一、基于彩色视觉和模糊控制的移动机器人路径跟踪（论文文献综述）
袁旺[1]（2019）在《基于脑—机接口的轮式移动双臂机器人控制方法研究》文中指出脑控技术在医疗康复、军事科学、科研教育、智能家居、休闲娱乐等领域具有巨大的应用价值和应用潜力。当前基于脑电信号（electroencephalograph,EEG）的机器人脑控技术在实时性、稳定性、精准性、安全性、鲁棒性和自适应性等多方面存在诸多问题。本文针对当前机器人脑控技术的不足,研究了一类复合型机器人——轮式移动双臂机器人的脑控方法。结合脑-机接口（brain-computer interface,BCI）技术与机器人控制方法,给出了物理约束下脑控冗余机械双臂（操作臂）的不对称操控、复杂环境中脑控非完整轮式移动平台（底盘）的导航避障、物理约束下脑控多个非完整轮式移动平台的并行操控等问题的解决方案,并进行了理论分析与实验验证,实现了轮式移动双臂机器人高效的人机交互。本文主要工作总结如下:1.在分析SSVEP脑电信号生理特征的基础上研究设计了多通道采集、多步骤滤波、多算法解码的SSVEP-BCI系统,并阐明了脑电信号采集转换、滤波处理、特征提取和分类识别的技术实现流程。开展的实验验证了系统的性能,并对功率谱密度分析（power spectrum density analysis,PSDA）、支持向量机（support vector machine,SVM）、典型相关分析（canonical correlation analysis,CCA）和多变量同步指数（multivariate synchronization index,MSI）四种脑电识别算法的分类识别效果进行了比较分析。2.针对物理约束下脑控冗余机械双臂的不对称操控问题,提出了操控双臂末端执行器相对运动的脑控策略。首先,利用相对雅克比矩阵把双臂的运动规划问题简化为一个机械臂的运动规划问题;然后,提出了相比常规曼哈顿网格脑控方式更安全的极坐标脑控方式来控制简化后的机械臂的末端执行器在限定平面内的运动,脑电分类结果对应末端执行器在极坐标系下的径向和转向运动以规划其在限定平面内的轨迹;由于自由度冗余,任务空间轨迹在向关节空间转化时存在着多解或无穷解,为了找到满足优化准则且考虑关节位置和关节速度限制等物理约束的最优解,将这个带有约束条件的运动优化问题转化为二次规划（quadratic programming,QP）问题;最后,采用基于线性可变不等式（linear variational inequalities,LVI）的原对偶神经网络（primal-dual neural network,PDNN）简化计算量在线求解此二次规划问题得到最优关节角速度,从而获得机械臂关节空间的最优轨迹,避免了关节偏差角现象,保障了脑控机械双臂相对运动的可重复性、实时性和安全性。3.针对复杂环境中脑控非完整轮式移动平台的导航避障问题,提出了适用于地面打滑、颜色杂乱、光线不均、多障碍物环境中的半自主脑控导航避障策略。首先,提出了多源信息融合的同步定位与构图（simultaneous localization and mapping,SLAM）方法保障了机器人在地面打滑、背景颜色杂乱、光线不均匀环境中的实时定位与精准构图;然后,提出了具有全局位姿收敛性质的人工势场（artificial potential field,APF）法进行障碍物环境下安全的路径规划,其在避障的同时可克服非完整约束实现机器人位姿的收敛;接着,为适应地面打滑干扰,运用基于微分平坦理论的鲁棒控制器来跟踪规划的瞬时轨迹,其全面地考虑机器人与地面横向、纵向、转向打滑来抵消和抑制打滑干扰。以上三者结合的导航策略在非完整轮式移动平台的每一控制周期内形成了定位更新、路径搜寻、轨迹生成、轨迹跟踪的闭环结构,使得在线导航精准、稳定而高效。最后,在上述导航策略基础上,创造性地提出了EEG信号改变人工势场的轮式移动机器人脑控方法,定义了脑电分类结果与作用于非完整轮式移动平台上人工势场分布的转换关系,从而形成了人的控制意图与机器人避障行为的直觉映射,机器人在人工势场作用下自动向目标位姿收敛,这种半自主脑控导航避障方式减少了操作者操作负担。4.针对物理约束下脑控多个非完整轮式移动平台的并行操控问题,提出了基于非线性模型预测控制（nonlinear model predictive control,NMPC）的领航-跟随型编队控制方法,通过脑-机接口控制编队系统中的领航机器人来实现对多机器人的脑控操作。首先,在受脑控的领航机器人上设置两个特征点,根据相机透视投影模型,借助图像坐标系、摄像头坐标系、跟随机器人坐标系和惯性坐标系之间的映射关系,建立起多个非完整轮式移动机器人的视觉编队运动学模型;然后,采用模型预测控制考虑系统的非完整约束、输入约束和系统状态约束等来稳定系统,把模型预测控制滚动优化过程中的最小化代价函数问题转化为二次规划问题;最后,通过基于线性可变不等式的原对偶神经网络优化方法在线快速求解编队控制二次规划问题的最优解。通过提出的领航-跟随型编队控制方法,跟随机器人可从不同的初始状态镇定到由脑控领航机器人所带领的运动状态。由于运用的模型预测控制是一种滚动时域的闭环优化控制策略具有较好的抗干扰能力,且控制过程中周全地考虑了编队系统的各物理约束,此外运用的原对偶神经网络能快速求解模型预测控制过程中的优化问题,因此提出的编队控制方法对应地保障了脑控多机器人并行操作较好的稳定性、鲁棒性、平滑性、安全性以及实时性。
徐民强[2]（2019）在《基于标识线的移动机器人视觉导航与路径跟踪研究》文中研究表明导航技术是移动机器人研究的关键技术之一,其中视觉导航获取信息量丰富、灵敏度高、可扩展性好,是移动机器人导航的一个主要发展方向。由于标识线路径设置和变更较为容易,技术成本低,并且相对于其他视觉方法如三维视觉识别技术来说,基于标识线的图像处理速度快,实时性好,可靠性高。本文研究了基于标识线导引的移动机器人视觉导航和路径跟踪,针对图像中的路径提取问题,提出了一种高效的标识线提取方法,同时为提高机器人运行的稳定性,设计了具有平稳滤波且高效的模糊控制方法,并在不同场景下验证可行性。主要研究内容包括:1.针对图像中的噪声和环境干扰问题,提出一种可以从复杂环境中提取标识线的方法,首先通过高斯滤波处理输入图像,利用Canny算子检测出标识线轮廓,并通过Hough变换提取标识线边缘直线,最后采用FloodFill算法从边缘线中提取出标识线路径区域,该方法提取的标识线路径信息具有高度抗噪性。最终将路径区域通过形态学滤波方法细化,提取出标识线中心线,实验证明该方法提取的标识线中心线准确度较高。2.为提高标识线图像处理的可靠性,在需要停靠或转弯的地方设置数字路标,采用KNN分类器训练数字路标样本,使机器人在运行过程中识别到数字路标后改变其跟踪策略,一定程度上减少了标识线图像的处理时间。面对多交叉口路径时,通过事先编码路径信息,使机器人在面对多交叉口路径时能按照路径信息实现控制转向。3.在图像空间中采用预瞄点跟踪标识线,针对标识线图像处理与识别的结果,建立机器人的机体模型和两轮驱动运动模型,采用卡尔曼滤波和模糊控制法结合,实现对机器人运行的纠偏控制,实验证明该控制方法能较好的达到跟踪标识线的目的,且运行过程较为稳定。4.搭建基于ROS机器人操作系统下的开发平台,设计并实现了标识线图像处理与识别模块和路径跟踪模块的开发。在直线路径、转弯路径和障碍物遮挡场景下验证了本文所设计方法的可行性。
马晓敏[3]（2018）在《移动机器人3D V-SLAM与运动控制中关键问题的研究》文中研究说明自主导航是指移动机器人通过自身携带的传感器探测周围环境和估计自身状态,并在无人干预的情况下从起始位置无碰撞的运动到目标位置的过程。自主导航的实现包括同步定位与地图构建（Simultaneous Localization and Mapping,SLAM）、路径规划和运动控制三个部分。SLAM是移动机器人实现自主导航的前提与关键,运动控制是移动机器人导航过程中完成各项任务的基础和保障。本文围绕移动机器人自主导航中的三维视觉SLAM（简称3D V-SLAM）和运动控制展开研究。目前,基于Kinect的移动机器人3D V-SLAM是实现SLAM的主流方法。该方法包括前端线程和后端线程两个部分,前端线程通过对图像进行特征提取与匹配和点云配准实现局部环境模型更新,并估计移动机器人的位姿;后端线程则对前端线程的结果进行全局优化。因此,特征提取与匹配和点云配准的精度直接影响到整个移动机器人3D V-SLAM的性能。根据控制目标的不同,运动控制可分为点镇定控制、轨迹跟踪控制和路径跟踪控制。移动机器人在自主导航过程中,受环境等外部因素的影响往往会出现位姿变化较大的情况,此时Kinect获取的图像和点云会发生较大的视角变化,同时也会引起运动控制过程中移动机器人跟踪误差较大的问题。因此,如何保证大视角变化下特征提取与匹配和点云配准的有效性,以及跟踪误差较大时轨迹跟踪控制与路径跟踪控制的准确性和快速性,对实现高性能的移动机器人自主导航至关重要。本文围绕上述关键问题展开深入研究,主要内容有:1.针对大视角变化下的快速有效特征提取与匹配问题,提出了具有较好快速性和全仿射不变性的A-ORB算法。该算法借鉴了仿射不变性特征变换（Affine-SIFT,ASIFT）算法对仿射变换进行模拟的思想,保证了算法的抗视角变化能力;采用快速定向旋转（Oriented FAST and Rotation BRIEF,ORB）算法对模拟后的图像进行特征提取,使得算法在特征提取环节具有较好的快速性;采用汉明距离代替欧氏距离缩短了算法在匹配环节的用时。实验结果表明A-ORB算法不仅继承了 ASIFT算法抗视角变化的能力,而且保留了 ORB算法的快速性。2.针对A-ORB算法特征描述环节耗时长和匹配步骤冗余的问题,提出了具有更好快速性和全仿射不变性的AFREAK算法。该算法采用快速视网膜关键点（Fast Retina Key-point,FREAK）描述子进行特征点描述,解决了 A-ORB算法特征描述环节的耗时问题;设计了一种新的匹配策略,简化了匹配步骤。实验结果表明该算法不仅具有全仿射不变性,而且快速性较A-ORB算法显着提高。将该算法用于解决大视角变化下图像拼接的耗时问题,提出了基于AFREAK算法的图像拼接方法,并进一步验证了 AFREAK算法的快速性。3.针对大视角变化下的点云配准问题,提出了一种基于ASIFT仿射不变特征的点云配准方法。该方法采用ASIFT算法对具有大视角变化的图像进行特征提取与匹配,根据优化随机采样（Optimized Random Sample Consensus,ORSA）算法剔除误匹配点;由匹配点和对应的深度信息获得三维特征点云并结合单位四元数法估计点云之间的初始变换矩阵;采用基于特征点的最近点迭代（Iterative Closest Points,ICP）算法进行精确配准。实验结果表明所提方法能够实现大视角变化下高精度的点云配准。4.为了实现大视角变化下移动机器人高性能的3D V-SLAM,基于本文提出的AFREAK算法、点云配准方法和后端优化算法设计了适用于大视角变化的移动机器人3D V-SLAM系统。基于标准数据集的离线实验和真实场景中的在线实验结果表明,本文设计的系统能够实现准确的三维环境建模、闭环检测和移动机器人运动轨迹的估计。5.针对跟踪误差较大时移动机器人反演轨迹跟踪控制中的速度跳变与速度跟踪问题,提出了一种采用生物启发模型和反演滑模控制的移动机器人轨迹跟踪控制系统。仿真结果表明该控制系统能够有效解决速度跳变问题,并实现准确的速度跟踪和轨迹跟踪。6.针对基于指数趋近律的一阶动态滑模路径跟踪控制中误差收敛速度慢的问题,设计了一种基于双幂次趋近律的移动机器人快速路径跟踪控制系统。通过仿真和实际实验对所提控制系统的快速性和准确性进行了验证。
关柏青[4]（2002）在《基于彩色视觉和模糊控制的移动机器人路径跟踪》文中认为近年来，视觉导航成为移动机器人导航的一个发展趋势。在移动机器人视觉导航技术研究中，如何利用视觉技术快速而准确地识别人为铺设或环境中自然存在的路径以及如何提高移动机器人的路径跟踪能力是关键性的问题。在天津市自然科学基金“面向复杂任务的移动机器人系统技术研究”（项目编号：003601211）和河北省攻关计划“用于物料自动传输的自主车精确导航的研究”（项目编号：00547001D-18）的支持下，本文对移动机器人的视觉技术及路径跟踪策略进行了较为系统深入的研究，提出了基于彩色视觉和模糊控制的移动机器人路径跟踪方法，本文的主要工作和创新点包括： 介绍了HEBUT-Ⅰ型移动机器人的结构，并对移动机器人的驱动系统特性及运动学特征进行了分析。 设计了HEBUT-Ⅰ型移动机器人视觉系统。建立了移动机器人的摄象机模型，从而完成了摄象机的逆模型变换，使路径信息成功地从象空间中恢复出来。对各种图象分割方法进行了实验，将基于HSI空间颜色阈值的区域分割法应用于移动机器人路面图象分割，该方法抗噪声能力强，所利用的信息量大，不受光照条件变化的影响，运算简单，提高了复杂路面图象分割的准确性和实旷性。 在介绍模糊控制基本原理的基础上，设计了一种适用于利用视觉导引的移动机器人路径跟踪系统的模糊控制器。 进行了移动机器人路径跟踪系统设计。为简化环境，采用人工铺设路径和路标的方法导引移动机器人。将铺设的路径和路标分别设置为两种不同颜色，并使用离线确定的两种HSI颜色阈值进行区分割，避免了在线确定分割阈值以及区分路径和路标区域的复杂过程，提高了系统的实时性。实现图象分割后先判断目标图象中的路标是否完整，然后利用行扫描法及不变矩法识别路径和路标，实时性好。分另嘶究了移动机器人识别到路径和路标后不同的跟踪策略，并对视觉系统的滞后进行了修正。对系统进行了大量实验，结果表明本文提出的方法是一种简单有效的移动机器人路径跟踪方法。
邢国芬[5]（2008）在《基于多传感器信息融合的移动机器人环境感知研究》文中认为随着移动机器人应用领域的逐渐扩大,它们的工作环境也将复杂多样。移动机器人的环境感知系统负责获取机器人内部状态和外部环境信息,是机器人进行决策规划的基础。国内外许多研究人员正致力于移动机器人环境感知方面的研究,通过在移动机器人上安装多种传感器,并利用信息融合方法将所得信息融合,得到环境的一致性描述。随着传感器和计算机技术的发展,基于多传感器信息融合的环境感知研究会更加深入,出现更多的成果。本文在河北省自然科学基金项目“面向公共安全的移动机械手目标辨识与定位”（项目编号:E2006000030）支持下,以实验室自主研制的HEBUT-Ⅱ型移动机器人为研究对象,针对基于多传感器信息融合的移动机器人环境感知问题,从多个方面进行了深入的系统研究。主要研究内容如下:1.介绍了由本实验室自行研制的HEBUT-Ⅱ型移动机器人的硬件体系结构和车体结构,并对其驱动系统和运动学特性进行了分析。在对车体上的各种传感器简要概述的基础上,确定了HEBUT-Ⅱ型移动机器人的环境感知策略。2.建立了移动机器人的路径跟踪摄像机模型,完成了逆模型变换。并将基于HSI空间颜色阈值的区域分割法应用于移动机器人路面图像分割,该方法抗噪声能力强,所利用的信息量大,不受光照条件变化的影响,算法简单。这些都有利于提高复杂路面图像分割的准确性和实时性,使路径信息成功地从图像空间中恢复出来。根据模糊控制器的设计过程,设计了适合HEBUT-Ⅱ型移动机器人的模糊控制器,进行了移动机器人的路径识别跟踪实验,验证了方法的可行性。3.介绍了多传感器信息融合的方法。通过对它们的特点进行对比,将基于模糊神经网络的信息融合技术应用到移动机器人自主避障中将CCD摄像机和超声传感器信息进行融合。在本实验室内,进行了HEBUT-Ⅱ型移动机器人自主避障实验,验证了该方法有效可行,实现了移动机器人的无冲突运行。
张建畅[6]（2008）在《基于移动机械手的危险化学反应器泄漏监控与修补系统技术研究》文中认为移动机器人研究是机器人学中的重要分支。目前,随着机器人技术的不断进步,移动机器人的应用领域越来越广泛,其重要发展方向是全自主化。在石油化工等行业,一旦发生有毒有害气体的泄漏而未采取有效的措施,将会对人员及国家财产产生极大的影响,甚至发生毁灭性的灾难。对气体泄漏及早做出判断,在泄漏事故未扩大之前采取有效措施,就可以避免安全事故的发生。本论文以石家庄化纤厂危险化学储罐和反应器为背景,在国家863计划“危险化学反应器泄漏检测与修补移动机械手系统”（2003AA421040）的支持下,对危险气体的泄漏监控与报警系统、基于移动机械手的泄漏修补以及多传感器融合方面展开了研究,取得了如下一些创新性的成果:1、以危险化学反应器和储罐的泄漏监控与修补为背景,研制和开发了HEBUT-2型移动机械手,阐述了其结构、驱动系统以及硬件体系,所研制的HEBUT-2型移动机械手采用同侧轮并联驱动的方式,这种结构显着的优点是最小转弯半径为零。该移动机械手车体采用上、中、下三层结构,上层为传感器层,中层为数据处理及决策层,下层为驱动层。主要功能是通过采用CCD摄像机提取图像实现移动载体的路径跟踪,基于超声传感器、CCD以及气体传感器信息融合的目标定位,无线通讯模块实现远程控制。2、针对本课题的实际应用背景,提出了适于危险环境下工作的化学反应器泄漏监测和远程报警系统,该报警系统采用固定式检测、无线数据传输的方式,提出了基于三层单元的无线数据传输模式;结合工作过程中的实际要求,为了保障系统的可靠性,采用了由上到下定时自检的方式,一旦发现自检失败,则产生自检失败报警信息。对于泄漏报警信息的传递,采用了由下到上的方式进行多次报警,直至接收到应答信号后停止报警。针对从顶层所传来的信息的不同,设计了泄漏报警和自检失败报警两种不同的报警形式,通过采用窗口对话框的形式来完成报警信息的传递,该方法提高了数据传输的正确性;同时,将黑匣子的概念引入到泄漏检测报警系统中,对分析现场情况、查找故障原因具有非常重要的意义。3、针对现场化学反应器泄漏的两种可能性,即:微量泄漏和突发泄漏,提出了适合危险化学品泄漏的胶粘封堵方法和磁密封方法,并研制完成了在微量泄漏情况下具有快速、混合比例可调、喷出量可控、结构简单等特点的胶粘封堵装置以及在突发泄漏情况下具有快速、带压作业的柔性磁密封装置。4、在对移动机械手的视觉导航及目标辨识技术进行了系统深入研究的基础上,提出了基于彩色视觉、模糊控制和人工神经网络的移动机械手导航方法,为适应不同工况条件,将计算机视觉和光电传感器进行结合,提高了移动机械手路径跟踪的定位精度和准确性;设计了HEBUT-2型移动机械手视觉系统,建立了移动机械手的摄像机模型,完成了摄像机的逆模型变换,使路径、路标信息成功地从图像空间中恢复出来,在此基础上,对各种图像分割方法进行了实验,将基于HSI空间颜色阈值的区域分割法应用于移动机械手路面图像分割,该方法抗噪声能力强,所利用的信息量大,不受光照条件变化的影响,运算简单,提高了复杂路面图像分割的准确性和实时性。在路标识别系统的设计上,为简化环境,采用人工铺设的12条红色路径,红色路径上粘有六种绿色路标的方法实现对移动机械手的导航,并使用离线确定的两种HSI颜色阈值进行区域分割,避免了在线确定分割阈值以及区分路径和路标区域的复杂过程,提高了系统的实时性,通过在HEBUT-2型移动机械手进行的大量实验,结果表明本文提出的方法是一种简单有效的移动机械手视觉导航方法。5、对机械手的视觉与超声信息的融合进行了研究,并将其应用于机械手末端的精确定位。对于机械手的视觉系统,研究了其预处理过程,产生一幅易于计算机识别和理解的二维目标图像,同时由超声传感器来提供第三维的距离信息。试验表明,该方法可以将机械手末端至封堵起始点的三维距离信息提取出来,应用于机械手末端的精确定位,为机械手下一步实施喷胶封堵作业打下良好的基础。
赵海文[7]（2007）在《基于多传感器的移动机器人行为控制研究》文中研究指明随着机器人应用范围的不断拓宽,机器人的工作环境也越来越复杂,而且往往是未知的、动态的、非结构化的。在这种环境下实时地完成各种任务,对机器人的行为控制提出了新的挑战。通过全面了解和分析国内外移动机器人的控制体系结构和导航技术的研究现状,针对基于车载视觉导航技术中存在的从固定视角获得丰富环境视觉信息能力与获取和维护大范围动态环境模型能力差等问题,提出了基于分布式全局视觉和主动视觉（局部视觉）与超声、红外等多传感器相结合的移动机器人行为控制方法。以固定区域非结构化动态环境为基础,构建了一个移动机器人自主导航控制实验系统。以其为平台研究基于目标任务的移动机器人行为控制中的环境感知、行为决策、运动控制、分布式视觉智能体的任务分解与协调控制等方面的相关策略和实现方法。本文从事的主要研究工作内容如下:设计并实现了一套基于多传感器的移动机器人自主导航控制实验系统ANCES。该系统主要由移动机器人（RIRA-II ROBOT）、分布式视觉系统和无线通信系统组成。可应用于移动机器人行为控制、主动视觉（局部视觉）导航和分布式全局视觉导航等其它相关技术的研究。对移动机器人的体系结构进行了研究,提出一种基于模块化并行通信的多微处理器分布式控制体系结构并应用于RIRA-II ROBOT硬件系统设计。各模块采用独立微处理器完成控制及信息处理功能,实现了多模块并行运行;模块之间采用的并行通信方式提高了信息传输速度,同时简化了系统的软件设计。RIRA-II ROBOT软件采用慎思/反应混合式分层控制体系结构,自上而下分为人机交互层、任务规划层和行为控制层三个层次。研制了一种基于多微处理器的分布式超声探测系统。该探测系统由传感器工作模式控制模块和智能超声测距模块阵列组成。超声测距模块由独立的微处理器控制一个超声传感器,完成测距信息预处理,并可根据不同的控制策略实现分组并行工作,提高了探测系统的实时性;智能测距模块采用“阈值比较法”和“改进型递推平均滤波法”处理测距数据,有效地抑制了探测系统中超声波随机干扰信号及串扰信号,提高了探测系统的准确性。对基于多传感器（视觉、超声、红外）信息的移动机器人行为控制策略进行了研究,采用基于优先级行为决策控制策略,并利用视觉信息使机器人能够完成面向目标的任务。RIRA-II ROBOT包含了三个行为模块:“趋向目标行为”、“模糊控制行为”和“解死锁行为”,每一行为都具有特定的优先级。行为仲裁器根据并发行为的优先级确定竞争获胜行为,由获胜行为控制移动机器人动作。对分布式视觉系统的组成及工作原理进行了研究。利用图像拼接技术获取移动机器人工作环境的全局场景图像;利用四叉树对环境建模,根据路径最短约束条件完成路径搜索,运用三次样条曲线拟合法对搜索路径进行处理,生成从起点到终点的无碰撞全局路径;对全局路径进行任务分解,将分解后的路径分配到各相关视觉智能体,为视觉智能体对移动机器人进行控制提供任务依据。视觉智能体通过任务协调机制完成对移动机器人全局导航控制。对移动机器人全局导航控制中动态避障策略进行了研究。将出现在由分布式视觉系统规划完成的路径上的障碍定义为动态障碍,并将其分成行人、运动障碍物和静止障碍物三类。机器人利用超声探测信息、人体红外感应检测信息和主动视觉信息识别障碍类型;并分别采用行人警示避让策略、运动障碍物等待避让策略和静止障碍物组合避障策略,实现移动机器人全局导航中的动态避障控制。对基于分布式视觉的移动机器人路径跟踪控制进行了研究。采用一种基于定步长预瞄点的路径跟踪模糊控制方法。将机器人的运动控制简化为对其绕瞬心的转动控制,以移动机器人当前位置和期望位置的差值,当前位置移动机器人航向角和下一个控制周期期望路径上预瞄点的航向角差值作为模糊控制器的输入,以移动机器人的转动角速度作为模糊控制器的输出,实现了路径跟踪的模糊控制。ANCES中的基于并行通信的多微处理器分布式控制体系结构,分布式视觉系统的设计与实现方法具有实用性和可扩展性,对开展智能领域相关技术的研究具有理论意义和实用价值。
武曌晗[8]（2021）在《四足导盲机器人环境感知方法研究》文中指出因城市环境具有行人较多、车流量大、复杂多变等特点,导致盲人独自出行时存在较大的安全风险。而现有的导盲机器人大多只具备基础的避障功能,且受地形的限制较大,不能很好地适应城市室外环境。为此,本文基于四足机器人移动平台提出了一种面向城市环境导盲需求的感知方法,该方法能够融合复杂的环境信息对室外环境进行综合分析,以帮助盲人在行走过程中合理选择路径,避免危险事故的发生。本文基于四足机器人移动平台,给出了导盲系统的详细设计方案,并结合该系统的特点,从静态目标检测算法、动态目标跟踪算法及目标距离测算算法三个方面进行研究,对相关算法原理进行详细阐述与介绍,对各环节涉及到的关键性技术进行了研究与实践,综合形成了面向城市环境导盲需求的感知方法。其中,主要的创新点在于:通过数据加强的方式对基于YOLOv3-tiny的深度网络检测模型进行了优化,实现了综合分析路况和交通信息的室外导航功能;并将检测模型与Kalman跟踪算法、深度检测算法进行结合,对动态目标的位置信息进行进一步分析。具体工作概括如下:第一,分析了导盲机器人研究现状和盲人独自出行时的需求,设计了四足式机器人移动平台,确定了系统的环境感知、人机交互和定位导航方案。第二,以YOLOv3-tiny检测算法建立本论文目标检测原始模型,对交通标志牌、红绿灯、盲道和斑马线均能实现快速、准确识别;并通过对比度调整、添加传输噪声、旋转图像和增加运动模糊的数据加强方式模拟极端天气、摄像头抖动等恶劣情况对检测效果的影响,提高了模型的环境适应性和鲁棒性。第三,针对YOLOv3-tiny算法在连续帧图像检测中易出现漏检、边框不准确的现象,选择了 Kalman滤波算法对动态目标进行跟踪,有效降低测量误差,平滑轨迹,进行合理的目标轨迹预测;并对算法进行完善,增加了自动确定目标、多目标同时跟踪的功能。第四,配准彩色相机和深度相机,采用基于结构光的深度检测技术对目标进行准确定位。最后,总结了本论文全部工作,提出了下一步的研究方向。
徐晓倩[9]（2021）在《基于视觉导引的AGV路径跟踪及避障策略研究》文中指出AGV（Automated Guided Vehicle）作为一种24小时无间断连轴作业的智能导引设备,可代替工人实现操作过程的无人化流程运转。数字图像处理技术和机器视觉领域的兴起,推动了AGV视觉导引技术的发展,且视觉导引方式灵活、成本低。本文针对视觉导引AGV按预设路径运行问题,进行路径跟踪控制研究,结合PID控制算法的简单、易实现,模糊控制算法的推理能力和神经网络算法的高效学习能力进行控制器的设计,改善了采样时间滞后问题,优化模糊推理,实现参数在线自整定,控制器性能稳定且纠偏性良好;同时进行避障策略方案的设计,制定避障安全区域、建立避障模型和测距模型实现AGV无碰撞绕行障碍物;最后联合Prescan建模,基于四组路径跟踪仿真实验验证本文设计的AGV模糊神经网络PID控制器的时效性和稳定性。具体研究内容和成果如下:（1）首先对采集的图像进行预处理,将RGB数据格式图像转换为灰度图像,采用改进的自适应中值滤波进行降噪增强处理,基于自适应Ostu阈值分割算法将导引线和障碍物与背景分割开;基于图像特征采用Canny算子进行边缘检测,利用Hough变化识别路径边界线并进行中心线的拟合,检测出障碍物并用矩形框进行标注。（2）设计避障策略方案。制定避障安全区域,基于障碍物相对于导引线的位置,建立三种避障模型;基于针孔成像模型,分别建立障碍物相对于AGV的纵向测距模型和横向测距模型,进行摄像机标定和测距实验,验证了本文设计的测距模型有效性;依据避障模型进行AGV避障仿真。（3）采用导向驱动式AGV车体结构,建立相应运动学模型;本文基于PID算法,设计PID+前馈控制器改善传统PID控制器采样时间滞后问题,结合模糊控制算法设计模糊PID控制器解决PID无法在线调参问题,融合神经网络算法设计模糊神经网络PID控制器优化模糊逻辑推理;加入噪声干扰分别建立相应控制系统模型,仿真对比分析得本文设计的模糊神经网络PID控制器不易引起振荡,响应速度快,稳定性好。（4）建立AGV车体3D模型和3D场景模型,联合Simulink进行AGV路径跟踪仿真实验,针对直线路径、圆弧路径、直线过渡圆弧路径和曲线路径分别进行了跟踪控制验证。结果表明,在有噪声信号干扰作用下,本文设计的AGV模糊神经网络PID控制系统能够较快地跟踪路径,其鲁棒性、时效性以及控制稳定性效果理想。
邓威耀[10]（2021）在《室内移动机器人路径规划与跟踪控制研究》文中进行了进一步梳理在如今高速发展的今天,借着人工智能的东风,机器人产业也同时迎来了大爆发时期。各类机器人不断涌现,从日常生活中的扫地机器人到快递行业的物流机器人再到消防机器人等特种机器人,机器人正越来越引起人们的注意,同时也正发挥着越来越重要的作用。本文主要针对移动机器人关键技术路径规划与跟踪控制进行研究,具体内容如下:首先,针对移动机器人的环境建图进行阐述,介绍了常用的几种地图搭建方法,本文选用的为栅格地图,分析了栅格地图中的栅格化和障碍物处理的解决方法。并对移动机器人的坐标系和运动学分别进行了建模。其次,对基于RRT*算法的移动机器人全局路径规划进行研究。阐述了RRT算法和RRT*算法的基本原理和不足。针对RRT*算法随机性强,收敛速度慢等问题,提出了一种改进RRT*算法,通过引入多目标偏置采样和多约束椭圆采样策略对RRT*进行改进,并进一步引入3次B-样条插值对RRT*算法规划路径平滑度进行优化,并通过MATLAB仿真实验验证了改进算法的有效性。再次,对局部路径规划和跟踪控制进行了研究。针对全局路径规划在未知环境中的局限性,引入局部路径规划,并做了仿真验证。设计了基于模型预测控制的轨迹跟踪控制器,对移动机器人运动学模型线性化处理,将移动机器人运动学模型作为模型预测控制的预测模型,构造目标函数并施加约束,改善路径跟踪质量。最后,搭建基于移动机器人操作系统（ROS）的移动机器人平台,并在室内搭建适合的实验环境,分别针对路径规划和跟踪控制在不同场景下进行实体机器人实验,从实际运用的角度对算法再次进行了验证。
二、基于彩色视觉和模糊控制的移动机器人路径跟踪（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于彩色视觉和模糊控制的移动机器人路径跟踪（论文提纲范文）
（1）基于脑—机接口的轮式移动双臂机器人控制方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 主要符号对照表 |
| 英文缩略词 |
| 第一章 绪论 |
| 1.1 研究意义 |
| 1.2 国内外脑控机器人研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 脑控机器人关键技术 |
| 1.3.1 脑-机接口技术 |
| 1.3.2 冗余机械臂逆运动学优化 |
| 1.3.3 移动机器人自主定位 |
| 1.3.4 移动机器人路径规划 |
| 1.3.5 移动机器人运动控制 |
| 1.3.6 存在问题与挑战 |
| 1.4 研究内容及论文结构 |
| 1.5 本章小结 |
| 第二章 基于稳态视觉诱发电位的脑-机接口系统设计 |
| 2.1 引言 |
| 2.2 SSVEP脑-机接口介绍 |
| 2.3 SSVEP诱发界面设置 |
| 2.4 SSVEP信号采集 |
| 2.5 SSVEP信号分析 |
| 2.5.1 功率谱密度估计 |
| 2.5.2 支持向量机 |
| 2.5.3 典型相关分析 |
| 2.5.4 多变量同步指数 |
| 2.6 脑电信号分类识别实验 |
| 2.7 本章小结 |
| 第三章 物理约束下脑控冗余机械双臂的不对称操控 |
| 3.1 引言 |
| 3.2 双臂相对运动及相对雅可比矩阵 |
| 3.3 脑电分类结果与末端执行器运动的映射关系 |
| 3.4 基于原对偶神经网络优化的关节空间控制 |
| 3.5 系统构建与实现 |
| 3.5.1 硬件组成 |
| 3.5.2 软件设计 |
| 3.6 系统交互过程 |
| 3.7 实验分析 |
| 3.8 本章小结 |
| 第四章 复杂环境中脑控非完整轮式移动平台的导航避障 |
| 4.1 引言 |
| 4.2 非完整轮式移动平台运动学模型 |
| 4.3 多源信息融合的同步定位与构图 |
| 4.3.1 凹型矩形特征提取 |
| 4.3.2 彩色二维码特征提取 |
| 4.3.3 基于扩展卡尔曼滤波的多源信息融合 |
| 4.3.4 基于激光传感器信息的全局地图构建 |
| 4.4 基于人工势场的轨迹规划方法 |
| 4.4.1 常规人工势场 |
| 4.4.2 极性人工势场 |
| 4.5 轨迹跟踪控制策略 |
| 4.5.1 基于李雅普诺夫直接法的常规控制器 |
| 4.5.2 基于微分平坦理论的鲁棒跟踪控制器 |
| 4.6 脑电分类结果与人工势场分布的映射关系 |
| 4.7 系统构建与实现 |
| 4.7.1 硬件组成 |
| 4.7.2 软件设计 |
| 4.8 系统交互过程 |
| 4.9 实验分析 |
| 4.9.1 多源信息融合的定位与构图实验 |
| 4.9.2 极性势场法与常规势场法轨迹规划对比实验 |
| 4.9.3 常规控制器与鲁棒控制器轨迹跟踪对比实验 |
| 4.9.4 脑控非完整轮式移动平台的自主导航避障实验 |
| 4.9.5 脑控非完整轮式移动平台的半自主导航避障实验 |
| 4.10 本章小结 |
| 第五章 物理约束下脑控多个非完整轮式移动平台的并行操控 |
| 5.1 模型建立 |
| 5.1.1 非完整轮式移动平台的运动学模型 |
| 5.1.2 单目视觉模型 |
| 5.1.3 SBOS编队系统运动学模型 |
| 5.1.4 TPPS编队系统运动学模型 |
| 5.1.5 编队系统离散化的计算模型 |
| 5.2 非线性模型预测控制 |
| 5.3 原对偶神经网络动力学优化 |
| 5.4 脑控多个非完整轮式移动平台的交互过程 |
| 5.5 实验分析 |
| 5.5.1 基于SBOS运动学模型的编队控制实验 |
| 5.5.2 基于TPPS运动学模型的编队控制实验 |
| 5.5.3 脑控多个非完整轮式移动平台的并行操控实验 |
| 5.6 结论 |
| 结论与展望 |
| 参考文献 |
| 附录 |
| 附录1 引理5.1的证明 |
| 附录2 引理5.2的证明 |
| 附录3 引理5.3的证明 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（2）基于标识线的移动机器人视觉导航与路径跟踪研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 引言 |
| 1.2 移动机器人研究状况与关键技术 |
| 1.2.1 国内外研究状况 |
| 1.2.2 关键技术 |
| 1.3 计算机视觉 |
| 1.3.1 计算机视觉概述 |
| 1.3.2 基于计算机视觉的移动机器人导航 |
| 1.4 研究路线及主要研究内容 |
| 2 移动机器人开发平台与硬件组成 |
| 2.1 ROS机器人操作系统 |
| 2.1.1 ROS系统概述 |
| 2.1.2 ROS框架 |
| 2.1.3 ROS中常用工具 |
| 2.2 Turtlebot机器人 |
| 2.3 搭建实验平台 |
| 2.3.1 配置网络 |
| 2.3.2 测试Kinect |
| 2.3.3 工作站与Turtlebot机器人交互 |
| 2.4 本章小结 |
| 3 标识线图像的处理与识别 |
| 3.1 图像灰度化 |
| 3.2 图像滤波 |
| 3.2.1 图像平滑 |
| 3.2.2 边缘检测 |
| 3.3 导航标识线提取 |
| 3.3.1 Hough变换提取标识线轮廓 |
| 3.3.2 FloodFill算法提取路径区域 |
| 3.3.3 形态学细化处理 |
| 3.4 数字路标识别 |
| 3.4.1 数字路标特征分析与提取 |
| 3.4.2 基于KNN分类算法的数字路标识别 |
| 3.5 本章小结 |
| 4 移动机器人路径跟踪 |
| 4.1 移动机器人视觉导航的运动控制 |
| 4.1.1 移动机器人机体模型 |
| 4.1.2 移动机器人图像空间中的运动学模型 |
| 4.2 基于模糊控制的路径跟踪 |
| 4.2.1 模糊控制介绍 |
| 4.2.2 模糊控制器的设计 |
| 4.3 基于卡尔曼滤波的控制优化 |
| 4.3.1 卡尔曼滤波原理 |
| 4.3.2 卡尔曼滤波器设计 |
| 4.4 本章小结 |
| 5 实验验证及结果分析 |
| 5.1 实验运行环境 |
| 5.2 系统软件实现 |
| 5.2.1 开发环境介绍 |
| 5.2.2 软件系统运行 |
| 5.3 实验结果与分析 |
| 5.3.1 直线路径场景 |
| 5.3.2 转弯路径场景 |
| 5.3.3 障碍物遮挡场景 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（3）移动机器人3D V-SLAM与运动控制中关键问题的研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外发展概况与研究进展 |
| 1.2.1 移动机器人的发展概况 |
| 1.2.2 移动机器人SLAM的研究进展 |
| 1.2.3 移动机器人运动控制的研究进展 |
| 1.3 本文主要研究内容 |
| 1.4 本文的结构安排 |
| 2 移动机器人系统 |
| 2.1 引言 |
| 2.2 非完整约束基本概念 |
| 2.3 移动机器人的常用坐标系与空间转换 |
| 2.4 移动机器人运动控制的数学模型 |
| 2.4.1 运动学模型 |
| 2.4.2 动力学模型 |
| 2.5 本章小结 |
| 3 特征提取与匹配算法研究 |
| 3.1 引言 |
| 3.2 仿射不变特征提取与匹配算法 |
| 3.2.1 ASIFT算法 |
| 3.2.2 改进算法A-ORB |
| 3.2.3 改进算法AFREAK |
| 3.3 AFREAK算法在图像拼接中的应用 |
| 3.3.1 问题描述 |
| 3.3.2 基于AFREAK算法的图像拼接原理 |
| 3.4 实验研究 |
| 3.4.1 A-ORB算法性能的验证 |
| 3.4.2 AFREAK算法性能的验证 |
| 3.4.3 基于AFREAK算法的图像拼接性能验证 |
| 3.5 本章小结 |
| 4 点云配准方法研究 |
| 4.1 引言 |
| 4.2 彩色三维点云的生成 |
| 4.2.1 Kinect相机工作原理 |
| 4.2.2 彩色图像和深度图像的对准矫正 |
| 4.3 点云配准方法 |
| 4.3.1 经典ICP算法 |
| 4.3.2 基于ASIFT仿射不变特征的点云配准方法 |
| 4.4 实验研究 |
| 4.4.1 实验用图与评价标准 |
| 4.4.2 实验结果与分析 |
| 4.5 本章小结 |
| 5 移动机器人大视角3D V-SLAM系统研究 |
| 5.1 引言 |
| 5.2 系统总体框架 |
| 5.3 全局优化 |
| 5.3.1 图优化模型 |
| 5.3.2 关键帧选取 |
| 5.3.3 闭环检测与优化 |
| 5.4 室内3D V-SLAM实验平台 |
| 5.4.1 硬件部分 |
| 5.4.2 软件部分 |
| 5.5 移动机器人大视角3D V-SLAM系统性能验证 |
| 5.5.1 基于标准数据集的离线3D V-SLAM |
| 5.5.2 真实场景下的在线3D V-SLAM |
| 5.6 本章小结 |
| 6 基于生物启发模型的移动机器人反演滑模轨迹跟踪控制 |
| 6.1 引言 |
| 6.2 基本理论 |
| 6.2.1 滑模变结构控制 |
| 6.2.2 反演控制 |
| 6.3 问题描述 |
| 6.4 控制系统的框架与实现 |
| 6.4.1 生物启发模型 |
| 6.4.2 运动学控制器的设计与稳定性分析 |
| 6.4.3 动力学控制器的设计与稳定性分析 |
| 6.5 实验研究 |
| 6.6 本章小结 |
| 7 基于双幂次趋近律的移动机器人快速路径跟踪控制 |
| 7.1 引言 |
| 7.2 问题描述 |
| 7.3 控制系统的框架与实现 |
| 7.3.1 路径参数获取 |
| 7.3.2 控制器设计与稳定性分析 |
| 7.4 实验研究 |
| 7.4.1 仿真实验 |
| 7.4.2 真实场景下移动机器人路径跟踪实验 |
| 7.5 本章小结 |
| 8 总结与展望 |
| 8.1 总结 |
| 8.2 展望 |
| 致谢 |
| 参考文献 |
| 在校学习期间所发表的论文 |
（4）基于彩色视觉和模糊控制的移动机器人路径跟踪（论文提纲范文）
| 第一章 绪论 |
| §1-1 引言 |
| §1-2 移动机器人导航的研究现状 |
| 1-2-1 传感技术 |
| 1-2-2 路径规划和执行 |
| 1-2-3 移动机器人定位技术及其在导航中的应用 |
| §1-3 移动机器人视觉导航技术 |
| 1-3-1 视觉导航技术是移动机器人导航技术的一个发展趋势 |
| 1-3-2 机器人视觉的研究现状 |
| 1-3-3 移动机器人视觉技术研究的发展方向 |
| §1-4 选题意义及本文的主要研究内容 |
| 第二章 HEBUT-Ⅰ型移动机器人的结构及驱动系统 |
| §2-1 HEBUT-Ⅰ型移动机器人的结构 |
| 2-1-1 HEBUT-Ⅰ型移动机器人的车体结构 |
| 2-1-2 HEBUT-Ⅰ型移动机器人的硬件体系结构 |
| §2-2 HEBUT-Ⅰ型移动机器人的驱动系统及运动学原理 |
| 2-2-1 HEBUT-Ⅰ型移动机器人的驱动系统 |
| 2-2-2 HEBUT-Ⅰ型移动机器人的运动学原理 |
| §2-3 本章小结 |
| 第三章 HEBUT-Ⅰ型移动机器人视觉系统研究 |
| §3-1 引言 |
| §3-2 HEBUT-Ⅰ型移动机器人的视觉系统概述 |
| 3-2-1 HEBUT-Ⅰ型移动机器人视觉系统构成 |
| 3-2-2 图象采集模块 |
| 3-2-3 图象处理模块 |
| 3-2-4 路径及路标识别 |
| §3-3 HEBUT-Ⅰ型移动机器人的摄象机模型及逆模型运算 |
| 3-3-1 HEBUT-Ⅰ型移动机器人的摄象机模型 |
| 3-3-2 逆模型运算 |
| §3-4 图象处理技术研究 |
| 3-4-1 图象处理技术研究 |
| 3-4-2 HEBUT-Ⅰ型移动机器人图象处理技术研究 |
| §3-5 本章小结 |
| 第四章 HEBUT-Ⅰ型移动机器人模糊控制策略研究 |
| §4-1 引言 |
| §4-2 模糊控制技术概述 |
| 4-2-1 模糊控制的基本原理 |
| 4-2-2 模糊控制器设计的基本过程 |
| §4-3 HEBUT-Ⅰ型移动机器人模糊控制器的设计 |
| 4-3-1 模糊控制器结构设计 |
| 4-3-2 模糊化 |
| 4-3-3 模糊控制规则 |
| 4-3-4 模糊推理及非模糊化 |
| §4-4 本章小结 |
| 第五章 基于彩色视觉和模糊控制的移动机器人路径跟踪 |
| §5-1 引言 |
| §5-2 移动机器人路径跟踪系统构成 |
| §5-3 移动机器人路径跟踪系统实现 |
| 5-3-1 图象采集及处理 |
| 5-3-2 路径及路标识别 |
| 5-3-3 路径跟踪的控制流程 |
| §5-4 移动机器人路径跟踪实验及结果分析 |
| 5-4-1 移动机器人路径跟踪实验 |
| 5-4-2 视觉系统对系统性能的影响 |
| 5-4-3 控制策略对系统性能的影响 |
| 5-4-4 实验结论 |
| §5-5 本章小结 |
| 第六章 结论 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的论文和参加的科研课题 |
（5）基于多传感器信息融合的移动机器人环境感知研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| §1-1 引言 |
| §1-2 多传感器信息融合概述 |
| 1-2-1 多传感器信息融合的过程 |
| 1-2-2 多传感器信息融合的层次结构 |
| 1-2-3 多传感器信息融合技术的应用 |
| §1-3 移动机器人发展现状 |
| 1-3-1 国外移动机器人的发展概况 |
| 1-3-2 国内移动机器人的发展概况 |
| §1-4 本文的主要内容 |
| 第二章 HEBUT-Ⅱ型移动机器人的结构及传感器概况 |
| §2-1 引言 |
| §2-2 移动机器人的总体结构 |
| 2-2-1 HEBUT-Ⅱ型移动机器人的硬件体系结构 |
| 2-2-2 HEBUT-Ⅱ型移动机器人的车体结构 |
| §2-3 HEBUT-Ⅱ型移动机器人的驱动系统及运动学原理 |
| 2-3-1 HEBUT-Ⅱ型移动机器人的驱动系统 |
| 2-3-2 HEBUT-Ⅱ型移动机器人的运动学原理 |
| §2-4 HEBUT-Ⅱ型移动机器人车体的各种传感器概述 |
| 2-4-1 HEBUT-Ⅱ型移动机器人车体的超声波系统概述 |
| 2-4-2 移动机器人车体的视觉传感器概述 |
| §2-5 移动机器人环境识别的策略的确定 |
| §2-6 本章小结 |
| 第三章 基于视觉传感器的移动机器人路径识别和跟踪实现 |
| §3-1 引言 |
| §3-2 HEBUT-II 型移动机器人路径识别和跟踪实现系统概述 |
| §3-3 HEBUT-II 型移动机器人的路径跟踪摄像机模型及逆模型运算 |
| 3-3-1 HEBUT-Ⅱ型移动机器人的摄像机模型 |
| 3-3-2 逆模型运算 |
| §3-4 HEBUT-Ⅱ型移动机器人的图像处理技术及路径识别的实现 |
| 3-4-1 基于彩色图像的阈值分割处理技术 |
| 3-4-2 HEBUT-II 型移动机器人路径识别技术机器实现 |
| §3-5 HEBUT-II 型移动机器人的模糊控制驱动策略 |
| 3-5-1 模糊控制器设计的基本过程 |
| 3-5-2 HEBUT-II 型移动机器人控制器的设计 |
| §3-6 HEBUT-II 型移动机器人路径跟踪实验及结果分析 |
| §3-7 本章小结 |
| 第四章 基于多传感器信息的移动机器人自主避障 |
| §4-1 引言 |
| §4-2 多传感器融合方法简介 |
| §4-3 基于模糊神经网络的多传感器融合决策 |
| 4-3-1 模糊神经网络决策结构 |
| 4-3-2 计算模型 |
| 4-3-3 模糊神经网络模型的学习算法 |
| §4-4 HEBUT-Ⅱ型移动机器人自主避障实验 |
| 4-4-1 模糊神经网络的训练及仿真 |
| 4-4-2 HEBUT-Ⅱ型移动机器人自主避障实验 |
| §4-5 本章小结 |
| 第五章 结论 |
| 参考文献 |
| 致谢 |
| 攻读学位期间所取得的科研成果 |
（6）基于移动机械手的危险化学反应器泄漏监控与修补系统技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| §1-1 引言 |
| §1-2 移动机器人国内外研究现状 |
| §1-3 危险气体报警检测研究现状 |
| §1-4 移动机械手视觉导航技术的研究现状 |
| §1-5 多传感器信息融合在移动机械手导航中的应用 |
| §1-6 本文主要研究内容 |
| 第二章 移动机械手的硬件体系及其控制系统 |
| §2-1 引言 |
| §2-2 五自由度移动机械手的总体结构 |
| §2-3 轮式移动载体 |
| 2-3-1 HEBUT-2 型移动平台体系结构 |
| 2-3-2 移动载体主机 |
| 2-3-3 传感系统 |
| 2-3-4 HEBUT-2 型移动机械手本体的声纳系统概述 |
| 2-3-5 远距离数据传输 |
| §2-4 五自由度机械手 |
| 2-4-1 五自由度机械手结构设计 |
| 2-4-2 移动机械手运动分析 |
| 2-4-3 机械手控制器 PMAC |
| 2-4-4 PMAC 控制系统及指令参数的设定 |
| §2-5 本章小结 |
| 第三章 危险化学反应器泄漏监测和远程报警 |
| §3-1 引言 |
| §3-2 传感器及其变送电路 |
| §3.3 数据采集系统设计 |
| 3-3-1 泄漏检测和报警系统原理及组成 |
| 3-3-2 三层模块的原理与组成 |
| §3.4 检测、报警系统中的关键技术 |
| 3-4-1 电源板的设计 |
| 3-4-2 数据采集及无线通信单元的设计 |
| 3-4-3 报警自检系统的设计 |
| 3-4-4 无线数据传输系统的选型 |
| 3-4-5 检测现场历史数据记录 |
| 3-4-6 监控终端软件 |
| §3-5 本章小结 |
| 第四章 危险化学反应器泄漏封堵系统设计 |
| §4-1 引言 |
| §4-2 微量泄漏模式下的胶封堵技术 |
| 4-2-1 胶粘剂的分类和胶粘技术的发展 |
| 4-2-2 粘合机理 |
| 4-2-3 胶接系统组成 |
| 4-2-4 工程修补应用实施方法 |
| §4-3 突发泄漏模式下的磁封堵技术 |
| §4-4 本章小结 |
| 第五章 基于路标信息的移动机械手视觉导航系统设计 |
| §5-1 引言 |
| §5-2 移动机械手视觉导航系统的组成 |
| 5-2-1 图像采集模块 |
| 5-2-2 图像处理模块 |
| 5-2-3 逆模型运算模块 |
| §5-3 基于神经网络技术的数字路标识别系统 |
| 5-3-1 路标图像预处理技术 |
| 5-3-2 神经网络在路标识别系统中的应用 |
| 5-3-3 路标的识别结果 |
| §5-4 基于彩色视觉和模糊控制的移动机械手路径跟踪 |
| 5-4-1 HEBUT-2 型移动机械手视觉导航系统构成 |
| 5-4-2 模糊控制的基本原理 |
| 5-4-3 HEBUT-2 型移动机械手模糊控制器的设计 |
| 5-4-4 图像采集及处理 |
| 5-4-5 路径及路标识别 |
| 5-4-6 路径跟踪的控制流程 |
| §5-5 本章小结 |
| 第六章 基于视觉信息和声纳信息融合的机械手末端定位 |
| §6-1 引言 |
| §6-2 特征提取 |
| §6-3 机械手末端定位方案 |
| 6-3-1 系统结构 |
| 6-3-2 实验控制流程 |
| §6-4 实验结果 |
| §6-5 本章小结 |
| 第七章 结论 |
| 参考文献 |
| 致谢 |
| 攻读学位期间所取得的相关科研成果 |
（7）基于多传感器的移动机器人行为控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 移动机器人的体系结构 |
| 1.2.1 体系结构定义 |
| 1.2.2 三种典型的智能机器人体系结构 |
| 1.2.3 其它体系结构 |
| 1.3 移动机器人导航技术 |
| 1.3.1 地磁导航 |
| 1.3.2 航迹推算导航 |
| 1.3.3 惯性导航 |
| 1.3.4 地图导航 |
| 1.3.5 主动信标导航 |
| 1.3.6 路标导航 |
| 1.3.7 全球卫星定位导航 |
| 1.3.8 视觉导航 |
| 1.3.9 其它导航技术 |
| 1.4 移动机器人视觉导航技术 |
| 1.4.1 移动机器人视觉导航系统分类 |
| 1.4.2 分布式视觉系统 |
| 1.5 移动机器人路径规划技术 |
| 1.5.1 移动机器人路径规划技术研究现状 |
| 1.5.2 移动机器人路径规划技术发展趋势 |
| 1.6 课题来源及意义 |
| 1.7 本文主要研究内容 |
| 第2章 自主移动机器人分布式控制系统设计与实现 |
| 2.1 引言 |
| 2.2 ANCES 总体结构 |
| 2.3 ANCES 硬件系统设计 |
| 2.3.1 RIRA-II ROBOT 硬件系统 |
| 2.3.2 分布式视觉系统 |
| 2.3.3 通信与遥控系统 |
| 2.4 ANCES 软件系统设计 |
| 2.4.1 软件体系结构分析 |
| 2.4.2 ANCES 软件体系结构 |
| 2.5 本章小结 |
| 第3章 基于多微处理器分布式超声探测系统 |
| 3.1 引言 |
| 3.2 硬件系统设计 |
| 3.2.1 下位智能超声测距模块 |
| 3.2.2 传感器工作模式控制模块 |
| 3.3 软件系统设计 |
| 3.3.1 测距信息预处理 |
| 3.3.2 软件系统结构 |
| 3.4 本章小结 |
| 第4章 移动机器人行为控制策略研究 |
| 4.1 引言 |
| 4.2 基于超声和红外信息的移动机器人行为控制技术 |
| 4.2.1 RIRA-II ROBOT 模糊控制行为 |
| 4.2.2 模糊控制器设计 |
| 4.3 基于视觉信息的行为控制技术 |
| 4.3.1 运动目标检测 |
| 4.3.2 摄像机位姿控制 |
| 4.3.3 移动机器人运动目标跟踪策略 |
| 4.4 基于优先级的行为决策 |
| 4.5 RIRA-II ROBOT 控制系统软件设计 |
| 4.6 行为控制仿真与实验 |
| 4.6.1 RIRA-II ROBOT 行为控制仿真 |
| 4.6.2 RIRA-II ROBOT 行为控制实验 |
| 4.7 本章小结 |
| 第5章 分布式视觉系统设计与实现 |
| 5.1 引言 |
| 5.2 分布式视觉系统组成 |
| 5.3 分布式视觉工作原理 |
| 5.3.1 结构 |
| 5.3.2 工作流程 |
| 5.4 摄像机控制 |
| 5.5 摄像机标定 |
| 5.5.1 图像畸变分析 |
| 5.5.2 非线性标定原理 |
| 5.5.3 摄像机标定实验 |
| 5.6 全局图像生成 |
| 5.6.1 图像拼接技术 |
| 5.6.2 全局图像拼接 |
| 5.7 全局路径规划 |
| 5.7.1 四叉树环境模型 |
| 5.7.2 全局路径规划流程 |
| 5.7.3 全局路径规划实验结果 |
| 5.8 任务分解 |
| 5.9 任务协调 |
| 5.10 基于彩色图像的运动目标识别与检测 |
| 5.10.1 移动机器人位置检测 |
| 5.10.2 移动机器人航向角检测 |
| 5.11 移动机器人全局导航动态避障策略 |
| 5.11.1 障碍识别 |
| 5.11.2 避障策略 |
| 5.12 本章小结 |
| 第6章 基于分布式视觉的移动机器人路径跟踪控制 |
| 6.1 引言 |
| 6.2 移动机器人运动学模型 |
| 6.3 模糊控制器设计 |
| 6.3.1 控制策略的确定 |
| 6.3.2 模糊控制器实现 |
| 6.4 移动机器人路径跟踪控制仿真与实验 |
| 6.4.1 路径跟踪控制仿真 |
| 6.4.2 全局路径跟踪控制实验 |
| 6.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
| 个人简历 |
（8）四足导盲机器人环境感知方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与研究意义 |
| 1.2 导盲机器人分类概述 |
| 1.2.1 导盲机器人研究现状 |
| 1.2.2 导盲机器人对比与分析 |
| 1.3 研究目标 |
| 1.4 论文结构 |
| 第二章 导盲机器人系统方案设计 |
| 2.1 系统需求分析 |
| 2.2 系统整体方案设计 |
| 2.2.1 整体系统结构图 |
| 2.2.2 整体硬件结构图 |
| 2.3 四足导盲机器人移动平台方案设计 |
| 2.3.1 导盲机器人本体设计 |
| 2.3.2 硬件系统设计 |
| 2.3.3 运动控制框架设计 |
| 2.4 环境感知系统方案设计 |
| 2.5 人机交互系统方案设计 |
| 2.6 定位导航系统方案设计 |
| 2.7 本章小结 |
| 第三章 基于YOLOv3-tiny的交通标志识别算法设计 |
| 3.1 传统目标检测方法 |
| 3.2 基于深度学习的检测算法 |
| 3.2.1 基于区域建议的目标检测算法 |
| 3.2.2 基于回归的目标检测算法 |
| 3.3 基于YOLOv3-tiny的交通标志识别算法 |
| 3.3.1 算法模型结构分析 |
| 3.3.2 交通标志牌检测模型 |
| 3.3.3 路面检测模型 |
| 3.3.4 交通灯检测模型 |
| 3.4 本章小结 |
| 第四章 基于YOLOv3-tiny和Kalman滤波的目标跟踪算法设计 |
| 4.1 常见跟踪算法 |
| 4.1.1 基于Kalman滤波的跟踪算法 |
| 4.1.2 光流法 |
| 4.2 基于YOLOv3-tiny和Kalman滤波的目标跟踪算法 |
| 4.2.1 算法模型 |
| 4.2.2 算法实现 |
| 4.2.3 实验结果 |
| 4.3 本章小结 |
| 第五章 相机标定与目标距离检测实验 |
| 5.1 深度检测技术 |
| 5.1.1 双目视觉测距 |
| 5.1.2 结构光测距技术 |
| 5.1.3 ToF测距技术 |
| 5.2 深度相机与彩色相机的标定 |
| 5.2.1 相机内外参数标定 |
| 5.2.2 配准深度图像与彩色图像 |
| 5.3 实验结果 |
| 5.3.1 相机标定 |
| 5.3.2 深度信息的获取 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间的学术成果 |
| 学位论文评阅及答辩情况表 |
（9）基于视觉导引的AGV路径跟踪及避障策略研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 论文研究背景及意义 |
| 1.2 AGV简介 |
| 1.2.1 AGV的优点 |
| 1.2.2 AGV的导引方式 |
| 1.3 AGV的国内外发展现状及应用 |
| 1.3.1 AGV的国外发展现状及应用 |
| 1.3.2 AGV的国内发展现状及应用 |
| 1.4 本文主要研究内容、章节安排 |
| 第2章 图像预处理及特征提取 |
| 2.1 图像采集设备组合方案 |
| 2.1.1 图像采集硬件设备 |
| 2.1.2 图像采集界面 |
| 2.2 图像预处理 |
| 2.2.1 彩色图像灰度化 |
| 2.2.2 图像降噪处理 |
| 2.2.3 基于阈值的图像分割 |
| 2.3 图像特征提取 |
| 2.3.1 边缘特征检测 |
| 2.3.2 路径的识别 |
| 2.3.3 障碍物的检测 |
| 2.4 本章小结 |
| 第3章 避障策略方案设计 |
| 3.1 避障安全区域的制定 |
| 3.2 避障模型的建立 |
| 3.3 测距模型的建立 |
| 3.3.1 摄像机成像模型 |
| 3.3.2 纵向测距模型建立 |
| 3.3.3 横向测距模型建立 |
| 3.4 摄像机标定及测距实验 |
| 3.4.1 摄像机标定实验 |
| 3.4.2 测距实验 |
| 3.5 避障仿真结果分析 |
| 3.6 本章小结 |
| 第4章 路径跟踪控制器设计 |
| 4.1 AGV数学建模 |
| 4.1.1 AGV车体结构 |
| 4.1.2 AGV运动学建模 |
| 4.2 PID+前馈控制 |
| 4.2.1 PID控制原理与结构 |
| 4.2.2 PID+前馈控制器的设计 |
| 4.3 模糊控制 |
| 4.3.1 模糊控制原理与结构 |
| 4.3.2 模糊控制器的设计 |
| 4.4 模糊神经网络控制 |
| 4.4.1 模糊神经网络原理与结构 |
| 4.4.2 模糊神经网络控制器的设计 |
| 4.5 仿真实验与结果分析 |
| 4.5.1 PID+前馈控制系统建模 |
| 4.5.2 模糊PID控制系统建模 |
| 4.5.3 模糊神经网络PID控制系统建模 |
| 4.5.4 仿真结果与对比分析 |
| 4.6 本章小结 |
| 第5章 路径跟踪控制仿真验证 |
| 5.1 基于Prescan软件AGV场景的设计 |
| 5.1.1 视觉导引AGV3D建模 |
| 5.1.2 3D场景模型的建立 |
| 5.1.3 Prescan与 Simulink联合仿真建模 |
| 5.2 仿真验证与结果分析 |
| 5.2.1 直线路径仿真验证与结果分析 |
| 5.2.2 圆弧路径仿真验证与结果分析 |
| 5.2.3 直线过渡圆弧路径仿真验证与结果分析 |
| 5.2.4 曲线路径仿真验证与结果分析 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 论文总结 |
| 6.2 论文展望 |
| 参考文献 |
| 作者简介及科研成果 |
| 致谢 |
（10）室内移动机器人路径规划与跟踪控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 移动机器人国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 移动机器人路径规划与跟踪方法 |
| 1.3.1 移动机器人的路径规划方法 |
| 1.3.2 移动机器人的跟踪控制方法 |
| 1.4 主要研究内容 |
| 第2章 环境建图与移动机器人系统建模 |
| 2.1 引言 |
| 2.2 环境建图 |
| 2.2.1 环境地图介绍 |
| 2.2.2 栅格地图的栅格化 |
| 2.2.3 障碍物处理 |
| 2.3 移动机器人系统建模 |
| 2.3.1 移动机器人坐标系模型 |
| 2.3.2 移动机器人运动学模型 |
| 2.4 本章小结 |
| 第3章 基于RRT*的全局路径规划算法研究 |
| 3.1 引言 |
| 3.2 传统的快速扩展随机树算法 |
| 3.3 RRT*算法的基本原理及不足分析 |
| 3.3.1 RRT*算法的基本原理 |
| 3.3.2 RRT*算法存在的不足分析 |
| 3.4 改进RRT*算法的思想 |
| 3.4.1 多目标偏置采样 |
| 3.4.2 多约束椭圆采样 |
| 3.4.3 针对路径不平滑问题进行优化处理 |
| 3.5 改进RRT*算法的流程 |
| 3.6 全局路径规划仿真结果与分析 |
| 3.6.1 无障碍物环境 |
| 3.6.2 狭窄通道环境 |
| 3.6.3 复杂环境 |
| 3.7 本章小结 |
| 第4章 局部路径规划与轨迹跟踪方法研究 |
| 4.1 引言 |
| 4.2 移动机器人局部路径规划设计 |
| 4.2.1 局部路径规划设计方法 |
| 4.2.2 仿真结果与分析 |
| 4.3 模型预测控制基本原理 |
| 4.4 基于模型预测控制的轨迹跟踪控制设计 |
| 4.4.1 模型预测 |
| 4.4.2 目标函数和约束条件设计 |
| 4.4.3 反馈调节 |
| 4.5 轨迹跟踪仿真结果与分析 |
| 4.5.1 直线轨迹跟踪 |
| 4.5.2 圆形轨迹跟踪 |
| 4.5.3 正弦轨迹跟踪 |
| 4.6 本章小结 |
| 第5章 移动机器人实验 |
| 5.1 引言 |
| 5.2 移动机器人实验平台 |
| 5.2.1 移动机器人硬件平台 |
| 5.2.2 移动机器人操作系统 |
| 5.3 场景搭建与地图构建 |
| 5.3.1 实验场景搭建 |
| 5.3.2 地图构建 |
| 5.4 移动机器人实验分析验证 |
| 5.4.1 已知环境下的实验 |
| 5.4.2 有未知障碍物环境下的实验 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
四、基于彩色视觉和模糊控制的移动机器人路径跟踪（论文参考文献）
- [1]基于脑—机接口的轮式移动双臂机器人控制方法研究[D]. 袁旺. 华南理工大学, 2019(02)
- [2]基于标识线的移动机器人视觉导航与路径跟踪研究[D]. 徐民强. 南京理工大学, 2019(06)
- [3]移动机器人3D V-SLAM与运动控制中关键问题的研究[D]. 马晓敏. 西安理工大学, 2018
- [4]基于彩色视觉和模糊控制的移动机器人路径跟踪[D]. 关柏青. 河北工业大学, 2002(02)
- [5]基于多传感器信息融合的移动机器人环境感知研究[D]. 邢国芬. 河北工业大学, 2008(08)
- [6]基于移动机械手的危险化学反应器泄漏监控与修补系统技术研究[D]. 张建畅. 河北工业大学, 2008(08)
- [7]基于多传感器的移动机器人行为控制研究[D]. 赵海文. 哈尔滨工业大学, 2007(05)
- [8]四足导盲机器人环境感知方法研究[D]. 武曌晗. 山东大学, 2021(12)
- [9]基于视觉导引的AGV路径跟踪及避障策略研究[D]. 徐晓倩. 吉林大学, 2021(01)
- [10]室内移动机器人路径规划与跟踪控制研究[D]. 邓威耀. 燕山大学, 2021(01)