一种多焦距动态立体视觉 SLAM

现有的双目同步定位与建图(SLAM)都使用标准立体相机,所处环境为静态的假设会影响其在动态环境中的精度。 提 出了一种多焦距动态立体视觉 SLAM 方法,它克服了标准立体相机无法兼顾远距离和宽视场感知场景的缺点,并去除了动态物 体对 SLAM 的影响。 具体来说,对传统的立体校正方法进行了改进,并使用校正参数修正了特征点的位置,而不是整张图像,还 提出了一种自适应特征提取和匹配方法以增加多焦距图像的特征匹配数量。 综合使用多视图几何、区域特征流和相对距离检 测动态对象,剔除动态对象上的特征点。 在公开数据集 KITTI 上,该方法相对 ORB-SLAM3 和 DynaSLAM 的定位精度都提高了 6. 97% ,在自建数据集中,该方法的定位精度比 ORB-SLAM3 提高了 26. 64% ,比 DynaSLAM 提高了 32. 09% 。     

ZigBee高密度节点通信性能测试实验

为对ZigBee技术在高密度节点分布情况下通信性能进行认识,设计了一套检测其通信性能的实验系统,该系统由单信道通信实验和四信道通信实验组成。为了验证ZigBee通信系统的最基本特性,在实验中不加入纠错或校验等措施,而是使用误码率这一参数对通信性能进行直观描述,系统通过对发送数据和接收数据的比较来检测单信道通信或四信道通信时的误码率。     

基于ZigBee的语音通信节点的设计与实现

为了能在短距离上实现低成本、低功耗的无线语音通讯,应用ZigBee技术,设计了无线语音通讯方案,可以很好地实现短距离的实时语音通话,并且在不影响通讯质量的情况下,兼顾了成本、功耗的问题,使其能够在较大的范围内得到应用.     

基于视觉的采摘机器人目标识别与定位方法研究综述

目标识别和定位的精度直接关系到采摘机器人采摘效率、质量和速度。本文对近年来采摘机器人的目标识别和三维定位的研究工作进行了系统性的总结和分析,综述了果蔬识别和定位的几种主要方法:目标识别:数字图像处理技术、基于机器学习的图像分割与分类器和基于深度学习的算法;三维定位:基于单目彩色相机、基于立体视觉匹配、基于深度相机、基于激光测距仪和基于光基3D相机飞行时间的三维定位。分析了影响果蔬识别和定位精度的主要因素:光照变化、复杂的自然环境、遮挡以及动态环境干扰下成像不精确。最后对采摘机器人目标识别与定位的未来发展作了几点展望。     

基于立体视觉与激光雷达的车辆目标外形 位置融合算法研究

环境感知技术是智能汽车的关键技术之一,单独使用视觉传感器或激光雷达在目标检测和目标定位方面存在局限性。本文在图像和激光雷达目标检测的基础上,提出了一种基于立体视觉与激光雷达的车辆目标外形位置融合算法。首先,采用深度学习方法对图像和点云数据进行目标检测,再通过基于目标三维点和目标种类的目标外形位置估计方法确定目标的外形和位置,最后在数据关联后对同一时刻的图像目标及点云目标进行融合处理,获取目标的外形和位置。在KITTI数据集以及实际道路场景上验证了本文算法,实验结果表明,本文方法在检测精度上分别比YOLOv3网络、Point-GNN网络提高了5.72%和1.8%。另外,在20 m内目标外形及位置平均误差分别为4.34%和4.52%。     

基于改进自动网格法的嵌入式应变测量系统

为了实现应变测量系统的智能化、低成本、非接触实时检测,针对橡胶材料大应变测量的特点,研制了基于改进自动网格法的嵌入式非接触应变测量设备.以高性能达芬奇DSP芯片TMS320DM6437和CMOS图像传感器为核心构建了一套集图像采集和图像处理于一体的处理模块,并使用控制芯片S3C2440实现整体控制功能.针对传统自动网格法在嵌入式应用中的缺点进行改进,在其基础上设计了适用于嵌入式系统的新的算法,并针对DSP硬件结构特点进行了优化设计.在完整系统上对橡胶材料进行了非接触纵向拉伸试验,实验结果表明本系统能够实时准确地计算出应变结果,验证了技术方案及算法的可靠性,图像处理速度达到20帧/秒,应变的测量范围超过了100％.     

基于视觉的三维重建关键技术研究综述

三维重建在视觉方面具有很高的研究价值, 在机器人视觉导航、智能车环境感知系统以及虚拟现实中被广泛应用.本文对近年来国内外基于视觉的三维重建方法的研究工作进行了总结和分析, 主要介绍了基于主动视觉下的激光扫描法、结构光法、阴影法以及TOF (Time of flight)技术、雷达技术、Kinect技术和被动视觉下的单目视觉、双目视觉、多目视觉以及其他被动视觉法的三维重建技术, 并比较和分析这些方法的优点和不足.最后对三维重建的未来发展作了几点展望.     

基于ZigBee的区域无线控制系统

设计了一种基于ZigBee无线技术的区域无线控制系统,由上位机、主控节点、各个子节点组成。上位机与各个主控节点通过以太网进行通信,主控节点又与多个子节点构成星形网络,它们之间采用ZigBee技术进行通信。系统可以实现短距离区域内人员的有效监控以及成员问（主节点和子节点）的语音通信。     

面向 AR-HUD 的多任务卷积神经网络研究

汽车上AR-HUD已经得到了广泛应用,其环境感知模块需完成目标检测、车道分割等多个任务,但是多个深度神经网络同时运行会消耗过多的计算资源。针对这一问题,本文提出一种应用于AR-HUD环境感知的轻量级多任务卷积神经网络DYPNet,其以YOLOv3-tiny框架为基础,融合金字塔池化模型、DenseNet的密集连接结构、CSPNet网络模型的思想,在精度未下降的情况下大幅减少了计算资源消耗。针对该神经网络难以训练的问题,提出了一种基于动态损失权重的线性加权求和损失函数,使子网络损失值趋于同步下降,且同步收敛。经过在公开数据集BDD100K上训练及测试,结果表明该神经网络的检测mAP和分割mIOU分别为30%,77.14%,使用TensorRt加速后,在Jetson TX2上已经可以达到15 frame·s~(-1)左右,已达到AR-HUD的应用要求,并成功应用于车载AR-HUD。