室外智能移动机器人的发展及其关键技术研究

室外智能移动机器人有着广泛的应用前景,是机器人研究中的热点之一．本文分析 了在室外移动机器人发展中有着代表意义的几个典型系统,进而论述了室外移动机器人研究 中的若干关键技术的研究现状及发展水平．这些关键技术包括移动机器人的控制体系结构、 机器人视觉信息的实时处理技术、车体的定位系统、多传感器信息的集成与融合技术以及路 径规划技术与车体控制技术等．     

移动机器人基于视觉室外自然场景理解的研究与进展

对于工作在典型非结构化场景中的移动机器人系统, 具有良好的室外自然场景感知与理解能力是其能够自主运行的前提条件. 移动机器人使用视觉传感器来进行室外自然场景的理解一直是该领域的研究热点. 本文首先介绍了基于视觉的移动机器人自然场景理解的研究现状, 对其相关子领域的研究思路与前沿技术进行了着重论述与分析, 并从实时性和环境自适应性等方面对相关技术的实用性问题加以讨论. 最后对该领域的研究重点和技术发展趋势进行了探讨.     

移动机器人导航系统中的车道线检测方法及实现

针对室外移动机器人GPS与惯性导航不足之处,在GPS与惯性导航基础上,提出了采用视觉检测方法实时识别路面的车道线信息,对移动机器人进行辅助定位。在传统的Canny边缘检测算子基础上,提出了使用改进型小波阀值算法与Canny边缘检测算子进行融合处理,其基本原理是先使用改进型小波阀值算法,代替传统的高斯滤波器进行平滑和降噪处理,然后再使用Canny边缘检测算子提取边缘特征。最后使用matlab软件对采集到的路面视频信息进行处理,计算出移动机器人相对于路面车道线的偏转角度和偏离距离。实验发现12000帧图像中有仅有892帧图像检测失败,成功率达到92.6%,取得较好效果。为移动机器人的室外自主移动提供有力支撑。     

一种用于室外移动机器人的快速有效的车道线识别方法

提出了一种可满足室外移动机器人高速行驶要求的车道线检测识别方法．首先,对原始图像进行边缘抽取和动态双阈值二值化以得到二值化图像,再利用基于增强型状态转移网络(ATN)的图像理解算法识别出车道线．通过在清华大学室外移动机器人（THMR V）平台上的大量试验证明了该算法的有效性和快速性．使用该算法的THMR V（清华大学移动机器人 V）在高速公路上的最高自主行驶速度已经超过了150km/h．     

移动机器人基于多传感器信息融合的室外场景理解

本文研究了移动机器人多传感器信息融合技术,提出一种融合激光测距与视觉信息的实时室外场景理解方法．基于三维激光测距数据构建了高程图描述场景地形特征,同时利用条件随机场模型从视觉信息中获取地貌特征,并以高程图中的栅格作为载体,应用投影变换和信息统计方法将激光信息与视觉信息进行有效融合．在此基础上,对融合后的环境模型分别在地形和地貌两个层面进行可通过性评估,从而实现自主移动机器人实时室外场景理解．实验结果和数据分析验证了所提方法的有效性和实用性．     

基于视觉的移动机器人可通行区域识别研究综述

实现实时准确的可通行区域识别,是户外环境下移动机器人导航的重要组成部分。对基于视觉的移动机器人可通行区域识别研究进行了综述,首先介绍了移动机器人视觉导航常用的视觉系统,并从障碍物检测、地形分类两个方面介绍了该问题研究的进展,最后对该领域的技术发展趋势进行了探讨。     

单目视觉移动机器人导航算法研究现状及趋势

拥有自主导航能力的移动机器人在救灾、家政等人类生活中使用得愈加广泛。单目视觉导航算法作为机器人视觉导航中的一种,具有成本低、距离不受限的优势,但仍存在尺度不确定性和初始化问题。该综述根据对移动机器人的运动性质研究,主要从障碍检测、空间定位、路径规划三个方面对单目视觉导航技术进行了模块化分析,并以单目视觉导航算法的关键技术迭代与发展为脉络,对各模块的典型算法进行分析,从速度、准确性、鲁棒性等方面对不同算法进行综合性评比,并对算法存在的主要问题与难点进行剖析,结合人类对移动机器人能力的需求和移动机器人的技术状态对单目视觉导航技术的未来发展趋势进行预测。     

基于单目视觉的移动机器人导航算法研究进展

基于单目视觉的移动机器人导航的研究,涵盖了机器视觉、模式识别和多目标跟踪多个领域．其算法框架不仅成功应用于移动机器人导航,还为目标检测、识别与跟踪领域的研究提供了可供参考的模型．该综述将以算法发展历史为脉络,结合一些典型系统,通过对关键技术和算法结构的分析比较,总结算法本身的发展前景和由此发展起来的可供相关研究参考的算法框架．     

基于虚拟现实技术的移动机器人视觉伺服控制系统设计

为了有效确保移动机器人视觉伺服控制效果,提高移动机器人视觉伺服控制精度,设计了基于虚拟现实技术的移动机器人视觉伺服控制系统。通过三维视觉传感器和立体显示器等虚拟环境的I/O设备、位姿传感器、视觉图像处理器以及伺服控制器元件,完成系统硬件设计。从运动学和动力学两个方面,搭建移动机器人数学模型,利用标定的视觉相机,生成移动机器人实时视觉图像,通过图像滤波、畸变校正等步骤,完成图像的预处理。利用视觉图像,构建移动机器人虚拟移动环境。在虚拟现实技术下,通过目标定位、路线生成、碰撞检测、路线调整等步骤,规划移动机器人行动路线,通过控制量的计算,实现视觉伺服控制功能。系统测试结果表明,所设计控制系统的位置控制误差较小,姿态角和移动速度控制误差仅为0.05°和0.12m/s,移动机器人碰撞次数较少,具有较好的移动机器人视觉伺服控制效果,能够有效提高移动机器人视觉伺服控制精度。     

实时车辆检测和跟踪系统设计

实时车辆检测和跟踪是室外移动机器人尤其是智能汽车研究领域的一个重要课题。本文介绍了多功能室外移动机器人THMR-V的实时车辆检测和跟踪系统。该系统包括车道线检测和车辆检测和跟踪两个主要模块。车道线检测算法使用新的搜索策略,实时检测结构化道路区域,减少车辆检测算法搜索范围。车辆检测算法以Adaboost算法为基础,利用边缘方向特征,颜色特征,和对称性特征实现车辆检测。文中详细介绍了系统的实现。     

强噪声场景下运动模板的检测与跟踪技术研究

针对目前多数运动车辆检测与跟踪算法在雨雪等强噪声场景下抗噪能力较弱这一难点问题,提出应用运动模板方法解决强噪声场景下运动车辆的检测与跟踪问题。通过针对标准测试视频的对比实验,相对其他几种典型的目标检测与跟踪算法,运动模板的检测方法具有以下特点：抗强噪声的能力、多目标检测和方向检测。基于车辆的检测与跟踪实验验证了运动模板方法在强噪声场景下对运动目标的实时检测与跟踪能力。     

基于包围盒的碰撞检测算法研究

碰撞检测问题在机器人运动规划、计算机图形学等领域中有很长的研究历史,近年来随着虚拟现实、分布交互仿真等技术的兴起,碰撞检测问题开始成为研究的热点.目前存在许多碰撞检测算法,它们各有优劣.该文主要介绍了基于包围盒的各种碰撞检测算法,并对这几种包围盒算法进行比较,最后基于时空相关性的分析,提出改进的方法来提升算法的效率.     

基于公路监控视频的车辆检测和分类

在学习了已有的检测与分类算法以后,设计了一种将改进的高斯混合模型（GMM）与分类网络（GoogLeNet）融合的方案用于车辆的检测和分类.针对高斯混合模型存在模型初始化速度慢和计算复杂的问题,改进了初始化模型的算法提升初始化效率.运用五帧差法做车辆初提取,在提取到的车辆区域上运用高斯混合模型获得车辆图片,把五帧差法和高斯混合模型结合起来减小了建模的区域,提升了检测速度,提高了系统实时性.最后使用GoogLeNet对车辆分类.实验证明相较于现有的车辆检测分类方法,本文所提方法在检测速度和分类准确性上都有很大提升,满足了现实场景下对监控视频的车辆检测和分类的实时性要求.     

基于物联网的分拣机器人故障检测系统设计

目前研究的分拣机器人故障检测系统检测准确性较低,导致检测结果误差较大、实时性较差;为此,基于物联网设计一种新的分拣机器人故障检测系统;选用滑轮式机器人载体设定分拣机器人,硬件部分采用Zigbee压力传感器采集机器人故障信息,利用XBEE模块负责数据传输,协调分拣中控机接收各个传感器采集的信息,通过STMP3550芯片实现控制器设计;通过信息标定、信息采集、特征提取、故障识别实现软件工作流程,应用非极大值最大类间方差法来筛选出最优的高低阈值解,得到连续但含有假边缘的故障信息图像边缘;将提取到的图像特征向量映射到类型空间之中,确定故障原因,完成故障识别;实验结果表明,所设计分拣机器人故障检测系统在6次检验中都准确地检测出故障原因,故障检测耗时平均值为3.27 min,能够有效提高检测准确性,加强检测结果的实时性.     

面向车辆检测的扩张全卷积神经网络

近年来,深度学习方法被广泛用来解决车辆检测问题并取得了显著的成果,然而,当车辆尺寸较小时,当前深度学习算法的检测丢失率仍然很高.为了解决这个问题,本文提出了一种基于组合目标框提取结构的扩张全卷积神经网络（Dilated Fully Convolutional Network with Grouped Proposals,DFCN-GP）.具体提出了一种结合低层特征和高层特征的组合网络模型用于生成目标框,其中低层特征对小目标更加敏感.此外,为保留更多的细节信息,基于扩张卷积思想,增加了网络最后一层卷积层的大小和感受野,用于目标框的提取和车辆检测.通过控制变量的对比试验,对基于组合方式的目标框提取网络和扩张卷积层的有效性进行了验证.本文提出的算法模型在公开数据集UA-DETRAC上性能优异.     

基于彩色立体视觉的障碍物快速检测方法

Real-time obstacle detection method is a key technique for machine vision based mobile robot and au-tonomous land vehicle navigation in unstructured environments. In this paper o considering the real-time requirement for stereo matching algorithm, an adaptive color segmentation method for possible obstacle region detection is first developed based on the color feature, and a simple region based stereo matching algorithm of binocular vision for realobstacle recognition is also introduced. Obstacle detection is implemented by combining the road color adaptive seg-mentation method and region based stereovision method. Lots of experiment results show that the proposed approachcan detect obstacle quickly and effectively, and this algorithm is particularly suited for road environments in which the road is relatively flat and of roughly the same color.     

Uncalibrated obstacle detection using normal flow

This paper addresses the problem of obstacle detection for mobile robots. The visual information provided by a single on-board camera is used as input. We assume that the robot is moving on a planar pavement, and any point lying outside this plane is treated as an obstacle. We address the problem of obstacle detection by exploiting the geometric arrangement between the robot, the camera, and the scene. During an initialization stage, we estimate an inverse perspective transformation that maps the image plane onto the horizontal plane. During normal operation, the normal flow is computed and inversely projected onto the horizontal plane. This simplifies the resultant flow pattern, and fast tests can be used to detect obstacles. A salient feature of our method is that only the normal flow information, or first order time-and-space image derivatives, is used, and thus we cope with the aperture problem. Another important issue is that, contrasting with other methods, the vehicle motion and intrinsic and extrinsic parameters of the camera need not be known or calibrated. Both translational and rotational motion can be dealt with. We present motion estimation results on synthetic and real-image data. A real-time version implemented on a mobile robot, is described.     

夜间运动车辆检测

论文提出了夜间运动车辆检测的一种有效的算法。首先对原始图像做“浮雕”处理,消除车灯对检测结果的影响,再通过两帧差分检测出运动区域,最后利用形态学腐蚀消除孤立噪声点,计算连通域面积去除大的噪声区域,从而提取出准确的运动目标。     

Robot Navigation in a Decentralized Landmark-Free Sensor Network

A wireless sensor network has the ability to autonomously perform event detection over large areas, but power and/or cost constraints limit the addition of equipment such as cameras onto sensor modules to verify events. Accordingly, verification must be performed by an independent mobile robotic vehicle which has sensing equipment for improved event detection. The main challenge, however, is that the robotic vehicle itself is typically located somewhere in the sensor field and has no prior knowledge of the geographic location of the event. In this paper, we specifically focus upon the scenario of navigating a robotic vehicle through a stationary wireless sensor network as a means to perform event verification. The underlying assumptions are that the robotic vehicle has distance traveled and heading measurements, but the only additional information provided by the stationary sensors is a communication boundary. More significantly, we emphasize that under this scenario, neither the robot nor the ground-fixed sensing nodes have location or any other geographical landmark information. The paper introduces two distinct and novel navigation algorithms that permit the robotic vehicle to travel from one fixed node to another along a communication path established in an ad-hoc fashion. These navigation algorithms have been tested on a newly developed UTrekr robotic vehicle within a hardware based ground-fixed sensor network and under assumption of perfect communication and network operations, we report a nearly 100% success rate even while using open-loop robot control.     

基于角点检测与颜色连贯性分析的车牌定位算法

针对低分辨率视频图像,提出一种基于角点检测与颜色连贯性分析的快速车牌定位算法。考虑到车牌具备固定的颜色连贯性特点,首先由车牌背景颜色与车牌字体颜色得出分析掩膜;然后使用较小的阈值和最小角点间距计算得出掩膜内角点;最后对角点进行颜色加权,选择权值最大的分析区域。该方法对图像噪声具有极好的抗干扰性,适用于分辨率较低的视频图像数据。实验表明与其他方法相比,该方法的车牌定位准确率高,平均耗时短。