一种输电线路巡检机器人控制系统的设计与实现

介绍了一种超高压输电线路巡检机器人控制系统的设计与实现方法.根据巡检作业任务的要求,采用遥控与局部自主相结合的控制模式实现巡检机器人沿线行走及跨越障碍.设计了巡检机器人有限状态机模型,实现了机器人遥控与局部自主控制的有机结合.采用基于激光传感器定位的方法实现了巡检机器人的自主越障控制.实验结果表明,该机器人可实现沿线行走及自主跨越障碍,从而验证了控制系统设计的有效性与合理性.

基于视觉伺服的输电线巡检机器人抓线控制

巡检机器人在越障时,需要完成机器人手臂的准确抓线控制.结合输电线的几何特征和摄像机成像原理,提出了一种基于单摄像机的立体视觉方法来确定输电线的位置和姿态.基于该定位方法及视觉伺服理论,建立机械手抓线伺服控制模型.利用自行研制的巡检机器人进行了视觉伺服抓线实验;实验结果验证了该方法的有效性.

基于多传感器的可变形机器人自主控制方法研究

将GPS、电子罗盘、倾角仪、码盘传感器等应用到可变形机器人自主运动控制中.针对可变形机器人自身结构特点,提出了一种基于多传感器信息融合的可变形机器人在野外环境中自主控制的方法.该方法主要实现了在非结构环境中机器人的自主变形、自主避障和自主导航定位等功能.实验验证了该方法的有效性.

轮式移动机器人与地形交互运动仿真研究

分析了轮式移动机器人(WMR)在不平坦的三维地形上运动的运动学模型.利用速度投影法,得到了WMR运动模型的一种新形式.基于虚拟现实技术,利用VC++OpenGL实现了WMR虚拟漫游系统.该系统具有较强的交互性和实时性,为星球探测机器人的虚拟导航、遥操作等提供了验证平台.

超高压输电线路巡检机器人两种越障定位方法比较

将两种基于传感器信息的导线定位方法的特点和差异进行了分析和对比,得出方法Ⅱ的解算能力强于方法Ⅰ的解算能力,但由于方法Ⅱ的定位精度低于方法Ⅰ的定位精度,因此,选用方法Ⅰ进行野外作业。

输电线路巡检机器人越障控制研究

介绍了超高压输电线路巡检机器人越障控制方法。根据巡检作业任务的要求,采用遥控与局部自主控制相结合的方法,实现了巡检机器人沿线行走及跨越障碍的功能。采用基于单目摄像头定位和视觉伺服的方法,实现了巡检机器人的自主越障控制。实验结果表明,该机器人可沿线行走并自主跨越障碍,从而验证了控制系统设计的有效性与合理性。

一种改进的超高压输电线路巡检机器人越障方法

介绍了一种新型的超高压输电线路巡检机器人,阐述了分阶段的控制策略.主要针对越障的工程实际问题,从理论上分析了越障阶段的难点:质心调节,输电线的辨识与定位问题.进行了仿真和试验,验证了控制策略和理论分析的正确性.

超高压线巡检机器人移动越障机构综述

介绍了国内外超高压输电线路巡检机器人的研究现状,分析了几种典型的巡检机器人传动原理、机械结构的特点,详细探讨了巡检机器人移动、越障的运动机理和机构形式。最后总结了巡检机器人移动越障机构的难点,展望了巡检机器人的发展趋势。

超高压输电线路巡检机器人越障控制问题的研究

给出了一种超高压输电线路巡检机器人控制系统的设计与实现方法.根据机器人的作业任务,提出了基于传感器信息、约束信息以及动作反馈信息作为输入,产生式系统作为动作输出的越障控制方式.仿真结果表明此方法对于机器人的越障过程是有效的.

复合机构移动机器人红外和超声阵列信息处理方法

传感器是移动机器人认识和了解外部环境的重要途径。在导航过程中,移动机器人要对当前环境进行实时感知和快速理解,并加以识别从而准确避开障碍物。论文提出一种适用于复合机构移动机器人的红外阵列和超声阵列传感器信息采集和处理方法。结合笔者研制的“基于复合机构的非结构环境移动机器人”,给出了系统具体的软、硬件的设计和局部路径规划实现方法。实验验证了该方法的可靠性和有效性。

移动机器人基于激光测距和单目视觉的室内同时定位和地图构建

该文研究了部分结构化室内环境中自主移动机器人同时定位和地图构建问题.基于激光和视觉传感器模型的不同,加权最小二乘拟合方法和非局部最大抑制算法被分别用于提取二维水平环境特征和垂直物体边缘.为完成移动机器人在缺少先验地图支持的室内环境中的自主导航任务,该文提出了同时进行扩展卡尔曼滤波定位和构建具有不确定性描述的二维几何地图的具体方法.通过对应用于SmartROB-2移动机器人平台所获得的实验结果和数据的分析讨论,论证了所提出方法的有效性和实用性.

一种多目标快速识别的自适应灰度量化方法研究

针对实时序列图像多目标识别问题提出了一种快速图像处理方法。该方法依据一定的先验知识和准则，对复杂背景图像进行窗口化，对每一个窗口独立进行自适应快速中值滤波，及基于局部图像灰度信息的自适应重新量化和最大熵分割处理，实现了对全景视场内预定目标的快速准确提取和识别。为动态环境中多目标条件下移动机器人的视觉定位、导航和目标跟踪所需图像处理技术提供了一种新的方法。

ROV模糊控制导航方法

本文提出一种水下 ROV(Remotely Operated Vehicles)的模糊导航方法和基于该方法的控制器结构 .通常由于水下环境光照不足或是水质混浊 ,很难依赖摄像机准确地为 ROV导航 ,引导 ROV到达预定目标 ,尤其是工作空间存在障碍物时 ,ROV很可能发生碰撞 .文中提出的模糊控制方法 ,将 ROV在 3D空间运动的状态、局部环境信息以及导航规划数据表示为多重模糊条件 ,然后结合 ROV的导航特点 ,建立了一个三级模糊控制器 ,该控制器使用同一种控制模式完成 ROV有障碍和无障碍的导航任务 .仿真实验结果验证了所提出方法的有效性

便携式移动机器人INS/GPS组合导航系统研究

基于捷联惯导系统（INS）与全球定位系统（GPS）定位技术的发展以及机器人导航的需要，本文对INS与GPS的组合导航系统进行了研究。捷联惯导系统与GPS导航各有优缺点，具有互补性，文中将两者结合形成了更加准确可靠的定位系统。本文首先介绍了捷联惯导系统和全球定位系统，并对捷联惯导和GPS的误差作了详细的分析，建立了误差模型。文中应用动力学误差方程建立了九状态INS/GPS综合卡尔曼滤波方程。提出了一种以位置、速度、姿态DCM的误差为状态量，以GPS和INS的位置差作为观测量的INS/GPS组合导航系统的滤波算法，并将该技术应用于机器人的定位导航。仿真实验表明，该算法可有效提高系统导航参数的估计精度。本文分五章对该课题进行了研究。第一章是引言，介绍了课题的研究背景、意义，国内外的研究现状和本文的主要工作；第二章介绍了惯性传感器和GPS接收器的原理和特性；第三章介绍了捷联惯导系统相关的理论知识，包括姿态角的解算，算法具体内容和误差分析，并对捷联惯导系统进行了仿真试验；第四章介绍了Kalman滤波的相关知识并详细介绍了INS/GPS组合导航系统；第五章对INS/GPS组合导航系统的九状态卡尔曼滤波算法进行了仿真，并对试验结果进行了详细的分析。从仿真结果可知，组合导航系统大大的提高了系统的精度，克服了纯惯导系统的缺点。

机器人视觉导航中的实时在线识别算法研究

随着移动机器人应用范围的日益扩展，在动态、非结构化环境下提高其自主导航能力已经成为移动机器人研究领域迫切需要解决的问题。在机器人自主导航关键技术中，识别技术是最难解决、也是最急需解决的问题。视觉作为导航中的重要传感器，与其他传感器相比具有信息量大、重量轻便、功耗低等诸多优势，因此基于视觉的识别技术也被公认为最具潜力的研究方向。 本文以国防基础研究项目和中科院开放实验室基金项目为依托，以沈阳自动化所自主研发的“轮腿复合结构机器人”和“无人机”为实验平台，针对地面自主机器人和无人机自主导航中迫切需要解决的应用问题，有针对性的展开研究，旨在提高移动机器人在动态、非结构化环境下的适应能力。 本论文的主要内容如下： 首先，为了提高复杂环境下地面移动机器人的自主能力，本文提出了一种基于立体视觉的面向室外非结构化环境障碍物检测算法。文中首先给出了一种可以从V视差图(V-disparity image)中有效估计地面主视差（Main Ground Disparity, MGD)的方法。随后，我们利用由粗到精逐步判断的方式，来识别疑似障碍和最终障碍并对障碍进行定位。最后，该方法已在地面自主移动平台得到实际应用。通过在各种场景下的实验，验证了该方法的准确性和快速性。 其次，以无人机天际线识别为背景，提出了一种准确、实时的天际线识别算法，并由此估计姿态角。通过对天际线建立能量泛函模型，利用变分原理推出相应偏微分方程。在实际应用中出于对实时性的考虑，引入分段直线约束对该模型进行简化，然后利用由粗到精的思想识别天际线。具体做法是：首先，对图像预处理并垂直剖分，然后利用简化的水平直线模型对天际线进行粗识别，通过拟合获得天际线粗识别结果，最后在基于梯度和区域混合开曲线模型约束下精确识别天际线，并由此估计无人机滚动和俯仰姿态角。 第三，通过对红外机场跑道的目标特性进行分析，文中设计了一种新的基于1D Haar 小波的并行的红外图像分割算法的；然后，有针对性的对分割区域提取特征；最后，两种常用的识别方法，支持向量机（SVM）和投票法（Voting）被用于对疑似目标区域进行分类和识别。通过对实际视频和红外仿真图片的测试，验证了本文算法的快速性、可靠性和实时性，该算法每帧平均处理时间为30ms。 最后，针对无人机空中巡逻中对人群进行自动监控所遇到的问题，通过将此类问题简化为固定视角下人流密度监测问题，提出了一种全新的基于速度场估计的越线人流计数和区域内人流密度估计算法。 首先，该算法把越线的人流当成运动的流场，给出了一种有效估计1D速度场的运动估计模型；然后，通过对动态人流进行速度估计和积分，将越线人流的拼接成动态区域；最后，对各个动态区域提取面积和边缘信息，利用回归分析实现对人流密度估计。该方法与以往基于场景学习的方法不同，本文是一种基于角度的学习，因此便于实际应用。