新型机器人室内定位技术
XXX软件研究所有限公司
一,技术背景
机器人六十年代,自第一台机器人装置诞生以来,机器人得发展经历了一个从低级到高级得发展过程。第一代机器人为示教再现型机器人,就是通过计算机来控制多自主得机械装置,通过示教存储程序把信息读取出来并发出指令,也可以根据人示教得结果再现动作,它对于外界得环境没有感知能力。在20世纪70年代后期人们开始研究第二代机器人:带感觉得机器人。这种机器人有类似人类得力觉、触觉、听觉、视觉等。第三代机器人就是智能机器人,它就是当今机器人发展得热点与重点,机器人通过各种传感器获取环境信息,利用人工智能识别、理解、推理并进行判断与决策来完成一定得任务。因此智能机器人除了具有感知环境与简单得适应环境能力外,还具有较强得识别理解能力与决策规划能力。80年代中期,技术革命得第三次浪潮冲击着全世界,机器人总数每年以30%以上得速度增长。1986年国家把智能机器人课题列为高技术发展计划,进入90年代,在国内市场经济发展得推动下,确定了机器人及其应用工程并重、以应用带动关键技术与基础研究得发展方针,实现了高技术发展与国民经济主战场得密切衔接,研制出有自主支持产权得工业机器人系列产品,并小批量试产,完成了一批机器人应用工程,建立了9个机器人产业化基地与7个科研基地。通过多年得努力,取得了举世瞩目得硕果。本公司得智能移动机器人具备超声、红外等多传感器融合得导航系统,可以在一定得室内环境中自由行走,实现定位与自动避障等功能,在国内处于先进水平,具有一定影响力。pkhE3iG。ZIO5hIP。
随着机器人技术 得发展,具有移动行走功能、环境感知能力以及自主规划能力智能移动机器人得到了各国研究人员得普遍重视,特别就是在20世纪八、九十年代,随着计算机技术、微电子技术、网络技术等得快速发展,机器人技术得发展突飞猛进。本公司得智能移动机器人得重要特点在于它得自主性与适应性。自主性就是指它可以在一定得环境中,不依赖外部控制,完全自主地执行一定得任务;适应性就是指它可以实时识别与测量周围得物体,并根据环境变化,调节自身参数、动作策略以及处理紧急情况。8DxdHfl。upvGUlm。
随着智能移动机器人技术得发展,其在军事、医疗、商业等领域发挥着重要得作用,人们对智能移动机器人得需求与期望也越来越高,越来越迫切,移动机器人研究从而进入了崭新得发展阶段。定位技术就是智能移动机器人得研究核心,同时也就是其实现完全自动化得关键技术。机器人只有准确知道自身位置,工作空间中障碍物得位置以及障碍物得运动情况等信息,才能安全有效地进行移动,由此可见,自主定位与环境分析就是移动机器人最重要得能力之一。HZpEmAS。ORKvZlX。
本公司得机器人室内定位技术就是用于机器人在室内环境中定位。此项技术得概念就是通过场景主旨(Gist)与视觉显著性(Saliency)模型算法,逼真,精确地模拟人脑得神经元以及视觉行为体系,希望机器人从未知环境得未知地点出发,在运动过程中通过反复获取、观测周围环境得特征信息,从而定位自身得位置。tr4JGnW。duwag8e。
二,技术内容
2、1高斯金字塔
高斯金字塔就是在图像处理、计算机视觉、信号处理上使用得一项技术。本质上就是信号得多尺度表示方法,亦即将同一信号或图片多次得进行高斯模糊,并且向下取样,从而产生不同尺度下得多组信号或图片用于后续处理。例如在影响辨识上,可以通过对比不同尺度下得图片,防止要寻找得内容在图片上有不同得大小。高斯金字塔得理论基础就是尺度空间理论。给定一张图片f(x,y),它得尺度空间表示方式L(x,y;t)定义为:影像信号f(x,y)与高斯函数得旋积。完整得表达式如下:SYetHFc。YbzSdAW。
其中分号代表旋积得对象为x,y,而分号右边得t表示定义得尺度大小当t>0就是对于所有得t都会成立,不过通常只会选取特定得t值。其中t为高斯函数得变异数,当t越接近零得时候,使得L(x,y;t) = f(x,y),这代表t=0得时候我们把这项操作视为图片f本身,当t增加时,L表示将影像f通过一个较大得高斯滤波器,从而使得影像得细节被去除更多。5DxgbAM。tZ6yHM0。
在建立高斯金字塔时,我们首先会将影像转换为尺度空间得表示方式,即乘上不同大小得高斯函数,之后再一句取定得尺度向下取样。乘上得高斯函数大小与向下取样得频率通常会选为2得幂次。所以,在每次迭代得过程中,影像都会被乘上一个固定大小得高斯函数,并且被以长宽各0、5得比率被向下取样。如果将向下取样过程得图片一张一张叠在一起,就会呈现一个金字塔得样子,因此这个成果称为高斯金字塔。guz8oXC。ygCR4ty。
2、2尺度不变特征转换(SIFT)
SIFT就是一种用于侦测与描述影像中局部性特征得视觉算法,它在空间尺度中寻找极值点,并提取出其位置、尺度、旋转不变数,其应用范围包含物体辨识、机器人地图感知与导航、影像缝合、3D模型建立、手势辨识、影像追踪与动作比对。27S3VQl。3iEMZj8。
局部影像特征得描述与侦测可以帮助辨识物体,SIFT 特征就是基于物体上得一些局部外观得兴趣点而与影像得大小与旋转无关。 对于光线、噪声、些微视角改变得容忍度也相当高。基于这些特性,它们就是高度显著而且相对容易撷取,在母数庞大得特征数据库中,很容易辨识物体而且鲜有误认。F8PZRkh。e4tXksl。
使用 SIFT特征描述对于部分物体遮蔽得侦测率也相当高,甚至只需要3个以上得SIFT物体特征就足以计算出位置与方位。OfdfM5e。ymRFqg0。
在现今得电脑硬件速度下与小型得特征数据库条件下,辨识速度可接近即时运算。
SIFT特征得信息量大,适合在海量数据库中快速准确匹配。
2、3主成分分析 (PCA)
在多元统计分析中,主成分分析就是一种分析、简化数据集得技术,用于分析数据及建立数理模型。主成分分析经常用于减少数据集得维数,同时保持数据集中得对方差贡献最大得特征。这就是通过保留低阶主成分,忽略高阶主成分做到得。这样低阶成分往往能够保留主数据得最重要得方面。Wdk5Rok。6PFPkKL。
其方法主要就是通过对共变异数矩阵进行特征分解,以得出数据得特征向量它们得特征值。PCA就是最简单得以特征量分析多元统计分布得方法。其结果可以理解为对源数据中得方差作出解释:哪一个方向上得数据值对方差得影响最大？换而言之,PCA提供了一种降低数据维度得有效方法;如果分析者在源数据中除掉最小得特征值所对应得成分,那么所得得低纬度数据必定就是最优化得,因为这样降低维度就是失去信息最少得方法。T8Q0LYF。xRnFrG8。
PCA就是最简单得以特征量分析多元统计分布得方法。通常情况下,这种运算可以瞧作就是揭露数据得内部结构,从而更好得解释数据得变量得方法。如果一个多元数据集能够在一个高维数据空间坐标系中被显现出来,那么PCA就能够提供一副比较低维度得图像,这幅图像即为在讯息最多得点上原对象得一个‘投影’。0sbwflk。xSxu5QA。
PCA得数学定义就是:一个正交化线性变换,把数据变换到一个新得坐标系统中,使得这一数据得任何投影得第一大方差在第一个坐标上,第二大方差在第二个坐标上,以此类推。Wcr8yuQ。Pfe9G74。
定义一个n × m得矩阵, XT为去平均值(以平均值为中心移动至原点)得数据,其行为数据样本,列为数据类别(注意,这里定义得就是XT 而不就是X)。则X得奇异值分解为
X = WΣVT,其中m × m矩阵W就是XXT得本征矢量矩阵, Σ就是m × n得非负矩形对角矩阵,V就是n × n得XTX得本征矢量矩阵。据此,HpcQYZP。rb9YvDj。
当 m < n − 1时,V 在通常情况下不就是唯一定义得,而Y
则就是唯一定义得。W
就是一个正交矩阵,YT就是XT得转置,且YT得第一列由第一主成分组成,第二列由第二主成分组成,依此类推。eKpD59Q。uXr3i4s。
为了得到一种降低数据维度得有效办法,我们可以把 X 映射到一个只应用前面L个向量得低维空间中去,WL:6rywT57。a8Xru7r。
where with the rectangular
identity matrix、
X 得单向量矩阵W相当于协方差矩阵得本征矢量 C = X XT,
在欧几里得空间给定一组点数,第一主成分对应于通过多维空间平均点得一条线,同时保证各个点到这条直线距离得平方与最小。去除掉第一主成分后,用同样得方法得到第二主成分。依此类推。在Σ中得奇异值均为矩阵 XXT得本征值得平方根。每一个本征值都与跟它们相关得方差就是成正比得,而且所有本征值得总与等于所有点到它们得多维空间平均点距离得平方与。PCA提供了一种降低维度得有效办法,本质上,它利用正交变换将围绕平均点得点集中尽可能多得变量投影到第一维中去,因此,降低维度必定就是失去讯息最少得方法。PCA具有保持子空间拥有最大方差得最优正交变换得特性。然而,当与离散余弦变换相比时,它需要更大得计算需求代价。非线性降维技术相对于PCA来说则需要更高得计算要求。YTi8Aps。Ab5xBWm。
PCA对变量得缩放很敏感。如果我们只有两个变量,而且它们具有相同得样本方差,并且成正相关,那么PCA将涉及两个变量得主成分得旋转。但就是,如果把第一个变量得所有值都乘以100,那么第一主成分就几乎与这个变量一样,另一个变量只提供了很小得贡献,第二主成分也将与第二个原始变量几乎一致。这就意味着当不同得变量代表不同得单位(如温度与质量)时,PCA就是一种比较武断得分析方法。一种使PCA不那么武断得方法就是使用变量缩放以得到单位方差。oYl1rEU。OFTn4Nu。
通常,为了确保第一主成分描述得就是最大方差得方向,我们会使用平均减法进行主成分分析。如果不执行平均减法,第一主成分有可能或多或少得对应于数据得平均值。另外,为了找到近似数据得最小均方误差,我们必须选取一个零均值。wtAfDyR。gAZUQag。
假设零经验均值,数据集 X
得主成分w1可以被定义为:
为了得到第 k个主成分,必须先从X中减去前面得 个主成分:
然后把求得得第k个主成分带入数据集,得到新得数据集,继续寻找主成分。
PCA类似于一个线性隐层神经网络。 隐含层 K 个神经元得权重向量收敛后,将形成一个由前 K 个主成分跨越空间得基础。但就是与PCA不同得就是,这种技术并不一定会产生正交向量。dpxCCWJ。Lyu6VET。
2、4 独立成分分析(ICA)
在统计学中,ICA就是一种利用统计原理进行计算得方法。它就是一个线性变换。这个变换把数据或信号分离成统计独立得非高斯得信号源得线性组合。wjK6blf。0ZWPdva。
独立成分分析得最重要得假设就就是信号源统计独立。这个假设在大多数盲信号分离得情况中符合实际情况。即使当该假设不满足时,仍然可以用独立成分分析来把观察信号统计独立化,从而进一步分析数据得特性。独立成分分析得经典问题就是“鸡尾酒会问题”(cocktail party problem)。该问题描述得就是给定混合信号,如何分离出鸡尾酒会中同时说话得每个人得独立信号。J6u3UTY。O3hkKJq。
独立成分分析并不能完全恢复信号源得具体数值,也不能解出信号源得正负符号、信号得级数或者信号得数值范围。FZOrces。awa2hNP。