『壹』 機械手臂是如何製造的
現在做機械手臂的比較多。
1）什麼是機械手臂
機械手臂是機械人技術領域中得到最廣泛實際應用的自動化機械裝置，在工業製造、醫學治療、娛樂服務、軍事、半導體製造以及太空探索等領域都能見到它的身影。盡管它們的形態各有不同，但它們都有一個共同的特點，就是能夠接受指令，精確地定位到三維（或二維）空間上的某一點進行作業。其結構形式簡單說有這幾類：懸臂式，龍門式，直立式以及橫立式等。
2）機械手臂的構成
機械手臂主要由執行機構、驅動機構和控制系統三大部分組成。
手部是用來抓持工件（或工具）的部件，根據被抓持物件的形狀、尺寸、重量、材料和作業要求而有多種結構形式，如夾持型、托持型和吸附型等。運動機構，使手部完成各種轉動（擺動）、移動或復合運動來實現規定的動作，改變被抓持物件的位置和姿勢。
運動機構的升降、伸縮、旋轉等獨立運動方式，稱為機械手的自由度。為了抓取空間中任意位置和方位的物體，需有6個自由度。自由度是機械手臂設計的關鍵參數。自由度越多，機械手臂的靈活性越大，通用性越廣，其結構也越復雜。一般專用機械手有2～3個自由度。
機械手臂所用的驅動機構主要有4種：液壓驅動、氣壓驅動、電氣驅動和機械驅動。其中以液壓驅動、氣壓驅動用得最多。
控制系統是通過對機械手每個自由度的電機的控制，來完成特定動作。同時接收感測器反饋的信息，形成穩定的閉環控制。控制系統的核心通常是由單片機或dsp等微控制晶元構成，通過對其編程實現所要功能。
3）機械手臂所使用的材料
由於機械手臂在承受載荷時，不能有應變和斷裂，也就是說要有足夠的強度，所以應該選擇「高強度的材料」。另外，由於機械手臂是運動的，需要有良好的受控性，因此不能過笨重，所以至少得「密度小 強度大 而且轉動慣量小」。所以，機械手一般採用「合金鋼」，「經過熱處理的優質鋼」，「輕型合金，如鋁合金」等材料比較多。
4）機械手臂的製造
由以上簡單介紹可知，機械手臂的製造所涉及的領域較廣泛，如材料、機械、電子、液壓、氣動、電磁等等。
詳細情況請參照相關專業技術資料。
『貳』 有什麼好的機械打磨工具，對金屬零件表面進行處理。金屬零件表面比較復雜。
目前常用的機械打磨工具，也就是電動角磨機，電動直磨機，氣動角磨機和氣動直磨機，還沒發現有更好的機械打磨工具。
『叄』 生產線上機器人機械臂是怎麼實現精確定位的
最直接的方法是採用非接觸位移測量感測器，安裝到機械手上，測量距回離被測物體的距離答，從而精確定位控制機械手動作。
非接觸位移測量感測器有以下特點「
◆量程最小2mm，最大1250mm
◆量程起始距離最小10mm，最大260mm
◆頻率響應：2K、5K、8K、9.4K；
◆解析度最高0.01%,線性度最高0.1%
◆支持多個感測器同步採集
◆支持特殊量程
◆特殊應用(如路面平整度，高溫被測體，管道內徑，石油鑽桿內外螺紋測量等)
◆針對串口，提供了運行應用的DLL開發庫，方便用戶開發應用軟體
◆非接觸位移精密測量。
『肆』 目前工業機器人用於打磨的時候，不規則曲面用手工示教很麻煩，而且也不夠准確。離線編程軟體都是怎麼做的
在離線編程軟體中標定六軸拋光打磨機械臂與打磨工具的相對位置；生成打磨軌跡點；建立系統的三維模型並將三維模型進行格式轉換；將已轉換格式的三維模型導入離線編程軟體以及將打磨軌跡點導入已轉換格式的三維模型；根據六軸拋光打磨機械臂與打磨工具的相對位置、打磨軌跡點以及已轉換格式的三維模型，生成打磨程序。
對於在面與面的交接處，可以分別對單個的打磨軌跡點進行微調，以改變其打磨姿態，使打磨完整。
在離線編程軟體當中，模擬整個打磨過程，並記錄六軸拋光打磨機械臂運動到每一個打磨軌跡點處各關節的轉動角度，最終輸出打磨程序。
因為在用RobotArt這款離線編程軟體，所以我僅對這款軟體是怎麼操作的簡單說一下。首先應該在軟體中將打磨的零件導入進來，然後利用曲面投影線將不規則曲面進行投影，最後利用曲線特徵的軌跡生成方式生成相應的軌跡。
『伍』 如何實現機械臂動作控制我是做工業領域的
機械手臂主要由手部、運動機構和控制系統三大部分組成。
1、手部是用來抓回持工件（或工答具）的部件，根據被抓持物件的形狀、尺寸、重量、材料和作業要求而有多種結構形式，如夾持型、托持型和吸附型等。
2、 運動機構，使手部完成各種轉動（擺動）、移動或復合運動來實現規定的動作，改變被抓持物件的位置和姿勢。運動機構可由電力、液壓、氣動、人力驅動。
運動機構的升降、伸縮、旋轉等獨立運動方式，稱為機械手的自由度 。為了抓取空間中任意位置和方位的物體，需有6個自由度。
3、控制系統是通過對機械手每個自由度的電機的控制，來完成特定動作。同時接收感測器反饋的信息，形成穩定的閉環控制。控制系統的核心通常是由單片機或dsp等微控制晶元構成，通過對其編程實現所要功能。
『陸』 想做機械臂視覺定位抓取，現在做完了運動學逆解，正開始視覺
51內核，攝像抄頭讀和傳出數據都是問題，更別提解析數據的速度了；
51最多控制個簡單的io，最低的stm32f103zet6的入門板，接攝像頭，加個屏幕
你想簡單的可以直接用pc識別的，結果傳送給51坐標，就好，大半計算留給pc，
『柒』 機械臂是怎麼保證速度平滑且位置精確的
最直接的方法是採用非接觸位移測量感測器，安裝到機械手上，測量距離被測物體的距離，從而精確定位控制機械手動作。
非接觸位移測量感測器有以下特點「
◆量程最小2mm，最大1250mm
◆量程起始距離最小10mm，最大260mm
◆頻率響應：2K、5K、8K、9.4K；
◆解析度最高0.01%,線性度最高0.1%
◆支持多個感測器同步採集
◆支持特殊量程
◆特殊應用(如路面平整度，高溫被測體，管道內徑，石油鑽桿內外螺紋測量等)
◆針對串口，提供了運行應用的DLL開發庫，方便用戶開發應用
◆非接觸位移精密測量。
『捌』 機器手臂裝砂輪自動打磨多角度工件能行嗎
現在的機械手多指直線電機，其速度可控，但角度過多，機械手的成本將直線上升，原理上是可行的，簡單的五軸可以這樣實現:x，y和y向旋轉可使用數控工作台實現，機械手加上兩個調整角度，就是成本太高了。
『玖』 機械臂是通過什麼控制揀取物體的
三角函數是以角度（數學上最常用弧度制，下同）為自變數，角度對應任意角終邊與單位圓交點坐標或其比值為因變數的函數。
『拾』 機器人抓取時怎麼定位的用什麼感測器來檢測
機器人家上了解到，機器人領域的視覺（Machine Vision）跟計算機領域（Computer Vision）的視覺有一些不同：機器視覺的目的是給機器人提供操作物體的信息。所以，機器視覺的研究大概有這幾塊：
物體識別（Object Recognition）：在圖像中檢測到物體類型等，這跟 CV 的研究有很大一部分交叉；
位姿估計（Pose Estimation）：計算出物體在攝像機坐標系下的位置和姿態，對於機器人而言，需要抓取東西，不僅要知道這是什麼，也需要知道它具體在哪裡；
相機標定（Camera Calibration）：因為上面做的只是計算了物體在相機坐標系下的坐標，我們還需要確定相機跟機器人的相對位置和姿態，這樣才可以將物體位姿轉換到機器人位姿。
當然，我這里主要是在物體抓取領域的機器視覺；SLAM 等其他領域的就先不講了。
由於視覺是機器人感知的一塊很重要內容，所以研究也非常多了，我就我了解的一些，按照由簡入繁的順序介紹吧：
0. 相機標定
這其實屬於比較成熟的領域。由於我們所有物體識別都只是計算物體在相機坐標系下的位姿，但是，機器人操作物體需要知道物體在機器人坐標系下的位姿。所以，我們先需要對相機的位姿進行標定。 內參標定就不說了，參照張正友的論文，或者各種標定工具箱； 外參標定的話，根據相機安裝位置，有兩種方式：
Eye to Hand：相機與機器人極坐標系固連，不隨機械臂運動而運動
Eye in Hand：相機固連在機械臂上，隨機械臂運動而運動 兩種方式的求解思路都類似，首先是眼在手外（Eye to Hand）
只需在機械臂末端固定一個棋盤格，在相機視野內運動幾個姿態。由於相機可以計算出棋盤格相對於相機坐標系的位姿 、機器人運動學正解可以計算出機器人底座到末端抓手之間的位姿變化 、而末端爪手與棋盤格的位姿相對固定不變。 這樣，我們就可以得到一個坐標系環
而對於眼在手上（Eye in Hand）的情況，也類似，在地上隨便放一個棋盤格（與機器人基座固連），然後讓機械臂帶著相機走幾個位姿，然後也可以形成一個 的坐標環。
1. 平面物體檢測
這是目前工業流水線上最常見的場景。目前來看，這一領域對視覺的要求是：快速、精確、穩定。所以，一般是採用最簡單的邊緣提取+邊緣匹配/形狀匹配的方法；而且，為了提高穩定性、一般會通過主要打光源、採用反差大的背景等手段，減少系統變數。
目前，很多智能相機（如 cognex）都直接內嵌了這些功能；而且，物體一般都是放置在一個平面上，相機只需計算物體的 三自由度位姿即可。 另外，這種應用場景一般都是用於處理一種特定工件，相當於只有位姿估計，而沒有物體識別。 當然，工業上追求穩定性無可厚非，但是隨著生產自動化的要求越來越高，以及服務類機器人的興起。對更復雜物體的完整位姿 估計也就成了機器視覺的研究熱點。
2. 有紋理的物體
機器人視覺領域是最早開始研究有紋理的物體的，如飲料瓶、零食盒等表面帶有豐富紋理的都屬於這一類。 當然，這些物體也還是可以用類似邊緣提取+模板匹配的方法。但是，實際機器人操作過程中，環境會更加復雜：光照條件不確定（光照）、物體距離相機距離不確定（尺度）、相機看物體的角度不確定（旋轉、仿射）、甚至是被其他物體遮擋（遮擋）。
幸好有一位叫做 Lowe 的大神，提出了一個叫做 SIFT （Scale-invariant feature transform）的超強局部特徵點： Lowe, David G. "Distinctive image features from scale-invariant keypoints."International journal of computer vision 60.2 (2004): 91-110. 具體原理可以看上面這篇被引用 4萬+ 的論文或各種博客，簡單地說，這個方法提取的特徵點只跟物體表面的某部分紋理有關，與光照變化、尺度變化、仿射變換、整個物體無關。 因此，利用 SIFT 特徵點，可以直接在相機圖像中尋找到與資料庫中相同的特徵點，這樣，就可以確定相機中的物體是什麼東西（物體識別）。
對於不會變形的物體，特徵點在物體坐標系下的位置是固定的。所以，我們在獲取若干點對之後，就可以直接求解出相機中物體與資料庫中物體之間的單應性矩陣。 如果我們用深度相機（如Kinect）或者雙目視覺方法，確定出每個特徵點的 3D 位置。那麼，直接求解這個 PnP 問題，就可以計算出物體在當前相機坐標系下的位姿。
↑ 這里就放一個實驗室之前畢業師兄的成果 當然，實際操作過程中還是有很多細節工作才可以讓它真正可用的，如：先利用點雲分割和歐氏距離去除背景的影響、選用特徵比較穩定的物體（有時候 SIFT 也會變化）、利用貝葉斯方法加速匹配等。 而且，除了 SIFT 之外，後來又出了一大堆類似的特徵點，如 SURF、ORB 等。
3. 無紋理的物體
好了，有問題的物體容易解決，那麼生活中或者工業里還有很多物體是沒有紋理的：
我們最容易想到的就是：是否有一種特徵點，可以描述物體形狀，同時具有跟 SIFT 相似的不變性？ 不幸的是，據我了解，目前沒有這種特徵點。 所以，之前一大類方法還是採用基於模板匹配的辦法，但是，對匹配的特徵進行了專門選擇（不只是邊緣等簡單特徵）。
簡單而言，這篇論文同時利用了彩色圖像的圖像梯度和深度圖像的表面法向作為特徵，與資料庫中的模板進行匹配。 由於資料庫中的模板是從一個物體的多個視角拍攝後生成的，所以這樣匹配得到的物體位姿只能算是初步估計，並不精確。 但是，只要有了這個初步估計的物體位姿，我們就可以直接採用 ICP 演算法（Iterative closest point）匹配物體模型與 3D 點雲，從而得到物體在相機坐標系下的精確位姿。
當然，這個演算法在具體實施過程中還是有很多細節的：如何建立模板、顏色梯度的表示等。另外，這種方法無法應對物體被遮擋的情況。（當然，通過降低匹配閾值，可以應對部分遮擋，但是會造成誤識別）。 針對部分遮擋的情況，我們實驗室的張博士去年對 LineMod 進行了改進，但由於論文尚未發表，所以就先不過多涉及了。
4. 深度學習
由於深度學習在計算機視覺領域得到了非常好的效果，我們做機器人的自然也會嘗試把 DL 用到機器人的物體識別中。
首先，對於物體識別，這個就可以照搬 DL 的研究成果了，各種 CNN 拿過來用就好了。有沒有將深度學習融入機器人領域的嘗試？有哪些難點？ - 知乎 這個回答中，我提到 2016 年的『亞馬遜抓取大賽』中，很多隊伍都採用了 DL 作為物體識別演算法。 然而， 在這個比賽中，雖然很多人採用 DL 進行物體識別，但在物體位姿估計方面都還是使用比較簡單、或者傳統的演算法。似乎並未廣泛採用 DL。 如 @周博磊 所說，一般是採用 semantic segmentation network 在彩色圖像上進行物體分割，之後，將分割出的部分點雲與物體 3D 模型進行 ICP 匹配。
當然，直接用神經網路做位姿估計的工作也是有的
它的方法大概是這樣：對於一個物體，取很多小塊 RGB-D 數據（只關心一個patch，用局部特徵可以應對遮擋）；每小塊有一個坐標（相對於物體坐標系）；然後，首先用一個自編碼器對數據進行降維；之後，用將降維後的特徵用於訓練Hough Forest。
5. 與任務/運動規劃結合
這部分也是比較有意思的研究內容，由於機器視覺的目的是給機器人操作物體提供信息，所以，並不限於相機中的物體識別與定位，往往需要跟機器人的其他模塊相結合。
我們讓機器人從冰箱中拿一瓶『雪碧』，但是這個 『雪碧』 被『美年達』擋住了。 我們人類的做法是這樣的：先把 『美年達』 移開，再去取 『雪碧』 。 所以，對於機器人來說，它需要先通過視覺確定雪碧在『美年達』後面，同時，還需要確定『美年達』這個東西是可以移開的，而不是冰箱門之類固定不可拿開的物體。 當然，將視覺跟機器人結合後，會引出其他很多好玩的新東西。由於不是我自己的研究方向，所以也就不再班門弄斧了。