本案例展示了如何利用视觉系统提升 机械 臂的抓取精度，成功实现了人形 机器人 的双臂抓取不在局限于单臂抓取。
引言 如今市面上已经有了许多不同类型的人形机器人，涵盖了服务行业和医疗行业等各个领域。这些机器人以其 智能 化和自动化的特性逐渐融入我们的日常生活和工作中。然而，尽管现有的人形机器人在特定应用场景中展现出了巨大的潜力，如何进一步提升其操作精度、适应性和多功能性，仍然是机器人技术发展的关键挑战。针对这一需求，本案例探讨了通过整合视觉系统与机械臂技术，来提升人形机器人在复杂环境中的自主操作能力，特别是在精确抓取和操作任务中的应用。
目标：
通过结合openc 算法 ＆STag标记码视觉系统和Mercury X1轮式人形机器人，实现对各种形状和大小的物品进行精准抓取，提高分拣效率和准确度，实现双手合作充分发挥人形机器人的作用。
产品 Mercury X1是由Elephant Robocs开发的一款先进的人形机器人，特别设计用于应对各种自动化任务。它拥有19个自由度，（单臂7个自由度）使其在执行任务时具有极高的灵活性和适应性。Mercury X1配备了轮式移动底座，由高性能直驱 电机 驱动，能够在复杂环境中稳定移动，并具备高达8小时的电池续航能力，适合个人和商业应用。
这款机器人采用高性能主控制器系统，配置了NVIDIA Jetson Xavier提供强大的计算支持，以处理视觉测距、 传感器 融合、定位与地图构建、障碍 检测 和路径规划等复杂算法。此外，Mercury X1的移动基座装备了LiDAR、超声波传感器和2D视觉系统，能够实现高感知的环境交互。
myCobot Proaptive Gripper自适应夹爪，它可以拾起任何形状的任何物体并且不会松开。使用它来完成一系列完整的应用，并快速投入生产 - 无需机器人专业知识。它是高度灵活和可靠的机器人单元的关键。
myCobot Pro Camera Flange 使用-B数据线能够获取到图像的相机模组。
接下来，我们将探讨这些技术在实际应用中是如何被集成到机器人中，并展示其在具体任务中的表现。
技术概览 OpenCV是用于实现图像处理和 计算机视觉 的开源库，它在本次的案例中扮演了至关重要的角色，没有它就不能完成这个项目。机器人的摄像头通过OpenCV分析收集到的视觉数据，识别和定位物体。OpenCV的算法使机器人能够识别物体形状、大小和精确坐标，这些 信息 对于精确抓取和操作至关重要。
提供了物体的坐标给机器人，就可以实现精准的抓取。
S-Tag标记码技术 S-Tag标记码是一种高度可靠的标识系统，设计用于在视觉上挑战的环境中提供准确的标记识别。这些标记被用于标识Mercury X1机器人操作环境中的物体和位置。即使在光线不足或视线受阻的情况下，S-Tag也能确保机器人通过其摄像头系统准确识别目标物体。
通过这些技术的应用，Mercury X1大象人形机器人能够执行复杂的任务，如自主导航、物体识别和精确操控，这些都是现代自动化和智能系统不可或缺的能力。
pymycobot是用于控制Mercury X1机器人机械臂和末端执行器（如夹爪）的库。它允许 开发者 精确控制机械臂的角度、坐标以及运动模式，包括差补模式和刷新模式。此库为机器人提供了高度的灵活性和可定制性，使得机器人能够执行复杂的抓取和操控任务，并适应各种操作需求。
项目实现 使用前准备 首先的确保机械臂的零位正确，可以通过下述方法校准零位：
1）使用放松指令释放关节电机（注意！放松后需要扶住关节防止机械臂下坠损坏！）
ml.release_all_servos()mr.release_all_servos()
2）拖动机械臂回到零位
可以通过以下细节确定零点的位置
3) 发送指令锁闭电机
ml.focus_all_servos()mr.focus_all_servos()
4）检查零点是否正确
ml.get_angles()mr.get_angles()
如果返回的关节角度逼近[0, 0, 0, 0, 90, 0]，则视为零点正确
5）零点校准
如果在零位读取到的关节角度与[0, 0, 0, 0, 90, 0]相差很大，则需要校准关节零位
f i in range(1,7): ml.set_servo_calibration(i) mr.set_servo_calibration(i)
校准完毕后读取关节信息，返回为[0, 0, 0, 0, 90, 0]则表示校准成功
ml.get_angles()mr.get_angles()
这样就准备ok了，接下来可以继续我们的功能部分的实现了。
相机和夹爪的安装 相机和夹爪的安装方式与视觉识别的手眼矩阵相对应，已经提前做好了一个关于Mercury X1 相机夹爪的手眼标定的数值，如果更改的话需要重新进行手眼标定。
首先将机械臂移动回零点：
ml.over_limit_return_zero()mr.over_limit_return_zero()
安装先装摄像头（注意方向）然后再安装夹爪，也需要注意方向。
视觉算法模块 然后我们会使用到camera_detect 这个功能包，封装了一些关于相机使用的方法，接下来我会介绍一些 接口 ,针对对STag码的识别，使用起来非常的方便，不需要自己再次进行手眼标定的计算了。
obj = camera_detect(Camera_ID, mark_size, mtx, dist, direction)参数：camera_ID: 相机IDmark_size: stag码边长mmdirection: 0：左臂 1：右臂功能： 相机和机械臂初始化obj.camera_open_loop()功能： 显示相机画面obj.stag_identify_loop()功能： 显示相机画面,识别并打印stag码的相机坐标coords = obj.stag_robot_identify(direction)参数：direction: 0：左臂 1：右臂return: stag码的机械臂坐标功能： 计算stag码的机械臂坐标obj.vision_tre(catch_mode, direction)参数：catch_mode: 0:水平抓取，1:竖直抓取direction: 0：左臂 1：右臂功能： 显示相机画面,识别并打印stag码的相机坐标
以下是调用camera_detect包的使用代码,非常的干净简洁。
import numpy as npfrom pymycobot import Mercury# 导入视觉识别stag包from camera_detect import camera_detectif __name__ == "__main__":camera_pas = np.load("camera_params.npz")# 相机配置文件mtx, dist = camera_params["mtx"], camera_params["dist"]ml = Mercury("/dev/left_")# 设置左臂端口mr = Mercury("/dev/right_arm")# 设置右臂端口arm = 0# 0左臂，1右臂catch_mode = 0# 0水平抓取，1竖直抓取# 摄像头id需要根据实际更改left_camera_id = 3right_camera_id = 6stag_size = 32# 新建左右臂视觉识别对象ml_obj = camera_detect(left_camera_id, stag_size, mtx, dist, arm)mr_obj = camera_detect(right_camera_id, stag_size, mtx, dist, arm)# 左右臂移动至水平观察位，进行抓取mr_obj.vision_trace(catch_mode, mr)ml_obj.vision_trace(catch_mode, ml)
正常的手眼标定的步骤如下：
1数据采集：采集若干组手眼数据，包括机器人末端执行器在不同位置的姿态（即位置和方向）和相机看到的特征点的位姿。
2 建立运动方程：为了确定相机坐标系与机器人末端执行器坐标系之间的变换关系
3 求解变换矩阵 ：得到的是描述相机坐标系和机器人末端执行器（手）坐标系之间的空间变换关系的值。
下面的代码是解变换矩阵的例子。
# 将旋转矩阵转为欧拉角def CvtRotationMatrixToEulerAngle(pdtRotationMatrix):pdulerAngle = np.ze(3)pdtEulerAngle[2] = np.arctan2(pdtRotationMatrix[1, 0], pdtRotationMatrix[0, 0])fCosRoll = np.cos(pdtEulerAngle[2])fSinRoll = np.sin(pdtEulerAngle[2])pdtEulerAngle[1] = np.arctan2(-pdtRotationMatrix[2, 0],(fCosRoll * pdtRotationMatrix[0, 0]) + (fSinRoll * pdtRotationMatrix[1, 0]))pdtEulerAngle[0] = np.arctan2((fSinRoll * pdtRotationMatrix[0, 2]) - (fCosRoll * pdtRotationMatrix[1, 2]),(-fSinRoll * pdtRotationMatrix[0, 1]) + (fCosRoll * pdtRotationMatrix[1, 1]))return pdtEulerAngle# 将欧拉角转为旋转矩阵def CvtEulerAngleToRotationMatrix(ptrEulerAngle):ptinAngle = np.sin(ptrEulerAngle)ptrCosAngle = np.cos(ptrEulerAngle)ptrRotationMatrix = np.zeros((3, 3))ptrRotationMatrix[0, 0] = ptrCosAngle[2] * ptrCosAngle[1]ptrRotationMatrix[0, 1] = ptrCosAngle[2] * ptrSinAngle[1] * ptrSinAngle[0] - ptrSinAngle[2] * ptrCosAngle[0]ptrRotationMatrix[0, 2] = ptrCosAngle[2] * ptrSinAngle[1] * ptrCosAngle[0] + ptrSinAngle[2] * ptrSinAngle[0]ptrRotationMatrix[1, 0] = ptrSinAngle[2] * ptrCosAngle[1]ptrRotationMatrix[1, 1] = ptrSinAngle[2] * ptrSinAngle[1] * ptrSinAngle[0] + ptrCosAngle[2] * ptrCosAngle[0]ptrRotationMatrix[1, 2] = ptrSinAngle[2] * ptrSinAngle[1] * ptrCosAngle[0] - ptrCosAngle[2] * ptrSinAngle[0]ptrRotationMatrix[2, 0] = -ptrSinAngle[1]ptrRotationMatrix[2, 1] = ptrCosAngle[1] * ptrSinAngle[0]ptrRotationMatrix[2, 2] = ptrCosAngle[1] * ptrCosAngle[0]return ptrRotationMatrix# 坐标转换为齐次变换矩阵，（x,y,z,rx,ry,rz）单位raddef Transformation_matrix(coord):position_robot = coord[:3]pose_robot = coord[3:]# 将欧拉角转为旋转矩阵RBT = CvtEulerAngleToRotationMatrix(pose_robot)PBT = np.array([[position_robot[0]],[position_robot[1]],[position_robot[2]]])temp = np.concatenate((RBT, PBT), axis=1)array_1x4 = np.array([[0, 0, 0, 1]])# 将两个数组按行拼接起来matrix = np.concatenate((temp, array_1x4), axis=0)return matrix
机械臂抓取 我们来控制机械臂的双臂，会使用到pymycobot库当中的Mercury,我们为了能够直观明了，每一条手臂控制的时候都需要创建一个对象。
from pymycobot import Mercuryml = Mercury('/dev/left_arm')mr = Mercury('/dev/right_arm')控制机械臂末端运动到coords的坐标。send_base_coords(coords, speed)功能：：控制机械臂末端运动到指定坐标参数：coords: ： 坐标值列表 [x,y,z,rx,ry,rz],length6速度(int): 1 ~ 100
下面是识别目标物体进行抓取的代码。
if __name__ == "__mn__":# 设置摄像头idcamera = UVCCamera(5, mtx, dist)# 打开摄像头camera.capture()# 设置左臂观察点origin_anglesL = [-44.24, 15.56, 0.0, -102.59, 65.28, 52.06, 23.49]# 设置夹爪运动模式ml.set_gripper_mode(0)# 设置工具坐标系ml.set_tool_reference([0, 0, Tool_LEN, 0, 0, 0])# 将末端坐标系设置为工具ml.set_end_type(1)# 设置移动速度sp = 40# 移动到观测点ml.send_angles(origin_anglesL, sp)# 等待机械臂运动结束waitl()# 刷新相机界面camera.update_frame()# 获取当前帧frame = camera.color_frame()# 获取画面中二维码的角度和id(corners, ids, rejected_corners) = stag.detectMarkers(frame, 11)# 获取物的坐标(相机系)marker_pos_pack = calc_markers_base_position(corners, ids, MARKER_SIZE, mtx, dist)# 获取机械臂当前坐标cur_coords = np.array(ml.get_base_coords())# 将角度值转为弧度值cur_bcl = cur_coords.copy()cur_bcl[-3:] *= (np. / 180)# 通过矩阵变化将物体坐标(相机系)转成(基坐标系)fact_bcl = Eyes_in_hand_left(cur_bcl, marker_pos_pack)target_coords = cur_coords.copy()target_coords[0] = fact_bcl[0]target_coords[1] = fact_bcl[1]target_coords[2] = fact_bcl[2] + 50# 机械臂移动到二维码上方ml.send_base_coords(target_coords, 30)# 等待机械臂运动结束waitl()# 打开夹爪ml.set_gripper_value(100, 100)# 机械臂沿z轴向下移动ml.send_base_coord(3, fact_bcl[2], 10)# 等待机械臂运动结束waitl()# 闭合夹爪ml.set_gripper_value(20, 100)# 等待夹爪闭合time.sleep(2)# 抬起夹爪ml.send_base_coord(3, fact_bcl[2] + 50, 10)
单独启动左手的demo
下面是单独启动右手的demo。
总结 如果拥有一台Mercury X1你会用他来做些什么呢？发挥他人形机器人最关键的特性，如果你有什么好的想法，想要实现的欢迎在下方留言和我们沟通，你的点赞和留言是对我们最大的支持！审核编辑 黄宇