H ∞ Filtering for a Mobile Robot Tracking a Free Rolling Ball
H∞Filtering for a Mobile Robot Tracking a
Free Rolling Ball
Xiang Li and Andreas Zell
Wilhelm-Schickard-Institute,Department of Computer Architecture,
University of T¨u bingen,Sand1,72076T¨u bingen,Germany
{xiang.li,andreas.zell}@uni-tuebingen.de
Abstract.This paper focuses on the problem of tracking and predicting
the location and velocity of a rolling ball in the RoboCup environment,
when the ball is pushed consecutively by a middle-size omnidirectional
robot to follow a given path around obstacles.A robust algorithm based
on the H∞?lter is presented to accurately estimate the ball’s real-time
location and velocity.The performance of this tracking strategy was also
evaluated by real-world experiments and comparisons with the Kalman
?lter.
1Introduction
In many mobile robots applications,the robots are required not only to adapt themselves to the external situation,but also have the ability to interact with the environment.Estimating and predicting the motions of moving objects are the foundation for the interaction tasks.For example,when robots play the football, it is very important to detect and predict the ball’s position and velocity,so that the robot can catch the ball,push it through obstacles,and shoot it in the goal. In this paper we focus on tracking and predicting the location and velocity of a rolling ball in the RoboCup domain with a middle-size omnidirectional robot, under the condition that the ball is consecutively pushed by the robot.
Kalman?lters([1],[2],[3],[9])have been used in many ball tracking problems. They provide e?cient and convenient minimum-mean-square-error solutions for the state estimation problem,considering that both the process and the measure-ment noises of the target system are assumed as Gaussian with known statistical properties([8]).Besides that,multiple model?lters based on Kalman?lters re-veal much better performance than the single model?lter in some applications. As one of the multiple model?lters,the interacting multiple model(IMM)al-gorithm,used for the object tracking in the RoboCup([5]),utilizes a Kalman ?lter for each mode of the target movement.However,in practical situations, the uncertainties of the target system and the measurements normally do not satisfy the Gaussian assumption,and the noise statistics is usually not available.
To avoid thinking about these uncertainties,a method to build a predictive model of the ball’s movement is used in the estimation of the ball’s position and velocity([7]).It models a free rolling ball’s movement as the linear movement
and estimates the model parameters using ridge regression.By comparing the observed and predicted ball’s positions,the method can also recognize the change points of the ball’s movement.Due to the requirement of a bu?er to store the observations of the ball’s movement and the estimation of model parameters, the memory occupancy and computational complexity of this method are highly increased.
In this paper,we present a robust algorithm based on the H∞?lter for an omnidirectional robot to track a rolling ball in the RoboCup domain.The H∞?lter does not require priori knowledge of the noise statistics,only assuming that the noise signals have?nite energy.Unlike the Kalman?lter providing the minimum variance of the estimation error,the H∞?lter provides the minimal e?ect of the worst noise on the estimation error.Experiments with a real om-nidirectional robot show that this approach is e?cient and yields highly robust estimations of the ball’s location and velocity.
2Problem Formulation
The ball tracking problems in the RoboCup domain are challenged by the in-teractions between the robots and the ball.These frequent interactions usually result in a highly non-linear movement of the ball,and it is very di?cult to precisely estimate the uncertainty distribution of the interactions.Moreover,the measurement accuracy of the ball’s position is also limited by the sensors and the corresponding signal processing algorithms.This paper focuses on tracking a rolling ball when it is consecutively pushed by an omnidirectional robot to follow a given path.Considering the uncertainty of the interactions between the robot and the ball,we utilize a new approach based on the H∞?lter to estimate the ball’s location and velocity.
The discrete representation of the ball’s dynamics is described by the follow-ing equations:
˙p k+1=˙p k+¨p k T(1)
p k+1=p k+˙p k T+1
¨p k T2,(2)
where p is the position of the ball,˙p and¨p are respectively the velocity and acceleration of the ball.T is the sampling interval and k is the index of the sampling interval.We de?ne a state vector consisting of the position and velocity as x k=[p k,˙p k]T.Knowing the measurement value is the ball’s position,we build the system model of the ball as follows:
x k+1= 1T01 x k+ T2/2T u k(3)
y k= 10 x k,(4) where u denotes the system input and is equal to the acceleration¨p which is completely determined by the friction of the ground and the pushing operation
from the robot.But in the practical situation,the previous equation(3)can not give the precise state values because of the noise due to the rugged carpet ground and other unfortunate realities,and the precise output values can not be obtained from the equation(4),since measurement noise decreases the reliability of the measurement data.So a more precise mode is given as
x k+1= 1T01 x k+ T2/2T u k+w k(5)
y k= 10 x k+v k,(6) where w is called process noise and v is called measurement noise.
As we do not know exactly the friction of the ground,the moment when the robot collides the ball,and the corresponding e?ect of the collision on the ball’s movement,the system input u is not available.But we can consider u as additional process noise and unify u with the process noise w.Then a more realistic system model is
x k+1= 1T01 x k+ T2/2T w k(7)
y k= 10 x k+v k.(8) 3Robust H∞Filtering
As mentioned earlier,the Kalman?lter requires the priori knowledge of statis-tical properties of the system and measurement noises,which are really hard to obtain practically.The ball?lter with predictive model,described in[7],could bring a higher computational cost and memory occupancy,so this?lter is not very e?cient for the fast tracking problem.As a robust?lter strategy,the mini-max H∞strategy has the same e?cient computation as that of the Kalman ?lter,and does not depend on the known noise statistics,but on the assumption of a?nite disturbance energy.Consider the following linear system:
x k+1=A k x k+B k w k(9)
y k=C k x k+v k,(10) where x k∈ n,w k∈ m,y k∈ p,v k∈ p.A k,B k and C k are matrices with appropriate dimension,(A k,B k)is controllable and(C k,A k)is detectable.Unlike the Kalman?lter,which is interested in the estimation of the system state x k, the H∞?lter concerns the linear combination of x k
z k=L k x k.(11) The output matrix L k is selected by the user according to the di?erent applica-tions.In our problem,we care about the ball’s location and velocity,which just constitute the system state,so here L k is speci?ed as an identity matrix.The
H∞?lter computes the estimated state?z k based on the measurement Y k,where Y k={y k,0≤k≤N?1},and evaluates the estimation error by a performance measure,which can be regarded as an energy gain:
J=
N?1
k=0 z k??z k 2Q k
x0??x0 2
p?1
+
N?1
k=0 w k 2W?1k+ v k 2V?1k (12)
where N is the size of the measurement history,Q k,p0,W k,V k are the weight-ing matrices for the estimation error,the initial conditions,the process noise and the measurement noise.Moreover,Q k≥0,p?10>0,W k>0,V k>0and
((x0??x0),w k,v k)=0.The notation x k 2
Q k is de?ned as x k 2
Q k
=x T k Q k x k.
The denominator of J can be considered as the energy of the unknown dis-turbances,and the numerator is the energy of the estimation error.The H∞?lter aims to provide an uniformly small estimation error e k=z k??z k for any w k,v k∈l2and x0∈R n,such that the energy gain J is bounded by a prescribed value:
sup J<1/γ(13) where sup denotes the supremum and1/γis the noise attenuation level.This condition keeps the robustness of the H∞?lter,because the estimation energy gain is limited by1/γno matter what the bounded energy disturbances are.
To solve this optimal estimation?z due to the bounded energy gain J,the H∞?lter can be interpreted as a minimax problem([10])
min ?z k
max
(w k,v k,x0)
J=?
1
2γ
x0??x0 2
p?1
+
1 2N?1
k=0 z k??z k 2Q k?1γ w k 2W?1k+ v k 2V?1k (14)
where the estimation value?z k plays against the bounded energy disturbances w k and v k.Many strategies have been proposed for solving this minimax problem ([4]).We adopt a linear quadratic game approach([10]),which does not require checking the positive de?niteness and inertia of the Riccati di?erence equations for every step,but is implemented through recursive updating the?lter gain H k, the solution P k of the Riccati di?erence equation,and the state estimation?x k. The updating equations are given as follows:
ˉQ
k
=L T k Q k L k(15)
S k= I?γˉQ k P k+C T k V?1k C k P k ?1(16)
P k+1=A k P k S k A T k+B k W k B T k(17)
H k=A k P k S k C T k V?1
k
(18)
?x k+1=A k?x k+H k(y k?C k?x k),(19)
Fig.1:The omnidirectional robot equipped with a dig-ital color camera and a hy-perbolic mirror on the top Fig.2:Coordinate systems: [X w,Y w]is the world coordi-nate system,[X m,Y m]is the robot coordinate system
where P0=p0and P k>0.I is the identity matrix.
Apparently,these recursive equations have a similar form as the classic Kalman?lter.Although we need not to know the statistics of noises w k and v k in the H∞?lter,we should tune the weight matrices Q k,p0,W k,V k carefully, because these values determine the estimation error in the performance criterion (14).The weight matrices W k,V k can be chosen according to the experience about the noise.For example,if we know that the noises w is smaller than v, W k should be smaller than V k.p0is based on the initial estimation error.If we are highly con?dent about our initial estimation?Z0,p0should be small.Sim-ilarly,if we care more about the precise estimations of some elements in the state,or some elements having bigger magnitude in their physical de?nition,the corresponding elements in the matrix Q k can be set larger than others.As the performance criterion,γcan not be very large,because otherwise some eigen-values of the matrix P may have magnitudes more than one.These eigenvalues prevent a proper derivation of the H∞?lter equations,so that the H∞?lter problem has no solution.
4Experiments
The ball’s observation values come from our omnidirectional view system and object detection process.Our omniderectional view system consists of a AVT Marlin F-046C color camera with a resolution of780×580,which outputs signals up50times per second.In order to achieve a complete surrounding map of the robot,the camera is assembled pointing up towards a hyperbolic mirror which is mounted on the top of our omnidirectional robot,as shown in Fig.1.After obtaining the image from the camera,the other two processes,color calibration and distance calibration,map the colors to di?erent classes based on the colors of objects and landmarks in the RoboCup domain,and the pixels in the image to the real world coordinates,respectively.At last,a fast object detection algorithm is used to get the ball’s real world position,as described in[6].
While the camera image from the robot always displays the ball’s relative position to the robot’s position and orientation,the ball’s relative position and velocity with respect to the robot coordinate system can be estimated directly by using the ball’s observation values.When the ball’s absolute position and velocity is required,the ball’s observation values can be transformed into the world coordinate system,which is ?xed in the robot playing ?eld,by utilizing the robot’s observation values.To prove the feasibility and the robustness of the H ∞?lter in estimating the ball’s position and velocity with noisy observation values,we use the robot’s odometer-based observation values in the experiments.The world coordinate system and the robot coordinate system are described in Fig.2.
All experiments were made in our robot laboratory having a half-?eld of the RoboCup-Middle size league.The H ∞?lter described in section 3has been applied to tracking a rolling ball in the RoboCup domain,when the ball is pushed by a mobile robot to follow a linear path and a sinusoidal path with the constant desired translation velocity 0.3m/s and 0.5m/s respectively.The ball did not slide away from the robot during the whole pushing process because of the consecutive collisions with the robot.At every sampling time,the H ∞?lter estimated the ball’s absolute position and velocity with respect to the world coordinate system,and the ball’s relative position and velocity with respect to the robot coordinate frame.The noise attenuation level and weight matrices for estimating the x and y components were chosen as follows:
γx =2.0,P x
0=
300.004302
,Q x k = 0.01000.01 ,W x k =1,V x k =10;γy
=1.5,P y 0= 100.05300.8 ,Q y k = 0.1000.1 ,W y k =10,V y k =1.
To evaluate the performance of the H ∞?lter,a Kalman ?lter with assumed
noise variance was also used to estimated the ball’s position and velocity with the same observation values.The initial estimate error covariance matrices P o and the probability distributions of process noise and measurement noise are chosen as follows:
p x 0= 0.010.0001
0.0030.005
,p (w x )～N (0,0.01),p (v x )～N (0,0.0001);p y 0= 0.010.0001
0.010.005 ,p (w y )～N (0,1),p (v y )～N (0,0.0001).From the results shown in ?gures 3-8,we can see the H ∞?lter eliminated the
high frequency components of the measurement and estimated the ball’s position values su?ciently.Figures 5-8show that the estimated positions from the H ∞?lter are slightly better than those from the Kalman ?lter.Figures 9-10illustrate that the ball’s velocity is e?ectively estimated and the H ∞?lter is better than the Kalman ?lter,while the estimated x-velocities from the H ∞?lter approach to the ideal robot’s x-velocity 0.3m/s with less time and are more smooth than those from the Kalman ?lter.
X/m
Y /m
Fig.3:Absolute positions of robot and ball along the linear path
Fig.4:Absolute positions of robot and ball along the sinusoidal path
Fig.5:Relative x-positions of ball along the linear path
Fig.6:Relative y-positions of ball along the linear path
Fig.7:Relative x-positions of ball along the sinusoidal path
Fig.8:Relative y-positions of ball along the sinusoidal path
Fig.9:Absolute x-velocities of ball along the linear path Fig.10:Absolute y-velocities of ball along the linear path
5Conclusion
In this paper we introduce a robust H∞?lter,which does not require a priori knowledge about the statistical properties of the system and measurement noise, but only depends on the assumption of?nite noise power.The recursive equa-tions of the H∞?lter are very similar to those of the Kalman?lter,so the H∞has relatively low computation cost in the implementation and adapts to the real time estimation problem.With the real-world experiments,where the ball was following the given paths pushed consecutively by an omnidirectional robot, the performance of the H∞?lter was evaluated by comparing the estimation values with those from the Kalman?lter.The results of the estimated ball’s po-sition and velocity show that the H∞?lter eliminates the high frequency noise components of the measurements and estimates the ball’s position and velocity robustly in the pushing process.Moreover,the H∞?lter in this application is shown to be superior to a Kalman?lter,which requires manual tuning of the noise parameters.
References
1.Y.Bar-Shalom,X.R.Li,and T.Kirubarajan.Estimation with Applications to
Tracking and Navigation.John Wiley,2001.
2.L.Freeston.Applications of the kalman?lter algorithm to robot localisation and
world modelling.Technical report,University of Newcastle,NSW,Australia,2002.
3.A.Gelb.Applied Optimal Estimation.Cambridge,197
4.
4.B.Hassibi,A.Sayed,and T.Kailath.Inde?nite Quadratic Estimation and Control
-A Uni?ed Approach to H2and H In?nity Theories.Society for Industial and Applied Mathematics,Philadelphia,1999.
5.P.Heinemann,M.Plagge,A.Treptow,and A.Zell.Tracking dynamic objects in
a robocup environment in a robocup environment-the attempto t¨u bingen robot
soccer team.In A.D.Polani,B.Browning and K.Yoshida,editors,RoboCup-2003: Robot Soccer World Cup VII,Lecture Notes in Computer Science.Springer-Verlag, 2004.
6.P.Heinemann,T.R¨u ckstie?,and A.Zell.Fast and accurate environment mod-
delling using omnidirectional vision.In H.U.Ilg,H.B¨u ltho?,editor,Dynamic Per-ception.In?x,2004.
https://www.wendangku.net/doc/922913455.html,uer,https://www.wendangku.net/doc/922913455.html,nge,and M.Riedmiller.Modeling moving objects in a dynam-
ically changing robot application.In U.Furbach,editor,Advances in Arti?cial Intelligence,pages219–303.Springer,2005.
https://www.wendangku.net/doc/922913455.html,puter vision,sensorfusion und verhaltenssteuerung f¨u r fussball-
roboter.Master’s thesis,Freie Universit¨a t Berlin,Institute f¨u r Informatik,2004.
9.J.Ruizdel-Solar and P.Vallejos.Motion detection and tracking for an aibo robot
using camera motion compensation and kalman?ltering.In Lecture Notes in Com-puter Science3276(RoboCup Symposium2004).Springer,2004.
10.X.Shen and L.Deng.Game theory approach to discrete H∞?lter design.IEEE
Transcation on Signal Processing,45(4),1997.
移动机器人导航技术总结
移动机器人的关键技术分为以下三种: (1)导航技术 导航技术是移动机器人的一项核心技术之一[3,4]"它是指移动机器人通过传感器感知环境信息和自身状态,实现在有障碍的环境中面向目标的自主运动"目前,移动机器人主要的导航方式包括:磁导航,惯性导航,视觉导航等"其中,视觉导航15一7]通过摄像头对障碍物和路标信息拍摄,获取图像信息,然后对图像信息进行探测和识别实现导航"它具有信号探测范围广,获取信息完整等优点,是移动机器人导航的一个主要发展方向,而基于非结构化环境视觉导航是移动机器人导航的研究重点。 (2)多传感器信息融合技术多传感器信息融合技术是移动机器人的关键技术之一,其研究始于20世纪80年代18,9]"信息融合是指将多个传感器所提供的环境信息进行集成处理,形成对外部环境的统一表示"它融合了信息的互补性,信息的冗余性,信息的实时性和信息的低成本性"因而能比较完整地,精确地反映环境特征,从而做出正确的判断和决策,保证了机器人系统快速性,准确性和稳定性"目前移动机器人的多传感器融合技术的研究方法主要有:加权平均法,卡尔曼滤波,贝叶斯估计,D-S证据理论推理,产生规则,模糊逻辑,人工神经网络等"例如文献[10]介绍了名为Xavier的机器人,在机器人上装有多种传感器,如激光探测器!声纳、车轮编码器和彩色摄像机等,该机器人具有很高的自主导航能力。 (3)机器人控制器作为机器人的核心部分,机器人控制器是影响机器人性能的关键部分之一"目前,国内外机器人小车的控制系统的核心处理器,己经由MCS-51、80C196等8位、16位微控制器为主,逐渐演变为DSP、高性能32位微控制器为核心构成"由于模块化系统具有良好的前景,开发具有开放式结构的模块化、标准化机器人控制器也成为当前机器人控制器的一个研究热点"近几年,日本!美国和欧洲一些国家都在开发具有开放式结构的机器人控制器,如日本安川公司基于PC开发的具有开放式结构!网络功能的机器人控制器"我国863计划智能机器人主题也已对这方面的研究立项 视觉导航技术分类 机器人视觉被认为是机器人重要的感觉能力，机器人视觉系统正如人的眼睛一样,是机器人感知局部环境的重要“器官”,同时依此感知的环境信息实现对机器人的导航。机器人视觉信息主要指二维彩色CCD摄像机信息,在有些系统中还包括三维激光雷达采集的信息。视觉信息能否正确、实时地处理直接关系到机器人行驶速度、路径跟踪以及对障碍物的避碰,对系统的实时性和鲁棒性具有决定性的作用。视觉信息处理技术是移动机器人研究中最为关键的技术之一。
扫地机器人原理及实现
扫地机器人结构及控制系统设计 自动清扫机器人是当今服务机器人领域一个热门的研究方向。从理论和技术上讲，自动清扫机器人比较具体地体现了移动机器人的多项关键技术，具有较强的代表性，从市场前景角度讲，自动清扫机器人将大大降低劳动强度、提高劳动效率，适用于宾馆、酒店、图书馆、办公场所和大众家庭。因此开发自动清扫机器人既具有科研上的挑战性又具有广阔的市场前景。 家用智能清扫机，包括计算机、传感器、电机与动力传动机构、电源、吸尘器、电源开关、操作电位计等，在清扫机的顶部共设有三个超声波距离传感器；清扫机底部前方边沿安装有5个接近开关，接近开关与超声波距离传感器一起，构成清扫机测距系统；清扫机装有两台直流电机；在清扫机的底部安装有吸尘器机构。自动清扫机器人的功能是自动完成房间空旷地面尤其是家居空旷地面的清扫除尘任务，打扫前，要把房间里的物体紧靠四周墙壁，腾出空旷地面。清扫机完成的主要功能：能自动走遍所以可进入的房间，可以自动清扫吸尘，可在遥控和手控状态下清扫吸尘。 本文所介绍的自动清扫机器人的总体布局方案如图1所示，前后两轮为万向轮，左右两轮为驱动轮。驱动轮设计采用两轮独立且各由两台步进电动机驱动的转向方式，通过控制左右两轮的速度差来实现转向。考虑到机器人实际应用的实用性，本驱动系统设计成一个独立的可方便替换的模块，当机器人驱动系统发生故障时，只需简单步骤就可以对驱动部分进行替换。同时为了机器人能够灵活的运动，从动轮选用万向轮。 下图为自动清扫机的三维立体图：
自动清扫机器人车箱体采用框架式结构。从下至上分隔成三个空间：第一层装配各运动部件的驱动电机、传动机构；第二层为垃圾存储空间；第三层装配机器人控制系统、接线板、
移动机器人定位系统设计方案
移动机器人定位--传感器和技术 摘要 确切的了解车辆的位置是移动机器人应用的一个基本问题。在寻找解决方案时，研究人员和工程师们已经开发出不同的移动机器人定位系统、传感器以及技术。本文综述了移动机器人定位相关技术，总结了七种定位系统：1.里程法；2.惯性导航；3.磁罗盘；4.主动引导； 5.全球定位系统； 6.地标式导航和 7.模型匹配。讨论了各自的特点，并给出了现有技术的例子。 移动机器人导航技术正在蓬勃发展，正在开发更多的系统和概念。因为这个原因，本文给出的各种例子只代表各自的种类，不表示作者的倾向。在文献上可以发现许多巧妙的方法，只是限于篇幅，本文不能引用。 1。介绍 摘要概述了该技术在传感器、系统、方法和技术的目标，就是在一个移动机器人的工作环境中被找到。在测量文献中讨论这个问题，很明显，不同方法的基准比较是困难的，因为缺乏公认的测试标准和规的比较。使用的研究平台大不相同，用于不同的方法的关键假设也大不相同。再进一步，困难源自事实上不同的系统是处在其发展的不同阶段。例如，一个系统已经可以商业化；而另一个系统，也许有更好的性能，却只能实验室条件下作有限的测试。正是由于这些原因，我们一般避免比较甚至判断不同系统或技术的表现。在这篇文章里，我们也不考虑自动引导车(AGV)。AGV使用磁带、地下的引导线、或地面上的彩色条纹在作引导。这些小车不能自由设计路径，不能改变自己的道路，那样它们无法响应外部传感器输入（如避障）。然而，感兴趣的读者可能会在[Everett, 1995]找到AGV引导技术调查。 也许最重要的移动机器人定位文献的阅读结果，正是到目前为止，并没有真正完美的解决问题的方案。许多局部的解决办法大致分为两组：绝对的和相对的位置测量。因为缺乏一种完善的方法，开发移动机器人通常结合两种方法，从每个小组选一个方法。这些方法可以进一步分为以下七类: I：相对位置的测量（也称为Dead-reckoning） 1。里程法 2。惯性导航 II：绝对位置测量（基于参考的系统） 3。磁罗盘 4。主动发射引导 5。全球定位系统 6。地标式导航 7。模型匹配
移动机器人视觉导航
移动机器人视觉导航。 0504311 19 刘天庆一、引言 智能自主移动机器人系统能够通过传感器感知外界环境和自身状态，实现在有障碍物环境中面向目标的自主运动，从而完成一定作业功能。其本身能够认识工作环境和工作对象，能够根据人给予的指令和“自身”认识外界来独立地工作，能够利用操作机构和移动机构完成复杂的操作任务。因此，要使智能移动机器人具有特定智能，其首先就须具有多种感知功能，进而进行复杂的逻辑推理、规划和决策，在作业环境中自主行动。机器人在行走过程中通常会碰到并且要解决如下三个问题：（1）我（机器人）现在何处？（2）我要往何处走？（3）我要如何到达该处？其中第一个问题是其导航系统中的定位及其跟踪问题，第二、三个是导航系统的路径规划问题。移动机器人导航与定位技术的任务就是解决上面的三个问题。移动机器人通过传感器感知环境和自身状态，进而实现在有障碍物的环境中面向目标自主运动，这就是通常所说的智能自主移动机器人的导航技术。而定位则是确定移动机器人在工作环境中相对于全局坐标的位置及其本身的姿态，是移动机器人导航的基本环节。 目前，应用于自主移动机器人的导航定位技术有很多，归纳起来主要有：安装CCD 摄像头的视觉导航定位、光反射导航定位、全球定位系统GPS(Global Positioning System)、声音导航定位以及电磁导航定位等。下面分别对这几种方法进行简单介绍和分析。 1、视觉导航定位 在视觉导航定位系统中，目前国内外应用较多的是基于局部视觉的在机器人中安装车载摄像机的导航方式。在这种导航方式中，控制设备和传感装置装载在机器人车体上，图像识别、路径规划等高层决策都由车载控制计算机完成。视觉导航定位系统主要包括：摄像机（或CCD 图像传感器）、视频信号数字化设备、基于DSP 的快速信号处理器、计算机及其外设等。现在有很多机器人系统采用CCD 图像传感器，其基本元件是一行硅成像元素，在一个衬底上配置光敏元件和电荷转移器件，通过电荷的依次转移，将多个象素的视频信号分时、顺序地取出来，如面阵CCD传感器采集的图像的分辨率可以从32×32 到1024×1024 像素等。视觉导航定位系统的工作原理简单说来就是对机器人周边的环境进行光学处理，先用摄像头进行图像信息采集，将采集的信息进行压缩，然后将它反馈到一个由神经网络和统计学方法构成的学习子系统，再由学习子系统将采集到的图像信息和机器人的实际位置联系起来，完成机器人的自主导航定位功能。 视觉导航定位中，图像处理计算量大，计算机实时处理的速度要达到576MOPS~5.76BOPS，这样的运算速度在一般计算机上难以实现，因此实时性差这一瓶颈问题有待解决； 另外，对于要求在黑暗环境中作业的机器人来说，这种导航定位方式因为受光线条件限制也不太适应。 当今国内外广泛研制的竞赛足球机器人通常都采用上面所说的视觉导航定位方式，在机器人小车子系统中安装摄像头，配置图像采集板等硬件设备和图像处理软件等组成机器人视觉系统。通过这个视觉系统，足球机器人就可以实现对球的监测，机器人自身的定位，作出相应动作和预测球的走向等功能
一种全向移动机器人的实现
一种全向移动机器人 的实现 --------------------------------------------------------------------------作者: _____________ --------------------------------------------------------------------------日期: _____________
机械电子学 学院：机电工程学院 专业：机械设计及理论 班级：研1501 学号： 姓名：鹿昆磊 指导教师：李启光 日期： 2016年5月13日 一种全向移动机器人的设计
摘要:轮式机器人作为移动机器人中的重要分支之一,由于其承载能力强、定位精度高、能源利用率高、控制简单等优点，长久以来一直受到国内外研究人员的关注。移动机器人的研宄涉及到控制理论、计算机技术和传感器技术等多门学科。因此,对轮式移动机器人进行研宄具有一定的意义。本文对四轮独立驱动和转向移动机器人的机械结构设计、运动学以及控制程序设计进行了分析研宄。 关键词：移动机器人；四轮独立驱动和转向； As one of the important branch of mobile robotics, wheel mobile robot has long been paid attention to by the research people at home and abroad for its high load ability, positioning accuracy, high efficiency, simple control, etc. Mobile robot has close relation to many technologies such as control theory, computer technology, sensor technology, etc. Therefore, research on the mobile robot has important significance. KEYWORDS: Mobile Robot; Four Wheel Drive and Steering; 0 前言 机器人技术的发展对人类社会产生了深渊的影响。首先,机器人被使用在那控需要重复劳动的场合,它不仅能够很好的胜任人类的工作,还可以更有效、快捷地完成工作任务。其次,在一些危险、有毒等场合,机器人也被用来代替人类去完成相应的工作。最后,机器人被运用在那些人类暂时无法到达的地方,例如深海、空间狭窄等地方。 陆地移动机器人大致分为轮式移动机器人、腿式移动机器人、履带式移动机器人、跳跃式移动机器人等几种。其中轮式移动机器人以其承载能力强、驱动和控制简单、移动方便、定位精准、能源利用率高、现有研宄成果较多等良好的表现更受科研人员热捧,许多科研人员纷纷加入其中作进一步研究、探索。 本文使用45度麦克纳姆轮，四轮独立驱动形式工作，在平面内可以实现3自由度运动，它非常适合工作在空间狭窄、有限、对机器人的机动性要求高的场合中[1]。 1 工作原理 单独的麦克纳姆轮无法实现全方位移动，需要多个( 至少4个) 才能组成全方位移动平台。因此，有必要对全方位移动平进行运动学分析，以便为全方位移动平台控制算法提供理论依据。 图1是一种麦克纳姆轮，典型的采用4个麦克纳姆轮的全方位移动平台如图2所示，图中车轮斜线表示轮缘与地面接触辊子的偏置角度，滚子可以实现2自由度的运动，一个是绕车轴旋转的运动和一个绕滚子轴向的旋转运动。 以移动平台中心O点为原点建立 全局坐标系, 相对地面静止; 是车轮 i中心。在平面上，全方位移动平台具有 3 个自由度，其中心点O 速度车轮绕轮轴转动的角速度是，车轮中心的速度是，辊子速度是。 图1 麦克纳姆轮
双轮直立自平衡机器人Sway研究报告
双轮直立自平衡机器人Sway研究报告 本设计采用两块Cygnal公司推出的C8051F005单片机分别作为“双轮直立自平衡机器人”（以下命名为Sway）和人机交互上位机的控制核心。车体倾斜角度检测采用AD公司推出的双轴加速度传感器ADXL202及反射式红外线距离传感器。利用PWM技术动态控制两台直流电机的转速。上位机与机器人间的数据通信采用迅通生产的PTR2000超小型超低功耗高速无线收发数传MODEM。人机交互界面采用240*128图形液晶点阵、方向摇杆及按键。基于这些完备而可靠的硬件设计，使用了一套独特的软件算法，实现了Sway的平衡控制与 数据交换。 “双轮直立自平衡机器人Sway研究报告 作者：哈尔滨工程大学尹亮 摘要 本设计采用两块Cygnal公司推出的C8051F005单片机分别作为“双轮直立自平衡机器人”（以下命名为Sway）和人机交互上位机的控制核心。车体倾斜角度检
测采用AD公司推出的双轴加速度传感器ADXL202及反射式红外线距离传感器。利用PWM技术动态控制两台直流电机的转速。上位机与机器人间的数据通信采用迅通生产的PTR2000超小型超低功耗高速无线收发数传MODEM。人机交互界面采用240*128图形液晶点阵、方向摇杆及按键。基于这些完备而可靠的硬件设计，使用了一套独特的软件算法，实现了Sway的平衡控制与数据交换。 本设计的主要特色： 1.高速（25MIPS）低功耗的SOC单片机为各种复杂 算法的实现提供了保障，丰富的片内外设为高速数据采集及PWM调制信号的生成提供了方便，片内温度传感器方便对温度的采集。片内JTAG功能为程序的调试及对系统的现场编程提供了方便。 2.高效的H型PWM电路提高了电源的利用率，实现了 电机的平滑变速。 3.双轴加速度传感器及光电传感器的使用提高了车体 倾斜角度检测的精度，差分算法的应用提高了系统的抗干扰能力。 4.优化的软件算法，智能化的自动控制使车体运动准确 平稳。 5.高速的无线数据传输给各种远程数据采集和智能控 制提供了保障。
移动机器人定位与地图创建(SLAM)方法
自主移动机器人同时定位与地图创建（SLAM）方法1.引言： 机器人的研究越来越多的得到关注和投入，随着计算机技术和人工智能的发展，智能自主移动机器人成为机器人领域的一个重要研究方向和研究热点。移动机器人的定位和地图创建是自主移动机器人领域的热点研究问题。对于已知环境中的机器人自主定位和已知机器人位置的地图创建已经有了一些实用的解决方法。然而在很多环境中机器人不能利用全局定位系统进行定位，而且事先获取机器人工作环境的地图很困难，甚至是不可能的。这时机器人需要在自身位置不确定的条件下，在完全未知环境中创建地图,同时利用地图进行自主定位和导航。这就是移动机器人的同时定位与地图创建(SLAM) 问题，最先是由SmithSelf 和Cheeseman在1988年提出来的，被认为是实现真正全自主移动机器人的关键。SLAM问题可以描述为：机器人在未知环境中从一个未知位置开始移动，在移动过程中根据位置估计和传感器数据进行自身定位，同时建造增量式地图。在SLAM中，机器人利用自身携带的传感器识别未知环境中的特征标志，然后根据机器人与特征标志之间的相对位置和里程计的读数估计机器人和特征标志的全 局坐标。这种在线的定位与地图创建需要保持机器人与特征标志之间的详细信息。近几年来，SLAM的研究取得了很大的进展，并已应用于各种不同的环境，如：室内环境、水下、室外环境。 2.SLAM的关键性问题 2.1地图的表示方式 目前各国研究者已经提出了多种表示法，大致可分为三类：栅格表示、几何信息表示和拓扑图表示，每种方法都有自己的优缺点。
栅格地图表示法即将整个环境分为若干相同大小的栅格，对于每个栅格各指出其中是否存在障碍物。这种方法最早由Elfes和Moravec提出，而后Elfes进行了进一步的研究。它的优点在于创建和维护容易，尽量的保留了整个环境的各种信息，同时借助于该地图，可以方便地进行自定位和路径规划。缺点在于：当栅格数量增大时(在大规模环境或对环境划分比较详细时)，对地图的维护行为将变得困难，同时定位过程中搜索空间很大，如果没有较好的简化算法，实现实时应用比较困难。 几何信息地图表示法是指机器人收集对环境的感知信息，从中提取更为抽象的几何特征，例如线段或曲线，使用这些几何信息描述环境。该方法更为紧凑，且便于位置估计和目标识别。几何方法利用卡尔曼滤波在局部区域内可获得较高精度，且计算量小，但在广域环境中却难以维持精确的坐标信息。但几何信息的提取需要对感知信息作额外处理，且需要一定数量的感知数据才能得到结果。 拓扑地图抽象度高，特别在环境大而简单时。这种方法将环境表示为一张拓扑意义中的图(graph)，图中的节点对应于环境中的一个特征状态、地点。如果节点间存在直接连接的路径则相当于图中连接节点的弧。其优点是： (1)有利于进一步的路径和任务规划， (2)存储和搜索空间都比较小，计算效率高， (3)可以使用很多现有成熟、高效的搜索和推理算法。 缺点在于对拓扑图的使用是建立在对拓扑节点的识别匹配基础上的，如当环境中存在两个很相似的地方时，拓扑图方法将很难确定这是否为同一点。 2.2不确定信息的描述
基于路径识别的移动机器人视觉导航
第9卷 第7期2004年7月 中国图象图形学报Journal of Image and G raphics V ol.9,N o.7July 2004 基金项目:国家“863”计划资助项目(编号:2001AA422200)收稿日期:2004201213;改回日期:2004204206 基于路径识别的移动机器人视觉导航 张海波 原 魁 周庆瑞 (中国科学院自动化研究所高技术创新中心,北京 100080) 摘 要 跟随路径导引是自主式移动机器人广泛采用的一种导航方式,其中视觉导航具有其他传感器导航方式所无法比拟的优点,是移动机器人智能导航的主要发展方向。为了提高移动机器人视觉导航的实时性和准确性,提出了一个基于路径识别的视觉导航系统,其基本思想是首先用基于变分辨率的采样二值化和形态学去噪方法从原始场景图像中提取出目标支持点集,然后用一种改进的哈夫变化检测出场景中的路径,最后由路径跟踪模块分直行和转弯两种情况进行导航计算。实验结果表明,该视觉导航系统具有较好的实时性和准确性。关键词 自主式移动机器人 视觉导航 路径识别 中图法分类号:TP242.62 文献标识码:A 文章编号:100628961(2004)0720853205 Visual N avigation of a Mobile R obot B ased on P ath R ecognition ZH ANG Hai 2bo ,Y UAN K ui ,ZH OU Qing 2rui (Hi 2tech Innovation Centre ,Institute o f Automation ,Chinese Academy o f Sciences ,Beijing 100080) Abctract G uidance using path following is widely applied in the field of autonom ous m obile robots.C om pared with the navigation system without vision ,visual navigation has obvious advantages as rich in formation ,low cost ,quietness ,innocuity ,etc.This pa 2per describes a navigation system which uses the visual in formation provided by guide lines and color signs.In our approach ,the visual navigation is com posed of three main m odules :image 2preprocessing ,path 2recognition and path 2tracking.First ,image 2pre 2processing m odule formulates color m odels of all kinds of objects ,and establishes each object ’s support through adaptive subsam 2pling 2based binarization and mathematical m orphology.Second ,path 2recognition m odule detects the guide lines through an im 2proved H ough trans form alg orithm ,and the detected results including guide lines and color signs integrate the path in formation.Fi 2nally ,calling different functions according to the m ovement of straight 2g oing or turning ,path 2tracking m odule provides required in 2put parameters to m otor controller and steering controller.The experimental results dem onstrate the effectiveness and the robustness of our approach. K eyw ords com puter perception ,autonom ous m obile robot ,visual navigation ,path recognition 1 引 言 导航技术是移动机器人的一项核心技术,其难 度远远超出人们最初的设想,其主要原因有:一是环境的动态变化和不可预测;二是机器人感知手段的不完备,即很多情况下传感器给出的数据是不完全、不连续、不可靠的[1]。这些原因使得机器人系统在复杂度、成本和可靠性方面很难满足要求。 目前广泛应用的一种导航方式是“跟随路径导 引”,即机器人通过对能敏感到的某些外部的连续路 径参照线作出相应反应来进行导航[2]。这种方法和传统的“硬”自动化相比大大增加了系统的灵活性,其具有代表性的系统有:C ontrol Engineering 公司安装的导线引导系统,它是通过检测埋在地下的引导导线来控制行进方向,其线路分岔则通过在导线上加载不同频率的电流来实现[3];Egemin Automation 公司生产的Mailm obile 机器人则安装有主动式紫外光源,并通过3个光电探头来跟随由受激化学物质构成的发光引导路径[4];Macome 公司为自动驾驶车
移动机器人视觉定位方法的研究
移动机器人视觉定位方法的研究 针对移动机器人的局部视觉定位问题进行了研究。首先通过移动机器人视觉定位与目标跟踪系统求出目标质心特征点的位置时间序列，然后在分析二次成像法获取目标深度信息的缺陷的基础上，提出了一种获取目标的空间位置和运动信息的方法。该方法利用序列图像和推广卡尔曼滤波，目标获取采用了HIS模型。在移动机器人满足一定机动的条件下，较精确地得到了目标的空间位置和运动信息。仿真结果验证了该方法的有效性和可行性。 运动视觉研究的是如何从变化场景的一系列不同时刻的图像中提取出有关场景中的目标的形状、位置和运动信息，将之应用于移动机器人的导航与定位。首先要估计出目标的空间位置和运动信息，从而为移动机器人车体的导航与定位提供关键前提。 视觉信息的获取主要是通过单视觉方式和多视觉方式。单视觉方式结构简单，避免了视觉数据融合，易于实现实时监测。如果利用目标物体的几何形状模型，在目标上取3个以上的特征点也能够获取目标的位置等信息。此方法须保证该组特征点在不同坐标系下的位置关系一致，而对于一般的双目视觉系统，坐标的计算误差往往会破坏这种关系。 采用在机器人上安装车载摄像机这种局部视觉定位方式，本文对移动机器人的运动视觉定位方法进行了研究。该方法的实现分为两部分：首先采用移动机器人视觉系统求出目标质心特征点的位置时间序列，从而将对被跟踪目标的跟踪转化为对其质心的跟踪；然后通过推广卡尔曼滤波方法估计目标的空间位置和运动参数。 1.目标成像的几何模型 移动机器人视觉系统的坐标关系如图1所示。 其中O-XYZ为世界坐标系；Oc-XcYcZc为摄像机坐标系。其中Oc为摄像机的光心，X 轴、Y轴分别与Xc轴、Yc轴和图像的x，y轴平行，Zc为摄像机的光轴，它与图像平面垂直。光轴与图像平面的交点O1为图像坐标系的原点。OcO1为摄像机的焦距f. 图1 移动机器人视觉系统的坐标关系
基于 ROS 平台的移动机器人的设计与运动仿真
基于ROS 平台的移动机器人的设计与运动仿真摘要：ROS 究竟是如何工作的呢？ROS 中每一套算法是独立的一个包，包与包之间的数据交换主要采用TCP/IP 协议（对用户隐藏，用户需要发布或订阅主题以提供或取得数据），采用这种形式是由于ROS 的算法包是由全世界不同的个人，学校或实验室贡献的，这样做可以降低耦合性，如果一个node 崩溃不会影响到其他。基于ROS 这个平台，有助于提高开发设计的效率及降低成本。本论文主要阐述了基于ROS 平台移动机器人设计的基本原理和方法，并对移动机器人进行了运动仿真，得到其运动轨迹和控制方法，为后续项目的进一步研究打下了一定的基础。 0引言 ROS 被称为机器人操作系统，其实ROS 充当的是通信中间件的角色，即在已有操作系统的基础上搭建了一整套针对机器人系统的实现框架。ROS 还提供一组实用工具和软件库，用于维护、构建、编写和执行可用于多个计算平台的软件代码。 值得一提的是，ROS 的设计者考虑到各开发者使用的开发语言不同，因此ROS 的开发语言独立，支持C++，Python 等多种开发语言。因此，除了官方提供的功能包之外，ROS 还聚合了全世界开发者实现的大量开源功能包，如思岚科技（SLAMTEC）就发布了针对其 自主研发的激光雷达RPLIDAR 的ROS 功能包rplidar_ros。这些开源功能包与ROS 一起构成了强大的开源生态环境。 ROS 的系统结构设计也颇有特色，ROS 运行时是由多个松耦合的进程组成，每个进程ROS 称之为节点（Node），所有节点可以运行在一个处理器上，也可以分布式运行在多个处理器上。在实际使用时，这种松耦合的结构设计可以让开发者根据机器人所需功能灵活添加各个功能模块。 1理论分析 1.1控制电机转动 电机的控制我们分为两部分，一部分为电机转动方向的控制，另一个为电机转速的控制。电机转动的方向我们用两个MCU 引脚来控制，假如PIN_A=1，PIN_B=0 时，电机正转； PIN_A=0，PIN_B=1 时，电机反转；PIN_A=0，PIN_B=0 时，电机停止。电机速度的控制则需要一个PWM 输出引脚，我们通过控制输出不同的PWM 值来控制电机转动的速度。
独轮机器人
独轮机器人的开发和控制：机电一体 化实用方法 J.H. Park a，S. Jung b a大韩民国现代威亚 b大韩民国大田305-764忠南国立大学机电工程系智能系统与情绪工程实验室 摘要：本文提出了一种机电一体化的方法，使复杂的动力系统为满足所需的要求。机电一体化方法有几个阶段：分析设计，系统集成，传感与控制和评价。机电一体化方法意味着设计，实现，检测和控制的周期被重复执行，直到该系统通过评估满足目标。通过机电一体化方法开发和控制了使用陀螺效应的机器人系统之后，单轮机器人系被取名为GYROBO。GYROBO的目标是要浏览其地形，同时保持稳定的平衡。然而，单轮机器人的成功平衡和导航是相当困难的和具有挑战性的，因为单点接触很容易在侧向倒下。为了达到成功的平衡性能，在运用高级控制算法之前许多问题需要解决。在分析设计，集成，传感与控制和评价这几个阶段中，最重要的阶段是分析设计。然而，由于系统复杂，分析设计不能保证可靠的性能。实用的机电一体化方法是重复进行系统集成，传感与控制，以及评估这个循环。经过若干次修改轮子外壳中内部组件的机械装配和重新布置，简单的线性控制器能够使GYROBO执行成功的平衡和导航。GYROBO能够遵循远程操作员指定的轨迹。平衡，向前和后向行驶，转向，以及攀越GYROBO障碍的控制实验研究是为了演示和评估其功能和支持用机电一体化方法来控制复杂的系统。 文章信息：2011年10月19日收到，2013年5月23日通过，2013年8 月12日可在线获取 关键词：独轮机器人陀螺效应驱动与平衡控制机电一体化方法 一、简介 在不同的机器人类别中,移动机器人的研究一直占主导地位。其中一个原因是研究范例从工业机器人到服务机器人转变的这一新趋势。移动性是该服务机器人应具备必要的能力之一。 随着研究的进一步发展移动机器人轮子的数量[1-6]正在减少。移动机器人可分为三组，这种分类是根据轮子与地面接触的点数：面接触，线接触和点接触。 为了满足稳定的行驶性能，传统的由轮子驱动的移动机器人有四个轮子，但作为一个非完整的系统有运动学约束。为了机动，两个后轮用来驱动，两个前轮用来改变方向。移动机器人系统的大部分属于这一类。其中一个四轮移动机器人的缺点转弯时需要较大的空间，这使得这种应用在狭窄空间是不可行的。 三轮机制可以用于一个完整系统产生全方位的运动[7]。全向移动机器人用于室内环境，不需要超速驾驶，但要有良好的可操作性。具有三个或四个车轮的移动机器人都属于平面接触类别，该类别形成了一个平面。四轮式移动机器人形
基于视觉导航的轮式移动机器人设计方案
基于视觉导航的轮式移动机器人设计方案第一章移动机器人 §1.1移动机器人的研究历史 机器人是一种自动化的机器，所不同的是这种机器具备一些与人或生物相似的智能，如感知能力、规划能力、动作能力和协同能力，是一种具有高度灵活性的自动化机器)。1962年，美国Unimation公司的第一台机器人Unimate。在美国通用汽车公司(GM)投入使用，标志着第一代机器人的诞生。 智能移动机器人更加强调了机器人具有的移动能力，从而面临比固定式机器人更为复杂的不确定性环境，也增加了智能系统的设计复杂度。1968年到1972年间，美国斯坦福国际研究所(Stanford Research Institute, SRI)研制了移动式机器人Shaky,这是首台采用了人工智能学的移动机器人。Shaky具备一定人工智能，能够自主进行感知、环境建模、行为规划并执行任务(如寻找木箱并将其推到指定目的位置)。它装备了电视摄像机、三角法测距仪、碰撞传感器、驱动电机以及编码器，并通过无线通讯系统由二台计算机控制。当时计算机的体积庞大，但运算速度缓慢，导致Shaky往往需要数小时的时间来分析环境并规划行动路径。 1970年前联月球17号探测器把世界第一个无人驾驶的月球车送七月球，月球车行驶0.5公里，考察了8万平方米的月面。后来的月球车行驶37公里，向地球发回88幅月面全景图。在同一时代，美国喷气推进实验室也研制了月球车(Lunar rover),应用于行星探测的研究。采用了摄像机，激光测距仪以及触觉传感器。机器人能够把环境区分为可通行、不可通行以及未知等类型区域。 1973年到1979年，斯坦福大学人工智能实验室研制了CART移动机器人，CART可以自主地在办公室环境运行。CART每移动1米，就停下来通过摄像机的图片对环境进行分析，规划下一步的运行路径。由于当时计算机性能的限制，CART每一次规划都需要耗时约15分钟。CMU Rover由卡耐基梅隆大学机
移动机器人视觉定位设计方案
移动机器人视觉定位设计方案 运动视觉研究的是如何从变化场景的一系列不同时刻的图像中提取出有关场景中的目标的形状、位置和运动信息，将之应用于移动机器人的导航与定位。首先要估计出目标的空间位置和运动信息，从而为移动机器人车体的导航与定位提供关键前提。 视觉信息的获取主要是通过单视觉方式和多视觉方式。单视觉方式结构简单，避免了视觉数据融合，易于实现实时监测。如果利用目标物体的几何形状模型，在目标上取3 个以上的特征点也能够获取目标的位置等信息。此方法须保证该组特征点在不同坐标系下的位置关系一致，而对于一般的双目视觉系统，坐标的计算误差往往会破坏这种关系。 采用在机器人上安装车载摄像机这种局部视觉定位方式，本文对移动机器人的运动视觉定位方法进行了研究。该方法的实现分为两部分：首先采用移动机器人视觉系统求出目标质心特征点的位置时间序列，从而将对被跟踪目标的跟踪转化为对其质心的跟踪；然后通过推广卡尔曼滤波方法估计目标的空间位置和运动参数。 1 目标成像的几何模型 移动机器人视觉系统的坐标关系如图1 所示。 其中O-X Y Z 为世界坐标系；O c - X cY cZ c 为摄像机坐标系。其中O c 为摄像机的光心，X 轴、Y 轴分别与X c 轴、Y c 轴和图像的x ，y 轴平行，Z c 为摄像机的光轴，它与图像平面垂直。光轴与图像平面的交点O 1 为图像坐标系的原点。O cO 1 为摄像机的焦距f 。 图1 移动机器人视觉系统的坐标关系 不考虑透镜畸变，则由透视投影成像模型为：
式中，Z′= ［u，v ］T 为目标特征点P 在图像坐标系的二维坐标值；（X ，Y ，Z ）为P 点在世界坐标系的坐标；（X c0，Y c0，Z c0）为摄像机的光心在世界坐标系的坐标；dx ，dy 为摄像机的每一个像素分别在x 轴与y 轴方向采样的量化因子；u0，v 0 分别为摄像机的图像中心O 1 在x 轴与y 轴方向采样时的位置偏移量。通过式（1）即可实现点P 位置在图像坐标系和世界坐标系的变换。 2 图像目标识别与定位跟踪 2.1 目标获取 目标的获取即在摄像机采集的图像中搜索是否有特定目标，并提取目标区域，给出目标在图像中的位置特征点。 由于机器人控制实时性的需要，过于耗时的复杂算法是不适用的，因此以颜色信息为目标特征实现目标的获取。本文采用了HS I 模型， 3 个分量中，I 是受光照影响较大的分量。所以，在用颜色特征识别目标时，减少亮度特征I 的权值，主要以H 和S 作为判定的主要特征，从而可以提高颜色特征识别的鲁棒性。 考虑到连通性，本文利用捕获图像的像素及其八连通区域的平均HS 特征向量与目标像素的HS特征向量差的模是否满足一定的阈值条件来判别像素的相似性；同时采用中心连接区域增长法进行区域增长从而确定目标区域。图2 给出了目标区域分割的算法流程。
双轮自平衡小车机器人系统设计与制作
燕山大学 课程设计说明书题目：双轮自平衡小车机器人系统设计与制作 学院（系）：机械工程学院 年级专业：12级机械电子工程 组号：3 学生： 指导教师：史艳国建涛艳文史小华庆玲 唐艳华富娟晓飞正操胡浩波 日期： 2015.11
燕山大学课程设计（论文）任务书院（系）：机械工程学院基层教学单位：机械电子工程系
摘要 两轮自平衡小车是一种非线性、多变量、强耦合、参数不确定的复杂系统，他体积小、结构简单、运动灵活，适合在狭小空间工作，是检验各种控制方法的一个理想装置，受到广大研究人员的重视，成为具有挑战性的课题之一。 两轮自平衡小车系统是一种两轮左右并行布置的系统。像传统的倒立一样，其工作原理是依靠倾角传感器所检测的位姿和状态变化率结合控制算法来维持自身平衡。本设计通过对倒立摆进行动力学建模，类比得到小车平衡的条件。从加速度计和陀螺仪传感器得出的角度。运用卡尔曼滤波优化，补偿陀螺仪的漂移误差和加速度计的动态误差，得到更优的倾角近似值。通过光电编码器分别得到车子的线速度和转向角速度，对速度进行PI控制。根据PID控制调节参数，实现两轮直立行走。通过调节左右两轮的差速实现小车的转向。 制作完成后，小车实现了在无线蓝牙通讯下前进、后退、和左右转向的基本动作。此外小车能在正常条件下达到自主平衡状态。并且在适量干扰下，小车能够自主调整并迅速恢复稳定状态。 关键词：自平衡陀螺仪控制调试
前言 移动机器人是机器人学的一个重要分支，对于移动机器人的研究，包括轮式、腿式、履带式以及水下式机器人等，可以追溯到20世纪60年代。移动机器人得到快速发展有两方面原因：一是其应用围越来越广泛；二是相关领域如计算、传感、控制及执行等技术的快速发展。移动机器人尚有不少技术问题有待解决，因此近几年对移动机器人的研究相当活跃。 近年来，随着移动机器人研究不断深入、应用领域更加广泛，所面临的环境和任务也越来越复杂。机器人经常会遇到一些比较狭窄，而且有很多大转角的工作场合，如何在这样比较复杂的环境中灵活快捷的执行任务，成为人们颇为关心的一个问题。双轮自平衡机器人概念就是在这样的背景下提出来的。两轮自平衡小车是一个高度不稳定两轮机器人，是一种多变量、非线性、强耦合的系统，是检验各种控制方法的典型装置。同时由于它具有体积小、运动灵活、零转弯半径等特点，将会在军用和民用领域有着广泛的应用前景。因为它既有理论研究意义又有实用价值，所以两轮自平衡小车的研究在最近十年引起了大量机器人技术实验室的广泛关注。 本论文主要叙述了基于stm32控制的两轮自平衡小车的设计与实现的整个过程。主要容为两轮自平衡小车的平衡原理，直立控制，速度控制，转向控制及系统定位算法的设计。通过此设计使小车具备一定的自平衡能力、负载承载能力、速度调节能力和无线通讯功能。小车能够自动检测自身机械系统的倾角并完成姿态的调整，并在加载一定重量的重物时能够快速做出调整并保证自身系统的自我平衡。能够以不同运动速度实现双轮车系统的前进、后退、左转与右转等动作，同时也能够实现双轮自平衡车系统的无线远程控制操作
移动机器人视觉导航系统研究
北京交通大学 硕士学位论文 移动机器人视觉导航系统研究姓名:王红波 申请学位级别:硕士专业:信号与信息处理指导教师:阮秋琦 20080601 中文摘要 中文摘要 摘要:基于视觉的移动机器人导航是近年发展起来的一种先进导航技术。与其它的非视觉传感器导航相比,它具有信息丰富、探测范围宽、目标信息完整等优点。本文结合实际应用,提出了一个完整的移动机器人视觉导航系统解决方案。研究内容主要包括四个部分:摄像机标定、目标识别、单目测距和运动控制。分别阐述如下: 第一,摄像机标定,基于张正友的平面标定算法对摄像头进行精确标定,针对摄像头的自动变焦特性,提出了一个新的离线离散标定策略,并获得多个状态下的摄像头内外参数。 第二,目标识别,传统分割方法存在多分割问题,影响到目标物提取的精度, 这罩提出一个改进了的基于HSI模型的彩色图像分割算法,在多通道阈值分割的基础上,融入了连通区域标记和形念学开闭运算。 第三,单目测距,基于摄影测量学和立体几何理论,建立了单目视觉测距模型,并推导了基于地平面约束的单目测距算法。针对多种误差因素,在测距算法中加入了误差校币,使移动机器人能够更加准确地定位目标物体。 第四,运动控制,控制摄像机云台实现日标物搜索,调整移动机器人位姿和对夹持器的动作控制。
实验结果表明:即使在恶劣光照条件下,提出的Hs工分割算法能够对向光、背光、近处、远处物体实现快速有效提取;提出的单目测距模型和算法能够对目标物体进行精确的测距;当把这些算法集成到实验平台上时,能够快速实现移动机器人的导航控制,并成功完成物体抓取操作。 关键词:摄像机标定、彩色目标识别、单目视觉测距、移动机器人 分类号:TP 391.41 ABSTRACI' ABSTRACT ABS。I’RAC’1.. In recent years,vision attracts a lot of attention for navigating a mobile robot in dynamic https://www.wendangku.net/doc/922913455.html,pared with other sensing systems,visual navigation is excellent and effective.With a visual sensing system,wider view of field,rich and intensive data Can be obtained for a mobile robot moving in a changing environment.In this study,a visual navigation scheme is proposed for a mobile robot to realize object collection,and it comprises of camera calibration,object recognition,monocular measurement and motion control,as stated in the following. Firstly,the technique of camera calibration is presented on the basis of Zhang’S algorithm.Since a PTZ calTlera is used here,it is controlled to move up and down,from left to right,to extend the view of field.Therefore,calibration in different positions is needed,and a new discrete method is proposed here. Secondly,a