智能空间下基于云的物品识别和抓取研究

发布时间：2017-09-22 20:57

  本文关键词：智能空间下基于云的物品识别和抓取研究

  更多相关文章： 云机器人 云识别 物品识别 位姿估计 学习抓取 线性回归

【摘要】：智能自主的抓取操作是服务机器人研究的一大挑战。目前服务机器人智能水平单一,服务执行能力不足,远远未达到人们的期望水平。传统机器人侧重于提高其感知、计算和执行能力,以应对复杂环境下的抓取任务,这往往造成机器人个体笨重、造价昂贵。本文以智能空间与云技术相结合,以实现家庭环境下物品的识别与抓取操作为应用背景,针对在家庭等非结构化环境中对物体的准确识别、位姿估计和抓取算法规划等相关问题进行研究。针对家庭环境下物品种类繁多、环境复杂,难以对物品实现准确识别的情况。本文提出基于Vuforia云服务的物体识别与位姿估计方法。通过构建Vuforia云端图像数据库,利用Vuforia SDK实现对物品的识别和位姿估计。设计了基于Vuforia的物品识别和位姿估计实验,验证了该方法的有效性,并对实验结果进行详细的说明和分析。借助于Vuforia强大的功能,机器人可以大大提高自己的感知能力,并将复杂的识别任务卸载到云端进行,从而减轻机器人的存储和计算负担。由于第三方云平台所提供识别功能的局限性,无法完全满足机器人的任务需求。本文提出了基于智能空间虚拟云平台的物品分类方法。首先利用SIFT特征和特征描述子构建基于词袋模型(Bag-of-Word, BoW)的视觉词典,实现物品图像的特征向量表示形式。其次针对在虚拟云平台下的物体识别,提出了基于支持向量机的图像分类算法,实现了对多类物品的准确分类。最后在本地虚拟云平台下进行了实验,并验证了算法的有效性。相比于智能空间下机器人抓取操作,本文提出了基于云平台与智能空间技术,结合底层机器人平台,搭建云-智能空间-机器人抓取三层架构,设计并定义各层功能和任务要求。并以基于位置的视觉伺服为控制算法,设计了抓取仿真实验,分析并验证了此架构的合理性。为提高机器人在复杂环境下抓取操作的适应性,本文提出基于回归模型估计机器人期望抓取位姿的方法。首先,在训练数据提取阶段提出了基于PBVS算法,使用六维的变换向量来表征位姿关系的方法。其次,设计了学习训练算法,并利用大量的训练数据进行模型估计。最后,通过验证样本进行改进,确定估计模型的参数,获得最终的估计模型,并使用测试样本验证训练算法的有效性。
【关键词】：云机器人 云识别 物品识别 位姿估计 学习抓取 线性回归
【学位授予单位】：山东大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP242
【目录】：

• 摘要8-10
• ABSTRACT10-12
• 第一章 绪论12-20
• 1.1 课题的背景与研究意义12-13
• 1.2 相关问题研究现状13-17
• 1.2.1 云机器人抓取研究现状13-15
• 1.2.2 云识别的研究现状15-16
• 1.2.3 抓取学习的研究现状16-17
• 1.3 本文主要研究内容17-18
• 1.4 论文的章节安排18-20
• 第二章 Vuforia云识别与定位20-34
• 2.1 Vuforia云识别服务简介20-21
• 2.2 Vuforia物品数据库建立21-23
• 2.2.1 云图像数据库建立22-23
• 2.2.2 图像元数据整理23
• 2.3 基于Vuforia云识别的物品识别23-29
• 2.3.1 目标的定义和实现23-24
• 2.3.2 目标特征和图像评级24-26
• 2.3.3 Vuforia物品识别实验26-29
• 2.4 基于Vuforia的物品位姿估计29-31
• 2.4.1 Vuforia位姿估计实现29-30
• 2.4.2 位姿估计实验结果30-31
• 2.5 本章小结31-34
• 第三章 本地虚拟云平台下物体识别算法34-50
• 3.1 SIFT特征提取与匹配34-37
• 3.1.1 SITF特征提取与计算35-36
• 3.1.2 图像SIFT描述子生成36
• 3.1.3 基于SIFT特征匹配36-37
• 3.2 BoW模型图像特征表示算法37-40
• 3.2.1 BoW模型描述图像特征37
• 3.2.2 BoW词典生成和表示37-40
• 3.3 支持向量机图像分类算法40-44
• 3.3.1 SVM分类算法40-43
• 3.3.2 基于SVM的图像分类43-44
• 3.4 本地云平台的图像分类实验44-49
• 3.4.1 智能空间云数据库45
• 3.4.2 分类实验离线训练和在线识别45-48
• 3.4.3 实验结果与分析48-49
• 3.5 本章小结49-50
• 第四章 云-智能空间-机器人抓取架构设计50-64
• 4.1 实验平台介绍50-52
• 4.1.1 移动机械臂平台50-51
• 4.1.2 StarGazer红外定位51-52
• 4.2 移动机械臂运动学建模与分析52-54
• 4.2.1 运动学正解52-53
• 4.2.2 运动学逆解53-54
• 4.3 云-智能空间-机器人抓取架构54-57
• 4.3.1 智能空间-机器人架构设计54-56
• 4.3.2 三层架构设计56-57
• 4.4 视觉伺服抓取系统设计57-62
• 4.4.1 PBVS控制律设计57-58
• 4.4.2 PBVS仿真实验58-60
• 4.4.3 三层架构下PBVS设计60-62
• 4.5 本章小结62-64
• 第五章 基于回归模型的抓取规划算法设计64-80
• 5.1 基于PBVS的抓取算法推导64-66
• 5.2 基于线性回归模型的抓取实验设计66-73
• 5.2.1 线性回归模型的算法概述66-68
• 5.2.2 训练样本采集68-71
• 5.2.3 基于线性回归模型位姿估计算法训练71-73
• 5.3 参数选取及实验73-78
• 5.3.1 交叉验证集和测试集选取73-74
• 5.3.2 学习曲线分析74-75
• 5.3.3 正则化参数λ选取75-76
• 5.3.4 模型测试及分析76-78
• 5.4 本章小结78-80
• 第六章 工作总结与展望80-82
• 6.1 论文的主要研究内容80-81
• 6.2 进一步研究方向81-82
• 参考文献82-87
• 致谢87-88
• 硕士期间参加的科研工作88-89
• 附件89

【相似文献】

中国期刊全文数据库 前10条

1 余意;易建强;赵冬斌;;智能空间研究综述[J];计算机科学;2008年08期

2 郑誉煌;李迪;叶峰;;智能空间的情景感知冲突研究[J];计算机工程与应用;2010年33期

3 伦永亮;程良伦;;智能空间可靠感知防冲突模型的研究与仿真[J];计算机仿真;2012年10期

4 杜锐;;智能空间中动态资源约束技术研究[J];制造业自动化;2010年13期

5 张t焧，

本文编号：902793