基于深度学习网络的机器人定位误差估计与补偿研究

为了合理补偿机器人定位误差，提升作业能力，该文提出基于深度学习网络的机器人定位误差估计与补偿方法。确定机器人定位采样点，获取机器人末端定位理论位姿，以机器人末端理论位姿作为深度神经网络输入量，机器人末端定位误差作为输出量，利用遗传粒子群算法优化权值与阈值，得到机器人定位误差估计值，并对理论位姿坐标反向迭加该误差估计值，完成定位误差补偿。实验证明，该方法能够有效补偿机器人的位移偏差和关节角度偏差，精准抓取目标物体，并在不同数量采样点条件下，可使不同类型的机器人保持较高的定位精度。     

基于手眼视觉的两种目标位姿测量法仿真分析

空间机器人手眼视觉系统利用合作目标物体上的合作特征点对目标物体进行位姿估计,以完成跟踪捕捉任务。针对空间机器人实时性的要求,给出了两种实时性较好的4个特征点的位姿测量算法,并且在相同仿真环境下对两种P4P位姿算法进行了分析比较。仿真结果表明:四面体体积测量的位姿测量算法对特征点的像点量化误差更加敏感,位姿测量结果偏差较大;坐标变换的位姿测量算法稳定,精度较高。后者在实际应用中,可以达到更高的精度。     

3-RRR并联机器人的精度分析与仿真

目前有关并联机器人精度方面的研究工作还比较薄弱,为采取有效措施提高并联机构的精度,通过对3-RRR并联机器人机构的分析,针对传统D-H参数法的局限性,采用微分理论,建立了该并联机器人机构的精度模型,通过计算机仿真,针对单条支链多个结构参数误差,比较全面的分析了结构参数对输出位姿误差以及位姿变化对机器人机构精度的影响。分析结果为：机构中所有结构误差随着X轴正向增大而单调增大;运动支链在关节转角处的误差单调上升的比其他结构快。为该机器人机构实际误差补偿与控制提供了理论依据。     

一种新型的并联机器人位姿立体视觉检测系统

建立了一种并联机器人位姿立体视觉测量系统框架,主要包括图像采集与传输、摄像机标定、尺度不变量特征变换（SIFT）匹配、空间点重建和位姿测量五个部分。该系统基于SIFT,能够很好地处理图像在大视角有遮挡、平移、旋转、亮度和尺度变化时的特征点匹配,有较高的匹配精度,特别适用于对并联机器人多自由度和空间复杂运动的检测。最后使用该方法对并联机器人位姿检测做了仿真实验。     

基于蚁群算法的并联机器人误差补偿方法

提出一种利用蚊群算法补偿Stewart并联机器人位姿误差的方法.基于闭环矢量法建立Stewart并联机器人位姿误差模趔,通过6个驱动杆的长度误差和铰链误差得到并联机器人的位姿误差.在位姿误差模型的基础上,利用基于网格划分策略的连续蚁群算法,通过信息素更新指导蚂蚁反复搜索,对驱动杆杆长误差进行寻优,最终补偿Stewart...     

并联机器人视觉盲区末端位姿检测方法

为解决并联机器人末端执行器受机构支路遮挡造成的双目视觉盲区末端位姿错误检测问题,提出一种运动学正解结合混合优化RBF神经网络(RBFNN)误差补偿的视觉盲区末端位姿检测方法。首先在非视觉盲区采集RBFNN训练样本,其中运动学正解为输入样本,运动学正解和视觉检测位姿的差值为输出样本;然后进行训练,并采用GWO(Grey Wolf Optimization)算法和LM(Levenberg-Marquardt)算法混合优化权值;最后将训练好的网络用于视觉盲区,通过对运动学正解进行误差补偿以提高末端位姿检测精度。实验结果表明,与未补偿的检测方法相比,混合优化RBFNN补偿后的末端位姿检测方法,其末端位姿分量x,y,z,γ的误差平均绝对值分别降低了54.4%、67.7%、54.7%和52.9%,误差标准差分别降低了52.9%、62.8%、51.9%和58.8%,验证了所提方法的有效性。     

基于全局点云地图的煤矿井下无人机定位方法

即时定位与建图（SLAM）技术应用于煤矿井下无人机自主定位时,由于采用特征点构建地图,易出现退化问题,导致定位不准确,且因其以机体作为参考坐标系,无法实现全局定位。针对该问题,提出了一种基于全局点云地图的煤矿井下无人机定位方法。以Fast-LIO2算法作为激光SLAM算法,获得无人机位姿估计;采用迭代最近邻算法,对获取的激光雷达实时点云和全局点云地图进行两步匹配,实现无人机位姿校正;针对因点云数量过多导致点云匹配速度无法保证定位实时性的问题,设计了基于时间的位姿输出策略,提高了无人机位姿数据输出频率。在1 000 m煤矿井下巷道中测试无人机定位方法的SLAM精度和位姿校正效果,结果表明：在长距离巷道环境中,Fast-LIO2算法的定位累计误差小于1 m,在600 m以上范围内小于0.3m,明显小于LOAM-Livox算法和LIO-Livox算法;Fast-LIO2算法输出的位姿估计经校正算法校正后,飞行路径全部位于全局点云地图中,验证了位姿校正算法有效;单次SLAM算法运行耗时14.83 ms,单次位姿校正耗时883 ms,位姿数据输出频率为10 Hz,满足无人机定位实时性要求。     

机械臂绝对定位精度测量

提出了用激光跟踪仪标定机械臂的D-H参数、测量机械臂绝对位姿以及对机械臂的绝对定位精度进行分析的方法;用激光跟踪仪测量机械臂各个关节单独运动时得到的一系列离散点,就可确定机械臂各个关节的轴线,由此建立机械臂的D-H坐标系,并对D-H参数进行标定;然后,给出了由6D激光头位姿确定机械臂末端位姿的方法;最后,推出了由测量位姿值与命令位姿值相比较,得到机械臂绝对定位的位置和姿态偏差的方法;这些方法可以有效、迅速地完成对机械臂绝对定位精度的测量.     

基于图像线特征和点云面特征的水下人造目标定位

目的 针对水下人造目标的位姿参数估计问题,提出一种基于图像线特征与点云面特征的目标定位算法。方法 基于对人造物体成像后的边缘特征及其本身曲面特征的认知,将目标描述成为一种线特征与面特征的组合。首先依据指定线型对目标图像边缘进行线特征检测,初步定位目标在图像中的位置;然后采用RANSAC(random sample consensus)算法对投影到目标区域内的点云进行曲面特征检测,得到目标参数的近似值并从视场点云中提取目标点云;最后以超二次曲面作为目标的部件化模型,以检测到的目标参数为初值,建立3维目标尺寸和位姿估计的非线性目标函数,将该目标函数的优化结果作为3维目标的定位结果。结果 通过水下实验对算法的有效性进行验证,定位后的目标旋转轴角度偏差不超过2°,相对位置偏差不超过1%,单目标定位耗时不超过5 s。结论 实验结果表明,该算法的定位精度和耗时均能满足应用需要,可有效定位未知尺寸的人造目标,且对水下复杂环境有较强的适应性。     

一种TECA转运车的并联举升机构

为实现ITER(国际热核聚变实验堆计划)部件转运车TECA(Transfer Equipment CAsk)与托卡马克真空室或热室窗口的自动对接,提出了基于并联举升机构实现TECA的位姿调整的方法.设计了一种用于核环境下TECA转运车位姿调整的Stewart型并联举升机构,分析了该举升机构及其运动特征,建立了该机构的运动学模型,给出了逆运动学解析过程,并通过牛顿迭代法得到正运动学数值解.最后,采取双闭环的控制方式,以提高对接精度和速度.现场实验中该并联举升机构能够在大尺度范围下完成4.25 m×1.3 m×1.75 m的TECA转运车与真空室窗口的精确对接任务,并且能够达到0.88 mm以内的重复定位精度.结果表明该方法在求解平台位姿参数过程中具有速度快、精度高等优点.     

基于双目视觉的新型并联机构末端位姿检测

针对一种新型3-DOF驱动冗余并联机构,为提高双目视觉末端位姿检测的实时性和精度,首先采用Harris-SIFT算法对图片进行预匹配,通过Harris提取图像特征点,并采用SIFT特征描述子对图像进行匹配,使得匹配结果兼具实时性和稳定性;为解决匹配算法存在的误差匹配和错误匹配问题,提出一种改进的RANSAC算法对预匹配结果进行提纯,该改进方法通过分格取点和提前取点验算临时模型克服常规RANSAC算子匹配不准确、算法费时的缺点.实验结果表明,采用改进的RANSAC算法提纯较常规RANSAC算子不仅可以大幅度降低图像处理时间,而且可以更大程度提高匹配正确率,进而位姿检测的实时性和精度得以提高.     

Pose determination of human faces by using vanishing points

A new method for estimating 3D-head pose from a monocular image is proposed in this paper. The approach employs general prior knowledge of face structure and the corresponding geometrical constraints provided by the location of vanishing point to determine pose of human faces. The connection of the two far-eye corners and the two neighboring-eye corners, respectively, form the eye-lines. Connecting the two far-mouth corners forms the mouth-line. The eye-lines and the mouth-line are assumed parallel in 3D space, and their vanishing point on the image plane can be used to infer 3D pose of the human face. Perspective projection imaging model is used and an accurate analytic solution of pose (position and orientation) of human face is deduced. The orientation of the facial plane can be obtained when the ratio of the lengths of the eye-line segment (far-eye corners) and the mouth-line segment (far-mouth corners) is known. Furthermore, if one of the two lengths is known, then the absolute positions of the feature corners can be located. The robustness analysis of the algorithm with synthetic data and the experimental results of real face images are enclosed.     

多重光照色差下图像平滑美化处理算法

夜间多重光照下采集的图像存在色差,采用白平衡偏差补偿方法实现夜间多重光照下图像的平滑美化处理,以提高图像的成像质量。传统的图像平滑算法采用循环跟踪像素点特征提取算法,出现白平衡偏差时图像的色差补偿效果不好。提出一种基于白平衡偏差补偿的夜间多重光照下的色差图像平滑算法。首先进行图像特征采集和自适应均衡预处理,对夜间多重光照下的色差图像进行白平衡偏差补偿,然后采用图像盲去卷积算法进行图像平滑,通过目标特征模型在空间上的相似度函数来确定图像光照色差的特征权值,沿梯度方向求得图像边缘信息,再通过特征聚类对夜间多重光照色差图像自动划分目标空间,最大程度地对夜间多重光照下的色差图像的细节特征进行平滑美化。仿真结果表明,采用该算法进行白平衡偏差补偿的夜间多重光照色差下的图像平滑美化处理方法具有较好的图像平滑性能,计算开销较小,图像的细节特征平滑效果最佳,其优于传统算法。     

EM enhancement of 3D head pose estimated by point at infinity

Head pose estimation is a key task for visual surveillance, HCI and face recognition applications. In this paper, a new approach is proposed for estimating 3D head pose from a monocular image. The approach assumes the full perspective projection camera model. Our approach employs general prior knowledge of face structure and the corresponding geometrical constraints provided by the location of a certain vanishing point to determine the pose of human faces. To achieve this, eye-lines, formed from the far and near eye corners, and mouth-line of the mouth corners are assumed parallel in 3D space. Then the vanishing point of these parallel lines found by the intersection of the eye-line and mouth-line in the image can be used to infer the 3D orientation and location of the human face. In order to deal with the variance of the facial model parameters, e.g. ratio between the eye-line and the mouth-line, an EM framework is applied to update the parameters. We first compute the 3D pose using some initially learnt parameters (such as ratio and length) and then adapt the parameters statistically for individual persons and their facial expressions by minimizing the residual errors between the projection of the model features points and the actual features on the image. In doing so, we assume every facial feature point can be associated to each of features points in 3D model with some a posteriori probability. The expectation step of the EM algorithm provides an iterative framework for computing the a posterori probabilities using Gaussian mixtures defined over the parameters. The robustness analysis of the algorithm on synthetic data and some real images with known ground-truth are included.     

深度学习人脸特征点自动定位综述

人脸特征点定位是根据输入的人脸数据自动定位出预先按人脸生理特征定义的眼角、鼻尖、嘴角和脸部轮廓等面部关键特征点,在人脸识别和分析等系统中起着至关重要的作用。本文对基于深度学习的人脸特征点自动定位进行综述,阐释了人脸特征点自动定位的含义,归纳了目前常用的人脸公开数据集,系统阐述了针对2维和3维数据特征点的自动定位方法,总结了各方法的研究现状及其应用,分析了当前人脸特征点自动定位技术在深度学习应用中的现状、存在问题及发展趋势。在公开的2维和3维人脸数据集上对不同方法进行了比较。通过研究可以看出,基于深度学习的2维人脸特征点的自动定位方法研究相对比较深入,而3维人脸特征点定位方法的研究在模型表示、处理方法和样本数量上都存在挑战。未来基于深度学习的3维人脸特征点定位方法将成为研究趋势。     

单目视觉定位方法研究综述

根据单目视觉定位所用图像帧数不同把定位方法分为基于单帧图像的定位和基于双帧或多帧图像的定位两类。单帧图像定位常利用已知的点特征、直线特征或曲线特征与其在图像上的投影关系进行定位,其中用点特征和直线特征的定位方法简单有效而应用较多;基于双帧或多帧图像的定位方法因其操作复杂、精度不高而研究的还较少。通过对各方法的介绍和评述,为单目视觉定位问题的研究提供参考。     

提取二维图像特征点阈值的自动确定

根据灰度图像中噪声与特征点在灰度曲面中呈现出的不同分布特征,提出了对抽样区域的象素灰度进行偏差迭代运算以确定特征点象素,采用计算算术平均的办法确定阈值.采用该方法确定阈值,避免了提取图像特征点时,根据被处理图像的一些先验信息,利用试探方法确定阈值的局限性.通过对不同自然二维图像的特征点提取,证明了文中所确定的阈值是合理、有效的.     

A Dual Source,Parallel Architecture for Computer Vision

We present a parallel architecture for object recognition and location based on concurrent processing of depth and intensity image data. Parallel algorithms for curvature computation and segmentation of depth data into planar or curved surface patches, and edge detection and segmentation of intensity data into extended linear features, are described. Using this feature data in comparison with a CAD model, objects can be located in either depth or intensity images by a parallel pose clustering algorithm.The architecture is based on cooperating stages for low/intermediate level processing and for high level matching. Here, we discuss the use of individual components for depth and intensity data, and their realisation and integration within each parallel stage. We then present an analysis of the performance of each component, and of the system as a whole, demonstrating good parallel execution from raw image data to final pose.     

融合多姿势估计特征的动作识别

目的 为了提高静态图像在遮挡等复杂情况下的动作识别效果和鲁棒性,提出融合多种姿势估计得到的特征信息进行动作识别的方法。方法 利用已得到的多个动作模型对任意一幅图像进行姿势估计,得到图像的多组姿势特征信息,每组特征信息包括关键点信息和姿势评分。将训练集中各个动作下所有图像的区分性关键点提取出来,并计算每一幅图像中区分性关键点之间的相对距离,一个动作所有图像的特征信息共同构成该动作的模板信息。测试图像在多个动作模型下进行姿势估计,得到多组姿势特征,从每组姿势特征中提取与对应模板一致的特征信息,将提取的多组姿势特征信息分别与对应的模板进行匹配,并通过姿势评分对匹配值优化,根据最终匹配值进行动作分类。结果 在两个数据集上,本文方法与5种比较流行的动作识别方法进行比较,获得了较好的平均准确率,在数据集PASCAL VOC 2011-val上较其他一些最新的经典方法平均准确率至少提高近2%。在数据集Stanford 40 actions上,较其他一些最新的经典方法平均准确率至少提高近6%。结论 本文方法融合了多个姿势特征,并且能够获取关键部位的遮挡信息,所以能较好应对遮挡等复杂环境情况,具有较高的平均识别准确率。