基于时延补偿的移动机器人动态避障方法

为提高自主移动机器人的动态避障能力,提出以视觉信息为决策依据,通过时延补偿提高机器人对障碍物定位精度局部动态避障方法．在避障过程中无需考虑障碍物的运动速度和运动方向,更加适用于机器人在未知或部分未知环境下的路径规划．实验表明,这种方法是可行而有效的．     

基于学习分类器的自主地面车在狭隘环境中的路径规划

提出了一种基于学习分类器(LCS)的避碰路径规划方法,设计了集成适应度函数,在确保安全避碰的前提下,解决自主地面车(ALV)在狭隘环境下的路径优化问题.不同环境的仿真实验结果表明,遗传算法和学习分类器结合用于自主地面车的路径规划是收敛的,提高了ALV在狭隘环境中快速发现安全路径的能力.     

基于一种新的目标识别的边缘爬行算法

针对机器人目标识别的实时性、快速性和鲁棒性特点,依据物体边缘大部分区域的方向缓变原理,提出了一种基于记忆的边缘爬行改进算法.爬行搜索方法的一个明显缺点是"爬虫"容易掉进"陷阱",即围绕某个局部小区域重复爬行.记忆搜索方法则有效克服了爬行搜索方法容易掉进"局部陷阱"的不足.在边缘爬行的同时,通过标号将颜色相近的不同物体分割出来.实验结果表明,与传统方法比较,该方法的边缘线更加完整、清晰,而且缩短了处理图像的时间,使目标识别的实时性和鲁棒性得到了优化.     

基于混合蒙特卡罗箱方法的移动感知网节点定位方法

通过将机器人领域的蒙特卡罗定位方法(Monte-Carlo localization,MCL)引入到移动感知网的节点定位,提出了一种混合蒙特卡罗箱方法(mixture Monte-Carlo Box,Mixture-MCB).该方法采用混合采样的方式提高采样的成功率,有效地解决了传统蒙特卡罗方法的粒子耗散问题.与其他现有方法相比,该方法不仅计算简单,定位精度高,而且对于环境参数的改变具有较强的鲁棒性,因此适用于由计算能力较弱的节点构成的大规模移动感知网.仿真实验对算法的计算复杂度、定位精度和鲁棒性进行了分析并与其他方法进行了比较,结果表明,该方法是可行而有效的.     

基于视觉信息的移动机器人动态避障方法

为了提高自主移动机器人的动态避障能力,提出了一种基于视觉信息的拟人动态避障方法,以视觉信息为决策依据,利用神经网络对障碍物的屏幕坐标和实际相对坐标进行非线性映射,在避障过程中只考虑障碍物相对于机器人的运动及可能的碰撞方式,无需考虑机器人和障碍物的运动速度和运动方向,仿真试验证明这种方法是可行而有效的．     

改进视觉词袋模型的快速图像检索方法

视觉词袋模型在基于内容的图像检索中已经得到了广泛应用,传统的视觉词袋模型一般采用SIFT描述子进行特征提取.针对SIFT描述子的高复杂度、特征提取时间较长的缺点,本文提出采用更加快速的二进制特征描述子ORB来对图像进行特征提取,建立视觉词典,用向量间的距离来比较图像的相似性,从而实现图像的快速检索.实验结果表明,本文提出的方法在保持较高鲁棒性的同时,明显高了图像检索的效率.     

动态环境下基于速度空间寻优的局部避障方法

在动态环境下的局部避障是移动机器人的一项基本功能.在各种速度空间方法,如曲率-速率法(CVM)、巷道-曲率法(LCM)和扇区-曲率法(BCM)的基础上,提出了一种适用于未知或部分未知动态环境的局部避障方法.该方法将碰撞预测模型与改进后的BCM有效结合,不仅兼备了CVM的平滑性、LCM的安全性和BCM快速性的优点,而且弥补了各种速度空间寻优方法的不足,使其能够适用于移动机器人在动态环境下的避障与导航.实际机器人的导航实验表明该算法是可行而有效的.