基于控制点和RGB向量差联合梯度Census变换的立体匹配算法

为了解决立体匹配算法在弱纹理区域及边界区域匹配精度较低的问题,文中提出基于控制点和RGB向量差联合梯度Census变换的立体匹配算法.首先,使用基于动态时间归整的行匹配算法,寻找最优匹配路径,经过扭曲对齐选取匹配特征点作为控制点.再使用基于RGB向量差代价联合基于梯度Census变换代价作为非控制点的匹配代价,基于梯度Census变换增加像素点的鲁棒性,RGB三向量保留图像三维色彩信息,使求得的代价精度更高.然后,融合求得的控制点与非控制点的匹配代价,作为初始匹配代价,基于RGB三向量差求得针对不同纹理区域的自适应窗口,在该窗口内以一次水平方向和竖直方向代价聚合的方式进行初始代价优化,同时使用多步骤优化减少视差错误率.最后,在Middlebury数据集上对不同区域测试视差错误率和在真实机器人场景上求取视差,将求得的视差利用三维成像原理进行三维重建测试.理论分析和实验表明,文中算法明显降低弱纹理区域和边界的误匹配率.

基于3D目标跟踪算法的机器人手眼协调研究

为了适应环境的复杂性和多样性,增强机器人抓取任务的鲁棒性,本文从3D目标跟踪算法出发,提出了一种实现机器人手眼协调的新方法。该方法采用改进的基于区域的位姿追踪算法同时跟踪机械臂夹持器和目标物体的位姿,根据二者的相对位置关系引导机械臂运动。对基于区域的位姿跟踪算法,本文提出根据局部区域分割线构建分割模型并改进模型颜色似然的线性更新方式,使得算法能够准确跟踪机械臂夹持器与目标物体。基于ROS平台搭建了一套仿真实验环境,并分别在仿真环境和真实环境下验证了此手眼协调系统的有效性和鲁棒性。这种方式不仅不需要手眼标定,更接近于人类“Sensor-Actor”带反馈的闭环控制方式,同时赋予了机器人足够的灵活性来应对弹性的任务和多变的环境。

基于人造物体直线段结构特征的不变性识别

传统的用假设验证法进行三维物体识别的方法需要通过一组非线性方程组求解从模型到场景的坐标系变换,具有非常高的复杂度.文中提出了一种基于能够表明物体几何构造的直线段特征的人造物体识别方法,将假设验证法中对于全局坐标系变换的求解分散在各个平面单应性变换的求解中,降低了求解的复杂度.该方法首先利用几何不变量预匹配特征点,进而假设并求出场景和模型平面之间的单应矩阵,随后通过模型与场景之间直线段特征匹配的结果进行验证.实验证明,该方法能够快速准确地识别含有较多共面直线段特征的人造物体.

人工智能盛宴下的隐忧

当前,人工智能正开启一饧盛宴各种关于人工智能的高端论坛和大型展览会,如雨后春笋般成立的各种人工智能公司及其推介的应用场景,加上介入的物联网、量子计算、云计算、5G、大数据等新兴技术,经由各种腺谉高频率的渲染,人工智能仿佛一夜间变得无所不能,甚至睡手可得但不得不说的是,这一轮人工智能高潮的主要推动力是硬件性价比大幅提升带来的"算力"爆发.以及高度发达互联网带来的收集海量数据的便利.而人工智能本身的基础理论突破并不明显.

基于场景及规则获取模板的知识获取方法

产生式规则作为知识库系统进行推理的常用的、可读性好的知识表示形式,在构建知识库系统时有极大的优越性。提出一种基于场景及规则获取模板的知识获取方法,并以某高分子复合材料的加工专家为知识获取对象。该方法通过分析、记录领域专家进行设计的过程、解决问题的过程和动作,将领域问题按层次细化为一系列子问题,并在子问题场景下结合场景模型及知识获取模板来获取规则性知识。采用该方法可以辅助领域专家在明晰领域知识结构的基础上,逐步挖掘领域中细粒度的规则性知识。

概念结构研究综述

概念结构由概念之间的依赖关系构成,它是知识的核心,并且一直潜伏在后台发挥作用,人的认知能力皆来源于此。因此对概念结构的研究有助于提高知识系统的问题求解能力,尤其是领域开放的问题求解。对概念结构的研究要求解决三个问题,即概念结构如何表征与存储、概念结构如何逐步构建、概念结构如何运用于各种智能任务。主要讨论概念结构的表示和构建问题,并对概念结构相关的知识表示方法及其应用作了比较系统的阐述。

如何看待人工智能

2016年3月,谷歌公司的计算机围棋程序AlphaGo以四比一的战绩在围棋人机大赛中获得胜利。一时间关于人工智能战胜了人类智能、机器将统治世界的言论成为各类媒体竞相报道的内容和民众关注的话题。那么A1phaGo究竟是怎样的一个程序?人工智能发展到今天已经完善了吗?机器智能究竟能不能代替人类智能呢?

可变环境下基于位姿变换矩阵的机器人无标定手眼协调方法

智能机器人不同于工业流水线上固定任务的机器人,它们往往需要面对背景、目标物体形状、位置、姿态、尺寸的多种不确定性,这就要求机器人能够像人一样具有极好的手眼协调能力,能基于动态反馈临机调整自己的动作.本文采用基于RGB-D相机的三维深度信息采集手段,构建了一个用于无标定可变场景机器人手眼协调方法,它能够利用几何关系理解三维场景,实时跟踪并准确分割机械臂末端执行器和待抓取的物体,在没有3D模型的条件下计算末端执行器的姿态,通过计算夹持器的姿态以及夹持器和目标对象在相机坐标系中的相对位移向量之后,将该相对位移矢量从相机坐标系转换到夹持器坐标系,估计夹持器位姿变换矩阵,并将齐次变换矩阵输入到机械手逆运动学程序中,求解出机械臂对应的各关节扭角,从而驱动夹持器指向或移动到物体.这一方法硬件资源需求量少、计算速度快、实时性好.

面向可解释性的物体拓扑结构骨架表征方法

目的模式识别中,通常使用大量标注数据和有效的机器学习算法训练分类器应对不确定性问题。然而,这一过程缺乏知识表征和可解释性。认知心理学和实验心理学的研究表明,人类往往不使用代价如此巨大的机制,而是使用表征、归纳、推理、解释和约束传播等与符号主义人工智能方法类似的手段来应对物体识别中的不确定性并提供可解释性。因此本文旨在从传统的符号计算出发,利用骨架拓扑结构表征提供一种可解释性的思路。方法以骨架树为基本手段来形成物体拓扑结构特征和几何特征的形式化表征,并基于泛化框架对少量同类表征进行知识抽取来形成关于物体类别的知识概括显式化表征。结果在形成物体类别的概括表征实验中,通过路径重建直观展示了同类属物体上得到的最一般表征的几何物理意义。在可解释性验证实验中,通过跨数据的拓扑应用展示了新测试样本相对于概括表征的特定差异,表明该表征具有良好的可解释性。最后在形状补全的不确定性推理实验中,不仅可以得到识别结论,而且清晰展示了识别背后做出的判断依据,进一步验证了该表征的可解释性。结论实验表明一般化的形式表征能够应对尺寸、颜色和形状等不确定性问题,本文方法避免了基于纹理特征所带来的不确定性,适用于任意基于基元的表征方式,具有更好的鲁棒性、普适性和可解释性,计算代价更小。