一种手术机器人高精度自动手眼标定方法及系统与流程

1.本发明涉及机械标定方法技术领域，尤其涉及一种手术机器人高精度自动手眼标定方法及系统。


背景技术：

2.在自主式口腔种植牙系统中，术前配准阶段需要将机械人坐标系与光学跟踪定位仪坐标系进行坐标系转换，以便在手术导航过程中机械臂根据光学跟踪定位仪提供的靶标信息，确定种植位姿。因此，机器人末端执行器和光学跟踪定位仪之间手眼标定精度直接影响手术机器人工作精度。
3.现阶段，手眼标定算法主要分为两类解析解和迭代解，无论是基于解析解的方法，采用tasi算法、svd奇异值分解算法等求解的解析解，还是基于迭代数值优化算法，采用最小二乘法、lm算法等求解手眼标定方程数值解，这些方法都是属于离线标定方法，采集数据和计算标定矩阵分为两个步骤，从而手眼标定矩阵的准确性直接依赖于采集数据的质量好坏，导致标定的精确度不高，效率低下，无法观测数据的异常值以及退化现象。


技术实现要素：

4.鉴于上述现有存在的问题，提出了本发明。
5.本发明提供了一种手术机器人高精度自动手眼标定方法解决在目前离线标定方法，采集数据和计算标定矩阵分为两个步骤，手眼标定矩阵的准确性直接依赖于采集数据的质量好坏，导致标定的精确度不高，效率低下，无法观测数据的异常值以及退化现象的问题。
6.为解决上述技术问题，本发明提供如下技术方案：第一方面，本发明提供了一种手术机器人高精度自动手眼标定方法，包括：依据种植手术区域与光学跟踪定位仪镜头视域生成无碰撞的机械臂位姿数据；对所述无碰撞的机械臂位姿数据进行预处理，获得至少一组相对应的机械臂位姿数据和靶标位姿数据；基于加权最小二乘法获得标定矩阵初始值及标定误差，根据误差分布特性生成误差权重矩阵，以求解旋转矩阵与平移向量；将误差数据进行实时反馈，进行误差标定判断。
7.作为本发明所述的手术机器人高精度自动手眼标定方法的一种优选方案，其中：所述依据种植手术区域与光学跟踪定位仪镜头视域生成无碰撞的机械臂位姿数据，包括，设定手术工作区域及其工作角度范围，根据设定范围随机生成机械臂末端数据，以及工作区域内多个数据采集位姿；
其中，，为机械臂工具末端到基座的旋转矩阵，为机械臂工具末端到基座的平移向量；根据所述机械臂末端数据，获取机械臂末端工具上的靶标位姿信息；其中，，为靶标到相机坐标系的旋转矩阵，为靶标到相机坐标系的平移向量。
8.作为本发明所述的手术机器人高精度自动手眼标定方法的一种优选方案，其中：所述预处理包括，去除无法观测到靶标信息的机械臂位姿；去除相对运动旋转角度接近的数据。
9.作为本发明所述的手术机器人高精度自动手眼标定方法的一种优选方案，其中：获得至少一组相对应的机械臂位姿数据和靶标位姿数据，包括，对和组数据进行两两组合，即，；其中，、分别代表第个标定位置的靶标位姿数据和第个标定位置机械臂位姿数据，、分别代表第个标定位置的靶标位姿数据和第个标定位置机械臂位姿数据。
10.作为本发明所述的手术机器人高精度自动手眼标定方法的一种优选方案，其中：基于加权最小二乘法获得标定矩阵初始值及标定误差，包括，在无噪声影响情况下，得到手眼标定数学模型，表示为，；则优化目标表示为，；其中，、分别代表从第个标定位置移动到第个标定位置靶标的旋转矩阵的相对变换以及机械臂的旋转矩阵的相对变换；、分别代表从第个标
定位置移动到第个标定位置靶标的平移向量的相对变换以及机械臂的平移向量的相对变换;为相机坐标系到机械臂基座坐标系的旋转矩阵；代表相机坐标系到机械臂基座坐标系的平移向量；表示二范数；表示求和符号；表示求解方程的最小值；将旋转矩阵转换成旋转向量表示形式，的单位旋转轴为，的单位旋转轴为，则，分别为、的单位特征值对应的单位特征向量，表示为矩阵： ；其中，，；将次标定的标靶位姿的旋转向量以及机械臂位姿的旋转向量用矩阵表示分别用、；代表相机坐标系到机械臂基座坐标系的旋转矩阵的估计值。
11.作为本发明所述的手术机器人高精度自动手眼标定方法的一种优选方案，其中：根据误差分布特性生成误差权重矩阵，以求解旋转矩阵与平移向量，包括，引入误差权重矩阵，表示为， ；其中，、分别为从第个标定位置移动到第个标定位置靶标的旋转矩阵的相对变换以及机械臂的旋转矩阵的相对变换用旋转向量形式表示，为其误差向量；通过正态窗函数计算误差分布特性，误差函数表示为， ；其中，为样本数量，为正态窗窗高，代表正态窗函数；按行方向计算每个样本在方向，总误差值，以及计算每个样本的误差概率密度估计值，依据估计值分配权重，将每个样本的权重值生成对角矩阵，利用加权最小二乘法计算包含误差时的值，表示为，
ꢀ
；其中，为每个样本的权重值生成的对角矩阵；将利用正态窗函数计算误差分布，再通过加权最小二乘法求解。
12.作为本发明所述的手术机器人高精度自动手眼标定方法的一种优选方案，其中：获得分区电网内新能源最大可接入功率值，包括，将误差数据进行实时反馈，进行误差标定判断，包括，依据得到的，，计算获取每个样本在方向上的均方根误差；若均方根误差满足设定的误差要求则停止标定，若未满足，则继续采集数据标定。
13.第二方面，本发明提供了一种手术机器人高精度自动手眼标定的系统，包括，获取模块，用于依据机械臂位姿数据和相机观测靶标的位姿数据生成无碰撞位姿数据；数据处理模块，用于对所述无碰撞位姿数据进行预处理，获得至少一组相对应的机械臂位姿数据和靶标位姿数据；求解模块，用于基于加权最小二乘法获得标定矩阵初始值及标定误差，根据误差分布特性生成误差权重矩阵，以求解旋转矩阵与平移向量；反馈判断模块，用于将误差数据进行实时反馈，进行误差标定判断。
14.第三方面，本发明提供了一种计算设备，包括：存储器和处理器；所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现所述手术机器人高精度自动手眼标定方法的步骤。
15.第四方面，本发明提供了一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现所述手术机器人高精度自动手眼标定方法的步骤。
16.与现有技术相比，本发明的有益效果：本发明自动生成无碰撞的机械臂位姿数据，减少数据带来的误差，减少人工手动标定操作，提高标定流程的效率；引入权重矩阵，根据数据的误差分布特性来调整权重，通过为离群值分配较低的权重，减少离群值以及噪声对于拟合结果的影响，提高算法的鲁棒性；进行实时反馈，可以更好地观测数据的异常值以及退化现象。
附图说明
17.为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明一个实施例所述的手术机器人高精度自动手眼标定方法的整体流程示意图；图2为本发明一个实施例所述的手术机器人高精度自动手眼标定方法实施后最小二乘法标定结果（）数据图；图3为本发明一个实施例所述的手术机器人高精度自动手眼标定方法实施后最小二乘法标定结果（）数据图。
具体实施方式
18.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
19.在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
20.其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
21.本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
22.同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的系统或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
23.本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
24.实施例1参照图1，为本发明的一个实施例，提供了一种手术机器人高精度自动手眼标定方法，包括：s1：依据机械臂位姿数据和相机观测靶标的位姿数据生成无碰撞位姿数据；优选的，自动生成的数据来源可以为机器人dh参数，选用机械臂为六自由度机械臂，以及光学定位跟踪仪。
25.更进一步的，依据机械臂位姿数据和相机观测靶标的位姿数据生成无碰撞位姿数据，包括，
设定手术工作区域及其工作角度范围，根据设定范围随机生成机械臂末端数据，以及工作区域内多个数据采集位姿；其中，，为机械臂工具末端到基座的旋转矩阵，为机械臂工具末端到基座的平移向量；应说明的是，通过机械臂运动学逆解，即可获得每个关节角度，从而结合机械臂末端数据可以随机生成工作区域内多个数据采集位姿。
26.根据机械臂末端数据，获取机械臂末端工具上的靶标位姿信息；其中，，为靶标到相机坐标系的旋转矩阵，为靶标到相机坐标系的平移向量。
27.应说明的是，根据机械臂末端数据可以控制机械臂移动，并可以通过光学定位跟踪仪获取机械臂末端工具上的靶标位姿信息。根据机械臂末端数据可以控制机械臂移动，并可以通过光学定位跟踪仪获取机械臂末端工具上的靶标位姿信息。种植手术区域为机械臂工作区域，同时保证手术器械上的靶标在光学定位跟踪仪的镜头视域范围内，两者区域相交作为实际标定区域。根据标定区域随机生成无碰撞的机械臂关节角，并通过运动学正解获得机械臂位姿数据。
28.s2：对无碰撞位姿数据进行预处理，获得至少一组相对应的机械臂位姿数据和靶标位姿数据；更进一步的，预处理包括，去除无法观测到靶标信息的机械臂位姿；去除相对运动旋转角度接近的数据。
29.应说明的是，根据提高手眼标定精度的四大准则去除相对运动中旋转轴之间夹角较小和相对运动旋转角度较小的数据，在试验过程中发现相对旋转角度接近时，容易造成矩阵求解的严重错误，因此去除相对旋转角度接近的数据。
30.更进一步的，在预处理后，获得至少一组相对应的机械臂位姿数据和靶标位姿数据，包括，对和组数据进行两两组合，即，；其中，、分别代表第个标定位置的靶标位姿数据和第个标定位置机械臂位姿数据，、分别代表第个标定位置的靶标位姿数据和第个标
定位置机械臂位姿数据。
31.应说明的是，在一般标定流程中，标定位姿是人为随机设置，当靶标或机械臂相对运动旋转角度接近时，导致欧拉角在某些特殊位置存在不唯一解的情况，带来奇异现象，造成标定数据出现严重错误。除此之外，本方法是基于迭代的求解方法，需要采集较多的标定数据，增加人工标定负担。因此，自动随机生成无碰撞的机械臂位置数据可以降低人工手动标定操作，减少数据采集时间，提高标定流程效率。
32.s3：基于加权最小二乘法获得标定矩阵初始值及标定误差，根据误差分布特性生成误差权重矩阵，以求解旋转矩阵与平移向量；更进一步的，基于加权最小二乘法获得标定矩阵初始值及标定误差，包括，在无噪声影响情况下，得到手眼标定数学模型，表示为，
ꢀꢀꢀꢀꢀ
（1）；
ꢀꢀꢀꢀꢀ
（2）；应说明的是，手眼标定数学模型最初可表示为： ；其中，a矩阵代表机械臂相对移动关系，b矩阵为对应靶标相对移动关系；x为相机坐标系和机械臂基座坐标系的转换矩阵，为求解对象，经过改写后可成式（1）-（2）。
33.则优化目标函数表示为，
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3）；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（4）；其中，矩阵代表机械臂相对移动关系对应靶标相对移动关系，、分别代表从第个标定位置移动到第个标定位置靶标的旋转矩阵的相对变换以及机械臂的旋转矩阵的相对变换；、分别代表从第个标定位置移动到第个标定位置靶标的平移向量的相对变换以及机械臂的平移向量的相对变换;为相机坐标系到机械臂基座坐标系的旋转矩阵；代表相机坐标系到机械臂基座坐标系的平移向量；表示二范数；表示求和符号；表示求解方程的最小值。
34.应说明的是，可以通过式（3）计算出，再将带入到式（4），求解得到，即可求出机器人基座坐标系到相机坐标系的转换矩阵。
35.将旋转矩阵转换成旋转向量表示形式，的单位旋转轴为，的单位旋转轴为，则，分别为、的单位特征值对应的单位特征向量，则式（1）变形为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（5）；又因为，所以，当有n组数据时，表示为，
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（6）；表示为矩阵，即：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（7）；其中，
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（8）；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（9）；通过最小二乘法求解式（7），得到，
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（10）；其中，；将次标定的标靶位姿的旋转向量以及机械臂位姿的旋转向量用矩阵表示分别用、；代表相机坐标系到机械臂基座坐标系的旋转矩阵的估计值。
36.更进一步的，根据误差分布特性生成误差权重矩阵，以求解旋转矩阵与平移向量；应说明的是，考虑的实际中的噪声影响，为了消除噪声的干扰，提高最小二乘法的准确性，应该减小具有严重误差的数据对于估算结果的影响，因此，引入误差权重矩阵，通过误差分布信息来减小噪声对于拟合结果的影响。
37.步骤如下，包括，引入误差权重矩阵，表示为，
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（11）；
其中，、分别为从第个标定位置移动到第个标定位置靶标的旋转矩阵的相对变换以及机械臂的旋转矩阵的相对变换用旋转向量形式表示，为其误差向量；通过正态窗函数计算误差分布特性，
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（12）；误差函数表示为，
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（13）；其中，为样本数量，为正态窗窗高，代表正态窗函数；按行方向计算每个样本在方向的总误差值，以及计算每个样本的误差概率密度估计值，依据估计值分配权重。
38.应说明的是，估计值越大代表该样本可信度越高，分配较大权重，值越小代表该样本误差较大，分配较小权重值。
39.将每个样本的权重值生成对角矩阵，可表示为，
ꢀꢀꢀꢀ
（14）；此时，求解旋转矩阵的加权最小二乘法表示为：
ꢀꢀ
（15）；利用加权最小二乘法计算包含误差时的值，表示为，
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（16）；其中，为每个样本的权重值生成的对角矩阵；将利用正态窗函数计算误差分布，再通过加权最小二乘法求解。
40.s4：将误差数据进行实时反馈，进行误差标定判断。
41.更进一步的，将误差数据进行实时反馈，进行误差标定判断，包括，依据得到的，，计算获取每个样本在方向上的均方根误差；若均方根误差满足设定的误差要求则停止标定，若未满足，则继续采集数据标定。
42.应说明的是，相较于数据采集和计算相独立的离线标定方法，提出一种在线标定方法，根据加权最小二乘法计算出来的误差结果，进行实时反馈，帮助研究人员更好地观测数据的异常值以及退化现象。
43.上述为本实施例的一种手术机器人高精度自动手眼标定方法的示意性方案。需要说明的是，该手术机器人高精度自动手眼标定的系统的技术方案与上述的手术机器人高精度自动手眼标定方法的技术方案属于同一构思，本实施例中手术机器人高精度自动手眼标定推系统的技术方案未详细描述的细节内容，均可以参见上述手术机器人高精度自动手眼标定方法的技术方案的描述。
44.本实施例中手术机器人高精度自动手眼标定系统，包括：获取模块，用于依据机械臂位姿数据和相机观测靶标的位姿数据生成无碰撞位姿数据；数据处理模块，用于对无碰撞位姿数据进行预处理，获得至少一组相对应的机械臂位姿数据和靶标位姿数据；求解模块，用于基于加权最小二乘法获得标定矩阵初始值及标定误差，根据误差分布特性生成误差权重矩阵，以求解旋转矩阵与平移向量；反馈判断模块，用于将误差数据进行实时反馈，进行误差标定判断。
45.本实施例还提供一种计算设备，适用于手术机器人高精度自动手眼标定的情况，包括：存储器和处理器；存储器用于存储计算机可执行指令，处理器用于执行计算机可执行指令，实现如上述实施例提出的实现手术机器人高精度自动手眼标定方法。
46.本实施例还提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例提出的实现手术机器人高精度自动手眼标定方法。
47.本实施例提出的存储介质与上述实施例提出的实现手术机器人高精度自动手眼标定方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。
48.通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(readonly ，memory，rom)、随机存取存储器(random access memory，ram)、闪存(flash)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例的方法。
49.实施例2参照图2和图3，为本发明的一个实施例，提供了一种手术机器人高精度自动手眼标定方法，为了验证其有益效果，提供了与传统评价方法比对。
50.在位置定位精度为0.25mm，姿态定位精度不详的光学跟踪定位仪以及机器人定位精度0.3mm，姿态定位精度不详下的实验结果如图2和图3所示。
51.从图中可以看出，经过10次标定实验，采集25组标定数据，通过加权最小二乘法的标定的结果可知相机坐标系到机械臂基座坐标系的转换矩阵的10次均方根误差(rmse)的x、y、z轴最大值分别为0.8mm，1.05mm，1.08mm，最小值分别为0.6mm，0.77mm，0.76mm，平均值分别为0.725mm，0.858mm，0.916mm。rx、ry、rz的rmse的最大值分别为5
°
、5.9
°
、5.9
°
，最小值分别为3.1
°
、3.6
°
、3.6
°
，平均值分别为4.03
°
、4.42
°
、4.71
°
。满足手术精度要求。
52.应说明的是，以上实施例仅用于说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

技术特征：
1.一种手术机器人高精度自动手眼标定方法，其特征在于，包括：依据种植手术区域与光学跟踪定位仪镜头视域生成无碰撞的机械臂位姿数据；对所述无碰撞的机械臂位姿数据进行预处理，获得至少一组相对应的机械臂位姿数据和靶标位姿数据；基于加权最小二乘法获得标定矩阵初始值及标定误差，根据误差分布特性生成误差权重矩阵，以求解旋转矩阵与平移向量；将误差数据进行实时反馈，进行误差标定判断。2.如权利要求1所述的手术机器人高精度自动手眼标定方法，其特征在于，所述依据种植手术区域与光学跟踪定位仪镜头视域生成无碰撞的机械臂位姿数据，包括，设定手术工作区域及其工作角度范围，根据设定范围随机生成机械臂末端数据，以及工作区域内多个数据采集位姿；其中，，为机械臂工具末端到基座的旋转矩阵，为机械臂工具末端到基座的平移向量；根据所述机械臂末端数据，获取机械臂末端工具上的靶标位姿信息；其中，，为靶标到相机坐标系的旋转矩阵，为靶标到相机坐标系的平移向量。3.如权利要求2所述的手术机器人高精度自动手眼标定方法，其特征在于，所述预处理包括，去除无法观测到靶标信息的机械臂位姿；去除相对运动旋转角度接近的数据。4.如权利要求3所述的手术机器人高精度自动手眼标定方法，其特征在于，获得至少一组相对应的机械臂位姿数据和靶标位姿数据，包括，对和组数据进行两两组合，即，；其中， 、分别代表第个标定位置的靶标位姿数据和第个标定位置机械臂位姿数据，、分别代表第个标定位置的靶标位姿数据和第个标定位置机械臂位姿数据。5.如权利要求4所述的手术机器人高精度自动手眼标定方法，其特征在于，基于加权最小二乘法获得标定矩阵初始值及标定误差，包括，在无噪声影响情况下，得到手眼标定数学模型，表示为，
；则优化目标表示为， ；其中，、分别代表从第个标定位置移动到第个标定位置靶标的旋转矩阵的相对变换以及机械臂的旋转矩阵的相对变换；、分别代表从第个标定位置移动到第个标定位置靶标的平移向量的相对变换以及机械臂的平移向量的相对变换; 为相机坐标系到机械臂基座坐标系的旋转矩阵；代表相机坐标系到机械臂基座坐标系的平移向量；表示二范数；表示求和符号；表示求解方程的最小值；将旋转矩阵转换成旋转向量表示形式， 的单位旋转轴为，的单位旋转轴为，则，分别为、的单位特征值对应的单位特征向量，表示为矩阵： ；其中，，；将次标定的标靶位姿的旋转向量以及机械臂位姿的旋转向量用矩阵表示分别用、；代表相机坐标系到机械臂基座坐标系的旋转矩阵的估计值。6.如权利要求1或5所述的手术机器人高精度自动手眼标定方法，其特征在于，根据误差分布特性生成误差权重矩阵，以求解旋转矩阵与平移向量，包括，引入误差权重矩阵，表示为， ；
其中，、分别为从第个标定位置移动到第个标定位置靶标的旋转矩阵的相对变换以及机械臂的旋转矩阵的相对变换用旋转向量形式表示，为其误差向量；通过正态窗函数计算误差分布特性，误差函数表示为， ；其中，为样本数量，为正态窗窗高，代表正态窗函数；按行方向计算每个样本在方向，总误差值，以及计算每个样本的误差概率密度估计值，依据估计值分配权重，将每个样本的权重值生成对角矩阵，利用加权最小二乘法计算包含误差时的值，表示为， ；其中，为每个样本的权重值生成的对角矩阵；将利用正态窗函数计算误差分布，再通过加权最小二乘法求解。7.如权利要求6所述的手术机器人高精度自动手眼标定方法，其特征在于，获得分区电网内新能源最大可接入功率值，包括，将误差数据进行实时反馈，进行误差标定判断，包括，依据得到的， ，计算获取每个样本在方向上的均方根误差；若均方根误差满足设定的误差要求则停止标定，若未满足，则继续采集数据标定。8.一种手术机器人高精度自动手眼标定的系统，其特征在于，包括，获取模块，用于依据机械臂位姿数据和相机观测靶标的位姿数据生成无碰撞位姿数据；数据处理模块，用于对所述无碰撞位姿数据进行预处理，获得至少一组相对应的机械臂位姿数据和靶标位姿数据；求解模块，用于基于加权最小二乘法获得标定矩阵初始值及标定误差，根据误差分布特性生成误差权重矩阵，以求解旋转矩阵与平移向量；反馈判断模块，用于将误差数据进行实时反馈，进行误差标定判断。9.一种电子设备，包括：存储器和处理器；所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至7任意一项所述手术机器人高精度自动手眼标定方法的步骤。10.一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至7任意一项所述手术机器人高精度自动手眼标定方法的步骤。

技术总结
本发明公开了手术机器人高精度自动手眼标定方法及系统，涉及机械标定方法技术领域，方法包括：依据机械臂位姿数据和相机观测靶标的位姿数据生成无碰撞位姿数据；对无碰撞位姿数据进行预处理，获得至少一组相对应的机械臂位姿数据和靶标位姿数据；基于加权最小二乘法获得标定矩阵初始值及标定误差，根据误差分布特性生成误差权重矩阵，以求解旋转矩阵与平移向量；将误差数据进行实时反馈，进行误差标定判断。本发明自动生成无碰撞的机械臂位姿数据，减少数据带来的误差，减少人工手动标定操作，提高标定流程的效率；根据数据的误差分布特性来调整权重，通过为离群值分配较低的权重，提高算法鲁棒性；实时反馈，更好地观测数据异常值及退化现象。异常值及退化现象。异常值及退化现象。


技术研发人员：周彪 骆敏舟 郑素娟
受保护的技术使用者：江苏集萃智能制造技术研究所有限公司
技术研发日：2023.08.09
技术公布日：2023/9/20