CN115599107A - 基于人工智能的激光自动除锈机器人控制系统 - Google Patents

基于人工智能的激光自动除锈机器人控制系统 Download PDF

Info

Publication number
CN115599107A
CN115599107A CN202211616442.XA CN202211616442A CN115599107A CN 115599107 A CN115599107 A CN 115599107A CN 202211616442 A CN202211616442 A CN 202211616442A CN 115599107 A CN115599107 A CN 115599107A
Authority
CN
China
Prior art keywords
robot
laser
rust
laser automatic
automatic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202211616442.XA
Other languages
English (en)
Other versions
CN115599107B (zh
Inventor
孙军
周伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tangshan Xiongwei Robot Co ltd
Original Assignee
Tangshan Xiongwei Robot Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tangshan Xiongwei Robot Co ltd filed Critical Tangshan Xiongwei Robot Co ltd
Publication of CN115599107A publication Critical patent/CN115599107A/zh
Application granted granted Critical
Publication of CN115599107B publication Critical patent/CN115599107B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
    • G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • G05D1/0253—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting relative motion information from a plurality of images taken successively, e.g. visual odometry, optical flow
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Electromagnetism (AREA)
  • Optics & Photonics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明涉及一种基于人工智能的激光自动除锈机器人控制系统，属于除锈自动控制领域。本发明根据作业场景的特点，收集训练图片，对图像进行采集和处理，运用深度学习算法卷积神经网络算法对图像信息进行模型训练，通过训练好的模型，使得激光自动除锈机器人可发明可以对除锈目标，尤其是非平面的复杂形状作业目标进行精准自动除锈。

Description

基于人工智能的激光自动除锈机器人控制系统
技术领域
本发明涉及除锈自动控制领域，具体地说，涉及一种基于人工智能的激光自动除锈机器人控制系统。
背景技术
金属定期除锈是工业上普遍的需求，对于钢板型的除锈目标来说，可以采用抛丸除锈进行高效除锈。但对结构复杂的非平板形除锈目标，目前主要的方法还是靠人工在固定位置靠除锈，工人作业环境辛苦、效率低下、标准不一致、效果不理想。激光自动除锈机器人具有绿色环保、易于操作、效率高等优点，因此在除锈领域具有重要的研究和应用价值。随着国家智能制造理念的不断深入，人工智能技术的飞速发展，实现结构复杂的非平板形除锈目标自动化和智能化是亟待解决的问题。为了解决这一问题，并高激光自动除锈机器人的工作效率，在进行表面除锈工作时，保证激光自动除锈机器人能够全覆盖除锈的同时还能够寻求最优路径降低能耗，进行基于机器学习的激光自动除锈机器人曲面路径规划技术研究，据位置和障碍物分布的不同，解决激光自动除锈机器人路径规划的问题，有效提升激光自动除锈机器人系统在路径规划问题中的自学习能力和自适应性，使得激光自动除锈机器人在条件受限的路径规划领域中得到了拓展。同时作业场景的特点，收集训练图片，对图像进行采集和处理，运用深度学习算法卷积神经网络的图像检测算法对图像信息进行模型训练，通过训练好的模型，使得激光自动除锈机器人可以自动识别作业场景、作业目标、根据目标状态自动控制除锈过程，自动完成除锈作业。形成一套可持续、有效的技术方案，设计、实施了本方法。
发明内容
本发明的目的在于提供一种基于人工智能的激光自动除锈机器人控制系统，以解决上述背景技术中提出的问题。
为实现上述目的，提供了一种基于人工智能的激光自动除锈机器人控制系统，包括自动移动和避障系统，图像识别系统和激光机械臂动力系统，及其相互关联的数据库。
S1. 通过作业场景、作业目标和作业要求，建立激光自动除锈机器人的运动学模型，以Q-Learning算法为基础进行路径规划，建立激光自动除锈机器人运动学模型，利用曲面离散模型建立局部环境信息，通过不断地与环境进行交互来获得环境信息，再通过反馈的强化信号对选择执行的行动进行评价，利用不断试错和选择的方式解决环境模型建模不准或未知障碍物下的路径规划问题，有效提升激光自动除锈机器人系统在路径规划问题中的自学习能力和自适应性；
S2. 建立作业区定位导航模型，利用SLAM算法在激光自动除锈机器人路径规划的基础上，通过视觉传感器进行见图，定位，模型存入系统数据库，基于激光自动除锈机器人内置摄像头所实时采集的工作空间视频流，建立空间识别和导航系统，使得激光自动除锈机器人在条件受限的路径规划过程中得到拓展，实现激光自动除锈机器人可以自动移动至作业目标和动态的路径规划，确保激光自动除锈机器人能够全覆盖除锈的同时还能够寻求最优路径降低能耗，根据位置和障碍物分布的不同，解决激光自动除锈机器人路径规划的问题；
S3. 采集作业目标数据，利用深度学习图像算法，训练作业目标识别模型，控制激光自动除锈机器人识别找到作业目标，并对目标需要除锈的区域部位进行扫描见图，模型导入系统。采集所需工作场景中的锈渍图片信息并数据化，基于深度神经网络框架将数据化的图像分为训练集和测试集，为了避免产生过拟合的现象，增加单位时间采集的图像数量，经过多次迭代计算，得到识别出锈渍的信息精准度，直至符合工业需求，识别各级别除锈特征模型，模型导入系统将训练好的网络模型加载至激光自动除锈机器人携带的摄像头处理系统，将其所采集的图像信息进行数据化处理，识别出锈渍的信息；
S4. 激光自动除锈机器人采用激光除锈方式进行工业除锈作业，除锈机仪器搭载至动力机械臂上，且装有图像采集装置，将激光处理系统的联动电路和控制器镶嵌至激光自动除锈机器人的动力机械臂上，测试激光强度，使其符合除去锈渍的标准强度。建立激光强度、目标材质、锈蚀程度和除锈目标对应关系，存入系统数据库。使得由图像识别系统提供指挥指令，动力机器臂的动力装置提供激光工作的物理引导，完成精准的除锈作业；
S5. 建立除锈异常情况的处理方式，写入程序，进入工作模式后，加载模型，如有异常进行异常处理，将各系统进行电路集成，实现对目标除锈要求的广泛化应用，实时根据作业效果进行数据反馈，动态调整激光自动除锈机器人完成工业上的除锈作业；
S6. 开始除锈，除锈标准模型开始运行，判断机械臂处是否需要除锈，判断除锈后效果等级，对激光自动除锈机器人进行反馈控制；
S7. 除锈直至结束，过程数据存入系统数据库，数据用来记录除锈过程和继续优化模型。
进一步的，所述S1中以Q-Learning为基础进行路径规划，建立激光自动除锈机器人运动学模型，利用曲面离散模型建立局部环境信息，通过不断地与环境进行交互来获得环境信息，再通过反馈的强化信号对选择执行的行动进行评价，利用不断试错和选择的方式解决环境模型建模不准或未知障碍物下的路径规划问题：
激光自动除锈机器人做直线运动时的运动情况相对简单，左、右两条永磁式履带行走速度相同，
Figure 526974DEST_PATH_IMAGE001
、v g为两个行走机构的速度；r为激光自动除锈机器人行走机构的主动轮半径；ω为左、右电机的旋转速度；由此可得激光自动除锈机器人直线运动方程为：
Figure 529565DEST_PATH_IMAGE002
Figure 865999DEST_PATH_IMAGE003
即
Figure 30264DEST_PATH_IMAGE004
如果不考虑履带与齿轮啮合所存在的滑移，只考虑履带与壁面之间的滑移，则设滑动系数为
Figure 334207DEST_PATH_IMAGE005
，激光自动除锈机器人的运动速度为：
Figure 874909DEST_PATH_IMAGE006
激光自动除锈机器人在转向时，可以认为是通过左、右两个步进电机所驱动的两条履带的速度差来实现的。激光自动除锈机器人的运动学模型同采用瞬心模型，σ为滑移角；R为转弯半径；v为激光自动除锈机器人的质心速度；ω为瞬时角速度；ξ为激光自动除锈机器人与竖直平面的夹角； P为激光自动除锈机器人的中心（中心与重心重合）；P′为激光自动除锈机器人z轴方向与履带瞬心O′延长线的交点，由此可得到激光自动除锈机器人转弯运动学的模型为：
Figure 252801DEST_PATH_IMAGE007
Figure 666596DEST_PATH_IMAGE008
Figure 129938DEST_PATH_IMAGE009
转换到壁面空间坐标系为：
Figure 474332DEST_PATH_IMAGE010
Figure 972310DEST_PATH_IMAGE011
Figure 540694DEST_PATH_IMAGE009
根据运动学模型图中的几何关系可知，P′为激光自动除锈机器人z轴方向与履带瞬心O′延长线的交点，该点处的速度
Figure 756912DEST_PATH_IMAGE012
，激光自动除锈机器人的质心速度
Figure 639417DEST_PATH_IMAGE013
，可知激光自动除锈机器人的执行速度与P′速度的关系为：
Figure 257480DEST_PATH_IMAGE014
根据上述公式可知激光自动除锈机器人左、右履带的瞬时速度分别为：
Figure 934449DEST_PATH_IMAGE015
Figure 372384DEST_PATH_IMAGE016
因为P′为左、右履带瞬心O L、O R的中点，P′处的速度为：
Figure 656648DEST_PATH_IMAGE017
其中，
Figure 863639DEST_PATH_IMAGE018
为左、右进步机的旋转速度；
Figure 977088DEST_PATH_IMAGE019
分别为左、右履带主动轮的半径。根据公式可得到激光自动除锈机器人的质心速度公式为：
Figure 902319DEST_PATH_IMAGE020
=
Figure 939676DEST_PATH_IMAGE021
进一步的，所述S2中利用SLAM算法在激光自动除锈机器人路径规划的基础上，基于激光自动除锈机器人内置摄像头所实时采集的工作空间视频流，建立空间识别和导航系统：
通过概率技术来解决预测估计问题，根据激光自动除锈机器人识别的环境特征实时的构建环境地图，并通过增量式构建环境地图的反馈调整激光自动除锈机器人位姿的连续过程。SLAM可概括为预测估计，数据关联，观测更新和系统扩展的求解相关概率过程。SLAM算法的实质就是系统初始状态根据状态输入信息
Figure 266752DEST_PATH_IMAGE022
和传感器观测信息
Figure 551103DEST_PATH_IMAGE023
的作用，对激光自动除锈机器人下一时刻位姿
Figure 760368DEST_PATH_IMAGE024
和路标信息集合
Figure 788367DEST_PATH_IMAGE025
的概率估计，可以表示为对运动路径和制图的后验估计：
Figure 969949DEST_PATH_IMAGE026
。
在己知k-1时刻激光自动除锈机器人的系统状态信息后，根据贝叶斯概率模型的到k时刻下对系统状态变量的后验概率估计，即：
Figure 238251DEST_PATH_IMAGE027
其中
Figure 138074DEST_PATH_IMAGE028
为常数，
Figure 704184DEST_PATH_IMAGE029
为系统过程模型，
Figure 740273DEST_PATH_IMAGE030
为系统的观测模型，
Figure 632006DEST_PATH_IMAGE031
为当前时刻位姿
Figure 753546DEST_PATH_IMAGE024
和路标信息集合
Figure 123347DEST_PATH_IMAGE025
的概率估计，
Figure 889309DEST_PATH_IMAGE032
表示O到k时刻的路标相关性集合。
（1）根据激光自动除锈机器人的当前状态与控制变量的输入信息对下一时刻激光自动除锈机器人的位姿和环境特征的位置进行预测估计；
（2）将激光雷达观测的环境数据信息进行特征提取并与系统状态信息相互关联；
（3）对激光雷达识别到的新的环境特征进行添加处理并进行系统状态观测；
（4）根据观测的数据信息对激光自动除锈机器人进行定位以及构建新的环境地图。
本发明采用基于数学概率基础上的卡尔曼滤波对模型状态信息进行估计，卡尔曼滤波根据当前位姿下的系统状态和输入信息来进行下一时刻状态的先验估计值，再由传感器将观测信息输入到状态预测方程得到状态的后验估计。以先验估计值和后验估计值的差值作为修正标准逐步的逼近真实值。采用在卡尔曼滤波线性估计基础上延伸得到的扩展卡尔曼滤波（Extended Kalman Filter 简称EKF），通过在非线性系统估计下对其后验估计值的逐渐逼近，实现对激光自动除锈机器人位姿均值和误差协方差的概率估计。根据上述描述，基于EKF的激光自动除锈机器人导航系统中的运动学模型和观测模型可以表示为如下形式：
Figure 686364DEST_PATH_IMAGE033
其中，
Figure 295199DEST_PATH_IMAGE034
表示系统
Figure 265429DEST_PATH_IMAGE035
时刻的状态向量；
Figure 276111DEST_PATH_IMAGE036
表示系统
Figure 244067DEST_PATH_IMAGE035
时刻控制输入变量；
Figure 340199DEST_PATH_IMAGE037
表示系统
Figure 317382DEST_PATH_IMAGE035
时刻的观测方程；
Figure 448149DEST_PATH_IMAGE038
、
Figure 587006DEST_PATH_IMAGE039
分别表示系统的状态转移函数和观测函数；
Figure 904855DEST_PATH_IMAGE040
、
Figure 29937DEST_PATH_IMAGE041
分别表示系统状态过程中和观测过程的噪声，
Figure 15211DEST_PATH_IMAGE042
。
激光自动除锈机器人进行路径规划时，整个系统状态ｘ包含激光自动除锈机器人自身状态和路标的信息
Figure 324969DEST_PATH_IMAGE043
其中，R代表激光自动除锈机器人的位姿状态，
Figure 395694DEST_PATH_IMAGE044
表示该时刻前观测到的n个路标信息。
控制变量输入为：
Figure 449100DEST_PATH_IMAGE045
Figure 288880DEST_PATH_IMAGE046
其中，
Figure 769540DEST_PATH_IMAGE047
分别表示激光自动除锈机器人的初始线速度和转动角速度，
Figure 327560DEST_PATH_IMAGE048
、
Figure 528866DEST_PATH_IMAGE049
分别表示单位时间内转动的角度和前后时刻单位周期差。
在扩展卡尔曼滤波中，系统服从高斯正态分布，进行扩展卡尔曼滤波的预测实际上也是求解系统状态均值
Figure 488732DEST_PATH_IMAGE050
和误差协方差Ｐ的最优值的过程。
Figure 140293DEST_PATH_IMAGE051
Figure 920030DEST_PATH_IMAGE052
其中，
Figure 128289DEST_PATH_IMAGE053
表示激光自动除锈机器人自身位姿相互之间的协方差矩阵，
Figure 942661DEST_PATH_IMAGE054
表示激光自动除锈机器人位姿与环境特征信息之间的协方差矩阵，
Figure 765123DEST_PATH_IMAGE055
表示激光自动除锈机器人环境特征彼此之间的协方差矩阵
激光自动除锈机器人自主导航EKF算法的具体步骤如下：
第一步：状态预测
根据系统的状态预测模型和观测模型对下一时刻激光自动除锈机器人的系统状态和状态协方差进行预测，同时对当前系统状态矩阵和状态协方差矩阵进行先验估计。
系统状态预测：
Figure 32157DEST_PATH_IMAGE056
误差协方差预测：
Figure 496636DEST_PATH_IMAGE057
其中，
Figure 165515DEST_PATH_IMAGE058
表示k时刻下误差协方差矩阵先验状态估计，R(k)表示激光自动除锈机器人预测过程误差协方差矩阵。
Figure 158878DEST_PATH_IMAGE059
为非线性系统中状态向量在转移函数中的雅可比矩阵，
Figure 913208DEST_PATH_IMAGE060
为非线性系统中控制变量输入在转移函数中的雅可比矩阵。
Figure 525586DEST_PATH_IMAGE061
Figure 48971DEST_PATH_IMAGE062
其中，
Figure 213236DEST_PATH_IMAGE063
，
Figure 454862DEST_PATH_IMAGE064
Figure 261144DEST_PATH_IMAGE065
第二步：观测预测
对激光自动除锈机器人在k时刻下的环境特征进行观测后得到观测向量Z(k)，比较k时刻与k-1时刻观测向量的差值为新息，记为
Figure 639035DEST_PATH_IMAGE066
。求出该时刻新息的协方差矩阵。
系统观测方程：
Figure 239781DEST_PATH_IMAGE067
观测路标与实际路标误差（新息）:
Figure 703123DEST_PATH_IMAGE068
新息协方差矩阵：
Figure 109834DEST_PATH_IMAGE069
其中，
Figure 342232DEST_PATH_IMAGE070
、
Figure 113879DEST_PATH_IMAGE037
分别表示观测方程在k时刻下的先验估计和后验估计。
Figure 64518DEST_PATH_IMAGE071
为观测过程的噪声协方差矩阵，
Figure 556810DEST_PATH_IMAGE072
为k时刻观测方程雅可比矩阵。
第三步：状态更新
计算系统的卡尔曼增益，根据得到的实际观测值对该时刻的位姿状态进行修正，同时对系统的状态信息和协方差矩阵进行更新。
系统状态更新：
Figure 909294DEST_PATH_IMAGE073
系统协方差矩阵更新：
Figure 851842DEST_PATH_IMAGE074
其中，S(k)表示k时刻下的新息协方差矩阵，K(k)表示k时刻下的卡尔曼增益，
Figure 289777DEST_PATH_IMAGE066
为k时刻下的新息。
第四步：系统扩展
若在移动过程中扫描到新的特征点，将扫描到新的环境路标的特征点添加到系统状态中，设新的特征点
Figure 241552DEST_PATH_IMAGE075
，对构建的地图进行更新扩展。
特征点坐标转化：
Figure 448543DEST_PATH_IMAGE076
扩展后的系统状态：
Figure 561992DEST_PATH_IMAGE077
扩展后的协方差矩阵为：
P’=
Figure 487223DEST_PATH_IMAGE078
其中，
Figure 321318DEST_PATH_IMAGE079
和
Figure 648394DEST_PATH_IMAGE080
分别表示系统增量函数对激光自动除锈机器人位姿和观测方程的雅可比矩阵；
进一步的，所述S3中采集所需工作场景中的锈渍图片的方式采用无人机，微型拍摄机器人和人工拍摄方式中的一种或多种组合的方式获取工业中的锈渍图片。
进一步的，所述S3中锈渍图片数据化的方式采用本地计算机将所有图片进行归一化处理，获得尺寸和像素大小一致的图片信息库，将所有图片信息网格化处理，得到256*256的方框像素，即横向256个像素格，竖向256个像素格，以每一个像素格作为图片训练的数据基础。
进一步的，所述S3中基于深度神经网络框架主要是卷积神经网络，计算每一个训练批次数据的均值μ与方差σ：
Figure 667165DEST_PATH_IMAGE081
Figure 79692DEST_PATH_IMAGE082
其中，
Figure 373270DEST_PATH_IMAGE083
为批量规范化处理输入数据的样本。用所求得的均值
Figure 554853DEST_PATH_IMAGE084
与方差
Figure 10105DEST_PATH_IMAGE005
对该批次的训练数据做归一化，把它们规整到均值为0、方差为1的正态分布范围内：ε是一个微小正数（以使分母不为0）。通过尺度变换和偏移使返回的批量归一化结果的特性和原始输入数据的特性相同，避免数据的特征分布因数据归一化而被破坏；其中，
Figure 644349DEST_PATH_IMAGE085
为样本标签，
Figure 23509DEST_PATH_IMAGE086
=
Figure 325177DEST_PATH_IMAGE087
(
Figure 951330DEST_PATH_IMAGE083
)，
Figure 72870DEST_PATH_IMAGE088
=E(
Figure 52459DEST_PATH_IMAGE083
)是通过训练学习的参数。卷积神经网络学习图像不同方向梯度的特征，再将不同方向的特征进行随机化特征融合。将具有差异性的图像特征信息进行融合，以使融合后的特征信息可以方便地进行区分，提高图像的表达能力，对融合后的特征进行通道混洗，使得特征图的每一个区域都包含不同通道的特征，得到的图像融合信息具有鲁棒性。
卷积神经网络使用图像特征通道和空间维度进行预测，特征图的重点内容、位置得到注意，把注意力特征图与卷积神经网络的中间特征图相乘可以更新已学到的特征，计算公式为：
Figure 208633DEST_PATH_IMAGE089
Figure 5688DEST_PATH_IMAGE090
Figure 614524DEST_PATH_IMAGE091
Figure 522437DEST_PATH_IMAGE092
其中，
Figure 798698DEST_PATH_IMAGE093
为输入特征图；
Figure 766654DEST_PATH_IMAGE094
为点乘；
Figure 862786DEST_PATH_IMAGE095
为注意力运算；
Figure 574390DEST_PATH_IMAGE096
为输出特征图；
Figure 501894DEST_PATH_IMAGE097
为在空间注意力运算；
Figure 640752DEST_PATH_IMAGE098
为空间注意力输出特征图；
Figure 224180DEST_PATH_IMAGE099
为全局平均池化；
Figure 739475DEST_PATH_IMAGE100
为全局最大池化；
Figure 272218DEST_PATH_IMAGE101
为卷积神经网络的共享网络；最大池化和平均池化共享一个神经网络提取特征；
Figure 581977DEST_PATH_IMAGE005
为ReLU激活；
Figure 652701DEST_PATH_IMAGE102
为
Figure 706108DEST_PATH_IMAGE103
卷积。
交叉熵函数计算分类损失：
Figure 608205DEST_PATH_IMAGE104
Figure 88865DEST_PATH_IMAGE105
为样本标签；
Figure 646885DEST_PATH_IMAGE106
为待分类总数；
Figure 238403DEST_PATH_IMAGE107
，
Figure 542477DEST_PATH_IMAGE108
，…，
Figure 459617DEST_PATH_IMAGE109
为神经网络输出。
损失函数更新通过动量随机梯度下降法：
Figure 239354DEST_PATH_IMAGE110
Figure 634564DEST_PATH_IMAGE028
为动量因子；
Figure 714515DEST_PATH_IMAGE111
为训练轮数；
Figure 536978DEST_PATH_IMAGE112
为训练轮数的动量；
Figure 804011DEST_PATH_IMAGE113
为训练轮数
Figure 2911DEST_PATH_IMAGE111
的学习率；θ为权重。当
Figure 671790DEST_PATH_IMAGE028
＝０时没有动量作用影响，当
Figure 478203DEST_PATH_IMAGE028
＝１时动量惯性影响最强，在训练初始阶段，需要的
Figure 232532DEST_PATH_IMAGE028
值较小，以便加速卷积神经网络优化；在训练结束阶段，较大的
Figure 969544DEST_PATH_IMAGE028
值能够提高识别精度。因此卷积神经网络控制
Figure 492929DEST_PATH_IMAGE028
值随训练轮数的增加而线性变大，通过训练轮数对γ更新为
Figure 985091DEST_PATH_IMAGE114
Figure 226716DEST_PATH_IMAGE115
为0.95，
Figure 501840DEST_PATH_IMAGE116
为0.05，
Figure 145311DEST_PATH_IMAGE117
设置为300。当
Figure 293526DEST_PATH_IMAGE111
为１时，
Figure 22448DEST_PATH_IMAGE028
为最小值0.05，随着
Figure 101262DEST_PATH_IMAGE111
的增加，
Figure 599240DEST_PATH_IMAGE028
随
Figure 433204DEST_PATH_IMAGE118
线性增加，最终
Figure 383842DEST_PATH_IMAGE028
达到最大值0.95，从而保证了动量因子的最优化。权重更新为：
Figure 266347DEST_PATH_IMAGE119
τ为识别误差率；
Figure 618831DEST_PATH_IMAGE120
初始值为0.0001。卷积神经网络训练过程中使用了历史梯度信息，计算较接近真实梯度，增强了算法的稳定性，通过非线性递减方式将
Figure 386148DEST_PATH_IMAGE113
逐渐缩小，其变化公式为：
Figure 824082DEST_PATH_IMAGE121
然后，对图像信息进行模型训练，通过训练好的模型，使得激光自动除锈机器人可以自动识别作业场景和锈渍目标；
进一步的，所述S4中系统数据库由MongoDB数据库技术进行搭建，包括激光自动除锈机器人系统的数据录入，读取，更改，保存和反馈；
进一步的，所述S4中激光自动除锈机器人的动力机械臂由动力控制算法驱动：
一个n关节的机器臂系统的动力学模型可以写出如下的拉格朗日形式：
Figure 244699DEST_PATH_IMAGE122
Figure 717269DEST_PATH_IMAGE123
，
Figure 893035DEST_PATH_IMAGE124
，
Figure 818266DEST_PATH_IMAGE125
表示系统相对的位置、速度和加速度；
Figure 42574DEST_PATH_IMAGE126
表示对称正定惯性矩阵；
Figure 104071DEST_PATH_IMAGE127
表示向心力和科里奥利力矩矩阵；
Figure 201471DEST_PATH_IMAGE128
是一个未知的引力矩阵；
Figure 613998DEST_PATH_IMAGE129
是一个对于
Figure 641997DEST_PATH_IMAGE130
的雅可比矩阵，
Figure 823579DEST_PATH_IMAGE130
矩阵表示未知的内部或外部扰动比；
Figure 75569DEST_PATH_IMAGE131
表示输入力矩。设
Figure 975392DEST_PATH_IMAGE132
，
Figure 541502DEST_PATH_IMAGE133
Figure 843171DEST_PATH_IMAGE134
系统需要追踪的设定轨迹和加速度定义为：
Figure 16794DEST_PATH_IMAGE135
在进行控制设计之前，对系统作出如下定义：
Figure 403913DEST_PATH_IMAGE136
，
Figure 773715DEST_PATH_IMAGE137
，对于n关节的机器臂，考虑一个BLF候选方程如下:
Figure 664310DEST_PATH_IMAGE138
求导可得：
Figure 461365DEST_PATH_IMAGE139
设计一个实际的加速度控制器为：
Figure 132518DEST_PATH_IMAGE140
其中，
Figure 306010DEST_PATH_IMAGE141
是一个对角矩阵，其对角的元素均>0。带入
Figure 316692DEST_PATH_IMAGE142
可得：
Figure 284648DEST_PATH_IMAGE143
接着考虑BLF方程：
Figure 193829DEST_PATH_IMAGE144
对
Figure 905433DEST_PATH_IMAGE145
求导，可得：
Figure 770621DEST_PATH_IMAGE146
为了进一步求解，对z求导得：
Figure 909478DEST_PATH_IMAGE147
将其带入
Figure 555223DEST_PATH_IMAGE148
整理得：
Figure 804939DEST_PATH_IMAGE149
设计控制输入：
Figure 790212DEST_PATH_IMAGE150
Figure 99971DEST_PATH_IMAGE151
Figure 983744DEST_PATH_IMAGE152
其中，
Figure 37151DEST_PATH_IMAGE153
是一个对角矩阵，其对角的元素均>0；
Figure 876931DEST_PATH_IMAGE154
是总输入，
Figure 357591DEST_PATH_IMAGE155
是神经网络的拟合输出；
Figure 712349DEST_PATH_IMAGE156
是一个符号函数，
Figure 569447DEST_PATH_IMAGE157
当
Figure 263733DEST_PATH_IMAGE158
根据芭芭拉特引理，系统的渐进稳定性仍然可以获得。当
Figure 915294DEST_PATH_IMAGE159
可以得到如下的
Figure 773660DEST_PATH_IMAGE160
：
Figure 168869DEST_PATH_IMAGE161
自适应律给出如下：
Figure 717662DEST_PATH_IMAGE162
Figure 805704DEST_PATH_IMAGE163
Figure 135054DEST_PATH_IMAGE164
Figure 333954DEST_PATH_IMAGE165
其中，
Figure 737254DEST_PATH_IMAGE166
是CMAC神经网络的权重，ζ是CMAC的中心点，Δ是CMAC神经网络的带宽，Q 1i ，Q 2 ，Q 3 ，Q 4 都是正常数，Z=[eT，zT，αT，
Figure 996197DEST_PATH_IMAGE167
]是神经网络的输入，
Figure 563576DEST_PATH_IMAGE168
是一个很小的正常数。神经网络的实际输出
Figure 300587DEST_PATH_IMAGE169
用来拟合理想值
Figure 823973DEST_PATH_IMAGE170
。
神经网络的理想值即为最接近实际系统的拟合值，理想值与实际值的误差为：
Figure 253817DEST_PATH_IMAGE171
令
Figure 292180DEST_PATH_IMAGE172
表示神经网络的输出，而整个控制输出如下：
Figure 832883DEST_PATH_IMAGE173
进一步的，所述S4中激光自动除锈机器人采用激光除锈方式，适合于各种非平面不规则的作业目标，采用机械臂的方式移动激光头，实现复杂形状作业目标的精准除锈；
进一步的，所述S4中动力机械臂上装有图像采集装置，可以实时监控除锈过程，监控除锈效果，并对动力机械臂移动进行反馈控制。
本发明有益效果：本发明提供了一种基于人工智能的激光自动除锈机器人控制系统，通过人工智能技术，对作业场景、作业目标和作业要求进行自动识别和控制，研究激光自动除锈机器人自动控制的相关技术，分析激光自动除锈机器人运动特征，建立激光自动除锈机器人运动学模型，并根据激光自动除锈机器人路径规划的研究现状进行分析，通过SLAM算法实现目前工业化机器人所不能实现的动态避障系统，从而确定对激光自动除锈机器人路径规划算法进行优化等相关内容。进行基于机器学习的激光自动除锈机器人曲面路径规划技术研究，确保激光自动除锈机器人能够全覆盖除锈的同时还能够寻求最优路径降低能耗，根据位置和障碍物分布的不同，解决激光自动除锈机器人路径规划的问题，根据作业场景的特点，收集训练图片，对图像进行采集和处理，运用深度学习算法卷积神经网络算法对图像信息进行模型训练，并以Q-Learning为基础进行路径规划，建立激光自动除锈机器人运动学模型，利用曲面离散模型建立局部环境信息，通过不断地与环境进行交互来获得环境信息，再通过反馈的强化信号对选择执行的行动进行评价，利用不断试错和选择，解决环境模型建模不准或未知障碍物下的路径规划问题，通过训练好的模型，使得激光自动除锈机器人可发明可以对除锈目标，尤其是非平面的复杂形状作业目标进行精准自动除锈，有效提升激光自动除锈机器人系统在路径规划问题中的自学习能力和自适应性，使得激光自动除锈机器人在条件受限的路径规划领域中得到拓展，实现激光自动除锈机器人可以自动移动至作业目标，自动规划路线，对目标除锈要求进行作业方案作业等级自动生成除锈方案，实时根据作业效果进行反馈，动态调整激光自动除锈机器人完成作业，本发明可实现对除锈目标，尤其是非平面的复杂形状作业目标进行精准自动除锈。
附图说明
利用附图对发明创造作进一步说明，但附图中的实施例不构成对本发明创造的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1是本发明结构示意图。
具体实施方式
结合以下实例对本发明作进一步描述。
参见图1，本发明旨在提供一种基于人工智能的激光自动除锈机器人控制系统，以解决上述背景技术中提出的问题。
为实现上述目的，提供了一种基于人工智能的激光自动除锈机器人控制系统，包括自动移动和避障系统，图像识别系统和激光机械臂动力系统，及其相互关联的数据库。
S1. 通过作业场景、作业目标和作业要求，建立激光自动除锈机器人的运动学模型，以Q-Learning算法为基础进行路径规划，建立激光自动除锈机器人运动学模型，利用曲面离散模型建立局部环境信息，通过不断地与环境进行交互来获得环境信息，再通过反馈的强化信号对选择执行的行动进行评价，利用不断试错和选择的方式解决环境模型建模不准或未知障碍物下的路径规划问题，有效提升激光自动除锈机器人系统在路径规划问题中的自学习能力和自适应性，详细过程如下：
激光自动除锈机器人做直线运动时的运动情况相对简单，左、右两条永磁式履带行走速度相同，
Figure 476354DEST_PATH_IMAGE174
、v g为两个行走机构的速度；r为激光自动除锈机器人行走机构的主动轮半径；ω为左、右电机的旋转速度；由此可得激光自动除锈机器人直线运动方程为：
Figure 811520DEST_PATH_IMAGE002
Figure 353491DEST_PATH_IMAGE003
即
Figure 432306DEST_PATH_IMAGE004
如果不考虑履带与齿轮啮合所存在的滑移，只考虑履带与壁面之间的滑移，则设滑动系数为
Figure 930283DEST_PATH_IMAGE175
，激光自动除锈机器人的运动速度为：
Figure 436351DEST_PATH_IMAGE006
激光自动除锈机器人在转向时，可以认为是通过左、右两个步进电机所驱动的两条履带的速度差来实现的。激光自动除锈机器人的运动学模型同采用瞬心模型，σ为滑移角；R为转弯半径；v为激光自动除锈机器人的质心速度；ω为瞬时角速度；ξ为激光自动除锈机器人与竖直平面的夹角； P为激光自动除锈机器人的中心（中心与重心重合）；P′为激光自动除锈机器人z轴方向与履带瞬心O′延长线的交点，由此可得到激光自动除锈机器人转弯运动学的模型为：
Figure 652568DEST_PATH_IMAGE007
Figure 597391DEST_PATH_IMAGE008
Figure 949875DEST_PATH_IMAGE009
转换到壁面空间坐标系为：
Figure 892423DEST_PATH_IMAGE010
Figure 330357DEST_PATH_IMAGE176
Figure 564024DEST_PATH_IMAGE009
根据运动学模型图中的几何关系可知，P′为激光自动除锈机器人z轴方向与履带瞬心O′延长线的交点，该点处的速度
Figure 36593DEST_PATH_IMAGE012
，激光自动除锈机器人的质心速度
Figure 884464DEST_PATH_IMAGE013
，可知激光自动除锈机器人的执行速度与P′速度的关系为：
Figure 809694DEST_PATH_IMAGE014
根据上述公式可知激光自动除锈机器人左、右履带的瞬时速度分别为：
Figure 96319DEST_PATH_IMAGE015
Figure 423395DEST_PATH_IMAGE016
因为P′为左、右履带瞬心O L、O R的中点，P′处的速度为：
Figure 707746DEST_PATH_IMAGE017
其中，
Figure 120273DEST_PATH_IMAGE177
为左、右进步机的旋转速度；
Figure 695742DEST_PATH_IMAGE178
分别为左、右履带主动轮的半径。根据公式可得到激光自动除锈机器人的质心速度公式为：
Figure 877325DEST_PATH_IMAGE020
=
Figure 332577DEST_PATH_IMAGE021
S2. 建立作业区定位导航模型，利用SLAM算法在激光自动除锈机器人路径规划的基础上，通过视觉传感器进行见图，定位，模型存入系统数据库：
通过概率技术来解决预测估计问题，根据激光自动除锈机器人识别的环境特征实时的构建环境地图，并通过增量式构建环境地图的反馈调整激光自动除锈机器人位姿的连续过程。SLAM可概括为预测估计，数据关联，观测更新和系统扩展的求解相关概率过程。SLAM算法的实质就是系统初始状态根据状态输入信息
Figure 232400DEST_PATH_IMAGE179
和传感器观测信息
Figure 860827DEST_PATH_IMAGE180
的作用，对激光自动除锈机器人下一时刻位姿
Figure 896916DEST_PATH_IMAGE181
和路标信息集合
Figure 523070DEST_PATH_IMAGE182
的概率估计，可以表示为对运动路径和制图的后验估计：
Figure 910188DEST_PATH_IMAGE183
。
在己知k-1时刻激光自动除锈机器人的系统状态信息后，根据贝叶斯概率模型的到k时刻下对系统状态变量的后验概率估计，即：
Figure 827460DEST_PATH_IMAGE184
其中
Figure 983635DEST_PATH_IMAGE185
为常数，
Figure 780690DEST_PATH_IMAGE029
为系统过程模型，
Figure 389525DEST_PATH_IMAGE030
为系统的观测模型，
Figure 625335DEST_PATH_IMAGE031
为当前时刻位姿
Figure 636016DEST_PATH_IMAGE186
和路标信息集合
Figure 603972DEST_PATH_IMAGE182
的概率估计，
Figure 700104DEST_PATH_IMAGE187
表示O到k时刻的路标相关性集合。
（1）根据激光自动除锈机器人的当前状态与控制变量的输入信息对下一时刻激光自动除锈机器人的位姿和环境特征的位置进行预测估计；
（2）将激光雷达观测的环境数据信息进行特征提取并与系统状态信息相互关联；
（3）对激光雷达识别到的新的环境特征进行添加处理并进行系统状态观测；
（4）根据观测的数据信息对激光自动除锈机器人进行定位以及构建新的环境地图。
本发明采用基于数学概率基础上的卡尔曼滤波对模型状态信息进行估计，卡尔曼滤波根据当前位姿下的系统状态和输入信息来进行下一时刻状态的先验估计值，再由传感器将观测信息输入到状态预测方程得到状态的后验估计。以先验估计值和后验估计值的差值作为修正标准逐步的逼近真实值。采用在卡尔曼滤波线性估计基础上延伸得到的扩展卡尔曼滤波（Extended Kalman Filter 简称EKF），通过在非线性系统估计下对其后验估计值的逐渐逼近，实现对激光自动除锈机器人位姿均值和误差协方差的概率估计。根据上述描述，基于EKF的激光自动除锈机器人导航系统中的运动学模型和观测模型可以表示为如下形式：
Figure 146129DEST_PATH_IMAGE188
其中，
Figure 89945DEST_PATH_IMAGE189
表示系统
Figure 228803DEST_PATH_IMAGE190
时刻的状态向量；
Figure 812231DEST_PATH_IMAGE191
表示系统
Figure 61946DEST_PATH_IMAGE190
时刻控制输入变量；
Figure 109537DEST_PATH_IMAGE192
表示系统
Figure 419295DEST_PATH_IMAGE190
时刻的观测方程；
Figure 490020DEST_PATH_IMAGE193
、
Figure 543426DEST_PATH_IMAGE194
分别表示系统的状态转移函数和观测函数；
Figure 196256DEST_PATH_IMAGE195
、
Figure 676916DEST_PATH_IMAGE196
分别表示系统状态过程中和观测过程的噪声，
Figure 969357DEST_PATH_IMAGE197
。
激光自动除锈机器人进行路径规划时，整个系统状态ｘ包含激光自动除锈机器人自身状态和路标的信息
Figure 826454DEST_PATH_IMAGE043
其中，R代表激光自动除锈机器人的位姿状态，
Figure 583058DEST_PATH_IMAGE044
表示该时刻前观测到的n个路标信息。
控制变量输入为：
Figure 234619DEST_PATH_IMAGE045
Figure 279935DEST_PATH_IMAGE046
其中，
Figure 675144DEST_PATH_IMAGE047
分别表示激光自动除锈机器人的初始线速度和转动角速度，
Figure 223937DEST_PATH_IMAGE198
、
Figure 125028DEST_PATH_IMAGE199
分别表示单位时间内转动的角度和前后时刻单位周期差。
在扩展卡尔曼滤波中，系统服从高斯正态分布，进行扩展卡尔曼滤波的预测实际上也是求解系统状态均值
Figure 392062DEST_PATH_IMAGE200
和误差协方差Ｐ的最优值的过程。
Figure 325383DEST_PATH_IMAGE051
Figure 994261DEST_PATH_IMAGE201
其中，
Figure 315521DEST_PATH_IMAGE202
表示激光自动除锈机器人自身位姿相互之间的协方差矩阵，
Figure 804272DEST_PATH_IMAGE203
表示激光自动除锈机器人位姿与环境特征信息之间的协方差矩阵，
Figure 806863DEST_PATH_IMAGE204
表示激光自动除锈机器人环境特征彼此之间的协方差矩阵。
激光自动除锈机器人自主导航EKF算法的具体步骤如下：
第一步：状态预测
根据系统的状态预测模型和观测模型对下一时刻激光自动除锈机器人的系统状态和状态协方差进行预测，同时对当前系统状态矩阵和状态协方差矩阵进行先验估计。
系统状态预测：
Figure 330248DEST_PATH_IMAGE056
误差协方差预测：
Figure 307562DEST_PATH_IMAGE057
其中，
Figure 549188DEST_PATH_IMAGE205
表示k时刻下误差协方差矩阵先验状态估计，R(k)表示激光自动除锈机器人预测过程误差协方差矩阵。
Figure 89890DEST_PATH_IMAGE206
为非线性系统中状态向量在转移函数中的雅可比矩阵，
Figure 467782DEST_PATH_IMAGE207
为非线性系统中控制变量输入在转移函数中的雅可比矩阵。
Figure 130845DEST_PATH_IMAGE061
Figure 594187DEST_PATH_IMAGE062
其中，
Figure 938581DEST_PATH_IMAGE208
，
Figure 436558DEST_PATH_IMAGE065
第二步：观测预测
对激光自动除锈机器人在k时刻下的环境特征进行观测后得到观测向量Z(k)，比较k时刻与k-1时刻观测向量的差值为新息，记为
Figure 755675DEST_PATH_IMAGE209
。求出该时刻新息的协方差矩阵。
系统观测方程：
Figure 971893DEST_PATH_IMAGE067
观测路标与实际路标误差（新息）：
Figure 854398DEST_PATH_IMAGE068
新息协方差矩阵：
Figure 206882DEST_PATH_IMAGE069
其中，
Figure 946168DEST_PATH_IMAGE210
、
Figure 384103DEST_PATH_IMAGE192
分别表示观测方程在k时刻下的先验估计和后验估计。
Figure 70299DEST_PATH_IMAGE211
为观测过程的噪声协方差矩阵，
Figure 277289DEST_PATH_IMAGE072
为k时刻观测方程雅可比矩阵。
第三步：状态更新
计算系统的卡尔曼增益，根据得到的实际观测值对该时刻的位姿状态进行修正，同时对系统的状态信息和协方差矩阵进行更新。
系统状态更新：
Figure 192069DEST_PATH_IMAGE073
系统协方差矩阵更新：
Figure 117300DEST_PATH_IMAGE074
其中，S(k)表示k时刻下的新息协方差矩阵，K(k)表示k时刻下的卡尔曼增益，
Figure 341608DEST_PATH_IMAGE209
为k时刻下的新息。
第四步：系统扩展
若在移动过程中扫描到新的特征点，将扫描到新的环境路标的特征点添加到系统状态中，设新的特征点
Figure 668684DEST_PATH_IMAGE212
对构建的地图进行更新扩展。
特征点坐标转化：
Figure 15352DEST_PATH_IMAGE076
扩展后的系统状态：
Figure 162299DEST_PATH_IMAGE077
扩展后的协方差矩阵为：
P’=
Figure 190298DEST_PATH_IMAGE078
其中，
Figure 371881DEST_PATH_IMAGE213
和
Figure 827133DEST_PATH_IMAGE214
分别表示系统增量函数对激光自动除锈机器人位姿和观测方程的雅可比矩阵；
基于激光自动除锈机器人内置摄像头所实时采集的工作空间视频流，建立空间识别和导航系统，使得激光自动除锈机器人在条件受限的路径规划过程中得到拓展，实现激光自动除锈机器人可以自动移动至作业目标和动态的路径规划，确保激光自动除锈机器人能够全覆盖除锈的同时还能够寻求最优路径降低能耗，根据位置和障碍物分布的不同，解决激光自动除锈机器人路径规划的问题；
S3. 采集作业目标数据，利用深度学习图像算法，训练作业目标识别模型，控制激光自动除锈机器人识别找到作业目标，并对目标需要除锈的区域部位进行扫描见图，模型导入系统。采集所需工作场景中的锈渍图片信息并数据化，基于深度神经网络框架将数据化的图像分为训练集和测试集，
计算每一个训练批次数据的均值μ与方差σ：
Figure 540005DEST_PATH_IMAGE081
Figure 106116DEST_PATH_IMAGE082
其中，
Figure 204522DEST_PATH_IMAGE215
为批量规范化处理输入数据的样本。用所求得的均值
Figure 830675DEST_PATH_IMAGE216
与方差
Figure 765264DEST_PATH_IMAGE175
对该批次的训练数据做归一化，把它们规整到均值为0、方差为1的正态分布范围内：ε是一个微小正数（以使分母不为0）。通过尺度变换和偏移使返回的批量归一化结果的特性和原始输入数据的特性相同，避免数据的特征分布因数据归一化而被破坏；其中，
Figure 135066DEST_PATH_IMAGE217
为样本标签，
Figure 291241DEST_PATH_IMAGE218
=
Figure 88295DEST_PATH_IMAGE219
(
Figure 759448DEST_PATH_IMAGE215
)，
Figure 667361DEST_PATH_IMAGE220
=E(
Figure 678043DEST_PATH_IMAGE215
)是通过训练学习的参数。卷积神经网络学习图像不同方向梯度的特征，再将不同方向的特征进行随机化特征融合。将具有差异性的图像特征信息进行融合，以使融合后的特征信息可以方便地进行区分，提高图像的表达能力，对融合后的特征进行通道混洗，使得特征图的每一个区域都包含不同通道的特征，得到的图像融合信息具有鲁棒性。
卷积神经网络使用图像特征通道和空间维度进行预测，特征图的重点内容、位置得到注意，把注意力特征图与卷积神经网络的中间特征图相乘可以更新已学到的特征，计算公式为：
Figure 645999DEST_PATH_IMAGE089
Figure 555180DEST_PATH_IMAGE090
Figure 266784DEST_PATH_IMAGE091
Figure 397551DEST_PATH_IMAGE092
其中，
Figure 536408DEST_PATH_IMAGE221
为输入特征图；
Figure 916574DEST_PATH_IMAGE222
为点乘；
Figure 431869DEST_PATH_IMAGE223
为注意力运算；
Figure 417143DEST_PATH_IMAGE224
为输出特征图；
Figure 726901DEST_PATH_IMAGE225
为在空间注意力运算；
Figure 532046DEST_PATH_IMAGE226
为空间注意力输出特征图；
Figure 398502DEST_PATH_IMAGE099
为全局平均池化；
Figure 238282DEST_PATH_IMAGE100
为全局最大池化；
Figure 718942DEST_PATH_IMAGE227
为卷积神经网络的共享网络；最大池化和平均池化共享一个神经网络提取特征；
Figure 276962DEST_PATH_IMAGE175
为ReLU激活；
Figure 930798DEST_PATH_IMAGE228
为
Figure 890663DEST_PATH_IMAGE229
卷积。
交叉熵函数计算分类损失：
Figure 542225DEST_PATH_IMAGE104
Figure 321962DEST_PATH_IMAGE230
为样本标签；
Figure 530220DEST_PATH_IMAGE231
为待分类总数；
Figure 344593DEST_PATH_IMAGE232
，
Figure 167055DEST_PATH_IMAGE233
，…，
Figure 434088DEST_PATH_IMAGE234
为神经网络输出。
损失函数更新通过动量随机梯度下降法：
Figure 632988DEST_PATH_IMAGE110
Figure 364184DEST_PATH_IMAGE185
为动量因子；
Figure 357548DEST_PATH_IMAGE235
为训练轮数；
Figure 111877DEST_PATH_IMAGE236
为训练轮数的动量；
Figure 114468DEST_PATH_IMAGE237
为训练轮数
Figure 450903DEST_PATH_IMAGE235
的学习率；θ为权重。当
Figure 615168DEST_PATH_IMAGE185
＝０时没有动量作用影响，当
Figure 856793DEST_PATH_IMAGE185
＝１时动量惯性影响最强，在训练初始阶段，需要的
Figure 397496DEST_PATH_IMAGE185
值较小，以便加速卷积神经网络优化；在训练结束阶段，较大的
Figure 837705DEST_PATH_IMAGE185
值能够提高识别精度。因此卷积神经网络控制
Figure 438450DEST_PATH_IMAGE185
值随训练轮数的增加而线性变大，通过训练轮数对γ更新为
Figure 901793DEST_PATH_IMAGE114
Figure 246186DEST_PATH_IMAGE238
为0.95，
Figure 291634DEST_PATH_IMAGE239
为0.05，
Figure 63281DEST_PATH_IMAGE240
设置为300。当
Figure 13919DEST_PATH_IMAGE235
为１时，
Figure 896425DEST_PATH_IMAGE185
为最小值0.05，随着
Figure 248909DEST_PATH_IMAGE235
的增加，
Figure 253774DEST_PATH_IMAGE185
随
Figure 691708DEST_PATH_IMAGE235
线性增加，最终
Figure 377905DEST_PATH_IMAGE185
达到最大值0.95，从而保证了动量因子的最优化。权重更新为：
Figure 584895DEST_PATH_IMAGE119
τ为识别误差率；
Figure 511394DEST_PATH_IMAGE241
初始值为0.0001。卷积神经网络训练过程中使用了历史梯度信息，计算较接近真实梯度，增强了算法的稳定性，通过非线性递减方式将
Figure 436625DEST_PATH_IMAGE237
逐渐缩小，其变化公式为：
Figure 660933DEST_PATH_IMAGE121
然后，对图像信息进行模型训练，通过训练好的模型，使得激光自动除锈机器人可以自动识别作业场景和锈渍目标；
为了避免产生过拟合的现象，增加单位时间采集的图像数量，经过多次迭代计算，得到识别出锈渍的信息精准度，直至符合工业需求，识别各级别除锈特征模型，模型导入系统将训练好的网络模型加载至激光自动除锈机器人携带的摄像头处理系统，将其所采集的图像信息进行数据化处理，识别出锈渍的信息；
S4. 激光自动除锈机器人采用激光除锈方式进行工业除锈作业，除锈仪器搭载至动力机械臂上，且装有图像采集装置，将激光处理系统的联动电路和控制器镶嵌至激光自动除锈机器人的动力机械臂上，一个n关节的动力机器臂系统的动力学模型可以写出如下的拉格朗日形式：
Figure 988009DEST_PATH_IMAGE122
Figure 69097DEST_PATH_IMAGE242
，
Figure 481624DEST_PATH_IMAGE243
，
Figure 509623DEST_PATH_IMAGE244
表示系统相对的位置、速度和加速度；
Figure 691205DEST_PATH_IMAGE245
表示对称正定惯性矩阵；
Figure 959507DEST_PATH_IMAGE246
表示向心力和科里奥利力矩矩阵；
Figure 593751DEST_PATH_IMAGE247
是一个未知的引力矩阵；
Figure 222178DEST_PATH_IMAGE248
是一个对于
Figure 523846DEST_PATH_IMAGE249
的雅可比矩阵，
Figure 150000DEST_PATH_IMAGE249
矩阵表示未知的内部或外部扰动比；
Figure 271540DEST_PATH_IMAGE250
表示输入力矩。设
Figure 454390DEST_PATH_IMAGE251
，
Figure 610565DEST_PATH_IMAGE252
Figure 407620DEST_PATH_IMAGE253
系统需要追踪的设定轨迹和加速度定义为：
Figure 16456DEST_PATH_IMAGE254
在进行控制设计之前，对系统作出如下定义：
Figure 986686DEST_PATH_IMAGE255
，
Figure 997367DEST_PATH_IMAGE256
，对于n关节的机器臂，考虑一个BLF候选方程如下：
Figure 965323DEST_PATH_IMAGE257
求导可得：
Figure 61455DEST_PATH_IMAGE258
设计一个实际的加速度控制器为：
Figure 586108DEST_PATH_IMAGE259
其中，
Figure 451296DEST_PATH_IMAGE260
是一个对角矩阵，其对角的元素均>0。带入
Figure 590154DEST_PATH_IMAGE261
可得：
Figure 173582DEST_PATH_IMAGE262
接着考虑BLF方程：
Figure 688877DEST_PATH_IMAGE263
对
Figure 470888DEST_PATH_IMAGE264
求导，可得：
Figure 780646DEST_PATH_IMAGE146
为了进一步求解，对z求导得：
Figure 851371DEST_PATH_IMAGE147
将其带入
Figure 904777DEST_PATH_IMAGE148
整理得：
Figure 557607DEST_PATH_IMAGE149
设计控制输入：
Figure 38267DEST_PATH_IMAGE150
Figure 596287DEST_PATH_IMAGE151
Figure 187805DEST_PATH_IMAGE152
其中，
Figure 944409DEST_PATH_IMAGE153
是一个对角矩阵，其对角的元素均>0；
Figure 861549DEST_PATH_IMAGE154
是总输入，
Figure 641286DEST_PATH_IMAGE155
是神经网络的拟合输出；
Figure 36495DEST_PATH_IMAGE156
是一个符号函数，
Figure 663917DEST_PATH_IMAGE157
当
Figure 486380DEST_PATH_IMAGE158
根据芭芭拉特引理，系统的渐进稳定性仍然可以获得。当
Figure 753413DEST_PATH_IMAGE159
可以得到如下的
Figure 952313DEST_PATH_IMAGE160
：
Figure 621192DEST_PATH_IMAGE161
自适应律给出如下：
Figure 676872DEST_PATH_IMAGE162
Figure 431202DEST_PATH_IMAGE163
Figure 168214DEST_PATH_IMAGE164
Figure 691599DEST_PATH_IMAGE165
其中，
Figure 934492DEST_PATH_IMAGE166
是CMAC神经网络的权重，ζ是CMAC的中心点，Δ是CMAC神经网络的带宽，Q 1i ，Q 2 ，Q 3 ，Q 4 都是正常数，Z=[eT，zT，αT，
Figure 176118DEST_PATH_IMAGE167
]是神经网络的输入，
Figure 451241DEST_PATH_IMAGE168
是一个很小的正常数。神经网络的实际输出
Figure 94712DEST_PATH_IMAGE169
用来拟合理想值
Figure 492196DEST_PATH_IMAGE170
。
神经网络的理想值即为最接近实际系统的拟合值，理想值与实际值的误差为：
Figure 221117DEST_PATH_IMAGE171
令
Figure 797909DEST_PATH_IMAGE172
表示神经网络的输出，而整个控制输出如下：
Figure 382605DEST_PATH_IMAGE173
测试激光强度，使其符合除去锈渍的标准强度。建立激光强度、目标材质、锈蚀程度和除锈目标对应关系，存入系统数据库，MongoDB数据库技术进行搭建，包括激光自动除锈机器人系统的数据录入，读取，更改，保存和反馈。使得由图像识别系统提供指挥指令，机器臂的动力装置提供激光工作的物理引导，完成精准的除锈作业；
S5. 建立除锈异常情况的处理方式，写入程序，进入工作模式后，加载模型，如有异常进行异常处理，将各系统进行电路集成，实现对目标除锈要求的广泛化应用，实时根据作业效果进行数据反馈，动态调整激光自动除锈机器人完成工业上的除锈作业；
S6. 开始除锈，除锈标准模型开始运行，判断机械臂处是否需要除锈，判断除锈后效果等级，对激光自动除锈机器人进行反馈控制；
S7. 除锈直至结束，过程数据存入系统数据库，数据用来记录除锈过程和继续优化模型。
本发明有益效果：本发明提供了一种基于人工智能的激光自动除锈机器人控制系统，通过人工智能技术，对作业场景、作业目标和作业要求进行自动识别和控制，研究激光自动除锈机器人自动控制的相关技术，分析激光自动除锈机器人运动特征，建立激光自动除锈机器人运动学模型，并根据激光自动除锈机器人路径规划的研究现状进行分析，通过SLAM算法实现目前工业化机器人所不能实现的动态避障系统，从而确定对激光自动除锈机器人路径规划算法进行优化等相关内容。进行基于机器学习的激光自动除锈机器人曲面路径规划技术研究，确保激光自动除锈机器人能够全覆盖除锈的同时还能够寻求最优路径降低能耗，根据位置和障碍物分布的不同，解决激光自动除锈机器人路径规划的问题，根据作业场景的特点，收集训练图片，对图像进行采集和处理，运用深度学习算法卷积神经网络算法对图像信息进行模型训练，并以Q-Learning为基础进行路径规划，建立激光自动除锈机器人运动学模型，利用曲面离散模型建立局部环境信息，通过不断地与环境进行交互来获得环境信息，再通过反馈的强化信号对选择执行的行动进行评价，利用不断试错和选择，解决环境模型建模不准或未知障碍物下的路径规划问题，通过训练好的模型，使得激光自动除锈机器人可发明可以对除锈目标，尤其是非平面的复杂形状作业目标进行精准自动除锈，有效提升激光自动除锈机器人系统在路径规划问题中的自学习能力和自适应性，使得激光自动除锈机器人在条件受限的路径规划领域中得到拓展，实现激光自动除锈机器人可以自动移动至作业目标，自动规划路线，对目标除锈要求进行作业方案作业等级自动生成除锈方案，实时根据作业效果进行反馈，动态调整激光自动除锈机器人完成作业，本发明可实现对除锈目标，尤其是非平面的复杂形状作业目标进行精准自动除锈。
本发明还提供了一种计算机可读存储介质，该存储介质中存储有至少一条指令，该指令由处理器加载并执行，以实现上述方法。其中，该计算机可读存储介质可以是ROM、随机存取存储器、CD-ROM、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中的处理器加载并执行上述方法。
本发明实施方式是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种基于人工智能的激光自动除锈机器人控制系统，其特征在于，包括自动移动和避障系统模块，图像识别模块，激光机械臂动力模块和相互关联的数据库；
所述控制系统的工作步骤为：
S1.通过作业场景、作业目标和作业要求，建立激光自动除锈机器人的运动学模型，以Q-Learning算法为基础进行路径规划，建立激光自动除锈机器人运动学模型，利用曲面离散模型建立局部环境信息，通过不断地与环境进行交互来获得环境信息，再通过反馈的强化信号对选择执行的行动进行评价，利用不断试错和选择的方式解决环境模型建模不准或未知障碍物下的路径规划问题，有效提升激光自动除锈机器人系统在路径规划问题中的自学习能力和自适应性；
S2.建立作业区定位导航模型，利用SLAM算法在激光自动除锈机器人路径规划的基础上，通过视觉传感器进行见图，定位，模型存入系统数据库，基于激光自动除锈机器人内置摄像头所实时采集的工作空间视频流，建立空间识别和导航系统，使得移动激光自动除锈机器人在条件受限的路径规划过程中得到拓展，实现激光自动除锈机器人可以自动移动至作业目标和动态的路径规划，确保激光自动除锈机器人能够全覆盖除锈的同时还能够寻求最优路径降低能耗，根据位置和障碍物分布的不同，解决激光自动除锈机器人路径规划的问题；
S3.采集作业目标数据，利用深度学习图像算法，训练作业目标识别模型，控制激光自动除锈机器人识别找到作业目标，并对目标需要除锈的区域部位进行扫描见图，模型导入系统，采集所需工作场景中的锈渍图片信息并数据化，基于深度神经网络框架将数据化的图像分为训练集和测试集，为了避免产生过拟合的现象，增加单位时间采集的图像数量，经过多次迭代计算，得到识别出锈渍的信息精准度，直至符合工业需求，识别各级别除锈特征模型，模型导入系统将训练好的网络模型加载至激光自动除锈机器人携带的摄像头处理系统，将其所采集的图像信息进行数据化处理，识别出锈渍的信息；
S4.激光自动除锈机器人采用激光除锈方式进行工业除锈作业，除锈机仪器搭载至动力机械臂上，且装有图像采集装置，将激光处理系统的联动电路和控制器镶嵌至激光自动除锈机器人的动力机械臂上，测试激光强度，使其符合除去锈渍的标准强度，建立激光强度、目标材质、锈蚀程度和除锈目标对应关系，存入系统数据库，使得由图像识别系统提供指挥指令，动力机器臂的动力装置提供激光工作的物理引导，完成精准的除锈作业；
S5.建立除锈异常情况的处理方式，写入程序，进入工作模式后，加载模型，如有异常进行异常处理，将各系统进行电路集成，实现对目标除锈要求的广泛化应用，实时根据作业效果进行数据反馈，动态调整激光自动除锈机器人完成工业上的除锈作业；
S6.开始除锈，除锈标准模型开始运行，判断机械臂处是否需要除锈，判断除锈后效果等级，对激光自动除锈机器人进行反馈控制；
S7.除锈直至结束，过程数据存入系统数据库，数据用来记录除锈过程和继续优化模型。
2.根据权利要求1所述的基于人工智能的激光自动除锈机器人控制系统，其特征在于，所述S1中以Q-Learning为基础进行路径规划，建立激光自动除锈机器人运动学模型，利用曲面离散模型建立局部环境信息，通过不断地与环境进行交互来获得环境信息，再通过反馈的强化信号对选择执行的行动进行评价，利用不断试错和选择的方式解决环境模型建模不准或未知障碍物下的路径规划问题：
激光自动除锈机器人做直线运动时的运动情况相对简单，左、右两条永磁式履带行走速度相同，
Figure 558568DEST_PATH_IMAGE001
、v g为两个行走机构的速度；r为激光自动除锈机器人行走机构的主动轮半径；ω为左、右电机的旋转速度；由此可得激光自动除锈机器人直线运动方程为：
Figure 788693DEST_PATH_IMAGE002
Figure 645790DEST_PATH_IMAGE004
即
Figure 340077DEST_PATH_IMAGE005
如果不考虑履带与齿轮啮合所存在的滑移，只考虑履带与壁面之间的滑移，则设滑动系数为
Figure 991638DEST_PATH_IMAGE006
，激光自动除锈机器人的运动速度为：
Figure 725370DEST_PATH_IMAGE007
激光自动除锈机器人在转向时，可以认为是通过左、右两个步进电机所驱动的两条履带的速度差来实现的，激光自动除锈机器人的运动学模型同采用瞬心模型，σ为滑移角；R为转弯半径；v为激光自动除锈机器人的质心速度；ω为瞬时角速度；ξ为激光自动除锈机器人与竖直平面的夹角；P为激光自动除锈机器人的中心；P′为激光自动除锈机器人z轴方向与履带瞬心O′延长线的交点，由此可得到激光自动除锈机器人转弯运动学的模型为：
Figure 120579DEST_PATH_IMAGE008
Figure DEST_PATH_IMAGE009
Figure 669372DEST_PATH_IMAGE010
转换到壁面空间坐标系为：
Figure DEST_PATH_IMAGE011
Figure 695097DEST_PATH_IMAGE012
Figure 962130DEST_PATH_IMAGE010
根据运动学模型图中的几何关系可知，P′为激光自动除锈机器人z轴方向与履带瞬心O′延长线的交点，该点处的速度
Figure 895451DEST_PATH_IMAGE014
，激光自动除锈机器人的质心速度
Figure 564330DEST_PATH_IMAGE016
，可知激光自动除锈机器人的执行速度与P′速度的关系为：
Figure DEST_PATH_IMAGE017
根据上述公式可知激光自动除锈机器人左、右履带的瞬时速度分别为：
Figure 10224DEST_PATH_IMAGE018
Figure 498974DEST_PATH_IMAGE019
因为P′为左、右履带瞬心O L、O R的中点，P′处的速度为：
Figure 501565DEST_PATH_IMAGE020
其中，
Figure 962633DEST_PATH_IMAGE021
为左、右进步机的旋转速度；
Figure 126898DEST_PATH_IMAGE022
分别为左、右履带主动轮的半径；根据公式可得到激光自动除锈机器人的质心速度公式为：
Figure 368524DEST_PATH_IMAGE023
。
3.根据权利要求1或2所述的基于人工智能的激光自动除锈机器人控制系统，其特征在于，所述S2中利用SLAM算法在激光自动除锈机器人路径规划的基础上，基于激光自动除锈机器人内置摄像头所实时采集的工作空间视频流，建立空间识别和导航系统：
通过概率技术来解决预测估计问题，根据激光自动除锈机器人识别的环境特征实时的构建环境地图，并通过增量式构建环境地图的反馈调整移动激光自动除锈机器人位姿的连续过程，SLAM可概括为预测估计，数据关联，观测更新和系统扩展的求解相关概率过程，SLAM算法的实质就是系统初始状态根据状态输入信息
Figure 909226DEST_PATH_IMAGE024
和传感器观测信息
Figure 993112DEST_PATH_IMAGE025
的作用，对移动激光自动除锈机器人下一时刻位姿
Figure 593857DEST_PATH_IMAGE026
和路标信息集合
Figure 57200DEST_PATH_IMAGE027
的概率估计，可以表示为对运动路径和制图的后验估计：
Figure 401593DEST_PATH_IMAGE029
，
在己知k-1时刻移动激光自动除锈机器人的系统状态信息后，根据贝叶斯概率模型的到k时刻下对系统状态变量的后验概率估计，即：
Figure 899571DEST_PATH_IMAGE030
其中
Figure 343322DEST_PATH_IMAGE031
为常数，
Figure 559539DEST_PATH_IMAGE033
为系统过程模型，
Figure 442045DEST_PATH_IMAGE035
为系统的观测模型，
Figure 794529DEST_PATH_IMAGE037
为当前时刻位姿
Figure 658448DEST_PATH_IMAGE026
和路标信息集合
Figure 96383DEST_PATH_IMAGE027
的概率估计，
Figure 782579DEST_PATH_IMAGE038
表示O到k时刻的路标相关性集合。
4.根据权利要求1所述的激光自动除锈机器人控制系统，其特征在于，所述S3中采集所需工作场景中的锈渍图片的方式采用无人机，微型拍摄机器人和人工拍摄方式中的一种或多种组合的方式获取工业中的锈渍图片。
5.根据权利要求1所述的激光自动除锈机器人控制系统，其特征在于，所述S3中锈渍图片数据化的方式采用本地计算机将所有图片进行归一化处理，获得尺寸和像素大小一致的图片信息库，将所有图片信息网格化处理，得到256*256的方框像素，即横向256个像素格，竖向256个像素格，以每一个像素格作为图片训练的数据基础。
6.根据权利要求1所述的基于人工智能的激光自动除锈机器人控制系统，其特征在于，所述S3中基于深度神经网络框架主要是卷积神经网络，计算每一个训练批次数据的均值μ与方差σ：
Figure DEST_PATH_IMAGE039
Figure 927253DEST_PATH_IMAGE040
其中，
Figure DEST_PATH_IMAGE041
为批量规范化处理输入数据的样本；用所求得的均值
Figure 40702DEST_PATH_IMAGE042
与方差
Figure 965933DEST_PATH_IMAGE006
对该批次的训练数据做归一化，把它们规整到均值为0、方差为1的正态分布范围内：ε是一个微小正数，通过尺度变换和偏移使返回的批量归一化结果的特性和原始输入数据的特性相同，避免数据的特征分布因数据归一化而被破坏；卷积神经网络学习图像不同方向梯度的特征，再将不同方向的特征进行随机化特征融合，将具有差异性的图像特征信息进行融合，以使融合后的特征信息可以方便地进行区分，提高图像的表达能力，对融合后的特征进行通道混洗，使得特征图的每一个区域都包含不同通道的特征，得到的图像融合信息具有鲁棒性。
7.根据权利要求1所述的基于人工智能的激光自动除锈机器人控制系统，其特征在于，所述S4中系统数据库由MongoDB数据库技术进行搭建，包括激光自动除锈机器人系统的数据录入，读取，更改，保存和反馈。
8.根据权利要求1所述的基于人工智能的激光自动除锈机器人控制系统，其特征在于，所述S4中激光自动除锈机器人的动力机械臂由动力控制算法驱动。
9.根据权利要求1所述的基于人工智能的激光自动除锈机器人控制系统，其特征在于，所述S4中激光自动除锈机器人采用激光除锈方式，适合于各种非平面不规则的作业目标，采用机械臂的方式移动激光头，实现复杂形状作业目标的精准除锈。
10.根据权利要求1所述的基于人工智能的激光自动除锈机器人控制系统，其特征在于，所述S4中动力机械臂上装有图像采集装置，可以实时监控除锈过程，监控除锈效果，并对动力机械臂移动进行反馈控制。
CN202211616442.XA 2022-12-08 2022-12-16 基于人工智能的激光自动除锈机器人控制系统 Active CN115599107B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2022115717581 2022-12-08
CN202211571758 2022-12-08

Publications (2)

Publication Number Publication Date
CN115599107A true CN115599107A (zh) 2023-01-13
CN115599107B CN115599107B (zh) 2023-04-28

Family

ID=84854299

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211616442.XA Active CN115599107B (zh) 2022-12-08 2022-12-16 基于人工智能的激光自动除锈机器人控制系统

Country Status (1)

Country Link
CN (1) CN115599107B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110363093A (zh) * 2019-06-19 2019-10-22 深圳大学 一种司机动作识别方法及装置
CN111242071A (zh) * 2020-01-17 2020-06-05 陕西师范大学 一种基于锚框的注意力遥感图像目标检测方法
CN113546921A (zh) * 2021-07-26 2021-10-26 贵州电网有限责任公司 一种激光金属件清洗除锈钝化机器人和方法
CN113751429A (zh) * 2021-08-11 2021-12-07 北京工业大学 一种机械臂辅助激光加工的高精度定位及运动补偿方法
CN114819052A (zh) * 2022-03-01 2022-07-29 山东农业大学 一种基于改进的YOLOv5s模型的苹果病害识别方法
CN115157238A (zh) * 2022-06-09 2022-10-11 郑州大学 一种多自由度机器人动力学建模和轨迹跟踪方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110363093A (zh) * 2019-06-19 2019-10-22 深圳大学 一种司机动作识别方法及装置
CN111242071A (zh) * 2020-01-17 2020-06-05 陕西师范大学 一种基于锚框的注意力遥感图像目标检测方法
CN113546921A (zh) * 2021-07-26 2021-10-26 贵州电网有限责任公司 一种激光金属件清洗除锈钝化机器人和方法
CN113751429A (zh) * 2021-08-11 2021-12-07 北京工业大学 一种机械臂辅助激光加工的高精度定位及运动补偿方法
CN114819052A (zh) * 2022-03-01 2022-07-29 山东农业大学 一种基于改进的YOLOv5s模型的苹果病害识别方法
CN115157238A (zh) * 2022-06-09 2022-10-11 郑州大学 一种多自由度机器人动力学建模和轨迹跟踪方法

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
LIUWEI HUANG 等: "《CNN-LSTM network-based damage detection approach for copper pipeline using laser ultrasonic scanning using laser ultrasonic scanning》", 《ULTRASONICS》 *
SHENG ZHANG 等: "《A channel attention based deep neural network for automatic metallic》", 《JOURNAL OF BUILDING ENGINEERING》 *
YUPENG WEI 等: "《Bearing remaining useful life prediction using self-adaptive graph convolutional networks with self-attention mechanism》", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》 *
刘雪丽: "《基于机器学习的船体除锈机器人曲面路径规划技术研究》", 《工程科技Ⅱ辑》 *
李祥 等: "《基于小脑模型的机器臂自适应神经网络控制》", 《电气与自动化》 *
杨蕴鹏: "《基于图像处理的水工结构钢表面锈蚀特征检测与评估》", 《工程科技Ⅰ辑; 信息科技》 *
舒甜督 等: "《基于卷积神经网络的肺部CT图像分类算法研究》", 《电子设计工程》 *
郑严: "《移动机器人激光雷达SLAM自主导航算法仿真研究》", 《信息科技》 *

Also Published As

Publication number Publication date
CN115599107B (zh) 2023-04-28

Similar Documents

Publication Publication Date Title
CN109597864B (zh) 椭球边界卡尔曼滤波的即时定位与地图构建方法及系统
EP1901152B1 (en) Method, medium, and system estimating pose of mobile robots
JP6855524B2 (ja) 低速特徴からのメトリック表現の教師なし学習
Chatterjee et al. A Geese PSO tuned fuzzy supervisor for EKF based solutions of simultaneous localization and mapping (SLAM) problems in mobile robots
Choi Hybrid map-based SLAM using a Velodyne laser scanner
CN107883965A (zh) 基于光学信息交互多模型强跟踪容积卡尔曼滤波导航方法
CN110388926B (zh) 一种基于手机地磁和场景图像的室内定位方法
CN114998276B (zh) 一种基于三维点云的机器人动态障碍物实时检测方法
CN111123953B (zh) 人工智能大数据下粒子化移动机器人组及其控制方法
Lin et al. Fast, robust and accurate posture detection algorithm based on Kalman filter and SSD for AGV
Kottath et al. Mutual information based feature selection for stereo visual odometry
CN114993298A (zh) 基于ekf的模板匹配vo与轮式里程计融合定位方法
Sonker et al. Adding terrain height to improve model learning for path tracking on uneven terrain by a four wheel robot
Omeragić et al. Tracking of moving objects based on extended Kalman filter
Xie et al. Learning agile flights through narrow gaps with varying angles using onboard sensing
CN116203973B (zh) 轨道ai巡检机器人智能控制系统
Hewawasam et al. Comparative study on object tracking algorithms for mobile robot navigation in gps-denied environment
Heinemann et al. A combined monte-carlo localization and tracking algorithm for robocup
CN115599107A (zh) 基于人工智能的激光自动除锈机器人控制系统
CN111444838A (zh) 一种机器人地面环境感知方法
Song et al. Critical rays self-adaptive particle filtering SLAM
Liu An integrated visual system for unmanned aerial vehicles tracking and landing on the ground vehicles
CN114721377A (zh) 一种基于改进Cartographer的SLAM的室内导盲机器人控制方法
CN108986162A (zh) 基于惯性测量单元和视觉信息的菜品和背景分割方法
Gao et al. A prediction method of localizability based on deep learning

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant