机械臂运动学标定技术发展概况

机械臂运动学标定对提高机械臂的绝对定位精度具有重要意义,探究高效的机械臂标定方法已成为机器人领域研究的热点。现有标定方法可分类为基于模型的参数运动学标定、自标定和无参数运动学标定三类,对基于模型的参数运动学标定,从运动学建模、末端执行器测量、参数辨识和误差补偿四个方面详细介绍了其研究现状。对各种标定方法进行了比较,并分析了其优缺点。最后对机械臂运动学标定中存在的问题进行了分析,展望了标定技术的未来发展趋势。

全距离深度平衡立体匹配网络

针对当前视差估计网络在将视差转换成深度时,存在深度精度受相机参数影响,且在远距离处产生深度精度急剧下降的问题,提出一种全距离深度平衡立体匹配网络(FRDBNet)。首先构建深度代价体,使网络学习到全距离深度的概率分布,进行深度回归直接生成深度;然后采用视差与深度损失融合的训练策略使网络同时关注远中近三分段全距离的深度估计;最后,基于初始视差右图对应点7邻域特征设计视差优化模块进一步提高网络的深度估计精度。在大型真实驾驶场景Driving Stereo数据集上的实验表明,针对全距离[1,100]m的深度估计,FRDBNet在[1,30]m近距离、[30,60]m中距离和[60,100]m远距离处深度精度相比CVPR2022性能表现优越的ACVNet分别提高10.38%、15.11%和20.35%,达到了良好的深度精度平衡。

基于混合通道注意力的类别级物体六自由度位姿估计

针对有光照变化、距离变化、背景杂乱、遮挡等干扰的场景下物体六自由度位姿估计精度低的问题,提出了一种结合多尺度特征融合和注意力机制的混合通道注意力模块(mixed channel attention,MCA)。在MCA基础上进一步构建了类别级物体六自由度位姿估计方法(MCA6D),其关键步骤包括物体的实例分割,特征提取与基于MCA的特征优化,基于先验形状的物体模型重建,及基于点云配准的位姿估计。本文方法在公共数据集CAMERA和REAL分别取得86.3%(5°2 cm)、73.4%(5°5 cm)和39.2%(5°2 cm)、43.3%(5°5 cm)的均值平均精度,领先于NOCS、SPD、SGPA等主流方法;同时实物实验表明本文方法在存在光照变化、距离变化、背景杂乱、遮挡等干扰的场景可准确估计物体六自由度位姿。

会“呼吸”的墙壁

夏天很闷热，人们都躲在家里不愿外出。然而房子四面都是封闭的墙壁，小小的窗子对于空气流通来说往往不够!并且开空调一段时间后，房子里的空气会变得浑浊。

基于三分支混合特征提取的双目立体匹配算法

基于深度学习的双目立体匹配算法大多采用卷积神经网络(CNN)进行特征提取。但该网络存在感受野有限、卷积核权重共享等固有的局限性,难以提取到强辨识度的特征,易导致弱纹理区域、细节区域等有挑战性区域的匹配精度较低。针对该问题,本文提出一种基于三分支混合特征提取的双目立体匹配算法。具体地,将CNN分支、Swin Transformer分支、融合分支并联设置,并对左、右图像进行特征提取,并联分支设置有效地保留了CNN的局部特征表达能力和Swin Transformer框架的全局特征表达能力。融合分支由多阶段的全局-局部信息适配器组成,不仅能实现本阶段全局信息和局部信息的融合与表达,而且能够跨不同阶段有效地传播特征,从而筛选出适用于弱纹理区域和细节区域的强相关特征信息,提高了立体匹配的精度。在SceneFlow数据集上进行的消融实验验证了本文算法的有效性。利用SceneFlow、KITTI 2012、KITTI 2015数据集进行了测试。本文方法在SceneFlow数据集上的端点误差为0.652个像素;在KITTI 2012数据集上的非遮挡区域,视差误差大于5个像素的百分比为0.79%。结果表明本文算法具有优异的立体匹配精度。

基于改进差分进化算法的机械臂运动学逆解

以9自由度液压机械臂为研究对象,建立求解位姿逆解的非线性方程组.以末端执行器位姿误差最小为优化指标建立目标函数,将非线性方程求解问题转化为最优化问题,并应用差分进化(DE)算法求解该问题.首先,为了避免位置和姿态收敛精度的不同,引入自适应权值系数进行平衡.然后,为克服基本DE算法难以平衡全局探索能力和局部开发能力的缺陷,结合DE/rand/1/bin和DE/best/1/bin两种进化模式,改进自适应变异差分进化(SAMDE)算法,提高了算法的收敛精度和收敛速度.最后,采用对称映射法对不满足关节角边界范围的个体进行处理,提高了收敛精度.开展了与基本DE算法的对比试验,仿真结果表明,该算法的收敛精度和收敛速度优于基本差分进化算法,且能够大幅度提高算法的稳定性.