#br# NAO机器人的视觉伺服物品抓取操作

针对家庭环境中服务机器人物品的抓取问题,提出一种改进的基于位置的视觉伺服抓取算法。首先,利用Naomark标签完成对物体的快速识别,并通过世界平面单应矩阵分解对物体的位姿进行估计;然后,对NAO机器人的机械臂进行运动学建模,并分别设计单臂和双臂抓取的视觉伺服控制律;最后,为进一步提高抓取的稳定性和鲁棒性,对末端执行器进行路径规划。实验结果表明,本方法能够快速、稳定地抓取目标物品。     

NAO机器人的视觉伺服物品抓取操作

针对家庭环境中服务机器人物品的抓取问题,提出一种改进的基于位置的视觉伺服抓取算法。首先,利用Naomark标签完成对物体的快速识别,并通过世界平面单应矩阵分解对物体的位姿进行估计;然后,对NAO机器人的机械臂进行运动学建模,并分别设计单臂和双臂抓取的视觉伺服控制律;最后,为进一步提高抓取的稳定性和鲁棒性,对末端执行器进行路径规划。实验结果表明,本方法能够快速、稳定地抓取目标物品。     

堆叠散乱目标的6D位姿估计和无序分拣

针对目标散乱堆叠场景下的机器人分拣问题,建立一种从目标筛选、识别到6D位姿估计的无序分拣系统。利用局部凸性连接方法将Kinect V2相机采集的堆叠散乱目标点云数据分割成单独的点云子集,定义抓取分数从中筛选出最上层未被遮挡的目标作为待抓取目标,保证机器人分拣目标时能从上至下进行抓取;针对不同种类目标的分拣需求,基于匹配相似度函数对三维目标进行识别并定位抓取点;融合截断最小二乘-半定松弛算法和最近点迭代算法,建立目标6D位姿估计模型,保证目标点云和模型点云重合率低情况下的精确配准。在自采数据上进行目标6D位姿估计实验以及机器人无序分拣实验,结果表明：提出的6D位姿估计方法相较于流行的几种方法,可以更快速、精确地获取目标的6D位姿,均方根距离误差<3.3 mm,均方根角度误差<5.6°;视觉处理时间远小于机械臂运动的时间,在实际场景中实现了机器人实时抓取的全过程。     

配置机械手的轮式移动机器人目标物体跟踪与抓取

针对配置机械手的室内轮式移动机器人目标物体识别、跟踪和抓取问题,采用一种目标物体识别和机器人定位的方法,利用一种基于模糊控制的轮式移动机器人视觉伺服跟踪控制的方法。针对机器人目标识别跟踪及抓取过程中受环境条件变化的影响,采用HSI颜色模型和基于阈值的区域分割的图像处理方法可以完成目标颜色物体的快速准确识别。基于云台摄像机角度信息的机器人小车目标定位方法和模糊控制理论,设计了模糊跟踪控制器,使机器人输出合适的线速度和角速度,能够实现机器人目标跟踪,使移动机器人趋近目标物体位置,并完成机械手目标物体抓取任务。仿真和实时实验结果表明：所设计的系统具有良好的目标物体识别、跟踪和准确抓取目标的能力。     

径向基支持向量机推广能力快速估计算法

提出了一种估计径向基支持向量机推广能力的方法,利用解的稀疏特性和径向基核的特点以及训练过程产生的中间参数,无需增加更多的复杂运算,就能实现推广能力的估计,与其他方法相比,估计时间大大减小且适用于不同的分类超平面;并通过理论分析和试验证明该方法是一种通用的估计方法,可以适应范围很广的支持向量机模式识别问题．     

基于强化学习的三指灵巧手抓取方法研究

为了实现对圆锥等特殊物品的抓取,本文提出了一种基于强化学习的三指灵巧手机器人抓取方法.本文使用DenseNet-121网络实现了图像的分类,使用ImageNet数据集进行预训练,以解决数据集较少时易出现过拟合的问题;并基于强化学习中的Q-Learning算法,在完全卷积网络中进行端到端的训练,学习视觉运动策略,最后在少量数据集上测试算法.实验结果表明,使用三指灵巧手能够有效抓取圆锥、圆球等物体;同时,该方法训练生成的模型有效建立了像素图像数据与机器人执行运动抓取动作之间的映射关系,根据这种映射关系选出的最优Q值,提高了抓取成功率.     

前馈神经网络模式分类器的推广能力

研究了前馈神经网络模式分类器的推广能力．从几何和概率两个方面分析了前馈网络用于模式识别的分类机理，在前人证明的基于误差最小的有导师（１和０）前馈网络输出端输出为模式样本后验概率估计结论的基础上，给出了径向基函数网络推广的核函数定理；对于两层感知器网络，提出使用加性噪声的样本来增加网络的推广能力．最后使用实测的五种飞机目标一维距离（纵向）象实验数据进行了模拟实验．     

基于并行处理方法的实时立体视觉伺服系统

针对实时跟踪及抓取运动目标物体的任务,给出了一个基于并行理论的视觉伺服系统。在系统中,运用快速模板匹配理论与快速可靠的立体视觉匹配理论相结合的方法实现运动物体的匹配与识别。然后通过卡尔曼滤波器对位置及速度进行预测。同时采用并行理论提高图像匹配理论的匹配速度。结果直接传给机器人及立体视觉平台控制器,实现机器人和立体视觉平台的视觉伺服,完成了对运动物体的实时跟踪和抓取。通过仿真和大量的运动目标物体的跟踪及抓取试验,获得的试验数据表明运用此方法提高了视觉伺服系统的定位精度和伺服速度。     

基于视觉反馈的机械臂预测控制

针对基于视觉的机器人目标抓取问题,构建一个基于图像的单目视觉伺服系统．预先建立基 于图像雅克比矩阵的模型,在明确考虑目标可见性约束及机器人执行器约束的前提下,将预测控制 算法引入到机械臂的视觉伺服控制中,基于视觉特征的运动预测设计一个简化的多变量机械臂视 觉伺服控制器,用以实现对机械臂末端位姿的控制．借助ＮＡＯ 机器人平台,利用机器人自带的 Ｎａｏｍａｒｋ标签进行物体的快速识别,并应用上述基于视觉反馈的机械臂预测控制方法实现ＮＡＯ 机器人手臂控制．实验结果验证了方法的可行性,算法简单易于实现,且控制精度令人满意．     

基于Kinect的仿人机器人抓取目标定位

目标定位是仿人机器人实现抓取操作的前提。针对机器人单目视觉容易丢失深度信息,双目视觉难以对缺乏纹理特征的物体获得有效深度信息的问题,提供一种基于Kinect的仿人机器人抓取目标定位系统。首先建立Kinect和机器人坐标系,构建布尔沙坐标转换模型;然后利用线性总体最小二乘(LTLS)算法求解该模型;最后依据Kinect获取的抓取点坐标信息,通过坐标转换将其转换到机器人坐标系:从而实现机器人对目标物体的定位。在仿人机器人NAO平台上对该系统进行实验验证,其结果表明:利用该方法,机器人在一定空间范围内能够可靠的定位目标物体,并且较其单目视觉定位更准确;根据所提供的目标定位系统,NAO机器人实现了对不同物体的抓取操作。     

一种多通道运动目标重聚焦及运动参数估计方法

针对传统运动目标参数估计方法将运动目标假设为匀速运动的不足,提出了一种新的多通道运动目标参数估计方法．通过构造含有加速度的运动目标回波模型,拟合多通道方位向回波数据的瞬时频率曲线,求解方程组获得各种运动参数的估计值,并重新构造运动目标的方位向匹配函数,对运动目标进行重新聚焦．克服了用匀速运动目标模型对加速目标进行运动参数估计误差较大的问题．仿真分析验证了该运动参数估计方法的有效性．     

基于PUMA机器人的视觉伺服控制实验研究

为解决在视觉伺服过程中存在定位精度低、伺服速度慢的问题 ,给出了一个基于图像特征的机器人视觉伺服控制方法 ,实现了机器人“手 -眼”协调视觉伺服控制 .通过适当的选取图像特征 ,实现了摄像机工作空间运动目标跟踪的视觉伺服任务 ,并采用扩展卡尔曼滤波控制方法完成机器人视觉伺服控制 .同时通过抓取目标物体进行计算机仿真及模拟实验 ,给出了实验数据 .经过比较可以看出 ,运用此方法提高了定位精度及伺服速度     

多通道SAR-GMTI通道均衡和动目标检测定位方法

针对机载多通道SAR-GMTI系统及其实测数据,提出了一种新的通道均衡方法和基于该均衡的动目标检测、定位方法．该方法先利用泄漏信号进行电路中信号均衡,后进行通道间快时间和慢时间校准并在距离压缩后通过迭代补偿通道差异,再经杂波对消和方位压缩实现动目标检测,最后通过估计动目标多普勒偏移的方法完成参数估计．该通道均衡方法不需要天线参数、平台运动参数等先验信息,避免了图像配准过程和自适应杂波相消过程,因而计算量小,易于实现．实测数据实验结果证明该方法杂波对消比达到20dB,检测和定位性能好．     

基于图像熵的ISAR运动补偿方法

提出了一种基于图像熵的ISAR运动补偿方法．利用最小熵准则，通过寻优运算得到目标径向运动参数的最优估计，实现对回波数据的运动补偿，从而获得高分辨的目标二维像．仿真结果证明了该方法的有效性．     

基于PUMA机器人的视觉伺服控制实施研究

为解决在视觉伺服过程中存在定位精度低，伺服速度慢的问题，给出了一个基于图像特征的机器人视觉伺服控制方法，实现了机器人“手－眼”协调视觉伺服控制，通过适当的选取图像特征，实现了摄像机工作空间运动目标跟踪的视觉伺服任务，并采用扩展卡尔曼滤波控制方法完成机器人视觉服务控制，同时通过抓取目标物体进行计算机仿真及模拟实验，给出了实验数据，经过比较可以看出，运用此方法提高了定位精度及伺服速度。     

引入反演稳态误差补偿的机器人姿态稳定性控制律

机器人在抓取作业中,容易受到活动部件的小扰动影响,导致姿态失稳.为了提高机器人抓取物体姿态的稳定性,提出了一种基于反演稳态误差补偿的机器人抓取姿态稳定性控制律,分析机器人姿态控制的被控对象模型和控制约束参量,构造机器人的纵向运动动力学模型,采用扩展Kalman滤波方法进行机器人运动的姿态角校正和参量融合处理,引入反演积分项进行机器人运动姿态参量的稳态误差补偿和自适应调节,实现了运动姿态参量的无误差跟踪控制.仿真结果表明,采用该方法进行机器人的姿态控制稳定性较好,对机器人运动参量的拟合跟踪能力较强,机器人姿态角输出的误差能快速收敛为0,整个控制律是稳态渐近收敛的.     

基于免疫模糊聚类RBF网络的交通信息融合算法

在径向基函数（radial basis function,RBF）神经网络应用于交通信息融合的研究中,采用模糊C均值（fuzzy Cmeans,FCM）聚类算法确定径向基网络隐层中心点,一般随机初始化聚类中心,训练过程容易陷入局部极小．结合人工免疫系统的克隆选择原理,提出了一种新的产生初始聚类中心的方法,与FCM聚类算法有机集成,共同训练径向基函数网络的结构参数．该方法避免了网络训练陷入局部最优的问题,收敛速度有所提高,得到了较好的融合效果．实例仿真验证了算法的有效性和实用性．     

一种基于子空间方法的近场目标定位算法

针对近场目标参数估计中计算量大的问题,提出了一种结合主奇异向量模态分析（PUMA）技术以及一维多重信号分类（MUSIC）方法的近场目标定位算法。该算法首先利用PUMA技术估计近场目标角度参数,然后通过估计出的角度参数并结合一维MUSIC方法,估计出近场目标距离参数。通过计算机仿真实验表明,该方法能明显减少近场目标参数估计的计算量,并且具有较好的参数估计性能。     

UWSNs节点运动模型及预测定位

为提高水下无线传感器网络(UWSNs)中动态节点的定位精度,降低通信能耗,提出采用节点的运动模型实现预测定位.考虑到近海监控网络中,潮汐运动是海水运动的主要成因,以粗略的近海潮汐运动模型为基础,以高斯径向基函数作为空间基函数构造节点的运动模型;利用K-medoids方法对模型中的高斯径向基函数中心进行聚类优化;提出了采用扩展卡尔曼滤波的方法实现模型系数的估计.考虑到普通节点与锚节点运动的空间相关性,设计了与到锚节点的距离相关的权重系数,以锚节点的运动模型系数估计普通节点运动模型中的系数,进而完成自身定位.对东经117.25°—132.2°,北纬24°—43.45°海域UWSNs的节点定位性能进行仿真分析,结果表明:所提出的节点预测定位方法的定位性能较高,定位覆盖度和定位精度高于SLMP方法和MP-PSO方法,平均通信能耗低于SLMP方法和MP-PSO方法.所提出的节点预测定位方法适用于大规模水下动态无线传感器网络定位.     

基于多空间混合约束的NAO机器人抓取轨迹规划

为提高NAO机器人手臂抓取物体的可靠性,本论文提出关节空间和笛卡尔空间控制相结合的方法,设计NAO机器人手臂的轨迹进行目标抓取。由于目标大小已知,利用关节空间控制可以预先设定NAO机器人抓取的最佳姿态,即NAO机器人手臂各个关节角度。运用正运动学,计算手臂移动位置。在设定姿态后的位置与目标点之间,利用笛卡尔空间控制进行轨迹规划。实验表明,在NAO坐标系下,手臂抓取范围内该算法能够在给定范围内准确地完成空间抓取目标任务。