喷涂上被大规模使用；另一方面，由于其控制形式多样和占位小等优点，在高处或水底等危险场景下也被广泛应用，能够有效的缩短工业生产的周期与改善劳动条件，图1-1为工业常用机械臂模型。
机械臂虽具有定位精度高、节省人力与通用性强等优势[3-5]，但其往往工作在复杂场景下，因此作业空间中常存在大量障碍物干扰，工作过程未进行避碰操作可能会引发事故，威胁工作人员的安全，造成重大损失[6]。故机械臂在运行过程中需要根据自身工作环境提前部署运动方案，保证机械臂安全高效的完成既定任务。近年来，随着机器视觉理论的发展与技术更新，基于机器视觉的环境感知技术的使用场景限制逐渐减低，将视觉用于机械臂的运动控制中，通过视觉对机械臂工作空间模型进行获取，使得机械臂具备环境感知能力，在复杂多变的环境下也能够进行运动决策[7]，能够很好的提高工业生产的安全性。
1.2 国内外发展趋势
1.2.1 机械臂环境感知研究现状
机械臂在工作过程中的安全性一直是进行机械臂运动控制时要解决的首要问题，为了使机械臂在运动过程中不与外界障碍物发生碰撞，需要为其增加视觉感知系统，获取机械臂工作空间内的环境信息，为后续机械臂的路径规划提供判断，保证机械臂无碰撞的按照规划路径运行。常见的机器人非接触式测量三维成像方式包含主动式和被动式两种方法，主动式三维成像需要向待测量物体发射特定光源，之后结合光源在物体上的投影信息与特定算法完成三维重构；被动式三维成像则无需主动投射光源，直接利用外界光源的反射进行测量。常用的机器人三维测量方法包括飞行时间[11-13]、结构光法[14-16]、被动视觉法[17-20]等，即利用激光测距仪、投影仪、相机等设备进行信息的获取，实现机械臂的视觉感知
TOF(Time of light)法是主动式测距方式的一种，TOF相机的核心由光发射器和接收器组成，通过主动向需要测距的目标表面发射调制的光源，然后由接收器接收对应反射回来的光，此时基于光速不变的原理，通过测量光信号飞行的时间进而测量距离[21]。TOF法研究的时间较早，与传统测量方式相比可以直接获得场景的三维信息，因此具有较大优势，其体积小、检测速度快且价格便宜，但易受外界光源干扰[22]，近距离测量时对时间测量模块的精度要求较高，因此适用于远距离且精度要求低的测量场景。
第二章 机械臂建模及运动学分析
2.1 引言
机械臂运动学分析是进行后续路径规划的基础，为了便于对机械臂的运动过程进行描述，需要对其模型进行简化，通过在每一连杆上建立对应的坐标系，便可采用坐标系的依次变换推导出末端相对于基座的位姿；机械臂运动学分为正运动学与逆运动学，正运动学是在给定关节角的情况下，求解该组关节角对应的机械臂末端位姿，而逆运动学是在给定末端位姿的情况下，求解对应的关节角，正逆运动学可以方便的描述机械臂在笛卡尔空间与关节空间之间的对应关系，对后续实现机械臂的路径规划具有重要意义。
2.3 机械臂运动学
2.3.1 机械臂MDH建模
机械臂是由多个刚性连杆通过可运动关节组成的一种刚体，可运动关节可以实现相连的两个部件间的相对移动，电机为连杆的运动提供动力，为了描述机械臂各连杆在运动过程中的空间占位关系，采用MDH参数法对机械臂运动学模型进行描述，MDH参数法的基本思想为采用连杆偏距、连杆长度、连杆转角与关节转角这四个参数来描述连杆与连杆之间的关系，通过在机械臂每一个连杆上建立对应坐标系，便可方便的描述一连杆到相邻连杆的转换关系，最后通过依次的变换可以推导出末端相对于基座的位姿。
本文所用机械臂为中科深谷六自由度机械臂，MDH参数如表2-1所示：
表中，连杆偏距id表示沿iZ轴，从i1X−轴到iX轴的距离；杆长ia表示沿iX轴方向，从iZ轴移动到i1Z+轴的距离；连杆转角iα表示绕iX轴，从iZ轴旋转到i1Z+轴的角度； 关节转角iθ表示绕iZ轴，从i1X−轴旋转到iX轴的角度，杆长和连杆转角表示两相邻关节轴线的关系，连杆偏距和关节转角表示两连杆的连接关系，机械臂各连杆的关系可由这四个参数表示。
第三章 障碍物点云检测与碰撞检测..................... 22
3.1 引言............................... 22
3.2 深度相机选型及硬件结构....................... 22
3.3 基于点云信息的障碍物检测........................... 23
第四章 基于改进RRT算法的机械臂路径规划 ........................ 33
4.1 引言.......................... 33
4.2 RRT算法基本原理 .............................. 33
4.3 改进RRT算法策略 .................................. 34
4.3.1 自适应步长................................ 34
第五章 机械臂避障路径规划实验与分析...................... 45
5.1 引言........................................ 45
5.2 实验平台.............................. 45
5.3 相机标定与手眼标定..................... 45
第五章 机械臂避障路径规划实验与分析
5.2 实验平台
本文实验平台如图5-1所示，主要硬件包括：六自由度机械臂、机械臂控制箱、Intel Realsense D435i深度相机、PC四个部分。其中深度相机作为视觉传感器固定于三角支架上，用于获取实验台上障碍物点云数据；PC作为上位机用于接收点云数据并进行处理，完成障碍物检测，并基于障碍物的位置进行机械臂无碰运动路径的求解，算法均通过Matlab2021a编程实现；最后通过控制器向机械臂发送路径信息，完成机械臂的路径规划。
第六章 总结与展望
6.1 总结
目前，传统机械臂的路径规划主要采用人工示教的方式，应用场景仅限于简单环境，极大的限制了机械臂的自主性与灵活性，此时需要机械臂具有一定的自主作业能力，实现复杂多变环境下的障碍物感知与路径规划。基于此，本文采用深度相机完成机械臂环境障碍物信息的获取，并结合改进的RRT算法实现机械臂在感知环境下的避障路径规划任务，主要研究内容如下：
(1) 对所用六自由度机械臂进行运动学分析，首先根据MDH参数法与机械臂模型参数建立机械臂连杆坐标系与MDH参数表，推导出相邻连杆的位姿变换矩阵，完成六自由度机械臂的正向运动学求解，其次，采用解析法进行机械臂逆向运动学的求解，获得与末端位姿相对应的关节角度值，最后，通过MATLAB中的仿真分析验证正逆运动学求解的正确性。
(2) 针对机械臂环境障碍物感知问题进行分析，选用Intel Realsense D435i深度相机并采用眼在手外的方案，将相机置于外部支架上，用于感知机械臂工作台障碍物点云信息，之后通过对深度相机采集到的初始点云进行坐标限制与噪声点去除减少数据量，加快后续算法的速度；由于障碍物点云的获取是用来实现机械臂与障碍物间的碰撞检测的，而碰撞检测需要机械臂对所有障碍物单独检测，此时需要分离障碍物整体点云，获得单一障碍物点云信息。因此，采用RANSAC算法进行平面拟合，获得仅包含障碍物的点云数据，最后采用基于欧式聚类的点云分割算法对处理后的点云进行聚类分割，获得单个障碍物的点云信息，从而完成对障碍物的检测；对于机械臂与障碍物的碰撞检测问题，为了兼顾算法的精度与速度，对机械臂本体与障碍物点云模型进行简化处理，采用包络球对所得障碍物点云进行包络处理，采用圆柱体对机械臂各关节进行简化处理，同时为了进一步加快检测的效率，将圆柱体半径叠加至包络球半径上，将机械臂与障碍物间碰撞检测问题转化为包络球与直线相交的问题，从而提高碰撞检测的效率，完成了障碍物信息的获取与碰撞检测。
参考文献（略）
