基于ROS系统的家政服务机器人视觉导航识别算法

  • A+
所属分类:AGV设计资料
摘要

通过对家政服务环境以及机器人需要完成的任务进行分析,融合机器视觉和深度学习技术设计了一种家政服务机器人视觉导航识别算法。该算法基于you Bot机器人硬件平台和ROS(Robot Operating System)操作系统,以Kinect为传感器,采用Goog Le Net深度学习识别模型,在ROS系统导航算法的支持下实现了家政服务机器人的导航、定位与识别。实验结果表明,本文提出的算法能够实现家政服务机器人的导航、定位与识别。

0 引言

当今有越来越多的机器人出现在人们生活中,家政服务机 器人就是其中之一。 家政服务机器人指的是能够代替人完成家 政服务工作的机器人,它包括感知装置、控制装置、执行装置 等,目前家政服务机器人实现的主要应用有:防盗监测、清洁卫 生、物品搬运、家电控制等[1]。 本文研究并实现了一种基于ROS 系统的家政服务机器人的视觉识别与导航定位算法。 该算法使 用 ROS 系统的地图生成包实时生成地图, 并通过 ROS 机器人 的定位与路径规划包实现定位与导航,在到达目标点后使用深 度学习算法实现目标识别, 并通过控制系统实现目标物的抓 取。具体流程如图 1 所示。本文结构如下:引言部分给出了家政 服务机器人的定义、作用以及组成并介绍了本文算法的设计思 路;第 1 部分介绍了实现本文算法的家政服务机器人的硬件和 软件平台;第 2 部分设计了基于ROS 的家政服务机器人视觉识 别算法;第 3 部分融合视觉识别算法,设计了基于机器视觉的 家政服务机器人导航与定位算法;最后一部分为本文的结论。

基于ROS系统的家政服务机器人视觉导航识别算法

图 1 算法总体流程图

1 家政服务机器人的硬件平台和软件平台

1.1 硬件平台

系统实现的硬件平台为KUKA 公司的 youBot。 该移动机器 人是 KUKA 专门为教育或科研开发的一款移动机器人平台,具 有开源的控制程序,自带 KUKA youBot API 程序接口,同时提 供 ROS 或 OROCOS 程序接口界面。 该平台由一个四轮的万向 移动平台与两个带夹持器的5 自由度机械手臂组成,携带的传 感器包括:激光雷达,激光测距仪,三维传感器。

1.2 软件平台

本算法运行的软件平台为 Ubuntu, 基于 ROS 机器人操作 系统进行设计与实现。 本算法采用 OpenCV 视觉算法库进行视 觉相关的预处理,然后通过深度学习网络对机器人抓取目标进 行识别,并将识别算法与激光雷达等采集到的信息一起融合到 ROS 系统的导航定位模块当中。
ROS 是编写机器人软件的灵活框架。 ROS 可以简化在各种 机器人平台上创建复杂和强大的机器人行为的任务。 它能够提 供类似传统操作系统的诸多功能,如硬件抽象、底层设备控制、 进程间消息传递和程序包管理等。 此外,它还提供了相关工具 和开发库,用于获取、编译、编辑代码以及在多个计算机之间运 行程序完成分布式计算。

深度学习的概念源于人工神经网络的研究,包含多隐层的 多层感知器就是一种深度学习结构[2]。 深度学习是机器学习中 一种基于对数据进行表征学习的方法它通过组合低层特征形 成更加抽象的高层表示属性类别或特征,以发现数据的分布式 特征表示。 所需要的观测值可以使用多种方式来表示,如每个 像素强度值的向量,或者更抽象地表示成一系列边、特定形状 的区域等。 深度学习的好处是用无监督式或半监督式的特征学 习和分层特征提取来替代人工获取特征。

2 基于 OpenCV和深度学习模型的视觉识别算法设计与实现

2.1 图像采集

图像信息采集采用的是Kinect 摄像头, 包含三个镜头,中 间的镜头是 RGB 彩色摄影机,用来采集彩色图像。 左右两边镜 头则分别为红外线发射器和红外线CMOS 摄影机所构成的 3D 结构光深度感应器,用来采集深度数据。 Kinect 彩色和深度图 像数据,以数据流的方式逐帧流出,可以有两种获取方式:一种 是查询方式;另一种是中断机制唤醒方式[3]。 根据家政服务的任务特点,本文算法采用中断机制唤醒方式获取数据流。

2.2 图像预处理

由于家政服务机器人环境相对固定,灯光对采集的图像质 量影响较大,在用 Kinect 采集图像信息时机器人运动会使图像 变模糊,电磁干扰会使图像有噪声,就需要对图像进行平滑和 降噪处理。 图像平滑和降噪主要使用滤波器,常见的滤波器包 括:归一化滤波器、高斯滤波器、中值滤波器和双边滤波器等[4]。 在真实环境中,噪声往往不是由单一源头造成的,而是很多不 同来源的噪声复合体,把真实噪声看成非常多不同概率分布的 随机变量的叠加。 每一个随机变量都是独立的,那么根据中心 极限定理,归一化和就随着噪声源数量的上升趋近于一个高斯 分布,因此使用高斯滤波器会取得较好的效果[5]。 利用离散高斯 卷积模板与含噪图像进行卷积运算可得到降噪后的图像。 室内 电视机含噪图像如图2 所示, 各滤波器的降噪效果对比如图3 所示,(a)(b)(c)(d)分别为高斯滤波、归一化滤波、中值滤波与双边 滤波降噪结果,从中可看出高斯滤波的优势。

抱歉,此资源仅限赞助会员下载,请先
注意:本站资源多为网络收集,如涉及版权问题请及时与站长联系QQ:2766242327,我们会在第一时间内与您协商解决。如非特殊说明,本站所有资源解压密码均为:agvba.com。
weinxin
微信公众号
agvba是一个分享AGV知识和agv案例视频的网站。

发表评论

您必须才能发表评论!