本文涉及到的產(chǎn)品

1 mechArm 270

2 mycobot 280

3 mypalletizer 260

4 AI kit

主題內(nèi)容

今天的文章的主題主要介紹一下跟aikit 套件搭配的三款機(jī)械臂，它們之間分別有什么不一樣的地方。

前言

假如說你有一臺機(jī)械臂的話，你會用它來干什么呢？簡單的控制機(jī)械臂動一動；讓它重復(fù)執(zhí)行某個軌跡；還是讓它能夠在工業(yè)上代替人類去工作。在隨著時代的進(jìn)步，機(jī)器人頻繁的出現(xiàn)在我們的周圍，它們代替我們從事危險的工作，服務(wù)人類等。今天我們一起來看一下，機(jī)械臂是如何在一個放工業(yè)場景中進(jìn)行工作的。

介紹

what is AI kit？

人工智能套裝是集視覺、定位抓取、自動分揀模塊為一體的入門級人工智能套裝。

基于Linux系統(tǒng)，在ROS搭建1：1仿真模型，可通過開發(fā)軟件實(shí)現(xiàn)機(jī)械臂的控制，能夠快速入門學(xué)習(xí)人工智能基礎(chǔ)知識。

目前我們的人工智能套裝可以實(shí)現(xiàn)對顏色識別和抓取，對圖像識別和抓取。

該套件對于剛?cè)腴T機(jī)械臂，機(jī)器視覺的用戶來說是非常有幫助的，能夠帶你快速的了解人工智能項目是如何搭建起來的，進(jìn)一步的了解機(jī)器視覺是如何跟機(jī)械臂進(jìn)行聯(lián)動的。

接下來我們簡單了解一下，能夠與aikit套裝適配的三款機(jī)械臂

機(jī)械臂

myPalletizer 260

myPalletizer260是一款四軸的碼垛機(jī)械臂，全包裹輕量級四軸碼垛機(jī)械臂，整體去鰭設(shè)計，小巧緊湊，便于攜帶。myPalletizer本體重量960g，負(fù)載250g，工作半徑260mm，專為創(chuàng)客，教育設(shè)計，有豐富的擴(kuò)展接口，ai套件模擬工業(yè)場景，可以進(jìn)行機(jī)器視覺的學(xué)習(xí)。t 套裝適配的三款機(jī)械臂

mechArm 270

mechArm 270 是一款小六軸機(jī)械臂，結(jié)構(gòu)是中心對稱結(jié)構(gòu)（仿工業(yè)結(jié)構(gòu)）。mechArm 270本體重量1kg， 負(fù)載250g，工作半徑270mm，設(shè)計緊湊便攜，小巧但功能強(qiáng)大，操作簡單，能與人協(xié)同、安全工作。

myCobot 280

myCobot 280 是世界上最小最輕的六軸協(xié)作機(jī)械臂（UR結(jié)構(gòu)），可以根據(jù)用戶需求進(jìn)行二次開發(fā)，實(shí)現(xiàn)用戶個性化定制。myCobot 本體自重850g，有效負(fù)載250g，有效工作半徑280mm，體積小巧但功能強(qiáng)大，既可搭配多種末端執(zhí)行器適配多種應(yīng)用場景，也可支持多平臺軟件的二次開發(fā)，滿足科研教育、智能家居，商業(yè)探索等各種場景需求。

我們先來看個視頻aikit 是如何跟這三款機(jī)械臂運(yùn)行的。

內(nèi)容

視頻地址：https://youtu.be/9J2reiPYNxg

視頻內(nèi)容展現(xiàn)了，顏色識別和智能分揀功能，還有圖像識別和智能分揀功能。

我們簡單介紹一下 aikit 是如何實(shí)現(xiàn)的。（以顏色識別和智能分揀功能為例）

該人工智能項目主要運(yùn)用到了兩個模塊

●視覺處理模塊

●計算模塊（處理eye to hand的之間的換算）

視覺處理模塊：

OpenCV (Open Source Computer Vision) 是一個開源的計算機(jī)視覺庫，用于開發(fā)計算機(jī)視覺應(yīng)用程序。OpenCV 包含了大量用于圖像處理、視頻分析、基于深度學(xué)習(xí)的目標(biāo)檢測和識別等功能的函數(shù)和算法。

我們使用了OpenCV來對圖像進(jìn)行處理。從攝像頭得到的視頻進(jìn)行處理，從而獲取視頻中的信息例如顏色，圖像，視頻中的平面坐標(biāo)（x,y）等。將獲取到的信息傳遞給處理器進(jìn)行下一步的處理。

下面是處理圖像的部分代碼（顏色識別）

# detect cube color
def color_detect(self, img):
	# set the arrangement of color'HSV
	x = y = 0
	gs_img = cv2.GaussianBlur(img, (3, 3), 0) # Gaussian blur
	# transfrom the img to model of gray
	hsv = cv2.cvtColor(gs_img, cv2.COLOR_BGR2HSV)

	for mycolor, item in self.HSV.items():
		redLower = np.array(item[0])
		redUpper = np.array(item[1])
		# wipe off all color expect color in range
		mask = cv2.inRange(hsv, item[0], item[1])
		# a etching operation on a picture to remove edge roughness
		erosion = cv2.erode(mask, np.ones((1, 1), np.uint8), iterations=2)
		# the image for expansion operation, its role is to deepen the color depth in the picture
		dilation = cv2.dilate(erosion, np.ones(
			(1, 1), np.uint8), iterations=2)


		# adds pixels to the image
		target = cv2.bitwise_and(img, img, mask=dilation)
		# the filtered image is transformed into a binary image and placed in binary
		ret, binary = cv2.threshold(dilation, 127, 255, cv2.THRESH_BINARY)
		# get the contour coordinates of the image, where contours is the coordinate value, here only the contour is detected
		contours, hierarchy = cv2.findContours(
			dilation, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

		if len(contours) > 0:
			# do something about misidentification
			boxes = [
				box
			for box in [cv2.boundingRect(c) for c in contours]
			if min(img.shape[0], img.shape[1]) / 10
			< min(box[2], box[3])
			< min(img.shape[0], img.shape[1]) / 1
			]
			if boxes:
				for box in boxes:
					x, y, w, h = box
				# find the largest object that fits the requirements
				c = max(contours, key=cv2.contourArea)
				# get the lower left and upper right points of the positioning object
				x, y, w, h = cv2.boundingRect(c)
				# locate the target by drawing rectangle
				cv2.rectangle(img, (x, y), (x+w, y+h), (153, 153, 0), 2)
				# calculate the rectangle center
				x, y = (x*2+w)/2, (y*2+h)/2
				# calculate the real coordinates of mycobot relative to the target
				if mycolor == "red":
					self.color = 0

				elif mycolor == "green":
					self.color = 1

				elif mycolor == "cyan" or mycolor == "blue":
					self.color = 2

				else:
					self.color = 3


		if abs(x) + abs(y) > 0:
			return x, y
		else:
			return None

只是獲取我們的圖像信息還不夠，得處理得到的信息，傳遞給機(jī)械臂去執(zhí)行命令。這里就運(yùn)用到了計算模塊。

計算模塊

NumPy (Numerical Python) 是一個開源的 Python 庫，主要用于數(shù)學(xué)計算。NumPy 提供了大量用于科學(xué)計算的函數(shù)和算法，包括矩陣運(yùn)算、線性代數(shù)、隨機(jī)數(shù)生成、傅里葉變換等。

我們要處理圖像上的坐標(biāo)，換算成真實(shí)的坐標(biāo)，這有一個專業(yè)名詞就是eye to hand。我們用python通過numpy計算庫來計算我們的坐標(biāo)，最后發(fā)送給機(jī)械臂去執(zhí)行分揀。

下面是計算的部分代碼

    while cv2.waitKey(1) < 0:
       # read camera
        _, frame = cap.read()
        # deal img
        frame = detect.transform_frame(frame)
        if _init_ > 0:
            _init_ -= 1
            continue
        # calculate the parameters of camera clipping
        if init_num < 20:
            if detect.get_calculate_params(frame) is None:
                cv2.imshow("figure", frame)
                continue
            else:
                x1, x2, y1, y2 = detect.get_calculate_params(frame)
                detect.draw_marker(frame, x1, y1)
                detect.draw_marker(frame, x2, y2)
                detect.sum_x1 += x1
                detect.sum_x2 += x2
                detect.sum_y1 += y1
                detect.sum_y2 += y2
                init_num += 1
                continue
        elif init_num == 20:
            detect.set_cut_params(
                (detect.sum_x1)/20.0,
                (detect.sum_y1)/20.0,
                (detect.sum_x2)/20.0,
                (detect.sum_y2)/20.0,
            )
            detect.sum_x1 = detect.sum_x2 = detect.sum_y1 = detect.sum_y2 = 0
            init_num += 1
            continue

        # calculate params of the coords between cube and mycobot
        if nparams < 10:
            if detect.get_calculate_params(frame) is None:
                cv2.imshow("figure", frame)
                continue
            else:
                x1, x2, y1, y2 = detect.get_calculate_params(frame)
                detect.draw_marker(frame, x1, y1)
                detect.draw_marker(frame, x2, y2)
                detect.sum_x1 += x1
                detect.sum_x2 += x2
                detect.sum_y1 += y1
                detect.sum_y2 += y2
                nparams += 1
                continue
        elif nparams == 10:
            nparams += 1
            # calculate and set params of calculating real coord between cube and mycobot
            detect.set_params(
                (detect.sum_x1+detect.sum_x2)/20.0,
                (detect.sum_y1+detect.sum_y2)/20.0,
                abs(detect.sum_x1-detect.sum_x2)/10.0 +
                abs(detect.sum_y1-detect.sum_y2)/10.0
            )
            print ("ok")
            continue

        # get detect result
        detect_result = detect.color_detect(frame)
        if detect_result is None:
            cv2.imshow("figure", frame)
            continue
        else:
            x, y = detect_result
            # calculate real coord between cube and mycobot
            real_x, real_y = detect.get_position(x, y)
            if num == 20:
                detect.pub_marker(real_sx/20.0/1000.0, real_sy/20.0/1000.0)
                detect.decide_move(real_sx/20.0, real_sy/20.0, detect.color)
                num = real_sx = real_sy = 0

            else:
                num += 1
                real_sy += real_y
                real_sx += real_x

我們的項目是開源的可以在GitHub上找到

https://github.com/elephantrobotics/mycobot_ros/blob/noetic/mycobot_ai/ai_mycobot_280/scripts/advance_detect_obj_color.py

區(qū)別

在比較了視頻和內(nèi)容還有程序的代碼，這三款機(jī)械臂的框架是一樣的，只需要在數(shù)據(jù)上稍微作以修改就能夠運(yùn)行成功。

比較這三款機(jī)械臂有什么不同，大致有兩點(diǎn)。

其一本質(zhì)上就是來比較四軸和六軸的機(jī)械臂在實(shí)際的運(yùn)用中有什么不同點(diǎn)。（myPalletizer 和mechArm/myCobot之間的對比）

我們來看一下四軸機(jī)械臂和六軸機(jī)械臂之間粗略的對比

從視頻中可以看出，不論是四軸機(jī)械臂還是六軸機(jī)械臂在AI Kit 所工作的范圍都是足夠的，它們兩者最大的區(qū)別就是在程序啟動的過程中，myPalletizer的動作簡單快捷，只有四個關(guān)節(jié)在運(yùn)動，能夠高效且穩(wěn)定的執(zhí)行任務(wù)；myCobot需要調(diào)動六個關(guān)節(jié)，比myPalletizer多兩個關(guān)節(jié)，在程序中的計算量是比myPalletizer的計算量要大，所花費(fèi)的時間要長一些（小型場景）。

我們簡單總結(jié)一下，在場景固定的情況下，我們在考慮如何選擇機(jī)械臂的時候可以優(yōu)先考慮機(jī)械臂的工作范圍。在符合工作范圍的機(jī)械臂的情況下，高效和穩(wěn)定將是必要的條件。假如說現(xiàn)在有一個工業(yè)場景類似于我們的AI kit的話，四軸機(jī)械臂將會是優(yōu)先選擇。當(dāng)然六軸機(jī)械臂可以在更大的空間范圍內(nèi)操作，并且可以實(shí)現(xiàn)更復(fù)雜的運(yùn)動。它們可以在空間內(nèi)進(jìn)行回轉(zhuǎn)運(yùn)動，而四軸機(jī)械臂則無法做到這一點(diǎn)。因此，六軸機(jī)械臂通常更適合用于需要精確操作、復(fù)雜運(yùn)動的工業(yè)應(yīng)用。

其二兩款都是六軸機(jī)械臂，他們最主要的不同是結(jié)構(gòu)的不同。mechArm是中心對稱結(jié)構(gòu)的機(jī)械臂，myCobot是UR結(jié)構(gòu)的協(xié)作型機(jī)械臂。我們可以比較這兩種結(jié)構(gòu)在實(shí)際運(yùn)用場景中有何不同。

這里是這兩款機(jī)械臂的參數(shù)規(guī)格

這兩者的結(jié)構(gòu)不同導(dǎo)致了它們運(yùn)動的范圍不一樣。以mechArm為例，中心對稱結(jié)構(gòu)的機(jī)械臂是由三對相對的關(guān)節(jié)組成的，每對關(guān)節(jié)的運(yùn)動方向相反。這種結(jié)構(gòu)的機(jī)械臂具有較好的平衡性，能夠抵消關(guān)節(jié)間的力矩，使機(jī)械臂保持穩(wěn)定。

在視頻中展示，mechArm在運(yùn)行中也是比較穩(wěn)定的。

看到這你可能就會產(chǎn)生疑問，那myCobot不就一無是處了嘛？當(dāng)然不是，UR結(jié)構(gòu)的機(jī)械臂更加靈活，能夠?qū)崿F(xiàn)更大范圍的運(yùn)動，適用于較大的應(yīng)用場合。myCobot更重要的一點(diǎn)它是協(xié)作型機(jī)械臂，它具有較好的人機(jī)交互能力，能夠與人類協(xié)作進(jìn)行工作。六軸協(xié)作型機(jī)械臂通常用于生產(chǎn)線上的物流和裝配工作，以及醫(yī)療、研究和教育等領(lǐng)域。

總結(jié)

就如開頭所說，AI kit套裝搭載三款機(jī)械臂的不同本質(zhì)上是如何選擇一款合適的機(jī)械臂來使用。如果你是出于某個特定的場景去選擇機(jī)械臂的話，就需要根據(jù)場景的需求，例如確定機(jī)械臂的工作半徑，使用的環(huán)境，機(jī)械臂的負(fù)載等方面。

如果你是想要學(xué)習(xí)機(jī)械臂相關(guān)知識的話，就可以選擇一款目前市面上主流的機(jī)械臂從而開展學(xué)習(xí)。myPalletizer是以碼垛機(jī)械臂為原型設(shè)計的，主要用于實(shí)現(xiàn)貨物的碼垛和托盤裝卸工作；mechArm 是以主流的工業(yè)型機(jī)械臂為原型設(shè)計的，因為它的結(jié)構(gòu)特殊在運(yùn)行的時候可以保持機(jī)械臂的穩(wěn)定；myCobot是以協(xié)作型機(jī)械臂為原型設(shè)計的，該結(jié)構(gòu)是近年來熱門的機(jī)械臂，能夠與人類協(xié)同工作，可以提供人類的力量和精度。

以上就是本篇文章的全部內(nèi)容了，未來，機(jī)械臂技術(shù)將繼續(xù)發(fā)展，為人類生產(chǎn)、工作、生活帶來更多的便利。如果你喜歡這篇文章請給我們留言點(diǎn)贊！

審核編輯黃宇