一种基于Meanshift和RANSAC的车道识别方法

为满足车辆行驶时能对各种车道线(实线、虚线、直道、大弯道)准确识别,提出一种基于Meanshift原理和RANSAC(Random Sample Consensus)算法的车道识别方法;该方法首先利用改进的最大熵阈值分割方法和图像灰度概率密度特征对左右车道线目标进行初定位,动态地建立车道线ROI(Region of Interests),然后运用Meanshift算法对左右车道线进行精确定位,最后利用RANSAC算法对各搜索框中候选车道线的重心进行筛选,并采用最小二乘法对左右车道线进行拟合;实验结果表明,该方法可以识别各种车道线型,并具有较好的鲁棒性;车道检测平均时间为80ms/f,车道跟踪平均时间为40ms/f。

移动机器人里程计系统误差及激光雷达安装误差在线标定

为了降低传感器系统误差所带来的影响,首先建立了差速移动机器人里程计系统误差及激光雷达安装误差数学模型.然后,基于拓展卡尔曼滤波算法,提出了一种里程计系统误差及激光雷达安装误差迭代标定方法,该方法能够在定位的同时对2组误差进行实时标定.通过仿真对该方法进行验证,误差估计有效地收敛到误差真值.实物实验中,误差估计能有效收敛,标定后的航迹推算误差大幅度降低.

智慧工厂中移动机械臂流水线抓取问题研究

在智慧工厂中,移动机械臂被广泛用于各个工位之间的工件运送,在移动到流水线工位后需要对流水线上传送的三维物体进行抓取。在该过程中,移动底座停靠在流水线工位前会存在与目标设定位置的姿态偏差,另外在传送带上传送的三维物体也可能出现各种不同的姿态,需要解决移动机械臂在机械臂基座坐标系与物体抓取坐标系之间存在角度偏差情况下的运动目标抓取问题。首先针对跟踪问题提出了基于PID与速度控制的目标点的位置跟踪方法,然后对几种不同情况下的流水线抓取问题进行了数学建模和分析,将抓取过程分为两个阶段,第一阶段为控制机械臂实时跟踪目标物体的初始抓取点,第二阶段为控制机械臂接近并实现抓取,给出了有效的抓取策略。