使用飞行深度传感器的混合移动机器人的运动策略选择

摘要

在不同的地形条件下，利用不同的运动方式可以提高移动机器人的性能。这就需要有一个监控控制器来识别不同的地形类型，并相应地改变机器人的运动模式。研究了一种混合腿轮式移动机器人的运动策略选择问题。机器人的监控控制由地形识别器完成，该识别器将飞行深度传感器获取的商业时间深度图像进行分类，并根据识别的地形类型选择不同的运动模式子控制器。对于地形识别器，一个数据库是由五个地形类(不平，水平地面，楼梯上，楼梯下，和不可穿越)组成的。利用基于置信图的滤波增强深度图像。在五类地形识别问题中，使用支持向量机分类器对测试数据库进行地形分类的准确率为97%。真实世界的实验评估四足动物的运动能力和地形识别器的能力在实时设置。实验结果表明，利用机器学习算法实时处理的深度图像可用于具有腿和轮式运动能力的混合机器人的监控。

1.介绍

移动是移动机器人的一个基本问题。有腿的、有轮的和铰接的身体是三种主要的运动类型。工作环境、稳定性、系统复杂性和成本是为移动机器人选择特定任务的运动配置时需要考虑的一些主要因素。在这样的系统中，由于其较高的稳定性、效率和增加的有效载荷能力，车轮被首先使用。然而，由于这些机器人在非结构化环境中的实际限制，这种配置的普遍实现受到了阻碍。尽管已作出重大努力来解决这一问题[1.–5.，车轮还远远不能成为在各种环境中移动的灵丹妙药。

灵感来自自然，腿的机器人提供强大的机制，以克服粗糙地形所呈现的困难[6.］.腿可以在平坦的地形上导航，可以说是移动机器人运动的通用解决方案。然而，这种配置也有缺点。静态和动态稳定性是腿部系统的主要挑战之一。为了解决这些问题，工程师们往往会创造出成本更高的复杂解决方案[6.］.

腿式和轮式运动的主要缺点仍然没有解决。混合机器人的出现是为了找到这两种配置的最佳组合。一般来说，混合移动机器人可分为两种类型[7.］.首先是铰接式轮式机器人，带轮安装在腿的末端。车轮可以是主动或被动的，以便为地形特异性移动提供更多选项[8.–10］.第二种类型的混合机器人[7.,11它的腿和轮子是分开的，但在运动过程中总是协同作用的。

野外机器人的首要要求之一是能够在不同的地形条件下工作。在特定地形条件下采用合适的运动策略，需要对环境进行识别并执行相应的高阶控制动作。地形分类已经从不同的角度进行研究，使用不同的传感器，如RGB相机和距离成像设备[12–15.］.可以研究使用用于移动机器人导航和遍历性分析的各种传感器的几个例子[16.–19.］.在七类识别问题上报告了高分类准确度和时间效率[20.]，研究人员根据一些分类可以通过廉价分类器成功完成的事实构建非均匀复杂性的类表示，而其他分类可能需要太多复杂的分类，并且对错误产生了很多罚款。在八级识别问题上观察到具有特征的彩色图像分类，观察到高达90％的准确性;作者使用地形分类来选择六角摄藏机器人的节能步态[21.］.接着，本文提出了一种通过处理从移动机器人获取的深度图像来分析环境可遍历性的方法[22.］.为此，作者介绍了不均匀点描述符（UPD），其包括关于表面倾斜和粗糙度的信息。

在这项工作中，我们提出了一种基于从飞行深度传感器的车载时间的深度图像获得的混合移动机器人的运动策略选择的新方法，其部分是低成本轻型紧凑型CADION RGB深度摄像机的一部分。该框架需要一个监控控制器，该监控器包含一个地形识别器，作为用于决策的主元件。具体而言，能够具有腿，轮式和协同腿部轮式运动的混合四足功能，设计和构建作为试验台（见图1.)．关于运动，这两种构型是彼此分离的，并且除了楼梯上升和下降之外，不能协同操作。我们的系统不是寻找腿式和轮式配置的最有效组合，而是应用移动切换来利用与特定地形类型相关的配置。据作者所知，这项工作是第一次利用深度传感器创建基于深度图像的地形分类框架，使移动机器人的运动策略选择。另一个贡献是分析了基于置信度的滤波对实时机器人运动问题深度图像分类的影响。

2.飞行范围成像的时间

飞行时间（TOF）是一种追溯到2000年代初期的范围成像技术。与其他范围成像技术不同，TOF仅允许一次使用一个设备捕获整个目标场景。TOF器件的标准配置允许采集范围数据，并且由调制的红外光源，传感器（例如，CCD / CMOS）和光学系统组成。飞行传感器的时间采用计算从源发射到目的地的红外光的飞行时间（图2.)．具体来说，该方法计算信号的相移，并知道光的速度，从而得到光从场景中被反射的点的距离。通过测量传感器每个像素处信号的相移，并知道调制频率，可以使用(1.)和距离使用(2.)： 在哪里是相移，为调制频率，距离是多少是光速。考虑到这些以及我们测量光传播距离的一半这一事实（图2.），深度计算如下：

另外，系统测量每个像素处的入射红外光的幅度，并提供相应的地图，该地图通常被称为“置信”图。置信度图的值可用于描述每个像素处的测量的可靠性（越低的量，测量越少的量）。

在某些方面，相对年轻的技术TOF，优于共轨成像系统。[综合对飞行摄像机的综合调查和替代方法的技术比较分析23.］.(我)ToF相机仅需要一张图像进行深度图采集;与被动三角测量方法(如立体视觉)相比，它们不需要额外的处理来解决对应问题，并且对光照变化和局部场景遮挡具有鲁棒性。(2)另一方面，主动三角测量光技术(如结构光)也消除了大量计算的问题，并使用单个相机。然而，对光源的功率要求很高，对受控光环境的要求也很高。后一个问题也适用于ToF设备(就红外噪声而言)，但程度要小得多。(iii)最后，基于激光的系统(如激光雷达)是一种广泛使用的距离成像技术，在测量范围、精度和可靠性方面优于ToF相机，并已在包括移动机器人在内的众多应用领域成功应用多年。然而，从重量、尺寸和功耗的角度来看，基于激光的系统看起来没有那么有吸引力。最重要的是，基于激光的系统的本质假设横断面扫描是按顺序执行的，这限制了设备在实时和动态场景中的能力。在这种关系中，ToF器件提供了30-60 Hz的有利采样率;它们提供深度数据以及置信度信息，可用于逐像素深度测量评估。

如今，ToF设备被广泛应用于人机交互、计算机游戏与图形、机器人技术、活动识别等领域[24.–28.］.在 [29.等人回顾了ToF传感器在机器人视觉系统中的应用，指出了每一篇讨论的作品中ToF传感器的独特特性。Fotonic E70的一般特性[30.]，Mesa SR4000 [31.，脑视BV-TOF [32.， Argos 3D p100 [33.]，微软Kinect [34.]和SoftKinetic DS325 [35.]为商用现货深度传感器，见表1.用他们的图形在图中3.．需要评估这些特性，为特定的机器人应用选择最合适的ToF。

3.带ToF传感器的混合四足动物

能够实现两个运动构分别包括一主平台，四条腿的，和四个车轮的混合动力车的四足动物试验台（见图1.)．textolite主平台长、宽、高分别为220 mm、150 mm和3 mm。该部分容纳了机器人的嵌入式系统，由CM-700 Dynamixel控制器、RGB-Depth摄像机(DepthSense DS325)和Zigbee收发器(RX-TX)设备(Zig 110A)组成。所列所有部件的机器人总重量为2.65 kg。

机器人的每条腿都由肩部，肘部和腕表组成。使用八个ydemixel mx-28实现混合Quadruped的腿腿运动[36.](肘关节及腕关节)及四个Dynamixel MX-106 [36.伺服电机(肩关节)。四条腿的肩关节分别连接在固定在主平台上的l型支架上。腿的总长度是440毫米，它的结构是由己烷。

将四足机器人的轮子放在菱形形式中，类似于[中提出的配置之一37.］.前后放置蓖麻轮，两个MX-28驱动轮以差动驱动机构的形式嵌套在平台中部。轮式移动时，机器人将腿抬起至主平台上方，如图1.．另一方面，对于有腿模式，机器人“站起来”，让轮子在空中，不接触地面。楼梯升降采用组合运动实现。

混合四足动物的软硬件接口框图如图所示4.．机器人的计算部件由车载CM-700控制器和运行Windows 7操作系统的个人电脑(PC)组成。PC实现高层次的系统控制，而CM-700同时承载中低层逻辑。处理单元之间的通信由Zigbee RX-TX设备完成。由PC提供控制决策，CM-700负责维护中级运动控制器，并向执行器发送相应的命令。该系统由连接到CM-700的铅酸电池(Shimastu NP9-12, 12V9Ah)供电，由人工操作人员携带。

由于DS325重量轻、体积小、功耗低、深度图像采集率较高，因此选择DS325作为混合四足动物的感知传感器。DS325通过通用串行总线(USB)与计算机连接。传感器固定在主平台的前面，与地面法线成60度角。

4.控制系统设计

4.1. 控制系统结构

Hybrid Quadruped的三级控制系统如图所示5.．高级控制器包括用户方向参考，，地形识别器和相关的状态图表，如图所示6.，描绘了运动状态之间的转换。这些状态，级别地面，不可避免的，楼梯血统，楼梯上升和不均匀的地形，代表了相应的地形型运动控制器，包括系统中级控制器。最后，低级控制器由在ydowixel执行器处内部实施的闭环位置和速度控制器组成。

尽管我们的工作适用于自主机器人，但是本实施方式假设用户提供对混合四rudruped的高级运动引用（即，前进，右/左）。另外，当地形识别器识别不可避免的地形时，将机器人的控制委派给用户。具体地，在检测到不可避免的地形时，机器人调用停止子控制器（不可触及状态），然后切换到完整的手动控制。操作员将HybrId偏离离产区域偏离，并将控件返回到系统。在导航遍历环境的同时提供方向，机器人独立地执行其控制算法，以基于地形分类结果执行运动模式选择。

4．2．轮式和腿式运动

如本节所述1.在结构环境和非结构环境中，轮式和腿式运动构型分别有利于导航。因此，如图所示6.， Level Ground的运动控制器包含在轮式模式部分，而不平地形是腿式模式的一部分。内部的子控制器以及连接它们的箭头线描述了特定的运动实现集。例如，Move Forward/Backward和turn left/right是Level Ground状态的子控制器，它们生成前进和后退运动的轨迹，以及使用差动驱动顺时针和逆时针旋转。同样，相应的一对子控制器保持机器人在非结构化地面上的步态。然而，从这一点可以看出不平坦的地形状态图6.，腿部运动缺乏向后运动。

更改环境需要强大的Locomotion配置切换过程。为了这，Legs-to-Wheels和Wheels-to-Legs,两个过渡控制器，连接状态和实现无缝导航在混合地形环境。例如，从水平地面进入不平坦的地形国家经历了轮子控制器如图所示6.．

4.3。混合运动：楼梯上升和下降

混合四足动物采用协同运动，使用轮子和腿的楼梯上升和下降。当地形识别器将环境分类为楼梯下或楼梯了，控制系统开始分析后续深度图像以分别检测倾斜和转换。具体地，对于在任一模式期间的每个新获取的深度图像，每个行的深度值为特定列的列（图中所示的阴影区域7.)总结。如果连续两行之间的差异超过阈值，则检测一个步骤。通过分析步长尺寸、移动机器人速度、地形识别采样时间等因素的个数，经验推导出用于步长检测的深度图像的大小和位置，以及决策所需的行之间的数值深度差。

两个楼梯控制器都以轮式模式启动，机器人向前驱动，直到出现楼梯检测。对于上升，机器人执行站起来分包商，相当于轮子过渡。在腿上，机器人将自己拉上楼梯；然后，通过抬起腿并调用前进子控制器。因此，在循环方式中，机器人在检测到一个时，机器人在另一个阶段爬升，直到监控控制器对不同的环境和命令进行分类以改变机器模式。

同样地，用于阶梯下降的运动器调用和运动方式之间的循环方式。在车轮上前进后（前进），机器人将一对正面腿放下一个楼梯;随后的车轮运动将机器人转移到边缘，直到有源中轮悬挂在空气中，并且混合Quadruped停止在前楼梯上搁置平台的背面。然后，机器人将自身拉到下一个楼梯上，并将落在轮子上升到抬起腿并搜索新的一步，直到识别不同的地形。请注意，混合平台运动对于基于深度图像的监控控制器实现的概念证明是硬编程的。因此，该平台对运动型多功能性和鲁棒性具有限制。具体地，子控制器以目标环境的知识和理想的假设编程。例如，我们假设机器人可以在仅允许的方向上朝向直线方向面对的步骤，允许很少偏差。楼梯上升和楼梯血栓调味机的操作如图所示8.．

5.监控:地形识别器

监控控制器的主要部分是地形识别器。地形识别器将采集的深度图像分类为五种地形类型（类别）。深度图像处理、特征提取和分类是决定地形识别器性能的主要方面。地形识别器的框图如图所示5.．地形识别从深度图像采集开始，进行过滤，特征提取和缩放以及分类，并使用多数投票过滤器完成。本节详细介绍了这些步骤中的每一个。

5.1。数据库生成

纳扎尔巴耶夫大学中庭(包含各种地面类型的大型室内区域)被选择用于数据库生成、地形识别器的实现，以及随后的概念实验证明。数据库包含以下五种地面类型:水平地面,Nontraversable,楼梯下,楼梯，和不均匀的．三个数据集分别包括9000个深度图像，用于分别用于分类器培训，测试和投票过滤器实现。使用深度DS325相机以30 Hz采样速率获取320×240像素分辨率的深度图像。在数据库中，机器人总是使用与当前地形相对应的运动类型，即腿部接地的腿运动，适用于级接地的轮式模式，以及楼梯上升和下降的混合运动。在各个地形的不同位置捕获三个数据集，以避免在数据库中多次包括相同的区域。每个类别的每个类都会捕获10个图像的十个扫描（每次扫描约6个段）。数据库生成大约需要三个小时。所有地形类型的深度和相应的RGB样本都显示在图中9．

5.2。深度图像滤波

使用滤波可以提高深度图像的质量。DepthSense DS325所属的用户深度摄像头的工作范围有限。场景中的对象和曲面经常超出摄影机的工作范围，这会降低数据的可靠性和一致性。此外，红外反射率和光散射是深度图像采集过程中引入噪声的因素。许多深度传感器与深度数据一起提供置信度图。这些贴图包含反射回传感器的红外光的调制强度。换句话说，当与深度图像相关联时，置信值可被用作所获取的范围像素的可靠性的度量。

在深度图像滤波领域的相关工作表明了解决这一问题的各种方法。例如，[38.]通过设置振幅阈值来丢弃深度数据;也就是说，不考虑相应置信度未超过阈值的范围信息。其他研究人员表示，这种方法可能会导致重要数据的丢失，取而代之的是引入更复杂的过滤算法[39.]. 利用飞行时间深度传感器获取的连续波深度图像去噪的综合工作[40[研究了应用多种过滤技术的效果。即，归一化的卷积和中值使用滤波的置信度值的特定自适应和非自适应的变化进行了各种条件下获得的现实世界的深度数据进行评价。后来，金等人。报道了利用RGB-D相机的深度和颜色数据的新型混合和嘈杂像素滤波算法[41.］.为了继续，本文提出了一个移动机器人的自定位系统，该系统利用基于pca的信号重构功能增强的深度数据[42.］.

在此工作中，我们使用归一化置信图值作为像素在滤波过程中的权重，以改善图像去噪的深度。我们选择这种相当简单的方法是基于实时操作的严格计算要求。像素滤波后的深度图像是用原始深度图像计算的吗以及相应的置信图使用

计算(4.)要求提供置信图对应于数据库中存在的每个深度图像。因此，在数据库中，也会收集到数据集中的所有样本的置信界面。筛选申请的效果在部分中介绍和讨论6.．

5.3。特征提取

将深度图像以四叉树的方式分割成大小一致的矩形区域，并从每个区域中提取与距离和形状相关的特征，证明是一种有效且高效的可遍历性启示学习与预测方法[43.］.我们工作中的地形分类问题不需要任何场景物体形状的知识。相反，我们使用类似的网格结构，但只提取关于每个区域、最小值、最大值、平均值和标准差值的统计数据。滤波后的深度图像以迭代的方式进行区域划分;第一个关卡是完整的320 × 240像素图像。然后将该区域划分为四个160 × 120像素的统一区域。每个获得的区域被划分为另外四个统一的矩形，这提供了16个区域，16 + 4 + 1 = 21个区域在级别3。这个过程还在继续，4级和5级总共有85个区域和341个区域(见图)10)．在每个阶段，每个区域的统计数据被提取并存储在一个向量中。从一个区域中获得四个特征，迭代2、3、4和5分别生成长度为20、84、340和1364的特征向量。特征向量按范围进行缩放并存储缩放系数。

5.4。地形分类

对于五类地形识别问题，我们利用了线性判别分析（LDA）和支持向量机（SVM）分类器。LDA [44.[广泛用于减少维度和分类。LDA保留原始特征空间的判别信息;它将数据移动到类中的分散化最大化的子空间，而类内的分散最小化。方程式（5.)及(6.）分别在散射矩阵之间和在散射矩阵之间[45.］.考虑 在哪里,,,， 和是样品吗类的阶级的平均数、所有类的均值、类的数量和类中的样本数量分别地

支持向量机(46.]是一种广泛使用的基于核的二值分类技术，它建立了一个最优的超平面来分离属于不同类别的样本。考虑训练样本,在那里和分别表示实例和类。在线性情况下，通常有许多非唯一的超平面将两个类分开，用 在哪里是普通的普通矢量和超平面是标量的基础。SVM算法尝试找到超平面，通过解决二次优化问题，最大化来自每个类的最近样本之间的边距 本文采用一对一的方法，通过创建来解决多类地形识别问题使用线性核的支持向量机二分类器。我们使用LIBSVM库实现SVM [47.］.

LDA和SVM分类模型均采用不同特征提取级别对应的不同长度训练数据集特征向量(20、84、340和1364)进行离线训练。然后利用相应特征向量长度的预估测试数据集对分类模型进行评价，寻找数据维数与分类器的最佳组合。存储数据缩放和分类所需的全部信息(取决于选择的分类器模型和数据维数)，用于在线实时地形识别。

5.5。多数表决过滤器

偶尔，一个单一的深度图像，或它们的序列，可能会由于各种原因被识别器错误分类，例如，一个机器人执行高度动态运动时拍摄的图像。在混合移动平台中，地形分类错误会导致移动模式选择错误，从而导致更严重的故障。机器人可能会被卡住、绊倒或摔倒。因此，我们实施了一个类似于[48.］.具体来说，多数投票过滤器使用预定义大小的滑动窗口。这个窗口包含连续的地形识别器决策，这些决策被处理以确定哪些环境拥有50%或更多成员的“投票”。多数投票过滤器应用的明显缺点是决策延迟增加，对环境变化的反应较差。根据滑动窗口中考虑的分类结果个数和识别器的采样率，延迟可能会降低监控性能。因此，在监督控制器的决策中存在信任水平和延迟之间的权衡。通过仿真实验确定了多数投票滤波器的长度。

6.结果与讨论

6.1。地形识别器参数优化

最初的一组实验旨在评估深度图像滤波的效果，并搜索提取的特征向量长度和分类模型的最佳组合。为此，我们使用了过滤和未过滤的训练和测试数据集，并应用了不同级别的特征提取，具体来说，第2、3、4和5级对应的特征向量长度分别为20、84、340和1364。第一级被省略了，因为整个图像只提供了四个特征。由于大量的功能限制了实时操作的潜力，6级及以上的级别没有考虑。使用LDA和SVM分类器对这些组合进行评估，得到16个不同的分类器模型。生成的SVM模型没有经过优化，除了内核类型设置为外，采用LIBSVM的默认参数线性．记录精度和采样时间信息如表所示2.．

首先,表2.结果表明，深度图像滤波可以提高地形识别的精度。深度图像滤波的定性效果如图所示11．我们还可以看到，在8种组合中，有7种SVM的表现明显优于LDA。此外，支持向量机的准确率随着用于分类的特征的增多而增长。准确率的提高随着特征向量长度的增加而减少。另一方面，特征提取所需的计算时间从提取20个特征所需的1.2 ms增加到提取1364个特征所需的8.3 ms。

特征向量的长度不仅影响特征提取时间，还影响分类计算时间。考虑到四足动物监控问题的实时性，我们决定采用三级特征提取，计算时间约为2ms。表中给出了深度图像经过SVM分类过滤的三级特征的混淆矩阵3.. 在线实时分类是使用离线分类器模型形成过程中生成的分类器模型来完成的。

随后，选择最佳多数表决滤波器的长度。据推测，更长的过滤器尺寸将增加地形分类的置信度。但是，它也会在系统响应中引入延迟。因此，在地形分类可靠性和延迟之间存在权衡。考虑到在楼梯上升和下降期间，地形识别的最坏情况计算时间约为30ms，高级控制的采样率设置为30Hz。使用第三数据集进行详尽的模拟实验，其中评估了大多数投票过滤器长度的效果。桌子4.显示了不同投票滤波器尺寸下的地形识别精度和相应的地形变化检测延迟。可以看出，地形识别精度随着滤波器尺寸的增大而增大。然而，当投票过滤器长度达到13时，它的准确率稳定在96.4%左右。在此基础上，将滤波长度设置为13帧，便于实时操作。

6.2。实时运动实验

一条由水平地面,楼梯下,楼梯了,不平坦的地形,和Nontraversable纳扎尔巴耶夫大学庭院的地区被选为系统的测试站点（见图12)．实验从楼梯下，后跟水平地面和Nontraversable地区后者导致对人类运营商的控制转移。因此，机器人被引导远离Nontraversable地形类型和指向楼梯了．然后，该部分遵循的组合Nontraversable地区和水平地面类型陆续重复两次。路线的最终部分是表示的不平坦的地形，土壤表面种植着各种植被和树木。地面高于平坦的地形，并有一个台阶过渡。对于这个配置，我们将步骤添加到不平坦的地形编写了机器人运动的单步爬升程序。进入这个环境后，机器人进行腿部运动，并向前移动一段时间，实验结束。实时运动实验大约8分钟完成。例如向前、向后、向左和向右的方向都是由用户指示的，以便引导平台远离Nontraversable区域的存在导致手动控制调用。机器人控制的所有其他方面都是自主执行的。本实验的视频以多媒体资料的形式提供(多媒体资料请参阅网上的补充资料http://dx.doi.org/10.1155/2015/425732)．

地形识别器结果（均多数投票过滤和未过滤），在实验期间记录了两种主动轮的角速度和正右腿的关节轨迹，并在图中显示了150秒的审判段13．在这个时间间隔内发生的事件集合对应于那些以机器人Stair Ascent开始并以导航结束的事件不平坦的地形. 图中四个灰色阴影区域表示手动模式，通过识别Nontraversable地形。在这些间隔期间，地形识别器结果仍会被记录，手动模式仅由人工操作员禁用。第四个灰色阴影区域，手动控制扩展到水平地面区域代表路线的最后一段，即用户驾驶机器人离开的地方Nontraversable地形，并将其指向不平坦的地形地区。

混合四足动物成功完成了实时实验路线。机器人没有进行虚假运动。在机器人行进的路线上放置三个不可通过的物体(三个木凳和一个矩形木盒)(见图)12)．数字13（a）显示存在地形识别器错误分类和“未定义”状态（例如，错误分类不均匀的第12秒，然后楼梯了，第16秒）。据推测，这些实例是机器人高度动态运动（例如，爬楼梯）与数据库中未包含的过渡阶段（例如，屏幕上出现的木箱）相结合的结果水平地面完全在结束后楼梯了段)。

单例误分类楼梯了和不均匀的由于在进入相应状态时，地形不会导致平台失败，机器人开始寻找准屈曲或倾斜，即降低或向上。只要找不到一步，机器人继续移动，而在实际地形类型存在Nontraversable它平滑地转换到此模式并调用手动模式控制。“未定义”的决策不会影响系统的执行，因为相同的运动控制器会一直处于活动状态，直到多数投票过滤器选择了不同的地形类型。

7.结论

这项工作的主要贡献是展示了利用深度传感器作为基于机器学习的地形识别高保真感知源的有效性。混合地形环境下的实时运动实验表明，简单的消费者手指和手跟踪深度传感器可以作为多运动模式混合机器人运动策略选择的有效监控工具。此外，我们演示了当简单的基于置信图的滤波器用于深度图像预处理时深度图像分类的改进。

作为未来的工作，我们打算将地形识别问题扩展到更多的类别，并将该算法应用于全自主机器人。此外，应消除红外日光干扰，这是使用深度传感器的潜在缺点之一。未来工作的另一个领域是使用基于深度相机的地形分类来监控辅助设备，如截瘫患者的外骨骼。

利益冲突

作者声明本文的发表不存在利益冲突。

补充材料

参考

1. C. A. Brooks和K. D. Iagnemma，“行星漫游者地形感知的自我监督分类”，收录于IEEE航空航天会议记录，第1-9页，美国蒙大拿州大天空，2007年3月。查看在：出版商网站|谷歌学术搜索
2. 罗志仁，尚建忠，张志贤，“基于模块组合的六轮空间探索机器人创新设计”，中国第19届机电一体化与机器视觉实践国际会议论文集(M2VIP’12)，PP。460-465，奥克兰，新西兰，2012年11月。查看在：谷歌学术搜索
3. O. Matsumoto, S. Kajita, K. Tani，和M. Oooto，“一个四轮机器人通过改变运行控制模式来通过步骤，”在IEEE机器人和自动化国际会议的诉讼程序（ICA'95），第2卷，第1700-1706页，IEEE，日本名古屋，1995年5月。查看在：出版商网站|谷歌学术搜索
4. “一种具有可变结构功能的高机动性轮式机器人的开发与控制”，刊于IEEE/RSJ智能机器人和系统国际会议记录（IROS'06），PP。4000-4005，中国北京，2006年10月。查看在：出版商网站|谷歌学术搜索
5. H. E. Yap和S. Hashimoto，“开发一个跨越楼梯的两轮机器人”，在IEEE/RSJ智能机器人与系统国际会议论文集(IROS’12)，第3125-3131页，Vilamoura，葡萄牙，2012。查看在：谷歌学术搜索
6. R. Siegwart，I. R. Nourbakhsh和D. Scaramuzza，自主移动机器人介绍，MIT新闻，2011年第2版。
7. S.古奇奥尼和G. Muscato，“车轮机器人”，IEEE机器人与自动化杂志，第10卷，第5期。第4页，第33-43页，2003。查看在：出版商网站|谷歌学术搜索
8. H. Adachi, N. Koyachi, T. Arai, a . Shimiza, Y. Nogami，“一种腿轮混合移动机器人的机制和控制”，于IEEE / RSJ智能机器人和系统会议的诉讼程序（IROS'99），第3卷，第1792-1797页，韩国京州，1999年。查看在：出版商网站|谷歌学术搜索
9. G. Endo和S. Hirose，“滚轮步行器(多模式转向控制和独立运动)的研究”，在IEEE机器人与自动化国际会议的诉讼程序（ICA'00），页2808-2814，旧金山，加利福尼亚，美国，2000年4月。查看在：谷歌学术搜索
10. JA.我是史密斯。沙夫和M。特伦蒂尼，“爪子：一种混合轮式腿机器人”，摘自IEEE机器人与自动化国际会议论文集，第4043-4048页，美国佛罗里达州奥兰多，2006年5月。查看在：出版商网站|谷歌学术搜索
11. J. Muller, M. Schneider，和M. Hiller，“行走机器ALDURO的建模、仿真和基于模型的控制”，IEEE/ASME机电一体化学报，卷。5，不。2，pp。142-152,2000。查看在：出版商网站|谷歌学术搜索
12. M. Bajracharya, T. Benyang, A. Howard, M. Turmon，和L. Matthies，“自主导航的远程地形分类学习”国际机器人与自动化会议论文集(ICRA’08)，第4018-4024页，加州帕萨迪纳，美国，2008年5月。查看在：出版商网站|谷歌学术搜索
13. I. Halatci, C. A. Brooks, K. Iagnemma，“行星探测漫游车的视觉和触觉地形分类和分类器融合研究”，Robotica，第26卷，第6期，第767-779页，2008年。查看在：出版商网站|谷歌学术搜索
14. Y. Khan，P. Komma和A. Zell，“户外机器人的高分辨率视觉地形分类”IEEE计算机视觉国际会议文集(ICCV’11)，pp.1014-1021，IEEE，巴塞罗那，西班牙，2011年11月。查看在：出版商网站|谷歌学术搜索
15. D. F. Wolf, G. S. Sukhatme, D. Fox，和W. Burgard，“使用隐藏马尔科夫模型的自治地形测绘和分类”，在IEEE机器人与自动化国际会议记录（ICRA'05），pp.2026-2031，巴塞罗那，西班牙，2005年4月。查看在：出版商网站|谷歌学术搜索
16. A. Chilian和H.H.Hirschmüller，“基于立体声相机的移动机器人导航在崎岖的地形上”IEEE/RSJ智能机器人与系统国际会议论文集(IROS '09)，第4571-4576页，美国密苏里州圣路易斯，2009年10月。查看在：出版商网站|谷歌学术搜索
17. D. M. Helmick, A. Angelova, M. Livianu，和L. H. Matthies，“火星漫游者的地形自适应导航”IEEE航空航天会议记录，pp.1-11，大天空，Mont，美国，2007年3月。查看在：出版商网站|谷歌学术搜索
18. L. F. Posada，K.Narayanan，F. Hoffmann和T.Bertram，“Embose-Iceive Image的全方位图像的强大楼层障碍分割专家的专家组，”IEEE机器人与自动化国际会议论文集(ICRA’11)，页439-444，中国上海，2011年5月。查看在：出版商网站|谷歌学术搜索
19. I. Rekleitis，J.-L。Bedwani和E. Dupuis，“超越，行星勘探的自主导航，”IEEE/RSJ智能机器人和系统国际会议记录（IROS'07），页2248-2255,IEEE，圣地亚哥，加利福尼亚，美国，2007年11月。查看在：出版商网站|谷歌学术搜索
20. A. Angelova, L. Matthies, D. Helmick，和P. Perona，“使用可变长度表示的自动导航快速地形分类”，在IEEE计算机学会计算机视觉与模式识别会议论文集(CVPR’07)，Minneapolis，Minn，美国，2007年6月。查看在：出版商网站|谷歌学术搜索
21. S. Zenker，E. Aksoy，D. Goldschmidt，F. Worgotter，以及P.Manoonpong，“视觉地形分类，用于选择六足球机器人的节能Gaits”IEEE/ASME先进智能机电一体化国际会议论文集(AIM’13)，第577-584页，卧龙岗，澳大利亚，2013年7月。查看在：出版商网站|谷歌学术搜索
22. M. Bellone，G.Reina，N.I.I.Giannoccaro和L. Spedicato，“3D崎岖地形移动机器人的遍历意识”传感器检查第34卷第3期2, pp. 220-232, 2014。查看在：出版商网站|谷歌学术搜索
23. sFoix，G。阿莱尼亚和C。托拉斯，“锁定飞行时间（ToF）摄像机：一项调查，”IEEE传感器杂志，第11卷，第5期。第9页，1917-1926,2011。查看在：出版商网站|谷歌学术搜索
24. S. Hsu, S. Acharya, a . Rafii，和R. New，“用于智能车辆安全应用的飞行时间距离摄像机的性能”汽车应用的高级微系统2006， VDI-Buch, pp. 205-219，施普林格，柏林，德国，2006。查看在：出版商网站|谷歌学术搜索
25. S. May, B. Werner, H. Surmann，和K. Pervölz，“用于移动机器人的3D飞行时间相机”IEEE/RSJ智能机器人和系统国际会议记录（IROS'06），第790-795页，2006年10月。查看在：出版商网站|谷歌学术搜索
26. P. Breuer, C. Eckes，和S. Muller，“一种新型红外飞行时间距离相机的手势识别——一项飞行员研究”计算机视觉/计算机图形协作技术，第4418卷计算机科学课堂讲稿， pp. 247-260，施普林格，柏林，德国，2007。查看在：出版商网站|谷歌学术搜索
27. A. Kolb, E. Barth, R. Koch，和R. Larsen，《计算机图形学中的飞行时间摄像机》，计算机图形学论坛，第29卷，第2期1，页141-159,2010。查看在：出版商网站|谷歌学术搜索
28. P. Henry，M. Krainin，E. Herbst，X. Ren和D. Fox，“RGB-D Mapping：使用Kinect风格的深度摄像机进行室内环境的密集3D建模，”国际机器人研究杂志，卷。31，不。5，pp。647-663,2012。查看在：出版商网站|谷歌学术搜索
29. G. Alenyà， S. Foix和C. Torras，“机器人主动视觉的ToF相机”，传感器和执行器A:物理的， vol. 218, pp. 10-22, 2014。查看在：出版商网站|谷歌学术搜索
30. 抚摸，“Fotonic E系列”http://www.fotonic.com．查看在：谷歌学术搜索
31. 台面成像,“SR4000”,http://www.mesa-imaging.ch/．查看在：谷歌学术搜索
32. BrainVision BV-TOF,http://www.brainvision.co.jp/．
33. 阿哥斯3 d-p100 BLUETECHNIX,http://www.bluetechnix.com/．
34. 微软，Kinect for Windows，http://www.microsoft.com/en-us/kinectforwindows/．
35. 软滑动，“深度相机”http://www.softkinetic.com/．查看在：谷歌学术搜索
36. ROBOTIS，Dynamixel，http://www.robotis.com/．
37. S. Hirose, N. Ootsukasa, T. Shirasu, H. Kuwahara, K. Yoneda，“行星漫游者设计的基本考虑，”在IEEE机器人和自动化国际会议的诉讼程序（ICA'95），页1939-1944，日本名古屋，1995年5月。查看在：谷歌学术搜索
38. S. May，D. DrioSchel，D. Holz和C. Wiesen，“3D姿势估计和与飞行时间相机的映射”IEEE智能机器人与系统国际会议论文集(IROS '08)，法国尼斯，2008年。查看在：谷歌学术搜索
39. M.Reynolds，J. Dobos，L. Peel，T.Weyrich和G. J. Brostow，“捕捉飞行时间数据充满信心”计算机愿景和模式识别的IEEE会议的诉讼程序（CVPR '11），pp。945-952，普罗维登斯，ri，美国，2011年6月。查看在：出版商网站|谷歌学术搜索
40. M. Frank, M. Plaue，和F. A. Hamprecht，“使用置信尺度对连续波飞行时间深度图像去噪”，光学工程，第48卷，第48期7、Article ID 077003, 2009。查看在：出版商网站|谷歌学术搜索
41. sY金姆。金和Y。sHo，“RGB-D相机系统中用于去除混合和噪声像素的深度图像滤波器，”消费电子产品的IEEE交易，第59卷，第59期3，第681-689页，2013。查看在：出版商网站|谷歌学术搜索
42. F. Cardeira, J. M. F. Calado, C. Cardeira等人，“利用缺失数据的深度地图增强基于pca的定位，”智能与机器人系统学报， 2015年，第77卷，第341-360页。查看在：谷歌学术搜索
43. E. Ugur, M. R. Dogar, M. Çakmak和E. Sahin，“在移动机器人上使用距离图像来学习和使用可遍历性启示”，在IEEE机器人与自动化国际会议文集(ICRA’07)，页1721-1726，罗马，意大利，2007年4月。查看在：出版商网站|谷歌学术搜索
44. R. A. Fisher，“多重测量的统计利用率”优生学的年报，第8卷，第2期4, 376-386页，1938年。查看在：出版商网站|谷歌学术搜索
45. S. Theodoridis和K. Koutroumbas，模式识别，学术出版社，2008年第4版。
46. C. Cortes和V.Vapnik，“支持 - 传染媒介网络”，机器学习，第20卷，第2期。3，页273-297,1995。查看在：出版商网站|谷歌学术搜索
47. Lin C. J. Chang， " LIBSVM:一个支持向量机的库，"智能系统和技术的ACM交易，第2卷，第2期2011年第27条第3款。查看在：出版商网站|谷歌学术搜索
48. H. a . Varol, F. Sup，和M. Goldfarb，“动力下肢假肢的多级实时意图识别”，生物医学工程汇刊(第57卷)3，页542-551,2010。查看在：出版商网站|谷歌学术搜索

版权

版权所有©2015 Artur Saudabayev等人。这是一篇发布在知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。