每天，我走出办公室，都能看的很多机器人整齐地排列等待集成到流水线上，没有上百也有几十。这些机器人看起来完全一样，但实际上却不是，每一片金属、每一个伺服连接都与另外一台机器人有些许不同。将这些机器人安装到车间中，根据车间温度的不同，他们的物理尺寸会再次发生变化，因为金属会膨胀（或者收缩），电气效率也会发生变化。
　　这些机械和电气方面的变化（或误差）一点一点地积累，最终影响整个机器人的精度。机器人精度就是按照程序到达空间中某一点的能力。用户无法使用机器人实现0.1mm的重复性，即无法以0.1mm的精度将零件精确地定位，因为他们高估了机器人的真实精度——按照需要回到空间中某一点的能力。
　　视觉引导机器人（VGR）上配有工业摄像头，摄像头与计算机连接，后者运行图像处理软件来判断机器人控制的偏移量，通过比较机器人的位置以及在3D空间内的位置和预期位置之间的偏差，提供一种主动的方法来抵消这种偏移。但是机器视觉也会由于很多因素产生累积误差，从光线变化以及传感器响应的内部因素到表面光洁度和由夹持系统导致的物料摆放方式不同之类的外在差异。
　　不幸的是，大多数最终用户并不理解精度和重复性的根源，也不理解在创建VGR解决方案的过程中如何计算机器人和视觉系统的累积误差。根据机器人的实际累积误差来选择合适的机器视觉系统要求在机器视觉和机器人编程方面具有丰富的经验，之后才能明确全部的项目规格。
 
　　求同存异
　　每一个VGR应用都有所不同，因为每一个机器人、环境、生产的零件和工艺都有所不同。因此，有很多解决问题的方法，但是最终的目标仍旧是令系统能够以特定的速率、预期的参数和最低的成本完成特定的任务。
　　所有这一切基于对应用需求的全面且透彻的理解。零件是什么样子？在实际的生产中，对于机器人来说零件的尺寸、质地和朝向分别是什么，而不仅仅是在CAD文件中描述。从温度的变化到光线的变化，车间的环境条件怎样？机器人需要对零件进行什么操作，以及这种类型的操作如何影响机器人的选择，包括速度、力度以及零件质量及其对机器人定位的影响？ 

　　如图所示，在机器人将门框之类的产品放置到货架上的例子中，尽管已经有精心设计的衬垫和机械固定装置，部件的位置还是经常会发生变化。机器视觉系统能够核算位置偏差，确保机器人完成在货架上放置或者拾取任务。

　　有了这些信息，大多数用户就能够对安装在车间中的特定机器人OEM厂商的产品有一个大致了解。根据零件的不同和对零件位置的需求，有经验的设计人员能够为项目应用选择合适的机器人型号。机器人基本就是一种动力学模型，包括独一无二的机械结构和电气（或者液压）控制。大多数机器人OEM厂商提供绝对精度服务，用来确定每台机器人的绝对精度，当机器人和视觉累积误差与项目的物料夹持精度和重复性需求非常接近的情况下，这一信息将会非常有用。
　　在明确项目需求并选择了合适的机器人之后，设计人员就必须对机器人进行编程以使其能够完成预期任务。机器人需要能够找出被送入工作区间的零件，可以使用固定装置连续地为机器人提供零件的3D方位，也可以使用视觉系统找出与标准机器人运动轨迹之间的偏差进而确定零件方位上的偏差。
　　今天，更多的生产厂商正在使用视觉系统而不是固定装置，因为固定装置需要定制，不具有在同一条流水线上应对多种零部件的灵活性，除非进行额外的投入，也无法在工厂的其他位置复用机器人单元。机器视觉系统能够重新编程，而且如果机器人的组件和系统能够满足新应用的特殊需求，那么它还可以像其他设备一样在工厂中重复使用。
 
　　在VGR中加入视觉
　　当应用明确定义之后，下一步就是确定机器人需要视觉系统提供何种信息来达到预期要求。如果平面传送带上运送的是相对较平的零件，那么2D视觉系统是否足够？项目应用是否需要朝向和相对高度信息作为X轴和Y轴信息的辅助——因此，是否需要2.5D视觉解决方案？或者对于孔洞检查应用，是否需要绝对3D信息以提供对于零件上夹持耳和夹持点的描述？
　　2D和2.5D解决方案相对来说较为简单，如果视野中的每个像素都能够达到最小的空间解析度，那么用一个摄像头就能够解决问题。而对于3D视觉，设计人员就有多种选择了，包括单摄像头3D、配有结构光线三角测量功能的单或者多摄像头3D和多摄像头立体视觉。每一种方法都具有一些优点和缺点，例如，单摄像头3D解决方案在相对狭窄的视野中精度非常之高，但是需要多幅图像才能构建3D点坐标。立体视觉对于大型视野精度非常高，在使用了结构光源之后精度还能够进一步提高，例如光栅投影设备、LED或者激光发生器，但是需要更多的硬件。所有这些系统都依赖于频繁地校准，以确保泵、热膨胀和其他因素不会给3D数据带来误差。
　　人们对光线对于机器视觉系统的影响知之甚少。光线，或者更准确地说光线地变化，会极大地影响机器视觉系统，不管视觉解决方案的精度如何。在视觉系统中光线往往是最后被考虑的因素，实际上在设计的早期就应该对其进行考量，因为摄像头对于光线和零部件的交互作用的感知是成功的机器视觉解决方案的根本。
　　例如，如果你的车间有窗户，那么红外光就不是首选，因为太阳光在可见光光谱中的红光和红外部分分布最强。为了选择最合适的光色（白光、蓝光、黄光、红光等等），必须对于光物理和光学有所了解。VGR车间是否需要检测零件上非常相近的颜色，例如，是否需要彩色摄像头和彩色光？亦或者颜色的差异是否足够大，以至于可以使用配有带通滤波片和互补光的灰度摄像头，因为这种解决方案所需处理的数据量更小，成本也更低。
　　关于匹配彩色光照明的知识很难一言以蔽之，但是一个基本的规则是：不要使用与房间中环境光类似的光源，也不要使用与零件颜色相反的光色，因为零件会吸收这种颜色的光（除非你考虑使用背景光或者暗场照明）。