基于Nao机器人捡垃圾流程及算法研究.docVIP

基于Nao机器人捡垃圾流程及算法研究 　　摘要：针对家庭服务类机器人捡垃圾的问题，提出了一种基于机器人识别物体上的Naomark标记来间接识别物体的策略。文中简单介绍了RGB以及HSV色彩模式，阐明了引用Naomark的原因，给出了Nao机器人捡垃圾的具体过程。 　　关键词：Nao机器人；RGB；HSV；Naomark 　　中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2015）11-0154-02 　　1 Nao机器人的基本介绍 　　随着人类在人工智能机器人领域的不断探索与发展，越来越多种类的机器人被研发与投入使用，在这之中，Nao机器人凭借其显著的特点逐渐成为学术领域乃至世界范围内应用最广泛的人工智能机器人。 　　在硬件方面，Nao配置了众多可移动的关节位置，这些关节位置使 Nao拥有25个自由度[1]，保证了机器人动作的连贯性，再加上机器人内部配置了压力传感器，霍尔效应传感器，惯性导航仪，红外接收器和超声波传感器等设备[2]，进一步提升了Nao机器人行走，抓取等动作的流畅与稳定，此外，通过AMD Geode等嵌入式软件，Nao可以实现声音合成、音响定位、探测视觉图像及探测障碍物等多种功能。 　　编程方面Nao可在Linux、Windows或Mac OS等多种操作系统下通过现成的指令块进行可视化编程编程并且拥有一个开放式的构架，大大简化了程序员的工作，并且用户可以通过自己想要达到的效果来探索不同的领域。 　　2 物体识别技术的选择 　　2.1 RGB和HSV 　　在颜色空间的选择方面，最广泛运用的是RGB色彩模式以及HSV色彩模式。 　　RGB色彩模式是将红（Red）绿（Green）蓝（Blue）三种原色的色光以不同的比例相加，这样就可以产生很多种不同效果的色光，具体来说一个图像的每个像素点都分别有R、G、B三个色彩分量，而在RGB颜色模型中，每个像素点的每个分量被分配了一个0到255之间的色彩值。例如：纯红色的R值为255，G值为0，B值为0；白色的R、G、B都为255；黑色的R、G、B都为0。经过理论分析以及众多实际应用经验，RGB图像可以表示多颜色。但是使用RGB颜色模型的一个很大的问题是这种颜色空间受光照强度的影响比较大，相关实验表明，对于同一物体来说在不同强度的光照下测得的RGB色值分布很分散，但是在Nao机器人执行捡垃圾任务的环境中光线强度的变化可能会比较大，这就无法保证识别的准确性，如果采用RGB颜色空间的话，机器人就很可能把并非指定颜色的物体误认为指定颜色的物体或者忽略了应该识别的物体，显然，RGB是不能满足实际要求的。 　　HSV颜色模型的H、S、V三个分量分别表示色调、饱和度和亮度[3]，色调H由角度度量，由绕V轴的旋转角给定，并做规定红色对应的角度为0，按照逆时针方向旋转，相应的黄色对应的角度为60°，绿色对应于角度120°，青色对应角度为180°蓝色对应于角度240°，，品红对应角度为300°。饱和度S取值从0.0到1.0，值越大表示色彩越饱和，比较特别的是S几乎不随光照强度的变化而改变，这一特点恰恰弥补了RGB颜色空间的缺陷。 亮度V取值范围从0到255，每一个值对应于一种颜色[4] 　　2.2 Naomark 　　为了避免RGB颜色模式中光照的影响以及在HSV颜色模式上有所创新，我们采用了一种Naomark标识技术。Naomark以一个黑色圆圈为圆心，周围有若干以圆圈为中心打开的白色扇环，黑色圆圈里的数字叫做Mark ID，是对不同Naomark的标记，将Naomark放在目标物体上，并放在Nao行动范围内的不同位置，Nao便把直接寻找目标物体的任务转换成通过探测Naomark来间接定位目标物体，这样做的直接原因就是为了解决上面提到的RGB颜色空间的色值分散问题，实验结果表明，Nao探测Naomark时受光照的影响可以被控制在允许的范围内，因此识别的准确度在很大程度上得到了保证。 　　获取结果的代码： 　　From naoqi import ALProxy 　　IP=”your _robot_ip” 　　PORT=9559 　　#Create a proxy to ALMemory 　　memProxy=ALProxy（“ALMemory”，IP，PORT） 　　#Get data from landmark detection（assuming face detection has been activated） 　　Data=memProxy.getData（“LandmarkDetected”） 　　如果探测无结果，则变量值为空，（Python语言里为”[]”）。如果探测到N个Naomark，则会有如