本論文之主要目的在於設計與實現一個七自由度冗餘機械手臂以及一個具有RGB-D攝影機的視覺系統，讓機械手臂可以在不指定特定目標位置的狀態下，自主完成吸取物件的任務。主要有三個主題：(1) 七自由度冗餘機械手臂的設計、(2) 冗餘度機械手臂的運動控制、以及(3) 隨機物體的吸取姿態規劃。在七自由度冗餘機械手臂的設計上，為了讓機械手臂達成更高的靈活度，本論文設計之機械手臂具有冗餘度，其可達成避免空間限制及增加機械手臂工作範圍的目的。在冗餘度機械手臂的運動控制上，由於七自由度冗餘機械手臂在逆向運動學上具有無限多組解，因此需要額外增加一個冗餘度限制來確定逆向運動學的唯一解，本論文主要採用運動學解耦合的方式來計算。在隨機物體的吸取姿態規劃上，本論文採用RGB-D攝影機來擷取物件之點雲資料，並且用點雲資料庫來分割真實影像的色彩點雲資料，以找出物體的姿態，然後決定手臂吸取物體時的姿態。在實驗結果方面，本論文利用自行開發之七自由度冗餘度機械手臂來實現運動控制方法，並完成一些模擬及實驗結果來說明所提出之運動控制方法確實可以讓機械手臂有不錯的控制成效。此外，本論文所提出之隨機物體的吸取姿態規劃不僅能成功辨識場景中的物體，且對於物體的平移及旋轉都能精準估測姿態。最後，一些結合所提出之運動控制與吸取姿態規劃的實驗結果，說明其確實可以讓七自由度冗餘機械手臂進行隨機物體的吸取任務。

The main purpose of this thesis is to design and implement a 7-DOF redundant robot manipulator and a vision system with a RGB-D camera so that the robot manipulator can draws objects automatically without specify a specific target location. There are three main themes: (1) design of the 7-DOF redundant robot manipulator, (2) motion control of the 7-DOF redundant robot manipulator, and (3) drawing posture planning of random objects. In the design of the 7-DOF redundant robot manipulator, a mechanism of robot manipulator with redundancy is designed to have a higher flexibility, which can achieve the purpose of avoiding space limitation and increasing the working space of the robot manipulator. In the motion control of the 7-DOF redundant robot manipulator, an additional redundancy parameter is needed to determine the unique solution of the inverse kinematics since the 7-DOF redundant robot manipulator has an infinite number of solutions in the inverse kinematics. This thesis mainly uses kinematics decoupling to find the unique solution. In the drawing posture planning of random objects, the RGB-D camera is used to capture the cloud data of objects and point cloud library (PCL) is used to segment the color point cloud data of the real image to find the posture of the object and then determine the drawing posture of this object. In the experimental results, the motion control of the 7-DOF redundant robot manipulator is implemented, and some simulation and experimental results are presented to show that the proposed motion control method does allow the robot manipulator to have a good control effect. In addition, the proposed drawing posture planning not only can successfully identify the objects in the scene, but can accurately estimate the posture of translation and rotation of the object. Finally, some experimental results by combining the proposed motion control method and the drawing posture planning illustrate that it can really let the implemented 7-DOF redundant robot manipulator carry out the task of random object drawing.

中文摘要 I
英文摘要 II
目錄 III
圖目錄 V
表目錄 VIII
符號對照表 IX
第一章 緒論 1
1.1 研究背景 1
1.2 研究動機與目的 3
1.3 論文架構 4
第二章 七自由度冗餘機械手臂設計 5
2.1 機械手臂機構設計 5
2.2 機械手臂關節扭矩分析 9
2.3 機械手臂系統架構 14
第三章 七自由度冗餘機械手臂運動控制 16
3.1 冗餘機械手臂運動學 16
3.2 D-H連桿參數表 19
3.3 七自由度正向運動學 23
3.4 七自由度逆向運動學 31
第四章 隨機物體的吸取姿態規劃 39
4.1 點雲資料庫(Point Cloud Library, PCL) 39
4.2 物體偵測與辨識 40
4.3 機械手臂吸取物體的姿態規劃 49
第五章 實驗結果 51
5.1 七自由度冗餘機械手臂運動學之模擬與實測 51
5.2 隨機物體的吸取姿態規劃 57
第六章 結論及未來展望 67
6.1 結論 67
6.2 未來展望 68
參考文獻 69

圖1.1、各廠牌之輕量型七軸機械手臂 1
圖2.1、機械手臂實體圖 6
圖2.2、七自由度冗餘機械手臂之SolidWorks模擬圖 6
圖2.3、機械手臂連桿規格 7
圖2.4、機械手臂工作空間示意圖 7
圖2.5、機械手臂平舉時的姿態模擬圖 9
圖2.6、手腕扭矩分析示意圖 11
圖2.7、手肘扭矩分析示意圖 12
圖2.8、肩膀扭矩分析示意圖 13
圖2.9、七自由度冗餘機械手臂的軟硬體系統架構 15
圖3.1、尤拉角roll-pitch-yaw之旋轉的示意圖 16
圖3.2、roll-pitch-yaw之旋轉方式的示意圖 17
圖3.3、冗餘機械手臂之冗餘軸的示意圖 18
圖3.4、冗餘度之特性 18
圖3.5、Zi-1與Zi無共平面之示意圖 19
圖3.6、Zi-1與Zi互相平行之示意圖 20
圖3.7、Zi-1與Zi相交情況之示意圖一 21
圖3.8、Zi-1與Zi相交情況之示意圖二 21
圖3.9、七自由度機械手臂之座標系配置 21
圖3.10、冗餘度為零之示意圖 28
圖3.11、冗餘度之示意圖 28
圖3.12、δ角位置之示意圖 29
圖3.13、球型關節 32
圖3.14、運動學解耦合及手腕中心之示意圖 32
圖3.15、手肘關節解法之示意圖 33
圖3.16、第一、四軸解法示意圖 35
圖4.1、點雲庫模組示意圖 39
圖4.2、物體偵測與辨識流程圖 40
圖4.3、點雲資料前處理流程圖 41
圖4.4、攝影機拍攝到的點雲 41
圖4.5、直通濾波示意圖 42
圖4.6、體素示意圖 43
圖4.7、體素網格濾波示意圖 43
圖4.8、降低取樣點雲示意圖 43
圖4.9、濾除離群點示意圖 44
圖4.10、濾除離群點結果圖 44
圖4.11、濾除離群點雲示意圖 45
圖4.12、物體姿態估測流程圖 46
圖4.13、區域增長分割示意圖 47
圖4.14、表面法向量擷取 47
圖4.15、表面法向量示意圖 48
圖4.16、機械手臂、攝影機及物體的座標系 49
圖4.17、座標轉換示意圖 50
圖5.1、實驗一：機械手臂逆向運動學模擬執行結果 52
圖5.2、實驗一：機械手臂逆向運動學實際執行結果分鏡圖 53
圖5.3、實驗一：機械手臂各關節之角度-冗餘度的回授圖 54
圖5.4、實驗一：機械手臂末端點-冗餘度之命令回授的誤差圖 54
圖5.5、實驗二、機械手臂逆向運動學模擬執行結果 55
圖5.6、實驗二：機械手臂各關節之角度-冗餘度的回授圖 56
圖5.7、實驗二：機械手臂末端點及冗餘度之命令-回授的誤差圖 56
圖5.8、場景一之物體設置圖 58
圖5.9、場景一之點雲原始圖 58
圖5.10、場景一之點雲前處理 58
圖5.11、場景一之點雲物體分割 59
圖5.12、場景二之物體設置圖 59
圖5.13、場景二之點雲原始圖 60
圖5.14、場景二之點雲前處理 60
圖5.15、場景二之點雲物體分割 60
圖5.16、場景三之物體設置圖 61
圖5.17、場景三之點雲原始圖 61
圖5.18、場景三之點雲前處理 62
圖5.19、場景三之點雲物體分割 62
圖5.20、場景一之機械手臂吸取物體實際執行結果分鏡圖 64
圖5.21、場景二之機械手臂吸取物體實際執行結果分鏡圖 65
圖5.22、場景三之機械手臂吸取物體實際執行結果分鏡圖 66

表2.1、七自由度冗餘機械手臂的系統規格 8
表2.2、機械手臂各部分對應名稱 9
表2.3、七自由度冗餘機械手臂各關節規格表 10
表3.1、D-H連桿參數及說明 22
表3.2、七自由度冗餘機械手臂之D-H連桿參數表 22
表5.1、場景一之物體對機械手臂的位置及姿態轉換表 63
表5.2、場景二之物體對機械手臂的位置及姿態轉換表 64
表5.3、場景二之物體對機械手臂的位置及姿態轉換表 65

[1]J.F. Engelberger,Robotics in Service, MIT Press,1989.
[2]DLR:http://www.dlr.de/rm/en/desktopdefault.aspx/tabid-3803/6175_read-8963
[3]Barrett TechnologyInc.: http://www.barrett.com/robot/index.htm
[4]SCHUNK:http://mobile.schunk-microsite.com/en/produkte/produkte/dextrous-lightweight-arm-lwa-4d.html
[5]A.S. Mian, M. Bennamoun, and R. Owens, “Three-dimensional model-based object recognition and segmentation in cluttered scenes,” IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 28, No. 10, October, 2006.
[6]M. Zhu, K. Derpanis, Y. Yang, S. Gedikli, R. Rusu, M. Vincze, and G. Bradski, “CAD-model recognition and 6DOF pose estimation using 3D cues,”International Conference on Computer Vision Workshops, pp.585-592, 2011.
[7]M.Zhu, K.G. Derpanis, Y. Yang, S. Brahmbhatt, M. Zhang, C. Phillips, M. Lecce, andK. Daniilidis, “Single image 3D object detection and pose estimation for grasping,”IEEE International Conference on Robotics & Automation (ICRA), pp. 3936-3943, May, 2014.
[8]Q.L. Huang,J. Wu,and R. Xiong, “A solution of inverse kinematics for 7-DOF manipulators and its application,” World Congress on Intelligent Control and Automation (WCICA), pp. 3711-3717, 2012.
[9]賴宥澄，七自由度冗餘機械手臂的系統開發與運動控制設計，淡江大學電機工程學系碩士論文(指導教授：翁慶昌)，2016。
[10]B. Okal and A. Nuchter, “Sliced curvature scale space for representing and recognizing 3D objects,”International Conference on Advanced Robotics (ICAR), 2013.
[11]D. Zarpalas, G. Kordelas, and P. Daras, “Recognizing 3D objects in cluttered scenes using projection images,”IEEE International Conference on Image Processing, pp.673-676, 2011.
[12]H. Masuta and H. Lim, “Invariant perception for grasping an unknown object using 3D depth sensor,”IEEE Symposium Series on Computational Intelligence, 2015.
[13]王偉毅，使用非線性輪廓套合演算法基於CAD模型之三維物體姿態估測，淡江大學電機工程學系碩士論文(指導教授：蔡奇謚)，2015。
[14]蔡述翔，基於RGB-D攝影機之三維物體辨識與姿態估測系統設計與實現，淡江大學電機工程學系碩士論文(指導教授：蔡奇謚)，2016。
[15]Intel RealSense:
https://www.intel.com.tw/content/www/tw/zh/homepage.html
[16]PCL:http://pointclouds.org/
[17]Robotis: https://www.robotis.com/
[18]H.H. An, W.I. Clement, and B. Reed, “Analytical inverse kinematic solution with self-motion constraint for the 7-DOF restore robot arm,” 2014 IEEE/ASME International Conference on Advanced Intelligent Mechatronics (AIM), pp. 1325-1330, 2014.
[19]M.C. Liu, H.H. Tsai, and T. Hsiao, “Kinematics-based studies on a 7-DOF redundant manipulator,” 2014 CACS International Automatic Control Conference (CACS 2014), pp. 228-231, 2014.
[20]ROS: https://www.ros.org/
[21]Willow Garage: https://www.willowgarage.com/
[22]蔡自興，機器人學，清華大學出版社，2009。
[23]J.J. Craig, Introduction to Robotics: Mechanics and Control, 3rd Ed, New York, NY, USA: Prentice Hall, 2004.
[24]M. W. Spong, S. Hutchinson, and M. Vidyasagar, Robot Dynamics and Control, 2nd Ed., John Wiley & Sons, 2004.
[25]R.B. Rusu and S. Cousins, “3D is here: Point Cloud Library (PCL),”IEEE International Conference on Robotics and Automation (ICRA), 2011.
[26]PCL document - Filtering a PointCloud using a PassThrough filter:
http://pointclouds.org/documentation/tutorials/passthrough.php
[27]PCL document - Downsampling a PointCloud using a VoxelGrid filter:
http://www.pointclouds.org/documentation/tutorials/voxel_grid.php#voxelgrid
[28]C.T. Hsieh, “An efficient development of 3D surface registration byPoint Cloud Library (PCL),”2012 IEEE International Symposium on Intelligent Signal Processing and Communication Systems(ISPACS 2012),pp.729-734, 2012.
[29]R.B. Rusu, N. Blodow, Z. Marton, A. Soos, and M. Beetz “Towards 3D object maps for autonomous household robots,”IEEE International Conference on Intelligent Robots and Systems (IROS), 2007.
[30]PCL document - Region growing segmentation:
http://pointclouds.org/documentation/tutorials/region_growing_segmentation.php
[31]PCL document - Estimating Surface Normals in a PointCloud:
http://pointclouds.org/documentation/tutorials/normal_estimation.php
[32]Model:
http://www.csie.ntnu.edu.tw/~u91029/Model.html