本文關鍵詞：智能空間下基于云的物品識別和抓取研究

  更多相關文章： 云機器人 云識別 物品識別 位姿估計 學習抓取 線性回歸

【摘要】：智能自主的抓取操作是服務機器人研究的一大挑戰(zhàn)。目前服務機器人智能水平單一,服務執(zhí)行能力不足,遠遠未達到人們的期望水平。傳統(tǒng)機器人側重于提高其感知、計算和執(zhí)行能力,以應對復雜環(huán)境下的抓取任務,這往往造成機器人個體笨重、造價昂貴。本文以智能空間與云技術相結合,以實現(xiàn)家庭環(huán)境下物品的識別與抓取操作為應用背景,針對在家庭等非結構化環(huán)境中對物體的準確識別、位姿估計和抓取算法規(guī)劃等相關問題進行研究。針對家庭環(huán)境下物品種類繁多、環(huán)境復雜,難以對物品實現(xiàn)準確識別的情況。本文提出基于Vuforia云服務的物體識別與位姿估計方法。通過構建Vuforia云端圖像數(shù)據庫,利用Vuforia SDK實現(xiàn)對物品的識別和位姿估計。設計了基于Vuforia的物品識別和位姿估計實驗,驗證了該方法的有效性,并對實驗結果進行詳細的說明和分析。借助于Vuforia強大的功能,機器人可以大大提高自己的感知能力,并將復雜的識別任務卸載到云端進行,從而減輕機器人的存儲和計算負擔。由于第三方云平臺所提供識別功能的局限性,無法完全滿足機器人的任務需求。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的圖像分類算法,實現(xiàn)了對多類物品的準確分類。最后在本地虛擬云平臺下進行了實驗,并驗證了算法的有效性。相比于智能空間下機器人抓取操作,本文提出了基于云平臺與智能空間技術,結合底層機器人平臺,搭建云-智能空間-機器人抓取三層架構,設計并定義各層功能和任務要求。并以基于位置的視覺伺服為控制算法,設計了抓取仿真實驗,分析并驗證了此架構的合理性。為提高機器人在復雜環(huán)境下抓取操作的適應性,本文提出基于回歸模型估計機器人期望抓取位姿的方法。首先,在訓練數(shù)據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系的方法。其次,設計了學習訓練算法,并利用大量的訓練數(shù)據進行模型估計。最后,通過驗證樣本進行改進,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練算法的有效性。
【關鍵詞】：云機器人 云識別 物品識別 位姿估計 學習抓取 線性回歸
【學位授予單位】：山東大學
【學位級別】：碩士
【學位授予年份】：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 相關問題研究現(xiàn)狀13-17
• 1.2.1 云機器人抓取研究現(xiàn)狀13-15
• 1.2.2 云識別的研究現(xiàn)狀15-16
• 1.2.3 抓取學習的研究現(xiàn)狀16-17
• 1.3 本文主要研究內容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云識別服務簡介20-21
• 2.2 Vuforia物品數(shù)據庫建立21-23
• 2.2.1 云圖像數(shù)據庫建立22-23
• 2.2.2 圖像元數(shù)據整理23
• 2.3 基于Vuforia云識別的物品識別23-29
• 2.3.1 目標的定義和實現(xiàn)23-24
• 2.3.2 目標特征和圖像評級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 位姿估計實驗結果30-31
• 2.5 本章小結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)據庫45
• 3.4.2 分類實驗離線訓練和在線識別45-48
• 3.4.3 實驗結果與分析48-49
• 3.5 本章小結49-50
• 第四章 云-智能空間-機器人抓取架構設計50-64
• 4.1 實驗平臺介紹50-52
• 4.1.1 移動機械臂平臺50-51
• 4.1.2 StarGazer紅外定位51-52
• 4.2 移動機械臂運動學建模與分析52-54
• 4.2.1 運動學正解52-53
• 4.2.2 運動學逆解53-54
• 4.3 云-智能空間-機器人抓取架構54-57
• 4.3.1 智能空間-機器人架構設計54-56
• 4.3.2 三層架構設計56-57
• 4.4 視覺伺服抓取系統(tǒng)設計57-62
• 4.4.1 PBVS控制律設計57-58
• 4.4.2 PBVS仿真實驗58-60
• 4.4.3 三層架構下PBVS設計60-62
• 4.5 本章小結62-64
• 第五章 基于回歸模型的抓取規(guī)劃算法設計64-80
• 5.1 基于PBVS的抓取算法推導64-66
• 5.2 基于線性回歸模型的抓取實驗設計66-73
• 5.2.1 線性回歸模型的算法概述66-68
• 5.2.2 訓練樣本采集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 學習曲線分析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78-80
• 第六章 工作總結與展望80-82
• 6.1 論文的主要研究內容80-81
• 6.2 進一步研究方向81-82
• 參考文獻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】

中國期刊全文數(shù)據庫 前10條

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

2 鄭譽煌;李迪;葉峰;;智能空間的情景感知沖突研究[J];計算機工程與應用;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];計算機仿真;2012年10期

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

5 張t焧，

本文編號：902793