高國琴 韓 瀅

(江蘇大學(xué)電氣信息工程學(xué)院 江蘇 鎮(zhèn)江 212013)

0 引 言

隨著現(xiàn)代農(nóng)業(yè)的發(fā)展，機(jī)器人自動(dòng)分揀水果成為發(fā)展趨勢。并聯(lián)機(jī)構(gòu)具有結(jié)構(gòu)穩(wěn)定、精度高、動(dòng)態(tài)性能好等優(yōu)點(diǎn)，滿足機(jī)器人自動(dòng)分揀水果對(duì)穩(wěn)定性的要求?；诖耍兄埔环N水果分揀并聯(lián)機(jī)器人。當(dāng)并聯(lián)機(jī)器人自動(dòng)分揀水果時(shí)，實(shí)現(xiàn)對(duì)末端執(zhí)行器位置和姿態(tài)的實(shí)時(shí)檢測是成功抓取并分揀水果的前提。同時(shí)，水果分揀并聯(lián)機(jī)器人末端執(zhí)行器的位姿反映了機(jī)器人的運(yùn)動(dòng)狀態(tài)，是分析機(jī)器人末端執(zhí)行器動(dòng)態(tài)特性以及進(jìn)一步實(shí)現(xiàn)并聯(lián)機(jī)器人實(shí)時(shí)閉環(huán)控制的重要參數(shù)[1]。

目前，并聯(lián)機(jī)器人末端位姿檢測方法可分為接觸式檢測和非接觸式檢測。非接觸式檢測方法可避免測量力對(duì)機(jī)器人的受力干擾，適用于末端位姿靜態(tài)和動(dòng)態(tài)檢測。非接觸式檢測包括超聲檢測、激光檢測、機(jī)器視覺檢測等。基于機(jī)器視覺的末端位姿檢測方法相對(duì)于其他方法具有非接觸、適用性強(qiáng)、高性價(jià)比等優(yōu)點(diǎn)，尤其適用于具有多運(yùn)動(dòng)自由度、運(yùn)動(dòng)軌跡復(fù)雜和難以直接檢測的并聯(lián)機(jī)器人末端位姿檢測[2]。機(jī)器視覺檢測方法可分為單目、雙目和多目。與單目相比，雙目視覺無須添加幾何約束，可獲取視野范圍內(nèi)任意一點(diǎn)的三維信息，為機(jī)器人的運(yùn)動(dòng)控制提供更準(zhǔn)確的末端位姿參數(shù)[3]；與多目相比，雙目視覺所要求匹配的圖像信息少，減小了立體匹配難度，在保證一定檢測準(zhǔn)確率的條件下具有更快的檢測速度[4-5]。因此，本文研究水果分揀并聯(lián)機(jī)器人的雙目視覺末端位姿檢測方法。

在雙目視覺末端位姿檢測過程中，需要對(duì)相機(jī)采集到的一對(duì)圖像進(jìn)行立體匹配，并將立體匹配結(jié)果代入雙目視覺模型求出末端位姿，故而立體匹配的準(zhǔn)確率和實(shí)時(shí)性是直接影響雙目視覺末端位姿檢測精度和實(shí)時(shí)性的主要因素[6]。采用雙目視覺對(duì)水果分揀并聯(lián)機(jī)器人進(jìn)行末端位姿檢測時(shí)，光照、噪聲干擾等不確定因素造成立體匹配中包含較多的錯(cuò)誤匹配，因此，為提高末端位姿檢測的精度，需要對(duì)立體匹配結(jié)果進(jìn)行提純。

現(xiàn)有提純算法包括RANSAC算法和PROSAC算法[7-8]。PROSAC算法的魯棒性優(yōu)于RANSAC算法，主要原因是RANSAC算法將所有采樣點(diǎn)列為相同等級(jí)，而PROSAC算法首先對(duì)采樣點(diǎn)進(jìn)行排序，然后從較高等級(jí)的采樣點(diǎn)進(jìn)行迭代，再通過假設(shè)和驗(yàn)證獲得最優(yōu)解[9]。該算法提出后得到了廣泛應(yīng)用，有研究結(jié)合ORB和PROSAC算法進(jìn)行實(shí)時(shí)全景圖像拼接[10]；還有研究提出一種結(jié)合極線幾何約束的PROSAC算法以提高立體匹配的準(zhǔn)確率[11]。但上述方法應(yīng)用于水果分揀并聯(lián)機(jī)器人雙目視覺末端位姿檢測時(shí)，不能保證選取采樣點(diǎn)的分散性導(dǎo)致模型參數(shù)估計(jì)易陷入局部極值，從而模型參數(shù)估計(jì)精度不高；同時(shí)該方法在得到候選模型后將其余所有采樣點(diǎn)檢驗(yàn)一遍，會(huì)耗費(fèi)時(shí)間驗(yàn)證錯(cuò)誤候選模型，從而末端位姿檢測的實(shí)時(shí)性降低。考慮到水果分揀并聯(lián)機(jī)器人末端位姿檢測對(duì)精度和實(shí)時(shí)性要求較高，本文通過穿插取點(diǎn)和預(yù)檢驗(yàn)候選模型的方法對(duì)PROSAC算法進(jìn)行改進(jìn)，以提高模型參數(shù)估計(jì)的精度和速度，并進(jìn)一步將改進(jìn)的PROSAC算法應(yīng)用于末端位姿檢測中的立體匹配提純，兼顧立體匹配的實(shí)時(shí)性和準(zhǔn)確率，進(jìn)而提高水果分揀并聯(lián)機(jī)器人雙目視覺末端位姿的檢測精度。

1 改進(jìn)的PROSAC算法設(shè)計(jì)

根據(jù)PROSAC基本思想，首先按Hamming距離相似度對(duì)匹配點(diǎn)對(duì)進(jìn)行排序，然后抽樣計(jì)算兩幅圖像中匹配點(diǎn)對(duì)的目標(biāo)模型H，最后利用目標(biāo)模型驗(yàn)證剩余匹配點(diǎn)對(duì)并去除誤匹配點(diǎn)對(duì)。

假設(shè)匹配點(diǎn)對(duì)的數(shù)量為N，由于Hamming距離相似度越高則匹配點(diǎn)對(duì)的質(zhì)量越高，故而將Hamming距離相似度作為匹配質(zhì)量的定量表示[12]。將匹配點(diǎn)對(duì)按Hamming距離相似度降序排列后的集合定義為UN，從UN中抽取n組較高質(zhì)量的匹配點(diǎn)對(duì)組成集合序列M，通過采樣計(jì)算得到的候選模型為F，設(shè)置內(nèi)點(diǎn)誤差閾值W、最大內(nèi)點(diǎn)數(shù)N和最大迭代次數(shù)K。算法具體步驟如下[13]：

(1) 按照Hamming距離相似度對(duì)匹配點(diǎn)對(duì)做降序排列，得到匹配對(duì)集UN。

(2) 從UN中選取前n組較高質(zhì)量的匹配點(diǎn)對(duì)，組成匹配對(duì)子集M。

(3) 從M中隨機(jī)選取m組匹配點(diǎn)對(duì)組成樣本集，求解候選模型F：設(shè)(x,y,1)和(x′,y′,1)分別為立體圖像對(duì)中一對(duì)正確匹配點(diǎn)對(duì)a(x,y)和a′(x′,y′)的齊次坐標(biāo)，將m組匹配點(diǎn)對(duì)代入式(1)求解F矩陣參數(shù)[14]。

(1) (4) 通過候選模型F和誤差閾值W檢測剩余匹配點(diǎn)對(duì)，得到滿足候選模型F的匹配點(diǎn)對(duì)和滿足候選模型F的匹配點(diǎn)對(duì)數(shù)(內(nèi)點(diǎn)數(shù)d)。

(5) 根據(jù)終止條件判斷是否結(jié)束迭代過程，否則重復(fù)步驟(2)-步驟(5)。終止條件：當(dāng)內(nèi)點(diǎn)數(shù)超過所設(shè)定的最大內(nèi)點(diǎn)數(shù)或者k次采樣后的內(nèi)點(diǎn)數(shù)與k-1次采樣后的內(nèi)點(diǎn)數(shù)相比沒有增加。

針對(duì)未改進(jìn)的PROSAC算法應(yīng)用于水果分揀并聯(lián)機(jī)器人雙目視覺末端位姿檢測時(shí)存在的模型參數(shù)估計(jì)精度不高以及驗(yàn)證錯(cuò)誤候選模型耗時(shí)問題，通過穿插取點(diǎn)和預(yù)檢驗(yàn)候選模型的方法對(duì)PROSAC算法進(jìn)行改進(jìn)，以提高模型參數(shù)估計(jì)的精度和速度。首先為解決隨機(jī)采樣生成的樣本集點(diǎn)間距很近導(dǎo)致模型參數(shù)估計(jì)精度不高的問題，將排序后得到的高質(zhì)量匹配對(duì)集M等分成t(t>m)份，從中抽取m+1份并從每份中抽取一組匹配點(diǎn)對(duì)構(gòu)成樣本集S，然后從樣本集S中抽取m組匹配點(diǎn)對(duì)求出候選模型F。為解決驗(yàn)證錯(cuò)誤候選模型耗時(shí)的問題，在得到候選模型F后驗(yàn)證第m+1組匹配點(diǎn)對(duì)是否滿足該模型，若是，則繼續(xù)尋找滿足候選模型F的匹配點(diǎn)對(duì)，否則重新選取樣本集M并抽樣計(jì)算候選模型F。

改進(jìn)PROSAC算法的流程如圖1所示，其中：最大迭代次數(shù)K=lg(1-Pc)/lg(1-em)；Pc為置信率，一般取值為0.95；e為抽樣后計(jì)算得到的內(nèi)點(diǎn)概率且每次迭代后進(jìn)行更新，設(shè)置初始值為0.5，即假設(shè)所有匹配點(diǎn)對(duì)中約有一半為正確匹配點(diǎn)對(duì)；m為抽樣個(gè)數(shù)，取值為8；內(nèi)點(diǎn)誤差閾值取值為5。

圖1 改進(jìn)的PROSAC算法流程

當(dāng)內(nèi)點(diǎn)數(shù)超過所設(shè)定的最大內(nèi)點(diǎn)數(shù)或者k次采樣后的內(nèi)點(diǎn)數(shù)與k-1次采樣后的內(nèi)點(diǎn)數(shù)相比沒有增加時(shí)，返回包含內(nèi)點(diǎn)數(shù)最多的候選模型參數(shù)矩陣F以及滿足該模型的匹配對(duì)集。最后利用匹配對(duì)集內(nèi)所有匹配點(diǎn)對(duì)通過最小二乘法進(jìn)一步優(yōu)化候選模型參數(shù)矩陣F得到目標(biāo)模型參數(shù)矩陣H。

2 水果分揀并聯(lián)機(jī)器人末端位姿檢測

將所提出的改進(jìn)PROSAC算法應(yīng)用于本課題組研制的新型4-DOF水果分揀并聯(lián)機(jī)器人末端位姿檢測，以驗(yàn)證其正確性和有效性。

圖2 水果分揀并聯(lián)機(jī)器人

水果分揀并聯(lián)機(jī)器人機(jī)構(gòu)原型如圖2所示，該機(jī)構(gòu)通過四組支鏈連接動(dòng)、靜平臺(tái)，支鏈的主動(dòng)臂和靜平臺(tái)上的減速器由漲緊套固定連接，通過伺服電機(jī)實(shí)現(xiàn)主動(dòng)臂的轉(zhuǎn)動(dòng)，進(jìn)而實(shí)現(xiàn)末端執(zhí)行器的三維空間平動(dòng)和繞豎直軸的轉(zhuǎn)動(dòng)[15]。

本文的研究對(duì)象是水果分揀并聯(lián)機(jī)器人末端執(zhí)行器，在實(shí)際工業(yè)測量中，復(fù)雜的圖像背景不利于直接定位末端執(zhí)行器的中心點(diǎn)。為減少工業(yè)環(huán)境對(duì)末端位姿檢測的影響，在該機(jī)構(gòu)末端執(zhí)行器的正上方安裝點(diǎn)陣圓形標(biāo)定板，利用點(diǎn)陣圓形標(biāo)定板的漫反射特性提高雙目視覺成像中特征點(diǎn)與背景圖像的灰度對(duì)比度，從而便于識(shí)別和提取特征點(diǎn)，適用于對(duì)實(shí)時(shí)性要求高的并聯(lián)機(jī)器人末端位姿檢測。因此，本文將并聯(lián)機(jī)器人末端位姿檢測問題轉(zhuǎn)換為點(diǎn)陣圓形標(biāo)定板的中心點(diǎn)位姿檢測問題，在得到點(diǎn)陣圓形標(biāo)定板中心點(diǎn)位姿后經(jīng)過仿射變換求得末端執(zhí)行器位姿。

對(duì)于該水果分揀并聯(lián)機(jī)器人，首先通過雙目相機(jī)采集機(jī)構(gòu)末端圖片，并基于ORB算法進(jìn)行特征點(diǎn)檢測和立體預(yù)匹配。然后采用改進(jìn)的PROSAC算法對(duì)立體預(yù)匹配結(jié)果進(jìn)行提純，以提高立體匹配的準(zhǔn)確率。最后將提純后的匹配點(diǎn)對(duì)代入雙目視覺模型，求出并聯(lián)機(jī)器人末端位姿參數(shù)。

2.1 圖像采集和特征點(diǎn)檢測

2.1.1圖像采集和處理

通過Dalsa CamExpert圖像采集軟件進(jìn)行圖像采集，兩個(gè)G3-M2420工業(yè)相機(jī)固定安裝在末端執(zhí)行器的上方，可實(shí)現(xiàn)直徑D=400 mm、高度H=100 mm的圓柱體空間定位。鏡頭SV-0614H通過C-mount接口安裝到相機(jī)上，相機(jī)通過GigE Vision連接到圖像采集卡，從而連接到計(jì)算機(jī)上。圖3為同一時(shí)刻左右兩個(gè)相機(jī)采集到的點(diǎn)陣圓形標(biāo)定板原始圖像。

圖3 相機(jī)采集的原始圖像

由于所采集立體圖像對(duì)中的特征點(diǎn)對(duì)不在同一掃描線上，因此采用極線校正法[16]對(duì)立體圖像對(duì)進(jìn)行投影變換使其滿足掃描線特性，可大大減少立體匹配的搜索空間，提高立體匹配速度。校正結(jié)果如圖4所示。

圖4 極線校正后的圖像

2.1.2特征點(diǎn)檢測

為保證所研究并聯(lián)機(jī)器人末端位姿檢測的實(shí)時(shí)性，采用簡單快速的ORB算法進(jìn)行特征點(diǎn)提取和描述。ORB算法由O-FAST特征提取算子和rBRIEF特征描述算子組成，實(shí)時(shí)性比傳統(tǒng)的SIFT、SURF算法有數(shù)量級(jí)的提高[17-18]，能夠滿足水果分揀并聯(lián)機(jī)器人雙目視覺末端位姿檢測的實(shí)時(shí)性要求。

2.2 立體匹配及三維坐標(biāo)求解

2.2.1基于ORB算法的立體預(yù)匹配

ORB算法中的rBRIEF特征描述子以二進(jìn)制形式存在，因此采用Hamming距離對(duì)特征點(diǎn)匹配與否進(jìn)行判斷，即通過對(duì)兩個(gè)特征點(diǎn)的二進(jìn)制串進(jìn)行異或處理，篩選出正確的匹配點(diǎn)對(duì)[19]。Hamming距離可表示如下：

(2)

2.2.2基于改進(jìn)PROSAC算法的立體預(yù)匹配結(jié)果提純

本文采用穿插取點(diǎn)和預(yù)檢驗(yàn)候選模型的方法對(duì)PROSAC算法進(jìn)行改進(jìn)，并將改進(jìn)的PROSAC算法應(yīng)用到立體匹配中，通過對(duì)預(yù)匹配結(jié)果進(jìn)行提純以提高立體匹配的準(zhǔn)確率，進(jìn)而末端位姿檢測的精度得以提高。

2.2.3相機(jī)模型參數(shù)求解

采用針孔模型對(duì)相機(jī)成像模型進(jìn)行分析和建立。如圖5所示，定義四個(gè)坐標(biāo)系：(1) 世界坐標(biāo)系{W}={OW-XWYWZW}，描述物體和相機(jī)的空間位置；(2) 相機(jī)坐標(biāo)系{C}={OC-XCYCZC}，原點(diǎn)設(shè)置在相機(jī)光心上，ZC軸與光軸重合并垂直于成像平面；(3)
圖像像素坐標(biāo)系{O}={o-uv}，圖像右上方為原點(diǎn)；(4)
圖像物理坐標(biāo)系{I}={OI-XIYI}，光軸與圖像平面的交點(diǎn)設(shè)為原點(diǎn)[20]。

圖5 針孔成像模型

根據(jù)針孔成像模型，空間中任一點(diǎn)M(XW,YW,ZW)在圖像上的像素投影點(diǎn)為m(u,v)，兩者的關(guān)系為:

(3)

式中：ZC為焦點(diǎn)到像平面的距離；M1、M2為相機(jī)內(nèi)外參數(shù)矩陣。通過將標(biāo)定板中各標(biāo)志點(diǎn)的像素坐標(biāo)和世界坐標(biāo)代入式(3)，求解出相機(jī)的內(nèi)外參數(shù)。

2.2.4特征點(diǎn)三維坐標(biāo)求解

假設(shè)點(diǎn)P的三維空間坐標(biāo)為PW(XW,YW,ZW)，在左相機(jī)拍攝圖像中的像素坐標(biāo)為pl(ul,vl)，在右相機(jī)拍攝圖像中的像素坐標(biāo)為pr(ur,vr)。則根據(jù)投影定理有：

(4)

式中：sl、sr表示比例因子；Ml=Al[RlTl]和Mr=Ar[RrTr]分別為左右投影矩陣，Al、Ar、Rl、Rr、Tl、Tr分別為左右相機(jī)內(nèi)參矩陣、左右相機(jī)坐標(biāo)系相對(duì)于世界坐標(biāo)系的旋轉(zhuǎn)矩陣和平移矩陣。將式(4)展開，則有：

(5)

(6)

聯(lián)立式(5)和式(6)，可得：

A×PW=B

(7)

因此：

PW=(ATA)-1ATB

(8)

將特征點(diǎn)的左右像素坐標(biāo)代入式(8)，即可求得特征點(diǎn)的三維坐標(biāo)。

2.3 水果分揀并聯(lián)機(jī)器人位姿參數(shù)求解

2.3.1并聯(lián)機(jī)器人坐標(biāo)系定義

水果分揀并聯(lián)機(jī)器人坐標(biāo)系如圖6所示，建立世界坐標(biāo)系{W}={OW-XWYWZW}、左相機(jī)坐標(biāo)系{C}={OC-XCYCZC}和目標(biāo)坐標(biāo)系{P}={OP-XPYPZP}，其中：世界坐標(biāo)系原點(diǎn)OW位于并聯(lián)機(jī)器人靜平臺(tái)的中心點(diǎn)，ZW軸垂直于靜平臺(tái)平面；左相機(jī)坐標(biāo)系原點(diǎn)OC為左相機(jī)平面中心點(diǎn)，XC軸和YC軸平行于左相機(jī)平面；目標(biāo)坐標(biāo)系原點(diǎn)OP位于P2點(diǎn)，則OP的位姿可表示并聯(lián)機(jī)器人的末端位姿。因此，水果分揀并聯(lián)機(jī)器人的位姿信息包括點(diǎn)OP在世界坐標(biāo)系下的三維空間坐標(biāo)和并聯(lián)機(jī)器人末端執(zhí)行器的三個(gè)姿態(tài)角(俯仰角α、翻滾角β，航向角γ)。根據(jù)水果分揀并聯(lián)機(jī)器人的運(yùn)動(dòng)特點(diǎn)，其運(yùn)動(dòng)過程中α和β相對(duì)于定坐標(biāo)系不變，只有γ在變化，故該并聯(lián)機(jī)器人的末端位姿參數(shù)可表示為(x,y,z,γ)。

圖6 水果分揀并聯(lián)機(jī)器人坐標(biāo)系

2.3.2位置參數(shù)計(jì)算

將標(biāo)定板的中心圓形標(biāo)志點(diǎn)設(shè)為目標(biāo)標(biāo)志點(diǎn)P，將點(diǎn)P的左右像素坐標(biāo)代入式(8)求出其世界坐標(biāo)P(xW,yW,zW)。已知標(biāo)定板與末端執(zhí)行器的相對(duì)位置保持不變，通過仿射變換即可求得末端執(zhí)行器的位置參數(shù)。假設(shè)仿射變換中的旋轉(zhuǎn)矩陣為：

(9)

平移矩陣為：

N=[NxNyNz]T

(10)

則末端執(zhí)行機(jī)構(gòu)的位置可表示為：

(11)

2.3.3姿態(tài)參數(shù)計(jì)算

一般并聯(lián)機(jī)器人包括三個(gè)姿態(tài)角α、β、γ，其中：α為繞X軸旋轉(zhuǎn)的俯仰角，β為繞Y軸旋轉(zhuǎn)的翻滾角，γ為繞Z軸旋轉(zhuǎn)的航向角。假設(shè)目標(biāo)坐標(biāo)系{P}繞坐標(biāo)軸旋轉(zhuǎn)變換之后與世界坐標(biāo)系重合，則旋轉(zhuǎn)矩陣表示為：

(12)

則俯仰角、翻滾角和航向角分別表示為：

(13)

已知末端執(zhí)行器上兩點(diǎn)M1和M2在目標(biāo)坐標(biāo)系下的坐標(biāo)M1=(x1,y1,z1)T、M2=(x2,y2,z2)T，在世界坐標(biāo)系下的坐標(biāo)MW1=(xW1,yW1,zW1)T、MW2=(xW2,yW2,zW2)T，則有：

(14)

(15)

由式(14)、式(15)得：

MW1-MW2=R(M1-M2)

(16)

求出的R即為旋轉(zhuǎn)矩陣，將R代入式(13)可得到并聯(lián)機(jī)器人的末端姿態(tài)參數(shù)γ。

3 實(shí)驗(yàn)與結(jié)果分析

實(shí)驗(yàn)平臺(tái)包括硬件平臺(tái)和軟件平臺(tái)。硬件平臺(tái)：操作系統(tǒng)Windows 7，處理器 Intel( R) Core(TM) i7-3770，主頻3.40 GHz，內(nèi)存8 GB，Teledyne Dalsa面陣相機(jī)(Nano-M2420)，VST鏡頭(SV-0614H)。軟件平臺(tái)：VC++，OpenCV庫，MATLAB。

實(shí)驗(yàn)方法：為驗(yàn)證本文所提出改進(jìn)PROSAC算法的水果分揀并聯(lián)機(jī)器人雙目視覺末端位姿檢測方法相比于未改進(jìn)PROSAC算法的檢測方法的有效性，首先在立體匹配階段進(jìn)行三組對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)一為原始立體圖像對(duì)，實(shí)驗(yàn)二為光照變化后的立體圖像對(duì)，實(shí)驗(yàn)三為加入方差0.01的高斯噪聲后的立體圖像對(duì)，分別對(duì)每組立體圖像對(duì)采用未改進(jìn)的PROSAC算法和改進(jìn)的PROSAC算法提純ORB立體預(yù)匹配結(jié)果，并依據(jù)立體匹配的準(zhǔn)確率和時(shí)耗對(duì)兩種立體匹配方法進(jìn)行比較分析。

定時(shí)采集36幅圖像，分別采用未改進(jìn)的PROSAC算法和改進(jìn)的PROSAC算法對(duì)ORB立體預(yù)匹配結(jié)果進(jìn)行提純，從提純后的立體匹配結(jié)果中提取目標(biāo)標(biāo)志點(diǎn)對(duì)，將其代入雙目視覺模型獲取水果分揀并聯(lián)機(jī)器人末端位姿參數(shù)，并與激光跟蹤儀Leica AT901和電子羅盤Honeywell-HMR3100測得的末端執(zhí)行器位姿對(duì)比，從而驗(yàn)證所提出水果分揀并聯(lián)機(jī)器人末端位姿檢測方法的有效性。

實(shí)驗(yàn)結(jié)果及分析：圖7-圖9分別為三組立體匹配實(shí)驗(yàn)結(jié)果圖，表1-表3分別為三組立體匹配的準(zhǔn)確率和時(shí)耗統(tǒng)計(jì)。由表1-表3可知，與采用未改進(jìn)的PROSAC算法進(jìn)行立體匹配提純相比，采用改進(jìn)的PROSAC算法將原始立體圖像對(duì)的立體匹配準(zhǔn)確率從92.5%提高至96.1%，耗時(shí)從0.085 s降低至0.062 s；將光照變化后立體圖像對(duì)的立體匹配準(zhǔn)確率從90.4%提高至94.2%，耗時(shí)從0.112 s降低至0.087 s；將增加噪聲后立體圖像對(duì)的立體匹配準(zhǔn)確率從89.0%提高至93.9%，耗時(shí)從0.139 s降低至0.101 s。由此可看出，改進(jìn)的PROSAC算法降低了運(yùn)算復(fù)雜度，提高了立體匹配的準(zhǔn)確率和實(shí)時(shí)性，且對(duì)光照變化和噪聲干擾有良好的魯棒性。

圖7 原始立體圖像對(duì)的立體匹配結(jié)果

圖8 光照變化后立體圖像對(duì)的立體匹配結(jié)果

圖9 增加噪聲后立體圖像對(duì)的立體匹配結(jié)果

表1 原始立體圖像對(duì)的立體匹配結(jié)果統(tǒng)計(jì)

表2 光照變化后立體圖像對(duì)的立體匹配結(jié)果統(tǒng)計(jì)

表3 增加噪聲后立體圖像對(duì)的立體匹配結(jié)果統(tǒng)計(jì)

圖10為水果分揀并聯(lián)機(jī)器人的末端位姿檢測誤差圖，其中：(a)為未改進(jìn)PROSAC算法的末端位姿檢測誤差圖，(b)為改進(jìn)PROSAC算法的末端位姿檢測誤差圖。表4為兩種檢測方法的誤差結(jié)果統(tǒng)計(jì)。

圖10 水果分揀并聯(lián)機(jī)器人的末端位姿檢測誤差

表4 末端位姿檢測誤差結(jié)果統(tǒng)計(jì)

由表4分析可得，與未改進(jìn)PROSAC算法的末端位姿檢測方法相比，改進(jìn)PROSAC算法的水果分揀并聯(lián)機(jī)器人末端位姿檢測方法，其位姿分量x的位置誤差平均絕對(duì)值降低了53.9%，標(biāo)準(zhǔn)差降低了53.2%；y的位置誤差平均絕對(duì)值降低了65.5%，標(biāo)準(zhǔn)差降低了67%；z的位置誤差平均絕對(duì)值降低了66.9%，標(biāo)準(zhǔn)差降低了66.6%；γ的姿態(tài)誤差平均絕對(duì)值降低了47%，標(biāo)準(zhǔn)差降低了56.6%。

4 結(jié) 語

針對(duì)一種水果分揀并聯(lián)機(jī)器人，本文提出一種改進(jìn)PROSAC算法的水果分揀并聯(lián)機(jī)器人雙目視覺末端位姿檢測方法。主要結(jié)論如下：

(1) 通過穿插取點(diǎn)和預(yù)檢驗(yàn)候選模型的方法對(duì)PROSAC算法進(jìn)行改進(jìn)，克服了PROSAC算法應(yīng)用于水果分揀并聯(lián)機(jī)器人雙目視覺末端位姿檢測時(shí)存在的模型參數(shù)估計(jì)精度不高和驗(yàn)證錯(cuò)誤候選模型耗時(shí)問題。基于此，進(jìn)一步提出了一種改進(jìn)PROSAC算法的水果分揀并聯(lián)機(jī)器人末端位姿檢測方法，解決了雙目視覺末端位姿檢測中光照、噪聲干擾等外部因素造成的末端位姿檢測精度降低問題。

(2) 將改進(jìn)PROSAC算法的水果分揀并聯(lián)機(jī)器人末端位姿檢測方法與未改進(jìn)PROSAC算法的檢測方法進(jìn)行實(shí)驗(yàn)對(duì)比，實(shí)驗(yàn)結(jié)果表明，所提出改進(jìn)PROSAC算法的并聯(lián)機(jī)器人末端位姿檢測方法，其位姿分量x、y、z、γ的誤差平均絕對(duì)值分別降低了53.9%、65.5%、66.9%、47%，誤差標(biāo)準(zhǔn)差分別降低了53.2%、67%、66.6%、56.6%。因此，所提出的改進(jìn)PROSAC算法的水果分揀并聯(lián)機(jī)器人末端位姿檢測方法提高了末端位姿檢測精度。