基于误差标定的医疗机器人视觉跟踪方法研究

影像在疾病诊断和手术计划中占有重要地位,随着机器人技术的发展以及微创手术的广泛采用,影像与机器人构成一体,形成计算机集成外科手术系统。影像不仅是疾病诊断的重要工具,它也对手术机器人进行定位、引导,对手术器械进行跟踪和控制。由于视觉和机器人具有各自的坐标系统,它们之间存在误差,当在视觉空间控制机器人运动时,该误差会映射到机器人的轨迹上。在前期手术计划、机器人视觉控制、自动显微操作的研究成果基础上,研究计算机集成外科中的手术机器人轨迹精确控制问题。采用机器人在视觉空间的运动误差对视觉系统和机器人系统间的坐标系误差进行标定,从而精确控制机器人的轨迹。误差标定方法只需要让机器人走三个点就可以完成系统坐标标定。在实验中,利用视觉系统控制机器人运动,模仿微创手术中对机器人末端器械的导引,结果表明,采用递归标定方法可以将机器人的轨迹误差控制在2个像素范围内。     

基于神经网络的视觉伺服机器人摄像机标定

采用可调节点径向基函数神经网络实现视觉伺服机器人摄像机标定.首先将基于leave-one-out准则的orthogonal forward selection算法扩展到多入多出的RBF网络,建立摄像机标定的RBF网络模型.通过应用卡内基-梅隆大学标定图像实验室提供的标定数据进行仿真试验,验证此方法的有效性.由于OFS-LOO算法可构造出具有稀疏隐层节点的RBF网络,使网络具有较好的泛化推广能力,同时RBF网络为局部逼近网络,因此,此标定方法具有较高的标定精度和较强的标定实时性,适用于视觉伺服的摄像机标定.     

基于模糊神经网络的不确定机器人实时轨迹跟踪控制的研究

针对机器人建模的不精确性以及扰动的存在给机器人控制增加难度的问题,提出了一种基于模糊神经网络的不确定机器人实时轨迹跟踪控制方法。该控制方法的控制器由模糊神经网络(FNN)控制器和CMAC控制器组成,FNN控制器代替传统的计算力矩法,CMAC控制器在线补偿控制误差,有效补偿机器人存在的各种不确定性。对二自由度机器人的仿真结果表明了所提出的控制方法的可行性。     

基于CMAC神经网络测温传感器的非线性校正

本文充分利用CMAC神经网络的非线性函数逼近功能,并结合电站数据采集和监测系统,提出一种校正电站测温传感器非线性输出特性的新方法,研究表明,该方法简单实用,速度快,精度高。     

基于无标定的机器人平面运动物体跟踪伺服系统研究

在未标定摄像机模型和机器人手眼关系的情况下,针对"眼在手"型机器人视觉伺服系统,采用基于位置的控制方法,提出了一种简易实用的无标定算法,采用PD控制实现了平面运动物体的跟踪,通过仿真和试验验证了该方法的有效性和可靠性。     

基于视觉引导的工业机器人无序抓取系统设计

随着近些年"智能制造"理念的提出,自动化工厂对于无人数字化生产的需求越来越多.过去的技术早已不能满足如今工厂的要求.随着工业机器人与机器视觉行业迅速发展,大大降低了生产中的人工参与度,实现了真正意义上的无人化工厂,视觉行业的出现也扩大的工业机器人的应用领域,对整个自动化行业逐步走向智能化有着十分重要的作用.构建了一套针...     

基于CMAC神经网络的时滞环节动态特性辨识

提出一种用CMAC神经网络实时辨识时滞环节动态特性的方法,并进行了仿真研究。研究表明,采用本方法具有收敛速度快、精确度高的特点。最后,探讨了其实际运用的可能性,这对于主动控制有一定借鉴意义。     

基于CMAC神经网络的电液比例速度控制系统研究

分析电液比例阀控非对称缸速度控制动态数学模型,提出新的小脑模型神经网络(CMAC)和PID相结合的复合控制算法用于大负载电液速度控制系统.CMAC控制算法以前馈方式加入控制系统,利用其较强的非线性逼近能力和快速响应能力,有效抑制干扰影响,保证系统速度的精确控制.仿真结果表明,该控制方式响应时间快,响应平稳,抗干扰能力强.     

模糊CMAC神经网络在机器人装配作业中的应用

在对机器人销孔装配过程销的装配力与位姿关系实验分析的基础上,设计了机器人主动装配作业的模糊CMAC神经网络系统,采用Takagi型模糊推理方法和有监督的Hebb学习规则,由5自由度装配机器人对直径为12mm的销孔进行了主动装配实验,收到良好的装配效果。     

基于神经网络的立体视觉摄像机标定

摄像机标定是立体视觉研究的重要组成部分。根据神经网络与摄像机标定的特点,提出了基于神经网络的双目立体视觉摄像机标定方法,构建了三种不同的神经网络,并在试验中利用BP算法和实际数据对各种方法进行了分析和比较。     

一种基于CMAC神经网络的模糊控制器设计

对于存在外在的环境干扰和系统参数时变的非线性系统来说,传统的小脑模型需要重新学习合适的权重参数,这种学习式的设计方法是相当耗时的,为了改善这种情况,本文提出了模糊控制与小脑模型结合的方式,能够有效地对未知的非线性模型系统进行实时控制。通过仿真的对比试验,这种把小脑神经网络与模糊控制结合起来的控制方法,具有两种控制方法的优点。仿真结果表明,FCMAC控制器具有较高的控制精度、良好的自适应特性。     

基于RBF神经网络的人体运动跟踪与姿态预测

本文采用径向基函数神经网络进行人体运动跟踪与人体姿态预测，利用采集的运动数据对本文提出的运动跟踪与姿态预测方法进行性能评估，给出部分测试和比较实验结果，实验结果表明，基于径向基函数神经网络的人体运动跟踪与人体姿态预测方法是可行的。     

基于小波和神经网络的视觉诱发电位识别方法

在基于瞬态视觉诱发电位的脑机接口研究中，通过视觉诱发电位信号的提取与识别产生脑机接口控制信号。采用累加平均和小波滤波提取强噪声背景下微弱的视觉诱发电位。在小波变换域求取特征向量，将特征向量输入感知器进行视觉诱发电位模糊识别，产生脑机接口控制信号。实验表明，小波变换域特征向量提取方法能有效地实现信号的去噪、降维和特征提取，基于神经网络的模糊识别算法能比较准确地识别视觉诱发电位，有利于提高脑机接口的通讯率。     

基于神经网络的摄像机标定方法研究

提出了一种新的基于神经网络的摄像机标定方法。该方法将标定物从三维降到二维,在获得网络样本时,通过Harris角点检测法和张正友二维平板标定法得到,使其能够在保证精度的基础上,降低时间复杂度。实验结果表明,该方法得到了较好的实验结果。     

应用径向基函数神经网络的经纬仪跟踪误差建模

提出了一种基于径向基函数(RBF)神经网络建立光电经纬仪等效跟踪误差模型的方法来评价光电经纬仪的跟踪性能.分析了光电经纬仪存在的非线性因素,说明了采用理论建模方法难以准确描述其全部过程的原因.然后,介绍了RBF神经网络和靶标系统,基于一组靶标参数建立了RBF神经网络模型,并更换靶标参数进行模型验证.最后,对更换后的靶标参数进行重新训练建模,并改变参数周期,对模型进行了验证.实验结果表明:所建的神经网络模型精度与靶标参数有关,当动态靶标的半椎角a为21.2°,倾角b为43.8°,靶标匀速运行周期T为8.5s时,网络模型在靶标速度最大时误差也达到最大为3.18′,其它时刻均小于0.6′.当a为16.6°,b为37.5°,T为13 s时,模型最大误差为1.8′左右,在此模型下真实输出与网络模型输出的最大偏差为2.4′左右,其它时刻均小于1.2′.结果表明,采用RBF神经网络所建立的跟踪误差模型能够反应真实系统的情况,是可行实用的,且具有较高的精度和泛化能力.     

基于深度卷积神经网络的视觉里程计研究

视觉里程计利用视频信息来估计相机运动的位姿参数,实现对智能体的定位。传统视觉里程计方法需要特征提取、特征匹配/跟踪、外点剔除、运动估计、优化等流程,解算非常复杂,因此,提出了基于卷积神经网络的方法来实现端对端的单目视觉里程计。借助卷积神经网络对彩色图片自动学习提取图像帧间变化的全局特征,将用于分类的卷积神经网络转化为帧间时序特征网络,通过三层全连接层输出相机的帧间相对位姿参数。在KITTI数据集上的实验结果表明,提出的Deep-CNN-VO模型可以较准确地估计车辆的运动轨迹,证明了方法的可行性。在简化了复杂模型的基础上,与传统的视觉里程计系统相比,该模型的精度也有所提高。     

基于手眼系统的线结构光焊缝跟踪系统设计

为了实现一般手眼系统与线结构光焊缝跟踪系统主要部件的复用,在一般手眼系统的基础上,加装激光器、滤光片、保护装置等设备,将其用作焊缝跟踪系统中的线激光结构光焊缝跟踪传感器。通过实验对原手眼系统的标定结果进行实验修正,使其可以替代线结构光焊缝跟踪传感器的标定。详细分析了安装激光器、滤光片、保护装置等对原手眼标定结果造成的影响,使用数据逼近的方法提高线激光结构光焊缝跟踪传感器的手眼标定精度;实验时先对手眼系统进行标定,得到相机坐标系到工具坐标系的原外参矩阵;再对使用原外参矩阵得到的焊点数据,与焊点的实际坐标的误差进行分析,修正手眼系统标定结果。通过实验验证了本方法在手眼系统标定结果基础上,进行加装机构后的线结构光焊缝跟踪传感器的手眼标定的平均精度可达0.53 mm,能够满足机器人焊接的需求。     

融合线性方法和神经网络的摄像机并行标定技术

从摄像机成像模型的基础原理出发,针对神经网络的特性,构建不同的训练点集以获得不同的神经网络.提出对物点的世界坐标(XW,YW,ZW)信息分别进行标定,称之为并行标定.此方法不局限于单个平面位置的标定,标定过程中让标定模板沿ZW方向移动,覆盖一个三维标定区域.与以往标定方法相比,由于该方法减少了标定点数目,此方法在提高了标定精度的同时提高了标定速度.实验结果表明,该方法在XW轴和YW轴方向上的距离测量精度优于0.1%,在ZW轴方向上的距离测量精度优于1%.     

用于机械手的小脑模型关节控制器神经网络连接权矩阵的计算

CMAC神经网络已被广泛用于机械手的控制 ,但这种网络的连接权矩阵通常由学习得到 ,有时因学习时间长而影响控制的适时性。本文提出一种连接权矩阵的计算方法 ,不用学习可直接计算求得连接权矩阵 ,其均方根误差近似为零 ,从而实现了用于机械手控制的机械手 CMAC神经网络的记忆。保证了机械手控制的适时性。