嗅觉搜索机器人的单目视觉室内定位技术研究
发布时间：2021-10-05 08:58
针对室内嗅觉搜索机器人定位问题,提出一种基于最小二乘高斯核支持向量机的单目视觉定位算法.首先,利用最小二乘高斯核支持向量机,可将机器人在图片中像素位置与真实场景中位置间的非线性映射转化为带高斯核的线性映射;然后,运用k重交叉验证方法对映射关系模型进行训练,获取优化模型参数;最后,利用单目摄像头采集机器人运动的连续图像,并根据机器人平台与其背景间的灰度差异特征实时识别图像中目标机器人平台,计算得到机器人平台形心在每一帧图像中的像素位置,进而映射出机器人平台在室内环境下的实时动态位置.实验结果表明:此定位方法能够为移动机器人在室内环境下提供高精度和无累积误差的实时定位信息;算法的精确性和可靠性得到了充分验证.
【文章来源】：华中科技大学学报(自然科学版). 2019,47(04)北大核心EICSCD
【文章页数】：6 页
【部分图文】：
Pioneer3嗅觉搜索机器人作为动态定位目标的Pioneer3嗅觉搜索机器人
瓮褂呕?侍獾募扑?复杂度，引入一种新型的支持向量机，即最小二乘支持向量机(leastsquaresSVM，LS-SVM)[16]．此方法具备支持SVM优化问题的不等式约束变为等式约束的简化特性：获得LS-SVM模型仅须求解一个线性方程组，它的算法复杂度低于SVM，性能却不亚于SVM，其对应的回归问题则称为最小二乘支持向量机回归(leastsquaresSVR，LS-SVR)．本研究利用LS-SVM建立图像中目标机器人像素位置和现实目标机器人位置映射的黑箱模型，即建立一种支持向量网络来预报机器人实时位置．如图3所示，选取89组一一对应的训练样本，为了降低图像畸变带来的误差，训练点在边界处选取较中央部分更为密集，获取一组映射(a，b)(x，y)，其中：(a，b)为机器人在图像中的形心点像素坐标位置；(x，y)为机器人实际环境中平面坐标位置．支持向量机属于一类有监督的机器学习．这种学习是一个随机过程，训练样本数据来自两个变量集合，分别为输入变量集合和输出变量集合D．此过程的随机性具体体现在：训练样本数据{()|12}kkSx，yk，，，m认为是在变量空间D按照一定的概率分布()kkPx，y独立地实现了m次，样本数据的生成带有不确定性，其中，每个样本数据输入向量nkxR，相对应样本输出kyDR．图3训练样本点二维平面图
·22·华中科技大学学报（自然科学版）第47卷机器学习的最终结果将会生成一个近似的非线性映射关系，即f:D．支持向量机的作用则是试图将输入的向量x映射到高维的特征空间H中去形成一个非线性回归．从而确保其在输入空间中达到一定近似度的非线性回归．设这种映射关系为:nxRH，具体可表达为12()(()()())nxΦxx，x，，x，．(1)非线性回归在高维特征空间中具有形式0fx，WWΦxb，(2)式中：W为非线性回归系数向量；0b为偏差项．根据式(1)和式(2)定义损失函数Ly，fx，W和经验风险函数eR，有220Ly，fx，WyWΦxbξ；211e11()22mmkkikiRfLyf，x，Wξ，(3)式中T12mξξ，ξ，，ξ为误差向量．根据式(3)建立LS-SVR模型为：022,,,11min22imibiiCξW‖W‖；s.b.ii0iyWΦxbξ，式中C为经验风险惩罚系数．借鉴求解优化问题的方法，对上述LS-SVR模型进行求解．a.设拉格朗日函数为202011122iiimmiiiibybξQCξ，，，‖‖，WξαWΦxW式中T12mα，，，为拉格朗日乘子向量．b.对式(4)求偏导数使其达到最小值，有010100000000miiimiiiiiiiiibbbbQQbQCξξQybξWξαWξαWξαWξαWΦx
【参考文献】：
期刊论文
[1]基于OpenCV的水下机器人单目定位技术研究与仿真[J]. 韩冲,苏涛,谢基榕. 计算机测量与控制. 2017(12)
[2]改进的单目视觉实时定位与测图方法[J]. 李帅鑫,李广云,周阳林,李明磊,王力. 仪器仪表学报. 2017(11)
[3]基于线结构光的双目视觉目标位姿测量研究[J]. 贺勇标,杨天龙,鲁国峰,廖建国. 机械工程师. 2017(05)
[4]室内单目视觉全局定位系统的设计与实现[J]. 李繤,刘瑶,洪良,张泽雨林,张丹. 工业仪表与自动化装置. 2017(01)
[5]激光与单目视觉融合的移动机器人运动目标跟踪[J]. 苑晶,刘钢墩,孙沁璇. 控制理论与应用. 2016(02)
[6]基于全景视觉机器人定位的路标提取方法[J]. 崔宝侠,张驰,栾婷婷,段勇. 沈阳工业大学学报. 2016(05)
[7]基于双目视觉的避障策略算法研究[J]. 张怀相,朱金成. 杭州电子科技大学学报. 2013(04)
[8]室内自主移动机器人定位方法研究综述[J]. 李群明,熊蓉,褚健. 机器人. 2003(06)
硕士论文
[1]基于激光与单目视觉融合的机器人室内定位与制图研究[D]. 梁潇.哈尔滨工业大学 2016
本文编号：3419412
【文章来源】：华中科技大学学报(自然科学版). 2019,47(04)北大核心EICSCD
【文章页数】：6 页
【部分图文】：
Pioneer3嗅觉搜索机器人作为动态定位目标的Pioneer3嗅觉搜索机器人
瓮褂呕?侍獾募扑?复杂度，引入一种新型的支持向量机，即最小二乘支持向量机(leastsquaresSVM，LS-SVM)[16]．此方法具备支持SVM优化问题的不等式约束变为等式约束的简化特性：获得LS-SVM模型仅须求解一个线性方程组，它的算法复杂度低于SVM，性能却不亚于SVM，其对应的回归问题则称为最小二乘支持向量机回归(leastsquaresSVR，LS-SVR)．本研究利用LS-SVM建立图像中目标机器人像素位置和现实目标机器人位置映射的黑箱模型，即建立一种支持向量网络来预报机器人实时位置．如图3所示，选取89组一一对应的训练样本，为了降低图像畸变带来的误差，训练点在边界处选取较中央部分更为密集，获取一组映射(a，b)(x，y)，其中：(a，b)为机器人在图像中的形心点像素坐标位置；(x，y)为机器人实际环境中平面坐标位置．支持向量机属于一类有监督的机器学习．这种学习是一个随机过程，训练样本数据来自两个变量集合，分别为输入变量集合和输出变量集合D．此过程的随机性具体体现在：训练样本数据{()|12}kkSx，yk，，，m认为是在变量空间D按照一定的概率分布()kkPx，y独立地实现了m次，样本数据的生成带有不确定性，其中，每个样本数据输入向量nkxR，相对应样本输出kyDR．图3训练样本点二维平面图
·22·华中科技大学学报（自然科学版）第47卷机器学习的最终结果将会生成一个近似的非线性映射关系，即f:D．支持向量机的作用则是试图将输入的向量x映射到高维的特征空间H中去形成一个非线性回归．从而确保其在输入空间中达到一定近似度的非线性回归．设这种映射关系为:nxRH，具体可表达为12()(()()())nxΦxx，x，，x，．(1)非线性回归在高维特征空间中具有形式0fx，WWΦxb，(2)式中：W为非线性回归系数向量；0b为偏差项．根据式(1)和式(2)定义损失函数Ly，fx，W和经验风险函数eR，有220Ly，fx，WyWΦxbξ；211e11()22mmkkikiRfLyf，x，Wξ，(3)式中T12mξξ，ξ，，ξ为误差向量．根据式(3)建立LS-SVR模型为：022,,,11min22imibiiCξW‖W‖；s.b.ii0iyWΦxbξ，式中C为经验风险惩罚系数．借鉴求解优化问题的方法，对上述LS-SVR模型进行求解．a.设拉格朗日函数为202011122iiimmiiiibybξQCξ，，，‖‖，WξαWΦxW式中T12mα，，，为拉格朗日乘子向量．b.对式(4)求偏导数使其达到最小值，有010100000000miiimiiiiiiiiibbbbQQbQCξξQybξWξαWξαWξαWξαWΦx
【参考文献】：
期刊论文
[1]基于OpenCV的水下机器人单目定位技术研究与仿真[J]. 韩冲,苏涛,谢基榕. 计算机测量与控制. 2017(12)
[2]改进的单目视觉实时定位与测图方法[J]. 李帅鑫,李广云,周阳林,李明磊,王力. 仪器仪表学报. 2017(11)
[3]基于线结构光的双目视觉目标位姿测量研究[J]. 贺勇标,杨天龙,鲁国峰,廖建国. 机械工程师. 2017(05)
[4]室内单目视觉全局定位系统的设计与实现[J]. 李繤,刘瑶,洪良,张泽雨林,张丹. 工业仪表与自动化装置. 2017(01)
[5]激光与单目视觉融合的移动机器人运动目标跟踪[J]. 苑晶,刘钢墩,孙沁璇. 控制理论与应用. 2016(02)
[6]基于全景视觉机器人定位的路标提取方法[J]. 崔宝侠,张驰,栾婷婷,段勇. 沈阳工业大学学报. 2016(05)
[7]基于双目视觉的避障策略算法研究[J]. 张怀相,朱金成. 杭州电子科技大学学报. 2013(04)
[8]室内自主移动机器人定位方法研究综述[J]. 李群明,熊蓉,褚健. 机器人. 2003(06)
硕士论文
[1]基于激光与单目视觉融合的机器人室内定位与制图研究[D]. 梁潇.哈尔滨工业大学 2016
本文编号：3419412
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3419412.html
