Lab 1 - Wprowadzenie do Robotics Toolbox for Python

Modelowanie i sterowanie robotów - laboratorium

Lab 1 - Wprowadzenie do Robotics Toolbox for Python

Politechnika Poznańska

Instytut Robotyki i Inteligencji Maszynowej

Logo PP

Jakub Chudziński, Bartłomiej Kulecki

Wstęp

W pierwszej części zajęć laboratoryjnych z Modelowania i Sterowania Robotów pracować będziemy z biblioteką Spatialmath oraz Robotics Toolbox. Będziemy wykorzystywać język Python 3 - w przypadku konieczności przypomnienia sobie procedury instalacji i konfiguracji środowiska, a także podstawowego użycia pakietów (np. numpy) można sięgnąć do tutoriali z przedmiotu Technologie Informacyjne (instrukcje 05a, 05b, 06).

Robotics Toolbox (RTB) jest biblioteką dla języka Python 3, która stanowi odpowiednik pierwotnej wersji Robotics Toolbox dla środowiska MATLAB. Autorem obu wersji jest Peter Corke.

RTB zapewnia narzędzia do reprezentacji kinematyki i dynamiki manipulatorów o złączach połączonych szeregowo (czyli w formie łańcuchów kinematycznych) - umożliwia tworzenie własnych w formie notacji Denavita-Hartenberga, zaimportowanie pliku URDF lub użycie ponad 30 dostarczonych modeli dla znanych współczesnych robotów firmy Franka-Emika, Kinova, Universal Robotics, Rethink, a także klasycznych robotów, takich jak Puma 560 i ramię Stanford. Toolbox pozwala na modelowanie, wizualizację i symulację ruchu robotów.

Dokumentację Robotics Toolbox można znaleźć pod adresami:
https://petercorke.github.io/robotics-toolbox-python/index.html
https://github.com/petercorke/robotics-toolbox-python
https://github.com/petercorke/robotics-toolbox-python/wiki ___ ### Instalacja > Na komputerach w laboratorium można pominąć proces instalacji.
> Jednak rekomendowana jest instalacja potrzebnego oprogramowania na własnym komputerze.

Aby korzystać z bibliotek, wymagany jest Python >= 3.6
Podczas instalacji Robotics Toolbox może pojawić się informacja, że należy zainstalować Microsoft Visual C++ 14. Należy wówczas zainstalować Visual Build Tools 2019 i korzystając z instalatora wybrać poniżej przedstawione narzędzia, a następnie zrestetować komputer. Można je w dowolnym momencie doinstalować/zmodyfikować poprzez aplikację Visual Studio Installer.

CPPbuildtools

RTB i inne potrzebne biblioteki można zainstalować korzystając z polecenia: 

pip3 install "scipy<1.12" roboticstoolbox-python sympy imageio qpsolvers[quadprog]

Jeśli korzystamy w Pycharma można również zainstalować biblioteki wchodząc w zakładkę File > Settings > Project > Python Interpreter.

Bibliotekę należy zaimportować w kodzie poleceniem:

import roboticstoolbox as rtb

Szablon kodu

Można skorzystać z następującego szablonu pliku .py:

# wczytanie potrzebnych podczas zajęć bibliotek:
import roboticstoolbox as rtb
import numpy as np
from spatialmath import *
from spatialmath.base import *
from spatialmath.base.symbolic import *
from matplotlib import pyplot as plt
# ...

# definicje funkcji:
def przyklad_1():
    pass # zastąp tę linię swoim kodem

def zadanie_1():
    pass # zastąp tę linię swoim kodem

def zadanie_2():
    pass # zastąp tę linię swoim kodem

# ...

# wykonywanie wybranej funkcji
if __name__ == '__main__':
    przyklad_1()

Biblioteka Spatialmath

Dostępne klasy

Podstawą robotyki i wizji komputerowej są metody opisu położenia/pozy (czyli pozycji i orientacji) obiektów w przestrzeni 2D lub 3D. Biblioteka spatialmath oferuje różne klasy do reprezentacji pozycji i orientacji w przestrzeni:

reprezentacja w 3D w 2D
położenie (pozycja+orientacja) SE3, Twist3, UnitDualQuaternion SE2, Twist2
orientacja SO3, UnitQuaternion SO2

W kategoriach matematycznych położenie stanowi grupę - SE(3) oznacza specjalną grupę euklidesową w 3 wymiarach (w praktyce jest to znana nam reprezentacja - macierz transformacji 4x4), a SE(2) oznacza specjalną grupę euklidesową w 2 wymiarach (macierz transformacji 3x3). Orientacja jest reprezentowana jako SO(3) lub SO(2) - specjalna grupa ortogonalna w 3 lub 2 wymiarach (jest to macierz rotacji 3x3 lub 2x2).

Dokumentacja: link 1, link 2 ___ Dla przykładu, możemy zdefiniować macierz rotacji opisującą obrót wokół osi x o 0.3 radiana:

R1 = SO3.Rx(0.3)
print(R1)
  1           0           0            
  0           0.9553     -0.2955      
  0           0.2955      0.9553

Gdy pozostawimy konstruktor bez argumentu otrzymamy macierz jednostkową, która odpowiada zerowej rotacji. Można również podawać kąty w stopniach, np. rotacja wokół osi z o 30 stopni:

R2 = SO3.Rz(30, 'deg')
print(R2)
  0.866    -0.5       0         
  0.5       0.866     0         
  0         0         1

Złożenie tych dwóch rotacji polega na pomnożeniu obu macierzy:

R = R1 * R2
print(R)
  0.866    -0.5       0         
  0.4777    0.8273   -0.2955    
  0.1478    0.2559    0.9553

Można także “ręcznie” utworzyć całą macierz rotacji, np.:

Rot = SO3(np.array([[-1, 0,  0],
                    [ 0, 1,  0],
                    [ 0, 0, -1]]))
print(Rot)
Często w robotyce potrzebna jest sekwencja orientacji, z których składa się trajektoria. Aby stworzyć listę macierzy rotacji, wystarczy podać jako argument konstruktora listę kątów zamiast pojedynczej wartości. > Zadanie: > Korzystając z funkcji biblioteki numpy stwórz listę 30 macierzy rotacji wokół osi x, dla 30 kątów w zakresie od 0 do \(2\). >
Podpowiedź Skorzystaj z funkcji: np.linspace

Klasa SE3 pozwala na zdefiniowanie macierzy transformacji 4x4. Przykładowo, aby uzyskać macierz transformacji z zerową rotacją i niezerową translacją, należy wpisać:

T1 = SE3(0.5, 1.0, 0.1) # Macierz transformacji zawierająca tylko translację
print(T1)
  1      0      0      0.5          
  0      1      0      1            
  0      0      1      0.1          
  0      0      0      1

Obrót wokół jednej osi i złożenie dwóch transformacji:

T2 = SE3.Ry(45, 'deg') # Macierz transformacji zawierająca tylko rotację
T = T1 * T2 # Złożenie obu macierzy (translacja i rotacja)
print(T)
   0.7071    0      0.7071    0.5          
   0         1      0         1            
  -0.7071    0      0.7071    0.1          
   0         0      0         1

Metoda SE3.Rt(R,t) umożliwiająca utworzenie macierzy transformacji na podstawie zadanej rotacji R i translacji t:

Rot = SO3.Ry(45, 'deg') # Macierz rotacji typu SO3 (lub numpy array o rozmiarze 3x3)
Pos = np.array([0.5, 1, 0.1]) # Wektor translacji o rozmiarze 1x3
T = SE3.Rt(Rot,Pos)
print(T)
   0.7071    0      0.7071    0.5          
   0         1      0         1            
  -0.7071    0      0.7071    0.1          
   0         0      0         1

Macierz transformacji SE(3) można uzyskać przechodząc od różnych reprezentacji rotacji. Konwersje można wykonywać pomiędzy takimi reprezentacjami jak np. kąty roll, pitch, yaw, kąty Eulera, notacja oś-kąt, kwaterniony. Przykładowe funkcje:

T = SE3(1,2,3)
# odwrotność
print( T.inv() )
   1     0     0    -1            
   0     1     0    -2            
   0     0     1    -3            
   0     0     0     1            
# sprawdzenie czy macierz T należy do SE(3)
print( T.isvalid(T.A) )
   True
# kąty roll, pitch, yaw -> macierz transformacji 4x4
T1 = SE3.RPY([0.1, 0.2, 0.3], order='xyz')
# rotacja wokół osi -> kwaternion
q = UnitQuaternion.Rx(0.3)
print(q)
   0.9888 <<  0.1494,  0.0000,  0.0000 >>

Funkcje niższego poziomu

Korzystanie z klas przedstawionych powyżej niesie za sobą następujące korzyści (które generalnie wynikają ze stosowania klas): - bezpieczeństwo typów - nie jest możliwe połączenie macierzy rotacji 3D z ruchem sztywnego ciała 2D, mimo że oba są reprezentowane przez macierz 3×3, - przeciążanie operatorów pozwala na wygodne i czytelne wyrażanie algorytmów, - klasy mogą reprezentować nie tylko pojedynczą wartość, ale sekwencję wartości, które są obsługiwane przez operatory z niejawnym nadawaniem wartości.

Objaśnienie tych zalet znaleźć można także tutaj.

Istnieje jednak możliwość korzystania z funkcji niższego poziomu z pominięciem warstwy abstrakcji, jaką są klasy. Funkcje te są dostępne w bibliotece spatialmath.base (dokumentacja) i są odpowiednikami funkcji, które były dostępne w wersji Robotics Toolbox dla MATLABa.

Przykład:

R1 = rotx(0.3)
print(R1)
   [[ 1.          0.          0.        ]
    [ 0.          0.95533649 -0.29552021]
    [ 0.          0.29552021  0.95533649]]

R2 = rotz(30, unit='deg')
print(R2)
   [[ 0.8660254 -0.5        0.       ]
    [ 0.5        0.8660254  0.       ]
    [ 0.         0.         1.       ]]

R = R1 @ R2
print(R)
   [[ 0.8660254  -0.5         0.        ]
    [ 0.47766824  0.82734567 -0.29552021]
    [ 0.1477601   0.25592801  0.95533649]]
# sprawdzenie typu zmiennej R:
print(type(R))
    <class 'numpy.ndarray'>

Jak widać, definiując macierze rotacji w ten sposób, otrzymujemy dwuwymiarowe tablice numpy.ndarray. Aby je pomnożyć, należy skorzystać z operatora @. Macierz transformacji 4x4 zawierającą zadaną translację i zerową rotację można zdefiniować za pomocą funkcji transl, natomiast macierz transformacji z zadaną rotacją i zerowym przesunięciem - za pomocą funkcji trotx, troty, trotz (przykłady w dokumentacji).

Wykresy

Biblioteka spatialmath pozwala również na wyświetlanie układów współrzędnych na wykresie. Przykład:

# złożenie trzech przekształceń (translacja, rotacja o kąty RPY, rotacja wokół osi x)
T = SE3(0.5, 0.0, 0.0) * SE3.RPY([0.1, 0.2, 0.3], order='xyz') * SE3.Rx(-90, unit='deg')
print(T)
# T1 = ...
# T2 = ...
T.plot(frame='A', width=1)
# T1.plot(frame='B', color='red', width=1)
# T2.plot(frame='C', color='green', width=1)
plt.show()

wykres1

Można również na jednym wykresie umieścić więcej układów współrzędnych, wystarczy przed komendą plt.show() wywołać metodę plot() dla innych transformacji (obiektów SE3) - zakomentowany fragment.

Wykresy można tworzyć również korzystając z funkcji niższego poziomu z biblioteki spatialmath.base. Przykład:

# układ 1
trplot(SE3(1, 2, 3).A, frame='A', style='rviz', width=2)
# układ 2
trplot(SE3(3, 1, 2).A, color='red', width=3, frame='B')
# układ 3
T3 = SE3(4, 3, 1) * SE3.Rx(np.pi / 3)
trplot(T3.A, color='green', frame='c')
# pokazanie okna z wykresem:
plt.show()

wykres2

Jeśli układy nie pokazują się w jednym oknie, zainstaluj starszą wersję biblioteki matplotlib, korzystając z komendy:
pip install matplotlib==3.6.3

Poza prezentacją układów na wykresie istnieje możliwość stworzenia animacji przedstawiającej transformację układu do danej pozycji.

T = SE3(3, 1, 2) * SE3.RPY(0.1, 0.2, 0.3, order='xyz') * SE3.Rx(-90, 'deg')
tranimate(T.A, frame='A', color='red', width=2, dims=[0, 3], nframes=100)
plt.show()

animation1

Zmienne symboliczne

Dzięki wykorzystaniu sympy, biblioteka spatialmath oferuje także możliwość stosowania zmiennych symbolicznych i wykonywania na nich operacji za pomocą standardowo dostępnych funkcji.

Przykładowe definicje zmiennych symbolicznych:

# wymagany import biblioteki:
# from spatialmath.base.symbolic import *

alpha = symbol('alpha')
print(alpha)
    alpha

phi, theta, psi = symbol('phi, theta, psi')

q = symbol('q_:6')
print(q)
    (q_0, q_1, q_2, q_3, q_4, q_5)

Inne przykładowe funkcje:

# funkcje trygonometryczne
print(cos(phi))
    cos(phi)
print(cos(3.14))
    -0.9999987317275395

# symboliczna liczba pi
print(sin(pi()))
    0
print(sin(np.pi))
    1.2246467991473532e-16

# sprawdzenie czy zmiennna jest symboliczna
print( issymbol(theta) )
    True
print( issymbol(3.5) )
    False

# pierwiastek
x = symbol('x')
print(sqrt(x**2))
    Abs(x)
print(sqrt(4))
    2.0

# upraszczanie wyrażenia
y = (x - 1) * (x + 1) - x ** 2
print(y)
    -x ** 2 + (x - 1) * (x + 1)
print(simplify(y))
    -1

🔥 💥 Zadania do wykonania: 💥 🔥

Zadanie 1.

Korzystając z klasy SO3 utwórz macierz rotacji:

\[R_{3}^{0}=R_{Z}(-\pi / 3) R_{Y}(\pi / 6) R_{X}(-\pi / 4)\] 

M = SO3.Rz(-np.pi/3.0) * SO3.Ry(np.pi/6.0) * SO3.Rx(-np.pi/4.0)

Podaj dwie interpretacje tak utworzonej macierzy z punktu widzenia osi, wokół których realizowane są obroty składowe i kolejność ich realizacji. Powyższa sekwencja obrotów ZYX może być interpretowana w dwa ekwiwalentne sposoby. Po pierwsze, korzystając z mnożenia lewostronnego (pre-multiplication, extrinsic rotation), możemy rozpatrywać od prawej strony do lewej jako obroty w okół stałego układu odniesienia. Po drugie, od lewej do prawej, jako obroty w okół osi nowego układu odniesienia (post-multiplication, intrinsic rotations).

Poniżej przedstawiono wizualizację dwóch tożsamych interpretacji rotacji: \[R_{3}^{0}=R_{Z}(\pi / 2) R_{Y}(\pi / 4) R_{X}(\pi )\]

intrinsic_rotations extrinsic_rotations
Yaw-Pitch’-Roll’’ (intrinsic rotation) Roll-Pitch-Yaw (extrinsic rotation)

Wizualizacje zaczerpnięto z podanego odnośnika.

Które z podanych kątów to wartości Roll, Pitch, Yaw?

rpy

Roll = \(-/ 4\), Pitch = \(/ 6\), Yaw = \(-/ 3\)

Wyznacz kąty Eulera na podstawie macierzy. Sprawdź w dokumentacji, jakich osi dotyczą uzyskane kąty. Zdefiniuj macierz rotacji od nowa na podstawie otrzymanych kątów Eulera.

M = SO3.Rz(-np.pi/3.0) * SO3.Ry(np.pi/6.0) * SO3.Rx(-np.pi/4.0)
print(M)
e1, e2, e3 = M.eul()
print("Euler angles: ", M.eul(unit='deg'))
M = SO3.Eul([e1, e2, e3])
print(M)

Stwórz animację przedstawiającą rotację układu współrzędnych za pomocą otrzymanej macierzy rotacji \(R_3^0\). >💡 Wskazówka: przekaż do funkcji tranimate macierz rotacji jako SO3.R, na przykład MojaMacierz.R

Na przykładzie macierzy \(R_3^0\) numerycznie sprawdź następujące własności macierzy rotacji: - \(det(R) = 1\) - \(R^{-1} = R^T\) - \(n^To = o^Ta = a^Tn = 0\) - \(||n||=||o||=||a|| = 1\) - \(no=a, \;\;\; oa=n, \;\;\; an=o\)

gdzie \(R =\).
>💡 Skorzystaj z funkcji biblioteki numpy (import numpy as np): np.linalg.det, np.transpose, np.linalg.inv, operatora mnożenia @, np.linalg.norm, np.cross ______

Zadanie 2.

Przypomnijmy sobie zadania z notacji Denavita-Hartenberga (standardowej) rozwiązywane podczas ćwiczeń z Podstaw Robotyki. Oto jedno z nich:

zadanie_DH_1

Za pomocą poznanej klasy SE3 i jej metod wyznacz (na podstawie tabeli DH) macierze \(A_0^B\), \(A_1^0\), \(A_2^1\), \(A_3^2\), \(A_{3’}^3\) oraz macierz \(A_{3’}^B\) (układ B to układ bazowy - globalny, natomiast układ 0 to układ zerowy robota, układ 3’ to układ końcówki roboczej). Wykorzystaj zmienne symboliczne, wartości liczbowe (wartości zerowe) i kąty +/-90. Sprawdź, czy otrzymane wyniki zgadzają się z tymi zaprezentowanymi na obrazie. >Notacja \(A_b^a\) oznacza macierz transformacji od układu a do b (wyraża pozycję układu b względem a).

💡 Gdy podamy kąty w radianach, macierze po wyświetleniu będą bardziej czytelne. Kąty +/-90 możesz zdefiniować korzystając z metody pi() ze spatialmath.base.symbolic 💡

Do wyświetlania macierzy zawierającej zmienne symboliczne, możesz wykorzystać poniższą funkcję (zamiast zwykłej funkcji print):

def print_SE3(SE3_matrix : SE3):
    SE3_numpy = SE3_matrix.A
    max_item_length = SE3_numpy.astype(np.string_).dtype.itemsize
    with np.printoptions(precision=3, suppress=True, linewidth = np.inf, formatter = {'all':lambda x: f"{str(x):{max_item_length}}"}):
        print(SE3_numpy)

Zadanie 3.

Przypomnienie:
Transformacje jednorodne umożliwiają jednoznaczny i zwarty opis zarówno pozycji jak i orientacji układu współrzędnych \(\{B\}\) względem układu \(\{A\}\) za pomocą następującej macierzy: \[ T_{B}^{A} =\left[\\begin{array}{cc}R_{B}^{A} & t_{B}^{A} \\\\ 0_{1 \times 3} & 1\\end{array}\right] \in SE(3)\] gdzie \(R_B^A\) jest macierzą rotacji reprezentującą orientacje osi układu \(\{B\}\) względem układu \(\{A\}\), zaś wektor \(t_B^A = ^{T}\) reprezentuje pozycję początku układu \(\{B\}\) względem początku układu \(\{A\}\).
Przekształcenie punktu \(D^B\), reprezentowanego we współrzędnych jednorodnych wektorem
\({B}={T}=^{T}\), do układu \(\{A\}\) wynika teraz z następującej operacji: \[ \underline{d}^{A}=T_{B}^{A} \underline{d}^{B} \Rightarrow d^{A}=R_{B}^{A} d^{B}+t_{B}^{A} \] Transformacja odwrotna, która reprezentuje orientacje osi i pozycję początku układu \(\{A\}\) względem układu \(\{B\}\) określona jest w następujący sposób: \[ T_{A}^{B}=\left(T_{B}^{A}\right)^{-1}=\left[\\begin{array}{cc} \left(R_{B}^{A}\right)^{T} & -\left(R_{B}^{A}\right)^{T} t_{B}^{A} \\\\ 0_{1 \times 3} & 1 \\end{array}\right] \in SE(3) \]

Zadanie 3.1.

Dane są trzy układy współrzędnych: \(\{B\}\), \(\{S\}\), \(\{P\}\), oraz dany jest punkt \(D\) reprezentowany przez wektor \(d^P\) wyrażony względem układu współrzędnych \(\{P\}\) jako: \[ d^{P} =\left[\\begin{array}{r} 1 \\\\ -2 \\\\ 2 \\end{array}\right] \]

Relacje między poszczególnymi układami współrzędnych definiują następujące wektory i macierze:

\[ t_{S}^{B} =\left[\\begin{array}{l} 2 \\\\ 5 \\\\ 0 \\end{array}\right], \quad t_{S}^{P} =\left[\\begin{array}{r} 3 \\\\ -6 \\\\ 4 \\end{array}\right], \quad R_{S}^{B} =\left[\\begin{array}{rrr} 0 & -1 & 0 \\\\ 1 & 0 & 0 \\\\ 0 & 0 & 1 \\end{array}\right], \quad R_{S}^{P} =\left[\\begin{array}{rrr} -1 & 0 & 0 \\\\ 0 & 1 & 0 \\\\ 0 & 0 & -1 \\end{array}\right] \]

gdzie \(t\) jest wektorem łączącym początki odpowiednich układów. Stosując formalizm transformacji jednorodnych oblicz współrzędne wektora \(d^B\) (współrzędne punktu \(D\) w układzie \(\{B\}\) ).
Skorzystaj z klas biblioteki spatialmath: SO3, SE3 a także numpy array.

Prawidłowa odpowiedź: [ -2 7 2 ]

Zadanie 3.2.

Korzystając z metody plot lub funkcji trplot stwórz jeden wykres przedstawiający wszystkie 3 układy współrzędnych (układ \(\{B\}\) potraktować jako układ globalny). Dodaj do wykresu wektor (strzałkę) funkcją quiver, który będzie odpowiadał wektorowi \(d^B\) i zweryfikuj poprawność pozycji punktu \(D\) (końcówki strzałki) względem układu \(\{P\}\).
> Wskazówka: jeśli korzystasz z funkcji trplot - przyjmuje jako argument numpy array 4x4 - podajemy więc nie obiekt klasy SE3, lecz atrybut SE3.A.

Pamiętaj o funkcji plt.show()

Zadanie domowe

W ramach lab nr 1 należy rozwiązać zadanie domowe (zadanie 3.1 i 3.2 z instrukcji) na eKursie (ma ono formę zadania testowego w CodeRunnerze). Czas na wykonanie jest wyświetlony w module zadania na eKursie.