機器人室內(nèi)定位技術(shù)說明書

機器人室內(nèi)定位技術(shù)說用時可以刪除2機器人六十年代，自第一臺機器人裝置誕生以來，機器人的發(fā)展經(jīng)歷了一個從低級到高級的發(fā)展過程。第一代機器人為示教再現(xiàn)型機器人，是通過計算機來控制多自主的機械裝置，通過示教存儲程序把信息讀取出來并發(fā)出指令，也可以根據(jù)人示教的結(jié)果再現(xiàn)動覺、觸覺、聽覺、視覺等。第三代機器點，機器人通過各種傳感器獲取環(huán)境信決策來完成一定的任務(wù)。因此智能機器場經(jīng)濟發(fā)展的推動下，確定了機器人及其應(yīng)用工程并重、以應(yīng)用帶動關(guān)鍵技術(shù)和基礎(chǔ)研究的發(fā)展方針，實現(xiàn)了高技術(shù)發(fā)展與國民經(jīng)濟主戰(zhàn)場的密切銜接，研制出有自主支持產(chǎn)權(quán)的移動機器人具備超聲、紅外等多傳感器融合的導(dǎo)航系統(tǒng)，可以在一定的室內(nèi)環(huán)境中自由行與自動避障等功能，在國內(nèi)處于先進水平，具有一定影響力。它可以在一定的環(huán)境理緊急情況。研究核心，同時也是其實現(xiàn)完全自空間中障礙物的位置以及障礙物的。此項技術(shù)的概念是通過場景主旨(Gist)和視覺顯著性(Saliency)模型算法，逼真，精確地模擬人腦的神經(jīng)發(fā)，在運動過程中通過反復(fù)獲32.1高斯金字塔高斯金字塔是在圖像處理、計算機視覺、信號處理上使用的一項技術(shù)。本質(zhì)上是信號的多尺度表示方法，亦即將同一信號或圖片多次的進行高斯模糊，并且向下取樣，從而產(chǎn)生不同尺度下的多組信號或圖片用于后續(xù)處理。例如在影響辨識上，可以通過對比不同尺度下的圖片，防止要尋找的內(nèi)容在圖片上有不同的大小。高斯金字塔的理論基礎(chǔ)是尺度所有的t都會成立，不過通常只會選取特定的t值。其中t為高斯函數(shù)的變異數(shù)，當t越ftLf除更在建立高斯金字塔時，我們首先會將影像轉(zhuǎn)換為尺度空間的表示方式，即乘上不同大小的2.2尺度不變特征轉(zhuǎn)換(SIFT)SIFT特征的視覺算法，它在空間尺度中尋找極人地圖感知影像特征的描述與偵測可以幫助辨識物體，SIFT特征是基于物體上的一些局部相當高?；谶@些特性，它們是高度顯著而且相對容易擷取，在母數(shù)龐大的特征數(shù)據(jù)庫SIFT物體特征就足以計算出位置與方位。4分析中，主成分分析是一種分析、簡化數(shù)據(jù)集的技術(shù)，用于分析數(shù)據(jù)及建立數(shù)理模型。主成分分析經(jīng)常用于減少數(shù)據(jù)集的維數(shù)，同時保持數(shù)據(jù)集中的對方差貢獻最大的特征。這是通過保留低階主成分，忽略高階主成分做到的。這樣低階成分往往能夠矩陣進行特征分解，以得出數(shù)據(jù)的特征向量它們的特數(shù)據(jù)維度的有效方法；如果分析者在源數(shù)據(jù)中除掉最小的特征值所對應(yīng)的成分，那么數(shù)據(jù)的內(nèi)部結(jié)構(gòu)，從而更好的解釋數(shù)據(jù)的變量的方法。如果一個多元數(shù)據(jù)集能夠的一個‘投影’。其行為數(shù)據(jù)樣本，列為數(shù)據(jù)類別(注意，這里定義的是XT而不是X)。則X的奇異值分個向量的低維空間中去，W：LrethX的單向量矩陣W相當于協(xié)方差矩陣的本征矢量C=XXT,5到這條直線距離的平方和最小。去除掉第一主成分后，用同樣的方法得到而且所有本征值的總和等于所有點到它們的多維空投影到第一維中去，因此，降低維度必定是失去訊量代表不同用平均減法進行主假設(shè)零經(jīng)驗均值，數(shù)據(jù)集X的主成分w可以被定義為：1kX：成分分析(ICA)6假設(shè)就是信號源統(tǒng)計獨立。這個假設(shè)在大多數(shù)盲信號分離設(shè)不滿足時，仍然可以用獨立成分分析來把觀察信號統(tǒng)計獨立化，從而進一步分析數(shù)據(jù)的特性。獨立成分分析的經(jīng)典問題是“雞尾酒會問題” (cocktailpartyproblem)。該問題描述的是給定混合信號，如何分離出雞尾酒會中同觀察的數(shù)據(jù)或者信號用隨機向量觀察的數(shù)據(jù)或者信號用隨機向量表示，獨立成分量可以定義為向量為向量。獨立成分分析的目的是通過線性變換把觀察的數(shù)據(jù),轉(zhuǎn)換成。統(tǒng)計獨立的量化通常通過某指定函數(shù)常通過某指定函數(shù)來衡量。2.5基于視覺顯著性(saliency)模型的快速場景分析的實時理解有著非常出色片，一種是快速的自底向上，皮層連接動態(tài)7圖，接著空間上的不同位置會相互競爭，直到找出顯著有特征圖自下而上匯總形成saliency顯著點。這種方式，是靈長類動物大腦的后頂葉形成的而言，提供了大量的并行方法，我們可surround域：典型的視覺神經(jīng)元對視野中心的區(qū)域一小塊區(qū)域特外圍區(qū)域則會抑制神經(jīng)元的反應(yīng)。對局部不連續(xù)空間敏感的這樣檢測明顯與周圍不同的局部特征，因此被用作模擬視網(wǎng)膜、外側(cè)882.6提取早期視覺特征模型研究的特征分為三種，分別為明暗特征，色彩特征和方向特征。低的時候是無法感知的，因此是不顯著的，因此正規(guī)化僅僅作用于I大于整張圖片亮度最差值產(chǎn)生了特征圖。第一組特征圖考慮的是亮度的對比，哺乳動物是通過神經(jīng)元對暗中心區(qū)域和亮外圍區(qū)域或亮中心區(qū)域作用于暗外圍區(qū)域的效果進行分別的。這兩種類型的敏感第二組特征圖與前面類似，是為色彩通道構(gòu)建的，在人類的視覺皮層中是通過一種稱為“雙色對比”的系統(tǒng)來處理色彩的：在感受野中部的神經(jīng)元會被一種顏色(例如紅色)刺激產(chǎn)生興奮而被另一種顏色(例如綠色)抑制。反之對外圍的神經(jīng)元也成立。這種則可以模擬藍／黃和黃／藍兩種對比：野對方向的敏感辨識程度。方向特征圖O(c,s,θ),表示了中心和周圍尺度的方向?qū)?2.7顯著圖(TheSaliencyMap)顯著圖用于通過常量表示一個區(qū)域的顯著性。顯著圖與特征圖結(jié)合起來，以動態(tài)神個位置的視覺顯著可能會被噪聲或者其他較為不顯著的物體遮擋。由于缺少自頂向下的監(jiān)督，我們提出一種對圖進行正規(guī)化的方法，用N(.)來表示。通過正規(guī)化可以達到的效果為，增強只有少量顯著點的顯著圖，削弱顯著點較多的顯著圖，步驟如下：M幅的差別。2.找出每張圖的全局極大值M，并計算所有局部極大值的平均值m乘上(M-m)^2只有局部極大值才會被計算，這樣正規(guī)化就可以忽略同質(zhì)的區(qū)域。比較整張圖的極O到尺度四再進行像素對像素的加法：度和六張?zhí)卣鲌D生成中間步驟的四張圖，接著整O焦點所在的位置(FOA)。我們可以簡單地認為，圖片中最活躍的區(qū)域就是模型關(guān)注的下 (WTA)神經(jīng)網(wǎng)絡(luò)，不同單元之間的突觸交互可以保證最活躍的區(qū)域被保留，而其他的區(qū)M會更快(然而這些神經(jīng)元僅用于單純的聚集但不觸發(fā))。每一個SM神經(jīng)元都會刺激周圍，如下：FOA使得次顯著的點也能夠成為贏家，還可以防止理學(xué)中得到了證明。為了使得模型可以緊接著跳轉(zhuǎn)到當前注意點附近的顯著點區(qū)域，會短暫地刺激在FOA附近的SM區(qū)域。(這種方式被稱為Koch和Ulman法則)。的圓盤，時間常數(shù)，電導(dǎo)，和模擬的神經(jīng)元閾值都是被選定的，從而免了在幾個顯著點間反復(fù)循環(huán)。在具體實現(xiàn)中，這些參數(shù)是固定的，在內(nèi)容模型的比較對于空間頻率內(nèi)容(SFC)我們給出了一種簡單的表示方式：對于一個給定的圖像2D快速傅里葉變換(FFTs)。對于每個圖像塊而言，一個閾值用于計算不可忽略的FFT數(shù)系數(shù)，閾值對應(yīng)于FFT剛感知光柵的豐富度(1%的對比度)。SFC表示五個相應(yīng)圖像塊C合策略和顯著圖的時間特性都對于整體系統(tǒng)性能有貢確保它的正常運作。比如，很多相同形狀彈出任務(wù)的視覺表現(xiàn)。當一個目標在方向，顏色，灰度或不同時，它總是可以成為最顯著的點。反之，如果目標與干擾項在多種特征中存在區(qū)別(比如在紅色豎直條和綠色水平條圖中，有一個唯一的紅色水平實的戶外圖片和人工圖畫，通過正規(guī)化對良好的處理復(fù)雜的自然環(huán)境圖像，例如，它可以快速檢測到車流中的顯著交通信號(圓形，三角形，正方形，長方形)，顏色(紅色，藍色，白色，橙色，黑色)，和文字信息 (字母，箭頭，條紋，圓圈)。從計算機的角度而言，此模型最大的優(yōu)勢在于有大量并行其他模型有較大不同。2.9場景主旨模型(Gist)隨著計算機視覺技術(shù)的發(fā)展，機器場景識別的能力也在不斷提高，這方面的研究也水平仍然和人眼相比差距甚遠，所以采用生物可行場景識別是一個新穎而充滿潛力的研究提取 。由此我們可以發(fā)現(xiàn)，低的場景圖。我們將Gist算它的整體2.11場景主旨(Gist)特征提取色彩和灰度通道公式如下：Mi(c)=Gabor(θi,c)數(shù)據(jù)統(tǒng)計可以提供不同的有效信息，然而它們的計算開釋仍有爭議，因此我們只進行一階統(tǒng)計就可以進行有效2.12顏色恒常算法是ComprehensiveColorNormalization(CCN)，可用于全局和局部的正規(guī)化。當光線飽和的時候(即當攝像機捕捉的視頻太亮或太暗的時候)，物體的紋理信息且無論用多復(fù)雜的正規(guī)化方法都無法恢復(fù)。在這種情況下，考慮到gist計算 (Garbor或center-curround)就已經(jīng)幫助我們將光照變化的影響降到了最低。通過分析在不同光線條件下的信號比峰值，我們發(fā)現(xiàn)底層特征處理產(chǎn)生的信息對于光線是合理而且2.13PCA/ICA降維14場景分類上圖展現(xiàn)了場景分類的完整過程。我們使用了一個三層神經(jīng)網(wǎng)絡(luò)(中間層有200和生活、工作、學(xué)域，而實現(xiàn)室內(nèi)定位，就是智能機器人在室內(nèi)室內(nèi)場景的圖像無論是全局圖還是局部圖都存在著很大的也正因此，進行室內(nèi)定位的研究才有很大的價值。我們運用了前FeatureSaliencyMapSalientComponentExtractionandMatchingtExtractionandMatchingtExtractionandMat