基于光电传感器的学前儿童机器人室内自动定位方法

针对学前儿童机器人在与儿童的互动和个性化的陪伴方面,机器人仍不能满足人们的需要。为了提高机器人与儿童的互动性,需要使机器人具备室内自动定位的功能,本文基于光电传感器对学前儿童机器人进行设计。机器人的任务系统按照功能层次可以分为人机交互层、控制层、任务组织层和任务执行层。通过改进机器人定位方式,采用光电图像传感器进行距离测量以提高行进过程中定位精度,实现机器人的自动定位。根据室内障碍物较多的特点,对人工势场算法改进,对机器人的路径进行规划算法,从而设计了机器人的避障规则。为验证该学前儿童机器人的性能,对机器人进行自动定位和路径规划试验。试验结果表明:机器人的自动定位结果准确,定位偏差均小于5%,且可进行路径规划和避障。

基于RBPF-SLAM算法的学前儿童机器人路径规划模型研究

在学前教育领域,机器人技术的应用已经成为一种引人注目的研究方向。为了提升学前儿童机器人的路径寻优能力,此次研究采用基于粒子滤波的同时定位与地图创建算法将雷达观测模型和运动模型相结合,并采用退火参数和重采样避免采样效率降低,构建机器人运动模型和地图。最后采用改进的A-Star算法构建混合路径规划模型。结果显示,基于粒子滤波的改进SLAM算法误差平均值为0.340。改进后的基于粒子滤波的SLAM算法在粒子数为50、125、200时,运行时间分别为0.215 s、0.225 s、0.268 s,估计误差分别为0.314、0.282、0.291。基于粒子滤波的SLAM算法生成的地图整体精度明显高于改进前的算法,地图上的线条整齐且清晰。在仿真和真实两种实验环境下,改进A*算法分别经过18次和50次迭代后趋于收敛,最小路径长度为12 m和32 m。结果验证了混合路径规划模型在不同环境下路径寻优的性能较好。该方法实现了精确的机器人定位,提高了路径规划的准确性和可靠性。

基于改进谱减法和声学模型的学前儿童机器人语音识别系统研究

为提高学前儿童机器人交互效果,提出基于语音信号增强结合序列标注的指令关键信息提取的语音识别方法。首先,结合语音增强的基本原理,考虑到传统谱减法易形成噪声的问题,提出结合MAP估计的谱减法,以更好地对语言进行增强和降噪;然后构建一个基于DNN-HMM的声学模型,并对DNN参数进行初始化和DNN算法训练;最后将训练后的DNN网络输出参数输入至HMM模型中进行语音信号识别和交互。实验结果表明,相较于基线GMM-HMM模型,构建的DNN-HMM模型的语音信号识别准确率高出了3.29%,词错误率明显更低。且采用联合MAP改进谱减法对纯净语音进行降噪和增强后,对比于传统的谱减法和改进谱减法,本算法的降噪增强效果明显更佳。系统验证发现,采用本算法可提升学前儿童机器人的智能交互效果,机器人能够更准确地执行接收到的指令,具备一定的有效性。