智能轮椅障碍检测系统研究
这是一篇关于智能轮椅,障碍物检测,超声波,运动控制的论文, 主要内容为我国正逐步进入人口老龄化社会,对于多数老年人和肢体残障人士来说,轮椅已经成为了一种不可或缺的代步工具。为了提高老年人和残障人士生活质量,对于轮椅智能化的研究不断深入,环境感知是其中一项重要的研究内容,它是实现主动避障、路径规划等智能功能的基础,可以排除安全隐患。现有环境感知系统应用于轮椅上大多会出现经济性差,硬件要求高等问题,本文从智能轮椅的安全性、经济性角度出发,设计了一种基于超声波检测技术的障碍检测系统。本文首先讨论了视觉检测、激光雷达检测、红外测距、超声波测距这几种环境感知技术的特点,选择环境适应性较强、经济性好的超声波测距技术作为本文主要障碍物检测技术。介绍了智能轮椅的研究现状、超声波的基本概念和测距原理,并分析了超声波测距误差来源及解决办法。针对智能轮椅的结构特点及性能要求完成了智能轮椅障碍检测系统总体方案的设计,其中包括人机交互模块、障碍物检测模块、通讯模块、轮椅驱动模块、电源模块及机械结构。然后基于STM32F103CBT6芯片设计了智能轮椅障碍检测系统的主控制器和超声波传感器,并分别从硬件电路和软件算法两方面进行了详细介绍。硬件电路部分主要工作为:完成MCU最小系统电路、电源电路、通讯电路、人机交互模块电路、超声波收发电路等模块的原理图设计和PCB板设计。软件算法部分主要工作为:通过Hilbert变换求包络、滤波、回波起点搜索、温度补偿等算法实现了超声波传感器对障碍物距离的精准测量,利用CAN总线实现了多路超声波、主控制器、电机驱动器之间的数据传输,使用语音模块和显示器完成了障碍物预警工作,设计了一种基于多传感器融合运动控制算法,提高了轮椅的安全性。最后,搭建实验平台,对智能轮椅障碍检测系统进行测试。完成了超声波传感器的精度实验和测距角度实验,在0.26～2.5m范围内可以稳定测得平面型障碍物的测距且相对误差不超过1%,在0.9m范围内检测角度不小于45.8度,在2.5m处的检测角度为15.4度。完成了障碍物检测系统的功能测试,实验结果表明该智能轮椅障碍检测系统可以实现正前方等六个方位的障碍物检测及预警工作,其融合运动控制算法可以在发生碰撞之前完成轮椅制动,提高了轮椅的安全性。
园区环境下无人车的可通行区域检测与判别方法研究
这是一篇关于园区环境,无人车,车道线检测,障碍物检测,可通行区域的论文, 主要内容为无人驾驶技术能够有效提高道路行驶安全性,改善通行效率。无人驾驶的系统主要包括:环境感知、决策规划和运动控制。环境感知是其中最为关键的部分,是智能车辆进行精准决策与规划的前提。车道线检测、道路障碍物检测、可通行区域检测是自动驾驶感知系统的重要且必要的任务,是无人驾驶车辆理解外界的基础。本文依托横向项目“无人驾驶新能源智能汽车教学演示系统研发”,研究基于视觉的园区环境下无人车的可通行区域检测与判别相关感知算法。本文主要研究内容如下:首先,本文提出一种融合CBAM注意力机制与可变形卷积的CADCN方法对复杂场景下的车道线进行检测,利用融合CBAM注意力机制与可变形卷积的改进Res Net34对车道线特征进行提取;利用行锚分类方法在预定义的行锚上对车道线进行选择与分类,减少计算量;在Tu Simple/CULane车道线公开数据集上进行训练及验证,实验表明本文提出的车道线检测模型的准确性、实时性以及鲁棒性都表现较好。其次,针对复杂道路场景下的障碍物目标的多尺度特征及遮挡环境下容易出现误检、漏检的情况,提出一种基于感受野增强与多尺度特征自适应融合的改进YOLOv5的道路目标检测方法,在数据集和实车上进行了验证,在保持较高实时性的同时提高了目标的检测效果。最后,设计了基于多任务学习的联合分割与检测网络,在一个网络框架中同时完成对道路可通行区域的分割及目标检测两个任务。结合车道线、道路障碍物及道路可通行区域三部分的信息,可更好地对无人车周围环境进行感知,为无人车在可通行区域内进行路径规划提供基础。基于本文算法研究成果,在基于长城欧拉R1改装的无人驾驶汽车平台上进行了算法试验研究,结果表明,本文提出的方法在校园环境中能够对无人车的可通行区域进行检测与识别,具有较好的检测效果及鲁棒性,可满足园区环境下无人车对车辆周围环境感知的需求。
基于双目VI-SLAM与标签引导的AGV视觉导航系统设计与实现
这是一篇关于双目VI-SLAM,标签引导,障碍物检测,视觉导航,AGV的论文, 主要内容为随着搬运机器人AGV在制造业、仓储业等行业使用得越来越多,解决了工业生产和物流运输中许多问题,因此AGV的研究也得到越来越多学者的关注。而AGV的主要技术之一就是导航技术。本文基于福建省产学研重点项目“基于视觉与惯性定位的自主导航AGV装置研发”进行开展研究,开发出一款适合室内的潜伏式AGV视觉导航系统。首先,采用双目视觉和惯性测量融合进行VI-SLAM算法的设计。其中建图部分,通过视觉提取ORB特征点计算重投影误差与IMU预积分紧耦合优化获得当前所走路径的位置和地图,保存成二进制文件;并通过深度相机拼接每一个关键帧的点云,生成稠密得点云地图,经过处理生成栅格地图用于导航;接着AGV在所建地图的场景启动VI-SLAM将所生成的地图加载出来进行重定位,获得初始时刻在地图上的位置,实现自主导航定位。另外,针对特殊场景需要高精度定位的问题,通过Aruco视觉标签进行高精度相对定位与引导。其次,利用ROS中的Navigation框架进行导航系统设计与实现。采用A*算法和TEB算法进行路径规划;并通过将视觉的深度图转化为激光点云图和AGV前方适当距离的视觉点云结合进行障碍物检测,解决2D激光雷达扫描不到低矮障碍物的盲区问题。最后,在研发的AGV产品样机上,搭载“小觅”双目深度相机与设计的视觉导航系统,通过EuRoC数据集对双目VI-SLAM进行测试,验证了定位的精度和鲁棒性;通过测试多次到达同一点的重复定位精度,求取平均值,结果表明导航系统具有较高的精度、视觉标签引导能实现高精度引导;并且从路径规划实验中,可看出融合视觉感知后的避障能力得到明显提高。
厂区场景下无人车环境感知系统和轨迹跟踪控制系统设计与实现
这是一篇关于激光雷达,障碍物检测,同步定位与建图,模型预测控制,轨迹跟踪的论文, 主要内容为近年来,随着无人驾驶技术的快速发展,无人驾驶车辆匹配了越来越多的使用场景。无人驾驶车辆主要由底盘和无人驾驶系统组成,无人驾驶系统中环境感知是前提,轨迹跟踪控制是实现车辆自主行驶的基础,本文针对厂区场景的预设路径轨迹跟踪行驶任务,设计出相应的环境感知系统和轨迹跟踪控制系统。障碍物检测系统中,针对传统欧氏聚类算法聚类分割小体积障碍物不准确的问题,提出了改进欧氏聚类算法以提高小体积障碍物检测的准确率;定位系统中,由于厂区中房屋、厂房排布较为紧密,GPS信号弱,无人车容易丢失位置信息,所以使用同时定位和建图技术进行优化,利用点云配准算法计算出车辆位姿信息;由于厂区中对车辆有限速要求,为简化轨迹跟踪控制系统的复杂程度,基于车辆运动学单轨模型,设计出模型预测的轨迹跟踪控制算法。具体的研究内容的总结如下:首先,针对厂区场景下欧氏聚类算法检测小体积障碍物不准确的问题,提出了一种基于改进欧氏聚类算法的障碍物检测算法,障碍物检测算法共分为预处理阶段和聚类分割阶段。预处理阶段明确感兴趣区域后,利用随机采样最大似然估计算法准确地分离地面点云和非地面点云,为聚类分割阶段提供丰富的障碍物点云信息。聚类分割阶段,提出利用区域划分策略来改进欧氏聚类算法,以提高聚类分割的准确率,并通过点云远疏近密的特性,建立距离与相邻点云间距关系模型,解决了阈值选择困难问题。最后进行实车试验,验证了改进欧氏聚类算法相较于欧氏聚类算法能提高障碍物检测的准确率,所设计的环境感知系统能较准确地检测出障碍物。其次,针对厂区场景GPS信号较弱,无人车无法利用GPS完成定位的问题,提出了利用同步定位和建图技术优化定位系统。利用Autoware的激光雷达建图功能模块,建立一张既定行驶路径的环境点云地图,并通过基于正态分布的点云配准算法计算车辆当前时刻的位姿。通过实车试验,车辆行驶一圈后定位误差仍小于0.2m,证明了基于点云地图的定位方案能担任厂区场景下车辆的定位任务。最后基于车辆运动学单轨模型,设计出模型预测控制算法,利用Carsim和Simulink搭建联合仿真模型,检验预设路径下沿轨迹行驶的能力。仿真试验表明,车辆运动学模型不仅能降低轨迹跟踪控制系统的复杂程度,同时具有较好的轨迹跟踪行驶能力,证明了轨迹跟踪控制系统的有效性。
厂区场景下无人车环境感知系统和轨迹跟踪控制系统设计与实现
这是一篇关于激光雷达,障碍物检测,同步定位与建图,模型预测控制,轨迹跟踪的论文, 主要内容为近年来,随着无人驾驶技术的快速发展,无人驾驶车辆匹配了越来越多的使用场景。无人驾驶车辆主要由底盘和无人驾驶系统组成,无人驾驶系统中环境感知是前提,轨迹跟踪控制是实现车辆自主行驶的基础,本文针对厂区场景的预设路径轨迹跟踪行驶任务,设计出相应的环境感知系统和轨迹跟踪控制系统。障碍物检测系统中,针对传统欧氏聚类算法聚类分割小体积障碍物不准确的问题,提出了改进欧氏聚类算法以提高小体积障碍物检测的准确率;定位系统中,由于厂区中房屋、厂房排布较为紧密,GPS信号弱,无人车容易丢失位置信息,所以使用同时定位和建图技术进行优化,利用点云配准算法计算出车辆位姿信息;由于厂区中对车辆有限速要求,为简化轨迹跟踪控制系统的复杂程度,基于车辆运动学单轨模型,设计出模型预测的轨迹跟踪控制算法。具体的研究内容的总结如下:首先,针对厂区场景下欧氏聚类算法检测小体积障碍物不准确的问题,提出了一种基于改进欧氏聚类算法的障碍物检测算法,障碍物检测算法共分为预处理阶段和聚类分割阶段。预处理阶段明确感兴趣区域后,利用随机采样最大似然估计算法准确地分离地面点云和非地面点云,为聚类分割阶段提供丰富的障碍物点云信息。聚类分割阶段,提出利用区域划分策略来改进欧氏聚类算法,以提高聚类分割的准确率,并通过点云远疏近密的特性,建立距离与相邻点云间距关系模型,解决了阈值选择困难问题。最后进行实车试验,验证了改进欧氏聚类算法相较于欧氏聚类算法能提高障碍物检测的准确率,所设计的环境感知系统能较准确地检测出障碍物。其次,针对厂区场景GPS信号较弱,无人车无法利用GPS完成定位的问题,提出了利用同步定位和建图技术优化定位系统。利用Autoware的激光雷达建图功能模块,建立一张既定行驶路径的环境点云地图,并通过基于正态分布的点云配准算法计算车辆当前时刻的位姿。通过实车试验,车辆行驶一圈后定位误差仍小于0.2m,证明了基于点云地图的定位方案能担任厂区场景下车辆的定位任务。最后基于车辆运动学单轨模型,设计出模型预测控制算法,利用Carsim和Simulink搭建联合仿真模型,检验预设路径下沿轨迹行驶的能力。仿真试验表明,车辆运动学模型不仅能降低轨迹跟踪控制系统的复杂程度,同时具有较好的轨迹跟踪行驶能力,证明了轨迹跟踪控制系统的有效性。
矿用电机车无人驾驶环境感知系统研究
这是一篇关于矿用电机车,环境感知,点云,障碍物检测,目标跟踪的论文, 主要内容为煤矿行业和国家能源安全息息相关,国家开始大力推进煤矿智能化建设。煤矿辅助运输向无人化、智能化方向发展的时代已到来。无人化煤矿辅助运输电机车可以更加安全高效的运输物料和人员,电机车环境感知系统对周围环境进行实时感知和分析,以识别出道路、障碍物、行人等各种元素的位置和状态。作为电机车无人驾驶的重要组成部分,稳定、可靠的环境感知系统是电机车无人驾驶技术实现的重要保障。针对上述情况,本论文设计矿用电机车环境感知系统,主要的研究内容如下:(1)研究激光雷达和相机进行联合标定和数据融合方法,目的是提高激光雷达和相机数据的准确性和一致性,从而提供更精确的三维环境感知信息。首先利用相机参数和角点点对来实现传感器空间的联合标定,并使用时间戳数据帧来同步数据。然后将三维空间点云数据投影到二维空间下,建立二维空间点和相机像素坐标的对应关系。(2)研究障碍物的检测方法。首先对激光雷达获取的数据进行预处理,包括点云去畸变和去噪点,利用极坐标栅格算法对激光雷达点云进行地面分割。随后利用图像和点云信息融合的方法,对地面上的点云提取铁轨信息,通过铁轨过滤井巷直道以及弯道的两边侧壁点云,确定行驶区域。采用优化后的密度间距的动态阈值欧式聚类算法对障碍物点云聚类,并用最小包围盒框选出来,进而获得障碍物的几何特征和位置坐标。(3)研究基于障碍物检测的目标追踪算法。介绍JPDAF(Joint Probabilistic Data Association Filter)算法工作原理,通过数据关联和状态估计相结合的方法对障碍物进行追踪。针对原算法的不足,筛选掉关联概率小的互联事件并重构确认矩阵来提高算法的实时性;通过加入遗忘因子,使滤波器具有更好的自适应性能。设计符合场景的跟踪管理器方案,实时维护更新目标状态。(4)使用真实环境数据集,对所提出的方法进行实验验证。实验数据集是基于电机车实验平台在学校矿井实验环境中采集的数据,在实验中,对点云进行聚类分割算法验证,采用所研究算法对障碍物进行检测和跟踪实验。对比分析所得到的实验效果,验证其在实际应用中的可行性和有效性。
矿用电机车无人驾驶环境感知系统研究
这是一篇关于矿用电机车,环境感知,点云,障碍物检测,目标跟踪的论文, 主要内容为煤矿行业和国家能源安全息息相关,国家开始大力推进煤矿智能化建设。煤矿辅助运输向无人化、智能化方向发展的时代已到来。无人化煤矿辅助运输电机车可以更加安全高效的运输物料和人员,电机车环境感知系统对周围环境进行实时感知和分析,以识别出道路、障碍物、行人等各种元素的位置和状态。作为电机车无人驾驶的重要组成部分,稳定、可靠的环境感知系统是电机车无人驾驶技术实现的重要保障。针对上述情况,本论文设计矿用电机车环境感知系统,主要的研究内容如下:(1)研究激光雷达和相机进行联合标定和数据融合方法,目的是提高激光雷达和相机数据的准确性和一致性,从而提供更精确的三维环境感知信息。首先利用相机参数和角点点对来实现传感器空间的联合标定,并使用时间戳数据帧来同步数据。然后将三维空间点云数据投影到二维空间下,建立二维空间点和相机像素坐标的对应关系。(2)研究障碍物的检测方法。首先对激光雷达获取的数据进行预处理,包括点云去畸变和去噪点,利用极坐标栅格算法对激光雷达点云进行地面分割。随后利用图像和点云信息融合的方法,对地面上的点云提取铁轨信息,通过铁轨过滤井巷直道以及弯道的两边侧壁点云,确定行驶区域。采用优化后的密度间距的动态阈值欧式聚类算法对障碍物点云聚类,并用最小包围盒框选出来,进而获得障碍物的几何特征和位置坐标。(3)研究基于障碍物检测的目标追踪算法。介绍JPDAF(Joint Probabilistic Data Association Filter)算法工作原理,通过数据关联和状态估计相结合的方法对障碍物进行追踪。针对原算法的不足,筛选掉关联概率小的互联事件并重构确认矩阵来提高算法的实时性;通过加入遗忘因子,使滤波器具有更好的自适应性能。设计符合场景的跟踪管理器方案,实时维护更新目标状态。(4)使用真实环境数据集,对所提出的方法进行实验验证。实验数据集是基于电机车实验平台在学校矿井实验环境中采集的数据,在实验中,对点云进行聚类分割算法验证,采用所研究算法对障碍物进行检测和跟踪实验。对比分析所得到的实验效果,验证其在实际应用中的可行性和有效性。
基于双目VI-SLAM与标签引导的AGV视觉导航系统设计与实现
这是一篇关于双目VI-SLAM,标签引导,障碍物检测,视觉导航,AGV的论文, 主要内容为随着搬运机器人AGV在制造业、仓储业等行业使用得越来越多,解决了工业生产和物流运输中许多问题,因此AGV的研究也得到越来越多学者的关注。而AGV的主要技术之一就是导航技术。本文基于福建省产学研重点项目“基于视觉与惯性定位的自主导航AGV装置研发”进行开展研究,开发出一款适合室内的潜伏式AGV视觉导航系统。首先,采用双目视觉和惯性测量融合进行VI-SLAM算法的设计。其中建图部分,通过视觉提取ORB特征点计算重投影误差与IMU预积分紧耦合优化获得当前所走路径的位置和地图,保存成二进制文件;并通过深度相机拼接每一个关键帧的点云,生成稠密得点云地图,经过处理生成栅格地图用于导航;接着AGV在所建地图的场景启动VI-SLAM将所生成的地图加载出来进行重定位,获得初始时刻在地图上的位置,实现自主导航定位。另外,针对特殊场景需要高精度定位的问题,通过Aruco视觉标签进行高精度相对定位与引导。其次,利用ROS中的Navigation框架进行导航系统设计与实现。采用A*算法和TEB算法进行路径规划;并通过将视觉的深度图转化为激光点云图和AGV前方适当距离的视觉点云结合进行障碍物检测,解决2D激光雷达扫描不到低矮障碍物的盲区问题。最后,在研发的AGV产品样机上,搭载“小觅”双目深度相机与设计的视觉导航系统,通过EuRoC数据集对双目VI-SLAM进行测试,验证了定位的精度和鲁棒性;通过测试多次到达同一点的重复定位精度,求取平均值,结果表明导航系统具有较高的精度、视觉标签引导能实现高精度引导;并且从路径规划实验中,可看出融合视觉感知后的避障能力得到明显提高。
基于机器视觉的道路障碍物检测技术研究
这是一篇关于机器视觉,道路识别,障碍物检测,语义分割,不确定性评估的论文, 主要内容为高速道路中的障碍物通常是引发交通安全事故的原因之一。由于道路环境复杂,道路上的障碍物多种多样且尺寸不一,从小到碎石,大到轮胎,导致有效地识别道路区域和准确地检测道路中的障碍物成为了困难,尤其是高速路远距离障碍物的检测精度低。随着图像处理技术的发展,利用计算机视觉检测道路中的障碍物是目前重要的研究方向。因此,本文针对存在的问题进行了如下研究:(1)基于语义分割算法,设计了RCANet网络模型,用于检测道路区域和道路中的目标(行人、车辆等)。通过分析现有的语义分割模型结构在道路区域的检测精度和运行时间上的问题,采用了检测精度和实时性都较好的EfficientNet作为主干网络。根据车载和高速公路摄像头的部署位置,提出利用与位置信息相关联的位置编码,设计区域注意力机制模块,用于强调图像中不同区域物体类别之间的相对位置关系。同时,结合网络模型中的不同特征层上下文语义信息,改善算法在道路区域和目标上的检测精度。(2)基于能量理论、生成式和判别式的分类思想,设计了一种不确定性评估算法,对图像中的每个像素点进行概率估计,输出得分图,用于道路障碍物检测。为了使已知类别物体的分布保持一致性和避免模型之间的相互影响,本文采用解耦合方式设计Teacher-Student检测网络,并在Student网络上给出不确定性评估算法的推理和训练流程。另外,还提出使用道路区域检测网络生成的感知差异性图补偿得分图,进一步提升障碍物和非障碍物的区分度。最后,通过障碍物和非障碍物像素点的概率统计分布,验证了本文设计的算法能够有效的将两者分离,且在检测远距离障碍物上精度的提高。(3)为了能够将设计的算法应用于实际中,本文利用Spring Boot、My SQL等开发框架,将算法和应用整合到一起,设计了可视化的障碍物监视软件。通过读取图像或视频数据进行预处理和障碍物检测后,再将结果进行显示,输出障碍物位置,并且还实现了检测结果的保存与查询功能。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设客栈 ，原文地址：https://m.bishedaima.com/lunwen/48618.html
