一种基于Kinect的自动跟随机器人设计

利用微软的Kinect传感器获得跟随目标的坐标信息包括深度信息后,在上位机上进行数据处理,计算机器人本体与跟随目标的相对位置,发送控制指令到下位机,通过这样的方式实现本体对设定目标的运动跟随。在进行跟踪的同时从深度图像中判断是否存在障碍物,使用改进的人工势场法进行路径规划,以达到在有障碍的同时顺利完成跟踪的目标的目的。通过设计机器人本体进行实验,获得了预期效果。     

实时、鲁棒的移动机器人自主跟随算法

本文提出一种实时、鲁棒的机器人自主跟随算法.该算法先通过基于SIFT(Scale Invariant Feature Transform)的目标识别算法识别衣服图案,定位人的位置,再利用CAMSHIFT(Continuously Adaptive Mean shift)颜色跟踪算法在全景图像中实时跟踪衣服颜色,对人进行跟踪,同时通过全景成像模型定位人的相对位置,规划机器人的运动.实验表明,该算法稳定可靠,能主动寻找被跟踪对象,跟随速度快,定位精度也较可靠.     

智能车跟随系统开发

开发了一种基于STM32视觉导航的目标跟随小车智能控制系统,实现了对特定目标物体的快速识别与实时准确跟随.使用OV7670图像传感器采集目标物图像信息,对图像进行灰度化、降噪、取反等处理后,通过亚像元定位技术的质心法获取目标物坐标位置,为智能车提供方向导航,跟随过程中的画面实时发送至上位机.结果表明:小车在直行和转向跟踪实验中表现良好,跟随系统具有良好的跟踪效果,可实现对目标物的实时准确跟随.     

室内单目机器人视觉目标发现与跟随

本文研究了室内单目机器人上的视觉目标人发现与跟随问题,分为场景变化检测,目标人检测,目标人视觉追踪和目标人主动跟随几个部分,主要研究了场景变化检测算法和目标人视觉追踪算法. 高速的场景变化检测算法通过对场景建模来分析该场景是否变化,为目标检测部分提供潜在变化帧和潜在变化区域. 实验结果表明能够提高系统运行速度,减少机器人运行时的卡顿. 视觉目标追踪算法结合表观模型和SLAM过程得到的地图点信息,估计目标区域内属于背景的部分,减少由于遮挡和目标尺度变化对于追踪算法的表观模型的影响,实验结果相比于对比算法取得较大效果提升. 本文尝试使用近年来效果较好的深度神经网络来进行目标检测. 使用小型深度网络并加强对于室内场景下人的学习,在运行速度和检测效果方面取得较好的平衡. 在视觉目标人的发现和跟踪的基础上,我们实现了机器人的跟随. 由于单目视觉仅能够提供目标的方向信息,所以机器人主动跟随的目标是保持目标人在成像平面的水平居中位置. 在目标无遮挡和部分遮挡的情况下,机器人能够成功的跟随人.     

基于深度相机的移动机器人视觉跟踪控制研究

基于视觉利用移动机器人进行运动目标跟踪,该文提出一种基于二自由度云台和RGB-D相机的运动目标视觉跟踪及移动机器人路径实时规划、跟踪方法。该方法利用核相关滤波算法在图像中实时追踪目标,控制二自由度云台使深度相机实时对准目标,并根据深度相机得到目标的深度信息,利用坐标转换得到目标相对于机器人的位置信息;其后移动机器人根据目标的位置信息,基于五次多项式进行路径规划;最后采用李雅普诺夫控制律对移动机器人进行轨迹跟踪控制,使得机器人能够平稳地跟踪目标运动。该算法在阿克曼移动机器人上进行了实验,实验结果验证了算法的有效性和实时性。     

基于立体相机和UWB融合的移动机器人跟随方法

文中研究了人机共融环境下的自主跟随机器人。特别地,针对机器人确定所需跟随目标以及目标丢失后的重识别,提出了一种稳定有效的方法,即先基于立体相机的图像和点云数据实现对行人的视觉跟踪与定位;然后引入超宽带(Ultra Wide Band, UWB)的定位信息确定目标行人,并利用滤波算法融合传感器的数据得到相机坐标系下的坐标信息,最后利用坐标变换转为机器人坐标系下的位置。又提出了改进的动态窗口算法(Modified Dynamic Window Algorithm, MDWA),并将其作为机器人的跟随控制方法。另外,为保证机器人跟随能够持续稳定进行,基于传感器数据,提出了包含跟随行为、恢复行为、过渡行为的行为决策模块,通过行为间的切换,使机器人在面对因转弯抑或环境光照条件的变化使得相机失效而导致目标丢失时也能够重新找回目标。实验结果表明,所提出的跟随系统在开机时能够自动确定所需跟随目标,在有静态障碍物的场景,抑或是视野内有其他非目标行人干扰的动态场景下,机器人均能实现良好的避障跟随。特别地,机器人在转弯场景或是光照条件变化的场景下,机器人均可自主寻回被跟随目标,而且在转弯场景中,机器人的跟随...     

基于目标质心的Meanshift跟踪算法

运动目标跟踪涉及到计算机图像处理、视频图像处理、模式识别以及人工智能等诸多领域,是一门交叉性很强的学科.因此,研究一种实时性、鲁棒性好的运动目标跟踪方法依然是该领域面临的一个巨大挑战.快速运动目标跟踪技术是当今目标跟踪领域的难点之一.均值漂移算法在目标跟踪过程中没有利用目标的运动方向和速度信息,这就导致了无法准确跟踪快速目标.文中提出了一种基于质心算法的Meanshift跟踪模型算法.初始位置采用运动目标质心,并在质心位置处采用Meanshift迭代,以巴氏系数判断当前目标和参考目标的匹配程度.实验分析,该算法可实现快速、有效跟踪目标.     

视觉单目标跟踪算法综述

目标跟踪技术根据视频上下文信息，建立一个跟踪模型对目标的运动状态进行预测，被广泛用于智能视频监控、自动驾驶、机器人导航、人机交互等多个计算机视觉领域。随着深度学习在语音识别，图像分类以及目标检测等领域的巨大成功，越来越多的研究将深度学习框架应用于目标跟踪任务中。介绍了当前单目标跟踪任务的难点和传统的方法,重点分析了当前基于深度学习的单目标跟踪算法的发展现状，从预训练网络＋相关滤波算法、基于孪生网络的方法、基于卷积神经网络的方法、基于生成对抗网络的方法以及其他深度学习方法几个方面，分别对当前流行的深度学习目标跟踪算法进行了概述。此外，总结了用于评测单目标跟踪算法性能的代表性数据集，列举了最新的研究成果在不同数据集上的实验结果并分析了当前单目标跟踪领域的问题和趋势。     

分块多特征目标描述子的移动机器人目标跟踪

为解决机器人目标跟踪过程中的遮挡和外观改变等问题, 提出一种分块多特征描述子的方法. 该方法将候选样本分块, 提取图像片的深度、颜色、纹理特征来表示目标构造检测器. 结合目标与机器人的运动构造运动卡尔曼滤波器(MEKF) 作为跟踪器. 跟踪过程中根据目标深度信息调整其尺寸, 结合深度特征及图像片外观相似度进行检测并处理遮挡. 实验结果表明, 该算法对目标的尺度变化、光照改变和遮挡现象具有较强的鲁棒性.

     

基于RGB-D传感器的室内服务机器人舒适跟随方法

结合人类行为和社会互动相关科学研究,提出了一种考虑人类舒适感受的服务机器人跟随方法,以实现更为友好有效且具有较高接受程度的跟随行为.依靠具有高可靠性和低成本特性的RGB-D (RGB-depth)传感器,研究了基于HOG(方向梯度直方图)的人体目标检测算法和基于UKF(无损卡尔曼滤波器)的人体目标跟踪算法,实现了在动态非结构环境下对人体目标实时准确的检测和跟踪.在讨论跟随舒适性影响因素的基础上,建立了舒适跟随模型和行为效用函数,实现了基于舒适性的运动控制和规划.对所提出的机器人舒适跟随方法进行了系统性的实验分析和评价,从而对跟随行为的有效性和可用性进行验证,也进一步为人与机器人之间的友好交互提供了可能.