2、工业机器人基础：机械臂运动学、坐标系、常用品牌与编程方式（示教器、离线编程、ROS）
工业机器人是工业AI落地中最关键的物理执行载体。在视觉模型与PLC（可编程逻辑控制器）联调之前，必须理解机械臂的几何模型、空间描述方式以及编程范式。本章从运动学本质出发，厘清坐标系变换逻辑，对比主流品牌与三种编程方式的适用边界，为后续视觉引导抓取、轨迹规划与IO信号交互打下坚实的工程认知基础。
2.1 机械臂运动学核心原理
机械臂运动学描述的是关节空间与笛卡尔空间之间的映射关系，不涉及产生运动所需的力和力矩。正运动学（Forward Kinematics）已知各关节角度，通过D-H（Denavit-Hartenberg）参数模型求解末端执行器的位置和姿态；逆运动学（Inverse Kinematics）则相反，已知目标位姿反解各关节角。在工业AI场景中，视觉系统输出的通常是目标物体在相机坐标系下的位姿，必须经过坐标变换后，通过逆运动学转化为机械臂各关节的目标角度，才能驱动电机运动。
D-H参数法用四个参数描述相邻连杆之间的几何关系：连杆长度a、连杆扭转角α、关节距离d、关节转角θ。对于六轴串联机器人，建立6组D-H参数后，可通过齐次变换矩阵连乘得到末端位姿。逆运动学求解存在多解问题——同一末端位姿可能对应多组关节角组合，工程上需要根据关节限位、避障要求和运动连续性选择最优解。此外，雅可比矩阵描述了关节速度与末端笛卡尔速度之间的线性映射关系，当矩阵奇异时，机械臂会丧失某个方向的运动能力，这是轨迹规划中必须规避的风险点。
2.2 坐标系体系与手眼标定
工业机器人系统涉及多个坐标系，理解它们之间的变换关系是联调的基础。核心坐标系包括：基坐标系（机器人底座固定原点）、关节坐标系（各关节独立原点）、工具坐标系（TCP，Tool Center Point，安装在法兰盘上的工具中心点）、工件坐标系（描述工件在空间中的位置和方向）以及用户坐标系（自定义工作区域参考）。视觉系统引入后，还需要相机坐标系和标定板坐标系。
手眼标定是视觉引导机械臂的关键步骤，分为两种模式：Eye-in-Hand（相机安装在机械臂末端，随动）和Eye-to-Hand（相机固定在工作区域上方）。标定的本质是求解相机坐标系与机械臂基坐标系（或工具坐标系）之间的齐次变换矩阵。常用方法包括AX=XB手眼标定算法和基于标定板的N点标定法。标定精度直接影响抓取定位精度，一般要求标定误差小于机器人重复定位精度的1/3。
| 坐标系类型 | 参考原点 | 典型用途 | 联调注意事项 |
|---|---|---|---|
| 基坐标系 | 机器人安装底座 | 全局位置参考 | 安装水平度影响全局精度 |
| 工具坐标系（TCP） | 法兰盘末端工具中心 | 轨迹编程、抓取点定义 | 需用四点法或六点法精确标定 |
| 工件坐标系 | 工件或夹具特征点 | 批量作业时偏移补偿 | 工件装夹偏差需重新示教 |
| 相机坐标系 | 相机光心 | 视觉识别输出位姿 | 需手眼标定转换到机器人系 |
2.3 常用品牌与编程方式对比
工业机器人市场呈现“四大家族”主导、国产崛起的格局。FANUC（发那科）以伺服和控制系统见长，编程语言为TP（Teach Pendant）；KUKA（库卡）在汽车焊接领域优势明显，使用KRL语言；ABB（ ABB）的RAPID语言结构化强，适合复杂逻辑；安川（Yaskawa）的INFORM指令简洁，在搬运和点焊领域应用广泛。国产机器人（如埃斯顿、汇川、节卡、遨博）近年来在协作机器人领域快速成长，多支持基于脚本或图形化编程。
编程方式主要分为三类，各有适用场景：
- 示教器在线编程：通过手持示教盒手动移动机械臂到目标点，记录点位并编写运动指令。优点是直观、上手快，适合简单轨迹和单件小批量生产；缺点是占用机器人停机时间，复杂轨迹编程效率低，且难以与外部视觉系统深度集成。
- 离线编程（OLP）：在PC端使用专用软件（如RobotStudio、RoboDK、Process Simulate）建立三维仿真环境，导入CAD模型后离线规划轨迹并生成机器人程序。优点是不占用产线时间、可提前验证碰撞和可达性，适合复杂曲面加工、多机器人协同等场景；缺点是需要高精度三维模型和标定数据，否则现场调试偏差较大。
- ROS/ROS2编程：基于开源机器人操作系统，通过MoveIt框架进行运动规划，使用C++或Python编写控制节点。优点是生态丰富、算法库强大（支持视觉、路径规划、SLAM等），适合科研和复杂AI应用；缺点是实时性弱于工业控制器，且需要额外的中间件将ROS指令转换为机器人底层驱动指令。
2.4 实战场景：视觉引导的上下料工作站编程
以某汽车零部件生产线为例，需要利用六轴工业机器人配合3D视觉完成变速箱壳体从料筐到加工中心的自动上下料。现场约束条件为：机器人基座固定，料筐位置存在±5mm的随机偏移，加工中心卡盘定位精度要求±0.2mm，节拍要求小于90秒/件。
初始现象与目标：原有人工上下料效率低且存在安全隐患，引入视觉引导后需实现全自动抓取和放置。视觉系统采用Eye-to-Hand方式，相机固定于料筐上方2.2米处，识别精度要求±1mm。
关键参数与调试过程：
- 首先完成手眼标定，使用12×9棋盘格标定板，采集15组不同位姿图像，计算相机到机器人基座的变换矩阵，标定重投影误差控制在0.3像素以内。
- 在离线编程软件中建立工作站三维模型，导入料筐、加工中心卡盘和机器人模型，规划抓取路径和放置路径，仿真验证无碰撞且各关节角度在限位范围内。
- 编写PLC与机器人的IO握手逻辑：视觉系统输出抓取坐标（X,Y,Z,Rx,Ry,Rz）到PLC，PLC通过Profinet总线将数据写入机器人寄存器，机器人执行抓取后反馈完成信号。
- 现场调试中发现，料筐中工件紧密排列时，3D视觉的深度图存在边缘噪点，导致抓取点Z方向偏差达3mm。通过调整相机曝光时间和点云滤波参数（体素滤波+统计滤波），将Z方向偏差控制在±0.8mm以内。
结果与复盘：系统上线后，节拍稳定在82秒/件，抓取成功率99.2%，加工中心卡盘定位精度满足±0.2mm要求。复盘经验：视觉系统的标定精度和稳定性是联调成败的关键，建议每班开工前用固定标定块做快速验证；离线编程虽然减少了停机时间，但现场仍需预留2-3小时进行坐标微调，因为实际安装误差和仿真模型存在不可避免的偏差。
2.5 常见误区与总结复盘
在工业机器人编程与联调中，工程师常陷入以下误区：
- 混淆工具坐标系与基坐标系：在视觉引导中，如果相机给出的坐标是相对于工具坐标系的，而机器人程序按基坐标系执行，会导致抓取位置整体偏移。解决方法是统一坐标基准，所有外部数据必须明确标注所属坐标系。
- 忽视奇异点规避：在轨迹规划时，如果路径经过奇异点附近，机械臂关节速度会急剧增大，可能触发过速报警或损坏减速机。应在离线编程阶段用奇异检测算法标记危险区域，并调整路径绕行。
- 示教器编程的“路径依赖”：很多工程师习惯用示教器逐点记录轨迹，当产品换型时重新示教耗时巨大。建议在项目初期就评估离线编程的投入产出比，对于多品种小批量场景，OLP的长期收益远高于示教器。
- 忽略PLC握手时序：机器人执行动作需要与PLC的节拍严格同步，如果IO信号没有加入超时保护，一旦视觉数据延迟或丢失，机器人可能停在半途等待，造成死锁。应在PLC程序中加入看门狗定时器，超时则报警停机。