基于目标跟踪的交互多模型kalman滤波算法研究

针对运动目标跟踪的过程中,运动轨迹发生改变或运动过程出现目标遮挡时,传统的跟踪算法容易出现跟踪丢失或跟踪效果较差等情况,文章提出了一种基于交互多模型Kalman滤波算法和Meanshift滤波算法的融合方法,对运动目标进行位置预测估计,解决目标遮挡问题,提高目标跟踪精度。实验结果证明,该改进算法能够有效地进行目标定位跟踪,并且具有快速性。     

基于kalman滤波的机器人三维视觉定位

针对三维视觉定位问题,提出了一种基于kalman滤波的机器人眼在手上视觉定位方法。利用图像的全局特征描述子-图像矩来提取目标的三维图像特征,在不标定摄像机和机器人坐标变换关系的情况下,采用kalman滤波估计算法对图像雅可比矩阵进行在线辨识,并建立图像特征反馈控制,使定位目标物体的图像坐标始终保持在图像平面的中心位置。利用MATLAB仿真软件建立了基于kalman滤波的机器人眼在手上视觉定位仿真模型,实现了机器人的三维视觉定位。实验研究表明,该方法可以使机器人到达目标位置,且定位精度较高。     

基于量子粒子群优化容积卡尔曼滤波的LANDMARC室内定位算法

针对噪声环境下,基于标准容积卡尔曼滤波的LANDMARC室内定位算法因噪声特性估计不准,引起滤波性能下降而导致定位误差较大的问题,提出一种基于量子粒子群优化容积卡尔曼滤波的LANDMARC室内定位算法。该算法首先建立基于LANDMARC定位框架下的运动目标动态模型,然后引入量子粒子群优化技术对容积卡尔曼滤波中时间更新过程的状态预测值进行优化,以降低因畸变噪声引起的误差;最后将改进的容积卡尔曼滤波算法应用到运动目标状态估计中。实验结果表明,所提算法定位误差均值为0.175 m,与相同环境下传统的LANDMARC算法、基于容积卡尔曼滤波的LANDMARC算法以及基于粒子群优化容积卡尔曼滤波的LANDMARC算法相比,定位精度和稳定性均有明显提高,且运算时间比基于粒子群优化的算法少,应用在室内定位中能够得到较为真实的目标移动轨迹。     

IKid仿人足球机器人的自定位和球定位

仿人足球机器人的定位问题是机器人完成自主移动和智能决策的关键问题之一。介绍了本校IKid仿人足球机器人自身在球场的定位和足球在机器人坐标系的定位。前者通过自身内部九轴惯性传感器测量加速度、磁场方向和旋转角速度,并在此基础上通过粒子滤波和时间漂移修正等手段补偿误差完成机器人自身的位置和姿态计算。后者通过摄像头采集足球的视觉图像,在图像处理的基础上通过单目摄像机视觉系统完成在眼坐标系中足球三维坐标的计算,并通过手眼标定实现足球在机器人坐标系的定位。以上定位系统和定位方法已被应用于现有的IKid机器人,使其更好地完成动态行走、找球和踢球等动作。     

UWB与IMU融合的室内动态定位算法

针对超宽带(UWB)定位易受多种噪声和非视距(NLOS)的影响产生定位误差的问题,提出了一种基于UWB与惯性测量单元(IMU)融合的室内动态定位算法。该算法首先采用扩展卡尔曼滤波算法对基于到达角度(AOA)定位方法的位置信息进行滤波,并与IMU数据进行时间同步,通过相邻时刻UWB位置信息变化速度与IMU所测量标签运动速度对比,实现对NLOS数据的识别及补偿,从而降低NLOS对定位精度的影响;然后基于改进粒子滤波算法对融合后的数据进行最优估计,以抑制噪声的干扰,最终实现对标签的准确定位。实验结果表明,所提算法采用基于AOA的定位方法可以在保证定位精度的前提下节约硬件成本;与单一使用UWB传感器的定位方案相比,所提算法可根据IMU提供的先验信息有效降低UWB的定位误差,在非视距环境下具备较高可靠性;与基于扩展卡尔曼滤波和无迹卡尔曼滤波的融合算法相比,定位精度分别提高了65.6%和56.0%;与标准粒子滤波算法相比,所提算法基于改进的粒子滤波算法运行时间缩短了42.3%。     

双目视觉系统实现羽毛球实时跟踪

利用双目视觉系统实现三维空间中羽毛球的实时跟踪。主要从双目图像获取、双目标定、图像校正、立体匹配等方面对双目进行探究,以识别运动中的羽毛球为导向,实现对运动中的羽毛球进行实时跟踪定位。为增加系统稳定性,采用背景减除算法和Camshift算法相结合的方法实现羽毛球在较为复杂背景的跟踪监测,再通过双目获得目标羽毛球的位置信息,再将羽毛球的位置实时反馈给机器人运动控制系统。通过不断测试,实现了羽毛球在飞行过程中的跟踪检测和轨迹三维信息的计算,并且定位误差在±10 mm范围内,实现对羽毛球的实时跟踪定位。     

基于观测相似性粒子滤波的纯角度目标跟踪

单站被动纯角度目标跟踪问题在理论和实际应用中一直都是被广泛研究的一个重要而困难的课题。本文提出一种重采样基于观测路径相似性的粒子滤波算法,该算法利用粒子观测路径和系统状态观测路径的相似性来修正粒子权值并使用修正后的权值进行重采样。实验结果表明当观测噪声方差小于系统噪声方差时,该算法在单站被动纯角度目标跟踪的误差均方根值和误差方差上均优于SIR粒子滤波、辅助粒子滤波和高斯粒子滤波。     

基于改进PSO-BP算法的机器人目标位姿识别方法

机器人作业环境复杂，物料分布具有随机性，导致机器人目标位姿的辨识和定位精度低，实时性差，为此提出一种基于改进粒子群算法-BP神经网络(PSO-BP)的机器人目标位姿识别方法。采用改进的中值滤波算法对目标图像预处理，构建多尺度灰度差异算子以及局部图像熵算子，将两者点积运算获取加权局部熵，抑制目标图像中的噪声。通过多视图几何中间帧的关联特征信息，提取机器人目标位姿特征。在BP神经网络训练阶段通过改进的PSO算法优化处理，采用优化后的BP神经网络算法对提取的特征展开训练和识别，最终实现机器人目标位姿识别。实验结果表明，当机器人目标测试样本数量为55个时，所提方法的亮度方差为0.305,当像素识别误差为1.5%时，所提方法获取的机器人目标位姿识别误差为0.11,所提方法能够在像素识别误差下准确识别机器人目标，获取高精度的机器人目标位姿识别结果。     

融合粒子滤波和环境标签矫正的巡检机器人自主定位算法

随着巡检机器人的需求量增加,巡检机器人在复杂环境中的自主定位问题越来越重要。提出了融合粒子滤波和环境标签矫正的自主定位算法,充分利用巡检机器人的工作环境特性和蒙特卡罗定位算法的特性,提高机器人自主定位的效率和效果。基于ROS建立了机器人仿真环境,对定位算法的效果进行了测试。实验结果表明融合粒子滤波和环境标签矫正的自主定位算法的效率和准确性有所提高,能够很快实现定位恢复。     

基于径向基神经网络的爬壁机器人姿态调节控制方法

爬壁机器人姿态调节受其运动状态的影响，控制中心难以实时纠正爬壁机器人方向与角度，存在机器人运动失衡的问题，为此设计基于径向基神经网络的爬壁机器人姿态调节控制方法。建立机器人运动方程与静力学方程，判断机器人运动失衡状态，采用径向基神经网络对爬壁机器人姿态进行纠偏控制，并通过控制中心传输指令，实现基于径向基神经网络的爬壁机器人姿态调节控制。实验结果表明，应用所提方法后爬壁机器人偏航角、俯仰角误差与滚转角的误差平均值分别为0.20×10³、0.15×10³、0.45×10³ rad,在无干扰和有干扰的情况下，所提方法控制后到达的位置与目标位置的最大误差分别为2及10 m,体现了爬壁机器人姿态调节控制的优异性能。     

Target recognition of indoor trolley for humanoid robot based on piecewise fitting method

Although several studies have considered the problem of humanoid robots pushing carts, only a few have focused on the problem of robots moving heavy objects under monocular vision. This study proposes a target recognition and positioning method and a control method for a robot pushing a loaded trolley. A control system based on the humanoid robot NAO is developed and a monocular visual ranging method with segmented fitting is proposed to realize hardware control and target search and positioning for NAO. The ability of NAO to push a small cart with various weights using visual positioning is tested. The experimental results show that the average error of the monocular distance measurement method is 1.7 mm and that the target search and positioning is accurate. NAO can push a loaded cart that is 6.5 times its own weight.     

基于智能空间的变电站机器人复合全局定位系统设计

变电站机器人对于坚强智能电网的建设具有重要意义,针对室外大范围环境下巡检机器人在没有任何初始位姿先验知识情况下通过传感器观测全局定位的问题,结合智能空间技术,本文提出了一种智能空间下基于ZigBee指纹定位与改进粒子滤波的复合全局定位系统。该方法首先利用变电站环境下已有的无线网络,通过UPnP技术将机器人接入智能空间,在智能空间中采用BP神经网络进行ZigBee指纹初步定位,然后在初定位基础上利用粒子群优化的粒子滤波算法完成精确定位。实验结果表明,本文设计的算法实现了变电站机器人与智能空间的零配置与松耦合,可有效提高初始全局定位精度并改善算法性能,缩短迭代时间。     

Uncalibrated Workpiece Positioning Method for Peg-in-hole Assembly Using an Industrial Robot

This paper proposes an uncalibrated workpiece positioning method for peg-in-hole assembly of a device using an industrial robot. Depth images are used to identify and locate the workpieces when a peg-in-hole assembly task is carried out by an industrial robot in a flexible production system. First, the depth image is thresholded according to the depth data of the workpiece surface so as to filter out the background interference. Second, a series of image processing and the feature recognition algorithms are executed to extract the outer contour features and locate the center point position. This image information, fed by the vision system, will drive the robot to achieve the positioning, approximately. Finally, the Hough circle detection algorithm is used to extract the features and the relevant parameters of the circular hole where the assembly would be done, on the color image, for accurate positioning. The experimental result shows that the positioning accuracy of this method is between 0.6-1.2 mm, in the used experimental system. The entire positioning process need not require complicated calibration, and the method is highly flexible. It is suitable for the automatic assembly tasks with multi-specification or in small batches, in a flexible production system.     

基于SR-CKF的相对方位多机器人协同定位算法

针对单移动机器人在探索未知复杂环境时,存在鲁棒性较差、效率较低等问题以及现有多机器人协同定位算法实时性较差、数值不稳定和定位精度较差等缺陷,提出基于平方根容积卡尔曼滤波的相对方位多机器人协同定位算法。通过建立机器人运动方程和观测方程,利用相对方位作为测量值,进一步得到多机器人协同定位的动态模型。在更新过程中直接传递目标状态均值和协方差矩阵的平方根因子,降低了计算的复杂度。仿真结果表明:相比基于相对方位的EKF、UKF协同定位算法,本文提出的协同定位算法均方根误差降低了87.04%和52.10%,运行时间比UKF协同定位算法减少了1.45%,表明该算法在协同定位性能上更优越。     

基于深度学习的钢筋绑扎机器人目标识别定位

为了解决钢筋绑扎机器人对绑扎点识别准确率低,定位精度差的问题,提出一种基于深度学习的钢筋绑扎机器人目标识别与定位方法。首先采用YOLOv4算法对绑扎点目标框识别和裁剪,完成绑扎点初始定位;其次设计轮廓角点选取方法,利用角点计算绑扎点的图像坐标;之后通过融入CBAM注意力机制改进Monodepth算法的特征提取部分,解码部分引入路径增强PAN结构,以提高模型的特征提取能力,进一步提高立体匹配精度;最后通过双目立体视觉定位技术获得绑扎点深度信息,并由坐标变换求解钢筋绑扎机器人手眼坐标系映射关系,从而实现对绑扎点的精确识别和定位。实验结果表明：该方法针对绑扎点目标框的识别准确率达到了99.75%,每秒传输帧数达到54.65;在空间中的定位精度最大误差为11.6mm。可较好地识别定位绑扎点位置,为自动绑扎工作提供有力支持。     

基于烟花优化粒子群的室内定位算法研究

针对测距式射频识别室内定位算法定位误差较大的问题,提出了一种基于烟花优化粒子群的室内定位算法。该算法分为测距和定位两个阶段,在测距阶段使用到达相位差进行测距并构建待优化的目标函数。在定位阶段对粒子群优化算法进行改进。为了改进粒子群优化算法在迭代过程中容易落入局部极值的问题,引入了烟花优化算法的爆炸、变异、选择操作,并对选择规则进行改进;算法还根据烟花爆炸算子和变异算子对粒子群算法的速度更新公式进行改进。实验结果表明,该算法能够有效实现对目标的定位,定位平均误差为0.2773m,与基于标准粒子群优化算法的室内定位算法相比具有39.61%的性能提升。     

基于红外传感阵列的目标运动方向探测与识别研究

针对单个红外传感器无法获取障碍物距离之外的其他信息,本文设计了红外传感器阵列检测系统,不仅能探测运动目 标距离信息还能识别目标的运动方向。 当运动目标通过红外阵列时,该系统检测到红外反射回波信号转换为目标距离信息后, 采用 K-means 聚类把运动目标信号从背景噪声中分离出来,再经过最小二乘拟合提取目标运动方向特征,最后通过分类器对 8 种不同运动方向进行有效感知分类。 实验结果表明,该方法能够成功识别出目标的 8 种运动方向,当分类器参数 K 取值为 5 时,平均识别准确率达到 0. 83 以上,试验结果验证了本文提出的基于红外传感器阵列对目标运动方向进行准确探测与识别的 可行性,为实现多模态融合机器人动态避障奠定了基础。     

变电站非视距环境移动目标实时精准定位方法

在基于无线传感器网络的变电站移动目标定位系统中,测量信号的传播路径容易受到变电站内各种设备的遮挡,导致测量误差增大,影响最终定位精度。针对现有实时定位算法受测量误差影响较大这一现状,本文提出了一种受测量误差影响较小的新型高精度定位方法,实现在变电站内对移动目标的精准定位。根据定位锚点提供的测量信息,采用两步线性最小二乘法初定位。引入误差概率算法,对初定位结果进行二次处理,求解出的概率最大点即为待定位目标的最优位置估计。进行仿真分析与实验验证,与现有算法进行比较。文中提出的算法在变电站环境下,将每一单一坐标误差控制在30cm以内,相较于现有实时定位方法,定位精度提升了50%以上。结果表明该定位方法能够有效提升在变电站环境下定位结果的准确性。