機(jī)器人室內(nèi)定位技術(shù)說(shuō)明書(shū)

機(jī)器人室內(nèi)定位技術(shù)說(shuō)用時(shí)可以刪除2機(jī)器人六十年代，自第一臺(tái)機(jī)器人裝置誕生以來(lái)，機(jī)器人的發(fā)展經(jīng)歷了一個(gè)從低級(jí)到高級(jí)的發(fā)展過(guò)程。第一代機(jī)器人為示教再現(xiàn)型機(jī)器人，是通過(guò)計(jì)算機(jī)來(lái)控制多自主的機(jī)械裝置，通過(guò)示教存儲(chǔ)程序把信息讀取出來(lái)并發(fā)出指令，也可以根據(jù)人示教的結(jié)果再現(xiàn)動(dòng)覺(jué)、觸覺(jué)、聽(tīng)覺(jué)、視覺(jué)等。第三代機(jī)器點(diǎn)，機(jī)器人通過(guò)各種傳感器獲取環(huán)境信決策來(lái)完成一定的任務(wù)。因此智能機(jī)器場(chǎng)經(jīng)濟(jì)發(fā)展的推動(dòng)下，確定了機(jī)器人及其應(yīng)用工程并重、以應(yīng)用帶動(dòng)關(guān)鍵技術(shù)和基礎(chǔ)研究的發(fā)展方針，實(shí)現(xiàn)了高技術(shù)發(fā)展與國(guó)民經(jīng)濟(jì)主戰(zhàn)場(chǎng)的密切銜接，研制出有自主支持產(chǎn)權(quán)的移動(dòng)機(jī)器人具備超聲、紅外等多傳感器融合的導(dǎo)航系統(tǒng)，可以在一定的室內(nèi)環(huán)境中自由行與自動(dòng)避障等功能，在國(guó)內(nèi)處于先進(jìn)水平，具有一定影響力。它可以在一定的環(huán)境理緊急情況。研究核心，同時(shí)也是其實(shí)現(xiàn)完全自空間中障礙物的位置以及障礙物的。此項(xiàng)技術(shù)的概念是通過(guò)場(chǎng)景主旨(Gist)和視覺(jué)顯著性(Saliency)模型算法，逼真，精確地模擬人腦的神經(jīng)發(fā)，在運(yùn)動(dòng)過(guò)程中通過(guò)反復(fù)獲32.1高斯金字塔高斯金字塔是在圖像處理、計(jì)算機(jī)視覺(jué)、信號(hào)處理上使用的一項(xiàng)技術(shù)。本質(zhì)上是信號(hào)的多尺度表示方法，亦即將同一信號(hào)或圖片多次的進(jìn)行高斯模糊，并且向下取樣，從而產(chǎn)生不同尺度下的多組信號(hào)或圖片用于后續(xù)處理。例如在影響辨識(shí)上，可以通過(guò)對(duì)比不同尺度下的圖片，防止要尋找的內(nèi)容在圖片上有不同的大小。高斯金字塔的理論基礎(chǔ)是尺度所有的t都會(huì)成立，不過(guò)通常只會(huì)選取特定的t值。其中t為高斯函數(shù)的變異數(shù)，當(dāng)t越ftLf除更在建立高斯金字塔時(shí)，我們首先會(huì)將影像轉(zhuǎn)換為尺度空間的表示方式，即乘上不同大小的2.2尺度不變特征轉(zhuǎn)換(SIFT)SIFT特征的視覺(jué)算法，它在空間尺度中尋找極人地圖感知影像特征的描述與偵測(cè)可以幫助辨識(shí)物體，SIFT特征是基于物體上的一些局部相當(dāng)高?；谶@些特性，它們是高度顯著而且相對(duì)容易擷取，在母數(shù)龐大的特征數(shù)據(jù)庫(kù)SIFT物體特征就足以計(jì)算出位置與方位。4分析中，主成分分析是一種分析、簡(jiǎn)化數(shù)據(jù)集的技術(shù)，用于分析數(shù)據(jù)及建立數(shù)理模型。主成分分析經(jīng)常用于減少數(shù)據(jù)集的維數(shù)，同時(shí)保持?jǐn)?shù)據(jù)集中的對(duì)方差貢獻(xiàn)最大的特征。這是通過(guò)保留低階主成分，忽略高階主成分做到的。這樣低階成分往往能夠矩陣進(jìn)行特征分解，以得出數(shù)據(jù)的特征向量它們的特?cái)?shù)據(jù)維度的有效方法；如果分析者在源數(shù)據(jù)中除掉最小的特征值所對(duì)應(yīng)的成分，那么數(shù)據(jù)的內(nèi)部結(jié)構(gòu)，從而更好的解釋數(shù)據(jù)的變量的方法。如果一個(gè)多元數(shù)據(jù)集能夠的一個(gè)‘投影’。其行為數(shù)據(jù)樣本，列為數(shù)據(jù)類(lèi)別(注意，這里定義的是XT而不是X)。則X的奇異值分個(gè)向量的低維空間中去，W：LrethX的單向量矩陣W相當(dāng)于協(xié)方差矩陣的本征矢量C=XXT,5到這條直線距離的平方和最小。去除掉第一主成分后，用同樣的方法得到而且所有本征值的總和等于所有點(diǎn)到它們的多維空投影到第一維中去，因此，降低維度必定是失去訊量代表不同用平均減法進(jìn)行主假設(shè)零經(jīng)驗(yàn)均值，數(shù)據(jù)集X的主成分w可以被定義為：1kX：成分分析(ICA)6假設(shè)就是信號(hào)源統(tǒng)計(jì)獨(dú)立。這個(gè)假設(shè)在大多數(shù)盲信號(hào)分離設(shè)不滿足時(shí)，仍然可以用獨(dú)立成分分析來(lái)把觀察信號(hào)統(tǒng)計(jì)獨(dú)立化，從而進(jìn)一步分析數(shù)據(jù)的特性。獨(dú)立成分分析的經(jīng)典問(wèn)題是“雞尾酒會(huì)問(wèn)題” (cocktailpartyproblem)。該問(wèn)題描述的是給定混合信號(hào)，如何分離出雞尾酒會(huì)中同觀察的數(shù)據(jù)或者信號(hào)用隨機(jī)向量觀察的數(shù)據(jù)或者信號(hào)用隨機(jī)向量表示，獨(dú)立成分量可以定義為向量為向量。獨(dú)立成分分析的目的是通過(guò)線性變換把觀察的數(shù)據(jù),轉(zhuǎn)換成。統(tǒng)計(jì)獨(dú)立的量化通常通過(guò)某指定函數(shù)常通過(guò)某指定函數(shù)來(lái)衡量。2.5基于視覺(jué)顯著性(saliency)模型的快速場(chǎng)景分析的實(shí)時(shí)理解有著非常出色片，一種是快速的自底向上，皮層連接動(dòng)態(tài)7圖，接著空間上的不同位置會(huì)相互競(jìng)爭(zhēng)，直到找出顯著有特征圖自下而上匯總形成saliency顯著點(diǎn)。這種方式，是靈長(zhǎng)類(lèi)動(dòng)物大腦的后頂葉形成的而言，提供了大量的并行方法，我們可surround域：典型的視覺(jué)神經(jīng)元對(duì)視野中心的區(qū)域一小塊區(qū)域特外圍區(qū)域則會(huì)抑制神經(jīng)元的反應(yīng)。對(duì)局部不連續(xù)空間敏感的這樣檢測(cè)明顯與周?chē)煌木植刻卣鳎虼吮挥米髂M視網(wǎng)膜、外側(cè)882.6提取早期視覺(jué)特征模型研究的特征分為三種，分別為明暗特征，色彩特征和方向特征。低的時(shí)候是無(wú)法感知的，因此是不顯著的，因此正規(guī)化僅僅作用于I大于整張圖片亮度最差值產(chǎn)生了特征圖。第一組特征圖考慮的是亮度的對(duì)比，哺乳動(dòng)物是通過(guò)神經(jīng)元對(duì)暗中心區(qū)域和亮外圍區(qū)域或亮中心區(qū)域作用于暗外圍區(qū)域的效果進(jìn)行分別的。這兩種類(lèi)型的敏感第二組特征圖與前面類(lèi)似，是為色彩通道構(gòu)建的，在人類(lèi)的視覺(jué)皮層中是通過(guò)一種稱(chēng)為“雙色對(duì)比”的系統(tǒng)來(lái)處理色彩的：在感受野中部的神經(jīng)元會(huì)被一種顏色(例如紅色)刺激產(chǎn)生興奮而被另一種顏色(例如綠色)抑制。反之對(duì)外圍的神經(jīng)元也成立。這種則可以模擬藍(lán)／黃和黃／藍(lán)兩種對(duì)比：野對(duì)方向的敏感辨識(shí)程度。方向特征圖O(c,s,θ),表示了中心和周?chē)叨鹊姆较驅(qū)?2.7顯著圖(TheSaliencyMap)顯著圖用于通過(guò)常量表示一個(gè)區(qū)域的顯著性。顯著圖與特征圖結(jié)合起來(lái)，以動(dòng)態(tài)神個(gè)位置的視覺(jué)顯著可能會(huì)被噪聲或者其他較為不顯著的物體遮擋。由于缺少自頂向下的監(jiān)督，我們提出一種對(duì)圖進(jìn)行正規(guī)化的方法，用N(.)來(lái)表示。通過(guò)正規(guī)化可以達(dá)到的效果為，增強(qiáng)只有少量顯著點(diǎn)的顯著圖，削弱顯著點(diǎn)較多的顯著圖，步驟如下：M幅的差別。2.找出每張圖的全局極大值M，并計(jì)算所有局部極大值的平均值m乘上(M-m)^2只有局部極大值才會(huì)被計(jì)算，這樣正規(guī)化就可以忽略同質(zhì)的區(qū)域。比較整張圖的極O到尺度四再進(jìn)行像素對(duì)像素的加法：度和六張?zhí)卣鲌D生成中間步驟的四張圖，接著整O焦點(diǎn)所在的位置(FOA)。我們可以簡(jiǎn)單地認(rèn)為，圖片中最活躍的區(qū)域就是模型關(guān)注的下 (WTA)神經(jīng)網(wǎng)絡(luò)，不同單元之間的突觸交互可以保證最活躍的區(qū)域被保留，而其他的區(qū)M會(huì)更快(然而這些神經(jīng)元僅用于單純的聚集但不觸發(fā))。每一個(gè)SM神經(jīng)元都會(huì)刺激周?chē)缦拢篎OA使得次顯著的點(diǎn)也能夠成為贏家，還可以防止理學(xué)中得到了證明。為了使得模型可以緊接著跳轉(zhuǎn)到當(dāng)前注意點(diǎn)附近的顯著點(diǎn)區(qū)域，會(huì)短暫地刺激在FOA附近的SM區(qū)域。(這種方式被稱(chēng)為Koch和Ulman法則)。的圓盤(pán)，時(shí)間常數(shù)，電導(dǎo)，和模擬的神經(jīng)元閾值都是被選定的，從而免了在幾個(gè)顯著點(diǎn)間反復(fù)循環(huán)。在具體實(shí)現(xiàn)中，這些參數(shù)是固定的，在內(nèi)容模型的比較對(duì)于空間頻率內(nèi)容(SFC)我們給出了一種簡(jiǎn)單的表示方式：對(duì)于一個(gè)給定的圖像2D快速傅里葉變換(FFTs)。對(duì)于每個(gè)圖像塊而言，一個(gè)閾值用于計(jì)算不可忽略的FFT數(shù)系數(shù)，閾值對(duì)應(yīng)于FFT剛感知光柵的豐富度(1%的對(duì)比度)。SFC表示五個(gè)相應(yīng)圖像塊C合策略和顯著圖的時(shí)間特性都對(duì)于整體系統(tǒng)性能有貢確保它的正常運(yùn)作。比如，很多相同形狀彈出任務(wù)的視覺(jué)表現(xiàn)。當(dāng)一個(gè)目標(biāo)在方向，顏色，灰度或不同時(shí)，它總是可以成為最顯著的點(diǎn)。反之，如果目標(biāo)與干擾項(xiàng)在多種特征中存在區(qū)別(比如在紅色豎直條和綠色水平條圖中，有一個(gè)唯一的紅色水平實(shí)的戶外圖片和人工圖畫(huà)，通過(guò)正規(guī)化對(duì)良好的處理復(fù)雜的自然環(huán)境圖像，例如，它可以快速檢測(cè)到車(chē)流中的顯著交通信號(hào)(圓形，三角形，正方形，長(zhǎng)方形)，顏色(紅色，藍(lán)色，白色，橙色，黑色)，和文字信息 (字母，箭頭，條紋，圓圈)。從計(jì)算機(jī)的角度而言，此模型最大的優(yōu)勢(shì)在于有大量并行其他模型有較大不同。2.9場(chǎng)景主旨模型(Gist)隨著計(jì)算機(jī)視覺(jué)技術(shù)的發(fā)展，機(jī)器場(chǎng)景識(shí)別的能力也在不斷提高，這方面的研究也水平仍然和人眼相比差距甚遠(yuǎn)，所以采用生物可行場(chǎng)景識(shí)別是一個(gè)新穎而充滿潛力的研究提取 。由此我們可以發(fā)現(xiàn)，低的場(chǎng)景圖。我們將Gist算它的整體2.11場(chǎng)景主旨(Gist)特征提取色彩和灰度通道公式如下：Mi(c)=Gabor(θi,c)數(shù)據(jù)統(tǒng)計(jì)可以提供不同的有效信息，然而它們的計(jì)算開(kāi)釋仍有爭(zhēng)議，因此我們只進(jìn)行一階統(tǒng)計(jì)就可以進(jìn)行有效2.12顏色恒常算法是ComprehensiveColorNormalization(CCN)，可用于全局和局部的正規(guī)化。當(dāng)光線飽和的時(shí)候(即當(dāng)攝像機(jī)捕捉的視頻太亮或太暗的時(shí)候)，物體的紋理信息且無(wú)論用多復(fù)雜的正規(guī)化方法都無(wú)法恢復(fù)。在這種情況下，考慮到gist計(jì)算 (Garbor或center-curround)就已經(jīng)幫助我們將光照變化的影響降到了最低。通過(guò)分析在不同光線條件下的信號(hào)比峰值，我們發(fā)現(xiàn)底層特征處理產(chǎn)生的信息對(duì)于光線是合理而且2.13PCA/ICA降維14場(chǎng)景分類(lèi)上圖展現(xiàn)了場(chǎng)景分類(lèi)的完整過(guò)程。我們使用了一個(gè)三層神經(jīng)網(wǎng)絡(luò)(中間層有200和生活、工作、學(xué)域，而實(shí)現(xiàn)室內(nèi)定位，就是智能機(jī)器人在室內(nèi)室內(nèi)場(chǎng)景的圖像無(wú)論是全局圖還是局部圖都存在著很大的也正因此，進(jìn)行室內(nèi)定位的研究才有很大的價(jià)值。我們運(yùn)用了前FeatureSaliencyMapSalientComponentExtractionandMatchingtExtractionandMatchingtExtractionandMat