文摘
本文提供了一个深入的研究和分析,机器人视觉特性预测控制和全球校准功能的完整性。的习得和使用完整的宏观特征集合的上下文中研究了一套机器人任务通过定义完整的宏观特征的机器人视觉伺服系统的总体目标和约束的任务。视觉特性集,可以完全描述视觉伺服的macropurpose和约束的任务被定义为完整的宏观特征集。由于任务的复杂性,完整的宏观特征的特征集的一部分直接从图像,获得和的另一部分功能由推理得到的图像。的任务是保证是完全基于一个健壮的calibration-free视觉服务策略提出了基于干扰观测器,完成视觉任务与高绩效服务。解决问题的奇异值,局部最小值,和足够的鲁棒性在传统的无尺度视觉伺服算法,提出了一种新的无尺度视觉伺服方法构建一个双闭环视觉伺服结构基于干扰观测器,这保证了闭环系统的稳定性通过Q-filter-based干扰观测器,同时估计和消除干扰组成的机器人手眼映射模型不确定性和控制输入干扰。组成的等效干扰手眼映射模型的不确定性,控制机器人的输入干扰,检测噪声估计和消除获得一个内循环结构,提出了一种外部名义模型,然后设计和控制器根据名义模型实现系统的最佳性能动态性能和鲁棒性优化视觉伺服的执行任务。
1。介绍
人类观察事物的能力在外部世界的双眼和操纵我们看到的结果是一个漫长的进化过程,对我们来说是重要的适应和利用外部世界。受这一现象,介绍了视觉传感机器人控制系统系统的状态和任务。从外部收集这类信息的控制系统,补偿系统中的反馈信息,放松机械精度的要求和关节机器人组件的紧度,并允许机器人系统提高其灵活性在一个不确定的外部环境为各种自动控制功能,如装配机器人,机器人手术,遥控任务。因此,视觉伺服控制,也就是说,视觉信息的引入到控制闭环动态系统指导运动,已经收到了大量的关注。机器人技术的发展正在快速变化;机器人是更多的功能和更多样化的;不仅传统的工业机器人应用程序,而且更多的军事和医疗机器人的人工智能机器人在各个领域(是引起轰动1]。中包含的信息宏观和微地形特征是否完成影响任务的完成。因此,完整的视觉特性集定义的视觉伺服的任务是描述特性集满足完成任务的需要。特性集包含一个完整的宏观特征集和一个完整的微地形特征集。机器人的广泛应用使得机器人产品形成一个巨大的产业。与此同时,机器人技术的发展将产生巨大而深远的影响国家的综合国力和可持续发展的能力。因此,机器人不仅视为一种前沿技术,也被许多发达国家作为国家战略,提供强有力的支持,为这一领域的研究。是最重要的一类机器人,移动机器人将用于工业、农业、国家定义、科研等行业,部分或完全取代人的工作随着人类社会的不断发展和信息技术的程度和情报继续增加。
建立移动导航是一个研究热点,目前在该领域的研究可以分为三个部分:视觉同时定位和地图(VSLAM)、路径规划和导航控制。在过去的几十年中,大量的研究集中在VSLAM环境建模的研究。这个过程需要系统构建环境在使用已知的当地环境实现self-localization然后增量模型环境(2]。研究在这一领域,通常不考虑为其运动控制命令生成,但只有如何实现环境重建以及实时的定位信息,本质上是一个实时的结构与运动(SfM)在计算机视觉领域3]。在视觉导航过程中,捕获的图像序列是用于实现在线增量环境感知和自主使用VSLAM本地化。功能完整性的概念提出了机器人视觉伺服的任务,和完整的特性集定义包含一个完整的微观特性集和一个完整的宏观特性。对于任意视觉伺服任务,一个标准是判断一个微观特性集完成与否,和三个指标评价提出了一个完整的微观特性集的性能。抓住画笔的任务由一个人形机器人为例来研究完整的微地形特征的获取和应用在机器人视觉伺服任务(4]。根据提出的定义和歧视quasi-discrimination完整的特性集,设计了完整的特性集。凸轮轴算法用于检测目标点和致动器以视频流捕获系统相机,然后获得完整的特性集。
移动机器人经常工作在非结构化的和未知的环境中,需要自主意识和感知环境根据指定的任务目标和计划他们的行为高效、智能地完成特定的任务。更有效地完成任务,移动机器人系统包含一个中央决策体系和几个子系统,负责不同的子任务5]。其中,移动机器人自主导航技术是一项基本模块。导航系统的最低完成系统集成环境造型、场景理解和推理,自主决策和执行,和人机交互,对应于一个完整的处理过程的信息表示,协会、融合、推理和管理。因此,智能机器人导航系统的水平也决定了它可以适应环境的复杂性和复杂的导航任务。机器人自主导航系统的智力水平密切相关,相应的信息处理方法,特性表达式,自主认知。近年来,跳跃等技术的高速摄像机,图像处理硬件和高性能的移动计算平台提供了移动机器人感知信息和计算效率的保证自主导航。信息智能处理技术的快速发展也推动机器人自主导航系统向智能的方向,这使得机器人逐步改善其环境适应性和自主性。本文关注的影响不同的特性集completability和完成性能的无标定视觉伺服的任务。特性提出了完整性检查功能是否提供了足够的信息来做一个任务完成。评价指标提出了检查是否完整的特性集使最优任务完成。 The humanoid robot grasping brush task and the robot writing Chinese calligraphy task are used as examples to investigate how to select, extract, and use the complete feature set for different visual servo tasks, respectively. Based on this, a robust calibration-free visual servo control method based on the complete feature set is proposed to improve the task completion performance.
2。的研究现状
由于视觉伺服系统的控制命令计算基于手眼映射关系,瞬态性能,系统的稳态性能和稳定性的影响[手眼关系6]。calibration-free视觉伺服系统使用视觉信息来指导机器人的运动时不校准相机参数。如何获得一个精确的手眼关系无标定视觉伺服控制是一个重要的研究问题7]。手眼视觉伺服系统的映射关系是强烈的非线性,可以用一系列的近似线性关系在每个当地的领域,如图像雅可比矩阵的使用。主要有两种方法来计算图像雅可比矩阵,直接或间接,估计矩阵值。间接估计图像雅可比矩阵的一种方法是通过估算模型中的未知参数。文献[8]代表无标定视觉伺服的问题是一个多输入多输出自适应控制问题,实现了视觉伺服控制使用李雅普诺夫基于信号分配装置分解的自适应控制方法与在线标定摄像机参数通过一个串级控制策略。文献[9]调查系统未知的摄像机和机器人参数如何完成校准控制。算法使用depth-independent图像雅可比矩阵建立的视觉偏差映射到机器人手臂的关节角空间这未知的摄像机和机器人参数线性出现在闭环系统的动态结构,进而估计未知参数的在线使用一种自适应算法(10]。另一种方法估计图像雅可比矩阵直接使用不同的方法。
使用多视图几何图像像素点的空间投影以及特征点匹配光流跟踪用于获取空间点云,和点云地图的匹配与当前图像和PnP型算法用于定位机器人系统(11]。其执行本地化优化reprojection误差或图像误差的优化项提出的解决方案。该方法的特点是可操作的精度高和直观的地图表示(12]。基本dual-view几何相对构成解决方案通常使用特征点来表示图像,计算基础矩阵或单一响应矩阵两帧之间的匹配特征点,然后获得两帧之间的相对姿态矩阵的奇异值分解(13]。有深厚的理论基础和方法可以获得对计算结果精度高的前提下有理想的数据匹配(14]。这种reprojection方法通常是基于特征点实现的,所以这种方法依赖于图像中每个像素的定位信息,和这种匹配方法与当地信息往往限制了数据的可靠性匹配由于观察窗口大小的限制;此外,用于选择和表达的信息量的像素是有限的,所以这种方法有一个弱的能力克服环境条件的变化。此外,由于有限的信息,克服环境条件变化的能力较弱,导致数据匹配错误或不足等问题有效匹配(15]。这些问题还会导致视觉导航基于这些方法无法实现可靠的定位输出和稳定的导航在长期或恶劣的工作环境,减少了视觉导航系统的健壮性。
实时建模的非结构化环境中机器人协作场景可以提供全球后续处理信息的运动规划,这是一个视觉感知的关键技术。主要研究不同的特性集实现的影响能力和完成一个无标定视觉服务任务的性能。功能完整性提出调查功能集是否提供了足够的信息来做一个任务完成。根据上述比较,深度相机基于原则可以在实时和快速计算的深度信息,与温和的准确性和很大的视野,可以完全满足机器人运动规划的需要在一个大的工作空间。然而,经过分析,在非结构化的工作场景,一个深度相机的视野受到障碍物遮挡的影响,因此有必要引入多个深度照相机形成高实时全球视觉系统获得更完整的环境信息和改善运动规划的成功率和安全性。因此,有效的非结构化环境的造型是本文的主要研究方向之一。
3所示。预测控制的机器人视觉功能完整性分析和全局校准分析
3.1。预测控制的机器人视觉功能完整性的设计
视觉伺服任务需要优化的总体性能任务从宏观的角度来看,实现计划控制目标每一步从微观的角度来看。优化宏观和微观控制都需要描述和反馈的任务的视觉特征(16]。中包含的信息的完整性completability宏观和微地形特征影响的任务。因此,成套的视觉特性定义了视觉伺服任务描述的集合满足完成任务所需要的特性,包括一套完整的宏观特征和一个完整的微地形特征集。宏观特征往往是建立在微地形特征,因此本节讨论完成微地形特征集。机器人视觉伺服控制是一个跨学科的研究领域,涉及多个学科的元素,如图像处理技术、计算机视觉、控制理论和实时计算。然而,其任务执行的目的是实现控制目标在任务空间。显微视觉特征在视觉伺服控制中发挥作用的特点和反馈系统的控制条件。因此,评估价值的显微视觉特性集视觉伺服任务检查是否充分的手眼关系连接控制和视觉特性。即微观视觉特性应该足够的信息,以确保每一个控制自由度和视觉反馈的功能特点。
图像雅可比矩阵随机器人姿态,所以对于一个特定的微观特性,重要的是要确保图像雅可比矩阵是满秩在机器人运动范围内参与任务。基于视觉伺服任务可以完成,确保最好的特性集属性选择的任务完成效果优化。首先,图像空间之间的映射关系和任务空间应该尽可能稳定,显著改变目标对象和摄像机之间的相对姿态变化的特性集可以避免系统收敛于局部最小值或者意想不到的动作在任务空间(17]。第二,变化的速度和大小的显微视觉特性应该尽可能一致的控制体积,以更好地描述它。的微观特性选择尽可能避免奇异值和局部最小值。奇异值或存在局部最小值时,可视特性改变和控制体积变化将非常不一致。在奇点,众所周知的手眼映射关系,非零速度矢量的致动器对应一个视觉特性偏差可能是零,因此,视觉功能不能正确反映的情况控制机器人。在局部最小值,特征偏差属于广义逆矩阵的零空间的图像雅可比矩阵。
视觉特性偏差不为零,和机器人控制的速度命令计算得到的值是0,所以视觉特性不能用于指导控制。此外,手眼关系促进的良好的解耦控制和计划,以避免控制个人自由度导致其他不受欢迎的行动自由度,从而减少控制效率或者执行机构运动的视野,如图1。
人机协同操作系统,有一个状态,人机不是在同一时间同一空间;然后机器人的工作空间是一个非结构化的环境被静态障碍。与自由空间或结构化环境中状态是已知的,在非结构化环境中工作对象和障碍是不规则和随机放置,尤其是人机协作生产的定制和小批量的操作方法都是适用的;许多类型的工作对象和经常改变生产。导航系统是最小的完整的系统集成环境建模、场景理解和推理,自主决策和执行,和人机交互。它对应于一个完整的处理流程的信息表达、协会、融合、推理和管理。在实际操作过程中,机器人首先需要确定目标工件在多种类型的工作对象,也就是说,为了实现目标工件的位置估计,这是完成后续操作任务的基础,正是研究在本文的前面部分18]。执行后续任务的过程中,机器人计算相应的终端工具姿态基于工件姿势和安全自主移动到目标姿态在非结构化环境中,这是机器人的情报能力的一个重要表现,和运动规划是关键技术之一,实现机器人的自主运动,这也是本章的重点。因为机器人人机协作通常有六、七自由度,规划是一个复杂的高维空间,导致复杂的空间造型和增加对碰撞检测计算工作,影响运动规划的效率和成功率。解决上述问题并迅速计划可行的运动路径,本章首先介绍了经典的规划原则快速扩展随机树算法,然后提出了一种heuristic-guided快速扩展随机树算法的随机分散取样点和收敛速度慢的问题,它使用一个引导搜索策略来加快算法的收敛,和启发式函数是用来优化运动路径最优运动路径长度。
特定焦距的镜头可以选择的范围根据功能在实际的实验中为了避免奇异雅可比矩阵的逆矩阵的零空间图像雅可比矩阵只包含零向量和避免局部最小值。因此,功能集组成的标记点的像素坐标是这个任务的完整的特性集。完整的特性集,讨论了其性能。不改变图像雅可比矩阵与手眼的相对位置变化迅速,因此线性自然是可以接受的。好的手眼一致性变异是通过避免奇异值和局部最小值与一个合适的选择相机焦距。有三个零角度的图像雅可比矩阵,所以手眼关系在这个特性集解耦。简单点的特性集收购效率和满足人机交互的处理速度的要求。
移动机器人的自主导航行为首先是基于立体视觉传感器获取的信息周边环境和构建环境地图和计划一个合理的可能性可执行路径的先验信息下的地图,最后,机器人跟随这个可执行路径完成避障导航任务(19]。机器人导航的关键问题是能够找到一个安全的和光滑的路径的过程中向目标点,使移动机器人完成任务的动态避障。现有的移动机器人有一定的自主导航能力,但由于现场环境更复杂的特点和动态,移动机器人的控制误差和测量误差大;因此,有必要进行进一步深入研究的关键技术运动规划自主导航行为的移动机器人在野外环境中,如图2。
以来视觉跟踪的约束,这种约束是执行当前帧与前一个关键帧之间短暂的视觉跟踪基线,可以假设两幅图像之间的相对运动很小,它是可行的使用光流法进行数据匹配对齐。三项指标评价提出了一套完整的微地形特征的性能。以仿人机器人抓住刷的任务为例,一套完整的微地形特征的获取和应用在机器人视觉的任务进行了研究。同时,适当使用光流为基础的方法来处理视觉跟踪约束计算建立频率更高,因为简单而高效的数据匹配的过程。基于光流法的匹配结果在关键帧选择阶段,两个帧之间像素匹配可以简单地获得完整数据协会建立视觉跟踪约束。
为了避免太多的候选区域的计算量大的问题由于概率抽样,抽样模式取代其他传统跟踪算法的局部搜索目标的位置,慢跑,减少了搜索范围,提高了计算效率。本地搜索的优点是,它认为目标运动轨迹的连续性和光滑的外表转换跟踪过程中。前一帧过滤模型,通过使用过滤器模板更新方法,与当前图像帧的本地搜索区域定位的位置跟踪目标在当前帧。
引入多尺度估计的算法来获得一个准确提取目标所在区域,但不要失去速度的跟踪效率由于计算复杂度的增加,使用增量估计策略。策略分离位置估计的规模估计,形成级联关系。后依靠位置估计捕捉目标从图像的位置,规模估计启用提取图像中目标区域的程度。这个估计策略并不影响位置估计的计算过程,还依赖于它的结果减少规模估计范围和降低计算成本。
3.2。实验分析的视觉功能完整性校准
基于位置信息的操作对象,机器人需要计划一个可行的路径在非结构化环境中。自人机协作等非结构化场景,有一个情况的人类和机器人在同一时间在同一个工作区当机器人在动态非结构化场景,人类的状态变化,机器人,和环境问题是随机的,所以机器人需要明智地意识状态改变的障碍在工作区中通过视觉传感器,当障碍可能会干扰其正常操作,机器人需要及时做出反应,也就是说,其运动轨迹在线计划来实现避障避免碰撞的潜在危险(20.]。因此,本章提出了一种在线实时动态非结构环境中机器人轨迹规划方法。
首先,要解决的问题单摄像机的视野有限,实时动态避障,提出视觉感知方法建立一个离线和在线融合模型映射的多个摄像机深度图像和机器人工作空间3 d光栅,确定的职业状态闭塞3 d光栅的机器人和障碍,并获取最近的稳定的机器人和障碍物之间的距离和相对速度实时基于卡尔曼滤波算法。它通常不考虑运动控制命令的一代但只考虑如何实现环境重建和实时定位在给定信息,本质上是一个实时计算机视觉领域。然后,基于改进的人工势场法计算吸引力和排斥力,轨迹回避策略是根据调整的相对位置和速度障碍,和潜在的领域力量转化为机器人关节速度控制机器人的速度水平完成避障机器人任务,这样可以避免障碍,确保操作效率在同一时间。最后,轨迹避免算法的有效性验证场景在不同的动态障碍,如图3。
与目前的路径规划方法,优化路径搜索的方法来提高效率,本章提高路径搜索的效率通过重建环境表示模型。多级图基于模型的环境表示方法可以描述的多电平拓扑结构信息更有效地环境,进而提高效率的路径搜索过程中使用environment-inspired信息。这个实验进一步验证这个想法,构建一个面向任务的环境表示模型可以提高检索的效率和利用信息在任务执行。然而,在路径跟踪过程中,路径跟踪特性,移动机器人需要准确地识别全球环境的特性,因此需要更高的性能的全球定位。全球移动机器人需要本地化不仅姿势也是环境的功能。
基于上述描述,系统的视觉跟踪失败的定义是:一个关键帧的空集约束被认为有一个跟踪失败。跟踪故障发生时,系统认为这关键帧作为第一个关键帧在一个新的后端子图,重新确立子图坐标系统基于此框架,以便未来视觉跟踪维护新子图。重要的是要注意,与第一个关键帧初始化系统治愈和没有参与优化调整,新创建的子图的第一个节点不是治愈,将参与未来全球图形优化调整过程。这个子图机制,系统总是会在两种状态:保持视觉跟踪子图或创建一个新的子图的子图,并试图跟踪维护。因此,该系统可以运行没有耗尽所有的时间。后台的子图的流程图如图4。
在视觉跟踪一个特定的子图,给出了节点的构成根据运动模型。当前图像帧的姿态估计是由已知的相关帧构成在同一子图和两个坐标系之间的约束。同时,节点在同一子图将影响其他节点约束的子图,从而实现子图的整体一致性。移动机器人是最重要的一类机器人。随着人类社会的不断发展和信息化的持续改进和智慧,移动机器人一定会取代人类工作部分或全部行业如制造业、农业、国防和科学研究。因此,视觉跟踪总是运行在一个特定的子图,视觉跟踪的操作总是两个视图的几何操作基于两帧图像。这种策略,可以维护的操作系统在面对视觉跟踪失败在此系统中,尽管其他现有的节点信息的损失。
为人机协作构建一个工作站时,观察到的感兴趣的领域需要设置多个摄像头需要安排根据工作现场对上述方法的范围来获得更完整的环境信息(21]。尽管两个摄像头可以获得更完整的环境信息,由两个深度照相机获得的数据量很大,同时他们需要更新和实时融合,这就需要更多的计算时间和精力,导致机器人的智能感知和轨迹规划动态非结构化环境下的性能受到影响环境模型的在线更新效率。因此,加快融合和更新的双摄像头数据,也推出本文利用离线建模和在线更新的概念,构建了一个模型的3 d光栅投影关系和深度图像在离线阶段基于三维空间的投影原理和2 d图像,计算每个3 d光栅中心的预测像素点在机器人工作空间的深度图像,并构造映射的数据结构的3 d光栅深度像素映射到数据集保存离线。
4所示。结果和分析
4.1。预测控制的结果完整性机器人视觉特性
图5描述了整个过程的右手跟踪NAO机器人。在这个任务中,双目视觉系统拍照的工作区和视觉伺服系统使用凸轮轴算法来检测的执行机构和写字。这样,这个任务可以被描述的过程在视觉空间。在任务的开始,NAO机器人的左、右摄像机捕获图像的差异111像素163像素在水平和垂直方向。Kalman-Bucy基于过滤器的视觉伺服控制器用于估计图像雅可比矩阵,进而得出控制量作用于机器人。NAO机器人最终到达套筒内17个步骤,以及这两个中心之间的偏差是在10像素。实验结果表明本文提出的算法的鲁棒性图像噪音,运动障碍,和不规则运动的目标对象。
面向任务的视觉特性集的评估检查的影响对完成任务completability和性能特性集。第一,一个完整的特性集的定义提出了视觉伺服任务,和一个完整的特性集包括一个完整的微地形特征集和一套完整的宏观特征。本节的重点是完成微地形特征集,并提出了一个标准来确定一组特性集是一个完整的微地形特征的视觉伺服的任务。在此基础上,如果完成视觉特性集,其性能需要进一步检查的线性性质,变化一致性,和完整的特性集解耦。以一个人形机器人抓刷为例,采集和使用完整的微观特性研究,提出了一种视觉伺服系统,建立基于calibration-free Kalman-Bucy过滤器的视觉伺服方法和凸轮轴检测算法。使用这个系统,NAO机器人完成的把握刷子在书法的任务。实验结果验证了理论的有效性完整的微观特性集在本章提出和完整的特性集提取算法的鲁棒性图像噪音,仿人机器人返回错误,目标对象的不规则运动。
而言multisugar定量评价的后端,来演示这个后端设计的改进增强故障恢复,我们记录时间戳的追踪损失的发生和闭环检测实验,以及定位误差在相应的时间点。结果见图6,区别真正的一些姿势由红色把握系统记录,浅蓝色的线是响应标记目前跟踪损失,红线是响应闭环的发生的标志。在图,视觉跟踪,以及地图建设,总能保持在子图,子图之间的相互约束检测,误差曲线减少由于子图之间的对齐。此外,错误的趋势曲线显示,经过一定时间的环境探索,误差曲线停止上升,和任何新的关键帧总是在地图上找到相关的参考坐标系,进而建立一个约束,达到成功的本地化。这样的曲线结果量化的能力系统跟踪丢失故障恢复。
粒子数的减少趋势的过程表明,机器人位置不确定性减少的影响,其波动过程的环境结构。在本章的算法,有效的粒子的数量始终保持在低水平,这使得该算法需要一个低数量的计算。随着移动机器人,它收集足够的信息环境,位置估计的不确定性降低。然而,仍然保证位置估计的鲁棒性,该算法仍然保留着一定数量的粒子位置姿态的估计。
走廊场景中的收敛速度很低,因为只有提供了运动模型的边界信息和内部的内容不能完全描述。同时,由于使用全方位观察粒子,而获得尽可能多的可能区域,它引入了相关的不确定性,需要融合更多的消除观测。的比较实验,最初的可能性区域计算具有重要影响的全球定位算法的收敛速度。在走廊里场景,很难做一个准确的估计,该地区的初始姿势。然而,在方法的结果在这一章,尽管大偏差的初始时刻的位置估计,该算法仍然能够收敛到正确的区域运动一段时间后,这充分验证该方法的鲁棒性和稳定性全球本地化的过程中在这一章。,它可以弥补从系统反馈的信息,放松的要求机器人的机械精度和联合密封组件,因此机器人系统还可以提高灵活性在一个不确定的外部环境,并实现各种自动控制功能。本章通过仿真实验,验证了该方法的有效性在全球定位精度方面,进一步验证了本章的方法的有效性在全球本地化方面通过在线实验效率和全球定位的鲁棒性。
4.2。实验结果的视觉功能完整性校准
场景几何特性普遍特性,影响较小的纹理,更健壮的变化的角度来看,等等。代表空间几何特性可以提高能力。建立一个映射模型的几何特征描述符空间位置和构造方法来检索相应的几何特性对于一个给定的空间位置来提高至关重要几何特性来表示空间的能力。有两种主要类型的几何特性。几何图元进行相对应的功能,如线段、飞机和其他特性。第二个是致密的表面的局部几何特征,没有特定的表达方式,但描述相应的表面几何信息,通常可以使用表面元素模型。单一特征描述空间信息的能力有限,更依赖于环境条件。探索全球定位方法多个特性是非常重要的改善导航系统稳定性和环境适应性。
线段特征是环境中普遍存在的特性和弱变形的主要环境特征的场景。他们的数量通常是小,但功能描述符相对表达。在这一章,全球视觉定位方法提出了基于多变量几何特性,它可以更好的思考功能关联通过使用多变量特性之间的关系。此外,由于密集的环境可以大大提高筛选的几何信息的质量位置假设,本章探讨了高效密集的地图表示方法,使机器人快速检索具体地点的几何分布信息加快筛选效率。基于多变量几何原理图的视觉转移特性如图7。
干扰observer-based视觉伺服控制,跟踪结果观察摄像头如图8。从图可以看出,该系统可以很好地跟踪目标对象使用干扰观测器方法即使在图像噪声和外部干扰的存在。它可以得出结论,基于干扰观测器的视觉伺服方法可以抑制图像噪声和外部干扰的影响同时确保闭环系统的稳定性。与此同时,没有稳态误差。
使用先锋实验首次进行机器人配备了视觉传感器来收集训练数据和测试数据在实验室场景和一个走廊的场景。实验室场景包含丰富的纹理信息,而走廊的场景是一个典型的弱纹理的场景。线段特征主要特征类型在走廊里。收集到的数据序列的静态实验室现场官员和办公室2。本章测试方法的鲁棒性,动态对象,行人走在测试期间,和相应的数据序列Office-D Corridor-D。本章的方法是与DBoW2方法相比,这是一个全球定位法广泛应用于当前的系统。从图可以看出8本章的方法可以获得更多成功的定位框架,其中,培训和测试序列的索引表中给出。实验指标的帧数与定位误差小于5厘米的帧数小于10厘米。在实验室的场景中,可以获得更多的正确的本地化框架由于丰富的特性。比较办公室和Office-D ORB-SLAM2的定位结果,该方法的鲁棒性在这一章是高动态对象。虽然在本章获得更少的成功定位的方法框架误差小于5厘米在走廊里场景,大部分的框架是10厘米的局部错误,表明该方法的鲁棒性在这一章为动态,low-texture场景。
特征点地图,线段特征地图,和密集的点云地图学习通过回归树,大大提高特征检索的效率的空间和空间信息检索功能。全球本地化的过程中,相机姿势估计相结合的应用点信息和线段信息,构造和稳定点对匹配使用point-to-linear投影来实现位置的计算假设。构造堆叠RANSAC方法解决采样效率不足的问题由于低比例的内部点配对。传统RANSAC方法相比,堆放RANSAC方法使用的结果之前的抽样信息来指导新的采样过程更偏向有意义的样本。同时,一个更有效的方法假设构成的质量指标是用来限制当前观测与环境表面以更有效的方式使用密集的几何信息的环境。
5。结论
一个完整的特性集的概念,提出了从视觉的角度伺服任务completability;一个完整的微观特性集的确定方法;和提取和使用一个完整的微观特性研究了使用一个类人机器人抓住画笔为例。本文基于2 d的视觉伺服的手眼关系的任务是描述图像雅可比矩阵,和微观特性集的完整性检查,发现图像雅可比矩阵的秩的微观特性集是否完全描述机器人控制自由度,即微观的完整性检查功能集。凸轮轴方法用于追踪目标对象,获得微观特性集,并完成任务的基础上完成微观特性集使用Kalman-Bucy基于过滤器的视觉服务方法。通过实验基于NAO机器人,它证实了本文提出的特性集可以保证任务的完成,微观特性集采集方法具有良好的鲁棒性的图像噪声和目标对象的不规则的运动轨迹,最后,视觉服务任务可以完成与良好的性能根据整个视觉服务策略。基于Q-filter构造干扰观测器,组成的等效干扰模型的不确定性,高频检测噪音,和低频输入干扰估计和消除通过输入和输出信号的控制对象,控制对象的组成部分和外部干扰的观察者展览给定标称模型,然后设计视觉伺服控制器根据名义模型鲁棒性的前提下实现闭环稳定系统的高性能控制效果的前提下闭环系统的稳定性。最后,calibration-free视觉伺服方法的有效性验证本文通过比较算法和比例积分法和分区Brayden法在模拟环境和比较的方法和比例积分方法的实验条件。
数据可用性
使用的数据来支持本研究的发现可以要求作者。
的利益冲突
作者宣称没有利益冲突。
确认
本研究支持的国内访问工程师项目浙江教育部门在2020年,中国(批准号。FG2020196和FG2020197),第二批教学改革研究项目在13浙江高等教育的五年计划,中国(批准号jg20190878),金华的公益性科技研究项目,浙江省,中国(批准号2021-4-386)。