机器人三维定位系统中关键技术研究.docVIP

机器人三维定位系统中关键技术研究 　　摘要：本文深入研究机器人当中的定位系统当中的关键技术，比如扫描配置和空间定位，提出一种比较高效的算法。这种算法使用的是滤波，使用非线性重复运算的方法保证扫描的准确度，同时也缩短了计算话费的时间。这种算法也是能够解决传统的ICP 算法效率不高的问题，而且还能够对全局进行优化。在这个基础之上对传感器加入一个角度，这样机器人在定位的时候可以获得有角度的信息。 　　关键词：机器人 三维定位 关键技术 研究 　　中图分类号：TP242 文献标识码：A 文章编号：1007-9416（2013）04-0149-01 　　机器人定位系统是目前计算机和机器人研究当中一个比较热门的领域。它是通过对机器人传输回来的数据进行处理，这样获取机器人现在所处的位置。这是进行三维景象恢复和机器人自身导航的一个基础。机器人定位最关键的一个技术是扫描的匹配。到目前为止，国内外对这项技术的研究已经取得了不小的成果。在上世纪九十年代的时候，Besl等就已经提出了使用ICP算法，这种算法是在不断的循环过程当中降低误差。在这个之后还出现了改进的算法，Lu等人缩小了扫描的范围，这种方法降低了循环的次数，但是影响到了匹配的精度。Fairfield为机器人设定了一个参照物，这大大降低了匹配需要的工作量，但是这种方法对机器人的定位是没有好处的。 　　机器人进行三维定位其实是在传统的定位基础上面的扩展，扩展的部分就是增加了机器人不同高度的信息。到目前为止，机器人的定位系统研究还没有成熟，现阶段，在机器人三维定位系统方面的研究还不成熟。三维城市的建立是通过DSM来获得全部的地貌的。这样就形成了一个完整的空间。DSM的准确度还是比较差的，所以对复杂地形的地位还是比较困难有误差的。后来人们使用了很多的设备来获取信息的角度，但是它们的实时性是比较差的。正是因为这样，下面将展示一种新的计算方法，并解释一下如何实行机器人的定位技术。 　　1 三维目标识别与图象识别的差别 　　1.1 深度图像与灰度图像的差别 　　数字化的灰度图像是用数学来描述矩阵的，矩阵当中的行和列分别代表图像当中的横坐标和纵坐标，矩阵当中的每一个元素值代表的是像素值，这也称之为亮度值。深度图像就是一个矩阵，它们当中不相同的是矩阵当中的每一个数值代表的不再是图像的亮度，它代表的是传感器与目标之间的距离。从计算上面来说，图像是可以分为三种的，分别是灰度图像、深度图像和三维图像。灰度图像就是平面图像，深度图像就是一个2.5维的图像，三维图像就是一个对物体进行的三维描述。 　　1.2 灰度图象识别的存在的问题 　　从识别上面来分，图像的设别可以分为平面图像到平面图像模型的识别，然后是平面图像到三维模型的识别。在军事上面经常使用两类平面图像，一种是可见光图像，还有一种是红外图像。可见光图像比较容易受光照、反射的影响，夜晚的时候也是无法拍摄图像的。红外图像会受到太阳的干扰，而且改变姿态的时候会发生目标丢失。如果使用平面图像来识别三维景观的时候，就需要有不同角度的数据和大量的计算，所以这种识别方法是存在缺陷的。 　　2 扫描算法的改进 　　2.1 传统的扫描算法 　　扫描匹配是机器人进行定位的关键，它是一种通过对扫描的数据进行计算来获得机器人位置的方法，可以分为点和点之间、点到线之间，以及线到线之间的扫描。后???两种是比较适合一些有几何特性的环境的，所以说对环境没有规则的场景需要采取适应性强，而且精度高的算法。 　　目前使用最为多的就是一种点到点的算法，这是一种比较经典有效的算法。这种算法是通过循环过程当中两个模型的均方达到一定值，这样就可以计算位置的变化。ICP算法的精度很高，但是计算量太大，而且循环过程是没有办法得到最优的结果。因此需要从不同的方面对ICP算法进行改进。 　　2.2 ICP算法的改进 　　2.2.1 点集的处理 　　对ICP算法的改进是多个方面的，首先需要对点集进行预处理，处理的目的就是为了去除一些边缘点，也就是那些在扫描的时候没有办法扫描到的点，这样就可以提高图像的精度。具体的操作如下：先按照测量的精度把采样的数据控制在一定的角度范围之内，过滤掉那些比较远的点，这样可以避免因为边缘的造成的误差而导致整体的效果下降。如果扫描频率已经明确了，机器人的行走速度比较慢，这就可能导致扫描的空间小，这样扫描的次数就会变多，所以在实际扫描的时候需要根据扫描频率和移动速度来对物体进行采样。 　　因为扫描的物体不一样，所以扫描的时候会出现一些没有用的点。根据ICP算法，这些杂点是会参与到附近点的搜索当中的，也是会参与到最终位置的计算当中。这是会影响整体效果和计算精度的，所以在计算之前需要排除这些杂点，可以使用中值滤波进行点集的优化。 　　点集筛选的时候可