多模态信息融合在机器人目标定位抓取中的应用研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 1 绪论 | 第9-17页 |
| 1.1 课题研究的背景及意义 | 第9-11页 |
| 1.2 国内外研究和应用情况 | 第11-16页 |
| 1.3 本文的主要研究内容 | 第16-17页 |
| 2 视觉感知技术中基本算法的研究 | 第17-30页 |
| 2.1 二维图像边缘检测算法 | 第17-22页 |
| 2.1.1 Roberts 算子 | 第19页 |
| 2.1.2 Sobel算子 | 第19-20页 |
| 2.1.3 Prewitt 算子 | 第20页 |
| 2.1.4 Canny算子 | 第20-22页 |
| 2.2 基于图像特征的匹配算法 | 第22-26页 |
| 2.2.1 特征点提取算法 | 第22-24页 |
| 2.2.2 匹配算法 | 第24-25页 |
| 2.2.3 匹配点误差剔除算法 | 第25-26页 |
| 2.3 三维图像特征描述子 | 第26-28页 |
| 2.3.1 点特征直方图描述子 | 第26-27页 |
| 2.3.2 视点特征直方图描述子 | 第27-28页 |
| 2.4 三维图像的匹配算法 | 第28-29页 |
| 2.4.1 SAC_IA算法 | 第28-29页 |
| 2.4.2 ICP算法 | 第29页 |
| 2.5 本章小节 | 第29-30页 |
| 3 机器人手眼系统的标定 | 第30-43页 |
| 3.1 USB相机标定 | 第30-36页 |
| 3.1.1 USB相机内参标定 | 第31-35页 |
| 3.1.2 USB相机外参标定 | 第35-36页 |
| 3.2 Kinect2 深度相机标定 | 第36-39页 |
| 3.2.1 Kinect2 相机简介 | 第37-38页 |
| 3.2.2 Kinect2 深度相机标定 | 第38-39页 |
| 3.3 机器人基坐标系标定 | 第39-41页 |
| 3.4 最终标定结果 | 第41页 |
| 3.5 本章小结 | 第41-43页 |
| 4 多特征融合位姿估计算法及其机器人抓取应用 | 第43-63页 |
| 4.1 ROS系统介绍 | 第43页 |
| 4.2 位姿估计算法框架设计 | 第43-44页 |
| 4.3 基于图像特征的位置估计算法 | 第44-47页 |
| 4.4 基于点云特征的姿态估计算法 | 第47-54页 |
| 4.4.1 点云预处理 | 第47-49页 |
| 4.4.2 欧式聚类分割 | 第49-50页 |
| 4.4.3 模板库建立 | 第50-52页 |
| 4.4.4 实时姿态估计 | 第52-54页 |
| 4.5 工具坐标定位 | 第54-56页 |
| 4.6 实验平台介绍 | 第56页 |
| 4.7 实验结果与分析 | 第56-61页 |
| 4.8 本章小结 | 第61-63页 |
| 5 CNN卷积神经网络在物体分类识别的研究 | 第63-71页 |
| 5.1 CNN卷积神经网络架构 | 第63-66页 |
| 5.1.1 卷积层 | 第64-65页 |
| 5.1.2 池化层 | 第65-66页 |
| 5.1.3 全连层 | 第66页 |
| 5.2 DCGAN神经网络模型 | 第66-67页 |
| 5.2.1 GAN神经网络 | 第66-67页 |
| 5.2.2 DCGAN网络模型 | 第67页 |
| 5.3 实验与分析 | 第67-70页 |
| 5.3.1 DCGAN网络实验与分析 | 第68-69页 |
| 5.3.2 CNN卷积神经网络实验与分析 | 第69-70页 |
| 5.4 本章小结 | 第70-71页 |
| 6 总结与展望 | 第71-73页 |
| 6.1 总结 | 第71页 |
| 6.2 进一步工作展望 | 第71-73页 |
| 参考文献 | 第73-76页 |
| 在学研究成果 | 第76-77页 |
| 致谢 | 第77页 |
