双机械臂协调：以运动学为基础的模型分析与动态补偿控制方法

本文建立了双机械臂协调系统的主从式控制的非结构模型，并针对两臂具有相同特性和不同特性这两种情形作了稳定性分析，提出特性校正的方法，本文还利用内模原理设计出动态补偿器来克服标定约束的不确定性对系统控制品质的影响，最后给出了实验结果。     

一种基于线段特征的室内环境主动SLAM方法

在SP模型的框架下,从激光扫描点中提取线段特征用于描述室内环境．提出一种基于最优控制的主动同时定位与建图方法;该方法综合考虑系统不确定性的大小和对环境的探索程度,为机器人确定最佳的控制输入,使机器人能够建立精确和完整的环境地图．在Poineer3DX移动机器人平台上进行了实验,实验结果验证了该方法的有效性．     

基于视觉的移动机器人同时定位与建图研究进展

同时定位与建图(SLAM)是实现移动机器人真正自治的必要前提, 视觉传感器由于能够提供丰富的环境信息而在SLAM研究中受到重视, 本文从视觉传感器配置方式、视觉特征提取方法、视觉SLAM实现机制、地图表示类型以及环境对视觉SLAM的影响五个方面综述基于视觉传感器的同时定位与建图研究的发展现状, 对已有的典型视觉SLAM方法进行分析和比较, 并展望了未来的发展趋势.     

智能交通系统中的数据处理与分析

智能交通系统是以提高路网通行效率、提高道路利用率、减少交通事故为目的,利用交通信息系统、通讯网络、定位系统和智能化分析与选线的交通系统的总称。文章以天津市智能交通示范工程为背景设计开发交通数据信息分析系统,讨论交通数据的组织形式、查询方式和查询结果的表示方法。该系统对由激光传感器采集的车高、车速和车型数据进行分析处理,提供给用户多种查询方法,并以表格、图形等多种方式展示查询的结果,帮助用户更好的了解交通状况,从而为科学决策提供依据。     

基于运动模式在线分类的移动机器人目标跟踪

区别于以往采用固定运动模式的目标跟踪研究,提出一种基于单目视觉传感器的人体运动模式在线识别算法,及基于此算法的人体目标跟踪方法。首先,利用视觉信息检测运动目标,并提取其视觉特征;然后通过单目视觉深度提取算法,获取目标的运动特征;接着将连续几帧的特征变化矢量送入随机森林(RF)进行学习,实现对人体运动模式的在线分类;最后根据分类结果在线选取不同的目标运动模型,并利用近似最优的粒子滤波器实现对目标运动状态的准确估计。实验结果证明了本文提出算法的有效性。     

一种深度优先挖掘Generator表示的有效算法

Generator表示方法使得基于频繁集的挖掘任务更加简洁高效。该文提出深度优先挖掘Generator表示的方法,通过候选剪枝和在树结构上通过保留挖掘后缀信息,完成Generator候选检测,而不需重复扫描数据库。同时采用的剪枝策略使挖掘冗余操作尽可能减少,取得了较好的效果。实验表明提出的算法是一种有效挖掘Generator表示的方法。     

室内环境下基于图像序列拓扑关系的移动机器人全局定位

针对室内环境结构相似的特点,提出一种基于图像序列拓扑关系的移动机器人全局定位算法.首先,提取图像的Gist描述子,并提出一种局部极值算法,将环境划分成若干组不同的图像序列.然后,使用ESN(echo state network)对每一组图像序列在时间上进行双序训练,提取鲁棒的图像序列特征,再利用空间上的双向匹配策略实现图像序列特征的匹配.最后,采用HMM(hidden Markov model)对图像序列间的拓扑关系进行建模,将移动机器人全局定位问题转化成有向无环图中最长路径求解问题,并通过实验对该图像序列划分和序列建模方法进行验证.与基于单帧图像匹配的算法、SeqSLAM算法以及Fast-SeqSLAM算法相比,该算法在室内走廊环境和办公环境中均可实现100%的定位.特别是在室内办公环境中,机器人仅需要运动0.80 m便可以对自身进行准确定位.实验结果表明,该算法具有较强的鲁棒性、较高的定位准确性和定位效率.     

基于分层词袋模型的室外环境增量式场景发现

场景理解是机器人在多样化环境中自主执行任务的前提,而场景发现是场景理解的一个重要内容.由于具体场景在空间和时间上存在连续性,可以假定移动机器人在某一段时间内处于同一场景,并且属于同一场景的图像序列的视觉观感是相似的,因此提出无需先验知识的增量式室外场景发现,通过分层词袋模型建立图像和场景的联系,使得场景发现过程更加类似人类认知模式.对于机器人实时获取的每一副图像,首先将其分块,然后利用动态聚类算法增量式地得到相应的低层词典,并据此词典提取高层词袋模型特征,接下来,再用另一动态聚类算法增量式地完成场景发现,从而判断当前图像属于一个已经历场景,或未经历场景,直到发现新场景.实验结果证明,该方法能够在没有先验知识的情况下有效完成自主场景发现.     

室内环境下基于平面与线段特征的RGB-D视觉里程计

针对室内环境的结构特点,提出一种使用平面与线段特征的RGB-D视觉里程计算法．首先根据RGB-D扫描点的法向量对3D点云进行聚类,并使用随机抽样一致（RANSAC）算法对每簇3D点集进行平面拟合,抽取出环境中的平面特征;随后利用边缘点检测算法分割出环境中的边缘点集,并提取出环境中的线段特征;然后提出一种基于平面与线段几何约束的特征匹配算法,完成特征之间的匹配．在平面与线段特征匹配结果能提供充足的位姿约束的条件下,利用特征之间的匹配关系直接求解RGB-D相机的位姿;若不能,则利用匹配线段的端点以及线段点集来实现RGB-D相机位姿的估计．在TUM公开数据集中的实验证明了选择平面与线段作为环境特征可以提升视觉里程计估计和环境建图的精度．特别是在fr3/cabinet数据集中,本文算法的旋转、平移的均方根误差分别为2.046°/s、0.034m/s,要显著优于其他经典的视觉里程计算法．最终将本文系统应用到实际的移动机器人室内建图中,系统可以建立准确的环境地图,且系统运行速度可以达到3帧/s,满足实时处理的要求．     

车型移动机器人的SPRM路径规划方法

研究车型移动机器人的路径规划问题,提出一种用局部规则路图结合随机路图,辅助建立全局复合路图的环境建模方法. 在此基础上进行路径规划,提高了在障碍物附近产生的局部路径的质量,减少了由于频繁地执行避碰校验所造成的时间消耗,并解决了可行空间丢失的问题. 仿真实验验证了这种方法在车形移动机器人路径规划应用中的有效性.