1037265清潔機器人全覆蓋路徑編碼器

1037265清潔機器人全覆蓋路徑編碼器DFS60B-S4EA00256,采用沿邊學(xué)習(xí)的方式,利用機器人本身的紅外傳感器以及碰撞開關(guān)獲取環(huán)境的輪廓信息,同時通過超聲波傳感器獲取環(huán)境中障礙物邊界的距離信息,然后劃分子區(qū)域并根據(jù)柵格法建立子區(qū)域地圖。機器人通過編碼器和陀螺儀傳感器的信息進行自我定位,由于傳感器本身的測量誤差無法避免,因此針對清潔機器人系統(tǒng)采用擴展卡爾曼濾波對傳感器信息進行數(shù)據(jù)融合,獲得機清潔機器人運動過程中的位姿估計,通過仿真驗證了算法的有效性。清潔機器人完成了沿邊學(xué)習(xí)之后,得到劃分的子區(qū)域,采用迂回遍歷模板對子區(qū)域進行覆蓋,并且根據(jù)能量時間小原則確定其行走方向。論文提出的全覆蓋路徑規(guī)劃算法是基于沿邊學(xué)習(xí)—子區(qū)域劃分—子區(qū)域遍歷—沿邊學(xué)習(xí)的思想完成的。并且在對子區(qū)域進行遍歷的過程中,清潔機器人通過傳感器檢測到的信息判斷由孤立障礙物之間形成的初步無法遍歷的子區(qū)域,并在初步遍歷結(jié)束后對其進行補充遍歷。終,完成工作區(qū)域的*遍歷。本文在全覆蓋路徑規(guī)劃算法的基礎(chǔ)上,搭建了清潔機器人的實驗平臺,包括硬件和軟件的設(shè)計。清潔機器人運動模型是兩輪差速驅(qū)動,前方由萬向輪輔助支撐以及轉(zhuǎn)向?？刂葡到y(tǒng)包括電源模塊、串口通信模塊、電機驅(qū)動模塊、傳感信息采集模塊等。軟件設(shè)計包括電機驅(qū)動PWM波形產(chǎn)生、各傳感器信息采集以及全覆蓋路徑規(guī)劃算法。不僅能夠代替人類進行繁瑣重復(fù)的操作,同時,也能在惡劣危險環(huán)境下可以進行復(fù)雜的協(xié)作,成為當(dāng)下機器人的研究熱點。從目前發(fā)展趨勢來看,高集成度模塊化關(guān)節(jié)的設(shè)計與運動控制,是雙臂機器人研究的關(guān)鍵所在。論文針對一種模塊化雙臂協(xié)作機器人,分別從高集成度模塊化關(guān)節(jié)結(jié)構(gòu)設(shè)計、機械臂誤差來源分析及建模、冗余運動學(xué)和動力學(xué)建模以及關(guān)節(jié)伺服位置控制等幾方面開展研究工作。論文的主要研究內(nèi)容和成果如下：（1）冗余自由度機械臂結(jié)構(gòu)設(shè)計。深入研究了人手臂關(guān)節(jié)結(jié)構(gòu)特點及冗余特性,設(shè)計了冗余自由度的模塊化疊加的多關(guān)節(jié)手臂,每個關(guān)節(jié)集電機、諧波減速器、值編碼器、安全抱閘、驅(qū)動器、控制器等于一體；詳細介紹了其結(jié)構(gòu)設(shè)計、零部件選型和電氣元件布置安裝；并進行了關(guān)節(jié)樣機研制。（2）機械臂誤差來源分析與建模。分別就機械臂主要誤差來源：設(shè)計誤差、零件配合公差、加工裝配誤差進行了分析,對關(guān)節(jié)誤差及誤差傳遞進行了深入的研究。在此基礎(chǔ)之上,進一步研究機械臂結(jié)構(gòu)誤差,該部分的分析計算為機械臂設(shè)計和反饋系統(tǒng)設(shè)計提供了理論數(shù)據(jù)。（3）冗余運動學(xué)、動力學(xué)建模和仿真分析。建立了冗余自由度機械臂運動學(xué)模型,對運動學(xué)的正解和逆解進行計算；研究了冗余度對機械臂回避奇異、靈活性、優(yōu)化主運動任務(wù)下的輔助操作指標(biāo)等的影響。建立了單關(guān)節(jié)和整個機械臂的動力學(xué)模型,分析了各個關(guān)節(jié)的受力及驅(qū)動力矩,并結(jié)合Adams軟件得到了仿真數(shù)據(jù),然后對關(guān)節(jié)內(nèi)電機、減速器等關(guān)鍵零部件進行選型。（4）雙臂協(xié)調(diào)操作運動控制。對機械臂末端軌跡規(guī)劃作數(shù)學(xué)分析,運用三角函數(shù)插值法對機械臂做軌跡規(guī)劃；分析雙臂協(xié)調(diào)操作的約束關(guān)系,結(jié)合自身機械臂運動特點和控制要求選擇主從式力位混合控制,依據(jù)整體控制結(jié)構(gòu)原理圖進一步分析機械臂運動,從而實現(xiàn)雙臂協(xié)調(diào)操作。（5）后,對研制出的模塊化關(guān)節(jié)進行重復(fù)定位精度測試,結(jié)果表明,研制的四種關(guān)節(jié),滿足了實際裝配對雙臂協(xié)作機器人靈活性和操作精度的要求。

同步電機矢量控制的關(guān)鍵在于轉(zhuǎn)子位置的獲取。使用高分辨率位置傳感器可以提高測量精度,但同時帶來了硬件成本大幅增加的問題。為了在不增加編碼器分辨率的前提下提高轉(zhuǎn)子位置檢測精度,提出了一種利用DSP高頻時鐘脈沖對編碼器輸出脈沖細化的方法,對采用該方法進行位置計算所引起測量誤差進行詳細推導(dǎo),并與基于傳統(tǒng)方法的位置計算的誤差進行了比較。該方法充分利用了TMS320LF2407DSP片內(nèi)資源,在不增加硬件成本的前提下顯著減小了位置測量誤差,大大提高了位置傳感器的測量精度。理論推導(dǎo)和系統(tǒng)實驗均證明了這種檢測方來越重視保護生態(tài)平衡、維護生物多樣性。對各類物種的準(zhǔn)確和一致性的識別需求也日漸增長。昆蟲的種類在各類動物中。作為種類昆蟲之一,蝴蝶在*有將近兩萬種。蝴蝶具有復(fù)雜的顏色、紋理和圖案,人工識別難度較高且十分耗時。因此,針對自動識別蝴蝶種類的研究受到越來越多的關(guān)注。計算機處理圖像數(shù)據(jù)的能力依賴其硬件技術(shù)。這些年硬件技術(shù)發(fā)展迅速,使得計算機處理圖像數(shù)據(jù)的能力快速上升。基于此,圖像識別相關(guān)技術(shù)也不斷取得新的突破。計算機視覺任務(wù)中,深度學(xué)習(xí)憑借良好的特征學(xué)習(xí)能力取得了很多成果。它通過非線性映射來提取原始數(shù)據(jù)低層特征,并且將其組合成抽象的高層特征表示。由此得到從高維原始數(shù)據(jù)中抽取的低維有效特征,并依據(jù)抽取的特征進行分類,達到識別樣本類別的目的。自編碼深度學(xué)習(xí)可以通過自動學(xué)習(xí)網(wǎng)絡(luò)參數(shù)來提取樣本有效特征,從而取代傳統(tǒng)的手工提取特征。深度學(xué)習(xí)在分析處理大規(guī)模數(shù)據(jù)方面具有優(yōu)勢,是一種有效的機器學(xué)習(xí)方法和數(shù)據(jù)處理工具,在目標(biāo)檢測領(lǐng)域得到廣泛應(yīng)用。因此,我們將深度學(xué)習(xí)應(yīng)用于蝴蝶種類自動識別問題中,以期自動定位蝴蝶在圖像中的位置、抽取蝴蝶特征,并且對其進行分類或聚類,提高蝴蝶種類識別效率。以往的蝴蝶自動識別研究大多基于蝴蝶的標(biāo)本照片數(shù)據(jù),涉及的蝴蝶種類和照片數(shù)量都較小,且大多使用人工設(shè)計的方法來提取蝴蝶分類特征。基于生態(tài)環(huán)境中拍攝的蝴蝶照片進行蝴蝶種類自動識別是對現(xiàn)有蝴蝶種類識別的挑戰(zhàn),因為生態(tài)環(huán)境中的蝴蝶照片,蝴蝶的分類特征將會被嚴(yán)重遮擋。因此,本研究基于深度學(xué)習(xí)方法研究生態(tài)環(huán)境照片中的蝴蝶種類自動識別,包括生態(tài)照片中的蝴蝶位置定位及其種類識別。生態(tài)環(huán)境中的蝴蝶照片中的蝴蝶種類標(biāo)注難度,需要專業(yè)人員鑒定蝴蝶種類,甚至對專業(yè)人員都是非常大的挑戰(zhàn)。因此,本論文借助深度學(xué)習(xí)對特征的強大學(xué)習(xí)能力,采取有監(jiān)督和半監(jiān)督兩種方式實現(xiàn)蝴蝶種類鑒定,論文的主要工作和貢獻如下:1.對比使用基于深度學(xué)習(xí)的Faster R-CNN和Mask R-CNN目標(biāo)檢測算法,定位和識別生態(tài)照片中蝴蝶的位置和種類。通過添加對應(yīng)種類的蝴蝶標(biāo)本照片構(gòu)造蝴蝶訓(xùn)練集,并使用旋轉(zhuǎn)圖片、添加噪聲等方式擴充訓(xùn)練集。由此解決小規(guī)模數(shù)據(jù)集下,同一大物種下小物種的細粒度分類問題。使用目標(biāo)檢測算法的常用評價準(zhǔn)則mAP來查看蝴蝶定位和識別的效果。實驗結(jié)果顯示,Mask R-CNN算法可以在蝴蝶物種自動識別問題中取得更好的效果。2.由于蝴蝶數(shù)據(jù)集標(biāo)注的難度較大.

1037265清潔機器人全覆蓋路徑編碼器DFS60B-S4EA00256  研究并應(yīng)用于基于內(nèi)容的圖像檢索領(lǐng)域。哈希方法旨在學(xué)習(xí)一組哈希函數(shù)將原始數(shù)據(jù)映射成一串二進制編碼并在漢明空間保持?jǐn)?shù)據(jù)在原始空間中的相似性。使用哈希方法生成的二進制編碼來進行圖像檢索可以提高檢索的效率,并且大幅減小存儲開銷。決策樹是一種運行速度快,可解釋性強的模型,但目前基于決策樹的哈希方法由于使用淺層的決策樹而造成了學(xué)習(xí)能力不足的問題。目前大多數(shù)的深度哈希方法都是基于深度神經(jīng)網(wǎng)絡(luò)設(shè)計的?？紤]到基于深度神經(jīng)網(wǎng)絡(luò)的哈希方法超參數(shù)過多,可解釋性差,訓(xùn)練過程需要昂貴且強大的計算設(shè)備,因此設(shè)計一種超參數(shù)少,可解釋性好,并且訓(xùn)練速度快的深度哈希方法是非常必要的。多粒度級聯(lián)森林是一種不同于深度神經(jīng)網(wǎng)絡(luò)的深度模型,這種模型由多粒度掃描和級聯(lián)森林組成,通過將森林構(gòu)建成級聯(lián)結(jié)構(gòu)對數(shù)據(jù)進行逐層處理。目前為止,多粒度級聯(lián)森林還沒有被應(yīng)用到哈希學(xué)習(xí)中,因此本文提出了基于多粒度級聯(lián)森林的哈希圖像檢索方法和基于流形相似度保持的多粒度級聯(lián)森林哈希圖像檢索方法。為了進一步減少圖像數(shù)據(jù)庫的存儲開銷,本文提出了基于隨機森林自動編碼器的哈希圖像檢索方法。具體研究工作如下:1.針對目前基于決策樹的哈希圖像檢索方法中使用淺層的決策樹而造成的學(xué)習(xí)能力不足的問題,以及基于深度神經(jīng)網(wǎng)絡(luò)的哈希方法中具有過多的超參數(shù),可解釋性差,訓(xùn)練過程需要昂貴的計算設(shè)備和大規(guī)模的數(shù)據(jù)集等不足,本文提出了基于多粒度級聯(lián)森林的哈希圖像檢索方法。該方法首先使用不同尺寸的滑動窗口掃描原始數(shù)據(jù)以提取多粒度的特征,然后采用兩步學(xué)習(xí)策略——初始哈希碼推理和深度森林哈希函數(shù)學(xué)習(xí)——來實現(xiàn)哈希映射。實驗結(jié)果表明,該方法超參數(shù)設(shè)置簡單,檢索精度也高于基于決策樹的哈希方法和基于深度神經(jīng)網(wǎng)絡(luò)的哈希方法。2.為了充分利用數(shù)據(jù)的語義標(biāo)簽信息和數(shù)據(jù)本身的屬性信息,本文提出了基于流形相似度保持的多粒度級聯(lián)森林哈希圖像檢索方法。該方法在構(gòu)造目標(biāo)函數(shù)時同時考慮了語義相似度和流形相似度,將數(shù)據(jù)從原始空間映射到漢明空間后,同時保持了數(shù)據(jù)在原始空間的語義相似度和流形相似度。在檢索圖像時,根據(jù)圖像的內(nèi)容信息可以檢索到在標(biāo)簽語義和內(nèi)容語義上同時保持的相關(guān)圖像,從而獲得更接近待檢索圖像語義信息的圖像。實驗結(jié)果表明,該方法的檢索精度高于基于決策樹的哈希方法和基于深度神經(jīng)網(wǎng)絡(luò)的哈希方法,并較基于多粒度級聯(lián)森林的哈希圖像檢索方法有所提高,且獲得了在語義上更加符合用戶需求的圖像。3.為了進一步減小圖像檢索任務(wù)中圖像數(shù)據(jù)庫的存儲開銷,本文提出了基于隨機森林自動編碼器的哈希圖像檢索方法。該方法利用隨機森林自動編碼器將圖像檢索任務(wù)分為前向編碼過程和后向解碼過程,前向編碼過程是將數(shù)據(jù)從圖像空間映射到漢明空間,后向解碼過程是將哈希碼從漢明空間解碼到圖像空間。因此,在完成前向編碼后圖像檢索系統(tǒng)中無需再保存圖像庫,可以直接將哈希碼重構(gòu)成圖像,從而大大減小存儲開銷。實驗結(jié)果表明,該方法在檢索精度上有所降低,但能夠較好地重構(gòu)圖像。