关于人机协作的学习控制

从基本出发,对人机协作学习控制所涉及的人的行为模型、人机协作中的信息与知识、人机协作学习控制的扩展等问题及其相互关联展开了深入的讨论．在此基础上,结合组件化的思想,给出了人机协作学习控制的各种模式．     

智能空间助老助残服务机器人人机协作导航

针对具有基本认知行为能力的行动不便老人、肢残人士、运动和语言患者这类服务对象,构建了助老助残服务机器人人机一体化导航系统。用户与机器人之间进行交互,自由切换随机行走和自主导航2种运动模式,机器人根据现场环境和作业条件的不同,实时触发人机条件响应生成规则而产生相应的行走行为,作业时人机界面同步呈现虚实结合、实时交互的智能空间,实现人机一体化感知、决策与执行。以移动作业服务机器人为对象进行室内人机一体化导航作业,验证了该人机一体化导航系统的可行性。     

一种人机协作的目标综合识别模型设计

探讨了人参与和主导的信息融合技术,阐述了人所承担的重要作用和人在环中的信息融合实现方式,针对应用提出一种目标综合识别模型,建立了人机协作的识别融合处理框架,以及预处理、数据关联、证据综合、融合推理、识别判定等环节的处理模型,充分结合人的认知思维与机器高速精确计算的优势,为解决相关实际问题提供一种可行技术途径。     

基于深度学习的视觉目标检测技术综述

视觉目标检测旨在定位和识别图像中存在的物体,属于计算机视觉领域的经典任务之一,也是许多计算机视觉任务的前提与基础,在自动驾驶、视频监控等领域具有重要的应用价值,受到研究人员的广泛关注。随着深度学习技术的飞速发展,目标检测取得了巨大的进展。首先,本文总结了深度目标检测在训练和测试过程中的基本流程。训练阶段包括数据预处理、检测网络、标签分配与损失函数计算等过程,测试阶段使用经过训练的检测器生成检测结果并对检测结果进行后处理。然后,回顾基于单目相机的视觉目标检测方法,主要包括基于锚点框的方法、无锚点框的方法和端到端预测的方法等。同时,总结了目标检测中一些常见的子模块设计方法。在基于单目相机的视觉目标检测方法之后,介绍了基于双目相机的视觉目标检测方法。在此基础上,分别对比了单目目标检测和双目目标检测的国内外研究进展情况,并展望了视觉目标检测技术发展趋势。通过总结和分析,希望能够为相关研究人员进行视觉目标检测相关研究提供参考。     

人机协作将是未来工厂自动化趋势

机器人技术在汽车制造、工程机械、电子电气以及IT装备等行业的应用已经越来越广泛,在这个过程中,以机器人为代表的自动化技术时常被视为与工人争抢“饭碗”的“元凶”。但是专家认为,在短期内,机器人可能会抢走一些工作机会,裁员在所难免,但从长期和全局来看,机器人不但不会抢走工作机会,反而还会创造大量就业。未来,在机器人面前,人仍将具有无法替代的优势,而未来的工厂世界也将是人与机器人协作创造的世界。     

基于IMU的主动伴舞机器人人机协作控制算法

提出了基于惯性测量单元IMU的主动型伴舞机器人人机协作控制算法。机器人腰部安装具有一定刚度的弹簧,利用Kalman滤波将三轴加速度计数据与三轴陀螺仪数据进行融合,得到机器人在人类舞伴作用下的姿态角变化,采用阈值法滤除相对姿态角抖动误差,再结合当前机器人状态,综合判断得到相对姿态角到速度矢量的映射。将期望轨迹速度与人力产生的轨迹修正速度融合,得到人机协作下机器人的运动轨迹和剩余目标点的坐标修正值。将算法应用于华尔兹CCL舞步轨迹测试,实验结果表明算法效果良好。     

基于GPR和深度强化学习的分层人机协作控制

提出了一种基于高斯过程回归与深度强化学习的分层人机协作控制方法, 并以人机协作控制球杆系统为例检验该方法的高效性. 主要贡献是: 1)在模型未知的情况下, 采用深度强化学习算法设计了一种有效的非线性次优控制策略, 并将其作为顶层期望控制策略以引导分层人机协作控制过程, 解决了传统控制方法无法直接应用于模型未知人机协作场景的问题; 2)针对分层人机协作过程中人未知和随机控制策略带来的不利影响, 采用高斯过程回归拟合人体控制策略以建立机器人对人控制行为的认知模型, 在减弱该不利影响的同时提升机器人在协作过程中的主动性, 从而进一步提升协作效率; 3)利用所得认知模型和期望控制策略设计机器人末端速度的控制律, 并通过实验对比验证了所提方法的有效性.     

基于生成式对抗网络的龙门式焊接机器人双目视觉方法

为了克服电弧焊中焊接件热膨胀变形、烟雾干扰视觉导致难以获取准确的焊缝信息的问题,实现对于非标大型工件的自动焊接功能,本文设计了双目视觉焊缝空间位置信息采集系统,配置了红色线型结构激光、窄带红色滤镜和双目视觉相机,与焊枪一起固定在机器人的执行末端,在焊接过程中对于焊缝进行实时图像采集和位置感知。本文设计了生成式对抗网络(GAN)架构的深度学习神经网络,并采用了迁移学习进行跨域训练。实验表明,所设计的双目视觉系统能有效利用双目图像数据,实时输出在焊接区域里焊缝的位置和深度,在无专门图像校正的条件下,焊接过程中焊缝横向位置和焊缝高度二者的识别精度均可达1.0 mm。本文设计的焊接机器人双目视觉方法简明可行且成本低廉。     

协作机器人智能视觉系统设计与实现

伴随着科技的发展,人工智能技术得到了飞速发展。协作机器人和机械臂在各大领域的应用变得越来越重要。传统的机械臂只能按照已规划好的路径进行物体的抓取,当物体不在或挪动位置时,抓取便无法正常完成,还需要重新规划路径,严重影响了工作效率。为了能够使机械臂自主获取外界信息,拥有自我感知周围环境的能力,基于视觉的协作机器人得到了快速发展。文中首先对基于视觉的协作机器人技术进行了简要介绍,随后对智能视觉系统进行了相关设计,接着介绍了智能视觉目标检测和识别模块,最后在周围环境以及外界信息未知的情况下,利用智能视觉系统实现了协作机器人对具体目标的识别定位和抓取。实验结果表明,该系统可以投用到实际的工程应用中,具有良好的使用价值。     

基于机器视觉的中国象棋人机博弈系统设计

通过对图像处理及人机博弈相关理论的研究,实现了一种中国象棋人机博弈机器人系统的设计。该系统通过摄像头采集棋盘图像,之后将图像传入计算机,同时计算机通过图像剪切方法和基于对数极坐标变换&傅里叶变换的模板匹配方法实现棋盘中棋子的定位与识别,之后调用中国象棋人机博弈算法得出下一步应进行的走法,计算机通过串口将走法信息传入下位机单片机中,单片机根据走法信息控制机械臂实现棋子的移动,完成与人的对弈过程。经测试,该系统能够完成基本的功能并且具有较好的稳定性。     

基于深度学习的小目标检测算法综述

随着人工智能技术的发展,深度学习技术在人脸识别、行人检测、无人驾驶等领域得到了广泛的应用.而目标检测作为机器视觉中最基本、最具有挑战性的问题之一,近年来受到了广泛的关注.针对目标检测特别是小目标检测问题,归纳了常用的数据集和性能评价指标,并对各类常见数据集的特点、优势及检测难度进行对比,系统性地总结了常用的目标检测方法...     

深度学习在目标视觉检测中的应用进展与展望

目标视觉检测是计算机视觉领域的一个重要问题,在视频监控、自主驾驶、人机交互等方面具有重要的研究意义和应用价值.近年来,深度学习在图像分类研究中取得了突破性进展,也带动着目标视觉检测取得突飞猛进的发展.本文综述了深度学习在目标视觉检测中的应用进展与展望.首先对目标视觉检测的基本流程进行总结,并介绍了目标视觉检测研究常用的公共数据集;然后重点介绍了目前发展迅猛的深度学习方法在目标视觉检测中的最新应用进展;最后讨论了深度学习方法应用于目标视觉检测时存在的困难和挑战,并对今后的发展趋势进行展望.     

自动驾驶3D目标检测研究综述

精确实时地进行目标检测是自动驾驶车辆能够准确感知周围复杂环境的重要功能之一,如何对周围物体的尺寸、距离、位置、姿态等3D信息进行精准判断是自动驾驶3D目标检测的经典难题.服务于自动驾驶的3D目标检测已成为近年来炙手可热的研究领域,鉴于此,对该领域主要研究进展进行综述.首先,介绍自动驾驶感知周围环境各相关传感器的特点;其次,介绍3D目标检测算法并按照传感器获取数据类型将其分为:基于单目/立体图像的算法、基于点云的算法以及图像与点云融合的算法;然后,对每类3D目标检测的经典算法以及改进算法进行详细综述、分析、比较,梳理了当前主流自动驾驶数据集及其3D目标检测算法的评估标准,并对现有文献广泛采用的KITTI和NuScenes数据集实验结果进行对比及分析,归纳了现有算法存在的难点和问题;最后,提出自动驾驶3D目标检测在数据处理、特征提取策略、多传感器融合和数据集分布问题方面可能遇到的机遇及挑战,并对全文进行总结及展望.     

计算机视觉下的车辆目标检测算法综述

车辆目标检测是基于计算机视觉的目标检测领域的一个重要应用领域,近年来随着深度学习在图像分类方面取得的巨大进展,机器视觉技术结合深度学习方法的车辆目标检测算法逐渐成为该领域的研究重点和热点。介绍了基于机器视觉的车辆目标检测的任务、难点与发展现状,以及深度学习方法中几种具有代表性的卷积神经网络模型,通过这些网络模型衍生出的two stage、one stage车辆目标检测算法和用于模型训练的相关数据集与检测效果评价标准,对其存在的问题及未来可能的发展方向进行了讨论。     

目标检测算法研究综述

目标检测是计算机视觉中一个重要问题,在行人跟踪、车牌识别、无人驾驶等领域都具有重要的研究价值。近年来,随着深度学习对图像分类准确度的大幅度提高,基于深度学习的目标检测算法逐渐成为主流。梳理了目标检测算法的发展与现状,并作出展望：总结了传统算法与引入深度学习的目标检测算法的发展、改进与不足,并就此做出对比;最后讨论了基于深度学习的目标检测算法所存在的困难与挑战,并就可能的发展方向进行了展望。     

基于深度学习的四旋翼无人机单目视觉避障方法

针对无人机避障问题,提出一种基于深度学习的四旋翼无人机单目视觉避障方法。首先通过目标检测框选出目标在图像中的位置,并通过计算目标选框上下边距的长度,以此来估量出障碍物到无人机之间的距离;然后通过协同计算机判断是否执行避障动作;最后使用基于Pixhawk搭建的飞行实验平台进行实验。实验结果表明,该方法可用于无人机低速飞行条件下避障。该方法所用到的传感器只有一块单目摄像头,而且相对于传统的主动式传感器避障方法,所占用无人机的体积大幅减小。该方法鲁棒性较好,能够准确识别不同姿态的人,实现对人避障。     

基于深度学习的目标检测技术综述

目标检测是计算机视觉领域中的研究热点.近年来,目标检测的深度学习算法有突飞猛进的发展.基于深度学习的目标检测算法大致可分为基于候选区域和基于回归两大类.基于候选区域的目标检测算法精度高,但是结构复杂,检测速度较慢.而基于回归的目标检测算法结构简单、检测速度快,在实时目标检测领域有较高的应用价值,然而检测精度相对略低.本文总结了基于深度学习的目标检测主流算法,并分析了相关算法的优缺点和应用场景.最后根据深度学习的目标检测算法中存在的困难和挑战,对未来的发展趋势做了思考和展望.     

面向通用目标检测的YOLO方法研究综述

作为深度学习时代首个单阶段目标检测算法,YOLO以其强大且独特的范式在计算机视觉领域掀起了一股热潮,并成为目标检测算法的里程碑式成果,至今为止仍是在速度与精度之间实现最佳平衡的典型算法,广泛应用于自动驾驶、智能视觉系统等工业领域。过去的八年里,在深度学习技术的驱动下, YOLO方法有了快速发展并对整个目标检测领域产生深远影响。从技术进化角度深入调查YOLO方法相关工作,对最初的YOLO v1到最新的YOLO v9与YOLO v10每一次迭代创新和贡献进行全面总结,根据不同时间节点的和技术的重大改进将YOLO方法分为早期基础YOLO、标准版本YOLO、标准改进YOLO和独特改进YOLO四部分,详细介绍每个时期改进方法的独特视角。此外,总结评估YOLO方法的数据集与指标,收集了不同版本YOLO、同一版本YOLO不同型号的详细实验结果,从宏观层面与微观层面归纳YOLO的发展变化,通过分析揭示各版本YOLO之间的开发框架、骨干网络架构、先验框使用情况等技术的差异和内在联系,强调了YOLO在速度与准确率之间平衡的重要性。最后通过系统的梳理,凝练YOLO方法未来的发展趋势。     

小样本图像目标检测研究综述

近年来,以深度学习为基础的图像目标检测技术取得了显著成就,并涌现了许多成熟的检测模型,但这些模型均需要利用大量的标注样本进行训练,而在实际场景当中,往往很难获取到相应规模的高质量标注样本,从而限制了其在特定领域的应用和推广.由于对样本数量的依赖性小,小样本条件下的图像目标检测技术逐渐得到研究和发展.基于小样本图像目标检...     

深度学习的典型目标检测算法研究综述

目标检测是计算机视觉的一个重要研究方向;其目的是精确识别给定图像中特定目标物体的类别和位置。近年来;深度卷积神经网络（Deep Convolutional Neural Networks;DCNN）所具有的特征学习和迁移学习能力;在目标检测算法特征提取、图像表达、分类与识别等方面取得了显著进展。介绍了基于深度学习目标检测算法的研究进展、常用数据集特点以及性能指标评价的关键参数;对比分析了双阶段、单阶段以及其他改进算法的网络结构和实现方式。阐述了算法在人脸、显著目标、行人、遥感图像、医学图像、粮虫等检测领域的应用进展;结合当前存在的问题和挑战;展望分析了其未来的研究方向。