论文部分内容阅读
随着科技的快速发展,尤其是大数据和人工智能时代的逐步迫近,而机器人作为时代的产物,发挥着越来越重要的作用,在机器人运动的过程中,楼梯可能是机器人必须通过的路段,因此如何平稳快速准确的使机器人通过楼梯显得尤为重要。本文主要围绕自主研发的多轮足机器人如何通过楼梯而展开。对于楼梯的识别问题,本文提出通过训练图像分类模型来识别楼梯,相比于传统的图像方法,其识别效果较好,性能得到了较大的提升;对于楼梯的定位问题,本文通过实验,确定了最适合楼梯的边缘检测算法,再配合改进后的轮廓提取算法来定位楼梯,从而给机器人一个合适的前进路径;对于多轮足机器人在楼梯上的自平衡问题,本文首先从结构上改进了基于多轮足的越障机器人,然后通过mpu6050采集的数据设计了时序机器学习模型,传统的控制方法并不能很好的解决非结构环境下的自平衡问题,本文所设计的方法为解决非结构化环境下的自平衡问题提供了一个全新的解决思路,且在本文的实验环境下,本文设计的基于时序的机器学习模型能够较好的解决多轮足机器人在楼梯上的自平衡问题。针对识别楼梯问题。本文对比研究了传统的图像分类网络cnn、resnet网络和模板匹配等方法。采集足够多的数据集进行测试,对比了三种方法,实验得出resnet网络的效果较好,能够较好的识别出楼梯,其识别准确率达99.3%,召回率为99%。针对楼梯的定位问题。本文首先通过前期探索分析,确定了整体的流程,即先图像预处理,然后边缘检测,最后提取并筛选轮廓。对于边缘检测,本文对比了sobel边缘检测算子、canny边缘检测算法和Laplacian算子。实验得出sobel边缘检测算子在各种情况下具有较好的效果,后续通过轮廓提取并筛选,最终定位楼梯。针对楼梯上的自平衡问题,即非结构环境下的自平衡问题。对于底层机械结构的改进:本文重新设计了多轮足的连轴,法兰(连接器部分)和套筒,将连轴替换为六轮形结构,将法兰替换为配套棱形以及圆弧形结构,将套筒和对应的齿轮链接部分也做了对应的修改。对于上层控制算法的设计:本文首先通过前期探索分析,传统的自平衡控制方法并不能较好的解决非结构环境下的自平衡问题。本文从建立机器学习模型切入解决这个问题。通过mpu5060获取多轮足机器人在爬楼梯时的角度信息,以此设计时序机器学习模型。在模型上,分别对比了传统svm模型和xgboost模型,实验得出随着状态数的增加,xgboost模型准确率越来越高,当采取45个陀螺仪数据建立机器学习模型时,xgboost模型在测试集上可获得91.16%的准确率,相较于传统方法有较大的提升,且在样机实验中能能够较好的解决多轮足机器人爬楼梯时的自平衡问题。基于优化设计结果,搭建样机进行验证测试。对于楼梯的识比问题,本文所设计的resnet网络模型能够较好的检测到楼梯,具有较好的适应性;对于楼梯定位问题,本文所确定的采用sobel边缘检测算子,再配合图像预处理和轮廓提取,该方法够较好的定位楼梯。对于多轮足机器人在楼梯上的自平衡问题,本文所设计的基于时序机器学习模型的方法能够较好的解决非结构环境下的自平衡问题。