前言：本站為你精心整理了模塊化機(jī)器人構(gòu)型視覺識(shí)別方法探析范文，希望能為你的創(chuàng)作提供參考價(jià)值，我們的客服老師可以幫助你提供個(gè)性化的參考范文，歡迎咨詢。

模塊化機(jī)器人系統(tǒng)具有較高的可拓展性和重構(gòu)性，能夠以多種構(gòu)型應(yīng)用在不同的領(lǐng)域之中。然而，模塊化機(jī)器人系統(tǒng)的構(gòu)型識(shí)別是一個(gè)耗費(fèi)大量時(shí)間精力且準(zhǔn)確率不高的任務(wù)，尤其對(duì)于缺少傳感裝置的模塊化機(jī)器人系統(tǒng)而言。本文提供了一種基于視覺識(shí)別的方法，該方法采用了目標(biāo)檢測(cè)的思想，使用了深度學(xué)習(xí)的方法來獲取給定圖像中的機(jī)器人模塊信息，并基于最鄰近搜索的方式進(jìn)行構(gòu)型匹配，以找出當(dāng)前的配置。我們通過實(shí)驗(yàn)驗(yàn)證了該方法的有效性。實(shí)驗(yàn)結(jié)果表明，我們的方法能夠在無需給機(jī)器人安裝額外檢測(cè)組件的情況下實(shí)現(xiàn)機(jī)器人的運(yùn)動(dòng)鏈構(gòu)型識(shí)別，且對(duì)于噪聲環(huán)境具有較高的魯棒性。

1模塊識(shí)別方法

可重構(gòu)模塊化機(jī)器人RMRs是一種具有高度集成和集中控制系統(tǒng)的模塊化機(jī)器人系統(tǒng)，目前針對(duì)于RMRs的構(gòu)型檢測(cè)方法大多是在單個(gè)模塊上增加額外的輔助組件（如二維碼等）來進(jìn)行識(shí)別。在本章中，我們將詳細(xì)描述基于視覺識(shí)別通用鏈?zhǔn)綐?gòu)型識(shí)別方法。如前文所述，我們使用了一種基于目標(biāo)檢測(cè)的深度學(xué)習(xí)算法來進(jìn)行模塊識(shí)別。受到的啟發(fā)，我們使用了一種多任務(wù)學(xué)習(xí)的全卷積神經(jīng)網(wǎng)絡(luò)。該網(wǎng)絡(luò)使用了深層特征融合(DeepLayerAggregation,DLA)作為特征提取模塊，構(gòu)建了三個(gè)獨(dú)立的輸出模塊：一個(gè)用于預(yù)測(cè)圖像中所有RRMS型機(jī)器人模塊的中心點(diǎn)位置及模塊的種類，其他兩個(gè)分別用于預(yù)測(cè)圖像中每個(gè)模塊的包圍框尺寸以及中心點(diǎn)位置的偏移量，見圖1所示。

2運(yùn)動(dòng)鏈識(shí)別方法

通過上文的模塊識(shí)別方法，我們得到了圖中所有小模塊的類別、中心點(diǎn)及包圍框。本章中介紹的方法將會(huì)通過使用這三種信息來識(shí)別并構(gòu)建出任意型號(hào)串聯(lián)型RRMS機(jī)器人的運(yùn)動(dòng)學(xué)模型。

3實(shí)驗(yàn)

在實(shí)驗(yàn)中，我們將分為兩個(gè)步驟：訓(xùn)練模塊識(shí)別網(wǎng)絡(luò)及搜索算法搭建。前者描述了我們收集數(shù)據(jù)及訓(xùn)練細(xì)節(jié)，并且提供了模型的訓(xùn)練結(jié)果與可視化過程；后者則是對(duì)我們提出的運(yùn)動(dòng)學(xué)鏈構(gòu)型識(shí)別方法進(jìn)行了驗(yàn)證。在訓(xùn)練模塊識(shí)別網(wǎng)絡(luò)之前，我們收集了包含了四種不同類型模塊的526個(gè)樣本作為數(shù)據(jù)集，其中每個(gè)樣本中包含了由任意數(shù)目的RRMS模塊組成的以任意姿態(tài)擺放的機(jī)器人，且每個(gè)樣本中的機(jī)器人皆以主控模塊作為起點(diǎn)，模塊數(shù)目不小于3。由于我們的方法不涉及多個(gè)模塊識(shí)別網(wǎng)絡(luò)之間的比較，并且為了能夠更充分地利用樣本數(shù)據(jù)，因此我們僅按照7:3的比例劃分了訓(xùn)練集與測(cè)試集，而忽略了測(cè)試集。為了進(jìn)一步地提高樣本量以增強(qiáng)模型的泛化性能，我們對(duì)數(shù)據(jù)集進(jìn)行了增強(qiáng)處理，包括一定程度上的隨機(jī)水平反轉(zhuǎn)與隨機(jī)平移。此外，由于收集到的樣本圖像尺寸存在著一定的差異，因此我們使用了零填充的方法來將每個(gè)樣本圖像填充為正方形。我們使用了Pytorch1.8框架并在GeForceRTX3090上進(jìn)行訓(xùn)練，訓(xùn)練過程如圖3所示。我們隨機(jī)地選取一張照片并進(jìn)行可視化處理，其結(jié)果如圖4所示。

4總結(jié)

本文提出了一種基于視覺識(shí)別的鏈?zhǔn)侥K化機(jī)器人構(gòu)型識(shí)別方法，其中包括模塊識(shí)別環(huán)節(jié)和運(yùn)動(dòng)鏈識(shí)別環(huán)節(jié)。我們的方法使用到了一種以DLA作為特征提取層的多任務(wù)學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，用于檢測(cè)出圖像中所有種類所有模塊的中心點(diǎn)位置、包圍框及模塊的種類。隨后，我們使用了一種最鄰近搜索的方法來進(jìn)行運(yùn)動(dòng)鏈構(gòu)型識(shí)別，該方法基于廣度優(yōu)先搜索策略，以兩兩模塊之間的中心點(diǎn)距離與交并比作為判斷依據(jù)，啟發(fā)式地在所有模塊構(gòu)成的強(qiáng)連通圖中搜索出一條最佳的鏈表，該鏈表即為算法最終所預(yù)測(cè)的運(yùn)動(dòng)鏈構(gòu)型。

作者:李偉昌 黃尚櫻 單位:廣東工業(yè)大學(xué)