一种基于改进SVD算法的机械臂手眼标定方法及系统

一种基于改进svd算法的机械臂手眼标定方法及系统
技术领域
1.本发明涉及机械臂应用技术领域，具体是涉及一种基于改进svd算法的机械臂手眼标定方法及系统。


背景技术：

2.机械臂手眼标定工作是指通过对机械臂本体与视觉系统进行坐标转换以确定它们之间的位置关系，从而将视觉系统所确定的目标位姿转换到机械臂基坐标系下以实现机械臂对目标的抓取，因此，手眼标定精度将直接影响机械臂操作的精度。目前已有技术人员提出引入svd(singular value decomposition，奇异值分解)算法来实现机械臂手眼标定工作，由于在相机视野内容易出现因相机畸变所产生的不稳定数据点，在实施过程中并未对这些不稳定数据点进行排查与删除，可能会造成较大的标定误差。


技术实现要素：

3.本发明提供一种基于改进svd算法的机械臂手眼标定方法及系统，以解决现有技术中存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
4.本发明实施例提供一种基于改进svd算法的机械臂手眼标定方法，所述方法包括：
5.建立机械臂所对应的机械臂基坐标系和相机所对应的光学系统坐标系；
6.在所述相机的可视范围内设置若干个标定位置，且每一个标定位置携带有唯一的标记信息，同时在所述机械臂的末端设置用于执行标定任务的标定工具；
7.控制所述机械臂的末端在所述若干个标定位置中逐个移动，获取所述标定工具在所述机械臂基坐标系下的若干个坐标信息并形成第一数据集，同时获取所述标定工具在所述光学系统坐标系下的若干个坐标信息并形成第二数据集；
8.基于采样算法，获取所述第一数据集对应的第一标定数据集以及所述第二数据集对应的第二标定数据集，进而形成所述机械臂的手眼标定数据集；
9.基于改进svd算法对所述手眼标定数据集进行处理，得到手眼转换矩阵；
10.利用所述手眼转换矩阵对所述手眼标定数据集进行逆向反推与误差计算，进而判断所述手眼转换矩阵是否为最优解；
11.若否，则根据误差计算结果对所述手眼标定数据集进行更新，再返回重新计算新的手眼转换矩阵；
12.若是，则直接输出所述手眼转换矩阵。
13.进一步地，所述标定工具包括标定球和法兰盘，所述标定球通过螺纹连接方式安装在所述法兰盘的顶部，所述法兰盘的底部通过螺纹连接方式安装在所述机械臂的末端，所述标定球用于执行标定任务，所述法兰盘用于对所述标定球进行固定支撑。
14.进一步地，所述基于采样算法，获取所述第一数据集对应的第一标定数据集包括：
15.基于fps算法对所述第一数据集进行下采样处理，从中提取出既定数量的数据点，形成第一下采样点集合；
16.基于kd-tree算法对所述第一下采样点集合中的每个数据点进行邻近点搜索，得到对应的第一邻近点集合，所述第一邻近点集合包含于所述第一数据集；
17.构建所述第一下采样点集合与所述第一邻近点集合之间的第一向量集合，再根据所述第一向量集合对所述第一下采样点集合中的每个数据点进行上采样处理，得到对应的第一上采样点集合；
18.将所述第一数据集和所述第一上采样点集合进行合并处理，得到第一标定数据集。
19.进一步地，所述获取所述第二数据集对应的第二标定数据集包括：
20.根据所述第一下采样点集合中的每个数据点所携带的标记信息，从所述第二数据集中提取出标记信息相同的数据点，形成第二下采样点集合；
21.基于kd-tree算法对所述第二下采样点集合中的每个数据点进行邻近点搜索，得到对应的第二邻近点集合，所述第二邻近点集合包含于所述第二数据集；
22.构建所述第二下采样点集合与所述第二邻近点集合之间的第二向量集合，再根据所述第二向量集合对所述第二下采样点集合中的每个数据点进行上采样处理，得到对应的第二上采样点集合；
23.将所述第二数据集和所述第二上采样点集合进行合并处理，得到第二标定数据集。
24.进一步地，所述第一向量集合中的任意一个向量的计算公式为：
[0025][0026]
所述第一上采样点集合中的任意一个数据点的计算公式为：
[0027][0028]
其中，为所述第一下采样点集合中的第i个数据点sai在所述机械臂基坐标系下的坐标信息，为所述第一邻近点集合中的第i个数据点nai在所述机械臂基坐标系下的坐标信息，为所述第一向量集合中的第i个向量vai在所述机械臂基坐标系下的坐标表示，为所述第一上采样点集合中的第i个数据点uai在所述机械臂基坐标系下的坐标信息，h为上采样次数。
[0029]
进一步地，所述基于改进svd算法对所述手眼标定数据集进行处理，得到手眼转换
矩阵包括：
[0030]
计算所述第一标定数据集的第一加权平均中心，再利用所述第一加权平均中心对所述第一标定数据集中的每个数据点进行去中心化，得到预处理后的第一标定数据集；
[0031]
计算所述第二标定数据集的第二加权平均中心，再利用所述第二加权平均中心对所述第二标定数据集中的每个数据点进行去中心化，得到预处理后的第二标定数据集；
[0032]
计算所述预处理后的第一标定数据集与所述预处理后的第二标定数据集之间的协方差矩阵；
[0033]
对所述协方差矩阵进行奇异值分解得到旋转矩阵，进而结合所述第一加权平均中心和所述第二加权平均中心计算出平移矩阵。
[0034]
进一步地，所述利用所述手眼转换矩阵对所述手眼标定数据集进行逆向反推与误差计算，进而判断所述手眼转换矩阵是否为最优解包括：
[0035]
利用所述手眼转换矩阵将所述第一标定数据集中的每个数据点转换到所述光学系统坐标系下进行表示，得到拟合后的第一标定数据集；
[0036]
对所述拟合后的第一标定数据集与所述第二标定数据集进行对应两点间的差值计算，得到差值集合；
[0037]
判断所述差值集合中是否存在一个或者多个差值大于预设误差阈值；
[0038]
若是，则判断所述手眼转换矩阵并非为最优解；
[0039]
若否，则判断所述手眼转换矩阵为最优解。
[0040]
进一步地，所述根据误差计算结果对所述手眼标定数据集进行更新包括：
[0041]
从所述差值集合中筛选出所有不合格的差值，其中每一个不合格的差值均大于所述预设误差阈值；
[0042]
将所述第一标定数据集和所述第二标定数据集中与所述所有不合格的差值相关联的所有数据点进行删除，得到更新后的手眼标定数据集。
[0043]
另外，本发明实施例还提供一种基于改进svd算法的机械臂手眼标定系统，所述系统包括：
[0044]
至少一个处理器；
[0045]
至少一个存储器，用于存储至少一个程序；
[0046]
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现实现上述任意一项所述的基于改进svd算法的机械臂手眼标定方法。
[0047]
本发明至少具有以下有益效果：通过控制机械臂移动至若干个标定位置以获取标定工具在机械臂基坐标系下的第一数据集以及在光学系统坐标系下的第二数据集，再利用采样算法对所述第一数据集和所述第二数据集进行虚拟数据点扩充，可以在整个标定工作中减少取点的个数，缩短取点的时间，减少相机视野内的不稳定数据点的影响，且操作过程更为简便。通过引入闭环反馈环节，利用手眼标定数据集来计算出手眼转换矩阵并对其进行验证，且在验证不通过时对所述手眼标定数据集进行筛选更新，进而迭代计算出最优的手眼转换矩阵，可以提高机械臂手眼标定工作的精度，同时使得整个标定工作更具有鲁棒性。本发明提供的标定工具小巧方便，且具备较高的可拓展性。
附图说明
[0048]
附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。
[0049]
图1是本发明实施例中的一种基于改进svd算法的机械臂手眼标定方法的流程示意图；
[0050]
图2是本发明实施例中的标定工具的结构示意图。
具体实施方式
[0051]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0052]
需要说明的是，虽然在系统示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于系统中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
[0053]
请参考图1，图1是本发明实施例提供的一种基于改进svd算法的机械臂手眼标定方法的流程示意图，所述方法包括如下步骤：
[0054]
s101、建立机械臂所对应的机械臂基坐标系和相机所对应的光学系统坐标系。
[0055]
s102、在所述相机的可视范围内设置若干个标定位置，且每一个标定位置携带有唯一的标记信息，同时在所述机械臂的末端设置用于执行标定任务的标定工具。
[0056]
在本发明实施例中，所述标定工具实际上包括标定球100和法兰盘200，如图2所示，所述标定球100通过螺纹连接方式安装在所述法兰盘200的顶部，所述法兰盘200的底部通过螺纹连接方式安装在所述机械臂的末端，结构较为简单方便，其中，所述标定球100起到执行标定任务的作用，所述法兰盘200起到固定支撑的作用。
[0057]
在实施标定过程中，所述标定球100的球心与所述机械臂的末端中心保持一致，所述机械臂内置的控制器可以根据所述标定球100的设计尺寸参数以及所述法兰盘200的长度大小直接获取到所述标定球100的中心在所述机械臂基坐标系下的坐标信息，相对于传统标定方法而言，无需考虑机械臂末端坐标系与机械臂基坐标系之间的坐标转换问题，由此避免出现不必要的刚性变换误差，从所述标定工具的结构设计上有助于提高标定工作的精度。
[0058]
s103、控制所述机械臂的末端在所述若干个标定位置中逐个移动，获取所述标定工具在所述机械臂基坐标系下的若干个坐标信息并形成第一数据集，同时获取所述标定工具在所述光学系统坐标系下的若干个坐标信息并形成第二数据集。
[0059]
在本发明实施例中，通过外部计算机对所述机械臂内置的控制器发送操作指令，使得所述控制器在接收到所述操作指令后控制所述机械臂的末端按照标记信息由小到大的排列顺序在所述若干个标定位置上进行逐个移动，当所述机械臂的末端到达第j个标定位置时，所述外部计算机采集所述标定工具在所述机械臂基坐标系下的坐标信息paj并附上对应的标记信息，以及采集所述标定工具在所述光学系统坐标系下的坐标信息pbj并附上对应的标记信息，由此可以形成在所述机械臂基坐标系下表示的第一数据集为pa＝
{pa1,pa2,
…
,pan}，以及在所述光学系统坐标系下表示的第二数据集为pb＝{pb1,pb2,
…
,pbn}，其中，j＝1,2,...,n；n为本发明设置的标定位置数量，n为正整数且n≥4。
[0060]
s104、基于采样算法，获取所述第一数据集对应的第一标定数据集以及所述第二数据集对应的第二标定数据集，进而形成所述机械臂的手眼标定数据集。
[0061]
在本发明实施例中，所述第一数据集对应的第一标定数据集的具体获取过程包括如下：
[0062]
步骤(1)：基于fps(farthest point sampling，最远点采样)算法对所述第一数据集进行下采样处理，从中提取出既定数量的数据点，形成第一下采样点集合，其中，本发明设置所述既定数量为m，m为正整数，且2＜m＜n。
[0063]
具体的，从所述第一数据集中任意选择一个数据点作为起始点，记为数据点sa1；计算所述第一数据集中剩下的未被选择的n-1个数据点到该数据点sa1的欧式距离，再从所述n-1个数据点中选择距离该数据点sa1最远的一个数据点，记为数据点sa2；计算所述第一数据集中剩下的未被选择的n-2个数据点到该数据点sa2的欧式距离，从所述n-2个数据点中选择距离该数据点sa2最远的一个数据点，记为数据点sa3；以此类推，直至从所述第一数据集中选择m个数据点后，形成第一下采样点集合为sa＝{sa1,sa2,sa3,...,sam}。
[0064]
需要说明的是，所述第一下采样点集合包含于所述第一数据集，所述第一下采样点集合中所包含的m个数据点均携带有唯一的标记信息，所述m个数据点并非如同所述第一数据集是按照标记信息由小到大的顺序进行规律排列的。
[0065]
步骤(2)：基于kd-tree(k-dimensional tree，k维空间数据索引树形结构)算法对所述第一下采样点集合中的每个数据点进行邻近点搜索，得到对应的第一邻近点集合为na＝{na1,na2,na3,
…
,nam}，其中，数据点na1为数据点sa1的最邻近点，数据点na2为数据点sa2的最邻近点，以此类推；此外，所述第一邻近点集合包含于所述第一数据集，即在执行该邻近点搜索任务时是以所述第一数据集所包含的n个数据点为限定条件来进行匹配的。
[0066]
步骤(3)：构建所述第一下采样点集合与所述第一邻近点集合之间的第一向量集合为va＝{va1,va2,
…
,vam}，其中的第i个向量vai的计算公式为：
[0067][0068]
式中，为所述第一下采样点集合中的第i个数据点sai在所述机械臂基坐标系下的坐标信息，为所述第一邻近点集合中的第i个数据点nai在所述机械臂基坐标系下的坐标信息，为所述第一向量集合中的第i个向量vai在所述机械臂基坐标系下的坐标表示，第i个向量vai实际上以第i个数据点sai为起点和以第i个数据点nai为终点，且i＝1,2,...,m。
[0069]
步骤(4)：根据所述第一向量集合对所述第一下采样点集合中的每个数据点进行上采样处理，得到对应的第一上采样点集合为ua＝{ua1,ua2,
…
,uam}，其中的第i个数据点uai的计算公式为：
[0070][0071]
式中，为所述第一上采样点集合中的第i个数据点uai在所述机械臂基坐标系下的坐标信息，h为上采样次数。
[0072]
步骤(5)：将所述第一数据集和所述第一上采样点集合进行合并处理，得到第一标定数据集为p＝{pa1,pa2,
…
,pan,ua1,ua2,
…
,uam}，为方便后续描述，此处将所述第一标定数据集表述为p＝{p1,p2,
…
,pn,p
n 1
,p
n 2
,
…
,p
n m
}。
[0073]
在本发明实施例中，所述第二数据集对应的第二标定数据集的具体获取过程包括如下：
[0074]
步骤(a)：根据所述第一下采样点集合中的每个数据点所携带的标记信息，从所述第二数据集中提取出标记信息相同的数据点，形成第二下采样点集合。
[0075]
具体的，基于所述第一下采样点集合为sa＝{sa1,sa2,sa3,...,sam}以及该集合中的各个数据点所携带的标记信息，从所述第二数据集中选择m个数据点后形成第二下采样点集合为sb＝{sb1,sb2,sb3,...,sbm}，其中，数据点sb1与数据点sa1的标记信息相同，数据点sb2与数据点sa2的标记信息相同，以此类推。
[0076]
需要说明的是，所述第二下采样点集合包含于所述第二数据集，所述第二下采样点集合中所包含的m个数据点均携带有唯一的标记信息，所述m个数据点并非如同所述第二数据集是按照标记信息由小到大的顺序进行规律排列的。
[0077]
步骤(b)：基于kd-tree算法对所述第二下采样点集合中的每个数据点进行邻近点搜索，得到对应的第二邻近点集合为nb＝{nb1,nb2,nb3,
…
,nbm}，其中，数据点nb1为数据点sb1的最邻近点，数据点nb2为数据点sb2的最邻近点，以此类推；此外，所述第二邻近点集合包含于所述第二数据集，即在执行该邻近点搜索任务时是以所述第二数据集所包含的n个数据点为限定条件来进行匹配的。
[0078]
步骤(c)：构建所述第二下采样点集合与所述第二邻近点集合之间的第二向量集合为vb＝{vb1,vb2,
…
,vbm}，其中的第i个向量vbi的计算公式为：
[0079]
[0080]
式中，为所述第二下采样点集合中的第i个数据点sbi在所述光学系统坐标系下的坐标信息，为所述第二邻近点集合中的第i个数据点nbi在所述光学系统坐标系下的坐标信息，为所述第二向量集合中的第i个向量vbi在所述光学系统坐标系下的坐标表示，第i个向量vbi实际上以第i个数据点sbi为起点和以第i个数据点nbi为终点，且i＝1,2,...,m。
[0081]
步骤(d)：根据所述第二向量集合对所述第二下采样点集合中的每个数据点进行上采样处理，得到对应的第二上采样点集合为ub＝{ub1,ub2,
…
,ubm}，其中的第i个数据点ubi的计算公式为：
[0082][0083]
式中，为所述第二上采样点集合中的第i个数据点ubi在所述光学系统坐标系下的坐标信息，h为上采样次数。
[0084]
步骤(e)：将所述第二数据集和所述第二上采样点集合进行合并处理，得到第二标定数据集为q＝{pb1,pb2,
…
,pbn,ub1,ub2,
…
,ubm}，为方便后续描述，此处将所述第二标定数据集表述为q＝{q1,q2,
…
,qn,q
n 1
,q
n 2
,
…
,q
n m
}。
[0085]
s105、基于改进svd算法对所述手眼标定数据集进行处理，得到手眼转换矩阵。
[0086]
在本发明实施例中，所述手眼转换矩阵表征着所述机械臂基坐标系和所述光学系统坐标系之间的转换关系，其实际上是由旋转矩阵和平移矩阵构成的，具体求解过程包括如下步骤：
[0087]
(1)计算所述第一标定数据集的第一加权平均中心，再利用所述第一加权平均中心对所述第一标定数据集中的每个数据点进行去中心化，得到预处理后的第一标定数据集为p
′
＝{p
′1,p
′2,
…
,p
′n,p
′
n 1
,p
′
n 2
,
…
,p
′
n m
}，其中的第k个数据点p
′k的计算公式为：
[0088][0089]
式中，为所述第一标定数据集的第一加权平均中心，pk为所述第一标定数据集中的第k个数据点，p
′k为所述预处理后的第一标定数据集中的第k个数据点，且k＝1,2,...,n m；在实施过程中，本发明已预先设定一个适用于评估所述第一标定数据集和所述第二标定数据集中的每个数据点的权重值集合为w＝{w1,w2,
…
,wn,w
n 1
,w
n 2
,
…
,w
n m
}，wk为所述权重值集合中的第k个权重值。
[0090]
(2)计算所述第二标定数据集的第二加权平均中心，再利用所述第二加权平均中心对所述第二标定数据集中的每个数据点进行去中心化，得到预处理后的第二标定数据集为q
′
＝{q
′1,q
′2,
…
,q
′n,q
′
n 1
,q
′
n 2
,
…
,q
′
n m
}，其中的第i个数据点q
′k的计算公式为：
[0091][0092]
式中，为所述第二标定数据集的第二加权平均中心，qk为所述第二标定数据集中的第k个数据点，q
′k为所述预处理后的第二标定数据集中的第k个数据点，且k＝1,2,...,n m。
[0093]
(3)计算所述预处理后的第一标定数据集与所述预处理后的第二标定数据集之间的协方差矩阵为：
[0094]
h＝xay
t
[0095]
式中，h为协方差矩阵，是由3行
×
3列数据所组成的；x为所述预处理后的第一标定数据集所形成的第一矩阵，是由3行
×
(n m)列数据所组成的，其中的第1行数据为(n m)个数据点在所述机械臂基坐标系的x轴上的坐标信息，第2行数据为(n m)个数据点在所述机械臂基坐标系的y轴上的坐标信息，第3行数据为(n m)个数据点在所述机械臂基坐标系的z轴上的坐标信息；a为所述权重值集合所形成的权重矩阵，是由(n m)行
×
(n m)列数据所组成的对角矩阵，即a＝diag(w1,w2,
…
,wn,w
n 1
,w
n 2
,
…
,w
n m
)；y为所述预处理后的第二标定数据集所形成的第二矩阵，是由3行
×
(n m)列数据所组成的，其中的第1行数据为(n m)个数据点在所述光学系统坐标系的x轴上的坐标信息，第2行数据为(n m)个数据点在所述光学系统坐标系的y轴上的坐标信息，第3行数据为(n m)个数据点在所述光学系统坐标系的z轴上的坐标信息；t为转置符号。
[0096]
(4)对所述协方差矩阵进行奇异值分解得到旋转矩阵，进而结合所述第一加权平均中心和所述第二加权平均中心计算出平移矩阵。
[0097]
具体的，首先对所述协方差矩阵h进行奇异值分解，可获取到左奇异矩阵u和右奇异矩阵v；其次，根据所述左奇异矩阵u和所述右奇异矩阵v求解出旋转矩阵为r＝veu
t
，其中的e是由3行
×
3列数据所组成的对角矩阵，其主对角线上的前两个数据均为1以及最后一个数据为det(vu
t
)的计算结果，t为转置符号；最后，根据所述旋转矩阵r、所述第一加权平均中心和所述第二加权平均中心求解出平移矩阵为
[0098]
s106、利用所述手眼转换矩阵对所述手眼标定数据集进行逆向反推与误差计算，进而判断所述手眼转换矩阵是否为最优解。
[0099]
在本发明实施例中，首先利用所述手眼转换矩阵将所述第一标定数据集中的每个数据点转换到所述光学系统坐标系下进行表示，得到拟合后的第一标定数据集为p
″
＝{p
″1,p
″2,
…
,p
″n,p
″
n 1
,p
″
n 2
,
…
,p
″
n m
}；其次对所述拟合后的第一标定数据集与所述第二标定数据集进行对应两点间的差值计算，得到差值集合为d＝{d1,d2,
…
,dn,d
n 1
,d
n 2
,
…
,d
n m
}，其中的第k个差值dk为所述拟合后的第一标定数据集中的第k个数据点p
″k到所述第二标定数据集中的第k个数据点qk之间的欧式距离，且k＝1,2,...,n m；最后判断所述差值集合中是否存在一个或者多个差值大于技术人员所指定的预设误差阈值，相应的判断结果为：若所述差值集合中存在一个或者多个差值大于所述预设误差阈值，则判断所述手眼转换矩阵并非为最优解，此时继续执行步骤s107；若所述差值集合中所包含的所有差值均小于等于所述预设误差阈值，则判断所述手眼转换矩阵为最优解，此时跳转执行步骤s108。
[0100]
s107、根据误差计算结果对所述手眼标定数据集进行更新。
[0101]
在本发明实施例中，首先从所述差值集合中筛选出所有不合格的差值，其中每一个不合格的差值均大于所述预设误差阈值；其次，将所述第一标定数据集和所述第二标定数据集中与所述所有不合格的差值相关联的所有数据点进行删除，得到更新后的手眼标定数据集，再返回执行步骤s105。
[0102]
以所述差值集合中存在第5个差值d5和第10个差值d
10
均大于所述预设误差阈值为例，对以上提及到的更新过程进行如下说明：将所述第一标定数据集中的第5个数据点p5和第10个数据点p
10
进行删除，同时将所述第二标定数据集中的第5个数据点q5和第10个数据点q
10
进行删除，此时所述第一标定数据集中剩下n m-2个数据点，所述第二标定数据集中也剩下n m-2个数据点。
[0103]
s108、直接输出所述手眼转换矩阵。
[0104]
在本发明实施例中，通过控制机械臂移动至若干个标定位置以获取标定工具在机械臂基坐标系下的第一数据集以及在光学系统坐标系下的第二数据集，再利用采样算法对所述第一数据集和所述第二数据集进行虚拟数据点扩充，可以在整个标定工作中减少取点的个数，缩短取点的时间，减少相机视野内的不稳定数据点的影响，且操作过程更为简便。通过引入闭环反馈环节，利用手眼标定数据集来计算出手眼转换矩阵并对其进行验证，且在验证不通过时对所述手眼标定数据集进行筛选更新，进而迭代计算出最优的手眼转换矩阵，可以提高机械臂手眼标定工作的精度，同时使得整个标定工作更具有鲁棒性。本发明提供的标定工具小巧方便，且具备较高的可拓展性。
[0105]
另外，本发明实施例还提供一种基于改进svd算法的机械臂手眼标定系统，所述系统包括：
[0106]
至少一个处理器；
[0107]
至少一个存储器，用于存储至少一个程序；
[0108]
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上述任一实施例所述的基于改进svd算法的机械臂手眼标定方法。
[0109]
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所实现的功能与上述方法实施例相同，并且所达到的有益效果与上述方法实施例相同。
[0110]
所述处理器可以是中央处理单元(central-processing-unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital-signal-processor，dsp)、专用集成电路(application-specific-integrated-circuit，asic)、现场可编程门阵列(field-programmable-gate-array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述基于改进svd算法的机械臂手眼标定系统的控制中心，利用各种接口和线路连接整个基于改进svd算法的机械臂手眼标定系统可运行装置的各个部分。
[0111]
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述基于改进svd算法的机械臂手眼标定系统的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中：存储程序区用于存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区用于存储根据手机的使用所创建的数据
(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smart-media-card，smc)，安全数字(secure-digital，sd)卡，闪存卡(flash-card)、至少一个磁盘存储器件、闪存器件或者其他易失性固态存储器件。
[0112]
尽管本技术的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求，考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本技术的预定范围。此外，上文以发明人可预见的实施例对本技术进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本技术的非实质性改动仍可代表本技术的等效改动。