用于确定工作空间的传感器布置的方法和系统与流程

1.本公开涉及用于在工作空间内定位一个或多个传感器的方法和/或系统。


背景技术：

2.本部分中的陈述仅提供了与本公开相关的背景信息，并且可能不构成现有技术。
3.工作空间可以包括执行各种自动化任务的一个或多个工业机器人。此外，工作空间可以包括被配置为获得工作空间的图像数据的一个或多个传感器，从而使得计算装置和/或机器人控制器能够识别工作空间中的对象。通过识别工作空间中的对象，工业机器人可以在执行各种自动化任务的同时将对象容纳在工作空间中。然而，由于例如一个或多个传感器的限制、机器人的布置和/或工作空间配置以及其他因素而在工作空间内的不可检测区可能会阻止工业机器人将对象容纳在工作空间的不可检测区内。
4.本公开解决了在制造环境中使用工业机器人的这些问题，以及工业机器人的其他问题。


技术实现要素：

5.本部分提供了对本公开的总体概述，而不是其全部范围或其所有特征的全面公开。
6.本公开提供了一种方法，所述方法包括生成具有一个或多个机器人以及多个图像传感器的工作空间模型，其中所述工作空间模型是工作空间的数字模型。该方法包括定义所述一个或多个机器人的多个姿态场景，其中所述多个姿态场景中的每个姿态场景包括所述一个或多个机器人中的每一个的姿态。该方法包括定义所述多个图像传感器的传感器特性，其中所述传感器特性包括所述图像传感器的取向、所述传感器在所述工作空间模型内的位置或其组合。所述方法包括对于所述多个姿态场景中的每一个：基于所述传感器特性模拟所述工作空间模型内的所述多个图像传感器的传感器操作，以及基于所述模拟的传感器操作识别所述工作空间模型内的不可检测区域。所述方法包括基于与所述多个姿态场景中的每一个相关联的所述不可检测区域来执行传感器布置控制。
7.在一些形式中，该方法还包括基于与所述多个姿态场景中的每一个相关联的所述不可检测区域来确定总体不可检测区域。
8.在一些形式中，所述传感器布置控制还包括响应于所述总体不可检测区域不满足检测指标而修改所述工作空间模型内的传感器配置。
9.在一些形式中，该方法还包括确定所述总体不可检测区域是否对应于帕累托最优状态。
10.在一些形式中，所述传感器布置控制还包括修改所述工作空间模型内的传感器配置，使得所述不可检测区域对应于所述帕累托最优状态。
11.在一些形式中，基于表示所述工作空间模型的多个体素来识别所述工作空间模型内的所述不可检测区域。
12.在一些形式中，该方法还包括基于所述模拟的传感器操作和所述多个体素来生成深度图，其中基于所述深度图的一个或多个值来确定所述工作空间模型内的所述不可检测区域。
13.在一些形式中，所述深度图的所述一个或多个值中的每一个与所述多个体素中的一个相关联。
14.在一些形式中，响应于所述深度图的所述一个或多个值小于阈值深度值来确定所述工作空间模型内的所述不可检测区域。
15.在一些形式中，所述方法还包括降低所述深度图的分辨率。
16.在一些形式中，多个姿态场景包括默认姿态状态和动态姿态状态。
17.在一些形式中，所述默认姿态状态对应于所述一个或多个机器人中的每一个的具有默认值的所述姿态。
18.在一些形式中，所述动态姿态状态对应于所述一个或多个机器人中的至少一个的不具有默认值的所述姿态。
19.本公开提供了一种系统，所述系统包括处理器和非暂时性计算机可读介质，所述非暂时性计算机可读介质包括可由所述处理器执行的指令。所述指令包括生成具有一个或多个机器人以及多个图像传感器的工作空间模型，其中所述工作空间模型是工作空间的数字模型。所述指令包括定义所述一个或多个机器人的多个姿态场景，其中所述多个姿态场景中的每个姿态场景包括所述一个或多个机器人中的每一个的姿态。所述指令包括定义所述多个图像传感器的传感器特性，其中所述传感器特性包括所述图像传感器的取向、所述传感器在所述工作空间模型内的位置或其组合。所述指令包括对于所述多个姿态场景中的每一个：基于所述传感器特性模拟所述工作空间模型内的所述多个图像传感器的传感器操作，以及基于所述模拟的传感器操作识别所述工作空间模型内的不可检测区域。所述指令包括基于与所述多个姿态场景中的每一个相关联的所述不可检测区域来执行传感器布置控制。
20.在一些形式中，所述指令还包括基于与所述多个姿态场景中的每一个相关联的所述不可检测区域来确定总体不可检测区域。
21.在一些形式中，所述传感器布置控制还包括响应于所述总体不可检测区域不满足检测指标而修改所述工作空间模型内的传感器配置。
22.在一些形式中，所述指令还包括确定所述总体不可检测区域是否对应于帕累托最优状态。
23.在一些形式中，所述传感器布置控制还包括修改所述工作空间模型内的传感器配置，使得所述不可检测区域对应于所述帕累托最优状态。
24.在一些形式中，基于表示所述工作空间模型的多个体素来识别所述工作空间模型内的所述不可检测区域。
25.本公开提供了一种方法，所述方法包括生成具有一个或多个机器人以及多个图像传感器的工作空间模型，其中所述工作空间模型是工作空间的数字模型。该方法包括定义所述一个或多个机器人的多个姿态场景，其中所述多个姿态场景中的每个姿态场景包括所述一个或多个机器人中的每一个的姿态。该方法包括定义所述多个图像传感器的传感器特性，其中所述传感器特性包括所述图像传感器的取向、所述传感器在所述工作空间模型内
的位置或其组合。所述方法包括对于所述多个姿态场景中的每一个：基于所述传感器特性模拟所述工作空间模型内的所述多个图像传感器的传感器操作，以及基于所述模拟的传感器操作和表示工作空间模型的多个体素来识别所述工作空间模型内的不可检测区域。所述方法包括基于与所述多个姿态场景中的每一个相关联的所述不可检测区域来确定总体不可检测区域，以及基于与所述多个姿态场景中的每一个相关联的所述总体不可检测区域来执行传感器布置控制。
26.根据本文中提供的描述，另外的适用领域将变得明显。应理解，描述和具体示例仅意图用于说明目的，而不意在限制本公开的范围。
附图说明
27.为了可以很好地理解本公开，现在将参考附图通过举例的方式描述本公开的各种形式，在附图中：
28.图1示出了根据本公开的教导的工作空间；
29.图2是根据本公开的教导的示例性传感器覆盖范围检测系统的功能框图；
30.图3是根据本公开的教导的工作空间的数字模型；并且
31.图4示出了根据本公开的教导的示例性控制例程。
32.本文中描述的附图仅用于说明目的，而非意图以任何方式限制本公开的范围。
具体实施方式
33.以下描述本质上仅仅是示例性的并且不意图限制本公开、应用或用途。应理解，贯穿附图，对应的附图标记指示相似或对应的零件和特征。
34.本公开提供了一种传感器布置计算系统，其优化工作空间的传感器覆盖范围。传感器布置计算系统可以生成工作空间的数字模型并且定义一个或多个机器人的姿态场景和图像传感器的传感器特性。对于姿态场景中的每一者，传感器布置计算系统可以模拟传感器操作并识别工作空间内的不可检测区。随后，传感器布置计算系统可以基于与姿态场景中的每一者相关联的不可检测区域来优化工作空间的传感器布局，这可以包括调整传感器的数量、传感器的布置、传感器的姿态或其组合。因此，优化传感器布局使得工作空间减少不可检测区域、减少传感器的数量或其组合。
35.参考图1，系统10包括在制造设施中的总体上由附图标记100表示的工作空间以及在工作空间100内的机器人102。工作空间100可以是不具有用于限制机器人102的移动的围栏或其他容器状结构的无笼区域，或者可以是具有用于限制机器人102的移动的围栏或其他容器状结构的有笼区域。工作空间100还可以是被配置为移动到制造设施的各个部分的移动平台。
36.在一种形式中，机器人102包括具有变化的运动范围的机械臂103和被配置为操作机械臂103以执行一个或多个自动化任务的机器人控制器104。作为一个示例，机器人控制器104可以控制机械臂103以拾取工件(未示出)并将其从暂存区域移动到处理区域。虽然机器人102被示为固定式机械臂，但是该机器人可以是任何其他合适的机器人，并且不应限于图中所示的机器人。例如，机器人102可以是移动机器人。虽然图1示出了一个机器人102，但是应理解，可以以其他形式在工作空间100内提供任何数量的机器人102，并且这些机器人
可以彼此不同。
37.为了监测机器人102，工作空间100包括被定位在工作空间100内的各个位置处的图像传感器106。在一些形式中，图像传感器106被配置为获得工作空间100的图像数据。作为一个示例，图像传感器106包括但不限于：二维相机、三维相机、红外传感器、雷达扫描仪、激光扫描仪、光探测和测距(激光雷达)传感器和/或超声传感器。如下面进一步详细描述的，与机器人102和图像传感器106通信的计算系统使用来自图像传感器106的数据来形成工作空间100的数字模型，识别不可检测区域(诸如工作空间100内的虚线区域108)和/或优化工作空间100的传感器配置。
38.在一种形式中，机器人102包括一个或多个机器人传感器110(即，本文中的“机器人传感器”110)以生成与机器人102的各种操作指标相对应的数据。作为一个示例，机器人传感器110可以包括被配置为生成机器人102的位置信息的位置传感器(例如，近场通信(nfc)传感器、超宽带(uwb)传感器)。作为另一个示例，机器人传感器110可以包括被配置为生成机器人102的取向信息的加速度计、陀螺仪和/或磁力计。作为又一个示例，机器人传感器110可以包括被配置为生成机器人102的速度信息的速度传感器、用于生成功率信息(关于通过电源施加给机器人102的电流和/或电压的量的信息)的功率传感器、被配置为生成机器人102的各个关节的转矩信息的转矩传感器、和/或被配置为检测接触的在机器人102的手柄处的触摸传感器。机器人传感器110被配置为将信息提供给机器人控制器104以用于进一步处理和用于控制机械臂103。尽管本文提供了具体示例，但是机器人102可以包括其他传感器，并且不应限于本文描述的传感器。
39.参考图2，示出了框图20，所述框图示出了通信地耦合到机器人控制器112和图像传感器106的计算系统200。在一种形式中，计算系统200借助于局域网、专用通信链路或其组合通信地耦合到机器人控制器112和图像传感器106。因此，计算系统200、图像传感器106和机器人控制器112各自包括硬件部件以根据通信协议诸如有线通信协议和/或无线通信协议(例如，蓝牙协议、zigbee协议、wi-fi协议、uwb协议、nfc协议和蜂窝协议等)来建立通信链路。在一些形式中，计算系统200和机器人控制器112的硬件部件包括但不限于收发器、路由器、输入/输出端口和一个或多个处理器可执行的软件。
40.机器人控制器112包括由机器人控制器112的一个或多个处理器执行的计算机可读软件程序。作为示例，机器人控制器112包括计算机软件程序，所述计算机软件程序包括在由机器人控制器112执行时使机器人102执行其中机器人102执行一个或多个运动以实现期望结果的预定义自动化任务的程序。在一些形式中，机器人控制器112包括计算机软件程序，所述计算机软件程序在由机器人控制器122执行时获得传感器数据并处理来自机器人传感器110的传感器数据以监测机械臂103的操作。
41.在一种形式中，计算系统200包括传感器优化模块202和用户界面204。传感器优化模块202包括可由计算系统200的一个或多个处理器执行的计算机可读软件程序。因此，计算系统200可以包括微处理器、用于存储由微处理器执行的代码的存储器以及其他合适的硬件部件来提供计算系统200的所述功能性。在一些形式中，传感器优化模块202包括环境参数模块208、工作空间模型生成模块210和传感器分析模块214。
42.环境参数模块208被配置为识别工作空间100的各种操作参数。在一种形式中，工作空间100的操作参数包括但不限于：机器人102的2d/3d操作范围、机器人102的大小、机器
人102的类型(例如，笛卡尔机器人、圆柱形机器人、球形机器人、并联机器人、关节型机器人等)、机器人102的自由度和/或其中提供工作空间100的移动平台的尺寸。工作空间100的操作参数可以从机器人控制器112获得和/或由用户使用用户界面204输入，所述用户界面204可以包括与计算系统200交换数据/信息的触摸屏显示器、传声器、按钮、条形码扫描仪以及其他界面中的至少一种。
43.工作空间模型生成模块210被配置为基于工作空间100的虚拟表示来生成工作空间100的数字模型。作为一个示例且参考图3，工作空间模型生成模块210被配置为生成具有三个机器人102的工作空间100的体素化表示作为数字模型。体素化表示在本文中被提供为体素化100'并且包括体素101'。在一些形式中，体素化100'可以定义工作空间100的边界，并且包括工作空间100的各个固定对象的数字表示，诸如机器人102的数字表示(以下称为机器人102')和/或图像传感器106的数字表示(以下称为图像传感器106')。应理解，工作空间模型生成模块210可以生成其他离散网格模型作为数字模型，并且不限于本文描述的体素化100'。
44.在一些形式中，虚拟表示可以是预先确定的并且存储在计算系统200中(例如，存储在计算系统200的数据库中)。此外，如果将新特征添加到工作空间100，则虚拟表示还可以被更新并存储在计算系统200中。在一种形式中，虚拟表示是工作空间100、工作空间100内的机器人102以及图像传感器106的计算机辅助设计(cad)绘图/建模。作为另一个示例，虚拟表示是模型，其中可以移动建模的部件(例如，指示机器人102根据内置编码器测量的关节角度配置的建模的部件)。
45.在一些形式中，工作空间模型生成模块210被配置为基于操作参数、虚拟表示和/或来自图像传感器106的传感器数据来生成体素化100'。即，当图像传感器106包括一个或多个2d/3d相机时，工作空间模型生成模块210对来自一个或多个2d/3d相机的数据进行空间变换。通过使用虚拟表示，工作空间模型生成模块210执行映射功能，所述映射功能定义来自一个或多个2d/3d相机的图像中所有点与虚拟表示之间的空间对应关系。用于数字图像处理的示例性空间变换技术包括但不限于棋盘状qr码风格伪影等，并且空间变换技术可以用于校准外在特性(例如，图像传感器106的姿态)。利用外在特性，各种已知的算法可以用于在真实世界中定位所记录的数据(即，从相机坐标系转换到世界坐标系)。
46.在一些形式中，工作空间模型生成模块210被配置为对在体素化100'中提供的对象进行识别和分类。作为一个示例，工作空间模型生成模块210基于对象分类库对体素化100'的对象进行识别和分类，所述对象分类库将多个对象与一个或多个分类相关联。分类可以包括但不限于：机器人102、图像传感器106、机器人传感器110、人、可移动对象(例如，工件、动力工具、紧固件等)和/或静态对象(例如，工作台、桌子、人机界面等)。
47.在一些形式中，传感器分析模块214包括传感器特性模块216、机器人特性模块218、传感器模拟模块220、区模块222、多目标优化控制(moc)模块224和传感器布置控制模块226。传感器特性模块216被配置为定义图像传感器106'的传感器特性，诸如但不限于：传感器类型、取向、视野和/或位置。在一种形式中，传感器特性可以由计算系统200的用户经由用户界面204输入。在另一种形式中，传感器特性可以是预先确定的，并且可以从储存库(例如，数据库)中选择。在又一种形式中，可以从工作空间100的图像传感器106获得传感器特性。
48.机器人特性模块218被配置为定义机器人102'(或机器人102)的机器人特性。在一种形式中，机器人特性包括但不限于：空间相关参数和/或操作参数。示例性空间相关参数包括机器人102'的位置、机器人102'的姿态场景，诸如默认姿态状态或动态姿态状态。在一些形式中，默认姿态状态对应于机器人102'的具有默认姿态值的姿态，其可以是机器人102'在起始状态下的姿态、机器人102'在执行一个或多个任务时最频繁的姿态等。在一些形式中，动态姿态状态对应于机器人102’在执行一个或多个任务时不具有默认姿态值的任何姿态。机器人特性可以由计算系统200的用户经由用户界面204输入。在另一种形式中，机器人特性可以是预先确定的，并且可以从储存库(例如，数据库)中选择。
49.当定义了传感器特性和/或机器人特性之后，传感器模拟模块220被配置为生成对图像传感器106'和/或机器人102'的操作的模拟。在对图像传感器106'和/或机器人102'的操作的模拟期间(或之后)，区模块222被配置为识别体素化100'内的不可检测区。如本文所提及的，短语“不可检测区”是指其中图像传感器106'不能基于例如传感器特性和/或在体素化100'中存在对象而获得传感器数据的区。除了识别体素化100'内的不可检测区之外，不可检测区模块22还可以识别体素化100'的其他区，诸如可检测区和/或视线外区。如本文所提及的，短语“可检测区”是指其中图像传感器106'(或图像传感器106)能够获得体素化100'(或工作空间100)的图像数据的区。如本文所提及的，短语“视线外区”是指在图像传感器106'(或图像传感器106)的视野之外的区。
50.为了识别不可检测区，区模块222基于模拟的传感器操作和多个体素101'生成深度图。在一种形式中，基于图像传感器106'的视野以及机器人102'的姿态场景的给定组合是否在图像传感器106'的视野内来确定深度图的每个深度值。作为示例，区模块222首先确定每个体素101'在世界坐标系中的位置，并基于每个图像传感器106'在世界坐标系中的旋转和/或平移矩阵来确定每个体素101'的深度图值并基于图像传感器106'在世界坐标系中的原点来确定体素101'的俯仰和/或横摆。如果机器人102'的姿态场景的给定组合在图像传感器106'的视野内，则深度图的对应区域中的深度值可以小于阈值。如果机器人102'的姿态场景的给定组合不在图像传感器106'的视野内，则深度图的对应区域中的深度值可以大于阈值。在一些形式中，区模块222可以将对应于较低深度值的体素101'指定为不可检测区，并且将具有较高深度值的那些体素指定为可检测区。
51.在一些形式中，区模块222针对机器人102'的姿态场景的每个组合重复上述例程，并且基于与姿态场景的每个组合相关联的不可检测区来确定总体不可检测区。在一些形式中，区模块222基于与姿态场景的每个组合相关联的可检测区来确定总体可检测区。
52.在一些形式中，区模块222降低由图像传感器106'生成的深度图的分辨率，以减少深度图的噪声并最小化计算系统200的等待时间。示例性分辨率降低例程包括但不限于下采样例程。
53.在一些形式中，moc模块224被配置为确定总体不可检测区是否满足一个或多个检测指标。示例性检测指标包括但不限于：总体不可检测区的大小是否满足大小标准(例如，总体不可检测区处于帕累托最优状态、总体不可检测区的面积或横截面面积小于阈值面积、总体不可检测区的体积小于阈值体积、总体不可检测区的相对面积和/或体积小于阈值面积和/或体积等)；位置标准(例如，总体不可检测区在对应的机器人102的操作期间是否位于人可能位于的位置附近、总体不可检测区是否位于对应的机器人102的自动化任务中
的至少一部分发生的位置附近等)；和/或传感器的数量(例如，将一个或多个传感器添加到不可检测且应进行监测的区域、当一个或多个图像传感器106具有重叠的视场时减少传感器的数量等)。
54.为了确定总体不可检测区是否满足一个或多个检测指标，moc模块224使用多目标优化方法(诸如帕累托高效全局优化(parego)、非支配排序遗传算法ii(nsga-ii)、基于分解的多目标进化算法(moea-d)等)来求解一个或多个多目标关系。在一种形式中，moc模块224确定所求解的多目标关系是否是帕累托最优解，如下面的示例性关系所示：
55.最大化f1(x)＝c(x，pcd1)，
ꢀꢀꢀ
(1)
56.最大化
57.受制于gi＝1，i∈[1，n]
ꢀꢀꢀ
(3)
[0058]
受制于x
i最小
≤xi≤x
i最大
，i∈[1，m]
ꢀꢀꢀ
(4)
[0059]
在上述关系中，f1(x)表示对应于姿态场景(pcd1)的一个组合的可检测区中的一个，f2(x)表示表示为评估k姿态场景(pcdk)的最坏情况值的最坏情况聚合函数的聚合可检测区域，c表示可检测区和不可检测区的比率，x表示图像传感器106'的位置和取向，n表示设计变量的上限，gi是与给定体素101'(例如，应始终在可检测区中并且具有值1的体素101')的覆盖率相关的约束，并且m是图像传感器106的数量。应理解，多目标关系可以具有一些形式的其他约束。因此，如果可检测区和不可检测区的比率(c)大于阈值并且与给定体素101'的覆盖率相关的约束(gi)得到满足(例如，gi＝1)，则moc模块224确定所求解的多目标关系为帕累托最优解并处于帕累托最优状态。
[0060]
在一些形式中，传感器布置控制模块226被配置为基于传感器布置例程来修改体素化100'内的传感器配置。在一种形式中，修改传感器配置包括改变图像传感器106'的数量、图像传感器106'的布置、图像传感器106'的姿态或其组合。在一种形式中，传感器布置例程包括迭代地修改图像传感器106'的传感器配置，直到总体不可检测区对应于帕累托最佳状态。在一种形式中，传感器布置控制模块226可以基于遗传算法或并入一定水平的人工智能(ai)以迭代地找到最佳布局。
[0061]
参考图4，提供了示例性模拟例程400，并且模拟例程400由计算系统200执行。在404处，计算系统200生成具有一个或多个机器人102'和一个或多个图像传感器106'的体素化100'。在408处，计算系统200定义一个或多个机器人102'的多个姿态场景和图像传感器106'的传感器特性。在412处，计算系统200针对给定的姿态场景基于传感器特性来模拟图像传感器106'的传感器操作，并且基于所模拟的传感器操作来识别体素化100'内的不可检测区域。在416处，计算系统200确定是否需要针对附加的姿态场景来模拟图像传感器106'。如果在416处存在附加的姿态场景，则例程400前进到420，其中计算系统200选择下一个姿态场景并前进到412。否则，如果已经针对每个姿态场景模拟了图像传感器106'，则例程400前进到424，其中计算系统200基于与如上所述的每个姿态场景相关联的不可检测区域来执行传感器布置控制例程。
[0062]
应容易理解，模拟例程400只是由计算系统200执行的示例性例程，并且可以实施其他例程。
[0063]
除非本文另有明确指示，否则指示机械/热性质、组成百分比、尺寸和/或公差或其他特性的所有数值在描述本公开的范围时应理解为由词语“约”或“大约”修饰。出于各种原
因期望进行这种修改，所述原因包括：工业实践；材料、制造和组装公差；以及测试能力。
[0064]
如本文所使用，短语a、b和c中的至少一个应被解释为使用非排他性逻辑“或”表示逻辑(a或b或c)，并且不应被解释为表示“a中的至少一者、b中的至少一者以及c中的至少一者”。
[0065]
本公开的描述本质上仅是示例性的，并且因此不脱离本公开的实质的变化意图在本公开的范围内。不应将此类变型视为脱离本公开的精神和范围。
[0066]
在附图中，如箭头所指示的箭头的方向总体上展示图示所感兴趣的信息(诸如数据或指令)流。例如，当要素a和要素b交换各种信息，但是从要素a传输到要素b的信息与图示相关时，箭头可以从要素a指向要素b。该单向箭头并不暗示没有其他信息从要素b传输到要素a。此外，对于从要素a发送到要素b的信息，要素b可以向要素a发送对信息的请求或接收对信息的确认。
[0067]
在本技术中，术语“模块”和/或“控制器”可指代以下项、是以下项的一部分或包括以下项：专用集成电路(asic)；数字、模拟或混合模拟/数字离散电路；数字、模拟或混合模拟/数字集成电路；可组合的逻辑电路；现场可编程门阵列(fpga)；执行代码的处理器电路(共享、专用或群组)；存储由处理器电路执行的代码的存储器电路(共享、专用或群组)；提供所描述的功能性的其他合适的硬件部件；或者上述的一些或全部的组合，诸如在片上系统中。
[0068]
术语存储器是术语计算机可读介质的子集。如本文所使用的术语计算机可读介质不涵盖通过介质(诸如在载波上)传播的暂时性电信号或电磁信号；因此，术语计算机可读介质可被认为是有形的和非暂时性的。非暂时性有形计算机可读介质的非限制性示例为非易失性存储器电路(诸如快闪存储器电路、可擦除可编程只读存储器电路或掩模只读电路)、易失性存储器电路(诸如静态随机存取存储器电路或动态随机存取存储器电路)、磁性存储介质(诸如模拟磁带或数字磁带或硬盘驱动器)以及光学存储介质(诸如cd、dvd或蓝光光盘)。
[0069]
本技术中所描述的设备和方法可由专用计算机部分地或完全地实施，所述专用计算机通过将通用计算机配置为执行计算机程序中体现的一种或多种特定功能来创建。功能框、流程图组成部分和上文描述的其他要素用作软件规范，所述软件规范可通过技术人员或程序员的常规工作来转译成计算机程序。
[0070]
一种方法包括：生成具有一个或多个机器人以及多个图像传感器的工作空间模型，其中所述工作空间模型是工作空间的数字模型；定义所述一个或多个机器人的多个姿态场景，其中所述多个姿态场景中的每个姿态场景包括所述一个或多个机器人中的每一个的姿态；定义所述多个图像传感器的传感器特性，其中所述传感器特性包括所述图像传感器的取向、所述传感器在所述工作空间模型内的位置或其组合；对于所述多个姿态场景中的每一个：基于所述传感器特性模拟所述工作空间模型内的所述多个图像传感器的传感器操作；以及基于所述模拟的传感器操作以及表示所述工作空间模型的多个体素来识别所述工作空间模型内的不可检测区域；基于与所述多个姿态场景中的每一个相关联的所述不可检测区域来确定总体不可检测区域；以及基于与所述多个姿态场景中的每一个相关联的所述总体不可检测区域来执行传感器布置控制。