移动机器人的机械臂设计与碰撞检测含CATIA三维及26张CAD图纸.zip
收藏
资源目录
压缩包内文档预览：
编号：42890147
类型：共享资源
大小：9.30MB
格式：ZIP
上传时间：2020-01-20
上传人：QQ14****9609
认证信息
个人认证
郭**（实名认证）
陕西
IP属地：陕西
400
积分
- 关 键 词：
-
移动
机器人
机械
设计
碰撞
检测
CATIA
三维
26
CAD
图纸
- 资源描述：
-
移动机器人的机械臂设计与碰撞检测含CATIA三维及26张CAD图纸.zip,移动,机器人,机械,设计,碰撞,检测,CATIA,三维,26,CAD,图纸
- 内容简介：
-
资料来源： /journal/robotics Vision-Based Cooperative Pose Estimation for Localization in Multi-Robot Systems Equipped with RGB-D Cameras基于视觉的合作姿势估计配备RGB-D摄像机的多机器人系统王小琴*，Y. AhmetSekercioglu和Tom Drummond蒙纳士大学电气与计算机系系工程系，墨尔本3800，澳大利亚; 电子邮件：ahmet.sekercioglu（Y.A.S.）; tom.drummond（T.D.）*应向谁发信的作者; 电邮：xiaoqin.wang。学术编辑：温文杰收到：2014年12月3日/接受：2014年12月15日/发布时间：2014年12月26日摘 要我们提出了一种新的基于视觉的系统协同姿态估计方案的配有RGB-D摄像机的移动机器人。我们首先建模一个多机器人系统边加权图。然后，基于此模型，并通过使用实时颜色和深度数据，具有共享视野的机器人以成对方式估计其相对姿势。该系统不需要存在所有机器人共享的单个常见视图它在3D场景中工作，没有任何特定的校准模式或地标。建议方案在系统中均匀分配工作负载，因此可扩展和计算有效利用参与机器人的力量。性能和坚固性是分析了不同环境下的合成和实验数据具有不同数量的机器人和姿势的系统配置。关键词:姿态估计; RGB-D相机;自校准;合作定位;多机器人协调1 介绍20世纪80年代初首次提出的多机器人系统（MRS）正在变得越来越多流行的移动传感器平台在空间上测量和估计感兴趣的数量分布式位置。与单机器人操作相比，MRS具有更快的任务优势完成，更广泛的覆盖，增加传感器故障的可靠性和更高的估计传感器融合精度。MRS已被广泛应用于诸如数据等各种任务中收集1，监视2-4，目标跟踪5-7，形成跟踪和控制8-10和视觉SLAM 11-13。对机器人的位置和方向（姿势）的精确知识是前提条件成功完成合作任务。机器人本地化的一种方法是装备他们与全球定位系统（GPS）接收机并使用GPS系统。然而，GPS信号不能在室内使用，不能直接提供方向信息。替代方法是协同定位，其中机器人协同工作并使用机器人到机器人测量来构建他们网络的地图。合作本地化分为两个阶段：涉及相对姿态估计（RPE）的初始化过程提供初始位置机器人的方位估计。然后细化过程迭代地更新初始估计以提高准确性。在本研究中，我们关注MRS中合作定位的初始化过程。这里感兴趣的MRS配备有相机或视觉传感器。在这种MRS中，可以通过仔细校准刚体变换来估计位置和方向安装在机器人上的摄像机之间的操作。一般有两种基于视觉的实现这一目标的方法：（1）手动校准;或（2）自校准。手动校准方法需要在所有图像14或精确姿态中可见的特殊校准图案必须知道校准模式/对象的信息15。一些容易检测的单一也可以使用需要人类相互作用的特征，例如在暗室中移动LED手动校准多台摄像机16-18。手动校准方法，即使提供良好结果，需要特殊的设备或耗时的手动测量。自校准算法同时处理由不同摄像机拍摄的几张图像，并找到对应的图像图片。通过从图像自动提取2D特征建立对应关系在不同的图像之间匹配它们。然后，根据建立的通信，可以从基本矩阵估计相对姿势。除了使用静态的算法特征19-22，Aslan等23检测走在房间里的人，并使用顶部的点每个人的头部作为校准功能。自校准的精度高度依赖于相对姿态估计的可靠性。这个问题首先在24中讨论了视力图。 Kurillo等人25 Cheng等26和Vergs-Llah等人27后来使用和完善它为此目的也。它正在成为描述联网方向性的有用的一般工具视觉传感器。最近由Bajramovic等人解决28-30。他们提出了一个图表测量每个相对姿态估计的不确定性相机对。所有的自校准算法都可以测量系统的对极结构遭受规模歧义。如果场景中没有任何具有已知几何的物体或图案，则机器人之间的方向和位置确定为一个比例。在本文中，我们考虑了具有N3的多机器人系统中的本地化的初始化过程机器人在GPS被拒绝的室内环境中工作（见图1）。一个RGB-D相机，它提供两个彩色图像和每像素深度信息都安装在每个机器人的顶部。中央节点具有高性能处理器的系统也可实现计算运行昂贵的计算机视觉算法。我们提出一种新的自校准算法来确定该机器人的位置和方向在RGB-D摄像机配备的多机器人系统中。建议方案可以安排在室内场景中，而不会对所有机器人共享一个约束公共视野（FoV）。我们的方法假设至少有两个给定的机器人有重叠FoVs，并且机器人上的相机在部署之前已经内部校准。我们建议算法包括以下步骤：（1）每个机器人在本地提取颜色特征并发送这些特征的描述符到中心节点; （2）中心节点执行特征匹配确定相邻的机器人并生成初始姿势矩阵（IPM）; （3）中心节点构造机器人依赖图，并选择一些相对姿势来连接机器人作为校准树;（4）中央节点广播校准树信息后，机器人协同工作根据校准树确定相对姿势; （5）确定的相对姿势为然后传输到中央节点以计算系统中所有机器人的姿势。我们制定选择相对姿势作为最短路径问题，其中包括从a找到最短路径顶点到边加权图中的其他顶点。该图表示机器人作为顶点的FoV并将FoV重叠为边缘。图1.蒙纳士大学的室内测绘和探索情景RGB-D配备实验移动机器人“eyeBug”。一个典型的应用是在福岛核反应堆事故等灾害后的室内映射。如图所示该图，有许多挑战需要解决。在本文中，我们的重点是合作定位的初始化问题。本文的主要贡献为：基于重叠比例构建机器人依赖图相邻机器人。开发确定多个RGB-D相机相对姿态的程序装备机器人与仅使用颜色信息的常规方法相反，我们的方法需要结合RGB和深度信息的优点。机器人的位置和方向直接取决于现实世界的规模涉及规模歧义问题。使用合成和现实世界数据进行广泛的实验来评估我们的算法在各种环境中的性能。本文的其余部分安排如下。在第二节中，RGB-D相机的特点并介绍了本文中使用的多机器人系统。在第三部分，我们制定了机器人本地化问题并提出我们的解决方案。在第四节中，我们介绍实验和结果，我们的结论可以在第五节中找到。2 使用RGB-D相机作为视觉传感器的多机器人系统2.1 eyeBug配备RGB-D相机的机器人在无线传感器和机器人网络实验室（WSRNLab）31中，我们创建了由实验移动机器人组成的多机器人系统，称为eyeBug（图2）计算机视觉，地层控制，视觉感知研究活动。单板电脑，BeagleBoard-xM 32是eyeBug的主要计算资源。每个BeagleBoard-xM都有一个ARM37x 1 GHz处理器，一个USB集线器和一个HDMI视频输出。通讯服务机器人之间通过WiFi连接提供。我们运行ARM处理器优化的GNU / Linux操作系统（Ubuntu版本11.10）33。 OpenKinect 34，OpenCV 35和libCVD 36已安装库来捕获和处理图像信息。微软Kinect生产基于颜色和视差的深度图像垂直安装在每个顶板的中心机器人。 Kinect提供的默认RGB视频流以VGA分辨率为每种颜色使用8位（640480像素，24位/像素）。深度视频流也是VGA分辨率。图2. eyeBug - 机器人为Monash WSRNLab 31实验开发多机器人平台。处理由Kinect RGB-D传感器生成的RGB-D数据在BeagleBoard-xM上运行GNU / Linux操作系统。2.2 RGB-D相机的特点Kinect有一个红外线（IR）投影机 - 相机对和一个RGB相机。 Kinect的深度感测是基于来自IR相机的已知基线的固定结构光源。深度信息通过基于横向检测的三角测量过程来测量相对于其已知距离的参考图案，IR斑点中局部点图案的移位到设备37。该过程在红外斑点的所有区域反复运行，并产生一个基于视差的深度图像。应该注意的是，当多个时，深度信号不可避免地会降级RGB-D摄像机指向同一个场景。这是因为相机投射结构光点阵图形连续不停地调制，设备相互干扰38。这种干扰可以通过“ShakenSense”方法消除38。Kinect返回的归一化差异值与其深度成反比39。此外，40,41表明在归一化的视差值之间存在非线性关系以及它们在欧几里德空间中的深度值。因此，更合适的是反向表示数据深度坐标。考虑代表欧几里得的真实世界点的向量空间通过使用均匀坐标。真实世界点之间的相互深度之间的关系坐标及其对应像素的深度图像可以如下建立，其中（i，j）表示深度图像中该真实世界点投影的像素坐标，z为相机返回的相应深度值。3 自校准合作姿势估计3.1 概述给定N（N3）机器人配备了本质校准的RGB-D相机，目标是仅使用公共坐标系中的每个机器人自动确定初始姿态颜色和深度数据。具有高性能处理器的中心节点也包含在其中运行计算昂贵算法的系统。该节点的功能说明如下第3.3节。当两个机器人a和b具有足够重叠的FoV时，两个机器人之间的相对姿态可以用SE（3）中的转换矩阵来表示， 其中R是33旋转矩阵，t是31的平移向量。 表示机器人的相对姿态b相对于机器人a，是从机器人b的坐标系到刚体的刚体变换机器人a。如果有机器人c，机器人c和b之间的相对姿态是，则相对姿态机器人a和c之间可以通过组合导出:该变换提供了从c的坐标系到b的坐标系的映射，然后从b。机器人b是此过程中的中间节点。这个操作是传递的，因此是一个可以间接地在任意数量的中间体上确定机器人相对于另一个的姿态如果存在的话。因此，系统的拓扑可以从机器人之间的成对相对姿态构建有共同的FoV。为了实现这一点，我们首先需要充分地确定机器人重叠FoV。其次，机器人成对分组，以确定相对的粗略估计姿势，并且基于姿势信息的可靠性来选择多个相对姿态。在里面最后一步，我们基于选择的成对相对姿势来校准整个系统。一般我们提出的方案的描述如图3所示以下各节。通过论文使用的符号列表在表1中给出。邻居检测 颜色信息初始姿态矩阵 深度信息分布式相对姿态估计机器人依赖图构造校准树 精致的姿势图3.拟议的
- 温馨提示:
1: 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
2: 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
3.本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
人人文库网所有资源均是用户自行上传分享，仅供网友学习交流，未经上传用户书面授权，请勿作他用。
川公网安备: 51019002004831号