📚 课程目录第2章工业机器人基础

2、工业机器人基础：机器人运动学（正逆解）、常用坐标系（基座、工具、用户）、机器人编程方式（示教、离线、在线）及与视觉系统的接口

在3D视觉引导工业机器人抓取系统中，机器人本体是执行末端动作的物理载体，而视觉系统则充当“眼睛”与“大脑”的感知层。两者之间的桥梁，正是机器人运动学模型、坐标系定义以及编程接口。若缺乏对机器人运动学与坐标系的深入理解，视觉系统给出的抓取位姿将无法被机器人正确解析，轻则定位偏差，重则发生碰撞事故。本章将系统梳理机器人运动学正逆解原理、三大核心坐标系（基座、工具、用户）的定义与转换逻辑、三种主流编程方式（示教、离线、在线）的适用场景，以及视觉系统与机器人控制器的标准接口协议，为后续手眼标定与抓取策略设计奠定坚实的理论基础。

上图展示了3D视觉引导机器人抓取系统的整体逻辑链路：视觉系统输出目标位姿后，需经过坐标系转换（手眼标定）映射到机器人基座坐标系，再通过运动学逆解得到各关节角度，最终由编程系统控制机器人执行抓取。下面我们将逐一深入每个环节。

2.1 机器人运动学：正解与逆解

2.1.1 核心原理

机器人运动学研究的是关节空间与笛卡尔空间之间的映射关系。正运动学（Forward Kinematics）已知各关节角度，通过连杆参数（DH参数或改进DH参数）计算末端执行器的位姿（位置+姿态）。逆运动学（Inverse Kinematics）则相反，已知期望的末端位姿，求解满足条件的关节角度组合。对于6轴串联机器人，逆解通常存在多组解（如肘上/肘下、腕部翻转等），需要根据关节限位、避障和运动平滑性选择最优解。

项目	正运动学	逆运动学
输入	关节角度 θ₁~θ₆	末端位姿 (X,Y,Z,Rx,Ry,Rz)
输出	末端位姿矩阵 T	关节角度组合（可能多解）
计算方法	矩阵连乘：T = A₁·A₂·…·A₆	解析法（Pieper准则）/数值迭代（雅可比）
实时性	微秒级，固定计算量	亚毫秒级，但需处理奇异点
典型应用	仿真显示、碰撞检测	视觉引导抓取、轨迹规划

2.1.2 判断方法与操作流程

在实际视觉引导系统中，逆解的正确性直接决定抓取成败。操作流程如下：

位姿合法性检查：视觉给出的目标位姿必须位于机器人可达工作空间内，且姿态满足腕部关节限位。
多解筛选：优先选择与当前关节角度最接近的解（最小行程原则），避免大幅关节跳动。
奇异点规避：当机器人处于奇异位形（如腕部中心与肩部轴线重合）时，雅可比矩阵秩亏，关节速度趋近无穷。需在规划层添加奇异点回避策略。
碰撞检测：将逆解得到的关节角度代入正运动学，验证各连杆是否与周边设备干涉。

实战场景：视觉引导的抓取位姿逆解

某汽车零部件装配线，3D相机识别到料筐内工件位姿为 (x=850mm, y=120mm, z=45mm, Rx=15°, Ry=0°, Rz=30°)。机器人控制器执行逆解后返回8组关节角，其中第3组和第5组均满足关节限位。系统通过比较当前关节角 (10°, -45°, 120°, 20°, 60°, 0°)，选择第5组 (12°, -48°, 118°, 22°, 58°, -2°)，因其各关节变化量最小，且避开了料筐边框的碰撞区域。实际抓取测试中，该解使机器人运动时间缩短15%，且无奇异点报警。

2.1.3 常见误区与总结

误区一：认为逆解只有唯一解。实际上6轴机器人通常有8组解析解，忽略多解筛选会导致姿态突变。
误区二：忽视奇异点。在奇异点附近，即使关节角度微小变化，末端速度也会剧增，可能触发过速报警。
误区三：将视觉输出的欧拉角直接用于逆解，未考虑机器人控制器内部使用的旋转表示（如四元数、旋转矩阵）。需统一转换。

2.2 常用坐标系：基座、工具、用户

2.2.1 核心原理

机器人坐标系定义了空间位置的参考基准。基座坐标系（Base）固定在机器人安装底座，是机器人所有运动的参考。工具坐标系（Tool）附着在末端法兰或工具（吸盘、夹爪）上，随工具移动而移动，用于描述工具中心点（TCP）的位置和姿态。用户坐标系（User）由操作者自定义，通常设在工作台、传送带或料筐的角点，方便编程时以工件为参考。

三者关系为：P_user = T_base_to_user⁻¹ · T_tool_to_base · P_tool。视觉系统给出的位姿通常基于相机坐标系，需通过手眼标定矩阵转换为基座坐标系下的位姿，再进一步转换到用户坐标系进行轨迹规划。

2.2.2 操作流程与标定方法

工具坐标系标定：采用四点法（TCP尖端固定，变换机器人姿态）或六点法（增加Z轴方向约束），计算TCP相对法兰中心的偏移。
用户坐标系标定：在工件边缘取三点（原点、X轴方向点、XY平面内一点），机器人自动计算用户坐标系相对基座的变换矩阵。
手眼标定：眼在手上（相机装在机器人上）或眼在手外（相机固定），通过拍摄标定板并记录机器人位姿，求解AX=XB方程。

经验提醒：在视觉引导抓取中，务必确保工具坐标系标定精度在±0.5mm以内。若使用吸盘工具，TCP应设置在吸盘端面中心；若使用夹爪，TCP应设置在夹爪闭合中心。标定完成后，建议用千分表验证TCP在多个姿态下的重复精度。

2.2.3 案例拆解：坐标系转换错误导致抓取偏移

某3C电子厂使用视觉引导机器人抓取手机中框。调试初期，视觉系统识别到工件中心在相机坐标系下为 (20mm, -15mm, 300mm)，手眼标定矩阵为 T(cam→base)。工程师误将视觉输出的位姿直接作为用户坐标系下的目标，未转换到基座坐标系，导致机器人实际抓取位置偏移约80mm。排查过程：

检查视觉系统输出：确认工件识别正确，位姿数据稳定。
检查手眼标定矩阵：重新执行标定，验证重投影误差小于0.3mm。
检查坐标转换代码：发现程序中将视觉位姿直接赋值给机器人目标变量，缺少 T(cam→base) 变换。
修正后，抓取精度恢复至±0.5mm。

复盘经验：所有视觉引导程序必须包含明确的坐标系转换层，并在仿真环境中验证转换逻辑。建议在机器人控制器中打印目标位姿的基座坐标值，与人工测量值比对。

2.3 机器人编程方式：示教、离线、在线

2.3.1 核心原理与对比

编程方式	原理	优点	缺点	适用场景
示教编程	操作者通过示教器手动移动机器人至目标点，记录关节角或位姿	直观、无需编程基础、调试快	精度依赖人工目测、难以实现复杂轨迹、无法应对工件位置变化	固定位置抓取、简单搬运
离线编程	在PC软件中建立机器人3D模型和工件CAD，生成轨迹后下载到控制器	可处理复杂曲面、自动优化路径、不占用机器人生产时间	需精确的CAD模型和标定数据、仿真与实际存在偏差	焊接、涂胶、复杂曲面加工
在线编程	通过外部计算机（视觉系统）实时发送目标位姿，机器人实时响应	动态适应工件位置变化、支持视觉引导、柔性化程度高	需实时通信接口、对网络延迟敏感、需处理异常中断	3D视觉引导抓取、随机分拣、装配

2.3.2 视觉引导中的在线编程实现

在3D视觉引导抓取中，在线编程是主流方式。典型实现流程：

视觉系统通过TCP/IP或现场总线（EtherCAT、Profinet）与机器人控制器建立连接。
视觉系统发送目标位姿（通常为字符串或结构体），格式如：POSE (X,Y,Z,Rx,Ry,Rz)。
机器人控制器接收数据，触发中断或轮询解析，调用运动学逆解模块。
执行抓取动作，完成后发送完成信号，视觉系统更新下一目标。

// 视觉系统发送数据示例（C# Socket）
string poseData = "POSE 850.5,120.3,45.2,15.0,0.0,30.0";
byte[] buffer = Encoding.ASCII.GetBytes(poseData);
clientSocket.Send(buffer);
// 机器人控制器接收（KUKA KRL示例）
;FOLD POSE RECEIVE
DECL POS P_Target
P_Target = PARSE_POSE(ReceivedData)
;ENDFOLD

2.3.3 常见误区与风险控制

误区一：认为离线编程生成的轨迹可直接用于视觉引导。实际上，工件位置偏差、夹具公差都会导致轨迹失效，必须结合在线修正。
误区二：忽略通信超时处理。当视觉系统未在设定时间内响应时，机器人应进入安全暂停状态，而非继续执行旧目标。
误区三：未定义工具坐标系切换。在抓取不同工件时，可能需要更换工具，在线程序中必须动态切换工具坐标系。

风险提醒：在线编程中，若视觉系统发送的位姿超出机器人工作空间，控制器应拒绝执行并报警。建议在视觉端增加预校验逻辑，在机器人端设置软限位保护。同时，通信协议应包含数据校验位和序列号，防止丢包或乱序。

2.4 与视觉系统的接口

2.4.1 接口类型与数据格式

视觉系统与机器人控制器的接口分为硬件层和软件层。硬件层常用：

以太网（TCP/UDP）：通用性强，传输距离远，适合大数据量点云传输。
现场总线（Profinet/EtherCAT/DeviceNet）：实时性高（毫秒级），适合位姿数据周期性传输。
数字I/O：仅传输触发信号和完成信号，位姿数据需通过其他方式传递。

软件层协议包括：机器人厂商专用协议（如KUKA RobotSensorInterface、FANUC iRVision）、通用标准（如OPC UA、ROS Industrial）。数据格式通常为：

{
  "timestamp": 1698765432.123,
  "object_id": 1,
  "pose": {
    "position": {"x": 850.5, "y": 120.3, "z": 45.2},
    "orientation": {"rx": 15.0, "ry": 0.0, "rz": 30.0}
  },
  "confidence": 0.98,
  "gripper_width": 25.0
}

2.4.2 接口调试流程

连通性测试：使用Ping命令或总线扫描工具确认物理链路。
数据格式验证：在视觉端发送测试位姿，机器人端打印接收数据，比对字节序和字段偏移。
时序测试：测量从视觉触发到机器人开始运动的端到端延迟，确保满足节拍要求。
异常注入测试：模拟断线、超时、非法数据，验证机器人安全响应。

案例：视觉接口延迟导致抓取失败

某物流分拣线，机器人节拍要求为2秒/件。视觉系统处理点云耗时800ms，通信传输耗时50ms，机器人运动耗时900ms，总耗时1750ms，满足要求。但在高速分拣时，视觉系统偶尔出现150ms的额外延迟，导致机器人提前到达等待点，触发超时报警。解决方案：将通信模式从TCP改为UDP（允许丢包重传），并将视觉处理与机器人运动并行化——机器人先移动到预抓取位置，视觉系统同时计算精确位姿，最终节拍缩短至1.6秒。

2.4.3 接口设计最佳实践

使用标准化的位姿描述（如四元数+平移向量），避免欧拉角歧义。
在协议中增加序列号，接收方检测到跳号时请求重发。
机器人端设置看门狗定时器，超过设定时间未收到新数据则进入安全停止。
视觉系统应提供模拟器模式，便于机器人调试时无需真实相机。

综上所述，机器人运动学、坐标系、编程方式与视觉接口构成了3D视觉引导抓取系统的四大技术支柱。运动学解决“如何到达”的问题，坐标系解决“在哪里”的问题，编程方式解决“如何控制”的问题，接口解决“如何通信”的问题。四者环环相扣，任何一环的偏差都会导致抓取失败。在实际项目落地中，建议先通过仿真环境验证运动学与坐标转换逻辑，再逐步接入真实视觉系统，最后进行全流程联调，以最大限度降低调试风险。