基于激光雷达的道路可通行区域检测

随着城市化进程的发展,城市人口密度日益增高,随之而来的城市交通拥堵问题也日渐显著,而无人驾驶车辆作为改善这一问题的一个可能手段,也得到了越来越多的关注。无人驾驶车辆的安全性无疑是其研发过程中十分重要的一环。该文提出了一种使用3个激光雷达进行的道路可通行区域检测方法,该方法包括道路边界检测与障碍物检测两部分。道路边界检测将道路剖面的弧度考虑在内,使用了二次函数进行拟合,提高了模型的准确性,并将最终结果表示于1个以圆弧为基础的栅格地图内。该表示方法能更好地贴合车辆实际运动模型。     

基于激光雷达的移动机器人同时定位与地图创建的研究

应用同时定位与地图创建理论建立全区域覆盖移动机器人导航系统,融合航位推算理论和基于环境特征的定位方法,设计了基于光电编码器--磁航向传感器组合和LMS激光雷达的混合定位系统.使用扩展Kalman滤波技术完成了基于特征直线的机器人位置更新.通过计算机仿真,结果表明建立的混合定位系统和同时定位与地图创建方法是一种切实可行的全区域覆盖移动机器人的导航方法.     

基于深度学习的视觉同时定位与建图研究进展

随着机器视觉的不断发展,视觉传感器其小巧轻便、价格低廉等优势,使得视觉同时定位与建图(VSLAM)越来越受人们关注,深度学习为处理VSLAM问题提供了新的方法与思路。本文综述了近年来基于深度学习的VSLAM方法。首先回顾了VSLAM的发展历程,系统阐释了VSLAM的基本原理与组成结构。然后从视觉里程计(VO)、回环检测与建图3个方面分析各类基于深度学习的方法,从特征提取与特征匹配、深度估计与位姿估计及关键帧选择等3个部分阐述了深度学习在VO中的应用;基于场景表达方式的不同,总结了几何建图、语义建图及广义建图中的深度学习方法。接着介绍了目前VSLAM常用的各种数据集以及性能评估指标。最后指出了目前VSLAM面临的难题与挑战,展望未来深度学习与VSLAM结合的研究趋势与发展方向。     

基于体感传感器的室内机器人定位研究

同时定位与地图构建是机器人能够实现智能化自主导航的关键技术。该文提出一种基于体感传感器的移动机器人SLAM实现方法。通过分析体感视觉获取原理和数据特点,设计了系统结构,并将体感传感器获取的数据进行处理,得到构建地图所需的特征路标;再使用扩展卡尔曼滤波实现SLAM,通过实验结果验证了基于体感传感器的SLAM方法的有效性和正确性。     

基于惯性导航与立体视觉的风管清扫机器人同时定位与地图创建方法

风管清扫机器人是用于完成中央空调通风管道系统清扫工作的一种自动化设备,为提高其在庞大且封闭的未知通风管道网络中的自主导航能力,提出一种低成本的机器人同时定位与地图创建解决方案。该方案结合惯性测量单元的高速动态性能及双目立体视觉传感器良好的环境感知能力,通过采用Rao-Blackwellized粒子滤波方法融合两种传感器的测量信息,可以有效地抑制惯性传感器的漂移,快速地估计机器人三维的位置、姿态和速度,并且获取稳定的环境视觉路标信息,能够满足风管清扫机器人同时定位和地图创建的要求。同时,为确保视觉路标关联的鲁棒性,提出一种双向的基于几何相容性及路标视觉特征相结合的数据关联方法。试验结果证明所提的同时定位与地图创建方案和数据关联法的有效性。     

基于自适应PDR补偿的UWB/MIMU组合行人定位算法

为提高室内环境下行人的定位精度,针对超宽带(UWB)和微型惯性测量单元(MIMU)在行人室内定位中存在的定位不连续和定位误差累计问题,提出一种自适应行人航位推算(PDR)补偿的UWB/MIMU组合方案。首先提出一种多约束的PDR计步算法,降低了对阈值设置准确性的要求,消除了伪波峰和伪波谷对计步结果的影响;接着通过引入零速更新(ZUPT)和零角速率更新(ZARU)组合的方法对航向角误差进行修正;最后基于自适应滤波算法解算行人的位姿并进行了实验验证。结果表明,所提方案有效抑制了定位轨迹误差增大趋势,使得偏航角误差减少2°。     

基于行为的机器人自学习方法研究

随着机器人智能化的不断发展,行为机器人越来越受到人们的重视。而复杂多变的运行环境,给机器人的行为设计提出了一个很大的难题。根据以往的日常经验总结出来的行为反应规则很可能适应不了各式各样的运行环境。本文提出一种机器人在线自学习方法,使机器人在没有现成的合适运行规则可循的环境运行的过程中不断总结经验,自我学习,并对学习得到的成果进行检验。实验时,不给机器人初始化任何路径规划信息,而是通过让机器人在简单环境下自行运动,由得到的实际运行结果,检验本方法的实际效果。检验结果令人满意。     

融合 WiFi 与可穿戴惯导模块的室内定位方法

为解决基于智能手机的人员室内定位追踪易受手机姿态影响的问题,提出一种融合WiFi与可穿戴惯导模块的室内定位方法。通过固定在胸部的惯性测量单元实现行人航迹推算PDR)定位,消除手机姿态对PDR定位的影响,采用加权贝叶斯算法实现WiFi指纹定位,为PDR提供初始定位,同时基于无迹卡尔曼滤波融合WiFi定位结果与PDR定位结果,以减少PDR的累积定位误差。最后,在真实室内环境中进行大量实验,实验结果证明本文提出的加权贝叶斯WiFi定位算法相比于传统贝叶斯算法定位误差降低了51.9%,提出的融合WiFi与可穿戴惯导模块的定位方法具有更好的精度和稳定性,相比于纯PDR定位算法平均定位误差降低了65.2%,相比于完全利用手机实现的融合算法,在3种不同手机姿态下平均定位误差分别下降了12.3%、39.3%和48.4%。     

基于深度学习的滤光片检测与精准定位研究

针对滤光片产品定位检测准确率低、实时性差的问题,提出改进的YOLOv4检测算法,并提出强定位非极大值抑制方法,改善YOLOv4算法中传统非极大值抑制法的预测框处理过程,解决预测框定位偏差的问题;设计一种静态模型滤波器融合方法,对静态YOLOv4主干特征提取网络中的卷积、池化等耗时运算进行线性融合,解决网络检测实时性差的问题。实验结果表明：改进后的YOLOv4定位准确率达到99.41%,实时性比原始YOLOv4提高14帧/s。     

基于迁移学习的铣削机器人定位误差补偿方法

空间网格补偿法是提高机器人定位误差的有效方法之一,然而由于所需采样位姿多导致误差测量环节非常耗时,为提高机器人定位误差补偿效率,提出了一种机理分析与数据驱动的铣削机器人定位误差补偿方法,基于迁移学习来预测机器人工作空间内不同区域的定位误差。首先建立机器人刚柔耦合误差模型,研究立方体与柱体工作空间内不同区域的误差分布特性;之后,考虑误差区域相似性将机器人工作空间分为源域空间与目标域空间,在源域空间基于分级采样策略将完备的机器人采样位姿及误差测量数据作为源域数据,对于目标域空间只需要将少量的采样位姿及误差数据作为目标域数据,源域数据与目标域数据均用于训练高斯过程回归模型,通过基于加权拟合误差的子空间对齐和自适应权重迭代方法提升迁移学习模型预测精度,根据指定机器人位姿参数预测并补偿机器人定位误差;最后,使用KR160铣削机器人系统进行了误差补偿试验以验证该方法的可行性和有效性,试验结果表明,经过补偿后机器人定位误差1.499 mm降低到0.182 mm,所需机器人采样位姿数目减少了70%,使用铣削机器人加工法兰孔,其轮廓误差和位置误差达到0.269 mm和0.331 mm,该方法可以提高补偿...     

基于Web的工程制图协同学习支持系统的研究与实现

网络学习支持系统是实施网上协同学习的基础环境。本文讨论了一个基于WEB的工程制图协同学习支持系统 ,对其系统结构进行了介绍 ,并对支持整个系统的几个功能模块的主要技术特点和关键技术进行了研究和分析。     

基于光电与航向角融合定位的AGV机器人

目前在小件物料生产搬运过程中,AGV机器人存在灵活性强与定位精度高不能兼具的问题。为此设计了一种新型的AGV机器人用于实现小件物料的精准搬运。该机器人采用了上下位机电路构型,上位机（Jetson nano）负责识别任务码和物料,下位机（STM32F407）控制步进电机驱动麦克纳姆轮底盘,通过步进电机梯形加减速和位置式PID控制算法,使机器人运行更加稳定。此外,机器人还配备了五自由度机械臂,用于完成小件物料的抓取和放置,以增强其灵活性。为了提高机器人的定位精度,AGV机器人在获取地面环境信息和机器人位姿信息后,提出了一种基于光电与航向角融合定位纠偏方法。大量实验结果表明,该AGV机器人到达指定目标点的平均误差为0.85 mm,定位最大误差不超过±3 mm,其机械臂能够准确将物料放置至对应区域。     

适用于高精度同时定位与地图构建的均衡化亚像素ORB特征提取方法

在视觉同时定位与地图构建问题中,ORB(Oriented FAST and Rotated BRIEF)特征由于其高效、稳定的优点而受到广泛关注。针对ORB特征提取过程中存在的像点量测精度较低、特征聚集现象明显等问题,提出了一种适用于高精度SLAM的均衡化亚像素ORB特征提取方法。分析了精确特征定位的原理,对误差方程进行合理的简化并采用一种基于模板窗口距离的权函数计算方法,大幅降低了计算负担;设计了一种基于四叉树结构的特征均衡化方案,对包含特征的像平面空间进行有限次数的迭代分割,然后选取具有最优响应的特征。试验表明,本文方法进行特征提取的额外计算负担小于2.5 ms,在运行TUM和KITTI数据集时,ORB特征的量测精度分别为0.84和0.62 Pixel,达到亚像素水平,可以降低误差初值,提高光束法平差效率,并能够在满足特征总体分布规律的情况下,显著改善特征聚集的现象,有利于后续问题的稳健、准确求解。     

基于可视点法剔除动态目标的激光-惯导SLAM

针对传统激光同时定位与建图在动态环境中位姿估计累计误差大、地图中存在动态目标错误点云的问题,本文提出了一种基于可视点法实时剔除动态目标的激光-惯导SLAM方法(DM-LIO)。该方法使用IMU测量值为基于可视点法的动态目标剔除模块提供先验位姿,并引入基于弯曲体素空间的点云聚类方法,以解决在低分辨率可视点法下动态点不能被完全捕捉的问题,从而实现了在算法前端剔除激光点云中的动态目标。本文通过自主搭建室内真机实验平台和使用公开数据集两种方式对算法性能进行评估。真机实验结果表明本文提出的DM-LIO能够对多个动态目标以及非先验动态目标进行实时剔除;在公开数据集Urbanloco上的测试结果表明,在高动态的环境下DM-LIO的绝对轨迹误差相较于LIO-SAM减少了60%以上,验证了该算法在高动态环境中具有良好的定位精度。     

基于人工情感与Q学习的机器人行为决策

提出了一种新颖的带情感权重的Q学习加权策略,并将该策略应用于虚拟机器人的行为决策.通过模拟自然情感产生机理,对害怕"进行了人工情感建模,并从自然情感所具有的生存功能角度出发,将该模型与强化学习方法相结合,与标准Q学习简单加和策略和Option分层强化学习策略进行比较的仿真实验证明了该策略具有高的成功率.该方法对于提高机器人在恶劣环境下的生存能力和自主决策能力具有很大理论意义和实际应用价值.     

基于视觉的采摘机器人目标识别与定位方法研究综述

目标识别和定位的精度直接关系到采摘机器人采摘效率、质量和速度。本文对近年来采摘机器人的目标识别和三维定位的研究工作进行了系统性的总结和分析,综述了果蔬识别和定位的几种主要方法:目标识别:数字图像处理技术、基于机器学习的图像分割与分类器和基于深度学习的算法;三维定位:基于单目彩色相机、基于立体视觉匹配、基于深度相机、基于激光测距仪和基于光基3D相机飞行时间的三维定位。分析了影响果蔬识别和定位精度的主要因素:光照变化、复杂的自然环境、遮挡以及动态环境干扰下成像不精确。最后对采摘机器人目标识别与定位的未来发展作了几点展望。     

基于故障映射的FPGA互连资源故障测试与定位

由于FPGA互联资源故障定位是FPGA故障测试的一个难点,尤其需要准确地判断故障的类型和精确地定位故障的位置,因此文中提出一种通过故障映射方法将SRAM型FPGA的互连资源故障映射到LUT的输出上,间接地测试与定位互连资源故障的一种方法.同时将故障映射这种方法与传统经典的三次配置测试互连资源方法的核心思想相结合,在高故障率的FPGA中实现了互连资源的100％故障测试覆盖率,并精确地将故障定位至FPGA互连金属线段或PIP对.该算法采用了最小可重复单元结构,FPGA中被测试资源可以由连续或不连续的任意数量最小可重复单元组成,因此更适合FPGA的重复性结构和FPGA的在线测试.在FPGA的在线全覆盖测试中,该算法的最小迭代测试(ROTE)次数与FPGA的规模无关,只与用户应用电路所占FPGA总资源的比例相关.     

基于单目视觉的轮式机器人同步定位与地图构建

如何降低计算复杂度是视觉机器人同步定位与地图(SLAM)构建的热点问题.提出一种基于单目视觉的低计算复杂度的轮式机器人同步定位与地图构建算法.该算法在观测步通过图像处理与分析,识别特征点并进行定位,将轮式机器人的视觉投影与空间物体的几何关系转换为计算机器人相对特征点的距离和角度.整体算法步骤按照预测、观测、数据关联、更新、地图构建的递推算法进行同步定位与地图构建.提出的算法可识别环境目标,并进行平滑运动.在滤波观测步只处理单帧图像数据,和Active Vision和立体视觉方法相比,降低了算法的计算复杂度.     

基于个体协同触发强化学习的多机器人行为决策方法* .txt

摘要：为了提高多机器人行为最优决策控制中强化学习的效率和收敛速度,研究了多机器人的分布式马尔科夫建模与控制策略。根据机器人有限感知能力设计了个体 协同感知触发函数,机器人个体从环境观测结果计算个体 协同触发响应概率,定义一次触发过程后开始计算联合策略,减少机器人间通讯量和计算资源。引入双学习率改进Q学习算法,并将该算法应用于机器人行为决策。仿真实验结果表明,当机器人群组数量在20左右时,本文算法的协同效率较高,单位时步比为1085 0。同时距离调节参数η对机器人协同搜索效率有影响,当η=0008时,所需的移动时步比和平均移动距离都能达到最小值。通过双学习率的引入,该算法较基于环境模型的强化学习算法具有更高的学习效率和适用性,平均性能提升35%,对于提高多机器人自主协同能力具有较高的理论意义及应用价值。 .txt