【摘 要】
：
当今社会机器人变得越来越智能,相比人类具备更高的生产效率。因此,越来越多的行业开始启用机器人代替人工进行作业,所以机器人的智能化应用研究具备良好的前景。监所环境机器人是一种特殊的安防机器人,其可具备自主巡逻、自助充电、人数识别、异常报警等功能。理论上能够实现全天不间断巡逻,相比于人工具有情感等影响因素,机器人具备更高的可靠性。监所环境机器人运行于环境特征相似度大、特征较少的环境,其必须具备无人看管
论文部分内容阅读
当今社会机器人变得越来越智能,相比人类具备更高的生产效率。因此,越来越多的行业开始启用机器人代替人工进行作业,所以机器人的智能化应用研究具备良好的前景。监所环境机器人是一种特殊的安防机器人,其可具备自主巡逻、自助充电、人数识别、异常报警等功能。理论上能够实现全天不间断巡逻,相比于人工具有情感等影响因素,机器人具备更高的可靠性。监所环境机器人运行于环境特征相似度大、特征较少的环境,其必须具备无人看管的状态下自主巡逻、异常检测、自动充电等功能。自主巡逻要求具备良好的建图精度,而异常检测要求机器人能够准确提取监室内的图像信息,自动充电要求机器人能够较精确定位充电器,因此又要求机器人具备较好的定位精度。针对上述问题,本文分别就实际应用中遇到的建图与定位问题展开研究,主要研究内容如下:（1）针对角点较少而特征相似的长通道环境,提出一种改进的弱特征环境下的建图算法。通过将两帧点云数据分组进行处理,判断各分组是否匹配以及总的匹配组数是否达到阈值来确定下一步是生成子地图还是对原有地图进行优化,该算法具备较好的建图效果。（2）考虑在弱光或暗黑环境下也要实现机器人的自动充电功能,且弱特征长通道环境的线段特征较为明显,提出了一种角点定位算法。通过对雷达原始点云数据进行线段特征提取,依据算法提取角点信息,通过充电器匹配公式匹配充电器,最后算出机器人所需移动的位移与角度。（3）由于机器人的全局定位算法误差较大,不能满足机器人作业要求,提出了一种基于视觉的定位算法。依次进行图像预处理,包括图像剪切、色彩空间转化、二值图转化等;其次是图像形态学处理,包括腐蚀、膨胀、闭操作等;最后进行偏移量计算。（4）对各算法进行软件设计、仿真和实验。在Ubuntu16.04的ROS系统下分别针对各算法实现的功能、节点关系以及函数执行顺序进行简要说明;由Grazebo软件建立仿真环境进行仿真,验证算法的可行性;最后在实际环境中设计实验方案,验证算法效果并分析。
其他文献
卷积神经网络（Convolutional Neural Network,CNN）是深度学习领域最重要的神经网络之一,被广泛地应用于图像处理和目标识别等方面。随着卷积神经网络层数的不断加深,结果不仅没有变得更好,反而出现了网络退化的问题。为了解决这个问题,He Kai Ming提出了残差神经网络（Residual Neteork,ResNet）。通过在网络中的不同层之间进行残差连接使得网络更容易实现
随着硬件计算能力的不断提升以及算法模型的快速更新迭代,人工智能技术在实际生活中拥有广泛的应用。以深度卷积神经网络（Convolutional Neural Network,CNN）为代表的数学模型在语义分割、语义识别、目标检测等计算机视觉领域有着极佳的性能表现。卷积神经网络是一种计算密集型高效算法,目前主要采用通用处理器CPU或GPU完成算法的反向训练和前向推理过程。但是,面对实际应用场景对于硬件
硬件特洛伊木马（Hardware Trojans,简写HTs）是指在芯片设计或制造过程中,在非授权情况下对原始电路进行有目的的修改或篡改,以达到在无条件或者在某种特定触发条件下实现改变系统功能,泄露机密情报或摧毁电路的目的。在Moore定律和Dennard缩放比例定律的指导下,芯片的集成度越来越高。在超大规模集成电路中,单个芯片可以容纳上亿个晶体管。随着IC（Integrated Circuit,
神经网络是人工智能算法的一个重要分支,这种算法具有统一的结构,更换权值即可实现不同的任务,同时权值还可以通过自动的训练获得。这些特性使神经网络可以广泛应用在很多领域,如机器视觉、自然语言处理、加密解密等。但是神经网络具有运算消耗算力大的特点,因此构造一种可以高效处理神经网络算法的推理任务的加速器非常有必要。本文首先分析了卷积神经网络和神经网络加速器的基本理论,在此基础上对神经网络计算模型进行分析,
柔性可穿戴传感器可实现各种情况下的实时人体信号采集,在物联网发展迅速的现代社会起到至关重要的作用。基于石墨烯的新型柔性力学传感器具有良好的生物相容性和优异的电化学性能,且容易通过结构工程进行各种优化设计,但针对各种应用场景的性能优化方案和制备方法还需要更深入的研究。为了探究具有更高敏感度、稳定性和可拉伸范围的柔性石墨烯应力传感器的制备方法,本文利用H2-N2等离子体处理氧化石墨烯（GO）,同时实现
雨是现实生活中十分常见的天气,它严重影响能见度,特别是下暴雨的时候。无论是依附在镜头上的雨滴,还是来自各个方向的雨,不断累积,最终使背景场景模糊,严重影响计算机视觉任务的准确性,例如:视频监控、目标检测、自动驾驶中的物体跟踪等。去除图像中的雨线或雨滴不仅可以提高图像的视觉质量,而且对这些计算机视觉任务十分有帮助。如何从下雨场景拍摄的视频和单一图像中恢复出无雨的视频或者背景图像一直是计算机视觉和模式
随着时代的发展,现代战场对于武器装备的要求也越来越高,其中认知能力是必不可少的关键能力之一。通过人工智能技术的使用,使装备系统能够智能地发现、确定、跟踪、瞄准和攻击威胁目标,并对攻击后的效果进行评估。辐射源的识别是认知侦察的关键环节之一,引起了国内外学者们的普遍关注。本文以辐射源识别为核心,重点针对辐射源数据分布存在偏差而识别率低的问题,展开基于迁移学习的辐射源识别技术的研究。具体而言,本文运用迁
随着当今物质生活水平的提高,制造业的标准也在逐步提高,工业制造的元件越来越精密,产品要求越来越高,常用的工厂检测已经不能适应现今大规模的生产进程,并且会束缚生产进度。比如人工检测主要通过工人肉眼识别元器件缺陷,但要求操作工有着丰富的经验以及大量的时间与耐心,且对微小缺陷的检测准确率低。传感器检测能够有效检测部分缺陷,但不同的缺陷需要不同的传感器来检测,有些精密传感器的价格极其昂贵,大大增加了成本。
智能制造的发展驱动了质量检测技术的高速演进,而芯片作为电子信息产业的关键产品,对智能化质量检测技术的工程需求迫切。其中,芯片表面标识的识别技术就具备较高的需求和应用价值。随着光学字符识别技术（Optical Character Recognition,OCR）逐渐深入工业领域,设计和实现适用于芯片相关制造场景的OCR方法,成为解决芯片标识识别问题的关键途径。当前,应用于产业中的芯片标识识别技术主要
神经形态计算凭借脉冲神经网络优良的生物可解释性和高能效比的优势而倍受关注,目前已有多款数字神经形态计算芯片问世。现阶段的数字神经形态计算硬件多采用一维神经元模型,一维神经元模型的生物细节表达能力却显不足。另有少数的神经形态计算硬件采用了二维神经元模型,但这些芯片所实现的二维神经元模型的硬件资源开销大且神经形态计算系统的可扩展性欠缺。本文在前人研究工作的基础上,针对以上问题,对数字神经形态计算硬件中