- 1、本文档共38页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
视觉式机器人方位估测与运动控制
視覺式機器人方位估測與運動控制
王士豪、黃柏翔
淡江大學機械與機電工程學系大學生
馮盈捷、郭沛棋、邱明璋
淡江大學機械與機電工程學系碩士生
王銀添
淡江大學機械與機電工程學系副教授
摘要
本研究針對視覺式機器人,進行狀態偵測與追蹤。在狀態偵測與追蹤方面,利用三維
空間座標與攝影機成像原理結合,搭配加速強健特徵(SURF) ,求算機器人在環境中的位置
狀態。使用 PC-based 控制器給予視覺式機器人指令,以影像作為回授系統,進而做出路徑
規劃與群隊控制。
1.研究動機與研究問題
以視覺系統(vision system)監控機器人在已知的環境中的 位置,必須要能夠在影像中
偵測與追蹤到機器人的特徵。本研究將以視覺系統架構偵測與追蹤機器人的感測模組,所
建立的偵測與追蹤功能將應用在監控機器人的問題上,以影像特徵資訊求算輪型機器人在
三維空間中的位置,進而指揮輪型機器人執行任務,例如路徑規畫或群隊控制等任務。
視覺式感測模組所萃取的影像特徵 (features)可分為點特徵 (point features)與區域特徵
(region features) 兩種型式。點特徵通常搭配周圍的影像區塊(image patch)進行特徵的偵測與
追蹤 [1] ;區域特徵則通常搭配尺度空間(scale space)與描述向量(description vector)進行特徵
的偵測與追蹤 [2] 。使用點特徵進行機器人的自我定位的優點是架構簡單與容易實現,缺點
是方位 (orientation)固定的影像區塊在追蹤過程容易發生特徵遺失或誤判。使用區域特徵的
優點是影像特徵的尺度與方位不變 (scale and orientation invariant) ,缺點是運算相當耗時,
典型範例為 Lowe[2]所提的尺度不變特徵轉換 (Scale Invariant Feature Transform, SIFT)方
法,無法達到快速即時的運算效果。Bay et al. [3]提出以盒子過濾器 (box filter)結合積分影
像 (integral image)方法進行區域特徵偵測,可以達到即時運算的要求。本研究將以Bay et al.
所提方法規劃機器人即時視覺式運動伺服控制 鄭嚴智、王清玄[ 2009]所需的感測模型。
1
2. 文獻回顧與探討
對影像進行區域特徵的偵測(detection),所得到的區域特徵在多張影像之間的一致性相
當高,使用簡單的比對方法例如計算尤基里德距離 (Euclidean distance)與最鄰近比例比對方
法(the nearest neighbor ratio matching strategy)[2] ,[4] -[5] ,即可找到相對應的特徵點。區域
特徵追蹤可應用於影像移動範圍大與旋轉等情況,也有助於環境中的物件辨識與追蹤
(object recognition and tracking) 。Lindeberg[6] 首先提出自動尺度選擇 (automatic scale
selection)的概念,偵測具有特徵尺度的特徵點,並使用影像 Hessian矩陣的行列式與
Laplacian偵測團狀 (blob)結構的區域特徵。Mikolajczyk and Schmid [7]提出偵測具尺度不變
之特徵點的方法,使用Hessian矩陣行列式選取特徵點位置,使用 Laplacian選取尺度。Lowe[2]
,[8]提出尺度不變特徵轉換 (SIFT)方法,使用高斯差異(Difference of Gaussians, DoG)取代高
斯Laplacian (Laplacian of Gaussians, LoG)偵測與描述區域特徵,以提高偵測速度。Bay[3] ,[9]
文档评论(0)