采用示教桿的機器人噴涂軌跡生成方法研究

萬燕英, 莫玉梅, 郭清達

(1. 廣州鐵路職業技術學院 信息工程學院,廣東 廣州 510430; 2. 廣東理工學院 智能制造學院,廣東 肇慶 526100; 3. 廣州工業智能研究院,廣東 廣州 511458)

近年來,隨著“中國制造2025”戰略提出,越來越多工業機器人應用至自動化產線,解決高強度、高重復、高危險等場景的人工需求難題[1-3]。目前,汽車因碰撞、剮蹭等導致其局部修補噴涂,因其汽車(不同品牌、版本)外殼的幾何結構多樣化,一般多于汽車4S店或修理廠由專業人員手動噴涂作業。然而,在噴涂倉內專業人員需要參考汽車外殼輪廓進行仿形均勻噴涂,其過程需要噴槍軌跡具有一定的速度、間隔等,同時噴涂環境(氣味、聲音等)對人體帶來潛在的傷害,亟需機器人代替人工完成汽車外殼柔性噴涂作業[4]。

在機器人噴涂的軌跡生成方面,一般采用手動示教或離線編程來實現,并在此基礎上進行噴涂均勻性或機器人運行時間等的優化。董慧芬等[5]針對航空發動機風扇葉片燕尾基座為代表的曲面工件噴涂問題,提出了一種基于曲面涂層生長模型的均勻性分析方法。施栩等[6]針對解決陶瓷生產中釉層不均勻的問題,建立計算不同表面噴涂層厚度分布的數學模型,通過確定合適的間距來提高噴涂效率。王友勝等[7]針對大型鍛件手工噴涂的工作效率低等問題,提出了計算機與機器人相結合的體系框架和布局規劃方案。潘洋[8]等針對機器人噴涂作業后涂料不均勻堆積問題,提出了一種面向復雜曲面的噴涂機器人軌跡規劃方法。

面向汽車領域的機器人智能噴涂,根據汽車出廠前和出廠后情況分別設計不同的方案。在汽車加工過程中汽車的車身幾何外觀無變化,一般提前規劃好噴涂軌跡,張進等[9]在車身自動噴涂工作站,增加VMT視覺系統測量車身誤差偏移量,實現車身誤差的整體補償以提高車身噴涂質量。蘇成志團隊[10-11]針對汽車修復噴涂進行了一系列研究,采用自適應NURBS曲線插補方法生成仿形路徑點;基于邊界檢驗進行未知復雜曲面視點自主規劃的方法,并在汽車后保險杠進行了驗證。

現有汽車加工過程的機器人噴涂方案解決不了4S店或修理廠多品牌多型號汽車待修補車身噴涂;基于視覺的機器人噴涂,需要目標工件脫離車體或者在人為制造噴涂區域視覺邊界(彩色膠帶等)以分割目標區域點云,仍需要大量的前期工作或者人工分割點云邊界。本文在參考了現有的機器人噴涂方法的基礎上,基于示教桿快速獲取車身目標區域空間點,設計了應用B樣條曲面生成稠密點云和機器人噴涂的軌跡和姿態生成方法,最后進行了仿真和在機測試,能夠滿足汽車車身的機器人噴涂修補工作。

1 噴涂軌跡生成方法

1.1 示教桿及模型

示教桿的出現,是為了快速、便捷完成工業機器人示教,準確地獲取機器人軌跡姿態數據。示教桿一般參考機器人本體D -H參數1∶1加工制作,關節處采用編碼器準確獲得各個關節的旋轉角度數據。因此,示教桿模型可以直接采用機器人坐標系模型,如圖1所示為工業機器人六自由度連桿模型,示教桿末端坐標系相對于基座坐標系,可表示為:

(1)

圖1 工業機器人連桿模型

1.2 B樣條曲面算法

B樣條曲面是以基函數的張量積為加權系數對控制頂點網格進行線性組合所構造的曲面。B樣條曲面具有與B樣條曲線相同的幾何性質,例如凸包性、連續性、幾何不變性等。因此,汽車車身外輪廓多采用B樣條曲面進行設計,可以減少曲面片之間的拼接光順問題。同樣地,通過對汽車外輪廓進行多處采樣,基于B樣條曲面算法可以反求出車身外表輪廓數據[12]。

B樣條曲面通過取(m+1)×(n+1)控制點Pi,j、兩個節點向量和單變量B樣條函數乘積的雙向網絡來獲得[13],其數學方程表示為:

(2)

其中節點向量分布為U={u0,u1,…,um+p+1},V={v0,v1,…,vm+p+1};B樣條基函數Ni,p(u)、Nj,q(u)由deBoor-Cox遞推公式決定,其定義為:

(3)

(4)

1.3 噴涂軌跡路徑點及姿態生成模型

機器人路徑點一般是B樣條曲面產生的稠密點云實體與剖平面的截面所形成。由于曲面實體是三角剖分生成,所以路徑點是由空間三角形與剖面的相交點組成,如圖2所示。假設點云Pn-1、Pn、Pn+1為相交的截面路徑點,點Pn所生成的法向量為n,其他向量可計算為:

d=Pn+1-Pn

(5)

y=n×d

(6)

x=y×n

(7)

z=n

(8)

由以上公式得到在點Pn的姿態為(x,y,z),機器人軌跡的位姿信息為(Pn,x,y,z)。

圖2 噴涂路徑及位姿生成示意圖

2 機器人噴涂軌跡驗證

2.1 實驗流程

采用示教桿的機器人噴涂軌跡生成方法,主要流程為示教桿標定-空間點采集-B樣條曲面-路徑點獲得-軌跡生成等,具體如下:

(1)示教桿與機器人標定:測量示教桿與工業機器人底座中心點直接的位移量,建立示教桿與協作機器人位姿之間的轉換矩陣;

(2)獲取目標區域空間點:人工手持示教桿末端移至汽車外輪廓目標區域表面,獲得該區域內多個離散點的示教桿末端位置和姿態數據;

(3)設置參數生成B樣條曲面:面向目標區域內多組示教桿的位置數據,設置B樣條曲面的參數,構建目前區域B樣條曲面;

(4)重采樣B樣條曲面:設置采樣間隔,對所生成的B樣條曲面進行采樣,獲得汽車外輪廓目標區域的稠密點云數據;

(5)生成機器人軌跡路徑點:對稠密點云生成面片,在指定的方向進行輪廓切割,獲得面片區域與切割面的相交點并生成路徑;

(6)生成路徑點軌跡姿態:多組路徑點構成的稀疏點云,指定法向方向生成各個路徑點的法向量,采用姿態生成算法獲得各個路徑點工作姿態。

2.2 系統組成

如圖3所示,機器人噴涂系統由協作機器人、示教桿、噴涂系統和底座等硬件構成。協作機器人具有六自由度,負載能力5kg,末端帶有噴槍。為了使機器人噴涂范圍在合理區間,其底座支架設計為高1m,導軌前后位移約5m。示教桿采用協作機器人型號1∶1加工制作,每個關節處采用編碼器準確捕捉示教桿末端姿態。軟件平臺基于Ubuntu 64系統,編程環境采用Python語言和Open3D、NumPy、SciPy、Matplotlib函數庫等組成,求解由示教桿獲取的汽車表面關鍵點,由B樣條曲面還原汽車表面的幾何曲面,設置剖面獲得路徑點及姿態。

圖3 機器人噴涂系統結構

2.3 機器人噴涂軌跡生成

以汽車翼子板為例,采用2.1小節的實驗流程步驟進行機器人噴涂軌跡生成方法測試。如圖4(a)所示,待噴涂的翼子板放置在支架上;由人工手持示教桿末端在待噴涂汽車翼子板進行人工采樣獲得輪廓多組空間點的位置和姿態數據,如圖4(b)所示;基于B樣條曲面生成算法,參考所采樣的翼子板輪廓空間點位置數據,生成B樣條曲面并采樣點云化獲得翼子板目標區域稠密點云,如圖4(c)所示;如果生成的點云比較稠密,影響后續的處理速度,選擇降采樣減少點云數量等預處理,如圖4(d)所示;對目標區域的稠密點云采用三角剖分生成實體,如圖4(e)所示;垂直于點云Y軸的平面對點云實體進行固定間隔切斷獲得機器人路徑,進一步生成路徑點姿態,首尾依次連接各個截面線獲得汽車翼子板的機器人噴涂路徑點和姿態,如圖4(f)所示。

(a)汽車翼子板實物

(b)示教桿采集的空間點

(c)曲面采樣點云化

(d)預處理后的點云

(e)點云的實體化

(f)截面生成的路徑

3 機器人噴涂軌跡在機測試

3.1 評價標準

噴涂工藝通過對油漆黏度、噴涂流量、噴槍速度、扇面搭接、噴幅大小等關鍵參數進行數字化控制,實現工件涂膜厚度和均勻性兩個重要指標的合格,從而獲得優良的漆面光澤度、硬度、抗侵蝕、抗老化效果。

常規的膜厚要求如表1所示,膜厚采用貼膜片來測量。在噴涂前,將測膜片用膠帶粘到工件表面,噴涂完后烘干,對測膜片測試厚度。通過在工件不同位置粘貼一定數量的測膜片,即可測試漆膜均勻性。

表1 漆膜厚度要求

3.1 在機測試過程驗證

為了進一步驗證噴涂軌跡數據的有效性,基于圖3的負載5 kg、六自由度協作機器人硬件系統平臺展開在機測試。

為了滿足機器人在機測試,仍需要前期準備工作。首先,規范基于示教桿的汽車翼子板噴涂軌跡生成數據的輸出格式(本機格式為:位置,姿態,執行速度,導軌位移),建立協作機器人控制器對軌跡數據包的讀取通信;其次,為了驗證噴涂軌跡與噴涂輪廓區域中心的重合度,在噴槍作業前方固定了軟桿,其長度為噴槍到噴涂表面區域中心的垂直距離;最后,將噴涂軌跡數據包輸入協作機器人控制器中,建立協作機器人安全運行空間區域,打開協作機器人自動運行模式。

軌跡驗證過程如圖5所示,面向汽車翼子板,協作機器人噴槍末端依次由左至右地進行仿形操作,作業區域覆蓋了汽車翼子板輪廓表面。實物測試如圖6所示,面向汽車車門局部修補實際需求進行驗證,通過測量5個不同位置粘貼的測膜片厚度,可知色漆和清漆的膜厚均在目標范圍內,且一致性較好。

軌跡驗證和實物測試,在機效果能夠實現目標區域的均勻噴涂作業,顯著地代替人工在汽車局部修復過程中的手工作業,滿足不同車型的柔性噴涂修補作業。

圖5 機器人噴涂軌跡驗證過程(汽車翼子板)

圖6 機器人噴涂修補車門過程

4 結 論

面向汽車多品種的外輪廓表面局部修補作業,以工業/協作機器人為核心的自動噴涂系統將在汽車4S店或修理廠代替人工進行重復性的作業。不同于現有的基于立體視覺的機器人自動噴涂方法,本文創新點由以下幾個方面:

(1)采用工業/協作機器人DH參數1∶1建立一種示教桿,可以快速獲取待噴涂目標區域的輪廓空間點;

(2)基于B樣條曲面算法生成采樣獲得稠密點云,點云實體化后與指定的切割面相交得到一系列的路徑點;

(3)采用軌跡生成算法最終得到工業機器人噴涂的末端軌跡。

以汽車翼子板和車門為例,分別對協作機器人噴涂系統進行軌跡和實物測試,系統運行過程表明本文算法的有效性與可行性。未來將在復雜輪廓的軌跡平滑、噴涂模型與軌跡優化等方面開展深入研究,探索汽車外殼局部修補更多場景以及遷移應用至其他行業。