[发明专利]基于点体素相关场的燃油箱焊接机械臂自适应校正方法

权利要求书

1.一种基于点体素相关场的燃油箱焊接机械臂自适应校正方法，其特征在于，包括以下步骤：

步骤1：初始化机械臂位置并获取塑料燃油箱三维信息；

步骤2：构建点体素相关场分割焊接区域并进行重建；

步骤3：对焊接机械臂进行位姿调整。

2.根据权利要求1所述的基于点体素相关场的燃油箱焊接机械臂自适应校正方法，其特征在于，所述步骤1具体包括：

塑料燃油箱柔性焊接生产线的机械臂焊接结束后，对焊接件进行加热的地方定为机械臂的初始位置，由该位置计算焊接面的相对位置信息，塑料燃油箱柔性焊接生产线的机械臂前段的焊接组件上装有相机模块，在机械臂的移动过程中相机模块对塑料燃油箱的点进行采集，获取塑料燃油箱的三维点云场景流数据，对获取的点云场景流按相邻帧进行划分，获取数据集D，即为塑料燃油箱三维信息。

3.根据权利要求2所述的基于点体素相关场的燃油箱焊接机械臂自适应校正方法，其特征在于，所述步骤2具体包括：

步骤21：分层点云特征学习；

步骤22：构建点云的点体素相关场；

步骤23：基于超体素聚类实现焊接区域分割；

步骤24：点云场内对焊接区域进行重建。

4.根据权利要求3所述的基于点体素相关场的燃油箱焊接机械臂自适应校正方法，其特征在于，

所述步骤21具体包括：通过点云描述局部相关性，由于点云是由不规则和无序的点组成的，通过pointnet++网络架构提取点云特征，

将每个点映射到高维空间中，在经过最大池化函数运算后，接着通过多层感知器γ获取得到点云的全局特征，其中对于给定的数据集D，对其中的无序点云集合进行处理，函数f定义为：

f(x₁,x₂,...,x_n)＝γ(MAX(h(x₁),···,h(x_n))) (1)

其中，f为获取的全局特征，γ为多层感知器，h是特征提取层，{x₁,x₂,···,x_n}为数据集D中的无序点云集合，MAX为取极大值函数，

通过点云的分层特征学习解决点云的无序化问题；

所述步骤22具体包括：构建包含数据集D中所有点云的大立方体，将整个大立方体按照一个一个体素进行分割成多个小立方体，包含点云中的点的小立方体即为体素，根据已输入的点云数据集D，分别计算出XYZ三个方向点云数据坐标的最大值与最小值的差值，然后根据XYZ三个方向的三个差值来确定体素的长宽高，计算完成后，计算机自动建立出初始体素，所建立的初始体素中已包含所有的点云数据，将初始体素建立好之后，初始体素分解为256*256*256个体积较小的体素并建立三维模型，通过bresenham剔除初始体素中的无效体素，生成体素云；

所述步骤23具体包括：利用网格化操作来对步骤22获得的体素云进行筛选，保留位于燃油箱表面上的种子体素，为聚类算法进行初始化，对于每个种子体素，建立一个半径为R的搜索区域，计算该种子体素在该区域半径R下的体素数目，删除表面与搜索范围内相交区域内体素数目小于固定阈值的种子体素，对体素数据进行聚类，其中体素数据在37维特征空间下的特征向量定义为：

F＝[x,y,z,c,FPFH_1,2,...,33] (2)

其中，x,y,z是空间三维坐标；c表示体素数据的曲率值；FPFH_1,2,...,33为快速点特征直方图，该直方图是由33个浮点数组成的特征向量，

利用流约束的聚类算法对体素数据进行过分割处理,获取待焊接处的点云区域，构建该点云区域的数据集D'；

所述步骤24具体包括：通过体素分割出待焊接处的点云区域，对该处点云进行稠密化处理。

5.根据权利要求4所述的基于点体素相关场的燃油箱焊接机械臂自适应校正方法，其特征在于，所述步骤3具体包括：

由步骤24获得的稠密化点云定义打孔的面为焊接面，则另外的面为非焊接面，从非焊接面获取圆柱体的母线方向，对比塑料燃油箱打孔焊接机械臂的焊接件轴线方向，能够进行角度调整，计算焊接面点云坐标与焊接件下表面的距离差，即为塑料燃油箱焊接机械臂的进给深度。