發(fā)布時間：2017-09-22 20:57

  本文關(guān)鍵詞：智能空間下基于云的物品識別和抓取研究

  更多相關(guān)文章： 云機(jī)器人 云識別 物品識別 位姿估計 學(xué)習(xí)抓取 線性回歸

【摘要】：智能自主的抓取操作是服務(wù)機(jī)器人研究的一大挑戰(zhàn)。目前服務(wù)機(jī)器人智能水平單一,服務(wù)執(zhí)行能力不足,遠(yuǎn)遠(yuǎn)未達(dá)到人們的期望水平。傳統(tǒng)機(jī)器人側(cè)重于提高其感知、計算和執(zhí)行能力,以應(yīng)對復(fù)雜環(huán)境下的抓取任務(wù),這往往造成機(jī)器人個體笨重、造價昂貴。本文以智能空間與云技術(shù)相結(jié)合,以實現(xiàn)家庭環(huán)境下物品的識別與抓取操作為應(yīng)用背景,針對在家庭等非結(jié)構(gòu)化環(huán)境中對物體的準(zhǔn)確識別、位姿估計和抓取算法規(guī)劃等相關(guān)問題進(jìn)行研究。針對家庭環(huán)境下物品種類繁多、環(huán)境復(fù)雜,難以對物品實現(xiàn)準(zhǔn)確識別的情況。本文提出基于Vuforia云服務(wù)的物體識別與位姿估計方法。通過構(gòu)建Vuforia云端圖像數(shù)據(jù)庫,利用Vuforia SDK實現(xiàn)對物品的識別和位姿估計。設(shè)計了基于Vuforia的物品識別和位姿估計實驗,驗證了該方法的有效性,并對實驗結(jié)果進(jìn)行詳細(xì)的說明和分析。借助于Vuforia強(qiáng)大的功能,機(jī)器人可以大大提高自己的感知能力,并將復(fù)雜的識別任務(wù)卸載到云端進(jìn)行,從而減輕機(jī)器人的存儲和計算負(fù)擔(dān)。由于第三方云平臺所提供識別功能的局限性,無法完全滿足機(jī)器人的任務(wù)需求。本文提出了基于智能空間虛擬云平臺的物品分類方法。首先利用SIFT特征和特征描述子構(gòu)建基于詞袋模型(Bag-of-Word, BoW)的視覺詞典,實現(xiàn)物品圖像的特征向量表示形式。其次針對在虛擬云平臺下的物體識別,提出了基于支持向量機(jī)的圖像分類算法,實現(xiàn)了對多類物品的準(zhǔn)確分類。最后在本地虛擬云平臺下進(jìn)行了實驗,并驗證了算法的有效性。相比于智能空間下機(jī)器人抓取操作,本文提出了基于云平臺與智能空間技術(shù),結(jié)合底層機(jī)器人平臺,搭建云-智能空間-機(jī)器人抓取三層架構(gòu),設(shè)計并定義各層功能和任務(wù)要求。并以基于位置的視覺伺服為控制算法,設(shè)計了抓取仿真實驗,分析并驗證了此架構(gòu)的合理性。為提高機(jī)器人在復(fù)雜環(huán)境下抓取操作的適應(yīng)性,本文提出基于回歸模型估計機(jī)器人期望抓取位姿的方法。首先,在訓(xùn)練數(shù)據(jù)提取階段提出了基于PBVS算法,使用六維的變換向量來表征位姿關(guān)系的方法。其次,設(shè)計了學(xué)習(xí)訓(xùn)練算法,并利用大量的訓(xùn)練數(shù)據(jù)進(jìn)行模型估計。最后,通過驗證樣本進(jìn)行改進(jìn),確定估計模型的參數(shù),獲得最終的估計模型,并使用測試樣本驗證訓(xùn)練算法的有效性。
【關(guān)鍵詞】：云機(jī)器人 云識別 物品識別 位姿估計 學(xué)習(xí)抓取 線性回歸
【學(xué)位授予單位】：山東大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP242
【目錄】：

• 摘要8-10
• ABSTRACT10-12
• 第一章 緒論12-20
• 1.1 課題的背景與研究意義12-13
• 1.2 相關(guān)問題研究現(xiàn)狀13-17
• 1.2.1 云機(jī)器人抓取研究現(xiàn)狀13-15
• 1.2.2 云識別的研究現(xiàn)狀15-16
• 1.2.3 抓取學(xué)習(xí)的研究現(xiàn)狀16-17
• 1.3 本文主要研究內(nèi)容17-18
• 1.4 論文的章節(jié)安排18-20
• 第二章 Vuforia云識別與定位20-34
• 2.1 Vuforia云識別服務(wù)簡介20-21
• 2.2 Vuforia物品數(shù)據(jù)庫建立21-23
• 2.2.1 云圖像數(shù)據(jù)庫建立22-23
• 2.2.2 圖像元數(shù)據(jù)整理23
• 2.3 基于Vuforia云識別的物品識別23-29
• 2.3.1 目標(biāo)的定義和實現(xiàn)23-24
• 2.3.2 目標(biāo)特征和圖像評級24-26
• 2.3.3 Vuforia物品識別實驗26-29
• 2.4 基于Vuforia的物品位姿估計29-31
• 2.4.1 Vuforia位姿估計實現(xiàn)29-30
• 2.4.2 位姿估計實驗結(jié)果30-31
• 2.5 本章小結(jié)31-34
• 第三章 本地虛擬云平臺下物體識別算法34-50
• 3.1 SIFT特征提取與匹配34-37
• 3.1.1 SITF特征提取與計算35-36
• 3.1.2 圖像SIFT描述子生成36
• 3.1.3 基于SIFT特征匹配36-37
• 3.2 BoW模型圖像特征表示算法37-40
• 3.2.1 BoW模型描述圖像特征37
• 3.2.2 BoW詞典生成和表示37-40
• 3.3 支持向量機(jī)圖像分類算法40-44
• 3.3.1 SVM分類算法40-43
• 3.3.2 基于SVM的圖像分類43-44
• 3.4 本地云平臺的圖像分類實驗44-49
• 3.4.1 智能空間云數(shù)據(jù)庫45
• 3.4.2 分類實驗離線訓(xùn)練和在線識別45-48
• 3.4.3 實驗結(jié)果與分析48-49
• 3.5 本章小結(jié)49-50
• 第四章 云-智能空間-機(jī)器人抓取架構(gòu)設(shè)計50-64
• 4.1 實驗平臺介紹50-52
• 4.1.1 移動機(jī)械臂平臺50-51
• 4.1.2 StarGazer紅外定位51-52
• 4.2 移動機(jī)械臂運動學(xué)建模與分析52-54
• 4.2.1 運動學(xué)正解52-53
• 4.2.2 運動學(xué)逆解53-54
• 4.3 云-智能空間-機(jī)器人抓取架構(gòu)54-57
• 4.3.1 智能空間-機(jī)器人架構(gòu)設(shè)計54-56
• 4.3.2 三層架構(gòu)設(shè)計56-57
• 4.4 視覺伺服抓取系統(tǒng)設(shè)計57-62
• 4.4.1 PBVS控制律設(shè)計57-58
• 4.4.2 PBVS仿真實驗58-60
• 4.4.3 三層架構(gòu)下PBVS設(shè)計60-62
• 4.5 本章小結(jié)62-64
• 第五章 基于回歸模型的抓取規(guī)劃算法設(shè)計64-80
• 5.1 基于PBVS的抓取算法推導(dǎo)64-66
• 5.2 基于線性回歸模型的抓取實驗設(shè)計66-73
• 5.2.1 線性回歸模型的算法概述66-68
• 5.2.2 訓(xùn)練樣本采集68-71
• 5.2.3 基于線性回歸模型位姿估計算法訓(xùn)練71-73
• 5.3 參數(shù)選取及實驗73-78
• 5.3.1 交叉驗證集和測試集選取73-74
• 5.3.2 學(xué)習(xí)曲線分析74-75
• 5.3.3 正則化參數(shù)λ選取75-76
• 5.3.4 模型測試及分析76-78
• 5.4 本章小結(jié)78-80
• 第六章 工作總結(jié)與展望80-82
• 6.1 論文的主要研究內(nèi)容80-81
• 6.2 進(jìn)一步研究方向81-82
• 參考文獻(xiàn)82-87
• 致謝87-88
• 碩士期間參加的科研工作88-89
• 附件89

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 余意;易建強(qiáng);趙冬斌;;智能空間研究綜述[J];計算機(jī)科學(xué);2008年08期

2 鄭譽(yù)煌;李迪;葉峰;;智能空間的情景感知沖突研究[J];計算機(jī)工程與應(yīng)用;2010年33期

3 倫永亮;程良倫;;智能空間可靠感知防沖突模型的研究與仿真[J];計算機(jī)仿真;2012年10期

4 杜銳;;智能空間中動態(tài)資源約束技術(shù)研究[J];制造業(yè)自動化;2010年13期

5 張t焧，

本文編號：902793