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

模塊化機器人系統(tǒng)具有較高的可拓展性和重構(gòu)性，能夠以多種構(gòu)型應用在不同的領域之中。然而，模塊化機器人系統(tǒng)的構(gòu)型識別是一個耗費大量時間精力且準確率不高的任務，尤其對于缺少傳感裝置的模塊化機器人系統(tǒng)而言。本文提供了一種基于視覺識別的方法，該方法采用了目標檢測的思想，使用了深度學習的方法來獲取給定圖像中的機器人模塊信息，并基于最鄰近搜索的方式進行構(gòu)型匹配，以找出當前的配置。我們通過實驗驗證了該方法的有效性。實驗結(jié)果表明，我們的方法能夠在無需給機器人安裝額外檢測組件的情況下實現(xiàn)機器人的運動鏈構(gòu)型識別，且對于噪聲環(huán)境具有較高的魯棒性。

1模塊識別方法

可重構(gòu)模塊化機器人RMRs是一種具有高度集成和集中控制系統(tǒng)的模塊化機器人系統(tǒng)，目前針對于RMRs的構(gòu)型檢測方法大多是在單個模塊上增加額外的輔助組件（如二維碼等）來進行識別。在本章中，我們將詳細描述基于視覺識別通用鏈式構(gòu)型識別方法。如前文所述，我們使用了一種基于目標檢測的深度學習算法來進行模塊識別。受到的啟發(fā)，我們使用了一種多任務學習的全卷積神經(jīng)網(wǎng)絡。該網(wǎng)絡使用了深層特征融合(DeepLayerAggregation,DLA)作為特征提取模塊，構(gòu)建了三個獨立的輸出模塊：一個用于預測圖像中所有RRMS型機器人模塊的中心點位置及模塊的種類，其他兩個分別用于預測圖像中每個模塊的包圍框尺寸以及中心點位置的偏移量，見圖1所示。

2運動鏈識別方法

通過上文的模塊識別方法，我們得到了圖中所有小模塊的類別、中心點及包圍框。本章中介紹的方法將會通過使用這三種信息來識別并構(gòu)建出任意型號串聯(lián)型RRMS機器人的運動學模型。

3實驗

在實驗中，我們將分為兩個步驟：訓練模塊識別網(wǎng)絡及搜索算法搭建。前者描述了我們收集數(shù)據(jù)及訓練細節(jié)，并且提供了模型的訓練結(jié)果與可視化過程；后者則是對我們提出的運動學鏈構(gòu)型識別方法進行了驗證。在訓練模塊識別網(wǎng)絡之前，我們收集了包含了四種不同類型模塊的526個樣本作為數(shù)據(jù)集，其中每個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)擺放的機器人，且每個樣本中的機器人皆以主控模塊作為起點，模塊數(shù)目不小于3。由于我們的方法不涉及多個模塊識別網(wǎng)絡之間的比較，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的比例劃分了訓練集與測試集，而忽略了測試集。為了進一步地提高樣本量以增強模型的泛化性能，我們對數(shù)據(jù)集進行了增強處理，包括一定程度上的隨機水平反轉(zhuǎn)與隨機平移。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樣本圖像填充為正方形。我們使用了Pytorch1.8框架并在GeForceRTX3090上進行訓練，訓練過程如圖3所示。我們隨機地選取一張照片并進行可視化處理，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別的鏈式模塊化機器人構(gòu)型識別方法，其中包括模塊識別環(huán)節(jié)和運動鏈識別環(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學習神經(jīng)網(wǎng)絡，用于檢測出圖像中所有種類所有模塊的中心點位置、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行運動鏈構(gòu)型識別，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測的運動鏈構(gòu)型。

作者:李偉昌 黃尚櫻 單位:廣東工業(yè)大學