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(yīng)用在不同的領(lǐng)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(zhǔn)確率不高的任務(wù)，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(biāo)檢測的思想，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(jìn)行識別。在本章中，我們將詳細(xì)描述基于視覺識別通用鏈?zhǔn)綐?gòu)型識別方法。如前文所述，我們使用了一種基于目標(biāo)檢測的深度學(xué)習(xí)算法來進(jìn)行模塊識別。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)建了三個獨立的輸出模塊：一個用于預(yù)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(yù)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(xué)模型。

3實驗

在實驗中，我們將分為兩個步驟：訓(xùn)練模塊識別網(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；后者則是對我們提出的運動學(xué)鏈構(gòu)型識別方法進(jìn)行了驗證。在訓(xùn)練模塊識別網(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(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)練集與測試集，而忽略了測試集。為了進(jìn)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(jìn)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(jìn)行訓(xùn)練，訓(xùn)練過程如圖3所示。我們隨機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別的鏈?zhǔn)侥K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(wù)學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，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(jìn)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(yù)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(xué)