基于视觉的自主机器人障碍识别与路径规划

障碍物的识别与行走路径的规划是机器人实现自主移动的必要手段。本文基于深度相机提出一种由深度连续性与彩色特征点融合的障碍识别方法,通过深度相机获取物体的空间位置信息,映射到已有的地图中,构建障碍物空间。又提出一种PRM-D*的路径规划方法,先使用改进的随机概率路线图(PRM)完成整体路径规划工作,再根据相机识别的障碍物,设置局部地图,使用基于图搜索的D*算法进行局部动态规划,完成动态避障任务。通过实验,所提障碍物识别方法即使在昏暗的室内环境中,其对障碍物的检测准确率也大于80%,常规环境检测准确率高于95%,具有较好的鲁棒性与实时性;PRM-D*的路径规划方法在缩短总体规划时间的同时,确保了路径规划的成功率,单次动态规划时间小于0.02 s,具有良好的动态避障性能。

基于人像识别和感兴趣区域定位的红外图像测温研究

非接触式温度测量是应对“新冠”、流感等传播性疫情进行大流量防疫筛查的有效手段,可以避免交叉感染的风险,能够实现公共场合的人体体温监测。本文基于YOLOv5和红外相机设计了人像识别及测温系统,使用红外图像进行人脸目标检测,提出了一套依靠人脸及遮挡物的额头区域辅助定位算法。针对人像以及有眼镜、口罩、帽子等遮挡情况构建了数据集,对红外图像的人像识别进行了训练和预测,实现了针对面部感兴趣区域(额头)的精准定位,并通过该定位实现人体测温,采用C#开发了软件界面,实现了对红外图像及其温度的可视化显示与管理。经过实验测试,基于YOLOv5的预测平均准确率为94%,额头区域的辅助定位精度达到97.3%,算法对红外测温效果的影响在±0.15℃以内。系统可长期运行,且对多应用场景具有较好的适用性。

基于视觉深度学习的机器人环境感知及自主避障

动态避障是机器人实现自主移动、安全行走的关键,面对复杂多变的室内场景,机器人需要能够及时检测到障碍物并动态规划安全的行走路线。利用RGB-D深度相机和IMU单元建立机器人环境感知系统,为机器人提供三维视觉和姿态角度等多模态信息。首先构建基于YOLOv4改进的目标检测模型,通过YOLOv4-M目标检测算法对彩色图像中的障碍物进行识别;将彩色图与深度图对齐,获取障碍物的尺寸信息以及机器人与障碍物的空间距离;根据机器人的实时姿态角度和对周围障碍物的识别信,建立基于改进的人工势场法避障决策模型,解决总势场计算陷入局部极小解的问题,动态规划行走路径,并将决策结果发送到机器人底盘控制单元,从而实现机器人在陌生场景中的自主运动。通过仿真分析及实物实验表明该方法可以实现机器人的自主避障。该方法的研究为机器人仅依赖视觉和惯导传感器就可以实现障碍物识别和自主移动避障提供了依据和参考。