隨著人工智能的發(fā)展,自主學(xué)習(xí)的寫字機器人一直是當(dāng)代研究的熱點,這是機器人從只是單純的接受指令到自我學(xué)習(xí)的飛躍。目前主流的寫字機器人一般都是基于視覺的寫字機器人,由于其圖像數(shù)據(jù)的獲取和錄入都有較大的難度,圖像的千變?nèi)f化,書寫的好壞完全依賴于對圖像預(yù)處理的結(jié)果,所以給特征的提取帶來了很大的困難。并且具有圖像處理的硬件一般價格都比較昂貴,成本也比較高,這給大規(guī)模的實際應(yīng)用帶來了難度。本文利用廉價的開發(fā)芯片生產(chǎn)出適合低端市場需要的低成本寫字機器人,解決了傳統(tǒng)的基于視覺的寫字機器人對于圖像處理成本要求較高這個難題。本文主要研究內(nèi)容如下:（1）研究了通過低廉的六軸加速度計和陀螺儀來獲取書寫時的姿態(tài)信息數(shù)據(jù),再利用RBF徑向基神經(jīng)網(wǎng)絡(luò)分類,對獲取的姿態(tài)數(shù)據(jù)利用預(yù)處理算法歸一化特征值,然后,機械臂將學(xué)習(xí)過的字符信息數(shù)據(jù)傳送到下位機控制器再進行字符的書寫。這樣使得機械臂寫出來的字符只取決于學(xué)習(xí)到的字符,從而只需要帶有加速度計和陀螺儀的控制器就能控制機械臂進行書寫,降低了傳統(tǒng)寫字機器人的成本。（2）研究了利用RBF神經(jīng)網(wǎng)絡(luò)對需要書寫的字符數(shù)據(jù)進行學(xué)習(xí)分類,從幾個方面優(yōu)化了RBF神經(jīng)網(wǎng)絡(luò),使其識別率得以提高... 

【文章頁數(shù)】：63 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 論文背景與研究意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 基于姿態(tài)信息的人機交互技術(shù)
    1.4 本文組織結(jié)構(gòu)
第二章 相關(guān)理論與技術(shù)的分析
    2.1 RBF徑向基神經(jīng)網(wǎng)絡(luò)概述
    2.2 KNN算法的概述
    2.3 Madgwick的濾波算法
    2.4 Arduino cuire Genduino 101開發(fā)板簡述
    2.5 本章小結(jié)
第三章 基于姿態(tài)識別的寫字機械人的系統(tǒng)設(shè)計與實現(xiàn)
    3.1 系統(tǒng)的整體設(shè)計框架
    3.2 數(shù)據(jù)預(yù)處理模塊
        3.2.1 截取姿勢片段
        3.2.2 消除重力偏差
        3.2.3 規(guī)范化時間軸
        3.2.4 規(guī)范化幅度軸
        3.2.5 拼接三軸數(shù)據(jù)
        3.2.6 Madgwick濾波
        3.2.7 提取特征片段
    3.3 分類器模塊
        3.3.1 RBF徑向基神經(jīng)網(wǎng)絡(luò)分類器的探究
        3.3.2 RBF徑向基神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)和分類的設(shè)計
        3.3.3 RBF神經(jīng)網(wǎng)絡(luò)分類器的實現(xiàn)
    3.4 機械臂模塊
        3.4.1 機械臂的控制原理
        3.4.2 機械臂的硬件設(shè)計
        3.4.3 機械臂的通信設(shè)計
    3.5 本章小結(jié)
第四章 RBF分類算法的優(yōu)化實驗
    4.1 RBF分類算法的優(yōu)化
    4.2 RBF分類算法的優(yōu)化實驗
    4.3 本章小結(jié)
第五章 實驗驗證與結(jié)果分析
    5.1 基于動作姿態(tài)的機械臂書寫實驗
    5.2 本章小結(jié)
總結(jié)與展望
參考文獻
攻讀碩士學(xué)位期間完成的科研成果
致謝


【參考文獻】：
期刊論文
[1]智能寫字機器人設(shè)計[J]. 陳玉敏,謝瑋,孟憲民,楊東岳.  計算機測量與控制. 2016(01)
[2]基于姿態(tài)識別的機器人人機交互系統(tǒng)設(shè)計[J]. 石琪琦,莊杰,黃煒,張佳東,左軒塵.  計算機工程與設(shè)計. 2015(07)
[3]機器人寫字技術(shù)及其運動參數(shù)[J]. 王光建,廖志勇,陳雪華.  重慶大學(xué)學(xué)報(自然科學(xué)版). 2003(12)
[4]利用分維向量改進神經(jīng)網(wǎng)絡(luò)在遙感模式識別中的分類精度[J]. 章楊清,劉政凱.  環(huán)境遙感. 1994(01)

博士論文
[1]基于深度機器學(xué)習(xí)的體態(tài)與手勢感知計算關(guān)鍵技術(shù)研究[D]. 杜宇.浙江大學(xué) 2017
[2]基于單個加速度傳感器的人體運動模式識別[D]. 薛洋.華南理工大學(xué) 2011
[3]柔性關(guān)節(jié)機械臂控制策略的研究[D]. 劉業(yè)超.哈爾濱工業(yè)大學(xué) 2009
[4]徑向基函數(shù)模型在板料成形工藝多目標優(yōu)化設(shè)計中的應(yīng)用[D]. 安治國.重慶大學(xué) 2009
[5]進化RBF神經(jīng)網(wǎng)絡(luò)分類器研究[D]. 薛富強.解放軍信息工程大學(xué) 2009
[6]電磁場計算中的徑向基函數(shù)無網(wǎng)格法研究[D]. 張淮清.重慶大學(xué) 2008
[7]基于計算機視覺的手勢識別系統(tǒng)研究[D]. 周航.北京交通大學(xué) 2008
[8]基于決策樹和K最近鄰算法的文本分類研究[D]. 王煜.天津大學(xué) 2006
[9]滑模控制理論及在移動機械臂中的應(yīng)用[D]. 吳玉香.華南理工大學(xué) 2006
[10]基于現(xiàn)代信號分析和神經(jīng)網(wǎng)絡(luò)的滾動軸承智能診斷技術(shù)研究[D]. 陸爽.吉林大學(xué) 2004

碩士論文
[1]基于視覺的字母手勢識別技術(shù)研究及實現(xiàn)[D]. 陳彬彬.西南交通大學(xué) 2017
[2]基于Arduino的節(jié)能型智能家居系統(tǒng)的設(shè)計與研究[D]. 倪亞玲.電子科技大學(xué) 2017
[3]基于KNN算法的空間手勢識別研究與應(yīng)用[D]. 張碩.吉林大學(xué) 2017
[4]基于STM32嵌入式系統(tǒng)的電機驅(qū)動控制與可靠性分析[D]. 張志威.電子科技大學(xué) 2017
[5]基于人體姿態(tài)識別的機器人控制技術(shù)研究[D]. 陳雪鋒.武漢科技大學(xué) 2014
[6]機器人的人體姿態(tài)動作識別與模仿算法[D]. 李少波.上海交通大學(xué) 2013
[7]基于Arduino平臺開發(fā)交互式產(chǎn)品原型的研究[D]. 繆璐璐.上海交通大學(xué) 2013
[8]五自由度寫字機器人系統(tǒng)研究[D]. 類延超.山東大學(xué) 2012
[9]基于Arduino/Android的藍牙通信系統(tǒng)設(shè)計與實現(xiàn)[D]. 鄭昊.湖北大學(xué) 2012
[10]基于改進RBF神經(jīng)網(wǎng)絡(luò)的故障診斷技術(shù)研究[D]. 吳偉.重慶大學(xué) 2012



本文編號：3651913