nano机器人2:机械臂的视觉抓取

前言

\Win-20220709XWE\Users\Administrator\Desktop\共享

参考链接: 【机械臂入门教程】机械臂视觉抓取从理论到实战
在这里插入图片描述
GRCNN
通过神经网络,先进行模型训练,在进行模型评估。
机械臂逆运动学求解
所有串联型6自由度机械臂均是可解的,但这种解通常只能通过数值解法得到,计算难度大,复杂度高。因此,在确定逆运动学解法前,我们有必要探究机械臂逆运动学问题的解析解是否存在,Pieper判据是机器人领域常用的一种用于判断解析解存在性的判据。
Pieper在其论文中指出:6自由度机械臂存在解析解的充分条件是相邻的三个关节旋转轴相交于一点。为满足这一条件并降低控制成本,市面上的大部分机械臂均依此设计,具有特定的结构,如带有球形腕的机械臂,如下图所示。

Jetson平台执行Python时命令的出现“Illegal instruction(cpre dumped)”错误
不要安装anaconda
sudo apt-cache show nvidia-jetpack 查看nano 的jetpack版本

在这里插入图片描述

经验教训

在这里插入图片描述
只写到了现象,没有往下一步分析。应该由原因写到现象再进而到出现问题。
在这里插入图片描述
这个思维导图,没有划分层次,摄像头是硬件,但是OpenCV是软件知识。

1.环境搭建

ubuntu下,python+conca+torch。

2.GRCNN代码讲解

3.手眼标定

内参包括:焦距(fx,fy)、主点坐标(cx,cy)、畸变参数。
外参:把相机的旋转、平移(相机的位姿由它的旋转矩阵R和平移向量t来描述),外参会随着相机运动发送改变。
内参作用:从相机坐标系转换到像素坐标系中。
外参作用:从世界坐标系转换到相机坐标系。

标定:在图像测量过程以及机器视觉应用中,为确定空间物体表面某点的三维几何位置与其在图像中对应点之间的相互关系,必须建立相机成像的几何模型,这些几何模型参数就是相机参数。这个求解参数的过程就称之为相机标定(或摄像机标定)。
换个说法就是相机标定的意义是为了将图像中的点能够还原到真实三维空间中,真实的反应各点之间的实际相对空间关系。

math.sqrt();  // 求平方根;

相机内参-像素坐标与实际坐标转换

上位机与相机通讯

编程控制机械臂

抓取算法部署

猜你喜欢

转载自blog.csdn.net/qq_45113070/article/details/139255269